** Искористување на Agentic AI за DevOps Automation со Kiro и LangChain**
Вовед
Во денешниот пејзаж за брз развој на софтвер, тимовите на DevOps постојано бараат начини да ја подобрат ефикасноста и доверливоста на нивните цевководи за континуирана интеграција и континуирано распоредување (CI/CD). Еден ветувачки пристап е да се искористи агенсната вештачка интелигенција, која овозможува создавање интелигентни агенти кои можат да ги автоматизираат и оптимизираат задачите на DevOps. Во оваа статија, ќе истражиме како да ги имплементираме агентите напојувани со вештачка интелигенција користејќи Kiro и LangChain, две најсовремени рамки кои го револуционизираат полето на автоматизацијата на DevOps.
Што е Agentic AI?
Агентската вештачка интелигенција се однесува на тип на вештачка интелигенција која е дизајнирана да ги извршува задачите автономно, слично како човечки агент. Во контекст на DevOps, агенсната вештачка интелигенција може да се користи за автоматизирање на задачите како што се градење, тестирање и распоредување софтверски апликации. Со користење на техниките за машинско учење и обработка на природен јазик (NLP), агентите со вештачка интелигенција можат да учат од искуство и да се прилагодат на променливите средини, што ги прави идеални за сложени и динамични работни текови на DevOps.
Воведување на Kiro и LangChain
Kiro и LangChain се две рамки со отворен код кои се специјално дизајнирани за градење на агенциски системи за вештачка интелигенција. Kiro е рамка базирана на Rust која обезбедува робусна и скалабилна платформа за градење интелигентни агенти, додека LangChain е рамка базирана на Python која се фокусира на NLP и разбирање на јазикот.
** Киро: Рамка заснована на 'рѓа за градење интелигентни агенти**
Kiro е модерна рамка базирана на Rust која обезбедува сеопфатна платформа за градење интелигентни агенти. Со Kiro, програмерите можат да креираат агенти кои можат да комуницираат со различни системи, услуги и извори на податоци и да извршуваат задачи како што се:
- Автоматизирање на работните текови и процеси
- Анализирање на податоци и донесување одлуки
- Комуникација со луѓе и други системи
Архитектурата на Kiro е дизајнирана да биде многу скалабилна и флексибилна, што го прави идеален избор за големи проекти за автоматизација на DevOps.
LangChain: Рамка заснована на Python за НЛП и јазично разбирање
LangChain е рамка базирана на Python која се фокусира на НЛП и разбирање на јазикот. Со LangChain, програмерите можат да создадат агенти кои можат да разберат и генерираат јазик сличен на човекот и да извршуваат задачи како што се:
- Обработка на природен јазик (НЛП)
- Анализа на текст и анализа на чувствата
- Превод и генерирање на јазици
Архитектурата на LangChain е дизајнирана да биде многу модуларна и растеглива, што го прави идеален избор за градење сопствени NLP и способности за разбирање јазик.
Имплементирање агенти напојувани со вештачка интелигенција со Kiro и LangChain
За да ја демонстрираме моќта на Kiro и LangChain, да разгледаме едноставен пример за изградба на агент напојуван со вештачка интелигенција кој автоматизира цевковод CI/CD. Во овој пример, ќе го користиме Kiro за да создадеме агент кој може да комуницира со складиштето на Git, да го изгради и тестира кодот и да ја распореди апликацијата на платформа за облак.
Еве едноставен блок со код кој покажува како да креирате Kiro агент кој го автоматизира цевководот CI/CD:
увоз киро
од langchain увоз LLAMA
агент = киро.Агент(
име = "ci_cd_agent",
опис "Автоматизира CI/CD гасоводот",
акции=[
kiro.Action(
име = "git_clone",
опис "Клонира складиштето Git",
код """
увоз git
repo = git.Repo.clone ("https://github.com/user/repo.git")
"""
),
kiro.Action(
име = "изградба",
опис "Го гради кодот",
код """
увозен потпроцес
subprocess.run (["make", "build"])
"""
),
kiro.Action(
име = "тест",
опис "Ги извршува тестовите",
код """
увозен потпроцес
subprocess.run(["make", "test"])
"""
),
kiro.Action(
име = "распоред",
опис "Ја распоредува апликацијата",
код """
увозен потпроцес
subprocess.run (["make", "deploy"])
"""
)
]
)
# Создадете LangChain LLAMA модел
лама = LLAMA (
име = "лама_модел",
опис "LLAMA модел за разбирање јазик",
код """
увозен лангсин
model = langchain.LLAMA(
име = "лама_модел",
опис "LLAMA модел за разбирање јазик",
код """
увозен лангсин
model = langchain.LLAMA(
име = "лама_модел",
опис "LLAMA модел за разбирање јазик",
код """
def process_text(текст):
# Обработете го текстот користејќи го моделот LLAMA
врати текст
"""
)
"""
)
"""
)
# Создадете Kiro агент кој го користи моделот LangChain LLAMA
агент = киро.Агент(
име = "ci_cd_agent",
опис "Автоматизира CI/CD гасоводот",
акции=[
kiro.Action(
име = "git_clone",
опис "Клонира складиштето Git",
код """
увоз git
repo = git.Repo.clone ("https://github.com/user/repo.git")
"""
),
kiro.Action(
име = "изградба",
опис "Го гради кодот",
код """
увозен потпроцес
subprocess.run (["make", "build"])
"""
),
kiro.Action(
име = "тест",
опис "Ги извршува тестовите",
код """
увозен потпроцес
subprocess.run(["make", "test"])
"""
),
kiro.Action(
име = "распоред",
опис "Ја распоредува апликацијата",
код """
увозен потпроцес
subprocess.run (["make", "deploy"])
"""
)
],
јазик_модел=лама
)
# Стартувај го агентот
agent.run()
Овој коден блок покажува како да се создаде Kiro агент кој автоматизира CI/CD гасоводот користејќи го моделот LangChain LLAMA за разбирање јазик. Агентот може да комуницира со складиштето на Git, да го изгради и тестира кодот и да ја распореди апликацијата на облак платформа.
** Топ 5-10 најкористени команди/парчиња**
Еве ги првите 5-10 најкористени команди/парчиња за Kiro и LangChain:
kiroutil init: Иницијализира нов Киро проект.kiroutil build: Гради Kiro агент.langchain init: Иницијализира нов проект LangChain.langchain build: Гради LangChain модел.kiroutil run: Води агент на Kiro.langchain тест: Тестира модел на LangChain.kiroutil deploy: распоредува Kiro агент на облак платформа.langchain оценува: Оценува LangChain модел.kiroutil debug: Дебагира агент на Kiro.langchain visualize: Визуализира модел на LangChain.
Визуелизација
Еве визуелизација на архитектурата Kiro и LangChain користејќи Chart.js:
{
"тип": "бар",
"податоци": {
"етикети": ["Kiro", "LangChain"],
"збирки на податоци": [
{
"етикета": "Архитектура",
"податоци": [100, 80],
„Боја на позадина“: [„#4CAF50“, „#FF9800“]
}
]
},
"опции": {
"наслов": {
„екран“: точно,
„текст“: „Архитектура Киро и ЛангЧејн“
},
"легенда": {
„приказ“: точно
}
}
}
Оваа визуелизација ја демонстрира архитектурата на високо ниво на Kiro и LangChain, истакнувајќи ги нивните соодветни јаки и слаби страни.
Заклучок
Во оваа статија, ја истраживме моќта на агенсната вештачка интелигенција за автоматизација на DevOps користејќи Kiro и LangChain. Со користење на овие најсовремени рамки, програмерите можат да создадат интелигентни агенти кои можат да ги автоматизираат и оптимизираат цевките за CI/CD, подобрувајќи ја ефикасноста на испораката на софтверот и намалувајќи го ризикот од грешки. Со Kiro и LangChain, програмерите можат да креираат сопствени NLP и способности за разбирање јазик и да комуницираат со различни системи, услуги и извори на податоци. Обезбедивме и едноставен блок со код кој покажува како да се создаде Kiro агент кој автоматизира CI/CD гасоводот користејќи го моделот LangChain LLAMA за разбирање јазик.