Sukurkite „LangChain“ pokalbio AI programą | B4N1

Sukurkite „LangChain“ pokalbio AI programą

6 months ago · b4n1 Read time: 4 min

** Dirbtinio intelekto valdomos „DevOps“ automatikos surengimas naudojant „LangChain“ ir „DSPy“**

Įvadas

Dirbtiniu intelektu pagrįstos automatikos, programinės įrangos inžinerijos ir orkestravimo įrankių sankirta pakeitė požiūrį į „DevOps“ darbo eigą. Didėjant šiuolaikinių programinės įrangos sistemų sudėtingumui, veiksmingo ir efektyvaus incidentų tyrimo ir sprendimo poreikis niekada nebuvo toks aktualus. Šiame straipsnyje išnagrinėsime „LangChain“ ir „DSPy“ vaidmenį organizuojant AI valdomą „DevOps“ automatizavimą ir kaip šie įrankiai gali supaprastinti „DevOps“ darbo eigą ir pagerinti incidentų tyrimą.

„DevOps“ automatizavimo iššūkiai

„DevOps“ automatizavimas yra esminis šiuolaikinės programinės įrangos kūrimo komponentas, leidžiantis komandoms greitai reaguoti į kintančius reikalavimus, sutrumpinti diegimo laiką ir pagerinti bendrą sistemos patikimumą. Tačiau tradiciniai „DevOps“ automatizavimo metodai dažnai remiasi rankiniu scenarijumi ir ad hoc įrankiais, kurie gali sukelti:

  • Neefektyvios darbo eigos: dėl rankinio scenarijų ir įrankių kūrimo gali pailgėti diegimo laikas, padidėti žmogiškųjų klaidų rizika ir sumažėti produktyvumas.
  • Nepakankamas incidentų tyrimas: tradiciniai metodai dažnai remiasi rankiniu būdu atliekama analize ir derinimu, o tai gali lemti atidėtą incidentų sprendimą ir sumažinti sistemos prieinamumą.
  • Ribotas mastelio keitimas: rankinis scenarijus ir įrankiai gali tapti sudėtingi ir sunkiai prižiūrimi, nes sistemos tampa vis sudėtingesnės.

Pristatome LangChain ir DSPy

„LangChain“ ir „DSPy“ yra du galingi įrankiai, kuriais siekiama spręsti šiuos iššūkius, suteikdami vieningą DI valdomo „DevOps“ automatizavimo ir orkestravimo platformą. „LangChain“ yra „Rust“ pagrindu sukurta sistema, skirta kurti pokalbio AI programas, o „DSPy“ yra „Python“ pagrindu sukurta biblioteka, skirta duomenų mokslo vamzdynams kurti.

LangChain: pokalbio dirbtinio intelekto sistema

„LangChain“ yra „Rust“ pagrindu sukurta sistema, skirta kurti pokalbio AI programas. Jame pateikiamas API ir įrankių rinkinys, skirtas pokalbių robotams, balso asistentams ir kitoms pokalbių sąsajoms kurti. Pagrindinės „LangChain“ funkcijos:

  • Pokalbio AI: „LangChain“ teikia API rinkinį, skirtą pokalbio AI programoms kurti, įskaitant natūralios kalbos apdorojimą (NLP), ketinimų atpažinimą ir dialogo valdymą.
  • Integracija: „LangChain“ integruojama su daugybe trečiųjų šalių paslaugų, įskaitant pranešimų platformas, balso asistentus ir duomenų saugojimo sistemas.
  • Mastelio keitimas: „LangChain“ sukurta taip, kad mastelis būtų horizontalus, todėl tinkamas didelio masto pokalbio AI programoms.

DSPy: duomenų mokslo vamzdynų biblioteka

DSPy yra Python pagrindu sukurta biblioteka, skirta duomenų mokslo vamzdynams kurti. Jame pateikiamas API ir įrankių rinkinys duomenims gauti, apdoroti ir analizuoti. Pagrindinės DSPy funkcijos:

  • Duomenų įvedimas: DSPy teikia API duomenims iš įvairių šaltinių, įskaitant duomenų bazes, failų sistemas ir API, gauti.
  • Duomenų apdorojimas: DSPy teikia API duomenų apdorojimui, įskaitant duomenų valymą, transformavimą ir kaupimą.
  • Duomenų analizė: DSPy teikia API duomenų analizei, įskaitant statistinę analizę, mašininį mokymąsi ir vizualizaciją.

** Dirbtinio intelekto valdomos „DevOps“ automatikos surengimas naudojant „LangChain“ ir „DSPy“**

„LangChain“ ir „DSPy“ gali būti naudojami kartu organizuoti dirbtinio intelekto „DevOps“ automatizavimo darbo eigas. Štai pavyzdys, kaip tai gali veikti:

  1. Incidentų aptikimas: „LangChain“ pokalbio AI galimybės gali būti naudojamos incidentams aptikti realiuoju laiku, analizuojant žurnalo duomenis ir kitą sistemos metriką.
  2. Incidentų analizė: DSPy duomenų mokslo dujotiekio galimybes galima naudoti analizuojant incidentų duomenis, nustatant pagrindines priežastis ir galimus sprendimus.
  3. Automatizuotas sprendimas: „LangChain“ pokalbio AI galimybės gali būti naudojamos automatizuoti incidentų sprendimą, generuoti ir vykdyti scenarijus incidentams išspręsti.
  4. Po incidento atliekama analizė: DSPy duomenų mokslo vamzdyno galimybes galima naudoti analizuojant incidentų duomenis, nustatant tobulinimo sritis ir optimizuojant „DevOps“ darbo eigas.

Kodo pavyzdys: incidentų sprendimo automatizavimas naudojant „LangChain“ ir „DSPy“

Štai pavyzdys, kaip LangChain ir DSPy gali būti naudojami kartu automatizuoti incidentų sprendimą:

importuoti langchain
importuoti dspy


programa = langchain.App()

# Apibrėžkite DSPy duomenų mokslo vamzdyną
vamzdynas = dspy.Pipeline()

# Apibrėžkite scenarijų incidentams išspręsti
scenarijus = """
importuoti os
os.system('sudo systemctl restart service')
"""

# Norėdami generuoti ir vykdyti scenarijų, naudokite „LangChain“.
app.execute_script(script)

# Naudokite DSPy incidentų duomenims analizuoti ir tobulintinoms sritims nustatyti
pipeline.analyze_data()

5–10 dažniausiai naudojamų komandų / fragmentų

Čia yra 5–10 dažniausiai naudojamų „LangChain“ ir „DSPy“ komandų / fragmentų:

  1. LangChain: „app.execute_script(script)“: vykdykite scenarijų naudodami „LangChain“ pokalbio AI galimybes.
  2. LangChain: „app.analyze_data()“: analizuokite duomenis naudodami „LangChain“ pokalbio AI galimybes.
  3. DSPy: „pipeline.analyze_data()“: analizuokite duomenis naudodami DSPy duomenų mokslo dujotiekio galimybes.
  4. DSPy: „pipeline.execute_script(script)“: paleiskite scenarijų naudodami DSPy duomenų mokslo konvejerio galimybes.
  5. LangChain: „app.integrate_service(service)“: integruokite paslaugą su „LangChain“ pokalbio AI galimybėmis.
  6. DSPy: „pipeline.integrate_service(service)“: integruokite paslaugą su DSPy duomenų mokslo dujotiekio galimybėmis.
  7. LangChain: „app.detect_incident()“: aptikkite incidentus naudodami „LangChain“ pokalbio AI galimybes.
  8. DSPy: „pipeline.detect_incident()“: aptikti incidentus naudojant DSPy duomenų mokslo dujotiekio galimybes.
  9. LangChain: „app.resolve_incident()“: išspręskite incidentus naudodami „LangChain“ pokalbio AI galimybes.
  10. DSPy: „pipeline.resolve_incident()“: išspręskite incidentus naudodami DSPy duomenų mokslo dujotiekio galimybes.

Vizualizacija

Štai „LangChain“ ir „DSPy“ darbo eigos vizualizacija naudojant Chart.js:

{
  "tipas": "juosta",
  "duomenys": {
    "etiketės": ["Incidentų aptikimas", "Incidentų analizė", "Automatinis sprendimas", "Analizė po incidento"],
    "duomenų rinkiniai": [
      {
        "label": "LangChain",
        "duomenys": [10, 20, 30, 40],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      },
      {
        "label": "DSPy",
        "duomenys": [20, 30, 40, 50],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "borderWidth": 1
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "LangChain ir DSPy darbo eiga"
    },
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Ši vizualizacija rodo „LangChain“ ir „DSPy“ darbo eigą, pabrėždama pagrindinius incidentų aptikimo, analizės, sprendimo ir analizės po incidento etapus.

Išvada

„LangChain“ ir „DSPy“ yra du galingi įrankiai, kuriuos galima naudoti kartu su AI valdomomis „DevOps“ automatizavimo darbo eigomis. Naudodamos „LangChain“ pokalbio AI ir DSPy duomenų mokslo vamzdyno galimybes, komandos gali supaprastinti „DevOps“ darbo eigą, pagerinti incidentų tyrimą ir sumažinti sistemos prastovos laiką. Dėl savo mastelio, lankstumo ir naudojimo paprastumo „LangChain“ ir „DSPy“ yra idealus pasirinkimas komandoms, norinčioms automatizuoti ir optimizuoti savo „DevOps“ darbo eigą.

Have Questions?

Let's Talk

Contact me on LinkedIn