ପରିଚୟ

ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) ର ଦ୍ରୁତ ବିବର୍ତ୍ତନ ଏଜେଣ୍ଟିକ୍ AI ର ବିକାଶକୁ ଆଗେଇ ନେଇଛି, ଏକ ପ୍ରକାର AI ଯାହା କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରିପାରିବ ଏବଂ ନିଜେ ନିଷ୍ପତ୍ତି ନେଇପାରେ | ଏହି ଟେକ୍ନୋଲୋଜିରେ ଆମେ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ଏବଂ DevOps ସ୍ୱୟଂଚାଳିତ ଆଭିମୁଖ୍ୟରେ ପରିବର୍ତ୍ତନ ଆଣିବା ପାଇଁ ସାମର୍ଥ୍ୟ ଅଛି | ଏହି ଆର୍ଟିକିଲରେ, ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ, ଭିତ୍ତିଭୂମି, ଏବଂ DevOps ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଆମେ ଏଜେଣ୍ଟିକ୍ AI, ବଡ଼ ଭାଷା ମଡେଲଗୁଡିକ (LLMs), ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ DSPy ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକର ଏକୀକରଣ ବିଷୟରେ ଅନୁସନ୍ଧାନ କରିବୁ |

ଏଜେଣ୍ଟିକ୍ AI କ’ଣ?

ଏଜେଣ୍ଟିକ୍ AI ଏକ ପ୍ରକାର AI କୁ ବୁ refers ାଏ ଯାହା କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ନେଇପାରେ ଏବଂ ନିଜେ ନିଷ୍ପତ୍ତି ନେଇପାରେ | ଏହା ପାରମ୍ପାରିକ AI ସିଷ୍ଟମଗୁଡିକର ବିପରୀତ ଅଟେ, ଯାହା ସାଧାରଣତ specific ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ କରିବା ଏବଂ ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ନିୟମର ଏକ ସେଟ୍ ଅନୁସରଣ କରିବା ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି | ଅନ୍ୟପକ୍ଷରେ, ଏଜେଣ୍ଟିକ୍ ଏଇ ସିଷ୍ଟମଗୁଡିକ ଅଧିକ ସ୍ autonomous ୟଂଶାସିତ ଏବଂ ଅନୁକୂଳ ହେବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯାହା ସେମାନଙ୍କୁ ସେମାନଙ୍କ ପରିବେଶରୁ ଶିଖିବାକୁ ଏବଂ ନିଜ ଲକ୍ଷ୍ୟ ଏବଂ ଉଦ୍ଦେଶ୍ୟ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବାକୁ ଅନୁମତି ଦେଇଥାଏ |

ଏଜେଣ୍ଟିକ୍ AI ରେ LLM ର ଭୂମିକା |

ବଡ଼ ଭାଷା ମଡେଲଗୁଡିକ (LLMs) ହେଉଛି ଏକ ପ୍ରକାର AI ଯାହା ବିପୁଳ ପରିମାଣର ପାଠ୍ୟ ତଥ୍ୟ ଉପରେ ତାଲିମ ପ୍ରାପ୍ତ ଏବଂ ମାନବ ପରି ଭାଷା ସୃଷ୍ଟି କରିବାରେ ସକ୍ଷମ | LLM ଗୁଡିକ ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମର ଏକ ପ୍ରମୁଖ ଉପାଦାନ, ଯେହେତୁ ସେମାନେ ମାନବ ଭାଷା ବୁ understand ିବା ଏବଂ ସୃଷ୍ଟି କରିବାର କ୍ଷମତା ପ୍ରଦାନ କରନ୍ତି | ଏହା ଏଜେଣ୍ଟିକ୍ AI ପ୍ରଣାଳୀକୁ ମଣିଷ ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରଣାଳୀ ସହିତ ଅଧିକ ପ୍ରାକୃତିକ ଏବଂ ଅନ୍ତର୍ନିହିତ ଉପାୟରେ ଯୋଗାଯୋଗ କରିବାକୁ ଅନୁମତି ଦିଏ |

ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକ: ଲାଙ୍ଗ୍ ଚେନ୍ ଏବଂ DSPy |

ଲ୍ୟାଙ୍ଗଚେନ୍ ଏବଂ DSPy ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକ ବିଭିନ୍ନ ସିଷ୍ଟମ୍ ଏବଂ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକଳାପକୁ ପରିଚାଳନା ଏବଂ ସମନ୍ୱୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି | ଏହି ଉପକରଣଗୁଡ଼ିକ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ପରିଭାଷିତ ଏବଂ ନିଷ୍ପାଦନ କରିବା ପାଇଁ ଏକ ଉପାୟ ପ୍ରଦାନ କରିଥାଏ, ଯାହା ତଥ୍ୟ ପ୍ରକ୍ରିୟାକରଣ, ମଡେଲ ତାଲିମ ଏବଂ ନିୟୋଜନ ଭଳି କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିପାରେ |

ଲାଙ୍ଗ୍ ଚେନ୍ |

ଲାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ଯାହା କାର୍ଯ୍ୟ ପ୍ରବାହ ନିର୍ମାଣ ଏବଂ ପରିଚାଳନା ପାଇଁ ଏକ ନମନୀୟ ଏବଂ ବିସ୍ତାରିତ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ | LangChain LLM, ଡାଟାବେସ୍, ଏବଂ API ସହିତ ବିଭିନ୍ନ ପ୍ରକାରର ସିଷ୍ଟମ୍ ଏବଂ ଉପାଦାନ ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ କରାଯାଇଛି |

DSPy

DSPy ହେଉଛି ଏକ ପାଇଥନ୍-ଆଧାରିତ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ଯାହା ୱାର୍କଫ୍ଲୋକୁ ବ୍ୟାଖ୍ୟା ଏବଂ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଏକ ସରଳ ଏବଂ ଅନ୍ତର୍ନିହିତ ଉପାୟ ପ୍ରଦାନ କରେ | DSMy LLM, ଡାଟାବେସ୍, ଏବଂ API ସହିତ ବିଭିନ୍ନ ପ୍ରକାରର ସିଷ୍ଟମ୍ ଏବଂ ଉପାଦାନ ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ ହୋଇଛି |

ସ୍ୱୟଂଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ଏବଂ DevOps ପ୍ରକ୍ରିୟା |

ଏଜେଣ୍ଟିକ୍ AI, LLM, ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ DSPy ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକ ବିଭିନ୍ନ ପ୍ରକାରର ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ଏବଂ DevOps ପ୍ରକ୍ରିୟାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ | କେତେକ ଉଦାହରଣ ଅନ୍ତର୍ଭୁକ୍ତ:

• ** ସ୍ୱୟଂଚାଳିତ କୋଡ୍ ସମୀକ୍ଷା **: କୋଡ୍ ସମୀକ୍ଷା ଏବଂ ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମଗୁଡିକ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯେପରିକି ତ୍ରୁଟି ଏବଂ ସୁରକ୍ଷା ଦୁର୍ବଳତା |
• ** ସ୍ୱୟଂଚାଳିତ ପରୀକ୍ଷଣ **: ୟୁନିଟ୍ ପରୀକ୍ଷଣ, ଏକୀକରଣ ପରୀକ୍ଷଣ ଏବଂ ଶେଷ-ଶେଷ-ପରୀକ୍ଷଣ ସହିତ ସ୍ୱୟଂଚାଳିତ ପରୀକ୍ଷଣ ପାଇଁ ଏଜେଣ୍ଟିକ୍ AI ପ୍ରଣାଳୀ ବ୍ୟବହାର କରାଯାଇପାରିବ |
• ** ସ୍ୱୟଂଚାଳିତ ନିୟୋଜନ **: କୋଡ୍, ବିନ୍ୟାସ ଏବଂ ଅନ୍ୟାନ୍ୟ ଉତ୍ସଗୁଡ଼ିକର ନିୟୋଜନ ସହିତ ନିୟୋଜନକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏଜେଣ୍ଟିକ୍ AI ପ୍ରଣାଳୀ ବ୍ୟବହାର କରାଯାଇପାରିବ |
• ** ସ୍ୱୟଂଚାଳିତ ମନିଟରିଂ **: ସିଷ୍ଟମ କାର୍ଯ୍ୟଦକ୍ଷତା, ସୁରକ୍ଷା ଏବଂ ଅନ୍ୟାନ୍ୟ ମେଟ୍ରିକର ମନିଟରିଂକୁ ଅନ୍ତର୍ଭୂକ୍ତ କରି ମନିଟରିଂକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏଜେଣ୍ଟିକ AI ସିଷ୍ଟମ ବ୍ୟବହାର କରାଯାଇପାରିବ |

ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକାରିତା |

ଏହି ବିଭାଗରେ, ଆମେ ଏକ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ଏବଂ DevOps ପ୍ରକ୍ରିୟାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ LangChain ଏବଂ DSPy କୁ କିପରି ବ୍ୟବହାର କରିବେ ତାହାର ଏକ ସରଳ ଉଦାହରଣ ପ୍ରଦାନ କରିବୁ |

ଉଦାହରଣ: ସ୍ୱୟଂଚାଳିତ କୋଡ୍ ସମୀକ୍ଷା |

ଏହି ଉଦାହରଣରେ, ଆମେ କୋଡ୍ ସମୀକ୍ଷାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ LangChain ଏବଂ DSPy ବ୍ୟବହାର କରିବୁ | ଆମେ ଏକ କାର୍ଯ୍ୟଧାରାକୁ ବ୍ୟାଖ୍ୟା କରିବୁ ଯାହା ନିମ୍ନଲିଖିତ ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ:

1। ** କୋଡ୍ ଆନାଲିସିସ୍ **: କୋଡ୍ ବିଶ୍ଳେଷଣ ଏବଂ ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କରିବାକୁ କାର୍ଯ୍ୟ ପ୍ରବାହ ଏକ LLM ବ୍ୟବହାର କରିବ | 2। ** କୋଡ୍ ସମୀକ୍ଷା **: ୱାର୍କଫ୍ଲୋ କୋଡ୍ ସମୀକ୍ଷା କରିବା ଏବଂ ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍ ବ୍ୟବହାର କରିବ | 3। ** କୋଡ୍ ନିୟୋଜନ **: ୱାର୍କଫ୍ଲୋ ଏକ ଉତ୍ପାଦନ ପରିବେଶରେ କୋଡ୍ ନିୟୋଜନ କରିବା ପାଇଁ ଏକ ନିୟୋଜନ ଉପକରଣ ବ୍ୟବହାର କରିବ |

LangChain ଏବଂ DSPy ବ୍ୟବହାର କରି ଏହି କାର୍ଯ୍ୟ ପ୍ରବାହକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ ତାହାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain ଆମଦାନି LLM ରୁ |

LLM କୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

llm = LLM ("text-davinci-003")

ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍ କୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ai_system = langchain.AgenticAI ()

କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

କାର୍ଯ୍ୟ ପ୍ରବାହ = langchain.Workflow ( ପଦାଙ୍କ = [ langchain.Step ( ନାମ = "କୋଡ୍ ବିଶ୍ଳେଷଣ", func = llm.analyze_code, inputs = {"code": "def hello_world (): print ('Hello World')"}, ), langchain.Step ( ନାମ = "କୋଡ୍ ସମୀକ୍ଷା", func = ai_system.review_code, inputs = {"code": "def hello_world (): print ('Hello World')"}, ), langchain.Step ( ନାମ = "କୋଡ୍ ନିୟୋଜନ", func = langchain.deploy_code, inputs = {"code": "def hello_world (): print ('Hello World')"}, ), ] )

କାର୍ଯ୍ୟଧାରାକୁ ଏକଜେକ୍ୟୁଟ୍ କରନ୍ତୁ |

workflow.execute () `` ଏହି କୋଡ୍ ଏକ କାର୍ଯ୍ୟଧାରାକୁ ବ୍ୟାଖ୍ୟା କରେ ଯେଉଁଥିରେ ତିନୋଟି ସୋପାନ ଅନ୍ତର୍ଭୁକ୍ତ: କୋଡ୍ ବିଶ୍ଳେଷଣ, କୋଡ୍ ସମୀକ୍ଷା ଏବଂ କୋଡ୍ ନିୟୋଜନ | କୋଡ୍ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ୱାର୍କଫ୍ଲୋ ଏକ LLM ବ୍ୟବହାର କରେ, କୋଡ୍ ସମୀକ୍ଷା କରିବା ପାଇଁ ଏକ ଏଜେଣ୍ଟ୍ AI ସିଷ୍ଟମ୍ ଏବଂ ଏକ ଉତ୍ପାଦନ ପରିବେଶରେ କୋଡ୍ ନିୟୋଜନ ପାଇଁ ଏକ ନିୟୋଜନ ଉପକରଣ |

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

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

1। ।। 3। "Llm.analyze_code (ଇନପୁଟ୍ = {" କୋଡ୍ ": ...}): କୋଡ୍ ବିଶ୍ଳେଷଣ କରିବାକୁ ଏକ LLM ବ୍ୟବହାର କରନ୍ତୁ | 4। "Ai_system.review_code (ଇନପୁଟ୍ = {" କୋଡ୍ ": ...}): କୋଡ୍ ସମୀକ୍ଷା କରିବାକୁ ଏକ ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍ ବ୍ୟବହାର କରନ୍ତୁ | 5। 6। "Langchain.AgenticAI ()": ଏକ ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମର ଏକ ଉଦାହରଣ ସୃଷ୍ଟି କରନ୍ତୁ | 7। "Langchain.LLM ()": ଏକ LLM ର ଏକ ଉଦାହରଣ ସୃଷ୍ଟି କରନ୍ତୁ | 8। "Langchain.deploy_code ()": ଏକ ଉତ୍ପାଦନ ପରିବେଶରେ କୋଡ୍ ନିୟୋଜନ କରନ୍ତୁ | 9। "Langchain.execute_workflow ()": ଏକ କାର୍ଯ୍ୟଧାରାକୁ ଏକଜେକ୍ୟୁଟ୍ କରନ୍ତୁ | 10। "Langchain.get_workflow_status ()": ଏକ କାର୍ଯ୍ୟ ପ୍ରବାହର ସ୍ଥିତି ପ୍ରାପ୍ତ କରନ୍ତୁ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି କିପରି ଏକ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଭିଜୁଆଲାଇଜ୍ କରିବାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["କୋଡ୍ ଆନାଲିସିସ୍", "କୋଡ୍ ସମୀକ୍ଷା", "କୋଡ୍ ନିୟୋଜନ"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "କାର୍ଯ୍ୟ ପ୍ରବାହ ପଦକ୍ଷେପ", "ଡାଟା": [10, 20, 30], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": [ "rgba (255, 99, 132, 0.2)", "rgba (54, 162, 235, 0.2)", "rgba (255, 206, 86, 0.2)" ], "borderColor": [ "rgba (255, 99, 132, 1)", "rgba (54, 162, 235, 1)", "rgba (255, 206, 86, 1)" ], "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": {} } ଏହି କୋଡ୍ ତିନୋଟି ଲେବଲ୍ ସହିତ ଏକ ବାର୍ ଚାର୍ଟକୁ ବ୍ୟାଖ୍ୟା କରେ: କୋଡ୍ ଆନାଲିସିସ୍, କୋଡ୍ ସମୀକ୍ଷା ଏବଂ କୋଡ୍ ନିୟୋଜନ | କାର୍ଯ୍ୟ ପ୍ରବାହର ପ୍ରତ୍ୟେକ ପର୍ଯ୍ୟାୟରେ ଚାର୍ଟ ସଂଖ୍ୟା ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏଜେଣ୍ଟ୍ AI, LLMs, ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ DSPy ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ଏବଂ DevOps ସ୍ୱୟଂଚାଳିତ ଆଭିମୁଖ୍ୟକୁ ବ revolution ପ୍ଳବିକ କରିବାର କ୍ଷମତା ରଖିଛି | କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରି ଯେପରି କୋଡ୍ ସମୀକ୍ଷା, ପରୀକ୍ଷଣ, ଏବଂ ନିୟୋଜନ, ଆମେ ଆମର ବିକାଶ ପ୍ରକ୍ରିୟାର ଦକ୍ଷତା ଏବଂ କାର୍ଯ୍ୟକାରିତାକୁ ଉନ୍ନତ କରିପାରିବା | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଏହି ଟେକ୍ନୋଲୋଜିର ଏକୀକରଣକୁ ଅନୁସନ୍ଧାନ କରିଛୁ ଏବଂ ଏକ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ଏବଂ DevOps ପ୍ରକ୍ରିୟାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ସେମାନଙ୍କୁ କିପରି ବ୍ୟବହାର କରାଯିବ ତାହାର ଏକ ସରଳ ଉଦାହରଣ ପ୍ରଦାନ କରିଛୁ |