ପରିଚୟ

DevOps ଏବଂ କ୍ଲାଉଡ୍-ଦେଶୀ ପ୍ରୟୋଗଗୁଡ଼ିକର ଯୁଗରେ, ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଆଧୁନିକ ସଫ୍ଟୱେର୍ ବିକାଶର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ହୋଇପାରିଛି | ପାରମ୍ପାରିକ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକ ଯେପରିକି Ansible, Terraform, ଏବଂ CloudFormation, ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡିକର ନିୟୋଜନ ଏବଂ ପରିଚାଳନାକୁ ସ୍ୱୟଂଚାଳିତ କରିବାରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଗ୍ରଗତି କରିଛି | ତଥାପି, ଏହି ଉପକରଣଗୁଡ଼ିକ ପ୍ରାୟତ manual ମାନୁଆଲ ସଂରଚନା, ସ୍କ୍ରିପ୍ଟିଂ ଏବଂ ମାନବ ହସ୍ତକ୍ଷେପ ଉପରେ ନିର୍ଭର କରେ, ଯାହା ତ୍ରୁଟି, ଅସଙ୍ଗତି ଏବଂ ବୋତଲଗୁଡିକର କାରଣ ହୋଇପାରେ |

ଏହି ସୀମାବଦ୍ଧତାକୁ ସମାଧାନ କରିବା ପାଇଁ, ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସିଷ୍ଟମ ସୃଷ୍ଟି କରିବାକୁ ଆମକୁ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) ର ଶକ୍ତି ବ୍ୟବହାର କରିବାକୁ ପଡିବ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଏପରି ଏକ ସିଷ୍ଟମ ଗଠନ ପାଇଁ ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ କିପରି ବ୍ୟବହାର କରାଯାଇପାରିବ, ଚରମ DevOps ସ୍ୱୟଂଚାଳିତକୁ ସକ୍ଷମ କରିବା ଏବଂ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପଦ୍ଧତିରେ ପରିବର୍ତ୍ତନ ଆଣିବା ପାଇଁ ଆମେ ଅନୁସନ୍ଧାନ କରିବୁ |

StackGen କ’ଣ?

ଷ୍ଟାକଜେନ୍ ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ, କ୍ଲାଉଡ୍-ଦେଶୀ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେସନ୍ ଟୁଲ୍ ଯାହା ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡ଼ିକୁ ବ୍ୟାଖ୍ୟା ଏବଂ ପରିଚାଳନା ପାଇଁ ଏକ ଘୋଷିତ ବିନ୍ୟାସ ମଡେଲ୍ ବ୍ୟବହାର କରେ | ଏହା ଉଚ୍ଚ ମାପନୀୟ, ନମନୀୟ ଏବଂ ବିସ୍ତାରଯୋଗ୍ୟ ହେବା ପାଇଁ ପରିକଳ୍ପନା କରାଯାଇଛି, ଏହାକୁ ବଡ଼ ଆକାରର, ଜଟିଳ ଭିତ୍ତିଭୂମି ନିୟୋଜନ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |

ଷ୍ଟାକଜେନ୍ ର ମୂଳ ସ୍ଥାପତ୍ୟ ଏକ ମଡ୍ୟୁଲାର୍, ପ୍ଲଗ୍-ଇନ୍-ଆଧାରିତ ଡିଜାଇନ୍ ଉପରେ ଆଧାରିତ, ଯାହା ବିକାଶକାରୀମାନଙ୍କୁ ଏହାର କାର୍ଯ୍ୟକାରିତାକୁ ସହଜରେ ବିସ୍ତାର ଏବଂ କଷ୍ଟମାଇଜ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ | ଏହି ମଡ୍ୟୁଲେରିଟି ଷ୍ଟାକଜେନ୍ କୁ ଅନ୍ୟ ଉପକରଣ ଏବଂ framework ାଞ୍ଚା ସହିତ ନିରବିହୀନ ଭାବରେ ଏକୀଭୂତ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ, ଯେପରିକି ଲ୍ୟାଙ୍ଗ ଚେନ୍, ଯାହା ବିଷୟରେ ଆମେ ପରବର୍ତ୍ତୀ ଆଲୋଚନା କରିବା |

LangChain କ’ଣ?

କଥାବାର୍ତ୍ତା AI ପ୍ରୟୋଗଗୁଡ଼ିକ ନିର୍ମାଣ ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ଅତ୍ୟାଧୁନିକ, ମୁକ୍ତ ଉତ୍ସ framework ାଞ୍ଚା | ଚାଟ୍ବଟ୍, ଭଏସ୍ ଆସିଷ୍ଟାଣ୍ଟ ଏବଂ ଅନ୍ୟାନ୍ୟ କଥାବାର୍ତ୍ତା ଇଣ୍ଟରଫେସ୍ ସୃଷ୍ଟି କରିବା ପାଇଁ ଏହା ଶକ୍ତିଶାଳୀ ଉପକରଣ ଏବଂ API ର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ କୋର ଉପରେ ନିର୍ମିତ, ଯାହା ମାନବ ପରି ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ସୃଷ୍ଟି ପାଇଁ ଏକ ଉଚ୍ଚ ମାପନୀୟ, ବଣ୍ଟିତ ସ୍ଥାପତ୍ୟ |

ଲାଙ୍ଗ୍ ଚେନ୍ ର ମୁଖ୍ୟ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ଅନ୍ତର୍ଭୁକ୍ତ:

• ** କଥାବାର୍ତ୍ତା AI **: LangChain ଡେଭଲପର୍ମାନଙ୍କୁ କଥାବାର୍ତ୍ତା ଇଣ୍ଟରଫେସ୍ ନିର୍ମାଣ କରିବାକୁ ସକ୍ଷମ କରେ ଯାହା ପ୍ରାକୃତିକ ଭାଷା ଇନପୁଟକୁ ବୁ understand ିପାରେ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିପାରିବ | ** **

ଚରମ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ AI ଏଜେଣ୍ଟ ଏବଂ ଜେନେରେଟିଭ୍ AI କୁ ପରିଚାଳନା କରିବା |

ଷ୍ଟାକଗେନ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ବ୍ୟବହାର କରି ଏକ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସିଷ୍ଟମ ନିର୍ମାଣ କରିବାକୁ, ଆମକୁ ଏକ AI ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ ପଡିବ ଯାହା ପ୍ରାକୃତିକ ଭାଷା ଇନପୁଟକୁ ବୁ understand ିପାରିବ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିପାରିବ | ଏହି AI ଏଜେଣ୍ଟ ଭିତ୍ତିଭୂମି ସମ୍ବଳ ଯଥା ଭର୍ଚୁଆଲ୍ ମେସିନ୍, ପାତ୍ର ଏବଂ ନେଟୱାର୍କ ପରି ସଂଗଠିତ ପାଇଁ ଦାୟୀ ରହିବ |

ସ୍ଥାପତ୍ୟର ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ସମୀକ୍ଷା ଏଠାରେ ଅଛି:

1। ** ଉପଭୋକ୍ତା ଇନପୁଟ୍ **: ଉପଭୋକ୍ତା ଏକ ପ୍ରାକୃତିକ ଭାଷା ଇନପୁଟ୍ ପ୍ରଦାନ କରନ୍ତି, ଯେପରିକି ଏକ ନୂତନ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ନିୟୋଜନ ପାଇଁ ଅନୁରୋଧ | 2। ** LangChain **: LangChain framework ାଞ୍ଚା ଉପଭୋକ୍ତା ଇନପୁଟ୍ ପ୍ରକ୍ରିୟାକରଣ କରେ ଏବଂ ଅନୁରୋଧର ଏକ ମେସିନ୍-ପଠନୀୟ ଉପସ୍ଥାପନା ସୃଷ୍ଟି କରେ | 3। ** ଷ୍ଟାକଜେନ୍ **: ଷ୍ଟାକଜେନ୍ ଟୁଲ୍ ମେସିନ୍-ପଠନୀୟ ଉପସ୍ଥାପନା ଗ୍ରହଣ କରେ ଏବଂ ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡ଼ିକର ସଂରଚନା ପାଇଁ ଏହାକୁ ବ୍ୟବହାର କରେ | ।।

ଏହି ସ୍ଥାପତ୍ୟକୁ ବର୍ଣ୍ଣନା କରିବାକୁ, ଚାଲନ୍ତୁ ଏକ ସରଳ ଉଦାହରଣ | ଧରାଯାଉ ଆମେ ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରି ଏକ ନୂତନ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ନିୟୋଜନ କରିବାକୁ ଚାହୁଁ | ଏଠାରେ ଏକ ପାଇଥନ୍ କୋଡ୍ ସ୍ନିପେଟ୍ ଅଛି ଯାହା ଦର୍ଶାଏ ଯେ ଏହା କିପରି ହାସଲ କରାଯାଇପାରିବ: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | ଷ୍ଟାକଜେନ୍ ଆମଦାନୀରୁ StackGen |

ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = langchain.Agent ( ନାମ = "ଭିତ୍ତିଭୂମି_ orchestrator", model = "text-to-text", ପ୍ରମ୍ପ୍ଟ = "2 CPU ଏବଂ 4 GB RAM ସହିତ ଏକ ନୂତନ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ନିୟୋଜନ କରନ୍ତୁ," )

ଏକ StackGen ଉଦାହରଣ ସୃଷ୍ଟି କରନ୍ତୁ |

stackgen = StackGen ()

LangChain ବ୍ୟବହାର କରି ଉପଭୋକ୍ତା ଇନପୁଟ୍ ପ୍ରକ୍ରିୟା କରନ୍ତୁ |

user_input = "2 CPU ଏବଂ 4 GB RAM ସହିତ ଏକ ନୂତନ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ନିୟୋଜନ କରନ୍ତୁ" process_input = agent.process_input (user_input)

StackGen ବ୍ୟବହାର କରି ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡିକ ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରନ୍ତୁ |

stackgen.deploy_vm (ପ୍ରକ୍ରିୟାକୃତ_ ଇନପୁଟ୍) `` ଏହି କୋଡ୍ ସ୍ନିପେଟ୍ ଦର୍ଶାଏ ଯେ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟ କିପରି ଉପଭୋକ୍ତା ଇନପୁଟ୍ ପ୍ରକ୍ରିୟାକରଣ କରେ ଏବଂ ଏକ ମେସିନ୍-ପଠନୀୟ ଉପସ୍ଥାପନା ସୃଷ୍ଟି କରେ, ଯାହା ପରେ ଷ୍ଟାକଜେନ୍ ଦ୍ୱାରା ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡ଼ିକର ସଂରଚନା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ |

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

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

ଷ୍ଟାକଜେନ୍ |

1। 2। "Stackgen delete_vm <vm_id>": ନିର୍ଦ୍ଦିଷ୍ଟ ID ସହିତ ଏକ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ଡିଲିଟ୍ କରେ | 3। "Stackgen list_vms": ସାମ୍ପ୍ରତିକ ପରିବେଶରେ ସମସ୍ତ ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ତାଲିକାଭୁକ୍ତ କରେ | 4। "Stackgen create_network <network_config>": ନିର୍ଦ୍ଦିଷ୍ଟ ସଂରଚନା ସହିତ ଏକ ନୂତନ ନେଟୱାର୍କ ସୃଷ୍ଟି କରେ | 5। "Stackgen delete_network <network_id>": ନିର୍ଦ୍ଦିଷ୍ଟ ID ସହିତ ଏକ ନେଟୱର୍କ ବିଲୋପ କରେ |

ଲାଙ୍ଗ୍ ଚେନ୍ |

1। "Agent.process_input (<user_input>)": ଉପଭୋକ୍ତା ଇନପୁଟ୍ ପ୍ରକ୍ରିୟାକରଣ କରେ ଏବଂ ଏକ ମେସିନ୍ ପଠନୀୟ ଉପସ୍ଥାପନା ସୃଷ୍ଟି କରେ | 2। "Agent.generate_text ()": ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରମ୍ପ୍ଟ ଉପରେ ଆଧାର କରି ମାନବ ପରି ପାଠ୍ୟ ସୃଷ୍ଟି କରେ | 3। "Agent.generate_image ()": ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରମ୍ପ୍ଟ ଉପରେ ଆଧାର କରି ଏକ ପ୍ରତିଛବି ସୃଷ୍ଟି କରେ | 4। "Agent.integrate_stackgen" 5। "Agent.list_integrations ()": StackGen ସହିତ ସମସ୍ତ ଏକୀକରଣକୁ ତାଲିକାଭୁକ୍ତ କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି StackGen ଏବଂ LangChain ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ପାଇକାର୍ଟ", "ଡାଟା": { "ଲେବଲ୍": ["ଷ୍ଟାକଗେନ", "ଲାଙ୍ଗଚେନ"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେସନ୍", "ଡାଟା": [50, 50], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 4CAF50", "# FF9800"] } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "text": "StackGen ଏବଂ LangChain Architecture" }, "କିମ୍ବଦନ୍ତୀ": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ | } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେସନ୍ ସ୍ଥାପତ୍ୟରେ ଷ୍ଟାକଜେନ୍ ଏବଂ ଲାଙ୍ଗ ଚେନ୍ ମଧ୍ୟରେ ସମାନ ବିଭାଜନ ପ୍ରଦର୍ଶନ କରେ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଅନୁସନ୍ଧାନ କରିଛୁ ଯେ ଏକ ସ୍ autonomous ୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସିଷ୍ଟମ ଗଠନ ପାଇଁ ଷ୍ଟାକଜେନ୍ ଏବଂ ଲାଙ୍ଗ ଚେନ୍ କିପରି ବ୍ୟବହାର କରାଯାଇପାରିବ | ପ୍ରାକୃତିକ ଭାଷା ଇନପୁଟ୍ ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ମେସିନ୍-ପଠନୀୟ ଉପସ୍ଥାପନା ସୃଷ୍ଟି କରିବା ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ framework ାଞ୍ଚାକୁ କିପରି ବ୍ୟବହାର କରାଯାଇପାରିବ, ତାହା ପ୍ରଦର୍ଶନ କରିଛୁ, ଯାହା ପରେ ଷ୍ଟାକ୍ଜେନ୍ ଦ୍ୱାରା ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡ଼ିକର ସଂରଚନା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ | ଆମେ ଅନେକ ପ୍ରକାରର ପ୍ରାକ୍ଟିକାଲ୍ କୋଡ୍ ସ୍ନିପେଟ୍ ଏବଂ କମାଣ୍ଡ୍ ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ ଯାହା ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ନିର୍ମାଣ ଏବଂ ଏକୀକରଣ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ |

AI ଏଜେଣ୍ଟ ଏବଂ ଜେନେରେଟିଭ୍ AI ର ଶକ୍ତି ବ୍ୟବହାର କରି, ଆମେ ଅତ୍ୟଧିକ DevOps ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀ ସୃଷ୍ଟି କରିପାରିବା ଯାହା ଅତ୍ୟଧିକ ମାପନୀୟ, ନମନୀୟ ଏବଂ ବିସ୍ତାରଯୋଗ୍ୟ | ଏହା ବିକାଶକାରୀମାନଙ୍କୁ ଉଚ୍ଚ ସ୍ତରୀୟ କାର୍ଯ୍ୟଗୁଡ଼ିକ ଉପରେ ଧ୍ୟାନ ଦେବାରେ ସକ୍ଷମ କରିବ, ଯେପରିକି ପ୍ରୟୋଗ ନିର୍ମାଣ ଏବଂ ନିୟୋଜନ, ଯେତେବେଳେ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେସନ୍ ସିଷ୍ଟମ୍ ଅନ୍ତର୍ନିହିତ ଭିତ୍ତିଭୂମି ଉତ୍ସଗୁଡ଼ିକର ଯତ୍ନ ନିଏ |

ଆମେ ଆଶା କରୁଛୁ ଯେ ଏହି ଆର୍ଟିକିଲ୍ ଷ୍ଟାକଜେନ୍ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ୍ ସ୍ଥାପତ୍ୟର ଏକ ବିସ୍ତୃତ ସମୀକ୍ଷା ପ୍ରଦାନ କରିଛି ଏବଂ ସ୍ autonomous ୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ର ସମ୍ଭାବନା ଅନୁସନ୍ଧାନ କରିବାକୁ ବିକାଶକାରୀଙ୍କୁ ପ୍ରେରଣା ଦେଇଛି |