Orkestrakirina Nûnerên AI-ê ji bo Otomasyona DevOps: Nêzîktêdayînek LangChain û DSPy | B4N1

Orkestrakirina Nûnerên AI-ê ji bo Otomasyona DevOps: Nêzîktêdayînek LangChain û DSPy

3 months ago · b4n1 Read time: 5 min

Destpêk

Qada DevOps di van salên dawî de di bin veguherînên girîng de derbas bûye, digel yekbûna îstîxbarata Hunerî (AI) û Fêrbûna Makîneyê (ML) her ku diçe girîngtir dibe. Yek ji qadên sereke ku AI bandorek girîng lê dike di qada otomatê de ye. Bi karanîna ajanên AI-ê, rêxistin dikarin karûbarên pêşkeftina nermalava xwe xweş bikin, xeletiyên destan kêm bikin, û karîgeriya giştî baştir bikin.

Di vê gotarê de, em ê li cîhana otomasyona DevOps-a ajokera AI-ê bigerin, li ser çarçoveyên LangChain û DSPy-ê bisekinin. Em ê lêkolîn bikin ka van amûran çawa dikarin werin bikar anîn da ku pergalên çareseriya pirsgirêkê ya proaktîf biafirînin û karûbarên pêşkeftina nermalavê otomatîk bikin. Wekî din, em ê mînakek pratîkî peyda bikin ka meriv çawa Modelên Zimanên Mezin (LLM) di xeta xweya DevOps de yek dike.

LangChain û DSPy çi ne?

Berî ku em hûrguliyên otomasyona DevOps-a ajokera AI-ê bişopînin, werin em bi kurtasî li çarçoveyên LangChain û DSPy binêrin.

LangChain

LangChain çarçoveyek çavkaniyek vekirî ye ku rê dide pêşdebiran ku bi karanîna Modelên Zimanên Mezin (LLM) serîlêdanên AI-ê yên danûstendinê ava bikin. Ew ji bo danûstendina bi LLM-an re API-yek hêsan û xwerû peyda dike, ku dihêle pêşdebiran ji bo serîlêdanên xwe navgînên danûstendinê yên xwerû biafirînin.

LangChain cûrbecûr LLM-an piştgirî dike, di nav de modelên populer ên mîna LLaMA, BERT, û RoBERTa. Di heman demê de ew ji bo birêkûpêkkirin û xwerûkirina LLM-ên ku li gorî rewşên karanîna taybetî tevdigerin gelek amûr peyda dike.

DSPy

DSPy pirtûkxaneyek Python e ku rêyek hêsan û bikêr peyda dike da ku modelên AI-ê di lûleya weya DevOps de yek bike. Ew gelek çarçoveyên AI-ê, di nav de LangChain, piştgirî dike, û ji bo otomatîkkirina karûbarên AI-ê-rêveber gelek amûr peyda dike.

DSPy hatiye dîzaynkirin ku bi amûrên DevOps-ên populer ên mîna Jenkins, GitLab, û Docker re bêkêmasî bixebite, ji bo rêxistinên ku dixwazin AI-ê di binesaziya DevOps-a xweya heyî de yek bikin vebijarkek îdeal e.

Orkestrakirina Nûnerên AI-ê ji bo Otomasyona DevOps

Naha ku me nihêrînek kurt a LangChain û DSPy heye, ka em bikolin ka ev çarçove çawa dikarin werin bikar anîn da ku nûnerên AI-ê ji bo otomasyona DevOps saz bikin.

Çareseriya Pirsgirêka Proaktîf

Yek ji feydeyên sereke yên otomasyona DevOps-a ajokera AI-ê ev e ku meriv bi proaktîf pirsgirêkan çareser bike berî ku ew bibin pirsgirêkên mezin. LangChain û DSPy dikare were bikar anîn da ku navgînên danûstendinê yên xwerû yên ku bi LLM-yan re têkilî daynin da ku pirsgirêkên potansiyel nas bikin û ji bo çareseriyê pêşniyaran peyda bikin, bikar bînin.

Li vir mînakek hêsan e ku meriv çawa dikare kar bike:

`` python zincîra îthalatê ji langchain.chat_models import LLaMA

Modelek danûstendinê ya LangChain biafirînin

chat_model = LLaMA()

Fonksiyonek diyar bikin ku bi modela chatê re têkilî daynin

def interact_with_chat_model(prompt): bersiv = chat_model.run (lêgerîn) bersiva vegera

Ji bo tespîtkirina pirsgirêkên potansiyel fonksiyonek diyar bikin

Defidentident_issues(kod): prompt = f"Pirsgirêkên potansiyel di koda jêrîn de nas bike: {code}" bersiv = pêwendiya_bi_chat_modelê (lêgerîn) bersiva vegera

Fonksiyonek diyar bike ku ji bo çareseriyê pêşniyaran peyda bike

def provide_recommendations (pirsgirêkên): prompt = f"Ji bo çareserkirina kêşeyên jêrîn pêşniyaran bidin: {pirsgirêkên}" bersiv = pêwendiya_bi_chat_modelê (lêgerîn) bersiva vegera

Bikaranîna mînak

kod = """ def lê zêde bike(x, y): vegere x + y """ pirsgirêk = nasnav_pirsgirêk (kod) pêşniyar = pêşkêşî_pêşniyar (mijar) çapkirin (pêşniyar)


Di vê nimûneyê de, em fonksiyonek hêsan "têkilî_bi_chat_model" diyar dikin ku bi modela chatê ya LangChain re têkilî daynin da ku bersivek ji bilezek diyarkirî re peyda bike. Dûv re em du fonksiyonên din diyar dikin `nasnav_pirsgirêkan` û `pêşniyar_pêşniyarkirin` ku modela chatê bikar tînin da ku pirsgirêkên potansiyel di hin kodên nimûneyê de nas bikin û ji bo çareseriyê pêşniyaran peyda bikin.

### Xweserkirina Karûbarên Pêşveçûna Nermalavê

LangChain û DSPy di heman demê de dikarin werin bikar anîn da ku karûbarên pêşkeftina nermalavê bixweber bikin bi yekkirina modelên AI-ê di xeta weya DevOps-a heyî de.

Li vir mînakek heye ku ev çawa dikare bixebite:

`` python
import dspy
ji dspy import Workflow

# Karûbarek DSPy diyar bikin
karûbar = Karûbar ()

# Ji bo xebitandina amûrek analîzkirina kodê peywirek diyar bikin
def run_code_analysis (kod):
    # Amûrek analîzkirina kodê bimeşînin da ku pirsgirêkên potansiyel nas bikin
    mesele = []
    #...
    pirsgirêkên vegerê

# Peywirek diyar bikin ku ji bo çareseriyê pêşniyaran peyda bikin
def provide_recommendations (pirsgirêkên):
    # Modela danûstendinê ya LangChain bikar bînin da ku pêşniyaran peyda bikin
    prompt = f"Ji bo çareserkirina kêşeyên jêrîn pêşniyaran bidin: {pirsgirêkên}"
    bersiv = langchain.chat_model.run(prompt)
    bersiva vegera

# Ji bo bicihkirina kodê peywirek diyar bikin
def deploy_code (kod):
    # Kodê li hawîrdorek hilberînê bicîh bikin
    #...

# Rêwîtiya xebatê diyar bikin
workflow.add_task(run_code_analysis)
workflow.add_task(provide_recommendations)
workflow.add_task (deploy_code)

# Karê xebatê bimeşînin
workflow.run()

Di vê nimûneyê de, em xebatek hêsan a DSPy-yê ku ji sê peywiran pêk tê destnîşan dikin: xebitandina amûrek analîzkirina kodê, pêşkêşkirina pêşniyarên ji bo çareseriyê, û bicîhkirina kodê. Dûv re em bi lêzêdekirina her peywirê û meşandina wê xebata xebatê diyar dikin.

Serê 5-10 Ferman/Parçeyên Herî Bikaranîn

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

LangChain

  • langchain.chat_models.LLaMA(): Modelek sohbeta LangChain bi karanîna modela LLaMA çêbikin.
  • langchain.chat_model.run(prompt): Modela danûstendinê bi daxwazek diyarkirî bimeşîne.
  • langchain.chat_model.interact_with(prompt): Bi modela danûstendinê re bi karanîna daxwazek diyar re têkilî daynin.

DSPy

  • dspy.Workflow(): Xebatek DSPy biafirîne.
  • workflow.add_task(peywir): Karekî li herikîna xebatê zêde bike.
  • workflow.run(): Karê xebatê dimeşîne.

Visualization

Li vir dîmenek hêsan a xebata xebatê bi karanîna Chart.js heye:

{
  "type": "bar",
  "dane": {
    "labels": ["Analîzkirina Kodê", "Pêşniyar", "Bicihkirin"],
    "daneyên": [
      {
        "label": "Rewşa xebatê",
        "dane": [10, 20, 30],
        "backgroundColor": [
          "rgba(255, 99, 132, 0.2)",
          "rgba(54, 162, 235, 0.2)",
          "rgba(255, 206, 86, 0.2)"
        ],
        "borderColor": [
          "rgba(255, 99, 132, 1)",
          "rgba(54, 162, 235, 1)",
          "rgba(255, 206, 86, 1)"
        ],
        "Berfirehiya sînor": 1
      }
    ]
  },
  "vebijark": {
    "sernav": {
      "nîşandan": rast,
      "text": "Rewşa xebatê"
    },
    "pîvan": {
      "yAxes": [
        {
          "tik": {
            "beginAtZero": rast
          }
        }
      ]
    }
  }
}

Vê dîtbarî nexşeyek barek hêsan nîşan dide ku tevgera xebatê temsîl dike, digel sê baran ku analîza kodê, pêşniyar û peywirên bicîhkirinê temsîl dikin.

Encam

Di vê gotarê de, me cîhana otomasyona DevOps-a ajokera AI-yê bi karanîna LangChain û DSPy vekolîn. Me dît ku ev çarçove çawa dikarin werin bikar anîn da ku pergalên çareseriya pirsgirêka proaktîf biafirînin û karûbarên pêşkeftina nermalavê otomatîk bikin. Me di heman demê de mînakên pratîkî yên ku meriv çawa LLM-an di lûleya DevOps-a xwe de entegre dike û bi karanîna Chart.js-ê xebata xebatê xuya dike peyda kir.

Bi karanîna hêza AI û otomasyonê, rêxistin dikarin karûbarên pêşkeftina nermalava xwe xweş bikin, xeletiyên destan kêm bikin, û karbidestiya giştî baştir bikin. Ma hûn endezyarek DevOps, pêşdebirek nermalavê, an serkirdeyekî karsaziyê bin, LangChain û DSPy amûrên hêzdar in ku dikarin ji we re bibin alîkar ku hûn bigihîjin armancên xwe.

Have Questions?

Let's Talk

Contact me on LinkedIn