அறிமுகம்
செயற்கை நுண்ணறிவு (AI), மென்பொருள் கட்டமைப்பு மற்றும் DevOps ஆகியவற்றின் குறுக்குவெட்டு மென்பொருள் உருவாக்கத்தில் ஒரு புதிய முன்னுதாரணத்தை உருவாக்கியுள்ளது: ஏஜென்டிக் AI. ஏஜென்டிக் AI என்பது DevOps பணிப்பாய்வுகளின் செயல்திறன் மற்றும் செயல்திறனை மேம்படுத்த AI-உந்துதல் ஆட்டோமேஷனைப் பயன்படுத்துவதைக் குறிக்கிறது. இந்தக் கட்டுரையில், Agentic CI/CD பற்றிய கருத்தையும், DSPy மற்றும் LangChain ஐப் பயன்படுத்தி அதை எவ்வாறு செயல்படுத்துவது என்பதையும் ஆராய்வோம்.
ஏஜென்டிக் சிஐ/சிடி என்றால் என்ன?
ஏஜென்டிக் CI/CD என்பது DevOps பணிப்பாய்வு ஆகும், இது AI-உந்துதல் ஆட்டோமேஷனைப் பயன்படுத்தி தொடர்ச்சியான ஒருங்கிணைப்பு மற்றும் தொடர்ச்சியான வரிசைப்படுத்தல் செயல்முறையை மேம்படுத்துகிறது. இந்த அணுகுமுறையானது, குறியீடு களஞ்சியங்கள், சர்வர்களை உருவாக்குதல் மற்றும் கண்காணிப்பு கருவிகள் போன்ற பல்வேறு மூலங்களிலிருந்து தரவை பகுப்பாய்வு செய்ய இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்துகிறது.
DevOps பணிப்பாய்வுகளின் செயல்திறன் மற்றும் செயல்திறனை மேம்படுத்த ஏஜென்டிக் CI/CD வடிவமைக்கப்பட்டுள்ளது:
- மீண்டும் நிகழும் பணிகளை தானியக்கமாக்குதல்: AI-உந்துதல் தன்னியக்கமானது குறியீடு மதிப்பாய்வுகள், சோதனை மற்றும் வரிசைப்படுத்தல் போன்ற பணிகளைச் செய்ய முடியும், உயர்நிலைப் பணிகளில் கவனம் செலுத்த மனித டெவலப்பர்களை விடுவிக்கிறது.
- சாத்தியமான சிக்கல்களைக் கண்டறிதல்: இயந்திர கற்றல் வழிமுறைகள் பல்வேறு மூலங்களிலிருந்து தரவை பகுப்பாய்வு செய்து, அவை பெரிய சிக்கல்களாக மாறுவதற்கு முன்பு சாத்தியமான சிக்கல்களைக் கண்டறிய முடியும்.
- ** பணிப்பாய்வுகளை மேம்படுத்துதல்**: ஏஜென்டிக் CI/CD ஆனது குறியீடு வரிசைப்படுத்தலுக்கான மிகவும் திறமையான வழிகளைக் கண்டறிந்து வேலையில்லா நேரத்தைக் குறைப்பதன் மூலம் பணிப்பாய்வுகளை மேம்படுத்த முடியும்.
DSPy மற்றும் LangChain உடன் ஏஜென்டிக் CI/CD ஐ செயல்படுத்துதல்
DSPy மற்றும் LangChain ஆகியவை Agentic AI அமைப்புகளை உருவாக்குவதற்கான இரண்டு பிரபலமான கட்டமைப்புகள் ஆகும். DSPy என்பது விநியோகிக்கப்பட்ட அமைப்புகளை உருவாக்குவதற்கான பைதான் நூலகமாகும், அதே சமயம் LangChain என்பது உரையாடல் AI அமைப்புகளை உருவாக்குவதற்கான ஒரு கட்டமைப்பாகும்.
DSPy மற்றும் LangChain உடன் Agentic CI/CD ஐ செயல்படுத்த, பின்வரும் கூறுகளைப் பயன்படுத்துவோம்:
- DSPy: பெரிய அளவிலான தரவுகளைக் கையாளக்கூடிய மற்றும் சிக்கலான கணக்கீடுகளைச் செய்யக்கூடிய ஒரு விநியோகிக்கப்பட்ட அமைப்பை உருவாக்க DSPy ஐப் பயன்படுத்துவோம்.
- LangChain: டெவலப்பர்களுடன் தொடர்புகொள்ளக்கூடிய மற்றும் CI/CD செயல்முறை பற்றிய நுண்ணறிவுகளை வழங்கக்கூடிய உரையாடல் AI அமைப்பை உருவாக்க LangChain ஐப் பயன்படுத்துவோம்.
Agentic CI/CD ஐ செயல்படுத்த DSPy மற்றும் LangChain ஐ எவ்வாறு பயன்படுத்துவது என்பதற்கான எளிய எடுத்துக்காட்டு இங்கே:
இறக்குமதி dsp
லாங்செயின் இறக்குமதி LLM இலிருந்து
# ஒரு DSPy கிளஸ்டரை வரையறுக்கவும்
கொத்து = dspy.Cluster()
# ஒரு LangChain LLM ஐ வரையறுக்கவும்
llm = LLM("text-davinci-003")
# CI/CD பணிப்பாய்வுகளை வரையறுக்கவும்
def ci_cd_workflow(குறியீடு):
# DSPy ஐப் பயன்படுத்தி குறியீட்டை பகுப்பாய்வு செய்யுங்கள்
பகுப்பாய்வு = cluster.analyze(குறியீடு)
# நுண்ணறிவுகளை வழங்க LangChain ஐப் பயன்படுத்தவும்
நுண்ணறிவு = llm.generate_insights(பகுப்பாய்வு)
# நுண்ணறிவுகளைத் திரும்பப் பெறவும்
மீண்டும் நுண்ணறிவு
# CI/CD பணிப்பாய்வு சோதனை
குறியீடு = "அச்சிடு('ஹலோ வேர்ல்ட்!')"
நுண்ணறிவு = ci_cd_workflow(குறியீடு)
அச்சு (நுண்ணறிவு)
குறியீட்டை பகுப்பாய்வு செய்ய DSPy மற்றும் நுண்ணறிவுகளை வழங்க LangChain ஐப் பயன்படுத்தும் CI/CD பணிப்பாய்வுகளை இந்தக் குறியீடு வரையறுக்கிறது. ci_cd_workflow செயல்பாடு குறியீட்டை உள்ளீடாக எடுத்துக்கொள்கிறது, DSPy ஐப் பயன்படுத்தி பகுப்பாய்வு செய்கிறது, பின்னர் நுண்ணறிவுகளை உருவாக்க LangChain ஐப் பயன்படுத்துகிறது. நுண்ணறிவு பின்னர் வெளியீடாகத் திரும்பும்.
முதல் 5-10 அதிகம் பயன்படுத்தப்படும் கட்டளைகள்/துணுக்குகள்
DSPy மற்றும் LangChainக்கு அதிகம் பயன்படுத்தப்படும் 5-10 கட்டளைகள்/துணுக்குகள் இங்கே:
டிஎஸ்பி
dspy.Cluster(): DSPy கிளஸ்டரை உருவாக்குகிறது.cluster.analyze(code): DSPyஐப் பயன்படுத்தி குறியீட்டை பகுப்பாய்வு செய்கிறது.cluster.deploy(code): DSPyஐப் பயன்படுத்தி குறியீட்டைப் பயன்படுத்துகிறது.cluster.monitor(code): DSPyஐப் பயன்படுத்தி குறியீட்டைக் கண்காணிக்கிறது.dspy.utils.log(நிலை, செய்தி): குறிப்பிட்ட நிலையில் ஒரு செய்தியைப் பதிவு செய்கிறது.
LangChain
LLM("text-davinci-003"): LangChain LLM ஐ உருவாக்குகிறது.llm.generate_insights(analysis): LangChain ஐப் பயன்படுத்தி நுண்ணறிவுகளை உருவாக்குகிறது.llm.interact(analysis): LangChain ஐப் பயன்படுத்தி டெவலப்பர்களுடன் தொடர்பு கொள்கிறது.langchain.utils.log(நிலை, செய்தி): குறிப்பிட்ட நிலையில் ஒரு செய்தியைப் பதிவு செய்கிறது.langchain.utils.tokenize(text): LangChain ஐப் பயன்படுத்தி உரையை டோக்கனைஸ் செய்கிறது.
காட்சிப்படுத்தல்
Chart.js ஐப் பயன்படுத்தி முகவர் CI/CD பணிப்பாய்வுகளின் காட்சிப்படுத்தல் இங்கே:
{
"வகை": "பார்",
"தரவு": {
"லேபிள்கள்": ["குறியீடு பகுப்பாய்வு", "நுண்ணறிவு உருவாக்கம்", "வரிசைப்படுத்தல்"],
"தரவுத்தொகுப்புகள்": [
{
"லேபிள்": "டிஎஸ்பி",
"தரவு": [10, 20, 30],
"பின்னணி நிறம்": ["#FF6384", "#36A2EB", "#FFCE56"]
},
{
"லேபிள்": "லாங்செயின்",
"தரவு": [20, 30, 40],
"பின்னணி நிறம்": ["#FF6384", "#36A2EB", "#FFCE56"]
}
]
},
"விருப்பங்கள்": {
"தலைப்பு": {
"காட்சி": உண்மை,
"உரை": "ஏஜென்டிக் சிஐ/சிடி பணிப்பாய்வு"
},
"செதில்கள்": {
"yAxes": [
{
"உண்ணி": {
"beginAtZero": உண்மை
}
}
]
}
}
}
இந்த காட்சிப்படுத்தல் Agentic CI/CD பணிப்பாய்வுகளை ஒரு பார் விளக்கப்படமாக காட்டுகிறது, DSPy மற்றும் LangChain தனித்தனி தரவுத்தொகுப்புகளாக குறிப்பிடப்படுகின்றன.
முடிவு
இந்தக் கட்டுரையில், ஏஜென்டிக் சிஐ/சிடியின் கருத்தையும், டிஎஸ்பி மற்றும் லாங்செயினைப் பயன்படுத்தி அதை எவ்வாறு செயல்படுத்துவது என்பதையும் ஆராய்ந்தோம். ஏஜென்டிக் சிஐ/சிடியின் பலன்களைப் பற்றி நாங்கள் விவாதித்தோம், இதில் தானியங்கு மீண்டும் மீண்டும் செய்யும் பணிகள், சாத்தியமான சிக்கல்களைக் கண்டறிதல் மற்றும் பணிப்பாய்வுகளை மேம்படுத்துதல் ஆகியவை அடங்கும். Agentic CI/CD ஐச் செயல்படுத்த DSPy மற்றும் LangChain ஐ எவ்வாறு பயன்படுத்துவது என்பதற்கான எளிய உதாரணத்தையும் நாங்கள் வழங்கியுள்ளோம், மேலும் DSPy மற்றும் LangChain க்காக அதிகம் பயன்படுத்தப்படும் 5-10 கட்டளைகள்/துணுக்குகள். இறுதியாக, Chart.jsஐப் பயன்படுத்தி ஏஜென்டிக் CI/CD பணிப்பாய்வு காட்சிப்படுத்தலைச் சேர்த்துள்ளோம்.
DSPy மற்றும் LangChain ஐ மேம்படுத்துவதன் மூலம், டெவலப்பர்கள் DevOps பணிப்பாய்வுகளின் செயல்திறன் மற்றும் செயல்திறனை மேம்படுத்தும் ஏஜென்டிக் AI அமைப்புகளை உருவாக்க முடியும். நீங்கள் ஒரு அனுபவமிக்க டெவலப்பராக இருந்தாலும் அல்லது புதிதாகத் தொடங்கினாலும், ஏஜென்டிக் சிஐ/சிடி என்பது ஆராய்வதற்குத் தகுந்த ஒரு அற்புதமான மற்றும் வேகமாக வளரும் துறையாகும்.