LangChain සහ DSPy සමඟ නිර්ණායක පරීක්ෂණ ස්වයංක්‍රීයකරණයේ නියෝජිත AI ක්‍රියාත්මක කිරීම

LangChain සහ DSPy සමඟ නිර්ණය කිරීමේ පරීක්ෂණ ස්වයංක්‍රීයකරණයේ නියෝජිත AI ක්‍රියාත්මක කිරීම

හැඳින්වීම

මෘදුකාංග පද්ධතිවල වැඩිවන සංකීර්ණත්වය පරීක්ෂණ ස්වයංක්‍රීයකරණය මෘදුකාංග සංවර්ධනයේ තීරණාත්මක අංගයක් බවට පත් කර ඇත. සාම්ප්‍රදායික පරීක්ෂණ ස්වයංක්‍රීයකරණ රාමු තිර රචනය කරන ලද ප්‍රවේශයන් මත රඳා පවතී, එය බිඳෙනසුලු සහ නඩත්තු කිරීමට අපහසු විය හැකිය. මෑත වසරවලදී, Agentic AI සහ Orchestration මෙවලම් මතුවීම සංකීර්ණ පරීක්ෂණ අවස්ථා ස්වයංක්‍රීය කිරීම සඳහා නව හැකියාවන් විවෘත කර ඇත. මෙම ලිපියෙන්, අපි LangChain සහ DSPy භාවිතයෙන් සංකීර්ණ පරීක්ෂණ අවස්ථා ස්වයංක්‍රීය කිරීම සඳහා Agentic AI, Orchestration Tools සහ Software Engineering හි මංසන්ධිය ගවේෂණය කරන්නෙමු.

Agentic AI යනු කුමක්ද?

නියෝජිත AI යනු පරිශීලකයෙකු හෝ පද්ධතියක් වෙනුවෙන් ක්‍රියා කිරීමට සැලසුම් කර ඇති කෘතිම බුද්ධි වර්ගයකි. නියෝජිත AI පද්ධති තීරණ ගැනීමට, අත්දැකීම් වලින් ඉගෙන ගැනීමට සහ නව තත්වයන්ට අනුවර්තනය වීමට හැකියාව ඇත. පරීක්ෂණ ස්වයංක්‍රීයකරණයේ සන්දර්භය තුළ, පරිශීලක අන්තර්ක්‍රියා අනුකරණය කිරීමෙන්, පරීක්ෂණ දත්ත මත පදනම්ව තීරණ ගැනීමෙන් සහ වෙනස්වන පරීක්ෂණ තත්වයන්ට අනුවර්තනය වීමෙන් සංකීර්ණ පරීක්ෂණ අවස්ථා ස්වයංක්‍රීය කිරීමට නියෝජිත AI භාවිතා කළ හැක.

LangChain යනු කුමක්ද?

LangChain යනු Python, Rust, සහ Go ඇතුළු විවිධ ක්‍රමලේඛන භාෂා භාවිතයෙන් සංවර්ධකයින්ට සංකීර්ණ AI පද්ධති තැනීමට ඉඩ සලසන විවෘත මූලාශ්‍ර වාද්‍ය වෘන්ද මෙවලමකි. LangChain විසින් නම්‍යශීලී සහ මොඩියුලර් ගෘහනිර්මාණ ශිල්පයක් සපයන අතර එය සංවර්ධකයින්ට නවීන AI පද්ධති තැනීම සඳහා ස්වභාවික භාෂා සැකසුම් (NLP) සහ පරිගණක දැක්ම වැනි විවිධ AI සංරචක ඒකාබද්ධ කිරීමට හැකි වේ.

DSPy යනු කුමක්ද?

DSPy යනු AI පද්ධති ගොඩනැගීම සහ යෙදවීම සඳහා මෙවලම් කට්ටලයක් සපයන පයිතන් පුස්තකාලයකි. DSPy LangChain සමඟ බාධාවකින් තොරව වැඩ කිරීමට සැලසුම් කර ඇති අතර දත්ත සැකසීම, යන්ත්‍ර ඉගෙනීම සහ ගැඹුරු ඉගෙනීම ඇතුළු විශේෂාංග රාශියක් සපයයි.

** Deterministic Test Automation තුළ නියෝජිත AI ක්‍රියාත්මක කිරීම**

නිර්ණායක පරීක්ෂණ ස්වයංක්‍රීයකරණයේදී Agentic AI ක්‍රියාත්මක කිරීම සඳහා, පරිශීලක අන්තර්ක්‍රියා අනුකරණය කරන, පරීක්ෂණ දත්ත මත පදනම්ව තීරණ ගන්නා සහ වෙනස්වන පරීක්ෂණ තත්වයන්ට අනුවර්තනය වන පරීක්ෂණ ස්වයංක්‍රීයකරණ රාමුවක් තැනීමට අපට LangChain සහ DSPy භාවිතා කළ හැක.

පරීක්ෂණ අවස්ථාවක් ස්වයංක්‍රීය කිරීම සඳහා අපට LangChain සහ DSPy භාවිතා කළ හැකි ආකාරය පිළිබඳ සරල උදාහරණයක් මෙන්න:

langchain ආනයනය කරන්න
langchain.chains වෙතින් LLMCchain ආනයනය කරන්න
langchain.llms වෙතින් DSPyLLM ආනයනය කරන්න


test_scenario = {
    "user_input": "පිවිසුම",
    "expected_output": "පිවිසුම සාර්ථකයි"
}

# නියෝජිත AI නියෝජිතයා නිර්වචනය කරන්න
නියෝජිතයා = LLMCchain(
    llm=DSPyLLM(),
    input_type="text",
    output_type="text"
)

# පරීක්ෂණ ස්වයංක්‍රීයකරණ කාර්යය නිර්වචනය කරන්න
def test_automation(test_scenario):
    # පරිශීලක අන්තර්ක්‍රියා අනුකරණය කරන්න
    user_input = test_scenario["user_input"]
    # පරීක්ෂණ දත්ත මත පදනම්ව තීරණයක් ගන්න
    තීරණය = agent.run(user_input)
    # වෙනස්වන පරීක්ෂණ තත්වයන්ට අනුගත වන්න
    තීරණය නම් == "පිවිසුම සාර්ථකයි":
        මුද්‍රණය ("පරීක්ෂණ සමත්")
    වෙනත්:
        මුද්‍රණය ("පරීක්ෂණ අසාර්ථකයි")

# පරීක්ෂණ ස්වයංක්‍රීයකරණ කාර්යය ක්‍රියාත්මක කරන්න
test_automation(test_scenario)

මෙම උදාහරණයේදී, අපි පරිශිලක අන්තර්ක්‍රියාවක් අනුකරණය කිරීම, පරීක්ෂණ දත්ත මත පදනම්ව තීරණයක් ගැනීම සහ වෙනස්වන පරීක්ෂණ තත්වයන්ට අනුවර්තනය වීම ඇතුළත් පරීක්ෂණ ජවනිකාවක් නිර්වචනය කරමු. අපි පසුව LangChain සහ DSPy භාවිතා කරමින් Agentic AI නියෝජිතයෙකු නිර්වචනය කර, පරීක්ෂණ අවස්ථාව ස්වයංක්‍රීය කිරීමට එය භාවිතා කරමු.

ඉහළම 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets

LangChain සහ DSPy සඳහා වැඩිපුරම භාවිතා කරන ලද විධාන/snippets 5-10 මෙන්න:

1. langchain.LLMCchain(llm=DSPyLLM()): LangChain සහ DSPy භාවිතයෙන් නියෝජිත AI නියෝජිතයෙකු නිර්මාණය කරයි.
2. DSPyLLM(): DSPy LLM (විශාල භාෂා ආකෘතිය) අවස්ථාවක් ආරම්භ කරයි.
3. LLMCchain(input_type="text", output_type="text"): පෙළ ආදාන සහ ප්‍රතිදාන වර්ග සහිත නියෝජිත AI නියෝජිතයෙකු නිර්මාණය කරයි.
4. agent.run(user_input): පරිශීලක ආදානය සමඟ නියෝජිත AI නියෝජිතයා ධාවනය කරයි.
5. test_scenario = {"user_input": "login", "expected_output": "login සාර්ථකයි"}: පරිශීලක ආදානය සහ අපේක්ෂිත ප්‍රතිදානය සමඟ පරීක්ෂණ අවස්ථාවක් නිර්වචනය කරයි.
6. langchain.chains.LLMCchain(llm=DSPyLLM()): LangChain සහ DSPy භාවිතයෙන් නියෝජිත AI නියෝජිතයෙකු නිර්මාණය කරයි.
7. DSPyLLM().predict(user_input): පරිශීලක ආදානය සමඟ DSPy LLM හි ප්‍රතිදානය පුරෝකථනය කරයි.
8. LLMCchain(input_type="text", output_type="text").run(user_input): පෙළ ආදාන සහ ප්‍රතිදාන වර්ග සමඟින් නියෝජිත AI නියෝජිතයා ධාවනය කරයි.
9. test_automation(test_scenario): පරීක්ෂණ ස්වයංක්‍රීයකරණ ශ්‍රිතය පරීක්ෂණ අවස්ථාවක් සමඟ ධාවනය කරයි.
10. langchain.chains.LLMCchain(llm=DSPyLLM()).run(user_input): පරිශීලක ආදානය සමඟ නියෝජිත AI නියෝජිතයා ධාවනය කරයි.

දෘෂ්‍යකරණය

මෙන්න Chart.js භාවිතා කරන නියෝජිත AI නියෝජිතයාගේ දෘශ්‍යකරණයකි: ''''ජේසන් { "වර්ගය": "බාර්", "දත්ත": { "ලේබල්": ["පරිශීලක ආදානය", "තීරණය", "අනුවර්තනය"], "දත්ත කට්ටල": [ { "label": "Agentic AI නියෝජිතයා", "දත්ත": [10, 20, 30], "backgroundColor": "rgba(255, 99, 132, 0.2)", "borderColor": "rgba(255, 99, 132, 1)", "දේශසීමා පළල": 1 } ] }, "විකල්ප": { "මාතෘකාව": { "දර්ශණය": ඇත්ත, "පෙළ": "නියෝජිත AI නියෝජිතයා" }, "පරිමාණ": { "yAxes": [ { "කිනිතුල්ලන්": { "beginAtZero": ඇත්ත } } ] } } }

මෙම දෘශ්‍යකරණය මඟින් පරිශීලක අන්තර්ක්‍රියා අනුකරණය කිරීමේදී, පරීක්ෂණ දත්ත මත පදනම්ව තීරණ ගැනීමේදී සහ වෙනස්වන පරීක්ෂණ තත්ත්වයන්ට අනුවර්තනය කිරීමේදී නියෝජිත AI නියෝජිතයාගේ ක්‍රියාකාරිත්වය පෙන්වයි.

** නිගමනය **

මෙම ලිපියෙන්, අපි LangChain සහ DSPy භාවිතයෙන් සංකීර්ණ පරීක්ෂණ අවස්ථා ස්වයංක්‍රීය කිරීම සඳහා Agentic AI, Orchestration Tools සහ Software Engineering හි ඡේදනය ගවේෂණය කළෙමු. අපි නිර්ණායක පරීක්ෂණ ස්වයංක්‍රීයකරණයේදී Agentic AI හි සරල උදාහරණයක් ක්‍රියාවට නැංවූ අතර LangChain සහ DSPy සඳහා විධාන/ස්නිපෙට් පරාසයක් ලබා දුන්නෙමු. අපි Chart.js භාවිතයෙන් නියෝජිත AI නියෝජිතයාගේ ක්‍රියාකාරිත්වය ද දෘශ්‍යමාන කළෙමු. Agentic AI සහ Orchestration Tools භාවිතා කිරීමෙන්, සංවර්ධකයින්ට පරිශීලක අන්තර්ක්‍රියා අනුකරණය කරන, පරීක්ෂණ දත්ත මත පදනම්ව තීරණ ගන්නා සහ වෙනස් වන පරීක්ෂණ තත්වයන්ට අනුවර්තනය වන නවීන පරීක්ෂණ ස්වයංක්‍රීය රාමු ගොඩනගා ගත හැකිය.