ପରିଚୟ

ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ବ complex ୁଥିବା ଜଟିଳତା AI- ଚାଳିତ ସ୍ଥାପତ୍ୟର ବିକାଶକୁ ଆଗେଇ ନେଇଛି ଯାହା ଏକାଧିକ AI ଏଜେଣ୍ଟକୁ ଦକ୍ଷତାର ସହିତ ପରିଚାଳନା ଏବଂ ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରିପାରିବ | LangChain ଏବଂ DSPy ହେଉଛି ଦୁଇଟି ଶକ୍ତିଶାଳୀ framework ାଞ୍ଚା ଯାହା AI ଏଜେଣ୍ଟ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପାଇଁ ଏକ ଦୃ ust ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରି ମାପନୀୟ ଏବଂ ସ୍ଥାୟୀ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲ୍ୟାଙ୍ଗଚେନ୍ ଏବଂ DSPy ବ୍ୟବହାର କରି AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର କାର୍ଯ୍ୟକାରିତାକୁ ଅନୁସନ୍ଧାନ କରିବୁ, ମାପନୀୟତା, ସ୍ଥିରତା ଏବଂ Ansible ଏବଂ AWS କିରୋ ପରି DevOps ଉପକରଣଗୁଡ଼ିକ ସହିତ ଏକୀକରଣ ଉପରେ ଧ୍ୟାନ ଦେଇ |

LangChain ଏବଂ DSPy କ’ଣ?

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ପାଇଥନ୍ framework ାଞ୍ଚା ଯାହା ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) କ ques ଶଳ ବ୍ୟବହାର କରି କଥାବାର୍ତ୍ତା AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ | ବିଭିନ୍ନ ପ୍ରୟୋଗ ଏବଂ ସେବା ସହିତ AI ଏଜେଣ୍ଟ ଗଠନ ଏବଂ ଏକୀକରଣ ପାଇଁ ଏହା ଏକ ସରଳ ଏବଂ ଅନ୍ତର୍ନିହିତ API ପ୍ରଦାନ କରେ |

ଅନ୍ୟପକ୍ଷରେ, DSPy ହେଉଛି ଏକ ରୁଷ୍ଟ-ଆଧାରିତ framework ାଞ୍ଚା ଯାହା AI ଏଜେଣ୍ଟ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପାଇଁ ଏକ ଉଚ୍ଚ-କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ମାପନୀୟ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରିଥାଏ | ଏକାଧିକ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ଏକୀଭୂତ କରିବା ପାଇଁ ଏକ ଦୃ ust ଏବଂ ନମନୀୟ ସ୍ଥାପତ୍ୟ ଯୋଗାଇ ଏହା ଜଟିଳ AI ପ୍ରଣାଳୀ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ |

LangChain ଏବଂ DSPy ବ୍ୟବହାର କରିବାର ଲାଭ |

AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟରେ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ର ବ୍ୟବହାର ଅନେକ ସୁବିଧା ପ୍ରଦାନ କରିଥାଏ, ଅନ୍ତର୍ଭୁକ୍ତ କରି:

• ** ମାପନୀୟତା **: ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy AI ଏଜେଣ୍ଟ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପାଇଁ ଏକ ଦୃ ust ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରି ମାପନୀୟ AI ସିଷ୍ଟମ୍ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ | ** **

LangChain ଏବଂ DSPy ସହିତ AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା |

LangChain ଏବଂ DSPy ବ୍ୟବହାର କରି AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ, ଆମେ ଏହି ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅନୁସରଣ କରିବା ଆବଶ୍ୟକ:

୧। 2। ** AI ଏଜେଣ୍ଟ୍ ସୃଷ୍ଟି କରନ୍ତୁ **: ଲାଙ୍ଗ୍ ଚେନ୍ ଏବଂ DSPy ବ୍ୟବହାର କରି AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ ଏବଂ ସେମାନଙ୍କୁ ବିଭିନ୍ନ ପ୍ରୟୋଗ ଏବଂ ସେବା ସହିତ ଏକୀକୃତ କରନ୍ତୁ | । ।।

ଉଦାହରଣ କୋଡ୍: LangChain ସହିତ ଏକ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବା |

"ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ |

ଏକ ଭାଷା ମଡେଲ୍ ସୃଷ୍ଟି କରନ୍ତୁ |

ମଡେଲ୍ = langchain.LMModel ("ଭାଷା_ମୋଡେଲ୍")

ଏକ କଥାବାର୍ତ୍ତା AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = langchain.ConversationalAgent (ମଡେଲ୍)

ଉପଭୋକ୍ତା ଇନପୁଟ୍ ପରିଚାଳନା କରିବାକୁ ଏକ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def handle_input (input_text): # ଉପଭୋକ୍ତା ଇନପୁଟ୍ ଉପରେ ପ୍ରତିକ୍ରିୟା କରିବାକୁ AI ଏଜେଣ୍ଟ ବ୍ୟବହାର କରନ୍ତୁ | ପ୍ରତିକ୍ରିୟା = ଏଜେଣ୍ଟ। ଉତ୍ତର (ଇନପୁଟ୍_ ଟେକ୍ସଟ୍) ଫେରସ୍ତ ପ୍ରତିକ୍ରିୟା

AI ଏଜେଣ୍ଟ ପରୀକ୍ଷା କରନ୍ତୁ |

input_text = "ନମସ୍କାର, ଆପଣ କେମିତି ଅଛନ୍ତି?" ପ୍ରତିକ୍ରିୟା = ହ୍ୟାଣ୍ଡେଲ_ ଇନପୁଟ୍ (ଇନପୁଟ୍_ ଟେକ୍ସଟ୍) ମୁଦ୍ରଣ (ପ୍ରତିକ୍ରିୟା) ``

ଉଦାହରଣ କୋଡ୍: DSPy ସହିତ AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଅର୍କେଷ୍ଟ୍ରିଟ୍ କରିବା |

"କଳଙ୍କ dspy :: {ଏଜେଣ୍ଟ, ଅର୍କେଷ୍ଟ୍ରେସନ୍} ବ୍ୟବହାର କରନ୍ତୁ;

// AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ | ଏଜେଣ୍ଟ 1 = ଏଜେଣ୍ଟ :: ନୂତନ ("ଏଜେଣ୍ଟ 1") ଦିଅନ୍ତୁ; ଏଜେଣ୍ଟ 2 = ଏଜେଣ୍ଟ :: ନୂତନ ("ଏଜେଣ୍ଟ 2") ଦିଅନ୍ତୁ;

// ଏକ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉଦାହରଣ ସୃଷ୍ଟି କରନ୍ତୁ | orchestration = Orchestration :: new ();

// ଅର୍କେଷ୍ଟ୍ରେସନ୍ରେ AI ଏଜେଣ୍ଟ୍ ଯୋଡନ୍ତୁ | orchestration.add_agent (ଏଜେଣ୍ଟ 1); orchestration.add_agent (ଏଜେଣ୍ଟ 2);

// ଉପଭୋକ୍ତା ଇନପୁଟ୍ ପରିଚାଳନା କରିବାକୁ ଏକ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | fn handle_input (input_text: String) -> String { // ଉପଭୋକ୍ତା ଇନପୁଟ୍ କୁ ପ୍ରତିକ୍ରିୟା କରିବାକୁ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉଦାହରଣ ବ୍ୟବହାର କରନ୍ତୁ | ପ୍ରତିକ୍ରିୟା = orchestration.respond (input_text) ଦିଅନ୍ତୁ; ପ୍ରତିକ୍ରିୟା }

// ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପରୀକ୍ଷା କରନ୍ତୁ | let input_text = "ନମସ୍କାର, ଆପଣ କେମିତି ଅଛନ୍ତି?" to_string (); ପ୍ରତିକ୍ରିୟା = ହ୍ୟାଣ୍ଡେଲ_ ଇନପୁଟ୍ (ଇନପୁଟ୍_ ଟେକ୍ସଟ୍) ଦିଅନ୍ତୁ; println! ("{}", ପ୍ରତିକ୍ରିୟା); ``

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

LangChain ଏବଂ DSPy ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:

1। ** langchain.LMModel ("language_model") **: ଏକ ଭାଷା ମଡେଲ୍ ଉଦାହରଣ ସୃଷ୍ଟି କରେ | 2। ** langchain.ConversationalAgent (ମଡେଲ୍) **: ଏକ କଥାବାର୍ତ୍ତା AI ଏଜେଣ୍ଟ ଉଦାହରଣ ସୃଷ୍ଟି କରେ | 3। ** dspy :: ଏଜେଣ୍ଟ :: ନୂତନ ("ଏଜେଣ୍ଟ 1") **: ଏକ AI ଏଜେଣ୍ଟ ଉଦାହରଣ ସୃଷ୍ଟି କରେ | 4। ** dspy :: ଅର୍କେଷ୍ଟ୍ରେସନ୍ :: ନୂତନ () **: ଏକ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉଦାହରଣ ସୃଷ୍ଟି କରେ | 5। ** orchestration.add_agent (ଏଜେଣ୍ଟ 1) **: ଅର୍କେଷ୍ଟ୍ରେସନ୍ରେ ଏକ AI ଏଜେଣ୍ଟ ଯୋଗ କରେ | 6। 7। ** langchain.model.respond (input_text) **: ଭାଷା ମଡେଲ୍ ବ୍ୟବହାର କରି ଉପଭୋକ୍ତା ଇନପୁଟ୍ ଉପରେ ପ୍ରତିକ୍ରିୟା | 8। ** dspy :: ଏଜେଣ୍ଟ :: ପ୍ରତିକ୍ରିୟା (ଇନପୁଟ୍_ ଟେକ୍ସଟ୍) **: AI ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି ଉପଭୋକ୍ତା ଇନପୁଟ୍ ଉପରେ ପ୍ରତିକ୍ରିୟା | 9। ** langchain.ConversationalAgent.handle_input (input_text) **: କଥାବାର୍ତ୍ତା AI ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି ଉପଭୋକ୍ତା ଇନପୁଟ୍ ନିୟନ୍ତ୍ରଣ କରେ | 10। ** dspy :: Orchestration.handle_input (input_text) **: ଅର୍କେଷ୍ଟ୍ରେସନ୍ ବ୍ୟବହାର କରି ଉପଭୋକ୍ତା ଇନପୁଟ୍ ପରିଚାଳନା କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି LangChain ଏବଂ DSPy ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଲାଙ୍ଗ୍ ଚେନ୍", "DSPy"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ମାପନୀୟତା", "ଡାଟା": [8, 9], "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 }, { "ଲେବଲ୍": "ସ୍ଥିରତା", "ଡାଟା": [9, 8], "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 }, { "ଲେବଲ୍": "ଏକୀକରଣ", "ଡାଟା": [8, 9], "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 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏବଂ DSPy ର ମାପନୀୟତା, ସ୍ଥିରତା ଏବଂ ଏକୀକରଣ କ୍ଷମତାକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ପରିଶେଷରେ, LangChain ଏବଂ DSPy ହେଉଛି ଶକ୍ତିଶାଳୀ framework ାଞ୍ଚା ଯାହା AI ଏଜେଣ୍ଟ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପାଇଁ ଏକ ଦୃ ust ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରି ମାପନୀୟ ଏବଂ ସ୍ଥାୟୀ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ | LangChain ଏବଂ DSPy ବ୍ୟବହାର କରି, ବିକାଶକାରୀମାନେ ଜଟିଳ AI ପ୍ରଣାଳୀ ସୃଷ୍ଟି କରିପାରିବେ ଯାହାକି ଦକ୍ଷ, ମାପନୀୟ ଏବଂ ସ୍ଥିର ଅଟେ | LangChain ଏବଂ DSPy ର ବ୍ୟବହାର ବିଭିନ୍ନ DevOps ସାଧନ ସହିତ ନିରବିହୀନ ଏକୀକରଣକୁ ସକ୍ଷମ କରିଥାଏ, ଯାହା AI ସିଷ୍ଟମକୁ ପରିଚାଳନା ଏବଂ ନିୟୋଜନ କରିବା ସହଜ କରିଥାଏ |