Menerapkan AI Agentik dalam Otomatisasi Uji deterministik dengan LangChain dan DSPy
Pendahuluan
Meningkatnya kompleksitas sistem perangkat lunak telah menjadikan otomatisasi pengujian sebagai aspek penting dalam pengembangan perangkat lunak. Kerangka kerja otomatisasi pengujian tradisional bergantung pada pendekatan tertulis, yang mungkin rapuh dan sulit dipertahankan. Dalam beberapa tahun terakhir, kemunculan Agentic AI dan Orchestration Tools telah membuka kemungkinan baru untuk mengotomatisasi skenario pengujian yang kompleks. Dalam artikel ini, kita akan menjelajahi titik temu antara Agentic AI, Orchestration Tools, dan Software Engineering untuk mengotomatiskan skenario pengujian yang kompleks menggunakan LangChain dan DSPy.
Apa itu AI Agenik?
Agentic AI mengacu pada jenis kecerdasan buatan yang dirancang untuk mengambil tindakan atas nama pengguna atau sistem. Sistem AI agen mampu mengambil keputusan, belajar dari pengalaman, dan beradaptasi dengan situasi baru. Dalam konteks otomatisasi pengujian, Agentic AI dapat digunakan untuk mengotomatiskan skenario pengujian yang kompleks dengan mensimulasikan interaksi pengguna, membuat keputusan berdasarkan data pengujian, dan beradaptasi dengan perubahan kondisi pengujian.
Apa itu LangChain?
LangChain adalah Alat Orkestrasi sumber terbuka yang memungkinkan pengembang membangun sistem AI yang kompleks menggunakan berbagai bahasa pemrograman, termasuk Python, Rust, dan Go. LangChain menyediakan arsitektur fleksibel dan modular yang memungkinkan pengembang mengintegrasikan berbagai komponen AI, seperti pemrosesan bahasa alami (NLP) dan visi komputer, untuk membangun sistem AI yang canggih.
Apa itu DSPy?
DSPy adalah pustaka Python yang menyediakan seperangkat alat untuk membangun dan menerapkan sistem AI. DSPy dirancang untuk bekerja secara lancar dengan LangChain dan menyediakan berbagai fitur, termasuk pemrosesan data, pembelajaran mesin, dan pembelajaran mendalam.
Menerapkan AI Agentik dalam Otomatisasi Uji deterministik
Untuk mengimplementasikan Agentic AI dalam otomatisasi pengujian deterministik, kita dapat menggunakan LangChain dan DSPy untuk membangun kerangka otomatisasi pengujian yang menyimulasikan interaksi pengguna, membuat keputusan berdasarkan data pengujian, dan beradaptasi dengan perubahan kondisi pengujian.
Berikut adalah contoh sederhana bagaimana kita dapat menggunakan LangChain dan DSPy untuk mengotomatiskan skenario pengujian:
impor langchain
dari langchain.chains impor LLMChain
dari langchain.llms impor DSPyLLM
skenario_ujian = {
"input_pengguna": "masuk",
"expected_output": "login berhasil"
}
# Tentukan agen Agentic AI
agen = LLMChain(
llm=DSPyLLM(),
masukan_tipe="teks",
output_type="teks"
)
# Tentukan fungsi otomatisasi pengujian
def test_automation(skenario_pengujian):
# Simulasikan interaksi pengguna
input_pengguna = skenario_ujian["input_pengguna"]
# Buat keputusan berdasarkan data pengujian
keputusan = agen.jalankan(input_pengguna)
# Beradaptasi dengan perubahan kondisi pengujian
jika keputusan == "login berhasil":
print("Tes lulus")
yang lain:
print("Tes gagal")
# Jalankan fungsi otomatisasi pengujian
uji_otomatisasi(skenario_uji)
Dalam contoh ini, kami mendefinisikan skenario pengujian yang melibatkan simulasi interaksi pengguna, pengambilan keputusan berdasarkan data pengujian, dan adaptasi terhadap perubahan kondisi pengujian. Kami kemudian mendefinisikan agen Agentic AI menggunakan LangChain dan DSPy, dan menggunakannya untuk mengotomatiskan skenario pengujian.
5-10 Perintah/Cuplikan Teratas yang Paling Banyak Digunakan
Berikut adalah 5-10 perintah/cuplikan yang paling banyak digunakan untuk LangChain dan DSPy:
langchain.LLMChain(llm=DSPyLLM()): Membuat agen AI Agen menggunakan LangChain dan DSPy.DSPyLLM(): Menginisialisasi instance DSPy LLM (Model Bahasa Besar).LLMChain(input_type="text", output_type="text"): Membuat agen Agentic AI dengan tipe input dan output teks.agent.run(user_input): Menjalankan agen Agentic AI dengan input pengguna.test_scenario = {"user_input": "login", "expected_output": "login berhasil"}: Mendefinisikan skenario pengujian dengan input pengguna dan output yang diharapkan.langchain.chains.LLMChain(llm=DSPyLLM()): Membuat agen AI Agen menggunakan LangChain dan DSPy.DSPyLLM().predict(user_input): Memprediksi output DSPy LLM dengan input pengguna.LLMChain(input_type="text", output_type="text").run(user_input): Menjalankan agen Agentic AI dengan tipe input dan output teks.test_automation(test_scenario): Menjalankan fungsi otomatisasi pengujian dengan skenario pengujian.langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input): Menjalankan agen Agentic AI dengan input pengguna.
Visualisasi
Berikut visualisasi agen Agentic AI menggunakan Chart.js:
{
"ketik": "bilah",
"data": {
"labels": ["Input Pengguna", "Keputusan", "Adaptasi"],
"kumpulan data": [
{
"label": "Agen AI Agen",
"data": [10, 20, 30],
"warna latar": "rgba(255, 99, 132, 0.2)",
"borderColor": "rgba(255, 99, 132, 1)",
"Lebar Batas": 1
}
]
},
"pilihan": {
"judul": {
"tampilan": benar,
"teks": "Agen AI Agen"
},
"timbangan": {
"yAxes": [
{
"centang": {
"beginAtZero": benar
}
}
]
}
}
}
Visualisasi ini menunjukkan performa agen Agentic AI dalam mensimulasikan interaksi pengguna, mengambil keputusan berdasarkan data pengujian, dan beradaptasi dengan perubahan kondisi pengujian.
Kesimpulan
Dalam artikel ini, kami menjelajahi titik temu antara Agentic AI, Orchestration Tools, dan Software Engineering untuk mengotomatiskan skenario pengujian yang kompleks menggunakan LangChain dan DSPy. Kami menerapkan contoh sederhana Agentic AI dalam otomatisasi pengujian deterministik dan menyediakan berbagai perintah/cuplikan untuk LangChain dan DSPy. Kami juga memvisualisasikan kinerja agen Agentic AI menggunakan Chart.js. Dengan memanfaatkan AI Agentik dan Alat Orkestrasi, pengembang dapat membangun kerangka otomatisasi pengujian canggih yang mensimulasikan interaksi pengguna, membuat keputusan berdasarkan data pengujian, dan beradaptasi dengan perubahan kondisi pengujian.