LangChain र DSPy सँग डिटरमिनिस्टिक टेस्ट स्वचालनमा एजेन्टिक एआई कार्यान्वयन गर्दै

परिचय

सफ्टवेयर प्रणालीहरूको बढ्दो जटिलताले परीक्षण स्वचालनलाई सफ्टवेयर विकासको महत्त्वपूर्ण पक्ष बनाएको छ। परम्परागत परीक्षण स्वचालन ढाँचाहरू लिपिबद्ध दृष्टिकोणहरूमा निर्भर हुन्छन्, जुन भंगुर र कायम राख्न गाह्रो हुन सक्छ। हालैका वर्षहरूमा, एजेन्टिक एआई र अर्केस्ट्रेशन उपकरणहरूको उदयले जटिल परीक्षण परिदृश्यहरू स्वचालित गर्नका लागि नयाँ सम्भावनाहरू खोलेको छ। यस लेखमा, हामी LangChain र DSPy प्रयोग गरेर जटिल परीक्षण परिदृश्यहरू स्वचालित गर्न एजेन्टिक एआई, अर्केस्ट्रेशन उपकरणहरू, र सफ्टवेयर इन्जिनियरिङको प्रतिच्छेदन अन्वेषण गर्नेछौं।

एजेन्टिक एआई के हो?

Agentic AI ले एक प्रकारको कृत्रिम बुद्धिमत्तालाई जनाउँछ जुन प्रयोगकर्ता वा प्रणालीको तर्फबाट कार्यहरू गर्न डिजाइन गरिएको हो। एजेन्टिक एआई प्रणालीहरू निर्णयहरू गर्न, अनुभवबाट सिक्न र नयाँ परिस्थितिहरूमा अनुकूलन गर्न सक्षम छन्। परीक्षण स्वचालनको सन्दर्भमा, एजेन्टिक एआईलाई प्रयोगकर्ता अन्तरक्रियाहरू सिमुलेट गरेर, परीक्षण डेटामा आधारित निर्णयहरू गरेर, र परिक्षण परिस्थितिहरू परिवर्तन गर्न अनुकूलन गरेर जटिल परीक्षण परिदृश्यहरू स्वचालित गर्न प्रयोग गर्न सकिन्छ।

LangChain के हो?

LangChain एक खुला स्रोत अर्केस्ट्रेशन उपकरण हो जसले विकासकर्ताहरूलाई Python, Rust, र Go सहित विभिन्न प्रोग्रामिङ भाषाहरू प्रयोग गरेर जटिल AI प्रणालीहरू निर्माण गर्न अनुमति दिन्छ। LangChain ले एक लचिलो र मोड्युलर वास्तुकला प्रदान गर्दछ जसले विकासकर्ताहरूलाई परिष्कृत AI प्रणालीहरू निर्माण गर्न प्राकृतिक भाषा प्रशोधन (NLP) र कम्प्युटर दृष्टि जस्ता विभिन्न AI कम्पोनेन्टहरू एकीकृत गर्न सक्षम बनाउँछ।

DSPy भनेको के हो?

DSPy एक पाइथन पुस्तकालय हो जसले AI प्रणालीहरू निर्माण र प्रयोग गर्नका लागि उपकरणहरूको सेट प्रदान गर्दछ। DSPy लाई LangChain सँग निर्बाध रूपमा काम गर्न डिजाइन गरिएको हो र यसले डेटा प्रशोधन, मेसिन लर्निङ, र गहिरो सिकाइ सहित सुविधाहरूको दायरा प्रदान गर्दछ।

निर्धारित परीक्षण स्वचालनमा एजेन्टिक एआई कार्यान्वयन गर्दै

एजेन्टिक AI लाई निर्धारणात्मक परीक्षण स्वचालनमा लागू गर्न, हामी LangChain र DSPy को परीक्षण स्वचालन ढाँचा निर्माण गर्न प्रयोग गर्न सक्छौं जसले प्रयोगकर्ताको अन्तरक्रियाको नक्कल गर्छ, परीक्षण डेटाको आधारमा निर्णय गर्छ, र परिक्षण अवस्थाहरू परिवर्तन गर्न अनुकूल हुन्छ।

यहाँ हामी कसरी LangChain र DSPy प्रयोग गर्न सक्छौं भन्ने एउटा सरल उदाहरण हो परीक्षण परिदृश्य स्वचालित गर्न: पाइथन langchain आयात गर्नुहोस् langchain.chains बाट LLMCchain आयात गर्नुहोस् langchain.llms बाट DSPyLLM आयात गर्नुहोस्

परीक्षण_दृश्य = { "user_input": "लगइन", "expected_output": "लगइन सफल" }

एजेन्टिक एआई एजेन्ट परिभाषित गर्नुहोस्

एजेन्ट = LLMCchain ( llm=DSPyLLM(), input_type="text", output_type="text" )

परीक्षण स्वचालन प्रकार्य परिभाषित गर्नुहोस्

def test_automation(test_senario): # प्रयोगकर्ता अन्तरक्रिया सिमुलेट गर्नुहोस् user_input = test_senario["user_input"] # परीक्षण डाटामा आधारित निर्णय गर्नुहोस् निर्णय = agent.run (user_input) # परिक्षण सर्तहरू परिवर्तन गर्न अनुकूलन गर्नुहोस् यदि निर्णय == "लगइन सफल": प्रिन्ट ("परीक्षा पास") अरु: प्रिन्ट ("परीक्षण असफल")

परीक्षण स्वचालन प्रकार्य चलाउनुहोस्

परीक्षण_स्वचालन (परीक्षण_दृश्य)

यस उदाहरणमा, हामी एक परीक्षण परिदृश्य परिभाषित गर्छौं जसमा प्रयोगकर्ता अन्तरक्रियाको नक्कल गर्ने, परीक्षण डेटाको आधारमा निर्णय लिने, र परिक्षण अवस्थाहरू परिवर्तन गर्न अनुकूलन गर्ने समावेश छ। त्यसपछि हामी LangChain र DSPy प्रयोग गरेर एजेन्टिक एआई एजेन्ट परिभाषित गर्छौं, र परीक्षण परिदृश्य स्वचालित गर्न प्रयोग गर्दछौं।

**शीर्ष ५-१० धेरै प्रयोग गरिएका आदेश/स्निपेटहरू**

यहाँ LangChain र DSPy को लागि शीर्ष 5-10 धेरै प्रयोग गरिएका आदेशहरू/स्निपेटहरू छन्:

1. `langchain.LLMCchain(llm=DSPyLLM())`: LangChain र DSPy प्रयोग गरेर एजेन्टिक AI एजेन्ट सिर्जना गर्दछ।
2. `DSPyLLM()`: DSPy LLM (ठूलो भाषा मोडेल) उदाहरण प्रारम्भ गर्दछ।
3. `LLMChain(input_type="text", output_type="text")`: पाठ इनपुट र आउटपुट प्रकारहरूको साथ एजेन्टिक एआई एजेन्ट सिर्जना गर्दछ।
4. `agent.run(user_input)`: प्रयोगकर्ता इनपुटको साथ Agentic AI एजेन्ट चलाउँछ।
5. `test_scenario = {"user_input": "लगइन", "expected_output": "लगइन सफल"}`: प्रयोगकर्ता इनपुट र अपेक्षित आउटपुटको साथ परीक्षण परिदृश्य परिभाषित गर्दछ।
6. `langchain.chains.LLMChain(llm=DSPyLLM())`: LangChain र DSPy प्रयोग गरेर एजेन्टिक AI एजेन्ट सिर्जना गर्दछ।
7. `DSPyLLM().predict(user_input)`: प्रयोगकर्ता इनपुटको साथ DSPy LLM को आउटपुटको भविष्यवाणी गर्छ।
8. `LLMChain(input_type="text", output_type="text").run(user_input)`: पाठ इनपुट र आउटपुट प्रकारहरूसँग एजेन्टिक AI एजेन्ट चलाउँछ।
9. `test_automation(test_scenario)`: परीक्षण स्वचालन प्रकार्य परीक्षण परिदृश्यको साथ चलाउँछ।
10. `langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input)`: प्रयोगकर्ता इनपुटको साथ Agentic AI एजेन्ट चलाउँछ।

**भिजुअलाइजेशन**

यहाँ Chart.js प्रयोग गरेर एजेन्टिक एआई एजेन्टको दृश्य छ:
``json
{
  "प्रकार": "पट्टी",
  "डेटा": {
    "labels": ["प्रयोगकर्ता इनपुट", "निर्णय", "अनुकूलन"],
    "डेटासेटहरू": [
      {
        "label": "एजेन्टिक एआई एजेन्ट",
        "डेटा": [१०, २०, ३०],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      }
    ]
  },
  "विकल्पहरू": {
    "शीर्षक": {
      "प्रदर्शन": सत्य,
      "text": "एजेन्टिक एआई एजेन्ट"
    },
    "तरामा": {
      "yAxes": [
        {
          "ticks": {
            "beginAtZero": सत्य
          }
        }
      ]
    }
  }
}

यो भिजुअलाइजेशनले एजेन्टिक एआई एजेन्टको कार्यसम्पादनलाई प्रयोगकर्ताको अन्तरक्रियाको नक्कल गर्ने, परीक्षण डाटाको आधारमा निर्णय गर्ने, र परिक्षण सर्तहरू परिवर्तन गर्न अनुकूलन गर्ने देखाउँछ।

निष्कर्ष

यस लेखमा, हामीले LangChain र DSPy प्रयोग गरेर जटिल परीक्षण परिदृश्यहरू स्वचालित गर्न एजेन्टिक AI, अर्केस्ट्रेशन उपकरणहरू, र सफ्टवेयर इन्जिनियरिङको प्रतिच्छेदन खोज्यौं। हामीले निर्धारणात्मक परीक्षण स्वचालनमा Agentic AI को एक साधारण उदाहरण लागू गर्यौं र LangChain र DSPy को लागि आदेश/स्निपेटहरूको दायरा प्रदान गर्यौं। हामीले Chart.js प्रयोग गरेर एजेन्टिक एआई एजेन्टको कार्यसम्पादनलाई पनि देख्यौं। एजेन्टिक एआई र अर्केस्ट्रेशन उपकरणहरू प्रयोग गरेर, विकासकर्ताहरूले परिष्कृत परीक्षण स्वचालन ढाँचाहरू निर्माण गर्न सक्छन् जसले प्रयोगकर्ता अन्तरक्रियाहरूको नक्कल गर्दछ, परीक्षण डेटामा आधारित निर्णयहरू लिन सक्छ, र परिक्षण अवस्थाहरू परिवर्तन गर्न अनुकूल हुन्छ।