Giriş

“DevOps” ynkylaby programma üpjünçiligini işläp düzmek, ýerleşdirmek we dolandyrmak usulyny üýtgetdi. Şeýle-de bolsa, häzirki zaman programma üpjünçilik ulgamlarynyň çylşyrymlylygy artdygyça, awtomatlaşdyrma, laýyklyk we ulalmak zerurlygy hem artýar. Ine, AI bilen işleýän DevOps girýär - DevOps turbageçirijilerini tertipleşdirmek üçin emeli intellekt (AI) we maşyn öwrenmek (ML) ulanýan oýun üýtgediji çemeleşme. Bu makalada, AI esasly DevOps-y agent esasly awtomatlaşdyrmaga mümkinçilik berýän iki sany iň esasy çarçuwaly LangChain we DSPy bilen nädip düzmelidigini öwreneris.

LangChain näme?

“LangChain” açyk çeşme çarçuwadyr, döredijilere modully, ulaldylan arhitekturany ulanyp, AI programmalaryny gurmaga mümkinçilik berýär. Dürli maglumat çeşmeleri bilen täsirleşip, wezipeleri ýerine ýetirip we karar berip bilýän AI agentlerini döretmek üçin öňünden gurlan komponentleriň we gurallaryň toplumyny üpjün edýär. “LangChain” “Rust” programmirleme diliniň üstünde gurlup, Python we Go ýaly beýleki diller bilen ulanylyp bilner.

DSPy näme?

DSPy, LangChain çarçuwasyna ýönekeý, Python interfeýsini üpjün edýän Python kitaphanasydyr. Döredijilere has tanyş sintaksis we iş akymyny ulanyp, AI agentlerini gurmaga mümkinçilik berýär, bu bolsa LangChain-i Python esasly DevOps turbageçirijileri bilen birleşdirmegi aňsatlaşdyrýar.

LangChain we DSPy-ny DevOps turbageçirijileri bilen birleşdirmek

“LangChain” we “DSPy” -ni “DevOps” turbageçirijileri bilen birleşdirmek üçin, wezipeleri ýerine ýetirip, karar berip we dürli maglumatlar çeşmeleri bilen täsirleşip bilýän AI agentini döretmeli. Ine, prosesiň ýokary derejeli syny:

1. ** AI agentini kesgitläň **: Kod ýerleşdirmek, synaglary geçirmek we öndürijilige gözegçilik etmek ýaly meseleleri ýerine ýetirip bilýän LangChain agentini dörediň.
2. ** DevOps Gurallary bilen birleşdiriň **: AI agentini Jenkins, GitLab CI / CD ýa-da Docker ýaly DevOps gurallary bilen birleşdiriň.
3. ** AI agentini sazlaň **: AI agentini maglumat bazalary, API ýa-da faýl ulgamlary ýaly dürli maglumatlar çeşmeleri bilen täsirleşmek üçin sazlaň.
4. ** AI agentini öwrediň **: DevOps turbageçirijisinden maşyn öwrenmek algoritmlerini we maglumatlary ulanyp, AI agentini öwrediň.

Amaly mysal: LangChain we DSPy bilen kod ýerleşdirmek

“LangChain” we “DSPy” ulanyp kodlary nädip ýerleşdirmegiň ýönekeý mysaly: `` piton langchain import ediň langchain.agents import agentinden langchain.llms-dan LLM import edýär

LangChain agentini dörediň

agent = Agent ( llm = LLM ( model_name = "davinci", max_tokens = 2048, temperatura = 0,5, ), zynjyr = [ langchain.Chain ( name = "ନିୟୋଜିତ_kody", ädimler = [ langchain.Step ( name = "git_clone", funksiýa = lambda: git_clone ("https://github.com/user/repo.git"), ), langchain.Step ( name = "build_code", funksiýa = lambda: build_code (), ), langchain.Step ( name = "ନିୟୋଜିତ_kody", funksiýa = lambda: ýerleşdirmek_kody (), ), ], ), ], )

AI agentini ulanyp kod ýerleşdiriň

agent.deploy_code () `` Bu mysalda üç ädim ýerine ýetirýän LangChain agentini döredýäris:

1. Git ulanyp, kod ammaryny klonlaýar.
2. Gurluş guralyny ulanyp kod döredýär.
3. Kod ýerleşdirme guralyny ulanýar.

AI agenti karar bermek we işleri ýerine ýetirmek üçin dil modelini (LLM) ulanýar.

Iň köp ulanylýan buýruklar / bölekler

LangChain we DSPy üçin iň köp ulanylýan buýruklar we bölekler:

1. ** LangChain agentini dörediň **: `agent = Agent (llm = LLM (model_name =" davinci ", max_tokens = 2048, temperatura = 0,5), zynjyr = [langchain. git_clone ("https://github.com/user/repo.git"))])) "
2. ** AI agentini ulanyp kod ýerleşdiriň **: agent.deploy_code ()
3. ** AI agentini öwrediň **: `agent.train (data = [{" giriş ":" kod ýerleşdir "," çykyş ":" ýerleşdirilen kod "}])"
4. ** DevOps gurallary bilen birleşdiriň **: agent.integrate_with_jenkins ()
5. ** AI agentini sazlaň **: `agent.configure (llm = LLM (model_name =" davinci ", max_tokens = 2048, temperatura = 0,5))"
6. ** AI agentiniň statusyny alyň **: agent.status ()
7. ** AI agentiniň surnallaryny alyň **: agent.logs ()
8. ** AI agentiniň konfigurasiýasyny täzeläň **: `agent.update_config (llm = LLM (model_name =" davinci ", max_tokens = 2048, temperatura = 0,5))"
9. ** AI agentini pozuň **: agent.delete ()
10. ** AI agentiniň ölçeglerini alyň **: agent.metrics ()

Görkeziş

Ine, Chart.js ulanyp, LangChain we DSPy arhitekturasynyň wizual görnüşi: json { "tip": "bar", "maglumatlar": { "bellikler": ["LangChain", "DSPy"], "maglumat bazalary": [ { "bellik": "Komponentler", "maglumatlar": [10, 5], "backgroundColor": ["# 4CAF50", "# FF9800"], "borderColor": ["# 3e8e41", "# ff9900"], "borderWidth": 1 } ] }, "opsiýalar": { "title": { "görkezmek": dogry, "text": "LangChain we DSPy arhitekturasy" }, "rowaýat": { "görkezmek": dogry }, "terezisi": { "yAxes": [ { "bellikler": { "startAtZero": dogry } } ] } } } Bu wizuallaşdyrma LangChain we DSPy-daky komponentleriň sanyny görkezýär.

Netije

Bu makalada, AI esasly DevOps-y agent esasly awtomatlaşdyrmaga mümkinçilik berýän iki sany iň esasy çarçuwaly LangChain we DSPy bilen nädip düzmelidigini öwrendik. AI bilen işleýän DevOps-yň artykmaç awtomatlaşdyryş, laýyklyk we ulalmak ýaly peýdalaryny ara alyp maslahatlaşdyk. Şeýle hem, LangChain we DSPy ulanyp kod ýerleşdirmegiň amaly mysaly, şeýle hem iň köp ulanylýan buýruklaryň we parçalaryň sanawyny berdik. Ahyrynda, Chart.js ulanyp, LangChain we DSPy arhitekturasyny göz öňüne getirdik. “LangChain” we “DSPy” bilen döredijiler AI we maşyn öwreniş güýjüni artdyrýan has netijeli, ulaldylan we awtomatlaşdyrylan DevOps turbageçirijilerini gurup bilerler.