Kiro агент үүсгэ | B4N1

Kiro агент үүсгэ

8 months ago · b4n1 Read time: 4 min

ЗероOps DevOps хувиргалт нь хиймэл оюун ухаанаар ажилладаг агентууд болон зохион байгуулалттай

Танилцуулга

DevOps-ийн хувьсгал нь програм хангамжийг хөгжүүлэх, байршуулах, засвар үйлчилгээ хийх аргыг өөрчилсөн. Гэсэн хэдий ч уламжлалт DevOps арга нь гар аргаар ихээхэн хүчин чармайлт, туршлага, цаг хугацаа шаарддаг. Хиймэл оюун ухаанаар ажилладаг агентууд болон зохион байгуулалтын хэрэгслүүд гарч ирснээр DevOps процессыг автоматжуулах боломжтой болсон нь ZeroOps гэсэн ойлголтыг бий болгосон. Энэ нийтлэлд бид DevOps практикийг ZeroOps болгон хувиргахад анхаарлаа төвлөрүүлж, Kiro агентууд болон LangChain зэрэг зохион байгуулалтын хэрэгслийг ашиглан хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтын хэрэгжилтийг судлах болно.

ZeroOps гэж юу вэ?

ZeroOps нь DevOps-д шинээр гарч ирж буй концепци бөгөөд хөгжүүлэлт, байршуулалтын үйл явцад гар аргаар оролцох хэрэгцээг арилгах зорилготой юм. ZeroOps нь хиймэл оюун ухаан болон машин сургалтыг ашигласнаар программуудыг автоматаар байршуулах, масштаблах, хянах боломжийг олгож, хүний ​​алдааны эрсдлийг бууруулж, үр ашгийг нэмэгдүүлдэг. ZeroOps-ийн эцсийн зорилго бол хүний ​​хамгийн бага оролцоо шаарддаг өөрийгөө эдгээх, өөрийгөө оновчтой болгох, өөрөө масштаблах системийг бий болгох явдал юм.

AI-ээр ажилладаг агентууд: ZeroOps-ийн түлхүүр

Хиймэл оюун ухаанаар ажилладаг агентууд нь даалгавруудыг автоматжуулах, шийдвэр гаргахад машин сургалтын алгоритмыг ашигладаг програм хангамжийн программ юм. DevOps-ийн хүрээнд хиймэл оюун ухаанаар ажилладаг агентуудыг програмын гүйцэтгэлийг хянах, гажуудлыг илрүүлэх, засах арга хэмжээ авахад ашиглаж болно. Kiro агентууд нь DevOps автоматжуулалтад ашиглаж болох хиймэл оюун ухаанаар ажилладаг агентуудын нэг төрөл юм.

Киро агентууд

Kiro агентууд нь DevOps автоматжуулалтад ашиглаж болох хиймэл оюун ухаанаар ажилладаг агентуудын нэг төрөл юм. Эдгээр нь програмуудыг байршуулах, масштаблах, хянах ажлыг автоматжуулахын тулд LangChain зэрэг зохион байгуулалтын хэрэгслүүдтэй ажиллахад зориулагдсан. Киро агентуудыг түүхэн өгөгдөлд сургаж хэв маяг, гажигийг мэдэж, мэдээлэлтэй шийдвэр гаргах, засч залруулах арга хэмжээ авах боломжтой.

LangChain: Оркестрийн хэрэгсэл

LangChain бол Kiro зэрэг хиймэл оюун ухаанаар ажилладаг агентуудыг ашиглан DevOps процессыг автоматжуулах боломжийг олгодог зохион байгуулалтын хэрэгсэл юм. Энэ нь байршуулах, масштаблах, хянах гэх мэт ажлуудыг автоматжуулах боломжтой хиймэл оюун ухаанаар ажилладаг агентуудыг бий болгож, ашиглах хүрээг бүрдүүлдэг. LangChain нь Python, Rust, Go зэрэг олон төрлийн програмчлалын хэлийг дэмждэг.

Киро болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтыг хэрэгжүүлэх

Kiro болон LangChain ашиглан хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтыг хэрэгжүүлэхийн тулд бид дараах алхмуудыг хийх хэрэгтэй.

  1. Kiro болон LangChain-г суулгах: Pip эсвэл өөрийн сонгосон багц менежер ашиглан Kiro болон LangChain-ийг суулгана уу.
  2. Киро агент үүсгэх: DevOps автоматжуулалтад ашиглаж болох Kiro агент үүсгэнэ үү. Энэ нь програмын гүйцэтгэлийг хянах, гажуудлыг илрүүлэх зэрэг агентын зан төлөвийг тодорхойлох явдал юм.
  3. Киро агентийг сургах: Загвар, гажигийг сурахын тулд Киро агентийг түүхэн өгөгдөлд сурга. Энэ нь агентад мэдээлэлтэй шийдвэр гаргах, засч залруулах арга хэмжээ авах боломжийг олгодог.
  4. LangChain-тэй нэгтгэх: DevOps процессыг автоматжуулахын тулд Kiro агентийг LangChain-тай нэгтгэнэ. Үүнд найруулагчийн ажлын урсгалыг тодорхойлж, агентийг даалгавруудыг гүйцэтгэх тохиргоог хийнэ.

Жишээ код: Киро агент үүсгэх

Киро агент үүсгэдэг Python дахь жишээ код блок энд байна:

импортын киро
langchain импортын LLMS-ээс


агент = киро.Агент(
    нэр = "миний_агент",
    зан байдал={
        "Гүйцэтгэлийг хянах": {
            "функц": "гүйцэтгэлийг хянах",
            "args": ["app_name", "босго"],
        },
        "гажиг_илрүүлэх": {
            "функц": "гажиг_илрүүлэх",
            "args": ["app_name", "босго"],
        },
    },
)

# Төлөөлөгчийг түүхэн өгөгдөл дээр сургах
agent.train(
    өгөгдөл=[
        {"app_name": "my_app", "performance": 90},
        {"app_name": "my_app", "performance": 80},
        {"app_name": "my_app", "performance": 70},
    ],
    босго=85,
)

# LangChain-тэй нэгтгэх
llms = LLMS(
    төлөөлөгч=агент,
    ажлын урсгал={
        "Гүйцэтгэлийг хянах": {
            "функц": "гүйцэтгэлийг хянах",
            "args": ["my_app", 85],
        },
        "гажиг_илрүүлэх": {
            "функц": "гажиг_илрүүлэх",
            "args": ["my_app", 85],
        },
    },
)

# Ажлын урсгалыг гүйцэтгэх
llms.execute()

Энэ код нь програмын гүйцэтгэлийг хянаж, гажуудлыг илрүүлдэг Kiro агент үүсгэдэг. Дараа нь энэ нь агентийг түүхэн өгөгдөл дээр сургаж, DevOps процессыг автоматжуулахын тулд LangChain-тай нэгтгэдэг.

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

Kiro болон LangChain-д хамгийн их ашиглагддаг 5-10 тушаал/хэсэг энд байна:

  1. Киро агент үүсгэх: kiro.Agent(name="my_agent", behavior={"монитор_гүйцэтгэл": {"function": "monitor_performance", "args": ["app_name", "threshold"]}})
  2. Киро агентийг сургах: agent.train(data=[{"app_name": "my_app", "performance": 90}], threshold=85)
  3. LangChain-тай нэгтгэх: llms = LLMS(агент=агент, ажлын урсгал={"монитор_гүйцэтгэл": {"функц": "хяналтын_гүйцэтгэл", "args": ["my_app", 85]}})
  4. Ажлын урсгалыг гүйцэтгэх: llms.execute()
  5. Байгууллагын ажлын урсгалыг тодорхойлох нь: ажлын урсгал = {"хяналтын_гүйцэтгэл": {"функц": "хяналтын_гүйцэтгэл", "args": ["миний_апп", 85]}}
  6. Агентыг даалгавар гүйцэтгэхийн тулд тохируулах: `agent.configure({"function": "execute_task", "args": ["task_name"]})``
  7. Програмын гүйцэтгэлийг хянах: agent.monitor_performance(app_name="my_app", босго=85)
  8. Аномали илрүүлэх: agent.detect_anomaly(app_name="my_app", босго=85)
  9. Агентийн статусыг авах: agent.status()
  10. Агентийн бүртгэлийг авах: agent.logs()

Дүрслэл

Chart.js ашиглан DevOps дамжуулах хоолойн дүрслэлийг энд үзүүлэв:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Гүйцэтгэлийг хянах", "Аномали илрүүлэх", "Даалгаврыг гүйцэтгэх"],
    "өгөгдлийн багц": [
      {
        "label": "Агент",
        "өгөгдөл": [90, 80, 70],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "хилийн өргөн": 1
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "DevOps дамжуулах хоолой"
    },
    "масштаб": {
      "yAxes": [
        {
          "хачиг": {
            "beginAtZero": үнэн
          }
        }
      ]
    }
  }
}

Энэхүү дүрслэл нь Гүйцэтгэлийг хянах, Аномалийг илрүүлэх, Даалгаврыг гүйцэтгэх гэсэн гурван үе шаттай DevOps дамжуулах шугамыг харуулж байна. Агентын гүйцэтгэлийг баганан диаграм хэлбэрээр харуулдаг.

Дүгнэлт

Энэ нийтлэлд бид Kiro агентууд болон LangChain зэрэг зохион байгуулалтын хэрэгслийг ашиглан хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтын хэрэгжилтийг судалсан. Бид програмын гүйцэтгэлийг хянаж, гажуудлыг илрүүлдэг Kiro агентийг бүтээж, DevOps процессыг автоматжуулахын тулд LangChain-тай нэгтгэсэн. Бид мөн Chart.js ашиглан DevOps дамжуулах хоолойн дүрслэлийг өгсөн. ZeroOps-ийн эцсийн зорилго бол хүний ​​хамгийн бага оролцоо шаарддаг өөрийгөө эдгээх, өөрийгөө оновчтой болгох, өөрөө масштаблах системийг бий болгох явдал юм. AI болон машин сургалтыг ашигласнаар бид энэ зорилгодоо хүрч, DevOps практикийг ZeroOps болгон хувиргаж чадна.

Have Questions?

Let's Talk

Contact me on LinkedIn