Киро болон LangChain-тай DevOps автоматжуулалтад зориулсан Agentic AI-г ашиглах
Танилцуулга
Өнөөгийн хурдацтай хөгжиж буй програм хангамж хөгжүүлэлтийн орчинд DevOps-ийн багууд өөрсдийн тасралтгүй нэгтгэх, тасралтгүй байршуулах (CI/CD) дамжуулах хоолойн үр ашиг, найдвартай байдлыг сайжруулах арга замыг байнга хайж байдаг. Нэг ирээдүйтэй арга бол DevOps-ын даалгавруудыг автоматжуулж, оновчтой болгох ухаалаг агентуудыг бий болгох боломжийг олгодог агентын хиймэл оюун ухааныг ашиглах явдал юм. Энэ нийтлэлд бид DevOps автоматжуулалтын салбарт хувьсгал хийж буй хамгийн сүүлийн үеийн хоёр систем болох Kiro болон LangChain ашиглан хиймэл оюун ухаанаар ажилладаг агентуудыг хэрхэн хэрэгжүүлэх талаар судлах болно.
Agentic AI гэж юу вэ?
Agentic AI гэдэг нь хүний төлөөлөгч шиг бие даан даалгавруудыг гүйцэтгэхэд зориулагдсан хиймэл оюун ухааны төрлийг хэлдэг. DevOps-ийн хүрээнд агентын хиймэл оюун ухааныг програм хангамжийн програмуудыг бүтээх, турших, байрлуулах зэрэг ажлуудыг автоматжуулахад ашиглаж болно. AI агентууд машин суралцах болон байгалийн хэл боловсруулах (NLP) техникийг ашигласнаар туршлагаас суралцаж, өөрчлөгдөж буй орчинд дасан зохицож, тэднийг DevOps-ийн нарийн төвөгтэй, динамик ажлын урсгалд хамгийн тохиромжтой болгодог.
Киро болон ЛангЧайныг танилцуулж байна
Kiro болон LangChain нь AI системийг бий болгоход тусгайлан зориулагдсан хоёр нээлттэй эхийн хүрээ юм. Kiro нь Rust-д суурилсан бүтэц бөгөөд ухаалаг агентуудыг бий болгох хүчирхэг, өргөтгөх боломжтой платформыг өгдөг бол LangChain нь NLP болон хэлний ойлголтод анхаарлаа төвлөрүүлдэг Python-д суурилсан хүрээ юм.
Киро: Ухаалаг агентуудыг бий болгох зэвэнд суурилсан тогтолцоо
Kiro бол ухаалаг агентуудыг бий болгох цогц платформоор хангадаг орчин үеийн Rust-д суурилсан хүрээ юм. Kiro-ийн тусламжтайгаар хөгжүүлэгчид янз бүрийн систем, үйлчилгээ, мэдээллийн эх сурвалжтай харилцах агентуудыг үүсгэж, дараах ажлуудыг гүйцэтгэх боломжтой.
- Ажлын урсгал, үйл явцыг автоматжуулах
- Мэдээлэлд дүн шинжилгээ хийж, шийдвэр гаргах
- Хүмүүс болон бусад системүүдтэй харилцах
Kiro-ийн архитектур нь өндөр цар хүрээтэй, уян хатан байхаар бүтээгдсэн бөгөөд энэ нь DevOps автоматжуулалтын томоохон төслүүдэд тохиромжтой сонголт юм.
LangChain: NLP болон хэлний ойлголтод зориулсан Python-д суурилсан хүрээ
LangChain бол NLP болон хэлний ойлголтод төвлөрдөг Python-д суурилсан хүрээ юм. LangChain-ийн тусламжтайгаар хөгжүүлэгчид хүнтэй төстэй хэлийг ойлгож, үүсгэх чадвартай агентуудыг үүсгэж, дараах ажлуудыг гүйцэтгэх боломжтой.
- Байгалийн хэлний боловсруулалт (NLP)
- Текстийн шинжилгээ ба мэдрэмжийн шинжилгээ
- Хэлний орчуулга, төрөл
LangChain-ийн архитектур нь өндөр модульчлагдсан, өргөтгөх боломжтой байхаар бүтээгдсэн бөгөөд энэ нь NLP болон хэлийг ойлгох чадварыг бий болгоход тохиромжтой сонголт юм.
Киро болон LangChain-тай хиймэл оюун ухаанаар ажилладаг агентуудыг хэрэгжүүлэх
Kiro болон LangChain-ийн хүчийг харуулахын тулд CI/CD дамжуулах хоолойг автоматжуулдаг хиймэл оюун ухаанаар ажилладаг агент бүтээх энгийн жишээг авч үзье. Энэ жишээнд бид Kiro-г ашиглан Git репозитортой харилцаж, кодыг бүтээж, турших, програмыг үүлэн платформ дээр байрлуулах боломжтой агент үүсгэх болно.
CI/CD дамжуулах хоолойг автоматжуулдаг Kiro агентийг хэрхэн үүсгэхийг харуулсан энгийн кодын блок энд байна.
импортын киро
langchain импортын LLAMA-аас
агент = киро.Агент(
нэр = "ci_cd_agent",
description="CI/CD дамжуулах хоолойг автоматжуулах",
үйлдлүүд=[
киро.Action(
нэр = "git_clone",
description="Git репозиторыг хуулбарлах",
код="""
git импортлох
репо = git.Repo.clone("https://github.com/user/repo.git")
"""
),
киро.Action(
нэр = "бүтээх",
description="Кодыг бүтээдэг",
код="""
импортын дэд процесс
subprocess.run(["хийх", "бүтээх"])
"""
),
киро.Action(
нэр = "туршилт",
description="Туршилтуудыг ажиллуулдаг",
код="""
импортын дэд процесс
subprocess.run(["хийх", "турших"])
"""
),
киро.Action(
нэр = "байрлуулах",
description="Програмыг байрлуулна",
код="""
импортын дэд процесс
subprocess.run(["хийх", "байруулах"])
"""
)
]
)
# LangChain LLAMA загварыг бий болгох
лама = LLAMA(
нэр = "лама_загвар",
description="Хэл ойлгох LLAMA загвар",
код="""
langchain импортлох
загвар = langchain.LLAMA(
нэр = "лама_загвар",
description="Хэл ойлгох LLAMA загвар",
код="""
langchain импортлох
загвар = langchain.LLAMA(
нэр = "лама_загвар",
description="Хэл ойлгох LLAMA загвар",
код="""
def process_text(текст):
# LLAMA загварыг ашиглан текстийг боловсруул
текстийг буцаах
"""
)
"""
)
"""
)
# LangChain LLAMA загварыг ашигладаг Kiro агент үүсгээрэй
агент = киро.Агент(
нэр = "ci_cd_agent",
description="CI/CD дамжуулах хоолойг автоматжуулах",
үйлдлүүд=[
киро.Action(
нэр = "git_clone",
description="Git репозиторыг хуулбарлах",
код="""
git импортлох
репо = git.Repo.clone("https://github.com/user/repo.git")
"""
),
киро.Action(
нэр = "бүтээх",
description="Кодыг бүтээдэг",
код="""
импортын дэд процесс
subprocess.run(["хийх", "бүтээх"])
"""
),
киро.Action(
нэр = "туршилт",
description="Туршилтуудыг ажиллуулдаг",
код="""
импортын дэд процесс
subprocess.run(["хийх", "турших"])
"""
),
киро.Action(
нэр = "байрлуулах",
description="Програмыг байрлуулна",
код="""
импортын дэд процесс
subprocess.run(["хийх", "байруулах"])
"""
)
],
хэл_загвар = лам
)
# Агентийг ажиллуул
agent.run()
Энэхүү кодын блок нь хэлийг ойлгоход зориулж LangChain LLAMA загварыг ашиглан CI/CD дамжуулах хоолойг автоматжуулдаг Kiro агентийг хэрхэн үүсгэхийг харуулж байна. Агент нь Git репозитортой харилцаж, кодыг бүтээж, туршиж, програмыг үүлэн платформ дээр байрлуулж болно.
Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг
Kiro болон LangChain-д хамгийн их ашиглагддаг 5-10 тушаал/хэсэг энд байна:
kiroutil init: Шинэ Kiro төслийг эхлүүлнэ.kiroutil build: Kiro агент бүтээдэг.langchain init: Шинэ LangChain төслийг эхлүүлнэ.langchain бүтээх: LangChain загварыг бүтээдэг.kiroutil run: Kiro агент ажиллуулдаг.langchain test: LangChain загварыг туршина.kiroutil deploy: Kiro агентыг үүлэн платформ дээр байрлуулна.langchain evaluate: LangChain загварыг үнэлдэг.kiroutil debug: Kiro агентийг дибаг хийдэг.langchain visualize: LangChain загварыг дүрсэлдэг.
Дүрслэл
Chart.js ашиглан Kiro болон LangChain архитектурын дүрслэлийг энд үзүүлэв.
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["Киро", "ЛангЧайн"],
"өгөгдлийн багц": [
{
"шошго": "Архитектур",
"өгөгдөл": [100, 80],
"backgroundColor": ["#4CAF50", "#FF9800"]
}
]
},
"сонголт": {
"гарчиг": {
"дэлгэц": үнэн,
"текст": "Киро ба ЛангЧайн архитектур"
},
"домог": {
"дэлгэц": үнэн
}
}
}
Энэхүү дүрслэл нь Kiro болон LangChain-ийн өндөр түвшний архитектурыг харуулж, тус тусын давуу болон сул талуудыг онцолж өгдөг.
Дүгнэлт
Энэ нийтлэлд бид Kiro болон LangChain ашиглан DevOps автоматжуулалтад зориулсан агент AI-ийн хүчийг судалсан. Хөгжүүлэгчид эдгээр хамгийн сүүлийн үеийн хүрээг ашигласнаар CI/CD дамжуулах хоолойг автоматжуулж, оновчтой болгож, програм хангамжийн хүргэлтийн үр ашгийг дээшлүүлж, алдааны эрсдлийг бууруулах боломжтой ухаалаг агентуудыг бий болгож чадна. Kiro болон LangChain-ийн тусламжтайгаар хөгжүүлэгчид NLP болон хэлийг ойлгох чадварыг бий болгож, янз бүрийн систем, үйлчилгээ, мэдээллийн эх сурвалжтай харилцах боломжтой. Мөн бид хэлийг ойлгоход зориулж LangChain LLAMA загварыг ашиглан CI/CD дамжуулах хоолойг автоматжуулдаг Kiro агентийг хэрхэн үүсгэхийг харуулсан энгийн кодын блокыг өгсөн.