DSPy болон LangChain-тай DevOps дамжуулах хоолойд Agentic AI-г сайжруулсан ZeroOps-д зориулж зохион байгуулах
Танилцуулга
DevOps дамжуулах хоолойд хиймэл оюун ухааныг (AI) нэгтгэсэн нь програм хангамжийг хөгжүүлэх, турших, ашиглахад хувьсгал хийсэн. Бие даасан шийдвэр гаргах, арга хэмжээ авах боломжийг олгодог хиймэл оюун ухааны дэд хэсэг болох Agentic AI нь DevOps процессын үр ашиг, үр нөлөөг цаашид нэмэгдүүлэх боломжтой. Энэ нийтлэлд бид DSPy болон LangChain ашиглан DevOps дамжуулах хоолойд агентын хиймэл оюун ухааныг зохион байгуулах тухай ойлголтыг судалж, ZeroOps-д хүрэхэд энэ аргын ашиг тусын талаар ярилцах болно.
Agentic AI гэж юу вэ?
Agentic AI гэдэг нь хүний оролцоогүйгээр бие даан шийдвэр гаргах, үйлдэл хийх чадвартай хиймэл оюун ухааны төрлийг хэлдэг. Энэ нь дэвшилтэт машин сургалтын алгоритмууд, байгалийн хэлний боловсруулалт, танин мэдэхүйн архитектурыг ашиглах замаар хийгддэг. Agentic AI системүүд нь туршлагаас суралцаж, шинэ нөхцөл байдалд дасан зохицож, хүмүүстэй илүү байгалийн бөгөөд зөн совинтой харьцах боломжтой.
ZeroOps гэж юу вэ?
ZeroOps бол програм хангамж боловсруулах, байршуулах, засвар үйлчилгээ хийхэд хүний оролцоо шаардлагагүй болох зорилготой DevOps философи юм. Энэ нь автоматжуулалт, зохион байгуулалт, хиймэл оюун ухаанд суурилсан шийдвэр гаргалтыг ашиглах замаар хийгддэг. ZeroOps нь байгууллагуудад програм хангамжийг илүү хурдан, өндөр чанартай, бага зардлаар ашиглах боломжийг олгодог.
DevOps Pipelines дээр Agentic AI-г зохион байгуулах
DevOps дамжуулах хоолойд агентын хиймэл оюун ухааныг зохион байгуулахын тулд бид хиймэл оюун ухаанд суурилсан шийдвэр гаргах, арга хэмжээ авах үйл явцыг дамжуулах хоолойд нэгтгэх хэрэгтэй. Үүнийг хиймэл оюун ухаанд суурилсан програмуудыг бий болгох, ашиглах түгээмэл хоёр хүрээ болох DSPy болон LangChain ашиглан хийж болно.
DSPy
DSPy бол хиймэл оюун ухаанд суурилсан програмуудыг бүтээх, ашиглахад зориулагдсан Python хүрээ юм. Энэ нь өгөгдөл боловсруулах, машин сурах, байгалийн хэл боловсруулахад зориулсан багц хэрэгсэл, номын сангуудаар хангадаг. DSPy нь LangChain, FastAPI зэрэг алдартай хүрээтэй ажиллахад зориулагдсан.
LangChain
LangChain бол хиймэл оюун ухаанд суурилсан програмуудыг бүтээх, ашиглахад зориулагдсан Python хүрээ юм. Энэ нь байгалийн хэл боловсруулах, машин сурах, танин мэдэхүйн архитектурт зориулсан багц хэрэгсэл, номын сангуудаар хангадаг. LangChain нь DSPy, FastAPI зэрэг алдартай хүрээтэй ажиллахад зориулагдсан.
Техникийн хэрэгжилт
DSPy болон LangChain ашиглан DevOps дамжуулах хоолойд хиймэл оюун ухааныг зохион байгуулах техникийн хэрэгжилтийг харуулахын тулд энгийн жишээг авч үзье. Бид DevOps дамжуулах хоолойг ашиглан вэб програмыг байршуулахыг автоматжуулахыг хүсч байна гэж бодъё. Бид DSPy-г ашиглан програмын гүйцэтгэл, хэрэглэгчийн санал хүсэлт, системийн нөөц зэрэг хүчин зүйлс дээр үндэслэн оновчтой байршуулах стратегийг тодорхойлдог хиймэл оюун ухаанд суурилсан шийдвэр гаргах системийг бий болгох боломжтой.
dspy импортлох
langchain import LLM-ээс
def deployment_strategy(програмын_гүйцэтгэл, хэрэглэгчийн_санал хүсэлт, системийн_нөөц):
# DSPy ашиглан өгөгдөл боловсруулж шийдвэр гарга
өгөгдөл = dspy.Data(app_performance, user_feedback, system_resources)
шийдвэр = dspy.DecisionMaker(өгөгдөл)
# LangChain ашиглан байршуулах төлөвлөгөө гарга
llm = LLM("текст-давинчи-003")
plan = llm.generate_text(f"{app_performance}-г {хэрэглэгчийн_санал хүсэлт} болон {системийн_нөөц} нөөцөөр байршуулах")
буцах төлөвлөгөө
# DevOps дамжуулах хоолойг тодорхойлох
def дамжуулах хоолой(апп_гүйцэтгэл, хэрэглэгчийн_санал хүсэлт, системийн_нөөц):
# Дамжуулах хоолойг зохицуулахын тулд DSPy ашиглана уу
дамжуулах хоолой = dspy.Pipeline()
дамжуулах шугам.add_task(байрлуулах_стратеги, апп_гүйцэтгэл, хэрэглэгчийн_санал хүсэлт, системийн_нөөц)
pipeline.add_task(dspytasks.Deploy, plan)
# Дамжуулах хоолойг ажиллуул
pipeline.run()
# Дамжуулах хоолойг ажиллуул
дамжуулах хоолой(90, 4.5, 80)
Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг
DSPy болон LangChain-д зориулсан хамгийн их ашиглагддаг 5-10 тушаал/хэсэг:
dspy.Data(): Боловсруулалт болон шийдвэр гаргахад зориулсан өгөгдлийн объект үүсгэдэг.dspy.DecisionMaker(): Өгөгдөл болон контекст дээр үндэслэн шийдвэр гаргадаг.LLM.generate_text(): Оролтын сануулгууд дээр үндэслэн текст үүсгэдэг.dspytasks.Deploy(): Байршуулах төлөвлөгөөнд үндэслэн програмыг байрлуулна.dspy.Pipeline(): DevOps дамжуулах хоолойг зохион байгуулдаг.pipeline.add_task(): Дамжуулах хоолойд даалгавар нэмнэ.pipeline.run(): Дамжуулах хоолойг ажиллуулна.dspy.Data.process(): Шийдвэр гаргахад зориулж өгөгдлийг боловсруулдаг.dspy.DecisionMaker.decide(): Өгөгдөл болон контекст дээр үндэслэн шийдвэр гаргадаг.LLM.generate_text(prompt): Оролтын сануулгууд дээр үндэслэн текст үүсгэнэ.
Дүрслэл
Chart.js ашиглан хиймэл оюун ухаанд суурилсан DevOps дамжуулах хоолойн дүрслэлийг энд үзүүлэв:
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["Мэдээлэл боловсруулах", "Шийдвэр гаргах", "Байршуулах"],
"өгөгдлийн багц": [
{
"label": "Агентик AI",
"өгөгдөл": [10, 20, 30],
"backgroundColor": "rgba(255, 99, 132, 0.2)",
"borderColor": "rgba(255, 99, 132, 1)",
"хилийн өргөн": 1
}
]
},
"сонголт": {
"масштаб": {
"yAxes": [
{
"хачиг": {
"beginAtZero": үнэн
}
}
]
}
}
}
Энэхүү дүрслэл нь хиймэл оюун ухаанаар удирддаг DevOps дамжуулах хоолойн гурван үе шатыг харуулж байна: өгөгдөл боловсруулах, шийдвэр гаргах, байршуулах.
Дүгнэлт
Энэ нийтлэлд бид DSPy болон LangChain ашиглан DevOps дамжуулах хоолойд агентын хиймэл оюун ухааныг зохион байгуулах тухай ойлголтыг судалсан. Бид AI-д суурилсан шийдвэр гаргах системийг ашиглан вэб програмыг хэрхэн автоматжуулах энгийн жишээг үзүүлэв. Мөн бид Chart.js ашиглан хиймэл хиймэл оюун ухаанд суурилсан DevOps дамжуулах хоолойн дүрслэлийг үзүүлсэн. Агентлаг хиймэл оюун ухааныг DevOps системд нэгтгэснээр байгууллагууд ZeroOps-д хүрч, программ хангамжийг илүү хурдан, өндөр чанартай, бага зардлаар байршуулах боломжтой.