LangChain மற்றும் DSPy உடன் டெர்மினிஸ்டிக் டெஸ்ட் ஆட்டோமேஷனில் ஏஜென்டிக் AI ஐ செயல்படுத்துதல்
அறிமுகம்
மென்பொருள் அமைப்புகளின் அதிகரித்துவரும் சிக்கலானது சோதனை ஆட்டோமேஷனை மென்பொருள் மேம்பாட்டின் ஒரு முக்கிய அம்சமாக மாற்றியுள்ளது. பாரம்பரிய சோதனை தன்னியக்க கட்டமைப்புகள் ஸ்கிரிப்ட் அணுகுமுறைகளை நம்பியுள்ளன, அவை உடையக்கூடியதாகவும் பராமரிக்க கடினமாகவும் இருக்கும். சமீபத்திய ஆண்டுகளில், ஏஜென்டிக் AI மற்றும் ஆர்கெஸ்ட்ரேஷன் கருவிகளின் தோற்றம் சிக்கலான சோதனைக் காட்சிகளை தானியக்கமாக்குவதற்கான புதிய சாத்தியங்களைத் திறந்துள்ளது. இந்தக் கட்டுரையில், LangChain மற்றும் DSPyஐப் பயன்படுத்தி சிக்கலான சோதனைக் காட்சிகளை தானியக்கமாக்குவதற்கு, Agentic AI, Orchestration Tools மற்றும் Software Engineering ஆகியவற்றின் குறுக்குவெட்டை ஆராய்வோம்.
ஏஜென்டிக் AI என்றால் என்ன?
Agentic AI என்பது ஒரு பயனர் அல்லது அமைப்பின் சார்பாக நடவடிக்கை எடுக்க வடிவமைக்கப்பட்ட ஒரு வகை செயற்கை நுண்ணறிவைக் குறிக்கிறது. ஏஜென்டிக் AI அமைப்புகள் முடிவுகளை எடுக்கவும், அனுபவத்திலிருந்து கற்றுக்கொள்ளவும், புதிய சூழ்நிலைகளுக்கு ஏற்பவும் திறன் கொண்டவை. சோதனை ஆட்டோமேஷனின் சூழலில், பயனர் தொடர்புகளை உருவகப்படுத்துதல், சோதனைத் தரவின் அடிப்படையில் முடிவுகளை எடுப்பது மற்றும் சோதனை நிலைமைகளை மாற்றியமைத்தல் ஆகியவற்றின் மூலம் சிக்கலான சோதனைக் காட்சிகளை தானியக்கமாக்குவதற்கு ஏஜென்டிக் AI பயன்படுத்தப்படலாம்.
LangChain என்றால் என்ன?
LangChain என்பது ஒரு திறந்த மூல ஆர்கெஸ்ட்ரேஷன் கருவியாகும், இது பைதான், ரஸ்ட் மற்றும் கோ உள்ளிட்ட பல்வேறு நிரலாக்க மொழிகளைப் பயன்படுத்தி சிக்கலான AI அமைப்புகளை உருவாக்க டெவலப்பர்களை அனுமதிக்கிறது. LangChain ஒரு நெகிழ்வான மற்றும் மட்டு கட்டமைப்பை வழங்குகிறது, இது அதிநவீன AI அமைப்புகளை உருவாக்க, இயற்கை மொழி செயலாக்கம் (NLP) மற்றும் கணினி பார்வை போன்ற பல்வேறு AI கூறுகளை ஒருங்கிணைக்க டெவலப்பர்களுக்கு உதவுகிறது.
DSPy என்றால் என்ன?
DSPy என்பது பைதான் நூலகமாகும், இது AI அமைப்புகளை உருவாக்குவதற்கும் பயன்படுத்துவதற்குமான கருவிகளின் தொகுப்பை வழங்குகிறது. DSPy ஆனது LangChain உடன் தடையின்றி வேலை செய்ய வடிவமைக்கப்பட்டுள்ளது மற்றும் தரவு செயலாக்கம், இயந்திர கற்றல் மற்றும் ஆழமான கற்றல் உள்ளிட்ட பல அம்சங்களை வழங்குகிறது.
டெர்மினிஸ்டிக் டெஸ்ட் ஆட்டோமேஷனில் ஏஜென்டிக் AI ஐ செயல்படுத்துதல்
டெர்மினிஸ்டிக் டெஸ்ட் ஆட்டோமேஷனில் Agentic AIஐச் செயல்படுத்த, LangChain மற்றும் DSPyஐப் பயன்படுத்தி, பயனர் தொடர்புகளை உருவகப்படுத்தும், சோதனைத் தரவின் அடிப்படையில் முடிவுகளை எடுப்பது மற்றும் மாறிவரும் சோதனை நிலைமைகளுக்கு ஏற்ப ஒரு சோதனை ஆட்டோமேஷன் கட்டமைப்பை உருவாக்கலாம்.
சோதனைக் காட்சியை தானியக்கமாக்குவதற்கு LangChain மற்றும் DSPy ஐ எவ்வாறு பயன்படுத்தலாம் என்பதற்கான எளிய எடுத்துக்காட்டு இங்கே:
லாங்செயின் இறக்குமதி
langchain.chains இலிருந்து LLMCchain ஐ இறக்குமதி செய்கிறது
langchain.llms இலிருந்து DSPyLLM ஐ இறக்குமதி செய்கிறது
test_scenario = {
"user_input": "உள்நுழைவு",
"expected_output": "உள்நுழைவு வெற்றிகரமாக"
}
# ஏஜென்டிக் AI முகவரை வரையறுக்கவும்
முகவர் = LLMCchain(
llm=DSPyLLM(),
input_type="text",
output_type="text"
)
# சோதனை ஆட்டோமேஷன் செயல்பாட்டை வரையறுக்கவும்
def test_automation(test_scenario):
# பயனர் தொடர்புகளை உருவகப்படுத்தவும்
user_input = test_scenario["user_input"]
# சோதனை தரவுகளின் அடிப்படையில் முடிவெடுக்கவும்
முடிவு = agent.run(user_input)
# மாறிவரும் சோதனை நிலைமைகளுக்கு ஏற்ப
முடிவு என்றால் == "உள்நுழைவு வெற்றிகரமாக":
அச்சு ("சோதனை தேர்ச்சி")
வேறு:
அச்சு ("சோதனை தோல்வியடைந்தது")
# சோதனை ஆட்டோமேஷன் செயல்பாட்டை இயக்கவும்
test_automation(test_scenario)
இந்த எடுத்துக்காட்டில், பயனர் தொடர்புகளை உருவகப்படுத்துதல், சோதனைத் தரவின் அடிப்படையில் முடிவெடுப்பது மற்றும் சோதனை நிலைமைகளை மாற்றியமைத்தல் ஆகியவற்றை உள்ளடக்கிய ஒரு சோதனை காட்சியை நாங்கள் வரையறுக்கிறோம். LangChain மற்றும் DSPy ஐப் பயன்படுத்தி ஒரு ஏஜென்டிக் AI முகவரை நாங்கள் வரையறுத்து, சோதனைக் காட்சியை தானியக்கமாக்க அதைப் பயன்படுத்துகிறோம்.
முதல் 5-10 அதிகம் பயன்படுத்தப்பட்ட கட்டளைகள்/துணுக்குகள்
LangChain மற்றும் DSPyக்கு அதிகம் பயன்படுத்தப்படும் 5-10 கட்டளைகள்/துணுக்குகள் இங்கே:
langchain.LLMCchain(llm=DSPyLLM()): LangChain மற்றும் DSPy ஐப் பயன்படுத்தி ஒரு ஏஜென்டிக் AI முகவரை உருவாக்குகிறது.DSPyLLM(): DSPy LLM (பெரிய மொழி மாதிரி) நிகழ்வை துவக்குகிறது.LLMCchain(input_type="text", output_type="text"): உரை உள்ளீடு மற்றும் வெளியீட்டு வகைகளுடன் ஒரு ஏஜென்டிக் AI முகவரை உருவாக்குகிறது.agent.run(user_input): பயனர் உள்ளீட்டுடன் ஏஜென்டிக் AI முகவரை இயக்குகிறது.test_scenario = {"user_input": "login", "expected_output": "login successful"}: பயனர் உள்ளீடு மற்றும் எதிர்பார்க்கப்படும் வெளியீட்டைக் கொண்டு சோதனைக் காட்சியை வரையறுக்கிறது.langchain.chains.LLMCchain(llm=DSPyLLM()): LangChain மற்றும் DSPy ஐப் பயன்படுத்தி ஒரு ஏஜென்டிக் AI முகவரை உருவாக்குகிறது.DSPyLLM().predict(user_input): பயனர் உள்ளீட்டுடன் DSPy LLM இன் வெளியீட்டைக் கணிக்கும்.LLMCchain(input_type="text", output_type="text").run(user_input): உரை உள்ளீடு மற்றும் வெளியீட்டு வகைகளுடன் ஏஜென்டிக் AI முகவரை இயக்குகிறது.test_automation(test_scenario): சோதனைத் தன்னியக்கச் செயல்பாட்டை ஒரு சோதனைக் காட்சியுடன் இயக்குகிறது.langchain.chains.LLMCchain(llm=DSPyLLM()).run(user_input): பயனர் உள்ளீட்டுடன் ஏஜென்டிக் AI ஏஜென்ட்டை இயக்குகிறது.
காட்சிப்படுத்தல்
Chart.js ஐப் பயன்படுத்தி ஏஜென்டிக் AI ஏஜெண்டின் காட்சிப்படுத்தல் இங்கே:
{
"வகை": "பார்",
"தரவு": {
"லேபிள்கள்": ["பயனர் உள்ளீடு", "முடிவு", "தழுவல்"],
"தரவுத்தொகுப்புகள்": [
{
"லேபிள்": "ஏஜென்டிக் AI முகவர்",
"தரவு": [10, 20, 30],
"பின்னணி நிறம்": "rgba(255, 99, 132, 0.2)",
"borderColor": "rgba(255, 99, 132, 1)",
"எல்லை அகலம்": 1
}
]
},
"விருப்பங்கள்": {
"தலைப்பு": {
"காட்சி": உண்மை,
"உரை": "ஏஜென்டிக் AI முகவர்"
},
"செதில்கள்": {
"yAxes": [
{
"உண்ணி": {
"beginAtZero": உண்மை
}
}
]
}
}
}
இந்த காட்சிப்படுத்தல், பயனர் தொடர்புகளை உருவகப்படுத்துதல், சோதனை தரவுகளின் அடிப்படையில் முடிவுகளை எடுப்பது மற்றும் சோதனை நிலைமைகளை மாற்றியமைத்தல் ஆகியவற்றில் ஏஜென்டிக் AI முகவரின் செயல்திறனைக் காட்டுகிறது.
முடிவு
இந்தக் கட்டுரையில், LangChain மற்றும் DSPyஐப் பயன்படுத்தி சிக்கலான சோதனைக் காட்சிகளை தானியக்கமாக்குவதற்கு, Agentic AI, Orchestration Tools மற்றும் Software Engineering ஆகியவற்றின் குறுக்குவெட்டை ஆராய்ந்தோம். நிர்ணய சோதனை ஆட்டோமேஷனில் Agentic AI இன் எளிய உதாரணத்தை நாங்கள் செயல்படுத்தினோம் மற்றும் LangChain மற்றும் DSPy க்கான பலவிதமான கட்டளைகள்/துணுக்குகளை வழங்கினோம். Chart.jsஐப் பயன்படுத்தி ஏஜென்டிக் AI ஏஜென்ட்டின் செயல்திறனையும் காட்சிப்படுத்தினோம். ஏஜென்டிக் AI மற்றும் ஆர்கெஸ்ட்ரேஷன் கருவிகளை மேம்படுத்துவதன் மூலம், டெவலப்பர்கள் அதிநவீன சோதனை ஆட்டோமேஷன் கட்டமைப்பை உருவாக்க முடியும், அவை பயனர் தொடர்புகளை உருவகப்படுத்துகின்றன, சோதனைத் தரவின் அடிப்படையில் முடிவுகளை எடுக்கின்றன மற்றும் மாறிவரும் சோதனை நிலைமைகளுக்கு ஏற்ப மாற்றுகின்றன.