Zbatimi i AI Agjentike në Automatizimin e Testit Determinist me LangChain dhe DSPy
Hyrje
Kompleksiteti në rritje i sistemeve softuerike e ka bërë automatizimin e testeve një aspekt thelbësor të zhvillimit të softuerit. Kornizat tradicionale të automatizimit të testeve mbështeten në qasje të skriptuara, të cilat mund të jenë të brishta dhe të vështira për t'u ruajtur. Vitet e fundit, shfaqja e Inteligjencës Artificiale Agjentike dhe Mjeteve të Orkestrimit ka hapur mundësi të reja për automatizimin e skenarëve komplekse të testimit. Në këtë artikull, ne do të eksplorojmë kryqëzimin e AI agjenturore, mjetet e orkestrimit dhe inxhinierinë softuerike për të automatizuar skenarët komplekse të testimit duke përdorur LangChain dhe DSPy.
Çfarë është AI Agentike?
AI agjenturore i referohet një lloji të inteligjencës artificiale që është krijuar për të ndërmarrë veprime në emër të një përdoruesi ose sistemi. Sistemet agjente të AI janë të afta të marrin vendime, të mësojnë nga përvoja dhe të përshtaten me situata të reja. Në kontekstin e automatizimit të provës, AI Agentike mund të përdoret për të automatizuar skenarë komplekse të testimit duke simuluar ndërveprimet e përdoruesve, duke marrë vendime bazuar në të dhënat e testimit dhe duke iu përshtatur ndryshimit të kushteve të testimit.
Çfarë është LangChain?
LangChain është një mjet orkestrimi me burim të hapur që lejon zhvilluesit të ndërtojnë sisteme komplekse të AI duke përdorur një sërë gjuhësh programimi, duke përfshirë Python, Rust dhe Go. LangChain ofron një arkitekturë fleksibël dhe modulare që u mundëson zhvilluesve të integrojnë komponentë të ndryshëm të AI, të tilla si përpunimi i gjuhës natyrore (NLP) dhe vizioni kompjuterik, për të ndërtuar sisteme të sofistikuara të AI.
Çfarë është DSPy?
DSPy është një bibliotekë Python që ofron një sërë mjetesh për ndërtimin dhe vendosjen e sistemeve të AI. DSPy është krijuar për të punuar pa probleme me LangChain dhe ofron një sërë veçorish, duke përfshirë përpunimin e të dhënave, mësimin e makinerive dhe mësimin e thellë.
**Zbatimi i AI agjenturore në automatizimin e testeve përcaktuese **
Për të zbatuar AI Agjentike në automatizimin e testit përcaktues, ne mund të përdorim LangChain dhe DSPy për të ndërtuar një kornizë automatizimi testimi që simulon ndërveprimet e përdoruesve, merr vendime bazuar në të dhënat e testit dhe përshtatet me ndryshimin e kushteve të testimit.
Këtu është një shembull i thjeshtë se si mund të përdorim LangChain dhe DSPy për të automatizuar një skenar testimi:
import langchain
nga langchain.zinxhirët importojnë LLMChain
nga langchain.llms import DSPyLLM
test_skenari = {
"user_input": "login",
"expected_output": "hyrja me sukses"
}
# Përcaktoni agjentin e AI agjenturore
agjent = LLMChain(
llm=DSPyLLM(),
input_type = "tekst",
output_type = "tekst"
)
# Përcaktoni funksionin e automatizimit të testimit
def test_automatizimi (skenari_testi):
# Simuloni ndërveprimin e përdoruesit
user_input = test_skenari ["user_input"]
# Merrni vendim bazuar në të dhënat e testit
vendim = agent.run(user_input)
# Përshtatuni me ndryshimin e kushteve të provës
nëse vendimi == "identifikimi i suksesshëm":
print ("Testi kaloi")
tjetër:
print ("Testi dështoi")
# Ekzekutoni funksionin e automatizimit të testimit
test_automatizimi (skenari_testi)
Në këtë shembull, ne përcaktojmë një skenar testimi që përfshin simulimin e një ndërveprimi të përdoruesit, marrjen e një vendimi bazuar në të dhënat e testit dhe përshtatjen me ndryshimin e kushteve të testimit. Më pas ne përcaktojmë një agjent Agjent të AI duke përdorur LangChain dhe DSPy, dhe e përdorim atë për të automatizuar skenarin e testimit.
Top 5-10 komandat/copëzat më të përdorura
Këtu janë 5-10 komandat/copëzat më të përdorura për LangChain dhe DSPy:
langchain.LLMChain(llm=DSPyLLM()): Krijon një agjent Agjent të AI duke përdorur LangChain dhe DSPy.DSPyLLM(): Inicializon një shembull DSPy LLM (Large Language Model).LLMChain(input_type="text", output_type="text"): Krijon një agjent Agjent AI me llojet e hyrjes dhe daljes së tekstit.agent.run(user_input): Ekzekuton agjentin Agentic AI me hyrjen e përdoruesit.test_scenario = {"user_input": "login", "expected_output": "login i suksesshëm"}: Përcakton një skenar testimi me hyrjen e përdoruesit dhe daljen e pritur.langchain.chains.LLMChain(llm=DSPyLLM()): Krijon një agjent Agjent të AI duke përdorur LangChain dhe DSPy.DSPyLLM().predict(user_input): Parashikon daljen e DSPy LLM me hyrjen e përdoruesit.LLMChain(input_type="text", output_type="text").run(user_input): Ekzekuton agjentin Agentic AI me llojet e hyrjes dhe daljes së tekstit.test_automation(test_scenario): Ekzekuton funksionin e automatizimit të testimit me një skenar provë.langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input): Ekzekuton agjentin Agent AI me hyrjen e përdoruesit.
Vizualizim
Këtu është një vizualizimi i agjentit Agjent të AI duke përdorur Chart.js:
{
"lloj": "bar",
"të dhënat": {
"labels": ["Hyrja e përdoruesit", "Vendimi", "Përshtatja"],
"grupet e të dhënave": [
{
"label": "Agjent AI Agjent",
"të dhënat": [10, 20, 30],
"Ngjyra e sfondit": "rgba(255, 99, 132, 0.2)",
"borderColor": "rgba(255, 99, 132, 1)",
"Gjerësia e kufirit": 1
}
]
},
"opsione": {
"titulli": {
"ekrani": i vërtetë,
"tekst": "Agjenti i AI"
},
"peshore": {
"yAxes": [
{
"ticks": {
"beginAtZero": e vërtetë
}
}
]
}
}
}
Ky vizualizim tregon performancën e agjentit të AI në simulimin e ndërveprimeve të përdoruesve, marrjen e vendimeve bazuar në të dhënat e testit dhe përshtatjen ndaj ndryshimit të kushteve të testimit.
përfundim
Në këtë artikull, ne eksploruam kryqëzimin e AI agjenturore, mjetet e orkestrimit dhe inxhinierinë softuerike për të automatizuar skenarët komplekse të testimit duke përdorur LangChain dhe DSPy. Ne kemi zbatuar një shembull të thjeshtë të AI Agjentike në automatizimin e testit përcaktues dhe kemi ofruar një sërë komandash/copëzash për LangChain dhe DSPy. Ne vizualizuam gjithashtu performancën e agjentit të AI Agjentike duke përdorur Chart.js. Duke shfrytëzuar Inteligjencën Artificiale Agjentike dhe Mjetet e Orkestrimit, zhvilluesit mund të ndërtojnë korniza të sofistikuara të automatizimit të testeve që simulojnë ndërveprimet e përdoruesve, marrin vendime bazuar në të dhënat e testimit dhe përshtaten me ndryshimin e kushteve të testimit.