LangChain we DSPy bilen kesgitleýji synag awtomatizasiýasynda Agentic AI-ni durmuşa geçirmek

Giriş

Programma üpjünçilik ulgamlarynyň barha çylşyrymlylygy synag awtomatizasiýasyny programma üpjünçiligini ösdürmegiň möhüm ugruna öwürdi. Adaty synag awtomatlaşdyryş çarçuwalary döwük we saklamak kyn bolan ýazuw çemeleşmelerine daýanýar. Soňky ýyllarda “Agentic AI” we “Orkestr gurallarynyň” peýda bolmagy çylşyrymly synag ssenarilerini awtomatlaşdyrmak üçin täze mümkinçilikleri açdy. Bu makalada, “LangChain” we “DSPy” ulanyp, çylşyrymly synag ssenarilerini awtomatlaşdyrmak üçin “Agentic AI”, “Orkestr gurallary” we “Software Engineering” -iň kesişmesini öwreneris.

Agentic AI näme?

Agentic AI, ulanyjynyň ýa-da ulgamyň adyndan hereket etmek üçin döredilen emeli intellektiň bir görnüşine degişlidir. Agent AI ulgamlary karar bermäge, tejribeden öwrenmäge we täze ýagdaýlara uýgunlaşmaga ukyply. Synag awtomatizasiýasynyň çäginde, Agentic AI ulanyjylaryň özara täsirini simulirlemek, synag maglumatlaryna esaslanyp karar bermek we synag şertleriniň üýtgemegine uýgunlaşmak arkaly çylşyrymly synag ssenarilerini awtomatlaşdyrmak üçin ulanylyp bilner.

LangChain näme?

LangChain açyk çeşme Orkestr guraly bolup, döredijilere Python, Rust we Go ýaly dürli programma dillerini ulanyp çylşyrymly AI ulgamlaryny gurmaga mümkinçilik berýär. “LangChain” çeýe we modully arhitekturany üpjün edýär, bu döredijilere tebigy dilleri gaýtadan işlemek (NLP) we kompýuter görüşi ýaly dürli AI komponentlerini birleşdirip, çylşyrymly AI ulgamlaryny gurmaga mümkinçilik berýär.

DSPy näme?

DSPy, AI ulgamlaryny gurmak we ýerleşdirmek üçin gurallar toplumyny üpjün edýän Python kitaphanasydyr. DSPy “LangChain” bilen üznüksiz işlemek üçin döredilen we maglumatlary gaýtadan işlemek, maşyn öwrenmek we çuňňur öwrenmek ýaly birnäçe aýratynlygy üpjün edýär.

Deterministik synag awtomatizasiýasynda Agent AI-ni durmuşa geçirmek

Determiniki synag awtomatizasiýasynda Agentic AI-ni durmuşa geçirmek üçin, LangChain we DSPy ulanyp, ulanyjylaryň özara täsirini simulýasiýa edýän, synag maglumatlaryna esaslanýan kararlary kabul edýän we üýtgeýän synag şertlerine uýgunlaşýan synag awtomatlaşdyryş çarçuwasyny gurup bileris.

Synag ssenarisini awtomatlaşdyrmak üçin “LangChain” we “DSPy” -ni nädip ulanyp boljakdygymyzyň ýönekeý mysaly: `` piton langchain import ediň langchain.chains-den LLMChain import edýär langchain.llms-dan DSPyLLM import edýär

test_scenario = { "user_input": "giriş", "garaşylýan_output": "giriş üstünlikli" }

Agent AI agentini kesgitläň

agent = LLMChain ( llm = DSPyLLM (), input_type = "tekst", çykyş_ görnüşi = "tekst" )

Synag awtomatlaşdyryş funksiýasyny kesgitläň

def test_automation (test_scenario): # Ulanyjynyň özara täsirini simulasiýa ediň user_input = test_scenario ["user_input"] # Synag maglumatlaryna esaslanyp karar beriň karar = agent.run (ulanyjy_input) # Synag şertleriniň üýtgemegine uýgunlaşyň karar == "giriş üstünlikli": çap et ("Synag geçdi") başga: çap et ("Synag şowsuz")

Synag awtomatlaşdyryş funksiýasyny işlediň

test_automation (test_scenario) `` Bu mysalda, ulanyjynyň özara täsirini simulirlemegi, synag maglumatlaryna esaslanyp karar bermegi we synag şertleriniň üýtgemegine uýgunlaşmagy öz içine alýan synag ssenarisini kesgitleýäris. Soňra LangChain we DSPy ulanyp, Agentic AI agentini kesgitleýäris we synag ssenarisini awtomatlaşdyrmak üçin ulanýarys.

Iň köp ulanylýan buýruklar / bölekler

LangChain we DSPy üçin iň köp ulanylýan 5-10 buýruk / bölek:

1. "Langchain.LLMChain (llm = DSPyLLM ())": LangChain we DSPy ulanyp, Agent AI agentini döredýär.
2. "DSPyLLM ()": DSPy LLM (Uly dil modeli) mysalyny başlaýar.
3. "LLMChain (input_type =" text ", output_type =" text ")": Tekst giriş we çykyş görnüşleri bilen Agentic AI agentini döredýär.
4. "Agent.run (user_input)": Agent AI agentini ulanyjy girişi bilen işledýär.
5. "test_scenario = {" user_input ":" giriş "," garaşylýan_ çykyş ":" giriş üstünlikli "}`: Ulanyjynyň girişi we garaşylýan çykyşy bilen synag ssenarisini kesgitleýär.
6. "Langchain.chains.LLMChain (llm = DSPyLLM ())": LangChain we DSPy ulanyp, Agentic AI agentini döredýär.
7. "DSPyLLM (). Çaklaň (user_input)": Ulanyjy girişi bilen DSPy LLM-iň çykyşyny çaklaýar.
8. "LLMChain (input_type =" text ", output_type =" text "). Run (user_input)`: Tekst giriş we çykyş görnüşleri bilen Agentic AI agentini işledýär.
9. "Test_automation (test_scenario)": Synag awtomatlaşdyryş funksiýasyny synag ssenariýasy bilen işleýär.
10. "Langchain.chains.LLMChain (llm = DSPyLLM ()). Run (user_input)": Ulanyjy girişi bilen Agentic AI agentini işledýär.

Wizuallaşdyrma

Ine, Chart.js ulanyp, Agentic AI agentiniň wizual görnüşi: json { "tip": "bar", "maglumatlar": { "bellikler": ["Ulanyjy Giriş", "Karar", "Uýgunlaşma"], "maglumat bazalary": [ { "bellik": "Agent AI Agent", "maglumatlar": [10, 20, 30], "backgroundColor": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "borderWidth": 1 } ] }, "opsiýalar": { "title": { "görkezmek": dogry, "text": "Agent AI Agent" }, "terezisi": { "yAxes": [ { "bellikler": { "startAtZero": dogry } } ] } } } Bu wizuallaşdyrma, Agentic AI agentiniň ulanyjylaryň özara täsirini simulirlemekde, synag maglumatlaryna esaslanyp karar bermekde we üýtgeýän synag şertlerine uýgunlaşmakda öndürijiligini görkezýär.

Netije

Bu makalada, “LangChain” we “DSPy” ulanyp, çylşyrymly synag ssenarilerini awtomatlaşdyrmak üçin “Agentic AI”, “Orkestr gurallary” we “Programma in Engineeringenerligi” kesişmesini öwrendik. Determiniki synag awtomatizasiýasynda Agentic AI-iň ýönekeý mysalyny durmuşa geçirdik we LangChain we DSPy üçin birnäçe buýruk / bölek hödürledik. Şeýle hem, Chart.js ulanyp, Agentic AI agentiniň işini göz öňüne getirdik. “Agentic AI” we “Orchestration Tools” -y ulanmak bilen, döredijiler ulanyjylaryň özara täsirini simulýasiýa edýän, synag maglumatlaryna esaslanyp karar berýän we üýtgeýän synag şertlerine uýgunlaşýan çylşyrymly synag awtomatlaşdyryş çarçuwalaryny gurup bilerler.