Сайжруулсан хиймэл оюун ухаан агентын чадавхи бүхий бие даасан дэд бүтцийг зохион байгуулах: DSPy болон LangChain-тай DevOps-ийг хурдасгах техникийн гарын авлага.

Танилцуулга

Өнөөгийн хурдацтай хөгжиж буй дижитал ландшафтад дэд бүтцийн үр ашигтай, өргөтгөх боломжтой менежментийн хэрэгцээ урьд өмнө хэзээ ч ийм тулгамдсан байгаагүй. Үүлэнд суурилсан үйлчилгээний эрэлт хэрэгцээ өссөөр байгаа тул байгууллагууд DevOps үйл явцыг оновчтой болгохын тулд бие даасан дэд бүтцийн шийдлүүдэд хандаж байна. Энэ нийтлэлд бид дэд бүтцээ удирдах, автоматжуулах аргад хувьсгал хийж буй хамгийн сүүлийн үеийн хоёр хэрэгсэл болох DSPy болон LangChain-ийн чадавхийг судалж, хиймэл оюун ухаанаар ажилладаг дэд бүтцийн зохион байгуулалтын ертөнцийг судлах болно.

DevOps автоматжуулалтын сорилт

DevOps автоматжуулалт нь савлах, зохион байгуулахаас эхлээд хяналт, бүртгэл хийх хүртэл олон технологийн талаар гүнзгий ойлголт шаарддаг нарийн төвөгтэй ажил юм. Хэрэглээ, үйлчилгээний тоо өсөхийн хэрээр дэд бүтцийн нарийн төвөгтэй байдал нэмэгдэж, түүнийг удирдах, засвар үйлчилгээ хийхэд улам бүр төвөгтэй болж байна. DevOps автоматжуулалтын уламжлалт аргууд нь ихэвчлэн гарын авлагын скрипт болон тохиргоонд тулгуурладаг бөгөөд энэ нь алдаа, зөрчил, аюулгүй байдлын эмзэг байдалд хүргэдэг.

Хиймэл оюун ухаанаар ажилладаг дэд бүтцийн найрал хөгжмийн өсөлт

Хиймэл оюун ухаанаар ажилладаг дэд бүтцийн зохион байгуулалт нь DevOps автоматжуулалтын ертөнцөд тоглоомыг өөрчилдөг. AI агентууд машин сурах болон байгалийн хэлний боловсруулалтыг ашигласнаар нарийн төвөгтэй ажлуудыг автоматжуулж, асуудлыг урьдчилан таамаглах, урьдчилан сэргийлэх, нөөцийн ашиглалтыг оновчтой болгох боломжтой. DSPy болон LangChain нь энэ салбарт тэргүүлэгч хоёр хэрэгсэл бөгөөд байгууллагуудад DevOps процессыг хурдасгахад туслах олон төрлийн боломж, чадавхийг санал болгодог.

DSPy: Python дээр суурилсан хиймэл оюун ухааны зохион байгуулалтын хүрээ

DSPy нь Python-д суурилсан хиймэл оюун ухааны зохион байгуулалтын систем бөгөөд хөгжүүлэгчдэд хиймэл оюун ухаанаар ажилладаг дэд бүтцийн автоматжуулалтын шийдлүүдийг бий болгож, ашиглах боломжийг олгодог. DSPy-ийн тусламжтайгаар та өөрийн дэд бүтэцтэй харилцаж, даалгавруудыг автоматжуулж, бодит цагийн өгөгдөлд үндэслэн шийдвэр гаргах боломжтой AI агентуудыг бий болгож чадна. DSPy-ийн модульчлагдсан архитектур, урьдчилан бэлтгэсэн бүрэлдэхүүн хэсгүүдийн өргөн хүрээний номын сан нь үүнийг том хэмжээний дэд бүтцийн менежментэд тохиромжтой сонголт болгодог.

DSPy-ийн гол онцлогууд

Модульчлагдсан архитектур: DSPy-ийн модульчлагдсан архитектур нь танд дэд бүтэцтэйгээ харьцах боломжтой хиймэл оюун ухааны тусгай агентуудыг бүтээж, байрлуулах боломжийг олгодог.
** Өргөн хүрээний номын сан**: DSPy-ийн урьдчилан бүтээсэн бүрэлдэхүүн хэсгүүдийн өргөн хүрээний номын сан нь нарийн төвөгтэй ажлуудыг автоматжуулах, алдартай DevOps хэрэгслүүдтэй нэгтгэхэд хялбар болгодог.
Бодит цагийн өгөгдөл боловсруулах: DSPy-ийн бодит цагийн өгөгдөл боловсруулах чадвар нь хиймэл оюун ухааны агентуудад хамгийн сүүлийн үеийн өгөгдөл дээр үндэслэн шийдвэр гаргах боломжийг олгодог.

Энгийн DSPy кодын жишээ

Шинэ контейнер байршуулалтыг автоматжуулах DSPy кодын блокийн энгийн жишээ энд байна.

dspy импортлох

# AI агентийг тодорхойлох
агент = dspy.Agent()

# Контейнер байршуулах ажлыг тодорхойлох
даалгавар = dspy.Task(
    нэр = "Савыг байрлуулах",
    description="Үйлдвэрлэлийн орчинд шинэ контейнер байрлуулах",
    оролт=["контейнер_зураг", "контейнер_порт"],
    гаралт =["container_id"]
)

# Контейнер байршуулах скриптийг тодорхойлох
скрипт = dspy.Script(
    name="Container скриптийг байрлуулах",
    description="Үйлдвэрлэлийн орчинд шинэ контейнер байрлуулах",
    код="""
    #!/bin/bash
    docker run -d -p {container_port}:{container_port} {container_image}
    """
)

# Скриптийг даалгаварт хавсаргана
task.attach_script(скрипт)

# AI төлөөлөгчийн ажлын урсгалыг тодорхойлох
ажлын урсгал = dspy. Ажлын урсгал(
    name="Container Deployment Workflow",
    description="Шинэ контейнер байрлуулахыг автоматжуулах",
    даалгавар=[даалгавар]
)

# AI агентын тохиргоог тодорхойлох
config = dspy.Config(
    нэр = "Container Deployment Config",
    description="Сангель байршуулах AI агентыг тохируулах",
    оролт=["контейнер_зураг", "контейнер_порт"]
)

# AI агент үүсгэ
agent.create(ажлын урсгал, тохиргоо)

Энэхүү кодын блок нь үйлдвэрлэлийн орчинд шинэ контейнер байрлуулах ажлыг автоматжуулах энгийн AI агентийг тодорхойлдог. Агент нь савыг байрлуулахдаа урьдчилан бүтээгдсэн контейнер байршуулах скриптийг ашигладаг бөгөөд ажлын урсгал нь контейнерийн зураг болон портын оролтын параметрүүдийг хүлээн авахаар тохируулагдсан.

LangChain: Зэвэнд суурилсан хиймэл оюун ухааны зохион байгуулалтын хүрээ

LangChain нь Rust-д суурилсан хиймэл оюун ухааны зохион байгуулалтын тогтолцоо бөгөөд хөгжүүлэгчдэд хиймэл оюун ухаанаар ажилладаг дэд бүтцийн автоматжуулалтын шийдлүүдийг барьж, ашиглах боломжийг олгодог. LangChain-ийн тусламжтайгаар та өөрийн дэд бүтэцтэй харилцаж, даалгавруудыг автоматжуулж, бодит цагийн өгөгдөлд тулгуурлан шийдвэр гаргах боломжтой AI агентуудыг бий болгож чадна. LangChain-ийн модульчлагдсан архитектур, урьдчилан бэлтгэсэн бүрэлдэхүүн хэсгүүдийн өргөн хүрээний номын сан нь үүнийг том хэмжээний дэд бүтцийн менежментэд тохиромжтой сонголт болгодог.

LangChain-ийн гол онцлогууд

Модульчлагдсан архитектур: LangChain-ийн модульчлагдсан архитектур нь танд өөрийн дэд бүтэцтэй харилцах боломжтой хиймэл хиймэл оюун ухааны агентуудыг бүтээж, ашиглах боломжийг олгодог.
** Өргөн хүрээний номын сан**: LangChain-ийн урьдчилан бүтээсэн бүрэлдэхүүн хэсгүүдийн өргөн хүрээний номын сан нь нарийн төвөгтэй ажлуудыг автоматжуулах, алдартай DevOps хэрэгслүүдтэй нэгтгэхэд хялбар болгодог.
Бодит цагийн өгөгдөл боловсруулах: LangChain-ийн бодит цагийн өгөгдөл боловсруулах чадвар нь хиймэл оюун ухааны агентуудад хамгийн сүүлийн үеийн өгөгдөл дээр үндэслэн шийдвэр гаргах боломжийг олгодог.

Энгийн LangChain кодын жишээ

Шинэ контейнер байршуулалтыг автоматжуулдаг LangChain кодын блокийн энгийн жишээ энд байна.

langchain ашиглах::{Агент, Даалгавар, Скрипт, Ажлын урсгал, Тохиргоо};

// AI агентийг тодорхойлох
let agent = Agent::new();

// Контейнер байршуулах ажлыг тодорхойлох
даалгавар = Даалгавар::шинэ(
    "Савыг байрлуулах",
    "Үйлдвэрлэлийн орчинд шинэ сав байрлуулах",
    vec!["container_image", "container_port"],
    vec!["container_id"]
);

// Контейнер байршуулах скриптийг тодорхойлох
let script = Script::new(
    "Container скриптийг байрлуулах",
    "Үйлдвэрлэлийн орчинд шинэ сав байрлуулах",
    r#"
    #!/bin/bash
    docker run -d -p {container_port}:{container_port} {container_image}
    "#,
    vec!["container_image", "container_port"]
);

// Скриптийг даалгаварт хавсаргана
task.attach_script(script);

// AI агентын ажлын урсгалыг тодорхойлох
Let workflow = Ажлын урсгал::new(
    "Чиглүүр байршуулах ажлын урсгал",
    "Шинэ савыг байрлуулах ажлыг автоматжуулах",
    vec! [даалгавар]
);

// AI агентын тохиргоог тодорхойлно
let config = Config::new(
    "Контейнер байршуулах тохиргоо",
    "Хиймэл оюун санааны агентыг контейнер байршуулахад тохируулах",
    vec!["container_image", "container_port"]
);

// AI агент үүсгэх
agent.create(ажлын урсгал, тохиргоо);

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

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

DSPy

dspy.Agent().create(workflow, config): Заасан ажлын урсгал болон тохиргоотой шинэ AI агент үүсгэнэ.
dspy.Task().attach_script(script): AI агентын ажлын урсгал дахь даалгаварт скрипт хавсаргана.
dspy.Script().new(нэр, тайлбар, код): Заасан нэр, тайлбар, код бүхий шинэ скрипт үүсгэнэ.
dspy.Workflow().new(нэр, тайлбар, даалгавар): Заасан нэр, тайлбар, даалгавар бүхий шинэ ажлын урсгалыг үүсгэнэ.
dspy.Config().new(нэр, тайлбар, оролт): Заасан нэр, тайлбар, оролтын параметрүүдтэй шинэ тохиргоог үүсгэнэ.

LangChain

langchain::Agent::new(): Шинэ AI агент үүсгэнэ.
langchain::Task::new(нэр, тайлбар, оролт, гаралт): Заасан нэр, тайлбар, оролт, гаралт бүхий шинэ даалгавар үүсгэнэ.
langchain::Script::new(нэр, тайлбар, код, оролт): Заасан нэр, тайлбар, код болон оролтын параметрүүдтэй шинэ скрипт үүсгэнэ.
langchain::Workflow::new(нэр, тайлбар, даалгавар): Заасан нэр, тайлбар, даалгавар бүхий шинэ ажлын урсгалыг үүсгэнэ.
langchain::Config::new(нэр, тайлбар, оролт): Заасан нэр, тайлбар, оролтын параметрүүдтэй шинэ тохиргоог үүсгэнэ.

Дүрслэл

Chart.js ашиглан AI агентын ажлын урсгалын дүрслэлийг энд үзүүлэв.

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Контейнер байршуулах", "Даалгавар 1", "Даалгавар 2", "Даалгавар 3"],
    "өгөгдлийн багц": [
      {
        "label": "Ажлын урсгал",
        "өгөгдөл": [10, 5, 3, 2],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "хилийн өргөн": 1
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "AI агентын ажлын урсгал"
    },
    "масштаб": {
      "yAxes": [
        {
          "дэлгэц": үнэн,
          "scaleLabel": {
            "дэлгэц": үнэн,
            "labelString": "Даалгаврууд"
          }
        }
      ]
    }
  }
}

Энэхүү дүрслэл нь AI агентын ажлын явцыг харуулдаг бөгөөд ажил бүрийг баараар дүрсэлсэн байдаг. X тэнхлэг нь даалгавруудыг, y тэнхлэг нь даалгаврын тоог илэрхийлнэ.

Дүгнэлт

Энэ нийтлэлд бид хиймэл оюун ухаанаар ажилладаг дэд бүтцийн зохион байгуулалтын ертөнцийг судалж, энэ салбарт тэргүүлэх хоёр хэрэгсэл болох DSPy болон LangChain дээр анхаарлаа хандуулсан. Эдгээр хэрэгслийг нарийн төвөгтэй ажлуудыг автоматжуулах, асуудлыг урьдчилан таамаглах, урьдчилан сэргийлэх, нөөцийн ашиглалтыг оновчтой болгоход хэрхэн ашиглаж болохыг бид харсан. Модульчлагдсан архитектур, урьдчилан бүтээсэн бүрэлдэхүүн хэсгүүдийн өргөн хүрээний номын сангуудаараа DSPy болон LangChain нь томоохон хэмжээний дэд бүтцийн менежментэд тохиромжтой сонголт юм. Та DevOps-ийн туршлагатай мэргэжилтэн эсвэл дөнгөж эхэлж байгаа эсэхээс үл хамааран эдгээр хэрэгслүүд нь DevOps процессыг хурдасгаж, дэд бүтцийн менежментээ дараагийн түвшинд гаргахад тань туслах нь дамжиггүй.