Bi LangChain û DSPy re Di Otomasyona Testa Determinîstîk de Bicihkirina AI-ya Agentîk

Destpêk

Zêdebûna tevliheviya pergalên nermalavê otomatiya ceribandinê kiriye aliyekî girîng a pêşkeftina nermalavê. Çarçoveyên xweseriya testa kevneşopî xwe dispêre nêzîkatiyên nivîsandî, yên ku dibe ku domdar û dijwar be. Di salên dawî de, derketina Amûrên AI û Orkestrasyonê yên Agentîk ji bo otomatîkkirina senaryoyên ceribandina tevlihev îmkanên nû vekiriye. Di vê gotarê de, em ê xaçerêya Agent AI, Amûrên Orkestrasyonê, û Endezyariya Nermalavê bikolin da ku senaryoyên ceribandina tevlihev bi karanîna LangChain û DSPy otomatîk bikin.

Agent AI çi ye?

Agentic AI celebek îstîxbarata sûnî ya ku ji bo ku li ser navê bikarhênerek an pergalek çalakiyan pêk bîne hatî çêkirin vedibêje. Pergalên AI-ya agentî dikarin biryaran bidin, ji ezmûnê fêr bibin û bi rewşên nû re biguncînin. Di çarçoweya xweseriya ceribandinê de, AI-a Agent dikare ji bo otomatîkkirina senaryoyên ceribandinê yên tevlihev bi simulkirina danûstendinên bikarhêner, girtina biryarên li ser bingeha daneyên ceribandinê, û adaptekirina şert û mercên ceribandinê were bikar anîn.

LangChain çi ye?

LangChain Amûrek Orkestrayê-çavkaniyek vekirî ye ku destûrê dide pêşdebiran ku pergalên tevlihev ên AI-ê bi karanîna cûrbecûr zimanên bernamekirinê ava bikin, di nav de Python, Rust, û Go. LangChain mîmariyek maqûl û modular peyda dike ku rê dide pêşdebiran ku hêmanên cihêreng ên AI-ê, wek pêvajoya zimanê xwezayî (NLP) û dîtina komputerê, yek bikin da ku pergalên AI-ya sofîstîke ava bikin.

DSPy çi ye?

DSPy pirtûkxaneyek Python e ku ji bo avakirin û bicîhkirina pergalên AI-ê komek amûr peyda dike. DSPy hatiye dîzaynkirin ku bi LangChain re bêkêmasî bixebite û cûrbecûr taybetmendiyan peyda dike, di nav de pêvajoya daneyê, fêrbûna makîneyê, û fêrbûna kûr.

Di Otomasyona Testa Deterministic de Bicihkirina AI-ya Agentîk

Ji bo bicihanîna AI-ya Agentic di otomatiya ceribandina diyarker de, em dikarin LangChain û DSPy bikar bînin da ku çarçoveyek xweseriya ceribandinê ava bikin ku danûstendinên bikarhêner simule dike, li ser bingeha daneyên ceribandinê biryar dide, û li gorî şert û mercên ceribandinê biguhezîne.

Li vir mînakek hêsan e ku em çawa dikarin LangChain û DSPy bikar bînin da ku senaryoyek ceribandinê otomatîk bikin: `` python zincîra îthalatê ji langchain.chains import LLMChain from langchain.llms import DSPyLLM

test_senaryo = { "user_input": "têketin", "expected_output": "login successful" }

Nûnerê AI-ya Agentîk diyar bikin

agent = LLMChain( llm=DSPyLLM(), input_type="text", output_type="text" )

Define the test automation function

def test_automation(test_senaryo): # Têkiliya bikarhêner simule bikin user_input = senaryo_test ["bikarhêner_input"] # Make decision based on test data decision = agent.run(user_input) # Bi guheztina şert û mercên ceribandinê re adapte bibin heke biryar == "têketin serkeftî": çapkirin ("Test derbas bû") din: çapkirin ("Test têk çû")

Fonksiyona xweseriya testê bimeşînin

test_automation(test_scenario)

Di vê nimûneyê de, em senaryoyek ceribandinê diyar dikin ku tê de simulasyona danûstendinek bikarhêner, girtina biryarek li ser bingeha daneyên ceribandinê, û adaptekirina şert û mercên ceribandinê vedihewîne. Dûv re em nûnerek AI-ya Agentîkî bi karanîna LangChain û DSPy destnîşan dikin, û wê bikar tînin da ku senaryoya ceribandinê otomatîk bikin.

** Serê 5-10 Fermanên Herî Bikaranîn / Parçeyên **

Li vir 5-10 fermanên herî zêde têne bikar anîn ji bo LangChain û DSPy hene:

1. `langchain.LLMChain(llm=DSPyLLM())`: Bi karanîna LangChain û DSPy, nûnerek AI-ya Agentîk diafirîne.
2. `DSPyLLM()`: Mînaka DSPy LLM (Modela Zimanê Mezin) dest pê dike.
3. `LLMCchain(input_type="text", output_type="text")`: Nûnerek AI-ya Agentîkî bi têketina nivîsê û celebên derketinê diafirîne.
4. `agent.run(user_input)`: Nûnera Agent AI-ê bi têketina bikarhêner dimeşîne.
5. `test_scenario = {"user_input": "login", "expected_output": "Têketin serketî"}`: Senaryoyek ceribandinê bi têketina bikarhêner û derketina çaverêkirî diyar dike.
6. `langchain.chains.LLMChain(llm=DSPyLLM())`: Bi karanîna LangChain û DSPy, nûnerek AI-ya Agentîk diafirîne.
7. `DSPyLLM().predict(user_input)`: Derketina DSPy LLM bi têketina bikarhêner pêşbînî dike.
8. `LLMChain(input_type="text", output_type="text").run(user_input)`: Agent AI-a Agentic bi têketina nivîsê û celebên derketinê dimeşîne.
9. `test_automation(test_senaryo)`: Fonksiyona xweseriya testê bi senaryoyek ceribandinê dimeşîne.
10. `langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input)`: Agent AI-a Agentî bi têketina bikarhêner dimeşîne.

**Visualization **

Li vir dîmenek nûnerê AI-ya Agentîkî ye ku Chart.js bikar tîne:
```json
{
  "type": "bar",
  "dane": {
    "labels": ["Ketina Bikarhêner", "Biryar", "Adaptasyon"],
    "daneyên": [
      {
        "label": "Agent AI Agent",
        "dane": [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "Berfirehiya sînor": 1
      }
    ]
  },
  "vebijark": {
    "sernav": {
      "nîşandan": rast,
      "text": "Agent AI Agent"
    },
    "pîvan": {
      "yAxes": [
        {
          "tik": {
            "beginAtZero": rast
          }
        }
      ]
    }
  }
}

Ev dîtbarî performansa nûnerê AI-ê ya Agent di simulasyona danûstendinên bikarhêner, girtina biryarên li ser bingeha daneyên ceribandinê, û adaptekirina şert û mercên ceribandinê de nîşan dide.

Conclusion

Di vê gotarê de, me xaçerêya AI-ya Agentîk, Amûrên Orkestrasyonê, û Endezyariya Nermalavê lêkolîn kir da ku senaryoyên ceribandina tevlihev bi karanîna LangChain û DSPy otomatîk bikin. Me mînakek hêsan a Agentic AI-ê di otomatiya ceribandina diyarker de bicîh kir û ji bo LangChain û DSPy rêzek ferman / perçe peyda kir. Me bi karanîna Chart.js performansa nûnerê AI-ya Agentî jî dît. Bi karanîna Amûrên AI-ya Agentîk û Orkestrasyonê, pêşdebir dikarin çarçova otomasyona ceribandinê ya sofîstîke ava bikin ku danûstendinên bikarhêner simule dikin, li ser bingeha daneyên ceribandinê biryaran digirin û li gorî şert û mercên ceribandinê biguherînin.