مقدمة
أدى التطور السريع للذكاء الاصطناعي (AI) والتعلم الآلي (ML) إلى تطوير الذكاء الاصطناعي الوكيل، وهو نوع من الذكاء الاصطناعي يمكنه اتخاذ الإجراءات واتخاذ القرارات من تلقاء نفسه. تتمتع هذه التكنولوجيا بالقدرة على إحداث ثورة في الطريقة التي نتعامل بها مع هندسة البرمجيات وأتمتة DevOps. في هذه المقالة، سوف نستكشف تكامل الذكاء الاصطناعي الوكيل ونماذج اللغات الكبيرة (LLMs) وأدوات التنسيق مثل LangChain وDSPy لأتمتة بنية البرامج والبنية التحتية وعمليات DevOps.
ما هو الذكاء الاصطناعي الوكيل؟
يشير Agentic AI إلى نوع من الذكاء الاصطناعي يمكنه اتخاذ الإجراءات واتخاذ القرارات من تلقاء نفسه. وهذا على النقيض من أنظمة الذكاء الاصطناعي التقليدية، والتي تم تصميمها عادةً لأداء مهام محددة واتباع مجموعة من القواعد المحددة مسبقًا. من ناحية أخرى، تم تصميم أنظمة الذكاء الاصطناعي الوكلاء لتكون أكثر استقلالية وقدرة على التكيف، مما يسمح لهم بالتعلم من بيئتهم واتخاذ القرارات بناءً على أهدافهم وغاياتهم الخاصة.
دور ماجستير إدارة الأعمال في الذكاء الاصطناعي الوكيل
تعد نماذج اللغات الكبيرة (LLMs) أحد أنواع الذكاء الاصطناعي التي يتم تدريبها على كميات هائلة من البيانات النصية وتكون قادرة على توليد لغة شبيهة بالإنسان. تعد LLMs مكونًا رئيسيًا لأنظمة الذكاء الاصطناعي الوكيل، لأنها توفر القدرة على فهم وتوليد اللغة البشرية. يتيح ذلك لأنظمة الذكاء الاصطناعي التفاعلية التواصل مع البشر والأنظمة الأخرى بطريقة أكثر طبيعية وبديهية.
أدوات التنسيق: LangChain وDSPy
تم تصميم أدوات التنسيق مثل LangChain وDSPy لإدارة وتنسيق التفاعلات بين الأنظمة والمكونات المختلفة. توفر هذه الأدوات طريقة لتحديد مهام سير العمل وتنفيذها، والتي يمكن أن تتضمن مهام مثل معالجة البيانات والتدريب النموذجي والنشر.
لانجشين
LangChain هي أداة تنسيق مفتوحة المصدر توفر إطارًا مرنًا وقابل للتوسيع لبناء وإدارة سير العمل. تم تصميم LangChain للعمل مع مجموعة واسعة من الأنظمة والمكونات، بما في ذلك LLMs وقواعد البيانات وواجهات برمجة التطبيقات.
دي إس بي باي
DSPy هي أداة تنسيق تعتمد على Python وتوفر طريقة بسيطة وبديهية لتحديد مهام سير العمل وتنفيذها. تم تصميم DSPy للعمل مع مجموعة واسعة من الأنظمة والمكونات، بما في ذلك LLMs وقواعد البيانات وواجهات برمجة التطبيقات.
أتمتة هندسة البرمجيات وعمليات DevOps
يمكن استخدام Agent AI وLLMs وأدوات التنسيق مثل LangChain وDSPy لأتمتة مجموعة واسعة من هندسة البرامج وعمليات DevOps. بعض الأمثلة تشمل:
- مراجعة التعليمات البرمجية تلقائيًا: يمكن استخدام أنظمة Agentic AI لمراجعة التعليمات البرمجية وتحديد المشكلات المحتملة، مثل الأخطاء والثغرات الأمنية.
- الاختبار التلقائي: يمكن استخدام أنظمة الذكاء الاصطناعي الوكيل لأتمتة الاختبار، بما في ذلك اختبار الوحدات واختبار التكامل والاختبار الشامل.
- النشر التلقائي: يمكن استخدام أنظمة Agentic AI لأتمتة النشر، بما في ذلك نشر التعليمات البرمجية والتكوين والموارد الأخرى.
- المراقبة التلقائية: يمكن استخدام أنظمة Agentic AI لأتمتة المراقبة، بما في ذلك مراقبة أداء النظام والأمان والمقاييس الأخرى.
##التنفيذ العملي
في هذا القسم، سنقدم مثالًا بسيطًا لكيفية استخدام LangChain وDSPy لأتمتة بنية البرنامج وعملية DevOps.
مثال: مراجعة التعليمات البرمجية تلقائيًا
في هذا المثال، سوف نستخدم LangChain وDSPy لأتمتة مراجعة التعليمات البرمجية. سوف نقوم بتحديد سير العمل الذي يتضمن الخطوات التالية:
- تحليل الكود: سيستخدم سير العمل LLM لتحليل الكود وتحديد المشكلات المحتملة.
- مراجعة الكود: سيستخدم سير العمل نظام الذكاء الاصطناعي الوكيل لمراجعة الكود وتحديد المشكلات المحتملة.
- نشر التعليمات البرمجية: سيستخدم سير العمل أداة نشر لنشر التعليمات البرمجية في بيئة الإنتاج.
فيما يلي مثال لكيفية تنفيذ سير العمل هذا باستخدام LangChain وDSPy:
import langchain
من langchain استيراد LLM
#تعريف LLM
llm = LLM("text-davinci-003")
# تعريف نظام الذكاء الاصطناعي الوكيل
ai_system = langchain.AgenticAI()
# تحديد سير العمل
سير العمل = langchain.Workflow(
الخطوات=[
لانجشين.الخطوة(
الاسم = "تحليل الكود"،
func=llm.analyze_code,
inputs={"code": "def hello_world(): print('Hello World')"},
)،
لانجشين.الخطوة(
الاسم = "مراجعة الكود"،
func=ai_system.review_code,
inputs={"code": "def hello_world(): print('Hello World')"},
)،
لانجشين.الخطوة(
الاسم = "نشر الكود"،
func=langchain.deploy_code,
inputs={"code": "def hello_world(): print('Hello World')"},
)،
]
)
# تنفيذ سير العمل
سير العمل. تنفيذ ()
يحدد هذا الكود سير عمل يتضمن ثلاث خطوات: تحليل الكود، ومراجعة الكود، ونشر الكود. يستخدم سير العمل LLM لتحليل الكود، ونظام الذكاء الاصطناعي الوكيل لمراجعة الكود، وأداة نشر لنشر الكود في بيئة الإنتاج.
أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا
فيما يلي أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا لـ LangChain وDSPy:
langchain.Workflow(steps=[...]): تحديد سير عمل بخطوات متعددة.langchain.Step(name="...", func=..., inputs={...}): تحديد خطوة واحدة في سير العمل.llm.analyze_code(inputs={"code": ...}): استخدم LLM لتحليل التعليمات البرمجية.ai_system.review_code(inputs={"code": ...}): استخدم نظام الذكاء الاصطناعي الوكيل لمراجعة التعليمات البرمجية.langchain.deploy_code(inputs={"code": ...}): نشر التعليمات البرمجية في بيئة الإنتاج.langchain.AgenticAI(): إنشاء مثيل لنظام الذكاء الاصطناعي الوكيل.langchain.LLM(): إنشاء مثيل لـ LLM.langchain.deploy_code(): نشر التعليمات البرمجية في بيئة الإنتاج.langchain.execute_workflow(): تنفيذ سير العمل.langchain.get_workflow_status(): احصل على حالة سير العمل.
التصور
فيما يلي مثال لكيفية تصور سير العمل باستخدام Chart.js:
{
"النوع": "شريط"،
"البيانات": {
"labels": ["تحليل الكود"، "مراجعة الكود"، "نشر الكود"]،
"مجموعات البيانات": [
{
"label": "خطوات سير العمل"،
"بيانات": [10، 20، 30]،
"لون الخلفية": [
"رغبا (255، 99، 132، 0.2)"،
"رغبا (54، 162، 235، 0.2)"،
"رغبا (255، 206، 86، 0.2)"
]،
"لون الحدود": [
"رغبا (255، 99، 132، 1)"،
"رغبا (54، 162، 235، 1)"،
"رغبا (255، 206، 86، 1)"
]،
"عرض الحدود": 1
}
]
},
"الخيارات": {}
}
يحدد هذا الرمز مخططًا شريطيًا بثلاث تسميات: تحليل الكود، ومراجعة الكود، ونشر الكود. يوضح المخطط عدد الخطوات في كل مرحلة من مراحل سير العمل.
الخلاصة
يتمتع Agent AI وLLMs وأدوات التنسيق مثل LangChain وDSPy بالقدرة على إحداث ثورة في الطريقة التي نتعامل بها مع هندسة البرمجيات وأتمتة DevOps. من خلال أتمتة المهام مثل مراجعة التعليمات البرمجية والاختبار والنشر، يمكننا تحسين كفاءة وفعالية عمليات التطوير لدينا. في هذه المقالة، استكشفنا تكامل هذه التقنيات وقدمنا مثالًا بسيطًا لكيفية استخدامها لأتمتة بنية البرامج وعملية DevOps.