Sukurkite DSPy modelį, kad gautumėte duomenis iš žurnalų

Agentiško AI integravimas su „DevOps“ automatizavimu naudojant „LangChain“ ir „DSPy“

Įvadas

Dirbtinio intelekto (AI), „DevOps“ ir automatizavimo sankirta keičia mūsų programinės įrangos infrastruktūros valdymo ir priežiūros būdą. Agentinis AI, apimantis AI agentų naudojimą žmonių vardu atlikti užduotis, ypač tinka DevOps automatizavimui. Šiame straipsnyje mes išnagrinėsime agentinio AI integravimą su DevOps automatizavimu, naudojant „LangChain“ ir „DSPy“ – dvi pažangiausias technologijas, leidžiančias sukurti intelektualias, dirbtiniu intelektu pagrįstas infrastruktūros valdymo sistemas.

LangChain ir DSPy supratimas

„LangChain“ yra atvirojo kodo sistema, skirta kurti pokalbio AI programas. Jame pateikiamas įrankių ir bibliotekų rinkinys, skirtas kurti natūralios kalbos apdorojimo (NLP) modelius, dialogo valdymo sistemas ir kitus komponentus, reikalingus pokalbio AI sistemoms kurti. „LangChain“ sukurta remiantis „Rust“ programavimo kalba ir suteikia lanksčią modulinę architektūrą pritaikytoms pokalbio AI programoms kurti.

Kita vertus, DSPy yra „Python“ biblioteka, skirta kurti ir diegti gilaus mokymosi modelius. Tai paprasta, intuityvi API, skirta kurti ir mokyti neuroninius tinklus, taip pat įrankių rinkinys, skirtas modeliams diegti ir valdyti gamybos aplinkoje. DSPy sukurta sklandžiai dirbti su LangChain, leidžianti sukurti sudėtingas, dirbtinio intelekto pagrįstas sistemas, kurios gali mokytis iš duomenų ir prisitaikyti prie besikeičiančios aplinkos.

LangChain ir DSPy integravimas DevOps automatizavimui

Norėdami integruoti „LangChain“ ir „DSPy“, skirtą „DevOps“ automatizavimui, turime sukurti sistemą, kuri galėtų panaudoti abiejų technologijų pranašumus. Štai aukšto lygio architektūros apžvalga:

Duomenų įvedimas: naudosime DSPy duomenims iš įvairių šaltinių, pvz., žurnalų, metrikos ir konfigūracijos failų, gauti.
Modelio mokymas: naudosime DSPy, kad išmokytume mašininio mokymosi modelį, susijusį su gaunamais duomenimis, kad sistema galėtų išmokti duomenų šablonus ir ryšius.
Dialogų valdymas: naudosime „LangChain“, kad sukurtume dialogo valdymo sistemą, kuri galėtų sąveikauti su apmokytu modeliu ir teikti įžvalgas bei rekomendacijas „DevOps“ komandoms.
Veiksmo vykdymas: naudosime DSPy, kad vykdytume veiksmus pagal dialogo valdymo sistemos pateiktas rekomendacijas.

Praktinis įgyvendinimas

Štai paprastas pavyzdys, kaip galime integruoti „LangChain“ ir „DSPy“, skirtą „DevOps“ automatizavimui:

importuoti langchain
importuoti dspy


modelis = dspy.Model("log_ingestion")

# Išmokykite modelį, kaip naudoti gautus duomenis
modelis.traukinys(duomenys)

# Sukurkite LangChain dialogo valdymo sistemą
dialog_manager = langchain.DialogueManager(modelis)

# Apibrėžkite paprastą dialogo eigą
dialog_flow = [
    {
        "intent": "check_status",
        "response": "Dabartinė būsena yra {status}"
    },
    {
        "intent": "restart_service",
        "response": "Paslauga buvo paleista iš naujo"
    }
]

# Vykdykite dialogo eigą
atsakymas = dialogo_manager.execute(dialogo_flow)

# Atlikite veiksmą pagal atsakymą
if response == "Paslauga buvo paleista iš naujo":
    dspy.execute_action("restart_service")

Šis pavyzdys parodo, kaip galime naudoti „LangChain“ ir „DSPy“, kad sukurtume paprastą dialogo valdymo sistemą, kuri galėtų sąveikauti su apmokytu modeliu ir pagal atsakymą atlikti veiksmus.

5–10 dažniausiai naudojamų komandų / fragmentų

Štai keletas dažniausiai naudojamų „LangChain“ ir „DSPy“ komandų ir fragmentų:

LangChain:
- langchain.DialogueManager(modelis): sukuria dialogo valdymo sistemą naudodamas išmokytą modelį.
- langchain.execute_dialogue_flow(dialogue_flow): Vykdo dialogo eigą naudodamas iš anksto nustatytą dialogo eigą.
- langchain.get_intent(intent): nuskaito tikslą iš vartotojo įvesties.
DSPy:
- dspy.Model("log_ingestion"): sukuria DSPy modelį duomenims iš žurnalų gauti.
- dspy.train(modelis, duomenys): parengia DSPy modelį, susijusį su gautais duomenimis.
- dspy.execute_action(action): atlieka veiksmą pagal apmokyto modelio rekomendaciją.

Vizualizacija

Štai paprasta „LangChain“ ir „DSPy“, skirto „DevOps“ automatizavimui, integravimo vizualizacija:

{
  "tipas": "juosta",
  "duomenys": {
    "etiketės": ["Duomenų įvedimas", "Modelių mokymas", "Dialogo valdymas", "Veiksmo vykdymas"],
    "duomenų rinkiniai": [
      {
        "label": "LangChain",
        "duomenys": [10, 15, 20, 25],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      },
      {
        "label": "DSPy",
        "duomenys": [15, 20, 25, 30],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "borderWidth": 1
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "LangChain ir DSPy integravimas DevOps automatizavimui"
    },
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Ši vizualizacija parodo, kaip galima integruoti „LangChain“ ir „DSPy“, kad būtų sukurtas vientisas „DevOps“ automatizavimo vamzdynas.

Išvada

Šiame straipsnyje mes ištyrėme agentinio AI integravimą su DevOps automatizavimu naudojant LangChain ir DSPy. Mes parodėme, kaip šios dvi technologijos gali būti naudojamos kuriant paprastą dialogo valdymo sistemą, kuri gali sąveikauti su apmokytu modeliu ir atlikti veiksmus, pagrįstus atsaku. Taip pat pateikėme praktinio įgyvendinimo pavyzdį ir 5–10 dažniausiai naudojamų „LangChain“ ir „DSPy“ komandų / fragmentų skyrių. Galiausiai įtraukėme vizualizacijos skyrių, kad parodytume „LangChain“ ir „DSPy“, skirtą „DevOps“ automatizavimui, integraciją.

Sukurkite DSPy modelį, kad gautumėte duomenis iš žurnalų

Have Questions?