ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସହିତ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍: ଚରମ ଡିଭୋପ୍ ଅଟୋମେସନ୍ ଏବଂ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ AI ଏଜେଣ୍ଟ ଏବଂ ଜେନେରେଟିଭ୍ ମଡେଲଗୁଡିକ ବ୍ୟବହାର କରିବା

ପରିଚୟ

ଆଜିର ଦ୍ରୁତ ଗତିଶୀଳ ଡିଜିଟାଲ୍ ଲ୍ୟାଣ୍ଡସ୍କେପରେ, ଦକ୍ଷ ଏବଂ ମାପନୀୟ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଚାହିଦା କେବେବି ଅଧିକ ହୋଇନାହିଁ | ପାରମ୍ପାରିକ DevOps ଅଭ୍ୟାସଗୁଡ଼ିକ ପ୍ରାୟତ man ମାନୁଆଲ୍ ବିନ୍ୟାସ ଏବଂ ସ୍କ୍ରିପ୍ଟିଂ ଉପରେ ନିର୍ଭର କରନ୍ତି, ଯାହା ତ୍ରୁଟି, ଅସଙ୍ଗତି ଏବଂ ବଟଲିନେକ୍ସକୁ ନେଇପାରେ | ଏହି ଚ୍ୟାଲେଞ୍ଜଗୁଡିକର ସମାଧାନ ପାଇଁ, ଆମେ ସ୍ autonomous ୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନର ଆବିର୍ଭାବର ସାକ୍ଷୀ ଅଟୁ, ଭିତ୍ତିଭୂମି ପରିଚାଳନାକୁ ସ୍ୱୟଂଚାଳିତ ଏବଂ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ AI ଏଜେଣ୍ଟ ଏବଂ ଜେନେରେଟିଭ୍ ମଡେଲଗୁଡିକୁ ବ୍ୟବହାର କରୁଥିବା ଏକ ପାରାଡିଗମ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ୍ ର ରୋମାଞ୍ଚକର ଦୁନିଆକୁ ଅନୁଧ୍ୟାନ କରିବୁ, ଦୁଇଟି ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନକ technologies ଶଳ ଯାହା ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପଦ୍ଧତିରେ ପରିବର୍ତ୍ତନ ଆଣେ |

ଷ୍ଟାକଗେନ୍ କ’ଣ?

ଷ୍ଟାକଜେନ୍ ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ, କ୍ଲାଉଡ୍-ଏଗ୍ନୋଷ୍ଟିକ୍ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପ୍ଲାଟଫର୍ମ ଯାହା ସ୍ healing ୟଂ ଆରୋଗ୍ୟ, ସ୍-ମାପିବା ଏବଂ ସ୍ୱ-ଅପ୍ଟିମାଇଜ୍ ଭିତ୍ତିଭୂମି ଷ୍ଟାକ୍ ସୃଷ୍ଟି କରିବାରେ ସକ୍ଷମ କରେ | ଏକ ମଡ୍ୟୁଲାର୍, ବିସ୍ତାରିତ ସ୍ଥାପତ୍ୟର ଉପରେ ନିର୍ମିତ, ଷ୍ଟାକଜେନ୍ ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ, ଘୋଷିତ ବାକ୍ୟବିନ୍ୟାସ ବ୍ୟବହାର କରି ବିକାଶକାରୀଙ୍କୁ ଭିତ୍ତିଭୂମି ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ ଅନୁମତି ଦିଏ | ଏହି ବାକ୍ୟବିନ୍ୟାସ ତାପରେ କାର୍ଯ୍ୟକ୍ଷମ ଭିତ୍ତିଭୂମି ଯୋଗାଣ ଏବଂ ପରିଚାଳନା କାର୍ଯ୍ୟରେ ଅନୁବାଦ କରାଯାଇଥାଏ, ଯାହା ଏକ ଦୃ ust, ବଣ୍ଟିତ ଇଞ୍ଜିନ୍ ଦ୍ୱାରା କାର୍ଯ୍ୟକାରୀ ହୋଇଥାଏ |

ଲାଙ୍ଗ୍ ଚେନ୍ କ’ଣ?

ଲ୍ୟାଙ୍ଗ ଚେନ୍ ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା AI ଏଜେଣ୍ଟ, ଜେନେରେଟିଭ୍ ମଡେଲ୍ ଏବଂ ଅନ୍ୟାନ୍ୟ ମେସିନ୍ ଲର୍ନିଂ ଉପାଦାନଗୁଡ଼ିକୁ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମରେ ନିର୍ମାଣ ଏବଂ ଏକୀକରଣ ପାଇଁ ଏକୀକୃତ ଇଣ୍ଟରଫେସ୍ ପ୍ରଦାନ କରେ | LangChain କୁ ବ୍ୟବହାର କରି, ବିକାଶକାରୀମାନେ ଅତ୍ୟାଧୁନିକ AI- ଚାଳିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ତଥ୍ୟରୁ ଶିଖେ, ପରିବର୍ତ୍ତିତ ପରିବେଶ ସହିତ ଖାପ ଖୁଆଇଥାଏ ଏବଂ ସୂଚନାଯୋଗ୍ୟ ନିଷ୍ପତ୍ତି ନେଇଥାଏ | ଷ୍ଟାକଜେନ୍ ପ୍ରସଙ୍ଗରେ, ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ AI ଏଜେଣ୍ଟଗୁଡିକର ଏକୀକରଣକୁ ସକ୍ଷମ କରିଥାଏ ଯାହା ଭିତ୍ତିଭୂମି କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଶ୍ଳେଷଣ କରିପାରିବ, ଅସନ୍ତୁଷ୍ଟତାର ପୂର୍ବାନୁମାନ କରିପାରିବ ଏବଂ ଉତ୍କୃଷ୍ଟ ସିଷ୍ଟମ୍ ଆଚରଣ ବଜାୟ ରଖିବା ପାଇଁ ସଂଶୋଧନ କାର୍ଯ୍ୟ କରିପାରିବ |

ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ସହିତ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍

ଷ୍ଟାକଗେନ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନର ଶକ୍ତି ବର୍ଣ୍ଣନା କରିବାକୁ, ଆସନ୍ତୁ ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା | ଧରାଯାଉ ଆମେ ଏକ କ୍ଲାଉଡ୍ ଆଧାରିତ ଇ-କମର୍ସ ପ୍ଲାଟଫର୍ମ ନିର୍ମାଣ କରୁଛୁ ଯାହା ଏକ ମାପନୀୟ, ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ ଭିତ୍ତିଭୂମି ଷ୍ଟାକ ଆବଶ୍ୟକ କରେ | ଷ୍ଟାକଗେନ ବ୍ୟବହାର କରି, ଆମେ ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରିପାରିବା ଯାହା ନୋଡ ସଂଖ୍ୟା, ଉଦାହରଣ ପ୍ରକାର, ଏବଂ ନେଟୱର୍କ ବିନ୍ୟାସକରଣ ସହିତ ଇଚ୍ଛିତ ଭିତ୍ତିଭୂମି ଟପୋଲୋଜିକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରେ |

"ପାଇଥନ୍ |

ନାମ: ଇ-ବାଣିଜ୍ୟ-ପ୍ଲାଟଫର୍ମ | ବର୍ଣ୍ଣନା: ମାପନୀୟ ଇ-ବାଣିଜ୍ୟ ପ୍ଲାଟଫର୍ମ ଭିତ୍ତିଭୂମି | ସଂସ୍କରଣ: 1.0

ଉପାଦାନଗୁଡିକ:

• ନାମ: ୱେବ୍ ସର୍ଭର | ପ୍ରକାର: EC2 ଗୁଣ: ଉଦାହରଣ-ପ୍ରକାର: t2.micro ami: ami-abc123 | ସୁରକ୍ଷା-ଗୋଷ୍ଠୀ: [ୱେବ୍-ସର୍ଭର- sg]
• ନାମ: ଡାଟାବେସ୍ | ପ୍ରକାର: RDS | ଗୁଣ: ଉଦାହରଣ-ପ୍ରକାର: db.t2.micro | ଇଞ୍ଜିନ୍: ପୋଷ୍ଟଗ୍ରେସ୍ | ଡାଟାବେସ୍-ନାମ: ଇ-ବାଣିଜ୍ୟ- db | ଉପଯୋଗକର୍ତ୍ତା ନାମ: ଇ-ବାଣିଜ୍ୟ-ଉପଭୋକ୍ତା | ପାସୱାର୍ଡ: ଇ-ବାଣିଜ୍ୟ-ପାସୱାର୍ଡ |

ସମ୍ପର୍କ:

• ୱେବ୍ ସର୍ଭର -> ଡାଟାବେସ୍ | ``

ଏହି ଉଦାହରଣରେ, ଆମେ ଏକ ୱେବ୍ ସର୍ଭର ଏବଂ ଏକ ଡାଟାବେସ୍ କୁ ନେଇ ଏକ ସରଳ ଭିତ୍ତିଭୂମି ଷ୍ଟାକକୁ ବ୍ୟାଖ୍ୟା କରିଛୁ | "ଉପାଦାନଗୁଡିକ" ବିଭାଗ ସେମାନଙ୍କର ପ୍ରକାର, ଗୁଣ ଏବଂ ସମ୍ପର୍କକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି ବ୍ୟକ୍ତିଗତ ଉପାଦାନଗୁଡ଼ିକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରେ | "ସମ୍ପର୍କ" ବିଭାଗ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ସଂଯୋଗକୁ ବ୍ୟାଖ୍ୟା କରେ |

ପରବର୍ତ୍ତୀ ସମୟରେ, ଆମେ ଏକ AI ଏଜେଣ୍ଟକୁ ଏକୀକୃତ କରିବା ପାଇଁ ଲ୍ୟାଙ୍ଗଚେନ ବ୍ୟବହାର କରିବୁ ଯାହା ଭିତ୍ତିଭୂମି କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଶ୍ଳେଷଣ କରିପାରିବ ଏବଂ ଉତ୍କୃଷ୍ଟ ସିଷ୍ଟମ ଆଚରଣ ବଜାୟ ରଖିବା ପାଇଁ ସଂଶୋଧନ କାର୍ଯ୍ୟ ଗ୍ରହଣ କରିପାରିବ | ଆମେ ଏକ ସରଳ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବୁ ଯାହା CPU ବ୍ୟବହାର ଉପରେ ନଜର ରଖେ ଏବଂ ସେହି ଅନୁଯାୟୀ ଇନଷ୍ଟାଣ୍ଟ ପ୍ରକାରଗୁଡିକ ଆଡଜଷ୍ଟ କରେ |

"ପାଇଥନ୍ |

LangChain AI ଏଜେଣ୍ଟ କୋଡ୍ (ai_agent.py)

langchain ଆମଦାନି କରନ୍ତୁ | langchain.agents ରୁ BaseAgent ଆମଦାନୀ କରେ |

ଶ୍ରେଣୀ ECommerceAgent (BaseAgent): def __init __ (ଆତ୍ମ, stackgen_config): self.stackgen_config = stackgen_config | self.cpu_utilization_threshold = 80 |

def monitor_infrastructure (self):
    # CPU ବ୍ୟବହାର ଉପରେ ନଜର ରଖନ୍ତୁ ଏବଂ ଉଦାହରଣ ପ୍ରକାରଗୁଡିକ ସଜାଡନ୍ତୁ |
    cpu_utilization = self.get_cpu_utilization ()
    ଯଦି cpu_utilization> self.cpu_utilization_threshold:
        self.adjust_instance_types ()

def adjust_instance_types (self):
    # CPU ବ୍ୟବହାର ଉପରେ ଆଧାର କରି ଉଦାହରଣ ପ୍ରକାରଗୁଡିକ ଆଡଜଷ୍ଟ କରନ୍ତୁ |
    ଉଦାହରଣ_ପ୍ରକାର = ସ୍ୱୟଂ। get_instance_types ()
    ଉଦାହରଣ_ ପ୍ରକାରରେ ଉଦାହରଣ_ ପ୍ରକାର:
        ଯଦି ଉଦାହରଣ_ପ୍ରକାର ['cpu_utilization']> self.cpu_utilization_threshold:
            ଉଦାହରଣ_ପ୍ରକାର ['ଉଦାହରଣ_ପ୍ରକାର'] = 't2.large'

AI ଏଜେଣ୍ଟକୁ StackGen ସହିତ ଏକୀକୃତ କର |

stackgen_config = load_yaml ('example.yaml') ai_agent = ECommerceAgent (stackgen_config) ai_agent.monitor_infrastructure () ``

ଏହି ଉଦାହରଣରେ, ଆମେ ଏକ ସରଳ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିଛୁ ଯାହା CPU ବ୍ୟବହାର ଉପରେ ନଜର ରଖେ ଏବଂ ସେହି ଅନୁଯାୟୀ ଇନଷ୍ଟାଣ୍ଟ ପ୍ରକାରଗୁଡିକ ସଜାଡିଥାଏ | ଆମେ “langchain” ଲାଇବ୍ରେରୀ ବ୍ୟବହାର କରି StackGen ସହିତ AI ଏଜେଣ୍ଟକୁ ଏକୀକୃତ କରିଛୁ, ଯାହା AI ଏଜେଣ୍ଟ ଗଠନ ଏବଂ ଏକୀକରଣ ପାଇଁ ଏକୀକୃତ ଇଣ୍ଟରଫେସ୍ ପ୍ରଦାନ କରେ |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

StackGen ଏବଂ LangChain ପାଇଁ ସାଧାରଣତ used ବ୍ୟବହୃତ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ଗୁଡିକ ଏଠାରେ ଅଛି:

1। ** StackGen ବିନ୍ୟାସ ଫାଇଲ **: stackgen config example.yaml 2। ** LangChain AI ଏଜେଣ୍ଟ କୋଡ୍ **: "langchain ai_agent.py" | 3। ** AI ଏଜେଣ୍ଟକୁ StackGen ସହିତ ଇଣ୍ଟିଗ୍ରେଟ୍ କର 4। ** ଭିତ୍ତିଭୂମି ଉପରେ ନଜର ରଖନ୍ତୁ **: "ai_agent.monitor_infrastructure ()" | 5। ** ଇନଷ୍ଟାନ୍ସ ପ୍ରକାରଗୁଡିକ ଆଡଜଷ୍ଟ୍ କରନ୍ତୁ **: ai_agent.adjust_instance_types () 6। ** CPU ବ୍ୟବହାର ପ୍ରାପ୍ତ କରନ୍ତୁ **: ai_agent.get_cpu_utilization () 7। ** ଇନଷ୍ଟାନ୍ସ ପ୍ରକାରଗୁଡିକ ପ୍ରାପ୍ତ କରନ୍ତୁ **: ai_agent.get_instance_types () 8। ** YAML ବିନ୍ୟାସ ଫାଇଲ୍ ଲୋଡ୍ କରନ୍ତୁ **: load_yaml ('example.yaml') 9। ** YAML ବିନ୍ୟାସ ଫାଇଲକୁ ସଂରକ୍ଷଣ କରନ୍ତୁ **: save_yaml ('example.yaml', stackgen_config) 10। ** ଭିତ୍ତିଭୂମି ଟପୋଲୋଜି ଭିଜୁଆଲ୍ କରନ୍ତୁ **: stackgen visualize example.yaml |

ଭିଜୁଆଲାଇଜେସନ୍

ଭିତ୍ତିଭୂମି ଟପୋଲୋଜିକୁ ଭିଜୁଆଲ୍ କରିବାକୁ, ଷ୍ଟାକଜେନ୍ ବିନ୍ୟାସ ଫାଇଲ ଉପରେ ଆଧାର କରି ଏକ ଗ୍ରାଫ୍ ପ୍ରଦାନ କରିବାକୁ ଆମେ “ଗ୍ରାଫ୍ଭିଜ୍” ପରି ଏକ ଲାଇବ୍ରେରୀ ବ୍ୟବହାର କରିପାରିବା |

"ଚାର୍ଟ { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ୱେବ୍ ସର୍ଭର", "ଡାଟାବେସ୍"], "ଡାଟାବେସ୍": [ { "label": "CPU ବ୍ୟବହାର", "ଡାଟା": [80, 90], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["rgba (255, 99, 132, 0.2)", "rgba (54, 162, 235, 0.2)"], "borderColor": ["rgba (255, 99, 132, 1)", "rgba (54, 162, 235, 1)"], "ସୀମା ଓସାର": [1, 1] } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "ଉପାଦାନ ଦ୍ୱାରା CPU ବ୍ୟବହାର" }, "ମାପ": { "yAxes": [ { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ସ୍କେଲ ଲେବଲ୍": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "labelString": "CPU ବ୍ୟବହାର (%)" } } ] } } } ``

ଏହି ଚାର୍ଟ ୱେବ୍ ସର୍ଭର ଏବଂ ଡାଟାବେସ୍ ଉପାଦାନଗୁଡ଼ିକର CPU ବ୍ୟବହାରକୁ ଭିଜୁଆଲ୍ କରିଥାଏ, ଭିତ୍ତିଭୂମି କାର୍ଯ୍ୟଦକ୍ଷତାର ଏକ ସ୍ପଷ୍ଟ ଦୃଶ୍ୟ ପ୍ରଦାନ କରିଥାଏ |

ସିଦ୍ଧାନ୍ତ

ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସହିତ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ହେଉଛି ଏକ ଶକ୍ତିଶାଳୀ ପାରାଦୀପ ଯାହା ସ୍ healing ୟଂ ଆରୋଗ୍ୟ, ସ୍-ମାପିବା ଏବଂ ସ୍ୱ-ଅପ୍ଟିମାଇଜ୍ ଭିତ୍ତିଭୂମି ଷ୍ଟାକ୍ ସୃଷ୍ଟି କରିବାରେ ସକ୍ଷମ କରେ | AI ଏଜେଣ୍ଟ ଏବଂ ଜେନେରେଟିଭ୍ ମଡେଲଗୁଡିକୁ ଉପଯୋଗ କରି, ବିକାଶକାରୀମାନେ ଭିତ୍ତିଭୂମି ପରିଚାଳନାକୁ ସ୍ୱୟଂଚାଳିତ ଏବଂ ଅପ୍ଟିମାଇଜ୍ କରିପାରିବେ, ତ୍ରୁଟି, ଅସଙ୍ଗତି ଏବଂ ବଟଲିନ୍କ୍ସ ହ୍ରାସ କରିପାରିବେ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ସେମାନଙ୍କର ସ୍ଥାପତ୍ୟ, ବିନ୍ୟାସ ଫାଇଲ ଏବଂ AI ଏଜେଣ୍ଟ ସଂଯୋଜନା ସହିତ ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ର ମ ics ଳିକ ଅନୁସନ୍ଧାନ କରିଛୁ | ଏହି ଟେକ୍ନୋଲୋଜିର ଶକ୍ତି ବର୍ଣ୍ଣନା କରିବାକୁ ଆମେ ବ୍ୟବହାରିକ ଉଦାହରଣ ଏବଂ କୋଡ୍ ସ୍ନିପେଟ୍ ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ | ଦକ୍ଷ ଏବଂ ମାପନୀୟ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଚାହିଦା ବ continues ିବାରେ ଲାଗିଛି, ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ଭବିଷ୍ୟତରେ DevOps ଏବଂ ଭିତ୍ତିଭୂମି ପରିଚାଳନାରେ ଏକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିବାକୁ ପ୍ରସ୍ତୁତ ଅଛନ୍ତି |