Įvadas
Šiandienos sparčiai besivystančioje programinės įrangos kūrimo aplinkoje atsparių ir keičiamo dydžio sistemų kūrimas yra dar svarbesnis nei bet kada anksčiau. Didėjantis programinės įrangos sistemų sudėtingumas kartu su AI ir mašininio mokymosi augimu paskatino sukurti kontekstą suvokiančius AI agentus, kurie gali prisitaikyti prie besikeičiančios aplinkos ir priimti pagrįstus sprendimus. Šiame straipsnyje mes išnagrinėsime kontekstą suvokiančių AI agentų koncepciją ir jų įgyvendinimą agentiniuose CI / CD vamzdynuose, naudojant orkestravimo įrankius.
Kas yra kontekstą suvokiantys AI agentai?
Kontekstą suvokiantys AI agentai yra dirbtinio intelekto rūšis, galinti suvokti savo aplinką ir reaguoti į ją taip, kad tai būtų tinkama situacijai. Jie naudoja mašininį mokymąsi ir natūralios kalbos apdorojimo metodus, kad suprastų kontekstą ir atitinkamai priimtų sprendimus. Kuriant programinę įrangą kontekstą suvokiantys AI agentai gali būti naudojami užduotims automatizuoti, bendradarbiavimui ir sprendimų priėmimui gerinti.
Agentiški CI/CD vamzdynai
Agentiniai CI / CD vamzdynai yra nuolatinio integravimo ir nuolatinio diegimo vamzdynas, kuriame naudojamas AI ir mašininis mokymasis programinės įrangos kūrimo procesui automatizuoti ir optimizuoti. Šie vamzdynai naudoja kontekstą suvokiančius AI agentus, kad analizuotų duomenis, priimtų sprendimus ir imtųsi veiksmų, pagrįstų programinės įrangos kūrimo proceso kontekstu.
Orkestravimo įrankiai
Orkestravimo įrankiai yra programinės įrangos sistemos, kurios automatizuoja ir valdo programinės įrangos programų diegimą, mastelį ir valdymą. Jie naudoja API, scenarijus ir kitus įrankius kelių sistemų ir paslaugų veiklai koordinuoti. Agentinių CI / CD vamzdynų kontekste orkestravimo įrankiai naudojami duomenų srautui ir veiksmams tarp AI agentų ir kitų sistemų valdyti.
Keičiamų ir etiškų programinės įrangos sistemų projektavimas
Kuriant keičiamo dydžio ir etiškas programinės įrangos sistemas, būtina atsižvelgti į šiuos veiksnius:
- Mastelio keitimas: sistemos gebėjimas atlaikyti didėjančias apkrovas ir srautą nepakenkiant našumui.
- Etika: sistemos gebėjimas veikti sąžiningai, skaidriai ir gerbiant vartotojų teises bei interesus.
- Atsparumas: sistemos gebėjimas atsigauti po gedimų ir išlaikyti savo funkcionalumą ištikus nelaimei.
Agentinio CI / kompaktinio disko diegimas su orkestravimo įrankiais
Norėdami įdiegti agentinį CI / CD su orkestravimo įrankiais, galite atlikti šiuos veiksmus:
- Pasirinkite orkestravimo įrankį: pasirinkite tinkamą orkestravimo įrankį, pvz., „Kubernetes“, „Apache Airflow“ arba „AWS Step Functions“.
- Sukurkite CI/CD vamzdyną: apibrėžkite duomenų srautą ir veiksmus tarp AI agentų ir kitų sistemų.
- Įdiekite dirbtinio intelekto agentus: kurkite kontekstą žinančius AI agentus naudodami mašininio mokymosi ir natūralios kalbos apdorojimo metodus.
- Integruoti su orkestravimo įrankiu: integruokite AI agentus su orkestravimo įrankiu, kad automatizuotumėte ir valdytumėte CI / CD konvejerį.
Kodo pavyzdys: kontekstą suvokiančio AI agento įdiegimas Python
Pateikiame kodo bloko pavyzdį, kuris parodo, kaip „Python“ įdiegti kontekstinį AI agentą:
importuoti numpy kaip np
iš sklearn.ensemble importo RandomForestClassifier
iš sklearn.model_selection importuoti train_test_split
iš sklearn.metrics importuoti accuracy_score
# Įkelti duomenis
data = np.loadtxt('data.csv')
# Padalinkite duomenis į mokymo ir testavimo rinkinius
X_traukinys, X_testas, y_traukinys, y_testas = traukinio_testo_skilimas(duomenys[:, :-1], duomenys[:, -1], testo_dydis=0,2, atsitiktinis_būsena=42)
# Išmokykite atsitiktinį miško klasifikatorių
clf = Atsitiktinis miško klasifikatorius (n_estimatoriai = 100, atsitiktinė būsena = 42)
clf.fit(X_train, y_train)
# Numatykite bandymų rinkinį
y_pred = clf.predict(X_test)
# Įvertinkite modelį
tikslumas = accuracy_score(y_test, y_pred)
print(f'Tikslumas: {tikslumas:.3f}')
# Apibrėžkite kontekstą suvokiantį AI agentą
AI klasės agentas:
def __init__(self):
pats.clf = clf
def numatyti (savęs, X):
return self.clf.predict(X)
# Create an instance of the AI agent
ai_agent = AI-agentas()
# Naudokite AI agentą, kad galėtumėte prognozuoti
X_new = np.array([[1, 2, 3]])
prognozė = ai_agent.predict(X_new)
print(f'Numatymas: {prognozacija}')
Šis kodo blokas parodo, kaip parengti atsitiktinį miško klasifikatorių duomenų rinkinyje ir naudoti jį prognozėms. Jis taip pat apibrėžia kontekstą suvokiantį AI agentą, kuris prognozėms sudaryti naudoja apmokytą klasifikatorių.
5–10 dažniausiai naudojamų komandų / fragmentų
Čia yra 5–10 dažniausiai naudojamų komandų / fragmentų, skirtų agentiniam CI / CD diegti su orkestravimo įrankiais:
kubectl apply -f deployment.yaml: taikykite Kubernetes diegimo konfigūraciją.- „Airflow db atnaujinimas“: atnaujinkite „Airflow“ duomenų bazę.
aws stepfunctions start-execution --input '{"key": "value"}': paleiskite AWS Step Functions vykdymą.Docker build -t my-image .: Sukurkite Docker vaizdą.- „Docker push my-image“: perkelkite „Docker“ vaizdą į registrą.
kubernetes sukurti paslaptį, bendras my-secret --from-literal=MY_KEY=MY_VALUE: sukurti Kubernetes paslaptį.- „Airflow trigger_dag my_dag“: suaktyvinkite oro srauto DAG.
- „aws cloudformation deploy --template-file my-template.yaml --stack-name my-stack“: įdiekite AWS CloudFormation krūvą.
- „Docker run -d -p 8080:8080 my-image“: paleiskite „Docker“ sudėtinį rodinį.
- „Kubernetes ištrinti diegimą mano diegimas“: ištrinkite Kubernetes diegimą.
Vizualizacija
Čia yra agentinio CI / CD konvejerio vizualizacija naudojant Chart.js:
{
"tipas": "juosta",
"duomenys": {
"labels": ["AI agentas", "Orchestration Tool", "CI/CD Pipeline"],
"duomenų rinkiniai": [
{
"label": "Laikas",
"duomenys": [10, 20, 30],
"backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56"]
}
]
},
"parinktys": {
"pavadinimas": {
"display": tiesa,
"text": "Agentinis CI / CD vamzdynas"
},
"svarstyklės": {
„yAxes“: [
{
"erkės": {
"beginAtZero": tiesa
}
}
]
}
}
}
Ši vizualizacija rodo laiką, kurį užtrunka kiekvienas agentinio CI / CD dujotiekio komponentas.
Išvada
Apibendrinant galima pasakyti, kad kontekstą suvokiantys AI agentai yra galingas įrankis kuriant atsparias ir keičiamo dydžio programinės įrangos sistemas. Įdiegę agentinius CI / CD vamzdynus su orkestravimo įrankiais, kūrėjai gali automatizuoti ir optimizuoti programinės įrangos kūrimo procesą. Pavyzdinis kodo blokas ir vizualizacija parodo, kaip įdiegti kontekstinį AI agentą „Python“ ir vizualizuoti agentinį CI / CD vamzdyną. 5–10 dažniausiai naudojamų komandų / fragmentų pateikia greitą nuorodą, kaip įdiegti agentinį CI / CD su orkestravimo įrankiais.