Изградба на софтверски системи за самолекување со мулти-агентни AI архитектури и LangChain

Градење софтверски системи за самолекување со мулти-агентни AI архитектури и LangChain

Вовед

Во денешниот пејзаж за брз развој на софтвер, градењето софтверски системи за самолекување стана критичен услов за обезбедување на доверливост, приспособливост и еластичност на сложените софтверски системи. Традиционалните монолитни архитектури повеќе не се доволни за да ги задоволат барањата на современиот развој на софтвер, каде што системите мора да бидат способни да се прилагодат на променливите барања, да се справат со неочекувани неуспеси и брзо да се опорават од грешките. Тука влегуваат во игра архитектурите со вештачка интелигенција со повеќе агенти и LangChain, кои нудат моќно решение за градење софтверски системи за самолекување кои можат да учат, да се приспособат и да реагираат на променливите услови.

Што се архитектури за вештачка интелигенција со повеќе агенти?

Архитектурите за вештачка интелигенција со повеќе агенти се вид на дистрибуиран ВИ систем кој се состои од повеќе автономни агенти кои комуницираат едни со други и нивната околина за да постигнат заедничка цел. Секој агент има свои способности за одлучување, знаење и ресурси, и тие можат да комуницираат едни со други за да споделуваат информации, да ги координираат акциите и да се прилагодат на променливите услови.

Во контекст на софтверските системи, архитектурите со вештачка интелигенција со повеќе агенти може да се користат за да се изградат системи за самолекување кои можат да детектираат и реагираат на грешки, неуспеси и други аномалии во реално време. Со дистрибуција на процесот на донесување одлуки низ повеќе агенти, овие системи можат да учат од искуството, да се прилагодат на променливите услови и брзо да закрепнат од грешките.

Што е LangChain?

LangChain е библиотека на Python со отворен код за градење системи со вештачка интелигенција со повеќе агенти. Обезбедува едноставна, флексибилна и скалабилна рамка за градење комплексни системи со вештачка интелигенција кои можат да учат, да се приспособат и да реагираат на променливите услови. LangChain е дизајниран да работи со широк опсег на рамки за вештачка интелигенција, вклучувајќи ги TensorFlow, PyTorch и Keras, и може да се користи за изградба на системи кои се интегрираат со различни извори на податоци, вклучувајќи бази на податоци, API и уреди за IoT.

Градење софтверски системи за самолекување со LangChain

За да изградиме софтверски систем за самолекување со LangChain, треба да дизајнираме архитектура на вештачка интелигенција со повеќе агенти која може да открие и да одговори на грешки, неуспеси и други аномалии во реално време. Еве преглед на архитектурата на високо ниво:

Дизајн на агенти: Треба да дизајнираме збир на автономни агенти кои можат да комуницираат едни со други и нивната околина за да постигнеме заедничка цел. Секој агент треба да има свои способности за одлучување, знаење и ресурси.
Графикон на знаење: Треба да создадеме графикон на знаење кој ги претставува односите помеѓу агентите, околината и целите на системот. Овој график може да се користи за расудување за состојбата на системот и донесување одлуки.
Донесување одлуки: Треба да спроведеме процес на донесување одлуки кој им овозможува на агентите да расудуваат за состојбата на системот и да донесуваат одлуки врз основа на графиконот на знаење.
Извршување акција: Треба да имплементираме процес на извршување на дејствијата што им овозможува на агентите да ги извршуваат своите одлуки и да комуницираат со околината.

Еве едноставен пример на софтверски систем за самолекување изграден со LangChain:

увозен лангсин
од langchain.agents import Agent
од langchain.llms увоз LLM


графикон = {
    „агенти“: [„агент1“, „агент2“, „агент3“],
    'околина': ['база на податоци', 'API', 'IoT уред'],
    „цели“: [„откривање грешки“, „одговарање на неуспеси“, „закрепнување од грешки“]
}

# Дефинирајте го процесот на одлучување
дефинитивно донесување_одлука (агент, график_ знаење):
    # Причина за состојбата на системот
    држава = графа на знаење ['агенти'][ агент]
    # Донесете одлука врз основа на државата
    одлука = 'одговори на неуспех'
    решение за враќање

# Дефинирајте го процесот на извршување акција
def action_execution(агент, одлука):
    # Изврши ја одлуката
    ако одлуката == 'одговори на неуспех':
        # Одговорете на неуспехот
        печатење („Одговара на неуспех...“)
    враќање

# Креирајте агент LangChain
агент = Агент(
    име = 'агенс за самолекување',
    донесување_одлука=донесување_одлука,
    акција_извршување=акција_извршување,
    знаење_граф=граф
)

# Создадете LangChain LLM
llm = LLM(
    name='self-healing-llm',
    модел='давинци'
)

# Создадете систем LangChain
system = langchain.System(
    агент = агент,
    llm=llm
)

# Стартувај го системот
system.run()

Овој пример покажува едноставен софтверски систем за самолекување кој може да открие грешки, да реагира на неуспеси и брзо да се опорави од грешките. Системот се состои од збир на автономни агенти кои комуницираат едни со други и нивната околина за да постигнат заедничка цел. Агентите користат графикон на знаење за да расудуваат за состојбата на системот и да донесуваат одлуки врз основа на графикот.

** Топ 5-10 најкористени команди/парчиња**

Еве ги првите 5-10 најкористени команди/парчиња за LangChain:

langchain.Agent(): Создава нов агент LangChain.
langchain.LLM(): Создава нов LangChain LLM.
langchain.System(): Создава нов систем LangChain.
agent.decision_making(): Го води процесот на одлучување за агент.
agent.action_execution(): Го извршува процесот на извршување акција за агент.
llm.predict(): Прави предвидување користејќи го LLM.
system.run(): Го извршува системот LangChain.
graph.add_node(): Додава нов јазол на графикот на знаење.
graph.add_edge(): Додава нов раб на графикот на знаење.
graph.remove_node(): Отстранува јазол од графикот на знаење.

Визуелизација

Еве едноставна визуелизација на графикот на знаење користејќи Chart.js:

{
  "тип": "график",
  "податоци": {
    "јазли": [
      {"id": "agent1", "label": "Agent 1"},
      {"id": "agent2", "label": "Agent 2"},
      {"id": "agent3", "label": "Agent 3"},
      {"id": "база на податоци", "label": "база на податоци"},
      {"id": "API", "label": "API"},
      {"id": "IoT уред", "label": "IoT Device"}
    ],
    „рабови“: [
      {"извор": "agent1", "target": "база на податоци"},
      {"извор": "agent2", "target": "API"},
      {"извор": "agent3", "target": "IoT уред"},
      {"извор": "agent1", "target": "agent2"},
      {"извор": "agent2", "target": "agent3"}
    ]
  },
  "опции": {
    "распоред": {
      "тип": "кружен"
    },
    "јазли": {
      „големина“: 50
    },
    "рабови": {
      „ширина“: 2
    }
  }
}

Оваа визуелизација ги прикажува односите помеѓу агентите, околината и целите на системот.

Заклучок

Изградбата на софтверски системи за самолекување со архитектури за вештачка интелигенција со повеќе агенти и LangChain нуди моќно решение за обезбедување на доверливост, приспособливост и еластичност на сложените софтверски системи. Со дистрибуција на процесот на донесување одлуки низ повеќе агенти, овие системи можат да учат од искуството, да се прилагодат на променливите услови и брзо да закрепнат од грешките. Со LangChain, програмерите можат да изградат комплексни системи за вештачка интелигенција кои се интегрираат со широк опсег на извори на податоци, вклучувајќи бази на податоци, API и IoT уреди. Следејќи го примерот на кодот и користејќи ги првите 5-10 најкористени команди/парчиња, програмерите можат да изградат свои сопствени софтверски системи за самолекување со LangChain.

Изградба на софтверски системи за самолекување со мулти-агентни AI архитектури и LangChain

Have Questions?