ଲାଙ୍ଗଚେନ ଏବଂ DSPy ସହିତ ଡିଟର୍ମିନାଷ୍ଟିକ୍ ଟେଷ୍ଟ ଅଟୋମେସନ୍ରେ ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟକାରୀ କରିବା

ପରିଚୟ

ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ବ increasing ୁଥିବା ଜଟିଳତା ପରୀକ୍ଷା ସ୍ୱୟଂଚାଳିତକୁ ସଫ୍ଟୱେର୍ ବିକାଶର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ କରିପାରିଛି | ପାରମ୍ପାରିକ ପରୀକ୍ଷଣ ସ୍ୱୟଂଚାଳିତ framework ାଞ୍ଚାଗୁଡ଼ିକ ସ୍କ୍ରିପ୍ଟିଡ୍ ପଦ୍ଧତି ଉପରେ ନିର୍ଭର କରେ, ଯାହା ଭଙ୍ଗୁର ଏବଂ ପରିଚାଳନା କରିବା କଷ୍ଟକର ହୋଇପାରେ | ସାମ୍ପ୍ରତିକ ବର୍ଷଗୁଡିକରେ, ଏଜେଣ୍ଟ୍ ଏଆଇ ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ସର ଆବିର୍ଭାବ ଜଟିଳ ପରୀକ୍ଷଣ ପରିସ୍ଥିତିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ନୂତନ ସମ୍ଭାବନା ସୃଷ୍ଟି କରିଛି | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲାଙ୍ଗଚେନ ଏବଂ DSPy ବ୍ୟବହାର କରି ଜଟିଳ ପରୀକ୍ଷଣ ପରିସ୍ଥିତିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏଜେଣ୍ଟିକ୍ ଏଇ, ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ସ ଏବଂ ସଫ୍ଟୱେୟାର ଇଞ୍ଜିନିୟରିଂର ଛକ ଅନୁସନ୍ଧାନ କରିବୁ |

ଏଜେଣ୍ଟ୍ AI କ’ଣ?

ଏଜେଣ୍ଟିକ୍ AI ଏକ ପ୍ରକାର କୃତ୍ରିମ ବୁଦ୍ଧିମତାକୁ ବୁ refers ାଏ ଯାହା ଏକ ଉପଭୋକ୍ତା କିମ୍ବା ସିଷ୍ଟମ୍ ତରଫରୁ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରିବାକୁ ପରିକଳ୍ପିତ | ଏଜେଣ୍ଟିକ୍ AI ପ୍ରଣାଳୀ ନିଷ୍ପତ୍ତି ନେବା, ଅଭିଜ୍ from ତାରୁ ଶିକ୍ଷା ଏବଂ ନୂତନ ପରିସ୍ଥିତିକୁ ଅନୁକୂଳ କରିବାରେ ସକ୍ଷମ | ପରୀକ୍ଷା ସ୍ୱୟଂଚାଳିତ ପରିପ୍ରେକ୍ଷୀରେ, ଏଜେଣ୍ଟିକ୍ AI ବ୍ୟବହାରକାରୀଙ୍କ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପକୁ ଅନୁକରଣ କରି, ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ଏବଂ ପରିବର୍ତ୍ତନ ସ୍ଥିତିକୁ ଅନୁକୂଳ କରି ଜଟିଳ ପରୀକ୍ଷଣ ପରିସ୍ଥିତିକୁ ସ୍ୱୟଂଚାଳିତ କରିବାରେ ବ୍ୟବହୃତ ହୋଇପାରିବ |

ଲାଙ୍ଗ୍ ଚେନ୍ କ’ଣ?

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ପାଇଥନ୍, ରୁଷ୍ଟ, ଏବଂ ଗୋ ସହିତ ବିଭିନ୍ନ ପ୍ରୋଗ୍ରାମିଂ ଭାଷା ବ୍ୟବହାର କରି ଜଟିଳ AI ସିଷ୍ଟମ୍ ଗଠନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ | LangChain ଏକ ନମନୀୟ ଏବଂ ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ ପ୍ରଦାନ କରିଥାଏ ଯାହାକି ବିକାଶକାରୀମାନଙ୍କୁ ବିଭିନ୍ନ AI ଉପାଦାନଗୁଡ଼ିକୁ ଏକତ୍ର କରିବାକୁ ସକ୍ଷମ କରିଥାଏ ଯେପରିକି ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) ଏବଂ କମ୍ପ୍ୟୁଟର ଦୃଷ୍ଟିକୋଣ, ଅତ୍ୟାଧୁନିକ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ |

DSPy କ’ଣ?

DSPy ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା AI ସିଷ୍ଟମ୍ ଗଠନ ଏବଂ ନିୟୋଜନ ପାଇଁ ଉପକରଣଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | DSPy ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସହିତ ନିରବଚ୍ଛିନ୍ନ ଭାବରେ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ ହୋଇଛି ଏବଂ ଡାଟା ପ୍ରକ୍ରିୟାକରଣ, ମେସିନ୍ ଲର୍ନିଂ ଏବଂ ଗଭୀର ଶିକ୍ଷା ସହିତ ବିଭିନ୍ନ ବ features ଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରିଥାଏ |

ଡିଟର୍ମିନାଷ୍ଟିକ୍ ଟେଷ୍ଟ ଅଟୋମେସନ୍ରେ ଏଜେଣ୍ଟ୍ AI କାର୍ଯ୍ୟକାରୀ କରିବା

ସ୍ଥିରିକୃତ ପରୀକ୍ଷଣ ସ୍ୱୟଂଚାଳିତରେ ଏଜେଣ୍ଟିକ୍ AI କୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ, ଆମେ ଏକ ପରୀକ୍ଷଣ ସ୍ୱୟଂଚାଳିତ framework ାଞ୍ଚା ନିର୍ମାଣ ପାଇଁ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ବ୍ୟବହାର କରିପାରିବା ଯାହା ଉପଭୋକ୍ତା ପାରସ୍ପରିକ କାର୍ଯ୍ୟକୁ ଅନୁକରଣ କରେ, ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନିଏ ଏବଂ ପରିବର୍ତ୍ତନ ସ୍ଥିତିକୁ ଅନୁକୂଳ କରେ |

ଏକ ପରୀକ୍ଷଣ ଦୃଶ୍ୟକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଆମେ କିପରି LangChain ଏବଂ DSPy ବ୍ୟବହାର କରିପାରିବା ତାହାର ଏକ ସରଳ ଉଦାହରଣ: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.chains ରୁ LLMChain ଆମଦାନି କରନ୍ତୁ | langchain.llms ରୁ DSPyLLM ଆମଦାନି କରନ୍ତୁ |

test_scenario = { "user_input": "ଲଗଇନ୍", "expected_output": "ଲଗଇନ୍ ସଫଳ" }

ଏଜେଣ୍ଟ୍ AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଏଜେଣ୍ଟ = LLMChain ( llm = DSPyLLM (), input_type = "ପାଠ", ଆଉଟପୁଟ୍_ପ୍ରକାର = "ପାଠ" )

ପରୀକ୍ଷା ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def test_automation (test_scenario): # ଉପଭୋକ୍ତା ପାରସ୍ପରିକ କାର୍ଯ୍ୟକୁ ଅନୁକରଣ କରନ୍ତୁ | user_input = test_scenario ["user_input"] # ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନିଅନ୍ତୁ | ନିଷ୍ପତ୍ତି = ଏଜେଣ୍ଟ.ରନ୍ (ୟୁଜର୍_ ଇନପୁଟ୍) # ପରିବର୍ତ୍ତନ ସ୍ଥିତିକୁ ବଦଳାନ୍ତୁ | ଯଦି ନିଷ୍ପତ୍ତି == "ଲଗଇନ୍ ସଫଳ": ମୁଦ୍ରଣ ("ପରୀକ୍ଷା ପାସ୍") ଅନ୍ୟ: ମୁଦ୍ରଣ ("ପରୀକ୍ଷା ବିଫଳ")

ପରୀକ୍ଷା ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟ ଚଲାନ୍ତୁ |

test_automation (test_scenario) `` ଏହି ଉଦାହରଣରେ, ଆମେ ଏକ ପରୀକ୍ଷଣ ଦୃଶ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରୁଛୁ ଯେଉଁଥିରେ ଏକ ଉପଭୋକ୍ତା ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପକୁ ଅନୁକରଣ କରିବା, ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବା ଏବଂ ପରିବର୍ତ୍ତନ ସ୍ଥିତିକୁ ଅନୁକୂଳ କରିବା ସହିତ ଜଡିତ | ଆମେ ତା’ପରେ ଲାଙ୍ଗଚେନ ଏବଂ DSPy ବ୍ୟବହାର କରି ଏକ ଏଜେଣ୍ଟିକ୍ AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରୁ ଏବଂ ପରୀକ୍ଷଣ ଦୃଶ୍ୟକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏହାକୁ ବ୍ୟବହାର କରୁ |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

LangChain ଏବଂ DSPy ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:

1। 2। "DSPyLLM ()": ଏକ DSPy LLM (ବଡ଼ ଭାଷା ମଡେଲ୍) ଉଦାହରଣ ଆରମ୍ଭ କରେ | 3। "LLMChain (input_type =" text ", output_type =" text ")": ପାଠ୍ୟ ଇନପୁଟ୍ ଏବଂ ଆଉଟପୁଟ୍ ପ୍ରକାର ସହିତ ଏକ ଏଜେଣ୍ଟ୍ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ | 4। "Agent.run (user_input)": ଉପଭୋକ୍ତା ଇନପୁଟ୍ ସହିତ ଏଜେଣ୍ଟିକ୍ AI ଏଜେଣ୍ଟକୁ ଚଲାଇଥାଏ | ।। 6। 7। "DSPyLLM ()। ପୂର୍ବାନୁମାନ (user_input)": ଉପଭୋକ୍ତା ଇନପୁଟ୍ ସହିତ DSPy LLM ର ଆଉଟପୁଟ୍ ପୂର୍ବାନୁମାନ କରେ | ।। 9। "Test_automation (test_scenario)": ଏକ ପରୀକ୍ଷଣ ଦୃଶ୍ୟ ସହିତ ପରୀକ୍ଷା ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟକୁ ଚଲାଇଥାଏ | 10।

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି ଏଜେଣ୍ଟିକ୍ AI ଏଜେଣ୍ଟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ୟୁଜର୍ ଇନପୁଟ୍", "ନିଷ୍ପତ୍ତି", "ଆଡାପ୍ଟେସନ୍"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଏଜେଣ୍ଟ୍ AI ଏଜେଣ୍ଟ", "ଡାଟା": [10, 20, 30], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "ଏଜେଣ୍ଟ ଏଆଇ ଏଜେଣ୍ଟ" }, "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଉପଭୋକ୍ତା ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପକୁ ଅନୁକରଣ କରିବା, ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବା ଏବଂ ପରୀକ୍ଷା ସ୍ଥିତିକୁ ବଦଳାଇବା ପାଇଁ ଏଜେଣ୍ଟିକ୍ AI ଏଜେଣ୍ଟର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲେଙ୍ଗଚେନ ଏବଂ DSPy ବ୍ୟବହାର କରି ଜଟିଳ ପରୀକ୍ଷଣ ପରିସ୍ଥିତିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏଜେଣ୍ଟିକ୍ ଏଇ, ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ସ ଏବଂ ସଫ୍ଟୱେୟାର ଇଞ୍ଜିନିୟରିଂର ଛକ ଅନୁସନ୍ଧାନ କରିଛୁ | ଆମେ ନିର୍ଣ୍ଣୟକାରୀ ପରୀକ୍ଷଣ ସ୍ୱୟଂଚାଳିତରେ ଏଜେଣ୍ଟିକ୍ AI ର ଏକ ସରଳ ଉଦାହରଣ ପ୍ରୟୋଗ କରିଛୁ ଏବଂ ଲାଙ୍ଗଚେନ ଏବଂ DSPy ପାଇଁ ବିଭିନ୍ନ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ ପ୍ରଦାନ କରିଛୁ | Chart.js ବ୍ୟବହାର କରି ଆମେ ଏଜେଣ୍ଟ୍ AI ଏଜେଣ୍ଟର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମଧ୍ୟ ଭିଜୁଆଲ୍ କରିଛୁ | ଏଜେଣ୍ଟିକ୍ ଏଇ ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ସକୁ ବ୍ୟବହାର କରି, ଡେଭଲପର୍ମାନେ ଅତ୍ୟାଧୁନିକ ପରୀକ୍ଷଣ ସ୍ୱୟଂଚାଳିତ framework ାଞ୍ଚା ନିର୍ମାଣ କରିପାରିବେ ଯାହା ଉପଭୋକ୍ତାଙ୍କ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପକୁ ଅନୁକରଣ କରିଥାଏ, ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେଇଥାଏ ଏବଂ ପରୀକ୍ଷଣ ସ୍ଥିତିକୁ ବଦଳାଇଥାଏ |