ମଲ୍ଟି-ଏଜେଣ୍ଟ୍ AI ସ୍ଥାପତ୍ୟ ଏବଂ ଲାଙ୍ଗ୍ ଚେନ୍ ସହିତ ସେଲ୍-ହେଲିଙ୍ଗ୍ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ୍ ଗଠନ କରିବା

ପରିଚୟ

ଆଜିର ଦ୍ରୁତ ଗତିଶୀଳ ସଫ୍ଟୱେର୍ ବିକାଶ ଦୃଶ୍ୟପଟ୍ଟରେ, ଜଟିଳ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ନିର୍ଭରଯୋଗ୍ୟତା, ମାପନୀୟତା ଏବଂ ସ୍ଥିରତା ନିଶ୍ଚିତ କରିବା ପାଇଁ ସ୍ healing ୟଂ ଆରୋଗ୍ୟ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ ଗଠନ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆବଶ୍ୟକତା ହୋଇପାରିଛି | ଆଧୁନିକ ସଫ୍ଟୱେର୍ ବିକାଶର ଚାହିଦା ପୂରଣ କରିବା ପାଇଁ ପାରମ୍ପାରିକ ମୋନୋଲିଥିକ୍ ସ୍ଥାପତ୍ୟ ଆଉ ପର୍ଯ୍ୟାପ୍ତ ନୁହେଁ, ଯେଉଁଠାରେ ସିଷ୍ଟମଗୁଡ଼ିକ ପରିବର୍ତ୍ତିତ ଆବଶ୍ୟକତା ସହିତ ଖାପ ଖୁଆଇବା, ଅପ୍ରତ୍ୟାଶିତ ବିଫଳତାକୁ ନିୟନ୍ତ୍ରଣ କରିବା ଏବଂ ତ୍ରୁଟିରୁ ଶୀଘ୍ର ପୁନରୁଦ୍ଧାର ହେବାରେ ସକ୍ଷମ ହେବା ଆବଶ୍ୟକ | ଏହା ହେଉଛି ଯେଉଁଠାରେ ମଲ୍ଟି-ଏଜେଣ୍ଟ୍ AI ସ୍ଥାପତ୍ୟ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଖେଳାଯାଏ, ସ୍ healing ୟଂ ଆରୋଗ୍ୟକାରୀ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ ଗଠନ ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ ସମାଧାନ ପ୍ରଦାନ କରେ ଯାହା ପରିବର୍ତ୍ତିତ ଅବସ୍ଥାକୁ ଶିଖିପାରେ, ଆଡାପ୍ଟ୍ଟ୍ କରିପାରେ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିପାରିବ |

ମଲ୍ଟି ଏଜେଣ୍ଟ AI ସ୍ଥାପତ୍ୟ କ’ଣ?

ମଲ୍ଟି-ଏଜେଣ୍ଟ୍ AI ସ୍ଥାପତ୍ୟ ହେଉଛି ଏକ ପ୍ରକାର ବଣ୍ଟିତ AI ସିଷ୍ଟମ୍ ଯାହା ଏକାଧିକ ସ୍ୱୟଂଶାସିତ ଏଜେଣ୍ଟମାନଙ୍କୁ ନେଇ ଗଠିତ ଯାହା ଏକ ସାଧାରଣ ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ପରସ୍ପର ଏବଂ ସେମାନଙ୍କ ପରିବେଶ ସହିତ ଯୋଗାଯୋଗ କରିଥାଏ | ପ୍ରତ୍ୟେକ ଏଜେଣ୍ଟଙ୍କର ନିଜସ୍ୱ ନିଷ୍ପତ୍ତି ନେବା କ୍ଷମତା, ଜ୍ଞାନ, ଏବଂ ଉତ୍ସ ଅଛି, ଏବଂ ସେମାନେ ପରସ୍ପର ସହ ଯୋଗାଯୋଗ କରିପାରିବେ, ସୂଚନା ବାଣ୍ଟିବା, କାର୍ଯ୍ୟକୁ ସମନ୍ୱୟ କରିବା ଏବଂ ପରିବର୍ତ୍ତିତ ଅବସ୍ଥା ସହିତ ଖାପ ଖାଇବା |

ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ୍ ପରିପ୍ରେକ୍ଷୀରେ, ମଲ୍ଟି-ଏଜେଣ୍ଟ୍ AI ସ୍ଥାପତ୍ୟଗୁଡିକ ସ୍ healing ୟଂ ଆରୋଗ୍ୟ ପ୍ରଣାଳୀ ଗଠନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ ଯାହା ରିଅଲ୍-ଟାଇମ୍ରେ ତ୍ରୁଟି, ବିଫଳତା ଏବଂ ଅନ୍ୟାନ୍ୟ ଅସନ୍ତୁଷ୍ଟତାକୁ ଚିହ୍ନଟ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିପାରିବ | ଏକାଧିକ ଏଜେଣ୍ଟମାନଙ୍କ ମଧ୍ୟରେ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟା ବଣ୍ଟନ କରି, ଏହି ପ୍ରଣାଳୀଗୁଡ଼ିକ ଅଭିଜ୍ from ତାରୁ ଶିଖିପାରିବେ, ପରିବର୍ତ୍ତିତ ପରିସ୍ଥିତିକୁ ଅନୁକୂଳ କରିପାରିବେ ଏବଂ ତ୍ରୁଟିରୁ ଶୀଘ୍ର ପୁନରୁଦ୍ଧାର କରିପାରିବେ |

ଲାଙ୍ଗ୍ ଚେନ୍ କ’ଣ?

ମଲ୍ଟି-ଏଜେଣ୍ଟ୍ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏକ ମୁକ୍ତ ଉତ୍ସ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ | ଜଟିଳ AI ପ୍ରଣାଳୀ ଗଠନ ପାଇଁ ଏହା ଏକ ସରଳ, ନମନୀୟ ଏବଂ ମାପନୀୟ framework ାଞ୍ଚା ପ୍ରଦାନ କରେ ଯାହା ପରିବର୍ତ୍ତିତ ଅବସ୍ଥାକୁ ଶିଖିବା, ଆଡାପ୍ଟ୍ଟ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିପାରିବ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଟେନସର୍ଫ୍ଲୋ, ପାଇଟର୍ଚ୍, ଏବଂ କେରସ୍ ସହିତ ବିଭିନ୍ନ ପ୍ରକାରର AI framework ାଞ୍ଚା ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ ହୋଇଛି, ଏବଂ ଡାଟାବେସ୍, API, ଏବଂ IoT ଉପକରଣ ସହିତ ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ସହିତ ଏକୀଭୂତ ହେଉଥିବା ସିଷ୍ଟମ ଗଠନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ |

LangChain ସହିତ ସେଲ୍-ହେଲିଙ୍ଗ୍ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ୍ ଗଠନ କରିବା

ଲାଙ୍ଗ୍ ଚେନ୍ ସହିତ ଏକ ସ୍ healing ୟଂ ଆରୋଗ୍ୟକାରୀ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ୍ ଗଠନ କରିବାକୁ, ଆମକୁ ଏକ ମଲ୍ଟି-ଏଜେଣ୍ଟ୍ AI ସ୍ଥାପତ୍ୟ ଡିଜାଇନ୍ କରିବାକୁ ପଡିବ ଯାହା ରିଅଲ୍-ଟାଇମ୍ରେ ତ୍ରୁଟି, ବିଫଳତା ଏବଂ ଅନ୍ୟାନ୍ୟ ଅସନ୍ତୁଷ୍ଟତାକୁ ଚିହ୍ନଟ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିପାରିବ | ସ୍ଥାପତ୍ୟର ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ସମୀକ୍ଷା ଏଠାରେ ଅଛି:

1। ** ଏଜେଣ୍ଟ ଡିଜାଇନ୍ **: ଆମକୁ ଏକ ସ୍ୱୟଂଶାସିତ ଏଜେଣ୍ଟଗୁଡିକର ଏକ ସେଟ୍ ଡିଜାଇନ୍ କରିବାକୁ ପଡିବ ଯାହା ଏକ ସାଧାରଣ ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ପରସ୍ପର ଏବଂ ସେମାନଙ୍କ ପରିବେଶ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ | ପ୍ରତ୍ୟେକ ଏଜେଣ୍ଟଙ୍କର ନିଜସ୍ୱ ନିଷ୍ପତ୍ତି ନେବା କ୍ଷମତା, ଜ୍ଞାନ ଏବଂ ଉତ୍ସ ରହିବା ଉଚିତ୍ | 2। ** ଜ୍ଞାନ ଗ୍ରାଫ୍ **: ଆମକୁ ଏକ ଜ୍ଞାନ ଗ୍ରାଫ୍ ସୃଷ୍ଟି କରିବାକୁ ପଡିବ ଯାହା ଏଜେଣ୍ଟ, ପରିବେଶ ଏବଂ ସିଷ୍ଟମର ଲକ୍ଷ୍ୟ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ପ୍ରତିପାଦିତ କରେ | ଏହି ଗ୍ରାଫ୍ ସିଷ୍ଟମର ସ୍ଥିତି ବିଷୟରେ ଚିନ୍ତା କରିବା ଏବଂ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ | 3। ** ନିଷ୍ପତ୍ତି ନେବା **: ଆମକୁ ଏକ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟା କାର୍ଯ୍ୟକାରୀ କରିବାକୁ ପଡିବ ଯାହା ଏଜେଣ୍ଟମାନଙ୍କୁ ସିଷ୍ଟମର ସ୍ଥିତି ବିଷୟରେ ଚିନ୍ତା କରିବାକୁ ଏବଂ ଜ୍ଞାନ ଗ୍ରାଫ୍ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବାକୁ ଅନୁମତି ଦିଏ | ।।

LangChain ସହିତ ନିର୍ମିତ ଏକ ସ୍ healing ୟଂ ଆରୋଗ୍ୟ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.agents ରୁ ଆମଦାନୀ ଏଜେଣ୍ଟ | langchain.llms ରୁ LLM ଆମଦାନୀ କରନ୍ତୁ |

ଗ୍ରାଫ୍ = { 'ଏଜେଣ୍ଟ': ['ଏଜେଣ୍ଟ 1', 'ଏଜେଣ୍ଟ 2', 'ଏଜେଣ୍ଟ 3'], 'ପରିବେଶ': ['ଡାଟାବେସ୍', 'API', 'IoT ଉପକରଣ'], 'ଲକ୍ଷ୍ୟ': ['ତ୍ରୁଟି ଚିହ୍ନଟ କର', 'ବିଫଳତାକୁ ଜବାବ ଦିଅ', 'ତ୍ରୁଟିରୁ ପୁନରୁଦ୍ଧାର'] }

ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟାକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def ନିଷ୍ପତ୍ତି_ ନିର୍ଣ୍ଣୟ (ଏଜେଣ୍ଟ, ଜ୍ଞାନ_ଗ୍ରାଫ୍): # ସିଷ୍ଟମର ସ୍ଥିତି ବିଷୟରେ କାରଣ | ରାଜ୍ୟ = ଜ୍ଞାନ_ଗ୍ରାଫ୍ ['ଏଜେଣ୍ଟ'] [ଏଜେଣ୍ଟ] # ରାଜ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନିଅନ୍ତୁ | ନିଷ୍ପତ୍ତି = 'ବିଫଳତାକୁ ଜବାବ ଦିଅ' ଫେରସ୍ତ ନିଷ୍ପତ୍ତି

କ୍ରିୟା ନିଷ୍ପାଦନ ପ୍ରକ୍ରିୟାକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def action_execution (ଏଜେଣ୍ଟ, ନିଷ୍ପତ୍ତି): # ନିଷ୍ପତ୍ତି କାର୍ଯ୍ୟକାରୀ କର | ଯଦି ନିଷ୍ପତ୍ତି == 'ବିଫଳତାକୁ ଜବାବ ଦିଅ': # ବିଫଳତାକୁ ପ୍ରତିକ୍ରିୟା କରନ୍ତୁ | ମୁଦ୍ରଣ କରନ୍ତୁ ('ବିଫଳତାର ପ୍ରତିକ୍ରିୟା ...') ଫେରନ୍ତୁ

ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = 'ଆତ୍ମ-ଆରୋଗ୍ୟକାରୀ', ନିଷ୍ପତ୍ତି_ ନିଷ୍ପତ୍ତି = ନିଷ୍ପତ୍ତି_ ନିର୍ଣ୍ଣୟ, action_execution = action_execution, ଜ୍ଞାନ_ଗ୍ରାଫ୍ = ଗ୍ରାଫ୍ | )

ଏକ LangChain LLM ସୃଷ୍ଟି କରନ୍ତୁ |

llm = LLM ( ନାମ = 'ଆତ୍ମ-ଆରୋଗ୍ୟ- llm', ମଡେଲ୍ = 'ଡାଭିନ୍ସି' )

ଏକ LangChain ସିଷ୍ଟମ୍ ସୃଷ୍ଟି କରନ୍ତୁ |

system = langchain.System ( ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ, llm = llm )

ସିଷ୍ଟମ୍ ଚଲାନ୍ତୁ |

system.run () `` ଏହି ଉଦାହରଣ ଏକ ସରଳ ସ୍ healing ୟଂ ଆରୋଗ୍ୟକାରୀ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ୍ ପ୍ରଦର୍ଶନ କରେ ଯାହା ତ୍ରୁଟି ଚିହ୍ନଟ କରିପାରିବ, ବିଫଳତାକୁ ପ୍ରତିକ୍ରିୟା କରିପାରିବ ଏବଂ ତ୍ରୁଟିରୁ ଶୀଘ୍ର ପୁନରୁଦ୍ଧାର କରିପାରିବ | ଏକ ସ୍ autonomous ତ autonomous ପ୍ରବୃତ୍ତ ଏଜେଣ୍ଟମାନଙ୍କର ଏକ ସେଟ୍ ରହିଥାଏ ଯାହାକି ଏକ ସାଧାରଣ ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ପରସ୍ପର ଏବଂ ସେମାନଙ୍କ ପରିବେଶ ସହିତ ଯୋଗାଯୋଗ କରିଥାଏ | ଏଜେଣ୍ଟମାନେ ସିଷ୍ଟମର ସ୍ଥିତି ବିଷୟରେ ଚିନ୍ତା କରିବା ଏବଂ ଗ୍ରାଫ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ଏକ ଜ୍ଞାନ ଗ୍ରାଫ ବ୍ୟବହାର କରନ୍ତି |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

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

1। "Langchain.Agent ()": ଏକ ନୂତନ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ | 2। "Langchain.LLM ()": ଏକ ନୂତନ LangChain LLM ସୃଷ୍ଟି କରେ | 3। "Langchain.System ()": ଏକ ନୂତନ LangChain ସିଷ୍ଟମ୍ ସୃଷ୍ଟି କରେ | 4। "Agent.decision_making ()": ଏକ ଏଜେଣ୍ଟ ପାଇଁ ନିଷ୍ପତ୍ତି ନେବା ପ୍ରକ୍ରିୟା ଚଲାଇଥାଏ | 5। "Agent.action_execution ()": ଏକ ଏଜେଣ୍ଟ ପାଇଁ କ୍ରିୟା ନିଷ୍ପାଦନ ପ୍ରକ୍ରିୟା ଚଲାଇଥାଏ | 6। "Llm.predict ()": LLM ବ୍ୟବହାର କରି ଏକ ଭବିଷ୍ୟବାଣୀ କରେ | 7। "System.run ()": ଲାଙ୍ଗ୍ ଚେନ୍ ସିଷ୍ଟମ୍ ଚଲାଇଥାଏ | 8। "Graf.add_node ()": ଜ୍ଞାନ ଗ୍ରାଫରେ ଏକ ନୂତନ ନୋଡ୍ ଯୋଗ କରେ | 9। "Graph.add_edge ()": ଜ୍ଞାନ ଗ୍ରାଫରେ ଏକ ନୂତନ ଧାର ଯୋଗ କରେ | 10। "Graf.remove_node ()": ଜ୍ଞାନ ଗ୍ରାଫରୁ ଏକ ନୋଡ୍ ଅପସାରଣ କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି ଜ୍ଞାନ ଗ୍ରାଫର ଏକ ସରଳ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଗ୍ରାଫ୍", "ଡାଟା": { "ନୋଡସ୍": [ {"id": "ଏଜେଣ୍ଟ 1", "ଲେବଲ୍": "ଏଜେଣ୍ଟ 1"}, {"id": "ଏଜେଣ୍ଟ 2", "ଲେବଲ୍": "ଏଜେଣ୍ଟ 2"}, {"id": "ଏଜେଣ୍ଟ 3", "ଲେବଲ୍": "ଏଜେଣ୍ଟ 3"}, {"id": "ଡାଟାବେସ୍", "ଲେବଲ୍": "ଡାଟାବେସ୍"}, {"id": "API", "label": "API"}, {"id": "IoT ଉପକରଣ", "ଲେବଲ୍": "IoT ଉପକରଣ"} ], "ଧାର": [ source "ଉତ୍ସ": "ଏଜେଣ୍ଟ 1", "ଲକ୍ଷ୍ୟ": "ଡାଟାବେସ୍"}, source "ଉତ୍ସ": "ଏଜେଣ୍ଟ 2", "ଲକ୍ଷ୍ୟ": "API"}, source "ଉତ୍ସ": "ଏଜେଣ୍ଟ 3", "ଲକ୍ଷ୍ୟ": "IoT ଉପକରଣ"}, source "ଉତ୍ସ": "ଏଜେଣ୍ଟ 1", "ଲକ୍ଷ୍ୟ": "ଏଜେଣ୍ଟ 2"}, source "ଉତ୍ସ": "ଏଜେଣ୍ଟ 2", "ଲକ୍ଷ୍ୟ": "ଏଜେଣ୍ଟ 3"} ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଲେଆଉଟ୍": { "ପ୍ରକାର": "ବୃତ୍ତାକାର" }, "ନୋଡସ୍": { "ଆକାର": 50 }, "ଧାର": { "ମୋଟେଇ": 2 } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଏଜେଣ୍ଟ, ପରିବେଶ ଏବଂ ସିଷ୍ଟମର ଲକ୍ଷ୍ୟ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ମଲ୍ଟି-ଏଜେଣ୍ଟ୍ AI ସ୍ଥାପତ୍ୟ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସହିତ ସ୍ healing ୟଂ ଆରୋଗ୍ୟ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ୍ ଗଠନ କରିବା ଜଟିଳ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ନିର୍ଭରଯୋଗ୍ୟତା, ମାପନୀୟତା ଏବଂ ସ୍ଥିରତା ନିଶ୍ଚିତ କରିବା ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ ସମାଧାନ ପ୍ରଦାନ କରେ | ଏକାଧିକ ଏଜେଣ୍ଟମାନଙ୍କ ମଧ୍ୟରେ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟା ବଣ୍ଟନ କରି, ଏହି ପ୍ରଣାଳୀଗୁଡ଼ିକ ଅଭିଜ୍ from ତାରୁ ଶିଖିପାରିବେ, ପରିବର୍ତ୍ତିତ ପରିସ୍ଥିତିକୁ ଅନୁକୂଳ କରିପାରିବେ ଏବଂ ତ୍ରୁଟିରୁ ଶୀଘ୍ର ପୁନରୁଦ୍ଧାର କରିପାରିବେ | LangChain ସହିତ, ଡେଭଲପର୍ମାନେ ଜଟିଳ AI ସିଷ୍ଟମ୍ ଗଠନ କରିପାରିବେ ଯାହା ଡାଟାବେସ୍, API ଏବଂ IoT ଉପକରଣ ସହିତ ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ସହିତ ଏକୀଭୂତ ହୁଏ | ଉଦାହରଣ କୋଡ୍ ଅନୁସରଣ କରି ଏବଂ ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ୍ / ସ୍ନିପେଟ୍ ବ୍ୟବହାର କରି, ଡେଭଲପର୍ମାନେ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସହିତ ନିଜସ୍ୱ ସ୍ healing ୟଂ ଆରୋଗ୍ୟ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ ଗଠନ କରିପାରିବେ |