Bi DSPy û LangChain re Otomatasyona DevOps-a Hêza AI-ê saz dike | B4N1

Bi DSPy û LangChain re Otomatasyona DevOps-a Hêza AI-ê saz dike

3 months ago · b4n1 Read time: 4 min

===========================================================

Destpêk

Pîvana pêşkeftina nermalavê bi lez û bez pêş dikeve, digel pejirandina zêde ya Zehmetkêşiya Hunerî (AI) û Fêrbûna Makîneyê (ML) di otomasyona DevOps de. Otomasyona bi AI-ê dikare bibe alîkar ku karûbarên tevlihev safî bike, karîgeriyê baştir bike, û îhtîmala xeletiya mirovî kêm bike. Di vê gotarê de, em ê lêkolîn bikin ka meriv çawa DSPy û LangChain bikar tîne da ku ajanên bi AI-ê-hêzdar bike ji bo analîza sedema bingehîn û xweşbîniya karîgeriyê di lûleyên pêşkeftina nermalavê de.

DSPy çi ye?

DSPy pirtûkxaneyek Python e ku destûrê dide pêşdebiran ku karûbarên otomatîkî yên bi AI-ê hêzdar ava bikin û bicîh bikin. Ew ji bo yekkirina modelên cûrbecûr AI û ML çarçoveyek pîvan û maqûl peyda dike, ku ew ji bo otomasyona DevOps vebijarkek îdeal dike.

LangChain çi ye?

LangChain pirtûkxaneyek Python e ku rê dide pêşdebiran ku ajanên AI-ya danûstendinê ava bikin û bicîh bikin. Ew ji bo afirandina ajanên ku dikarin têgihîştinên zimanê xwezayî fam bikin û bersivê bidin API-ya hêsan û xwerû peyda dike.

Ji bo Analîzkirina Sedema Root Ajanên AI-ê bicîh dikin

Analîzkirina sedemên bingehîn hêmanek girîng a otomasyona DevOps e, ji ber ku ew dibe alîkar ku sedemên bingehîn ên pirsgirêkan nas bikin û pêşî li wan bigire ku di pêşerojê de çêbibin. Ji bo pêkanîna analîza sedema bingehîn a bi AI-ê hêzdar, em dikarin DSPy bikar bînin da ku karûbarek ku bi LangChain re yekbûyî biafirîne.

Li vir nêrînek asta bilind a xebata xebatê heye:

  1. ** Berhevkirina Daneyan **: Daneyên têkildar ji çavkaniyên cihêreng, wekî têketin, metris, û pelên veavakirinê berhev bikin.
  2. Pêşûpêçkirina daneyan: Daneyên berhevkirî pêşdibistanê dikin da ku ji bo analîzê amade bikin.
  3. Perwerdehiya Modelê: Modelek ML-ê li ser daneyên pêşdibistanê perwerde bikin da ku qalib û têkiliyan nas bikin.
  4. Pêkanîna Modelê: Modela perwerdekirî di xebatek DSPy de bicîh bikin.
  5. Agent Integration: Pêvajoya xebata DSPy bi karmendek LangChain re yek bikin da ku pêwendiya zimanê xwezayî çalak bikin.

Mînaka Kodê: Xebata Analîza Sedema Root

`` python import dspy wek dsp ji langchain import Agent

Rêwîtiya xebata DSPy diyar bikin

workflow = dsp.Workflow( name = "root_sedem_analysis", kar =[ dsp.Task("data_collection", "Daneyên ji têketin û pîvanan berhev bike"), dsp.Task("data_preprocessing", "Daneyên pêşdibistanê ji bo analîzê"), dsp.Task("model_training", "Modela ML-ê li ser daneyên pêşdibistanê perwerde bike"), dsp.Task("model_deployment", "Modela perwerdekirî di xebata DSPy de bicîh bikin"), ], )

Nûnerê LangChain diyar bikin

agent = Agent( name = "root_cause_agent", model = "distilbert-base-uncased", prompt="Sedema bingehîn a pirsgirêkê çi ye?", )

Xebata DSPy bi nûnerê LangChain re yek bikin

workflow.add_agent(agent)

Karê xebatê bimeşînin

workflow.run()


## Ji bo Optimîzasyona Karbidestiyê Ajanên AI-yê bicîh dikin

Optimîzasyona karîgeriyê hêmanek din a krîtîk a otomasyona DevOps e, ji ber ku ew alîkariya çêtirkirina lez û berberiya lûleyên pêşkeftina nermalavê dike. Ji bo pêkanîna xweşbîniya karbidestiya bi AI-ê, em dikarin DSPy bikar bînin da ku xebatek ku bi LangChain re yekbûyî biafirîne.

Li vir nêrînek asta bilind a xebata xebatê heye:

1. ** Berhevkirina Daneyan **: Daneyên têkildar ji çavkaniyên cihêreng, wek têketin, metris, û pelên veavakirinê berhev bikin.
2. **Pêşûpêçkirina daneyan**: Daneyên berhevkirî pêşdibistanê dikin da ku ji bo analîzê amade bikin.
3. **Perwerdehiya Modelê**: Modelek ML-ê li ser daneyên pêşdibistanê perwerde bikin da ku qalib û têkiliyan nas bikin.
4. **Pêkanîna Modelê**: Modela perwerdekirî di xebatek DSPy de bicîh bikin.
5. **Agent Integration**: Pêvajoya xebata DSPy bi karmendek LangChain re yek bikin da ku pêwendiya zimanê xwezayî çalak bikin.

### Nimûne Kodê: Xebata Optimîzasyona Berbiçav

`` python
import dspy wek dsp
ji langchain import Agent

# Rêwîtiya xebata DSPy diyar bikin
workflow = dsp.Workflow(
    name = "efficiency_optimization",
    kar =[
        dsp.Task("data_collection", "Daneyên ji têketin û pîvanan berhev bike"),
        dsp.Task("data_preprocessing", "Daneyên pêşdibistanê ji bo analîzê"),
        dsp.Task("model_training", "Modela ML-ê li ser daneyên pêşdibistanê perwerde bike"),
        dsp.Task("model_deployment", "Modela perwerdekirî di xebata DSPy de bicîh bikin"),
    ],
)

# Nûnerê LangChain diyar bikin
agent = Agent(
    name = "efficiency_agent",
    model = "distilbert-base-uncased",
    prompt="Ez çawa dikarim boriyê ji bo karîgeriyek çêtir çêtir bikim?",
)

# Xebata DSPy bi nûnerê LangChain re yek bikin
workflow.add_agent(agent)

# Karê xebatê bimeşînin
workflow.run()

Serê 5-10 Ferman/Parçeyên Herî Bikaranîn

Li vir ji bo DSPy û LangChain çend ferman û hûrgelên herî gelemperî têne bikar anîn hene:

DSPy

  1. `dsp.Workflow(name="my_workflow", erks=[...]): Karûbarek nû ya DSPy biafirîne.
  2. dsp.Task(name="my_task", ravekirin="Karê min"): Di xebatek DSPy de peywirek nû biafirîne.
  3. workflow.add_agent(agent): Nûnerek LangChain li xebatek DSPy zêde bike.
  4. workflow.run(): Xebatek DSPy bimeşîne.
  5. dsp.get_task_output(peywir): Di xebateke DSPy de encamek peywirê bistînin.

LangChain

  1. `Agent(name = "my_agent", model = "distilbert-base-uncased", prompt="My prompt")": Nûnerek LangChain biafirîne.
  2. agent.respond(prompt="Destpêka min"): Bersivek ji nûnerek LangChain bistînin.
  3. `agent.add_context(context="Contexta min"): Konteks li karmendek LangChain zêde bike.
  4. agent.remove_context(context="Contextê min"): Konteks ji karmendek LangChain rake.
  5. agent.get_model(): Modela ML ya bingehîn a nûnerek LangChain bistînin.

Visualization

Li vir dîmenek xebata DSPy û LangChain bi karanîna Chart.js heye:

{
  "type": "bar",
  "dane": {
    "labels": ["Analîzkirina Sedema Root", "Pêşkêşkirina Karûbar"],
    "daneyên": [
      {
        "label": "DSPy Workflow",
        "dane": [10, 20],
        "backgroundColor": ["#4CAF50", "#FF9800"]
      },
      {
        "label": "Agent LangChain",
        "dane": [5, 15],
        "backgroundColor": ["#2196F3", "#009688"]
      }
    ]
  },
  "vebijark": {
    "sernav": {
      "nîşandan": rast,
      "text": "DSPy and LangChain Workflow"
    },
    "pîvan": {
      "yAxes": [
        {
          "tik": {
            "beginAtZero": rast
          }
        }
      ]
    }
  }
}

Ev dîtbarî hejmara peywiran di her xebata DSPy de û hejmara bersivên ji her nûnerê LangChain nîşan dide.

Encam

Di vê gotarê de, me vekolîn kir ka meriv çawa DSPy û LangChain bikar tîne da ku ji bo analîza sedema bingehîn û xweşbîniya kargêriyê di lûleyên pêşkeftina nermalavê de ajanên bi AI-hêzdar bicîh bikin. Me ji bo ronîkirina têgînan nimûneyên kod û dîmen peyda kir, û me hin ferman û perçeyên herî gelemperî yên ji bo DSPy û LangChain têne bikar anîn ronî kirin. Bi şopandina vê rêbernameyê, pêşdebiran dikarin bi karanîna DSPy û LangChain karûbarên xweseriya xweya AI-ê biafirînin.

Have Questions?

Let's Talk

Contact me on LinkedIn