==============================================
پیژندنه
د سافټویر پراختیا منظره په ګړندۍ توګه وده کوي ، په DevOps اتومات کې د مصنوعي استخباراتو (AI) او ماشین زده کړې (ML) د ډیریدو سره. د AI لخوا پرمخ وړل شوی اتومات کولی شي د پیچلي کاري جریان تنظیمولو کې مرسته وکړي ، موثریت ښه کړي ، او د انساني غلطۍ احتمال کم کړي. پدې مقاله کې ، موږ به د سافټویر پراختیا پایپ لاینونو کې د ریښې لامل تحلیل او موثریت اصلاح کولو لپاره د AI ځواک لرونکي اجنټانو پلي کولو لپاره د DSPy او LangChain څنګه ګټه پورته کړو.
DSPy څه شی دی؟
DSPy د Python کتابتون دی چې پراختیا کونکو ته اجازه ورکوي چې د AI ځواک لرونکي اتومات کاري فلو رامینځته او ځای په ځای کړي. دا د مختلف AI او ML ماډلونو ادغام لپاره د توزیع وړ او انعطاف وړ چوکاټ چمتو کوي ، دا د DevOps اتومات کولو لپاره غوره انتخاب جوړوي.
LangChain څه شی دی؟
LangChain د Python کتابتون دی چې پراختیا کونکو ته وړتیا ورکوي چې د خبرو اترو AI اجنټان رامینځته کړي او ځای په ځای کړي. دا د اجنټانو رامینځته کولو لپاره یو ساده او رواني API چمتو کوي چې کولی شي د طبیعي ژبې آخذونو باندې پوه شي او ځواب ووایی.
د اصلي لاملونو تحلیل لپاره د AI اجنټ پلي کول
د ریښی لامل تحلیل د DevOps اتومات یوه مهمه برخه ده، ځکه چې دا د مسلو اصلي لاملونو په پیژندلو کې مرسته کوي او په راتلونکي کې د دوی د پیښو مخه نیسي. د AI ځواک لرونکي ریښې لامل تحلیل پلي کولو لپاره ، موږ کولی شو DSPy وکاروو ترڅو د کاري فلو رامینځته کړو چې د LangChain سره مدغم شي.
دلته د کاري فلو په اړه د لوړې کچې عمومي کتنه ده:
- د معلوماتو راټولول: د مختلفو سرچینو څخه اړونده ډاټا راټول کړئ، لکه لاګ، میټریک، او د ترتیب فایلونه.
- د ډیټا پری پروسس کول: راټول شوي معلومات د تحلیل لپاره چمتو کولو لپاره دمخه پروسس کړئ.
- د موډل روزنه: د نمونې او اړیکو پیژندلو لپاره د مخکې پروسس شوي ډیټا په اړه د ML ماډل روزنه ورکړئ.
- د ماډل ځای پرځای کول: روزل شوي ماډل د DSPy کاري فلو کې ځای په ځای کړئ.
- د اجنټ ادغام: د DSPy کاري فلو د LangChain اجنټ سره مدغم کړئ ترڅو د طبیعي ژبې تعامل فعال کړي.
کوډ بیلګه: د ریښې لامل تحلیل کاري فلو
``پېتون dsp د dsp په توګه وارد کړئ د langchain وارداتو اجنټ څخه
د DSPy کاري فلو تعریف کړئ
د کار فلو = dsp.Workflow( name="root_cause_analysis" دندې=[ dsp.Task("data_collection"، "د لاګونو او میټریکونو څخه ډاټا راټولول")، dsp.Task("ډاټا_پرې پروسس کول"، "د تحلیل لپاره مخکې پروسس ډاټا") dsp.Task("model_training"، "په مخکې پروسس شوي ډاټا باندې د ML ماډل روزنه") dsp.Task("model_deployment"، "د DSPy کاري فلو کې روزل شوي ماډل ځای پر ځای کړئ") ]، )
د LangChain اجنټ تعریف کړئ
اجنټ = اجنټ( نوم = "root_cause_agent" model="distilbert-base-uncased" prompt="د مسلې اصلي لامل څه دی؟", )
د LangChain اجنټ سره د DSPy کاري فلو مدغم کړئ
workflow.add_agent(اجنټ)
د کار جریان پرمخ وړئ
workflow.run() ``
د موثریت اصلاح کولو لپاره د AI اجنټ پلي کول
د موثریت اصلاح کول د DevOps اتومات یوه بله مهمه برخه ده ، ځکه چې دا د سافټویر پراختیا پایپ لاینونو سرعت او تولید ته وده ورکولو کې مرسته کوي. د AI ځواکمن موثریت اصلاح کولو پلي کولو لپاره ، موږ کولی شو DSPy وکاروو ترڅو د کار فلو رامینځته کړو چې د LangChain سره مدغم وي.
دلته د کاري فلو په اړه د لوړې کچې عمومي کتنه ده:
- د معلوماتو راټولول: د مختلفو سرچینو څخه اړونده ډاټا راټول کړئ، لکه لاګ، میټریک، او د ترتیب فایلونه.
- د ډیټا پری پروسس کول: راټول شوي معلومات د تحلیل لپاره چمتو کولو لپاره دمخه پروسس کړئ.
- د موډل روزنه: د نمونو او اړیکو پیژندلو لپاره د مخکې پروسس شوي ډیټا په اړه د ML ماډل روزنه ورکړئ.
- د ماډل ځای پرځای کول: روزل شوي ماډل د DSPy کاري فلو کې ځای په ځای کړئ.
- د اجنټ ادغام: د DSPy کاري فلو د LangChain اجنټ سره مدغم کړئ ترڅو د طبیعي ژبې تعامل فعال کړي.
کوډ مثال: د موثریت اصلاح کولو کاري جریان
``پېتون dsp د dsp په توګه وارد کړئ د langchain وارداتو اجنټ څخه
د DSPy کاري فلو تعریف کړئ
د کار فلو = dsp.Workflow( نوم =" موثریت_غوره کول " دندې=[ dsp.Task("data_collection"، "د لاګونو او میټریکونو څخه ډاټا راټولول")، dsp.Task("ډاټا_پرې پروسس کول"، "د تحلیل لپاره مخکې پروسس ډاټا") dsp.Task("model_training"، "په مخکې پروسس شوي ډاټا باندې د ML ماډل روزنه") dsp.Task("model_deployment"، "د DSPy کاري فلو کې روزل شوي ماډل ځای پر ځای کړئ") ]، )
د LangChain اجنټ تعریف کړئ
اجنټ = اجنټ( نوم = "د موثریت_اجنټ" model="distilbert-base-uncased" prompt="زه څنګه کولی شم د ښه موثریت لپاره پایپ لاین غوره کړم؟" )
د LangChain اجنټ سره د DSPy کاري فلو مدغم کړئ
workflow.add_agent(اجنټ)
د کار جریان پرمخ وړئ
workflow.run() ``
غوره 5-10 ډیری کارول شوي کمانډونه / ټوټې
دلته د DSPy او LangChain لپاره ځینې خورا عام کارول شوي کمانډونه او ټوټې دي:
DSPy
dsp.Workflow(name="my_workflow", tasks=[...]): د DSPy نوی کاري جریان جوړ کړئ.dsp.Task(name="my_task", description="زما دنده"): د DSPy کاري فلو کې نوې دنده جوړه کړئ.workflow.add_agent(agent): د DSPy کاري فلو ته د LangChain اجنټ اضافه کړئ.workflow.run(): د DSPy کاري فلو چلول.dsp.get_task_output(task): د DSPy کاري فلو کې د یوې دندې محصول ترلاسه کړئ.
LangChain
Agent(name="my_agent", model="distilbert-base-uncased", prompt="My prompt"): یو نوی LangChain ایجنټ جوړ کړئ.agent.respond(prompt="My prompt"): د LangChain اجنټ څخه ځواب ترلاسه کړئ.agent.add_context(context="My context"): د LangChain اجنټ ته شرایط اضافه کړئ.agent.remove_context(context="My context"): د LangChain اجنټ څخه شرایط لرې کړئ.agent.get_model(): د LangChain اجنټ اصلي ML ماډل ترلاسه کړئ.
لید
دلته د Chart.js په کارولو سره د DSPy او LangChain کاري جریان لید دی:
json { "ډول": "بار" "ډاټا": { "labels": ["د ریښې تحلیل"، "د موثریت اصلاح"], "ډاټاسایټ": [ { "label": "DSpy کاري جریان" "ډاټا": [10, 20], "backgroundColor": ["#4CAF50", "#FF9800"] }، { "label": "LangChain ایجنټ", "ډاټا": [5, 15], "backgroundColor": ["#2196F3", "#009688"] } ] }، "اختیارونه": { "عنوان": { "ښکاره": ریښتیا، "text": "DSPy او LangChain کاري جریان" }، "ترازې": { "yAxes": [ { "ticks": { "beginAtZero": ریښتیا } } ] } } }
دا لید د هر DSPy کاري فلو کې د دندو شمیر او د هر LangChain اجنټ څخه د ځوابونو شمیر ښیې.
پایله
پدې مقاله کې ، موږ د سافټویر پراختیا پایپ لاینونو کې د ریښو لامل تحلیل او موثریت اصلاح کولو لپاره د AI ځواک لرونکي اجنټانو پلي کولو لپاره د DSPy او LangChain څنګه ګټه پورته کړه. موږ د مفاهیمو روښانه کولو لپاره د کوډ مثالونه او لیدونه چمتو کړل، او موږ د DSPy او LangChain لپاره ځینې خورا عام کارول شوي کمانډونه او ټوټې روښانه کړل. د دې لارښود په تعقیب کولو سره، پراختیا کونکي کولی شي د DSPy او LangChain په کارولو سره خپل د AI ځواک اتوماتیک کاري فلو رامینځته کړي.