କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ସହିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ଏଜେଣ୍ଟିକ୍ AI କୁ ଲିଭର୍ କରିବା
ପରିଚୟ
ଆଜିର ଦ୍ରୁତ ଗତିଶୀଳ ସଫ୍ଟୱେର୍ ବିକାଶ ଦୃଶ୍ୟପଟ୍ଟରେ, DevOps ଦଳ କ୍ରମାଗତ ଭାବରେ ଏକୀକରଣ ଏବଂ ନିରନ୍ତର ନିୟୋଜନ (CI / CD) ପାଇପଲାଇନର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତାକୁ ଉନ୍ନତ କରିବାର ଉପାୟ ଖୋଜୁଛନ୍ତି | ଏକ ପ୍ରତିଜ୍ଞାକାରୀ ଉପାୟ ହେଉଛି ଏଜେଣ୍ଟିକ୍ AI କୁ ଲିଭର୍ କରିବା, ଯାହା ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟଗୁଡିକର ସୃଷ୍ଟିକୁ ସକ୍ଷମ କରିଥାଏ ଯାହା DevOps କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ ଏବଂ ଅପ୍ଟିମାଇଜ୍ କରିପାରିବ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ବ୍ୟବହାର କରି AI- ଚାଳିତ ଏଜେଣ୍ଟଗୁଡ଼ିକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରିବେ, ତାହା ଅନୁସନ୍ଧାନ କରିବୁ, ଦୁଇଟି ଅତ୍ୟାଧୁନିକ framework ାଞ୍ଚା ଯାହା DevOps ସ୍ୱୟଂଚାଳିତ କ୍ଷେତ୍ରରେ ପରିବର୍ତ୍ତନ ଆଣେ |
ଏଜେଣ୍ଟ୍ AI କ’ଣ?
ଏଜେଣ୍ଟିକ୍ AI ଏକ ପ୍ରକାର କୃତ୍ରିମ ବୁଦ୍ଧିମତାକୁ ବୁ refers ାଏ ଯାହା ସ୍ human ତ onom ସ୍ପୃତ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି, ମାନବ ଏଜେଣ୍ଟ ପରି | DevOps ପ୍ରସଙ୍ଗରେ, ଏଜେଣ୍ଟ୍ AI କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯେପରିକି ନିର୍ମାଣ, ପରୀକ୍ଷଣ ଏବଂ ସଫ୍ଟୱେର୍ ପ୍ରୟୋଗଗୁଡିକ ନିୟୋଜନ | ମେସିନ୍ ଲର୍ନିଂ ଏବଂ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) କ ques ଶଳକୁ ଉପଯୋଗ କରି, ଏଜେଣ୍ଟିକ୍ AI ଏଜେଣ୍ଟମାନେ ଅନୁଭୂତିରୁ ଶିଖିପାରିବେ ଏବଂ ପରିବେଶକୁ ପରିବର୍ତ୍ତନ କରିପାରିବେ, ଯାହା ସେମାନଙ୍କୁ ଜଟିଳ ଏବଂ ଗତିଶୀଳ DevOps କାର୍ଯ୍ୟ ପ୍ରବାହ ପାଇଁ ଆଦର୍ଶ କରିପାରେ |
କିରୋ ଏବଂ ଲାଙ୍ଗ୍ ଚେନ୍ ର ପରିଚୟ
କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଦୁଇଟି ମୁକ୍ତ ଉତ୍ସ framework ାଞ୍ଚା ଯାହା ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ ଏଜେଣ୍ଟ୍ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି | କିରୋ ହେଉଛି ଏକ ରୁଷ୍ଟ-ଆଧାରିତ framework ାଞ୍ଚା ଯାହାକି ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ଦୃ ust ଏବଂ ମାପନୀୟ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରୁଥିବାବେଳେ ଲାଙ୍ଗଚେନ ହେଉଛି ପାଇଥନ୍-ଆଧାରିତ framework ାଞ୍ଚା ଯାହା NLP ଏବଂ ଭାଷା ବୁ understanding ାମଣା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ |
କିରୋ: ଇଣ୍ଟେଲିଜେଣ୍ଟ୍ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ରୁଷ୍ଟ-ଆଧାରିତ amework ାଞ୍ଚା
କିରୋ ହେଉଛି ଏକ ଆଧୁନିକ ରୁଷ୍ଟ-ଆଧାରିତ framework ାଞ୍ଚା ଯାହା ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ବିସ୍ତୃତ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରେ | କିରୋ ସହିତ, ବିକାଶକାରୀମାନେ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ବିଭିନ୍ନ ସିଷ୍ଟମ୍, ସେବା, ଏବଂ ଡାଟା ଉତ୍ସ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ ଏବଂ କାର୍ଯ୍ୟଗୁଡିକ ଯେପରିକି:
- କାର୍ଯ୍ୟ ପ୍ରବାହ ଏବଂ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା |
- ତଥ୍ୟ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ନିଷ୍ପତ୍ତି ନେବା |
- ମଣିଷ ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରଣାଳୀ ସହିତ ଯୋଗାଯୋଗ |
କିରୋର ସ୍ଥାପତ୍ୟ ଉଚ୍ଚ ମାପନୀୟ ଏବଂ ନମନୀୟ ହେବା ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି, ଏହାକୁ ବୃହତ ଆକାରର DevOps ସ୍ୱୟଂଚାଳିତ ପ୍ରକଳ୍ପ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |
ଲାଙ୍ଗ୍ ଚେନ୍: NLP ଏବଂ ଭାଷା ବୁ standing ାମଣା ପାଇଁ ଏକ ପାଇଥନ୍ ଆଧାରିତ Fr ାଞ୍ଚା
ଲାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ପାଇଥନ୍-ଆଧାରିତ framework ାଞ୍ଚା ଯାହା NLP ଏବଂ ଭାଷା ବୁ understanding ାମଣା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ | LangChain ସହିତ, ବିକାଶକାରୀମାନେ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ମାନବ ପରି ଭାଷା ବୁ understand ିପାରିବ ଏବଂ ସୃଷ୍ଟି କରିପାରିବ, ଏବଂ କାର୍ଯ୍ୟଗୁଡିକ ଯେପରିକି:
- ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP)
- ପାଠ୍ୟ ବିଶ୍ଳେଷଣ ଏବଂ ଭାବନା ବିଶ୍ଳେଷଣ |
- ଭାଷା ଅନୁବାଦ ଏବଂ ପି generation ଼ି |
ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ର ସ୍ଥାପତ୍ୟ ଅତ୍ୟଧିକ ମଡ୍ୟୁଲାର୍ ଏବଂ ବିସ୍ତାରିତ ହେବା ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି, ଏହାକୁ କଷ୍ଟମ୍ NLP ଏବଂ ଭାଷା ବୁ understanding ିବା କ୍ଷମତା ନିର୍ମାଣ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |
କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ସହିତ AI ଚାଳିତ ଏଜେଣ୍ଟଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା
କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନର ଶକ୍ତି ପ୍ରଦର୍ଶନ କରିବାକୁ, ଆସନ୍ତୁ ଏକ AI ଚାଳିତ ଏଜେଣ୍ଟ ନିର୍ମାଣର ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା ଯାହା ଏକ CI / CD ପାଇପଲାଇନକୁ ସ୍ୱୟଂଚାଳିତ କରେ | ଏହି ଉଦାହରଣରେ, ଆମେ ଏକ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ କିରୋ ବ୍ୟବହାର କରିବୁ ଯାହା ଏକ ଗିଟ୍ ରେପୋଜିଟୋରୀ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ, କୋଡ୍ ନିର୍ମାଣ ଏବଂ ପରୀକ୍ଷା କରିପାରିବ ଏବଂ କ୍ଲାଉଡ୍ ପ୍ଲାଟଫର୍ମରେ ପ୍ରୟୋଗକୁ ନିୟୋଜିତ କରିପାରିବ |
ଏଠାରେ ଏକ ସରଳ କୋଡ୍ ବ୍ଲକ୍ ଅଛି ଯାହା କିରୋ ଏଜେଣ୍ଟ କିପରି ସୃଷ୍ଟି କରିବ ତାହା ଦର୍ଶାଏ ଯାହା ଏକ CI / CD ପାଇପଲାଇନକୁ ସ୍ୱୟଂଚାଳିତ କରେ: "ପାଇଥନ୍ | କିରୋ ଆମଦାନୀ କରନ୍ତୁ | langchain ଆମଦାନି LLAMA ରୁ |
ଏଜେଣ୍ଟ = kiro.Agent ( ନାମ = "ci_cd_agent", description = "CI / CD ପାଇପଲାଇନକୁ ସ୍ୱୟଂଚାଳିତ କରେ", କାର୍ଯ୍ୟ = [ kiro.Action ( ନାମ = "git_clone", description = "ଗିଟ ସଂଗ୍ରହାଳୟକୁ କ୍ଲୋନ କରେ", code = "" " ଆମଦାନି git repo = git.Repo.clone ("https://github.com/user/repo.git") "" " ), kiro.Action ( ନାମ = "ନିର୍ମାଣ", description = "କୋଡ୍ ନିର୍ମାଣ କରେ", code = "" " ଉପ-ପ୍ରୋସେସ୍ ଆମଦାନି କରନ୍ତୁ | subprocess.run (["ତିଆରି", "ନିର୍ମାଣ"]) "" " ), kiro.Action ( ନାମ = "ପରୀକ୍ଷା", description = "ପରୀକ୍ଷା ଚଲାଇଥାଏ", code = "" " ଉପ-ପ୍ରୋସେସ୍ ଆମଦାନି କରନ୍ତୁ | subprocess.run (["ତିଆରି", "ପରୀକ୍ଷା"]) "" " ), kiro.Action ( ନାମ = "ନିୟୋଜନ", description = "ପ୍ରୟୋଗକୁ ନିୟୋଜିତ କରେ", code = "" " ଉପ-ପ୍ରୋସେସ୍ ଆମଦାନି କରନ୍ତୁ | subprocess.run (["ତିଆରି", "ନିୟୋଜନ"]) "" " ) ] )
ଏକ LangChain LLAMA ମଡେଲ୍ ସୃଷ୍ଟି କରନ୍ତୁ |
llama = LLAMA ( ନାମ = "llama_model", description = "ଭାଷା ବୁ understanding ିବା ପାଇଁ LLAMA ମଡେଲ୍", code = "" " langchain ଆମଦାନି କରନ୍ତୁ | ମଡେଲ୍ = langchain.LLAMA ( ନାମ = "llama_model", description = "ଭାଷା ବୁ understanding ିବା ପାଇଁ LLAMA ମଡେଲ୍", code = "" " langchain ଆମଦାନି କରନ୍ତୁ | ମଡେଲ୍ = langchain.LLAMA ( ନାମ = "llama_model", description = "ଭାଷା ବୁ understanding ିବା ପାଇଁ LLAMA ମଡେଲ୍", code = "" " def process_text (ପାଠ୍ୟ): # LLAMA ମଡେଲ୍ ବ୍ୟବହାର କରି ପାଠ୍ୟ ପ୍ରକ୍ରିୟାକରଣ | ଫେରସ୍ତ ପାଠ "" " ) "" " ) "" " )
ଏକ କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ ଯାହା ଲାଙ୍ଗଚେନ୍ LLAMA ମଡେଲ୍ ବ୍ୟବହାର କରେ |
ଏଜେଣ୍ଟ = kiro.Agent ( ନାମ = "ci_cd_agent", description = "CI / CD ପାଇପଲାଇନକୁ ସ୍ୱୟଂଚାଳିତ କରେ", କାର୍ଯ୍ୟ = [ kiro.Action ( ନାମ = "git_clone", description = "ଗିଟ ସଂଗ୍ରହାଳୟକୁ କ୍ଲୋନ କରେ", code = "" " ଆମଦାନି git repo = git.Repo.clone ("https://github.com/user/repo.git") "" " ), kiro.Action ( ନାମ = "ନିର୍ମାଣ", description = "କୋଡ୍ ନିର୍ମାଣ କରେ", code = "" " ଉପ-ପ୍ରୋସେସ୍ ଆମଦାନି କରନ୍ତୁ | subprocess.run (["ତିଆରି", "ନିର୍ମାଣ"]) "" " ), kiro.Action ( ନାମ = "ପରୀକ୍ଷା", description = "ପରୀକ୍ଷା ଚଲାଇଥାଏ", code = "" " ଉପ-ପ୍ରୋସେସ୍ ଆମଦାନି କରନ୍ତୁ | subprocess.run (["ତିଆରି", "ପରୀକ୍ଷା"]) "" " ), kiro.Action ( ନାମ = "ନିୟୋଜନ", description = "ପ୍ରୟୋଗକୁ ନିୟୋଜିତ କରେ", code = "" " ଉପ-ପ୍ରୋସେସ୍ ଆମଦାନି କରନ୍ତୁ | subprocess.run (["ତିଆରି", "ନିୟୋଜନ"]) "" " ) ], ଭାଷା_ମୋଡେଲ୍ = ଲାଲାମା | )
ଏଜେଣ୍ଟ ଚଲାନ୍ତୁ |
agent.run () `` ଏହି କୋଡ୍ ବ୍ଲକ୍ କିପରି କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବ ତାହା ଦର୍ଶାଏ ଯାହା ଭାଷା ବୁ understanding ିବା ପାଇଁ LangChain LLAMA ମଡେଲ୍ ବ୍ୟବହାର କରି ଏକ CI / CD ପାଇପଲାଇନକୁ ସ୍ୱୟଂଚାଳିତ କରେ | ଏଜେଣ୍ଟ ଏକ ଗିଟ୍ ରେପୋଜିଟୋରୀ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ, କୋଡ୍ ନିର୍ମାଣ ଏବଂ ପରୀକ୍ଷା କରିପାରିବ ଏବଂ ଏକ କ୍ଲାଉଡ୍ ପ୍ଲାଟଫର୍ମରେ ପ୍ରୟୋଗକୁ ନିୟୋଜିତ କରିପାରିବ |
ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍
କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ପାଇଁ ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଏଠାରେ ଅଛି:
1। "Kiroutil init": ଏକ ନୂତନ କିରୋ ପ୍ରକଳ୍ପ ଆରମ୍ଭ କରେ | 2। "କିରୁଟିଲ୍ ବିଲ୍ଡ": ଏକ କିରୋ ଏଜେଣ୍ଟ ନିର୍ମାଣ କରେ | 3। "Langchain init": ଏକ ନୂତନ LangChain ପ୍ରକଳ୍ପ ଆରମ୍ଭ କରେ | 4। "Langchain build": ଏକ LangChain ମଡେଲ୍ ନିର୍ମାଣ କରେ | 5। "କିରୁଟିଲ୍ ରନ୍": ଏକ କିରୋ ଏଜେଣ୍ଟ ଚଲାଇଥାଏ | 6। "Langchain test": ଏକ LangChain ମଡେଲ୍ ପରୀକ୍ଷା କରେ | 7। "କିରୁଟିଲ୍ ନିୟୋଜନ": ଏକ କ୍ଲାଉଡ୍ ପ୍ଲାଟଫର୍ମରେ କିରୋ ଏଜେଣ୍ଟ ନିୟୋଜିତ କରେ | 8। 9। "Kiroutil debug": ଏକ କିରୋ ଏଜେଣ୍ଟକୁ ତ୍ରୁଟି ନିବାରଣ କରେ | 10। "Langchain visualize": ଏକ LangChain ମଡେଲ୍ ଭିଜୁଆଲ୍ କରେ |
ଭିଜୁଆଲାଇଜେସନ୍
Chart.js ବ୍ୟବହାର କରି କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍:
json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["କିରୋ", "ଲାଙ୍ଗ୍ ଚେନ୍"], "ଡାଟାବେସ୍": [ { "label": "ସ୍ଥାପତ୍ୟ", "ଡାଟା": [100, 80], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 4CAF50", "# FF9800"] } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "କିରୋ ଏବଂ ଲାଙ୍ଗ ଚେନ୍ ସ୍ଥାପତ୍ୟ" }, "କିମ୍ବଦନ୍ତୀ": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ | } } }
ଏହି ଭିଜୁଆଲାଇଜେସନ୍ କିରୋ ଏବଂ ଲାଙ୍ଗ୍ ଚେନ୍ ର ଉଚ୍ଚ ସ୍ତରୀୟ ସ୍ଥାପତ୍ୟକୁ ପ୍ରଦର୍ଶନ କରେ, ସେମାନଙ୍କର ନିଜସ୍ୱ ଶକ୍ତି ଏବଂ ଦୁର୍ବଳତାକୁ ଆଲୋକିତ କରେ |
ସିଦ୍ଧାନ୍ତ
ଏହି ଆର୍ଟିକିଲରେ, ଆମେ କିରୋ ଏବଂ ଲାଙ୍ଗଚେନ୍ ବ୍ୟବହାର କରି DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ଏଜେଣ୍ଟିକ୍ AI ର ଶକ୍ତି ଅନୁସନ୍ଧାନ କରିଛୁ | ଏହି ଅତ୍ୟାଧୁନିକ framework ାଞ୍ଚାଗୁଡ଼ିକୁ ବ୍ୟବହାର କରି, ବିକାଶକାରୀମାନେ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା CI / CD ପାଇପଲାଇନକୁ ସ୍ୱୟଂଚାଳିତ ଏବଂ ଅପ୍ଟିମାଇଜ୍ କରିପାରିବ, ସଫ୍ଟୱେର୍ ବିତରଣ ଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବ ଏବଂ ତ୍ରୁଟିର ଆଶଙ୍କା ହ୍ରାସ କରିବ | କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସହିତ, ବିକାଶକାରୀମାନେ କଷ୍ଟମ୍ NLP ଏବଂ ଭାଷା ବୁ understanding ିବା କ୍ଷମତା ସୃଷ୍ଟି କରିପାରିବେ ଏବଂ ବିଭିନ୍ନ ସିଷ୍ଟମ୍, ସେବା ଏବଂ ଡାଟା ଉତ୍ସ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବେ | ଆମେ ଏକ ସରଳ କୋଡ୍ ବ୍ଲକ୍ ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ ଯାହା କିରୋ ଏଜେଣ୍ଟ କିପରି ସୃଷ୍ଟି କରିବ ତାହା ଦର୍ଶାଏ ଯାହା ଭାଷା ବୁ understanding ିବା ପାଇଁ ଲ୍ୟାଙ୍ଗଚେନ LLAMA ମଡେଲ ବ୍ୟବହାର କରି ଏକ CI / CD ପାଇପଲାଇନକୁ ସ୍ୱୟଂଚାଳିତ କରିଥାଏ |