Nerapkeun Agentic AI dina Deterministic Test Automation kalawan LangChain na DSPy

Nerapkeun Agentic AI dina Deterministic Test Automation sareng LangChain sareng DSPy

Pendahuluan

Ngaronjatna pajeulitna sistem parangkat lunak parantos ngajantenkeun automation tés janten aspék anu penting dina pamekaran parangkat lunak. Kerangka automation tés tradisional ngandelkeun pendekatan naskah, anu tiasa rapuh sareng sesah dijaga. Dina taun-taun ayeuna, mecenghulna Agentic AI sareng Orchestration Tools parantos muka kamungkinan anyar pikeun ngajadikeun otomatis skénario tés rumit. Dina tulisan ieu, urang bakal ngajalajah persimpangan Agentic AI, Alat Orkestrasi, sareng Téknik Perangkat Lunak pikeun ngajadikeun otomatis skénario tés rumit nganggo LangChain sareng DSPy.

Naon ari Agentic AI?

Agentic AI ngarujuk kana jinis intelijen buatan anu dirancang pikeun ngalakukeun tindakan atas nama pangguna atanapi sistem. Sistem AI Agentic sanggup nyieun kaputusan, diajar tina pangalaman, sareng adaptasi kana kaayaan anyar. Dina kontéks otomatisasi tés, Agentic AI tiasa dianggo pikeun ngajadikeun otomatis skénario tés rumit ku cara simulasi interaksi pangguna, nyandak kaputusan dumasar kana data tés, sareng adaptasi kana kaayaan tés anu robih.

Naon ari LangChain?

LangChain mangrupikeun Alat Orkestrasi open-source anu ngamungkinkeun para pamekar ngawangun sistem AI anu kompleks nganggo rupa-rupa basa pamrograman, kalebet Python, Rust, sareng Go. LangChain nyayogikeun arsitéktur anu fleksibel sareng modular anu ngamungkinkeun para pamekar ngahijikeun komponén AI anu béda, sapertos pamrosésan basa alami (NLP) sareng visi komputer, pikeun ngawangun sistem AI anu canggih.

Naon DSPy?

DSPy mangrupikeun perpustakaan Python anu nyayogikeun sakumpulan alat pikeun ngawangun sareng nyebarkeun sistem AI. DSPy dirancang pikeun digawé mulus sareng LangChain sareng nyayogikeun sajumlah fitur, kalebet ngolah data, diajar mesin, sareng diajar jero.

** Nerapkeun Agentic AI dina Deterministic Test Automation**

Pikeun nerapkeun Agentic AI dina automation test deterministik, urang tiasa nganggo LangChain na DSPy ngawangun kerangka automation test nu simulates interaksi pamaké, nyieun kaputusan dumasar kana data test, sarta diluyukeun kana ngarobah kaayaan test.

Ieu conto saderhana kumaha urang tiasa nganggo LangChain sareng DSPy pikeun ngajadikeun otomatis skenario tés:

impor langchain
ti langchain.chains impor LLMChain
ti langchain.llms impor DSPyLLM


tés_skénario = {
    "user_input": "asup log",
    "expected_output": "asup log suksés"
}

# Nangtukeun agén AI Agen
agén = LLMChain(
    llm=DSPyLLM(),
    input_type="text",
    output_type = "téks"
)

# Nangtukeun fungsi automasi tés
def test_automation(test_scenario):
    # Simulasi interaksi pangguna
    user_input = test_scenario ["user_input"]
    # Jieun kaputusan dumasar kana data tés
    kaputusan = agent.run(user_input)
    # Adaptasikeun kana ngarobih kaayaan tés
    lamun kaputusan == "login suksés":
        print("Tes lulus")
    sejenna:
        print("Tes gagal")

# Jalankeun fungsi automasi tés
test_automation(test_scenario)

Dina conto ieu, urang nangtukeun hiji skenario test nu ngalibatkeun simulating interaksi pamaké, nyieun kaputusan dumasar kana data test, sarta adaptasi jeung ngarobah kaayaan test. Urang lajeng nangtukeun agén AI Agentic maké LangChain na DSPy, sarta ngagunakeun eta pikeun ngajadikeun otomatis skenario test.

Top 5-10 Paréntah / Potongan Panggunaan

Ieu mangrupikeun 5-10 paréntah / snippét anu paling sering dianggo pikeun LangChain sareng DSPy:

langchain.LLMChain (llm = DSPyLLM ()): Nyiptakeun agén AI Agentic nganggo LangChain sareng DSPy.
DSPyLLM(): Initializes a DSPy LLM (Modél Basa badag) conto.
LLMChain(input_type = "text", output_type = "text"): Nyiptakeun agén AI Agentic kalayan input téks sareng jinis kaluaran.
agent.run(user_input): Ngajalankeun agén AI Agentic kalayan input pangguna.
test_scenario = {"user_input": "login", "expected_output": "login suksés"}: Nangtukeun skénario tés kalawan input pamaké sarta output ekspektasi.
langchain.chains.LLMChain (llm = DSPyLLM ()): Nyiptakeun agén AI Agentic nganggo LangChain sareng DSPy.
DSPyLLM () .predict (user_input): Prediksi kaluaran DSPy LLM kalawan input pamaké.
LLMChain (input_type = "text", output_type = "text") .run (user_input): Ngajalankeun agén AI Agentic kalayan input téks sareng jinis kaluaran.
test_automation(test_scenario): Ngajalankeun pungsi automation test jeung skenario test.
langchain.chains.LLMChain(llm=DSPyLLM()).jalankeun(user_input): Ngajalankeun agén AI Agentic kalawan input pamaké.

Visualisasi

Ieu mangrupikeun visualisasi agén AI Agentic nganggo Chart.js:

{
  "type": "bar",
  "data": {
    "labels": ["Input Pamaké", "Putusan", "Adaptasi"],
    "setél data": [
      {
        "label": "Agén AI Agén",
        "data": [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "BorderWidth": 1
      }
    ]
  },
  "pilihan": {
    "judul": {
      "tampilan": leres,
      "text": "Agén AI Agén"
    },
    "skala": {
      "yAxes": [
        {
          "Cik": {
            "beginAtZero": leres
          }
        }
      ]
    }
  }
}

Visualisasi ieu nunjukkeun kinerja agén AI Agentic dina simulasi interaksi pamaké, nyieun kaputusan dumasar kana data tés, sarta adaptasi jeung ngarobah kaayaan tés.

Kacindekan

Dina artikel ieu, urang ngajajah simpang Agentic AI, Alat Orkestrasi, sareng Téknik Parangkat Lunak pikeun ngajadikeun otomatis skénario tés rumit nganggo LangChain sareng DSPy. Urang ngalaksanakeun conto basajan tina Agentic AI dina automation test deterministik sarta nyadiakeun sauntuyan Paréntah / snippét pikeun LangChain na DSPy. Kami ogé ngabayangkeun kinerja agén AI Agentic nganggo Chart.js. Ku ngamangpaatkeun Agentic AI sareng Orchestration Tools, pamekar tiasa ngawangun kerangka automation tés canggih anu nyonto interaksi pangguna, nyandak kaputusan dumasar kana data tés, sareng adaptasi kana kaayaan tés anu robih.

Nerapkeun Agentic AI dina Deterministic Test Automation kalawan LangChain na DSPy

Have Questions?