LangChain болон DSPy-тэй тодорхойлох туршилтын автоматжуулалтад Agentic AI-г нэвтрүүлэх
Танилцуулга
Програм хангамжийн системийн өсөн нэмэгдэж буй нарийн төвөгтэй байдал нь туршилтын автоматжуулалтыг програм хангамж хөгжүүлэх чухал тал болгож байна. Туршилтын автоматжуулалтын тогтолцоо нь хэврэг, засвар үйлчилгээ хийхэд хэцүү байдаг скрипт аргад тулгуурладаг. Сүүлийн жилүүдэд Agentic AI болон Orchestration Tools гарч ирсэн нь нарийн төвөгтэй туршилтын хувилбаруудыг автоматжуулах шинэ боломжийг нээж өгсөн. Энэ нийтлэлд бид LangChain болон DSPy ашиглан нарийн төвөгтэй туршилтын хувилбаруудыг автоматжуулахын тулд Agentic AI, Orchestration Tools, Software Engineering-ийн огтлолцлыг судлах болно.
Agentic AI гэж юу вэ?
Agentic AI гэдэг нь хэрэглэгч эсвэл системийн нэрийн өмнөөс үйлдэл хийх зориулалттай хиймэл оюун ухааны төрлийг хэлнэ. Agentic AI систем нь шийдвэр гаргах, туршлагаас суралцах, шинэ нөхцөл байдалд дасан зохицох чадвартай. Туршилтын автоматжуулалтын хүрээнд Agentic AI-ийг хэрэглэгчийн харилцан үйлчлэлийг дуурайж, туршилтын өгөгдөлд үндэслэн шийдвэр гаргах, өөрчлөгдөж буй туршилтын нөхцөлд дасан зохицох замаар тестийн нарийн төвөгтэй хувилбаруудыг автоматжуулахад ашиглаж болно.
LangChain гэж юу вэ?
LangChain нь Python, Rust, Go зэрэг програмчлалын төрөл бүрийн хэлийг ашиглан нарийн төвөгтэй хиймэл оюун ухааны системийг бий болгох боломжийг хөгжүүлэгчдэд олгодог нээлттэй эхийн Оркестржуулалтын хэрэгсэл юм. LangChain нь уян хатан, модульчлагдсан архитектурыг бий болгож, хөгжүүлэгчдэд байгалийн хэл боловсруулах (NLP) болон компьютерийн алсын хараа зэрэг хиймэл оюун ухааны янз бүрийн бүрэлдэхүүн хэсгүүдийг нэгтгэж, нарийн AI системийг бий болгох боломжийг олгодог.
DSPy гэж юу вэ?
DSPy бол хиймэл оюун ухааны системийг бий болгох, ашиглахад зориулсан багц хэрэгслээр хангадаг Python номын сан юм. DSPy нь LangChain-тэй саадгүй ажиллахаар бүтээгдсэн бөгөөд өгөгдөл боловсруулах, машин суралцах, гүнзгий суралцах зэрэг олон боломжуудыг хангадаг.
Агентик хиймэл оюун ухааныг тодорхойлох туршилтын автоматжуулалтад нэвтрүүлэх
Deterministic тестийн автоматжуулалтад Agentic AI-г хэрэгжүүлэхийн тулд бид LangChain болон DSPy-ийг ашиглан хэрэглэгчийн харилцан үйлчлэлийг дуурайлган, туршилтын өгөгдөлд үндэслэн шийдвэр гаргах, өөрчлөгдөж буй туршилтын нөхцөлд дасан зохицох туршилтын автоматжуулалтын тогтолцоог бий болгох боломжтой.
Туршилтын хувилбарыг автоматжуулахын тулд бид LangChain болон DSPy-г хэрхэн ашиглаж болох энгийн жишээ энд байна.
langchain импортлох
langchain.chains-аас LMChain импортлох
langchain.llms-аас DSPyLLM импортлох
тест_сценари = {
"user_input": "нэвтрэх",
"expected_output": "нэвтрэх амжилттай"
}
# Agentic AI агентийг тодорхойлох
агент = LMCchain(
llm=DSPyLLM(),
оролтын_төрөл = "текст",
гаралтын_төрөл = "текст"
)
# Туршилтын автоматжуулалтын функцийг тодорхойлох
def test_automation(туршилтын_хувилбар):
# Хэрэглэгчийн харилцан үйлчлэлийг дуурайх
user_input = test_scenario["хэрэглэгчийн_оролт"]
# Туршилтын мэдээлэлд үндэслэн шийдвэр гаргах
шийдвэр = agent.run(хэрэглэгчийн_оролт)
# Туршилтын нөхцөл өөрчлөгдөхөд дасан зохицох
хэрэв шийдвэр == "нэвтрэх амжилттай" бол:
хэвлэх("Туршилтад тэнцсэн")
өөр:
хэвлэх("Туршилт амжилтгүй болсон")
# Туршилтын автоматжуулалтын функцийг ажиллуул
туршилтын_автоматжуулалт(туршилтын_хувилбар)
Энэ жишээнд бид хэрэглэгчийн харилцан үйлчлэлийг дуурайлган хийх, туршилтын өгөгдөлд үндэслэн шийдвэр гаргах, өөрчлөгдөж буй туршилтын нөхцөлд дасан зохицох туршилтын хувилбарыг тодорхойлсон. Дараа нь бид LangChain болон DSPy ашиглан Agentic AI агентийг тодорхойлж, туршилтын хувилбарыг автоматжуулахад ашигладаг.
Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг
LangChain болон DSPy-д хамгийн их хэрэглэгддэг 5-10 тушаал/хэсэг энд байна:
langchain.LLMCain(llm=DSPyLLM()): LangChain болон DSPy ашиглан Agentic AI агент үүсгэнэ.DSPyLLM(): DSPy LLM (Том хэлний загвар) жишээг эхлүүлнэ.LLMCain(input_type="text", output_type="text"): Текст оруулах болон гаралтын төрлүүдтэй Agentic AI агентийг үүсгэнэ.agent.run(user_input): Agentic AI агентийг хэрэглэгчийн оролтоор ажиллуулдаг.test_scenario = {"хэрэглэгчийн_оролт": "нэвтрэх", "хүлээгдэж буй_гаралт": "нэвтрэх амжилттай"}: Хэрэглэгчийн оруулсан болон хүлээгдэж буй гаралт бүхий туршилтын хувилбарыг тодорхойлно.langchain.chains.LLMCain(llm=DSPyLLM()): LangChain болон DSPy ашиглан Agentic AI агент үүсгэнэ.DSPyLLM().predict(user_input): Хэрэглэгчийн оруулсан DSPy LLM-ийн гаралтыг урьдчилан таамаглана.LLMCain(input_type="text", output_type="text"). run(user_input): Agentic AI агентийг текст оруулах болон гаралтын төрлөөр ажиллуулдаг.test_automation(test_scenario): Туршилтын автоматжуулалтын функцийг туршилтын хувилбараар ажиллуулдаг.langchain.chains.LLMCain(llm=DSPyLLM()).run(user_input): Agentic AI агентийг хэрэглэгчийн оролтоор ажиллуулдаг.
Дүрслэл
Chart.js ашиглан Agentic AI агентын дүрслэлийг энд үзүүлэв:
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["Хэрэглэгчийн оролт", "Шийдвэр", "Дасан зохицох"],
"өгөгдлийн багц": [
{
"label": "Агентик AI агент",
"өгөгдөл": [10, 20, 30],
"backgroundColor": "rgba(255, 99, 132, 0.2)",
"borderColor": "rgba(255, 99, 132, 1)",
"хилийн өргөн": 1
}
]
},
"сонголт": {
"гарчиг": {
"дэлгэц": үнэн,
"текст": "Агентик AI агент"
},
"масштаб": {
"yAxes": [
{
"хачиг": {
"beginAtZero": үнэн
}
}
]
}
}
}
Энэхүү дүрслэл нь Agentic AI агентын хэрэглэгчийн харилцан үйлчлэлийг дуурайлган хийх, туршилтын өгөгдөлд үндэслэн шийдвэр гаргах, өөрчлөгдөж буй туршилтын нөхцөлд дасан зохицох чадварыг харуулдаг.
Дүгнэлт
Энэ нийтлэлд бид LangChain болон DSPy ашиглан нарийн төвөгтэй туршилтын хувилбаруудыг автоматжуулахын тулд Agentic AI, Orchestration Tools, Software Engineering-ийн огтлолцлыг судалсан. Бид Agentic AI-ийн энгийн жишээг детерминистик туршилтын автоматжуулалтад нэвтрүүлж, LangChain болон DSPy-д зориулсан олон тооны команд/сниппетүүдийг өгсөн. Бид мөн Chart.js ашиглан Agentic AI агентын гүйцэтгэлийг дүрсэлсэн. Хөгжүүлэгчид Agentic AI болон Orchestration Tools-ийг ашигласнаар хэрэглэгчийн харилцан үйлчлэлийг дуурайж, туршилтын өгөгдөл дээр үндэслэн шийдвэр гаргах, өөрчлөгдөж буй туршилтын нөхцөлд дасан зохицох нарийн төвөгтэй тестийн автоматжуулалтын тогтолцоог бий болгож чадна.