Танилцуулга
DevOps-ийн хувьсгал нь програм хангамжийг хөгжүүлэх, байршуулах, удирдах арга замыг өөрчилсөн. Гэсэн хэдий ч орчин үеийн програм хангамжийн системийн нарийн төвөгтэй байдал нэмэгдэхийн хэрээр автоматжуулалт, нийцэл, өргөтгөх чадварын хэрэгцээ улам бүр нэмэгдсээр байна. Энэ бол хиймэл оюун ухаан (AI) болон машин сургалтыг (ML) ашиглан DevOps дамжуулах шугамыг оновчтой болгох тоглоомыг өөрчлөх арга юм. Энэ нийтлэлд бид хиймэл оюун ухаанаар ажилладаг DevOps-ийг LangChain болон DSPy ашиглан агент дээр суурилсан автоматжуулалтыг идэвхжүүлдэг хамгийн сүүлийн үеийн хоёр хүрээг хэрхэн зохицуулах талаар судлах болно.
LangChain гэж юу вэ?
LangChain нь хөгжүүлэгчдэд модульчлагдсан, өргөтгөх боломжтой архитектур ашиглан харилцан ярианы хиймэл оюун ухааны програмуудыг бүтээх боломжийг олгодог нээлттэй эхийн хүрээ юм. Энэ нь янз бүрийн өгөгдлийн эх сурвалжтай харилцах, даалгавар гүйцэтгэх, шийдвэр гаргах чадвартай хиймэл оюун ухааны агентуудыг бий болгоход зориулж урьдчилан бэлтгэсэн бүрэлдэхүүн хэсгүүд болон хэрэгслүүдээр хангадаг. LangChain нь Rust програмчлалын хэл дээр бүтээгдсэн бөгөөд Python, Go зэрэг бусад хэл дээр ашиглагдах боломжтой.
DSPy гэж юу вэ?
DSPy нь Python номын сан бөгөөд LangChain фреймворкийг энгийн, Pythonic интерфейсээр хангадаг. Энэ нь хөгжүүлэгчдэд илүү танил болсон синтакс болон ажлын урсгалыг ашиглан AI агентуудыг бүтээх боломжийг олгож, LangChain-ийг одоо байгаа Python-д суурилсан DevOps дамжуулах хоолойтой нэгтгэхэд хялбар болгодог.
LangChain болон DSPy-г DevOps дамжуулах хоолойтой нэгтгэх
LangChain болон DSPy-г DevOps дамжуулах хоолойтой нэгтгэхийн тулд бид даалгавруудыг гүйцэтгэх, шийдвэр гаргах, янз бүрийн мэдээллийн эх сурвалжтай харилцах боломжтой AI агентийг бий болгох хэрэгтэй. Энэ үйл явцын дээд түвшний тойм:
- AI агентыг тодорхойлох: Код байрлуулах, тест ажиллуулах, гүйцэтгэлийг хянах зэрэг даалгавруудыг гүйцэтгэх боломжтой LangChain агент үүсгэ.
- DevOps Tools-тэй нэгтгэх: AI агентийг Jenkins, GitLab CI/CD, эсвэл Docker зэрэг DevOps хэрэгслүүдтэй нэгтгэх.
- AI агентыг тохируулах: Өгөгдлийн сан, API эсвэл файлын систем гэх мэт янз бүрийн мэдээллийн эх сурвалжтай ажиллахын тулд AI агентийг тохируулах.
- AI агентийг сургах: Машин сургалтын алгоритмууд болон DevOps дамжуулах хоолойн өгөгдлийг ашиглан AI агентийг сурга.
Практик жишээ: LangChain болон DSPy ашиглан кодыг ашиглах
LangChain болон DSPy ашиглан кодыг хэрхэн байрлуулах энгийн жишээ энд байна.
langchain импортлох
langchain.agents импортын агентаас
langchain.llms импортын LLM-ээс
# LangChain агент үүсгэ
төлөөлөгч = Агент(
llm=LLM(
загвар_нэр = "давинчи",
max_tokens=2048,
температур = 0.5,
),
гинж=[
langchain.Chain(
нэр = "байруулах_код",
алхам=[
langchain.Алхам(
нэр = "git_clone",
func=lambda: git_clone("https://github.com/user/repo.git"),
),
langchain.Алхам(
нэр = "бүтээх_код",
func=lambda: build_code(),
),
langchain.Алхам(
нэр = "байруулах_код",
func=lambda: deploy_code(),
),
],
),
],
)
# AI агент ашиглан кодыг байрлуул
agent.deploy_code()
Энэ жишээнд бид гурван алхмыг гүйцэтгэдэг LangChain агентийг бий болгож байна:
- Git ашиглан кодын агуулахыг хувилдаг.
- Бүтээгч хэрэглүүрийг ашиглан кодыг бүтээдэг.
- Байршуулах хэрэгсэл ашиглан кодыг байрлуулна.
AI агент шийдвэр гаргах, даалгавар гүйцэтгэхдээ хэлний загварыг (LLM) ашигладаг.
Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг
LangChain болон DSPy-д зориулсан хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийг энд оруулав.
- LangChain агент үүсгэх:
агент = Агент(llm=LLM(загвар_нэр="davinci", max_tokens=2048, температур=0.5), гинж=[langchain.Chain(нэр="deploy_code", алхамууд=[langchain.Step(name="git_clone", fun:c) git_clone("https://github.com/user/repo.git"))])]) - AI агент ашиглан кодыг байршуулах:
agent.deploy_code() - AI агентийг сургах:
agent.train(data=[{"input": "deploy code", "output": "deployed code"}]) - DevOps хэрэгслүүдтэй нэгтгэх:
agent.integrate_with_jenkins() - AI агентыг тохируулах:
agent.configure(llm=LLM(model_name="davinci", max_tokens=2048, температур=0.5)) - AI агентын статусыг авах:
agent.status() - AI агентын бүртгэлийг авах:
agent.logs() - AI агентын тохиргоог шинэчилнэ үү:
agent.update_config(llm=LLM(model_name="davinci", max_tokens=2048, температур=0.5)) - AI агентыг устгах:
agent.delete() - AI агентын хэмжүүрийг авах:
agent.metrics()
Дүрслэл
Chart.js ашиглан LangChain болон DSPy архитектурын дүрслэлийг энд үзүүлэв.
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["LangChain", "DSPy"],
"өгөгдлийн багц": [
{
"label": "Бүрдэл хэсгүүд",
"өгөгдөл": [10, 5],
"backgroundColor": ["#4CAF50", "#FF9800"],
"borderColor": ["#3e8e41", "#ff9900"],
"хилийн өргөн": 1
}
]
},
"сонголт": {
"гарчиг": {
"дэлгэц": үнэн,
"текст": "LangChain ба DSPy архитектур"
},
"домог": {
"дэлгэц": үнэн
},
"масштаб": {
"yAxes": [
{
"хачиг": {
"beginAtZero": үнэн
}
}
]
}
}
}
Энэхүү дүрслэл нь LangChain болон DSPy дахь бүрэлдэхүүн хэсгүүдийн тоог харуулж байна.
Дүгнэлт
Энэ нийтлэлд бид хиймэл оюун ухаанаар ажилладаг DevOps-ийг LangChain болон DSPy-тэй хэрхэн зохион байгуулах талаар судалсан бөгөөд энэ нь агент дээр суурилсан автоматжуулалтыг идэвхжүүлдэг хамгийн сүүлийн үеийн хоёр хүрээ юм. Бид хиймэл оюун ухаанаар ажилладаг DevOps-ийн ашиг тус, тухайлбал сайжруулсан автоматжуулалт, дагаж мөрдөх, өргөтгөх чадвар зэрэг талаар ярилцсан. Бид мөн LangChain болон DSPy ашиглан кодыг ашиглах практик жишээ, мөн хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийн жагсаалтыг өгсөн. Эцэст нь бид Chart.js ашиглан LangChain болон DSPy архитектурыг дүрсэлсэн. LangChain болон DSPy-ийн тусламжтайгаар хөгжүүлэгчид хиймэл оюун ухаан болон машин сургалтын хүчийг ашиглан илүү үр ашигтай, өргөтгөх боломжтой, автоматжуулсан DevOps дамжуулах шугамыг бий болгож чадна.