Көп агенттик AI архитектурасы жана LangChain менен өзүн-өзү айыктыруучу программалык системаларды куруу

Мульти-агенттүү AI архитектурасы жана LangChain менен өзүн-өзү айыктыруучу программалык системаларды куруу

Танышуу

Бүгүнкү күндө программалык камсыздоону иштеп чыгуунун ылдам пейзажында өзүн-өзү калыбына келтирүүчү программалык системаларды куруу татаал программалык камсыздоо тутумдарынын ишенимдүүлүгүн, масштабдуулугун жана туруктуулугун камсыз кылуу үчүн маанилүү талап болуп калды. Салттуу монолиттүү архитектуралар заманбап программалык камсыздоону иштеп чыгуунун талаптарын канааттандыруу үчүн мындан ары жетишсиз, мында системалар өзгөрүп жаткан талаптарга ыңгайлашууга, күтүлбөгөн каталарды чечүүгө жана каталардан тез калыбына келтирүүгө жөндөмдүү болушу керек. Бул жерде көп агенттик AI архитектуралары жана LangChain ишке кирип, үйрөнүп, ыңгайлашып, өзгөрүп жаткан шарттарга жооп бере турган өзүн-өзү айыктыруучу программалык системаларды куруу үчүн күчтүү чечимди сунуштайт.

Мульти-агенттүү AI архитектуралары деген эмне?

Көп агенттик AI архитектуралары – жалпы максатка жетүү үчүн бири-бири менен жана алардын айлана-чөйрөсү менен өз ара аракеттенген бир нече автономдуу агенттерден турган бөлүштүрүлгөн AI тутумунун бир түрү. Ар бир агенттин өзүнүн чечим кабыл алуу мүмкүнчүлүктөрү, билими жана ресурстары бар жана алар бири-бири менен маалымат алмашуу, аракеттерди координациялоо жана өзгөргөн шарттарга ыңгайлашуу үчүн байланыша алышат.

Программалык камсыздоо тутумдарынын контекстинде мульти-агенттүү AI архитектуралары реалдуу убакытта каталарды, мүчүлүштүктөрдү жана башка аномалияларды аныктап, аларга жооп бере турган өзүн-өзү калыбына келтирүүчү системаларды куруу үчүн колдонулушу мүмкүн. Чечим кабыл алуу процессин бир нече агенттерге бөлүштүрүү менен, бул системалар тажрыйбадан үйрөнүп, өзгөрүп жаткан шарттарга ыңгайлашып, каталардан тез калыбына келе алат.

LangChain деген эмне?

LangChain – бул көп агенттик AI системаларын куруу үчүн ачык булактуу Python китепканасы. Ал өзгөрүп жаткан шарттарга үйрөнө, ыңгайлаша жана жооп бере ала турган татаал AI системаларын куруу үчүн жөнөкөй, ийкемдүү жана масштабдуу негизди камсыз кылат. LangChain AI алкактарынын кеңири спектри менен иштөө үчүн иштелип чыккан, анын ичинде TensorFlow, PyTorch жана Keras жана ар кандай маалымат булактары, анын ичинде маалымат базалары, API'лер жана IoT түзмөктөрү менен интеграцияланган системаларды куруу үчүн колдонулушу мүмкүн.

** LangChain менен өзүн-өзү айыктыруучу программалык системаларды куруу**

LangChain менен өзүн-өзү айыктыруучу программалык камсыздоо системасын куруу үчүн, биз реалдуу убакытта каталарды, мүчүлүштүктөрдү жана башка аномалияларды аныктап, аларга жооп бере турган көп агенттүү AI архитектурасын иштеп чыгышыбыз керек. Бул жерде архитектуранын жогорку деңгээли:

Агенттин дизайны: Биз жалпы максатка жетүү үчүн бири-бири менен жана алардын айлана-чөйрөсү менен өз ара аракеттене ала турган автономдуу агенттердин топтомун иштеп чыгышыбыз керек. Ар бир агенттин өзүнүн чечим кабыл алуу мүмкүнчүлүктөрү, билими жана ресурстары болушу керек.
Билим графиги: Биз агенттердин, чөйрөнүн жана системанын максаттарынын ортосундагы мамилелерди чагылдырган билим графигин түзүшүбүз керек. Бул графикти системанын абалы жөнүндө ой жүгүртүү жана чечим кабыл алуу үчүн колдонсо болот.
Чечим кабыл алуу: Биз агенттерге системанын абалы жөнүндө ой жүгүртүүгө жана билим графигинин негизинде чечим кабыл алууга мүмкүндүк берген чечим кабыл алуу процессин ишке ашыруубуз керек.
Аракеттин аткарылышы: Биз агенттерге өз чечимдерин аткарууга жана айлана-чөйрө менен өз ара аракеттенүүгө мүмкүндүк берген иш-аракеттерди аткаруу процессин ишке ашыруубуз керек.

Бул жерде LangChain менен курулган өзүн-өзү айыктыруучу программалык системанын жөнөкөй мисалы:

импорттук langchain
langchain.agents импорттук агенттен
langchain.llms импорттук LLMден


график = {
    'агенттер': ['агент1', 'агент2', 'агент3'],
    'чөйрө': ['маалыматтар базасы', 'API', 'IoT түзмөк'],
    'максаттар': ['каталарды аныктоо', 'кемчиликтерге жооп берүү', 'каталардан калыбына келтирүү']
}

# Чечим кабыл алуу процессин аныктоо
def чечим_кабыл алуу(агент, билим_графиги):
    # Системанын абалы жөнүндө себеби
    штат = билим_графиги['агенттер'][агент]
    # Мамлекетке карап чечим чыгар
    чечим = "ийгиликке жооп берүү"
    кайтаруу чечими

# Иш-аракетти аткаруу процессин аныктоо
def action_execution(агент, чечим):
    # Чечим аткарылсын
    эгерде чечим == 'ишкерсиздикке жооп бер':
        # Ийгиликсиздикке жооп бер
        print('Ийгиликке жооп берүүдө...')
    кайтуу

# LangChain агентин түзүү
агент = Агент(
    name='өзүн-өзү айыктыруучу-агент',
    чечим_кабыл алуу=чечим_кабыл алуу,
    action_execution=аракет_аткаруу,
    билим_графиги=граф
)

# LangChain LLM түзүү
llm = LLM(
    name='self-sealing-llm',
    модель = 'davinci'
)

# LangChain системасын түзүү
система = langchain.System(
    агент = агент,
    llm=llm
)

# Системаны иштетиңиз
system.run()

Бул мисал каталарды таап, каталарга жооп бере турган жана каталарды тез калыбына келтирүүчү жөнөкөй өзүн-өзү калыбына келтирүүчү программалык камсыздоо тутумун көрсөтөт. Система жалпы максатка жетүү үчүн бири-бири менен жана алардын чөйрөсү менен өз ара аракеттенүүчү автономдуу агенттердин жыйындысынан турат. Агенттер системанын абалы жөнүндө ой жүгүртүү жана графиктин негизинде чечим кабыл алуу үчүн билим графигин колдонушат.

Эң көп колдонулган 5-10 буйруктар/үзүндүлөр

Бул жерде LangChain үчүн эң көп колдонулган 5-10 командалар/үзүндүлөр:

langchain.Agent(): Жаңы LangChain агентин түзөт.
langchain.LLM(): Жаңы LangChain LLM түзөт.
langchain.System(): Жаңы LangChain системасын түзөт.
agent.decision_making(): агент үчүн чечим кабыл алуу процессин иштетет.
agent.action_execution(): Агент үчүн аракетти аткаруу процессин иштетет.
llm.predict(): LLMди колдонуу менен болжолдоону жасайт.
system.run(): LangChain системасын иштетет.
graph.add_node(): Билим графигине жаңы түйүн кошот.
graph.add_edge(): Билим графигине жаңы четти кошот.
graph.remove_node(): Билим графигинен түйүндү алып салат.

Визуализация

Бул жерде Chart.js аркылуу билим графигинин жөнөкөй визуализациясы:

{
  "type": "graph",
  "маалымат": {
    "түйүндөрү": [
      {"id": "агент1", "белги": "Агент 1"},
      {"id": "agent2", "label": "Агент 2"},
      {"id": "agent3", "label": "Agent 3"},
      {"id": "маалымат базасы", "белги": "Маалымат базасы"},
      {"id": "API", "label": "API"},
      {"id": "IoT түзмөк", "белги": "IoT түзмөк"}
    ],
    "четтери": [
      {"булак": "агент1", "максат": "маалымат базасы"},
      {"source": "agent2", "target": "API"},
      {"булак": "agent3", "target": "IoT түзмөк"},
      {"булак": "агент1", "максат": "агент2"},
      {"булак": "агент2", "максат": "агент3"}
    ]
  },
  "опциялар": {
    "макет": {
      "тип": "тегерек"
    },
    "түйүндөрү": {
      "өлчөмү": 50
    },
    "четтери": {
      "туурасы": 2
    }
  }
}

Бул визуализация агенттердин, чөйрөнүн жана системанын максаттарынын ортосундагы мамилелерди көрсөтөт.

Корутунду

Мульти-агенттүү AI архитектуралары жана LangChain менен өзүн-өзү айыктыруучу программалык системаларды куруу татаал программалык системалардын ишенимдүүлүгүн, масштабдуулугун жана туруктуулугун камсыз кылуу үчүн күчтүү чечимди сунуштайт. Чечим кабыл алуу процессин бир нече агенттерге бөлүштүрүү менен, бул системалар тажрыйбадан үйрөнүп, өзгөрүп жаткан шарттарга ыңгайлашып, каталардан тез калыбына келе алат. LangChain менен иштеп чыгуучулар маалымат базаларын, API'лерди жана IoT түзмөктөрүн камтыган маалымат булактарынын кеңири спектри менен интеграцияланган татаал AI системаларын кура алышат. Мисал кодун ээрчүү жана эң көп колдонулган 5-10 буйруктарды/үзүндүлөрдү колдонуу менен, иштеп чыгуучулар LangChain менен өздөрүнүн өзүн-өзү айыктыруучу программалык системаларын кура алышат.

Көп агенттик AI архитектурасы жана LangChain менен өзүн-өзү айыктыруучу программалык системаларды куруу

Have Questions?