लँगचेन आणि DSPy सह निर्धारक चाचणी ऑटोमेशनमध्ये एजंटिक एआयची अंमलबजावणी करणे

परिचय

सॉफ्टवेअर सिस्टमच्या वाढत्या जटिलतेमुळे चाचणी ऑटोमेशन सॉफ्टवेअर डेव्हलपमेंटचा एक महत्त्वाचा पैलू बनला आहे. पारंपारिक चाचणी ऑटोमेशन फ्रेमवर्क स्क्रिप्टेड पध्दतींवर अवलंबून असतात, जे ठिसूळ आणि राखणे कठीण असू शकते. अलिकडच्या वर्षांत, एजंटिक एआय आणि ऑर्केस्ट्रेशन टूल्सच्या उदयाने जटिल चाचणी परिस्थिती स्वयंचलित करण्यासाठी नवीन शक्यता उघडल्या आहेत. या लेखात, आम्ही LangChain आणि DSPy वापरून जटिल चाचणी परिस्थिती स्वयंचलित करण्यासाठी Agentic AI, Orchestration Tools आणि Software Engineering च्या छेदनबिंदूचे अन्वेषण करू.

एजंटिक एआय म्हणजे काय?

Agentic AI म्हणजे कृत्रिम बुद्धिमत्तेचा एक प्रकार आहे जो वापरकर्त्याच्या किंवा सिस्टमच्या वतीने कृती करण्यासाठी डिझाइन केलेला आहे. एजंटिक एआय सिस्टम निर्णय घेण्यास, अनुभवातून शिकण्यास आणि नवीन परिस्थितींशी जुळवून घेण्यास सक्षम आहेत. चाचणी ऑटोमेशनच्या संदर्भात, Agentic AI चा वापर वापरकर्त्याच्या परस्परसंवादाचे अनुकरण करून, चाचणी डेटावर आधारित निर्णय घेऊन आणि बदलत्या चाचणी परिस्थितीशी जुळवून घेऊन जटिल चाचणी परिस्थिती स्वयंचलित करण्यासाठी वापरला जाऊ शकतो.

लँगचेन म्हणजे काय?

LangChain हे ओपन-सोर्स ऑर्केस्ट्रेशन टूल आहे जे विकसकांना Python, Rust आणि Go यासह विविध प्रोग्रामिंग भाषा वापरून जटिल AI सिस्टीम तयार करण्यास अनुमती देते. LangChain एक लवचिक आणि मॉड्यूलर आर्किटेक्चर प्रदान करते जे विकसकांना अत्याधुनिक AI प्रणाली तयार करण्यासाठी नैसर्गिक भाषा प्रक्रिया (NLP) आणि संगणक दृष्टी यासारखे विविध AI घटक एकत्रित करण्यास सक्षम करते.

DSPy म्हणजे काय?

DSPy ही एक पायथन लायब्ररी आहे जी एआय सिस्टम तयार करण्यासाठी आणि तैनात करण्यासाठी साधनांचा संच प्रदान करते. DSPy ला LangChain सह अखंडपणे काम करण्यासाठी डिझाइन केले आहे आणि डेटा प्रोसेसिंग, मशीन लर्निंग आणि डीप लर्निंग यासह अनेक वैशिष्ट्ये प्रदान करते.

निर्धारण चाचणी ऑटोमेशनमध्ये एजंटिक एआयची अंमलबजावणी करणे

निर्धारक चाचणी ऑटोमेशनमध्ये Agentic AI लागू करण्यासाठी, आम्ही वापरकर्त्याच्या परस्परसंवादाचे अनुकरण करणारी, चाचणी डेटावर आधारित निर्णय घेणारी आणि बदलत्या चाचणी परिस्थितीशी जुळवून घेणारी चाचणी ऑटोमेशन फ्रेमवर्क तयार करण्यासाठी LangChain आणि DSPy वापरू शकतो.

चाचणी परिस्थिती स्वयंचलित करण्यासाठी आम्ही LangChain आणि DSPy कसे वापरू शकतो याचे एक साधे उदाहरण येथे आहे: ``अजगर langchain आयात करा langchain.chains वरून LLMCchain आयात करा langchain.llms वरून DSPyLLM आयात करा

test_scenario = { "user_input": "लॉगिन", "expected_output": "लॉगिन यशस्वी" }

एजंटिक एआय एजंट परिभाषित करा

एजंट = एलएलएमचेन ( llm=DSPyLLM(), input_type="text", output_type="text" )

चाचणी ऑटोमेशन कार्य परिभाषित करा

def test_automation(test_senario): # वापरकर्ता परस्परसंवादाचे अनुकरण करा user_input = test_senario["user_input"] # चाचणी डेटावर आधारित निर्णय घ्या निर्णय = agent.run(user_input) # बदलत्या चाचणी परिस्थितीशी जुळवून घ्या जर निर्णय == "लॉगिन यशस्वी": प्रिंट ("चाचणी उत्तीर्ण") इतर: प्रिंट ("चाचणी अयशस्वी")

चाचणी ऑटोमेशन फंक्शन चालवा

चाचणी_ऑटोमेशन(चाचणी_परिदृश्य)

या उदाहरणामध्ये, आम्ही एक चाचणी परिस्थिती परिभाषित करतो ज्यामध्ये वापरकर्ता परस्परसंवादाचे अनुकरण करणे, चाचणी डेटावर आधारित निर्णय घेणे आणि बदलत्या चाचणी परिस्थितीशी जुळवून घेणे समाविष्ट आहे. त्यानंतर आम्ही LangChain आणि DSPy वापरून Agentic AI एजंट परिभाषित करतो आणि चाचणी परिस्थिती स्वयंचलित करण्यासाठी त्याचा वापर करतो.

**टॉप ५-१० सर्वाधिक वापरलेले कमांड/स्निपेट**

LangChain आणि DSPy साठी सर्वात जास्त वापरल्या जाणाऱ्या 5-10 कमांड/स्निपेट येथे आहेत:

1. `langchain.LLMCchain(llm=DSPyLLM())`: LangChain आणि DSPy वापरून एजंटिक एआय एजंट तयार करते.
2. `DSPyLLM()`: DSPy LLM (लार्ज लँग्वेज मॉडेल) उदाहरण आरंभ करते.
3. `LLMChain(input_type="text", output_type="text")`: मजकूर इनपुट आणि आउटपुट प्रकारांसह एजंटिक एआय एजंट तयार करते.
4. `agent.run(user_input)`: वापरकर्ता इनपुटसह Agentic AI एजंट चालवते.
5. `test_scenario = {"user_input": "login", "expected_output": "login successful"}`: वापरकर्ता इनपुट आणि अपेक्षित आउटपुटसह चाचणी परिस्थिती परिभाषित करते.
6. `langchain.chains.LLMChain(llm=DSPyLLM())`: LangChain आणि DSPy वापरून एजंटिक एआय एजंट तयार करते.
7. `DSPyLLM().predict(user_input)`: वापरकर्ता इनपुटसह DSPy LLM च्या आउटपुटचा अंदाज लावतो.
8. `LLMChain(input_type="text", output_type="text").run(user_input)`: मजकूर इनपुट आणि आउटपुट प्रकारांसह Agentic AI एजंट चालवते.
9. `test_automation(test_scenario)`: चाचणी ऑटोमेशन फंक्शन चाचणी परिस्थितीसह चालवते.
10. `langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input)`: वापरकर्ता इनपुटसह Agentic AI एजंट चालवते.

**व्हिज्युअलायझेशन**

Chart.js वापरून एजंटिक एआय एजंटचे व्हिज्युअलायझेशन येथे आहे:
``json
{
  "प्रकार": "बार",
  "डेटा": {
    "लेबल": ["वापरकर्ता इनपुट", "निर्णय", "अनुकूलन"],
    "डेटासेट": [
      {
        "label": "एजंटिक एआय एजंट",
        "डेटा": [१०, २०, ३०],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "बॉर्डर रुंदी": 1
      }
    ]
  },
  "पर्याय": {
    "शीर्षक": {
      "डिस्प्ले": खरे,
      "text": "एजंटिक एआय एजंट"
    },
    "स्केल्स": {
      "yAxes": [
        {
          "ticks": {
            "beginAtZero": खरे
          }
        }
      ]
    }
  }
}

हे व्हिज्युअलायझेशन एजंटिक एआय एजंटचे वापरकर्त्याच्या परस्परसंवादाचे अनुकरण करणे, चाचणी डेटावर आधारित निर्णय घेणे आणि बदलत्या चाचणी परिस्थितीशी जुळवून घेणे यामधील कार्यप्रदर्शन दर्शवते.

निष्कर्ष

या लेखात, आम्ही LangChain आणि DSPy वापरून जटिल चाचणी परिस्थिती स्वयंचलित करण्यासाठी Agentic AI, Orchestration Tools आणि Software Engineering च्या छेदनबिंदूचा शोध घेतला. आम्ही निर्धारक चाचणी ऑटोमेशनमध्ये Agentic AI चे एक साधे उदाहरण लागू केले आणि LangChain आणि DSPy साठी कमांड/स्निपेट्सची श्रेणी प्रदान केली. आम्ही Chart.js वापरून Agentic AI एजंटच्या कार्यप्रदर्शनाची कल्पना देखील केली. एजंटिक एआय आणि ऑर्केस्ट्रेशन टूल्सचा फायदा घेऊन, विकसक अत्याधुनिक चाचणी ऑटोमेशन फ्रेमवर्क तयार करू शकतात जे वापरकर्त्याच्या परस्परसंवादाचे अनुकरण करतात, चाचणी डेटावर आधारित निर्णय घेतात आणि बदलत्या चाचणी परिस्थितीशी जुळवून घेतात.