Giriş
Emeli intellekt (AI) we programma üpjünçiligi in inenerçiligindäki çalt ösüşler AI agentlerini we modully iş arhitekturasyny birleşdirýän çylşyrymly programma üpjünçilik ulgamlarynyň ösmegine sebäp boldy. Bu ulgamlar, “DevOps” -yň awtomatlaşdyrylyşyna we orkestrine çemeleşişimizi üýtgetmek üçin potensiala eýe. Şeýle-de bolsa, ulalýan we etiki AI bilen dolandyrylýan programma üpjünçilik ulgamlaryny dizaýn etmek, AI, programma üpjünçiligi we arhitektura boýunça soňky ösüşlere çuňňur düşünmegi talap edýär.
Bu makalada, AI agentlerini we modully iş akymynyň arhitekturasyny birleşdirýän modully, ulaldylan we etiki programma üpjünçilik ulgamlaryny döretmek üçin dizaýn ýörelgelerini we iň oňat tejribelerini öwreneris. Ygtybarly we durnukly ulgamlary döretmek üçin AI (Uly dil modelleri (LLMs), Gözleg-giňeldilen nesil (RAG)), programma üpjünçiligi (Python, Rust, Go) we arhitekturadaky soňky üstünlikleri birleşdirmäge üns bereris.
Modully iş akymynyň arhitekturasy
Modully iş akymynyň arhitekturasy, çylşyrymly ulgamlary aňsatlyk bilen saklap, täzeläp we ulaldyp boljak kiçi, garaşsyz modullara bölýän dizaýn nagşydyr. Her modul belli bir mesele ýa-da wezipe üçin jogapkärdir we gowy kesgitlenen interfeýsler arkaly biri-biri bilen aragatnaşyk saklaýarlar.
Ine, Python-da modully iş akymynyň arhitekturasynyň ýönekeý mysaly: `` piton
iş tertibi.py
synp iş tertibi: def __init __ (öz): self.modules = []
def add_module (öz, modul):
self.modules.append (modul)
def run (öz):
self.modules moduly üçin:
module.run ()
module1.py
1-nji synp: def run (öz): çap et ("1-nji modul işleýär")
module2.py
2-nji synp: def run (öz): çap et ("2-nji modul işleýär")
main.py
eger name == "main": iş tertibi = Iş tertibi () iş tertibi.add_module (Modul1 ()) iş tertibi.add_module (Modul2 ()) workflow.run () `` Bu mysalda, modullaryň sanawyny dolandyrýan "Workflow" synpymyz bar. Her modul belli bir mesele üçin jogapkärdir we olar "add_module" usuly bilen iş prosesine goşulýar. "Run" usuly, her moduly iş prosesinde ýerine ýetirmek üçin ulanylýar.
AI agentleri
AI agentleri ulgamda karar bermek we hereket etmek üçin maşyn öwrenmek algoritmlerini ulanýan programma üpjünçiligidir. Işleri awtomatlaşdyrmak, ulanyjy tejribesini ýokarlandyrmak we ulgamyň işleýşini optimizirlemek üçin ulanylyp bilner.
AI agentleriniň birnäçe görnüşi bar, şol sanda:
- ** Düzgüne esaslanýan agentler **: Bu agentler karar bermek üçin öňünden kesgitlenen düzgünleri ulanýarlar.
- ** Maşyn öwreniş serişdeleri **: Bu agentler maglumatlary öwrenmek we karar bermek üçin maşyn öwrenmek algoritmlerini ulanýarlar.
- ** Gibrid agentler **: Bu agentler karar bermek üçin düzgüne we maşyn öwreniş usullaryny birleşdirýärler.
Ine, Python-da maşyn öwrenmek algoritmini ulanyp, ýönekeý AI agentiniň mysaly: `` piton
agent.py
sklearn.ensemble import RandomForestClassifier sklearn.model_selection import otly_test_split sklearn.datasets-den load_iris import edýär
synp wekili: def __init __ (öz): self.model = RandomForestClassifier ()
def otly (öz, X, y):
X_train, X_test, y_train, y_test = otly_test_split (X, y, test_size = 0.2, random_state = 42)
self.model.fit (X_train, y_train)
def predict (öz, X):
self.model.predict (X)
main.py
eger name == "main": iris = load_iris () X = iris.data y = iris.target agent = Agent () agent.train (X, y) çaklamalar = agent.predict (X) çap etmek (çaklamalar) `` Bu mysalda, çaklamalary amala aşyrmak üçin tötänleýin tokaý klassifikatoryny ulanýan ýönekeý AI agentimiz bar. Agent, iris maglumatlar bazasynda tälim alýar we şol bir maglumat bazasynda çaklamalar edýär.
AI agentlerini we modully iş akymynyň arhitekturasyny birleşdirmek
AI agentlerini we modully iş akymynyň arhitekturasyny birleşdirmek, AI tarapyndan dolandyrylýan kararlary modully, ulaldylan arhitektura bilen birleşdirýän çylşyrymly ulgamlary döretmäge mümkinçilik berýär.
Ine, AI agentlerini we modully iş akymynyň arhitekturasyny birleşdirýän ulgamyň mysaly: `` piton
iş tertibi.py
synp iş tertibi: def __init __ (öz): self.modules = [] self.agent = Hiç
def add_module (öz, modul):
self.modules.append (modul)
def add_agent (özi, agent):
self.agent = agent
def run (öz):
self.modules moduly üçin:
module.run ()
self.agent:
self.agent.predict ()
module1.py
1-nji synp: def run (öz): çap et ("1-nji modul işleýär")
module2.py
2-nji synp: def run (öz): çap et ("2-nji modul işleýär")
agent.py
sklearn.ensemble import RandomForestClassifier sklearn.model_selection import otly_test_split sklearn.datasets-den load_iris import edýär
synp wekili: def __init __ (öz): self.model = RandomForestClassifier ()
def otly (öz, X, y):
X_train, X_test, y_train, y_test = otly_test_split (X, y, test_size = 0.2, random_state = 42)
self.model.fit (X_train, y_train)
def predict (öz, X):
self.model.predict (X)
main.py
eger name == "main": iş tertibi = Iş tertibi () iş tertibi.add_module (Modul1 ()) iş tertibi.add_module (Modul2 ()) agent = Agent () agent.train (X, y) iş tertibi.add_agent (agent) workflow.run () `` Bu mysalda, AI agentlerini we modully iş arhitekturasyny birleşdirýän ulgamymyz bar. Ulgamyň iki moduly we çaklamalary üçin tötänleýin tokaý klassifikatoryny ulanýan AI agenti bar. Agent, "add_agent" usuly bilen iş prosesine goşulýar we modullar işledilenden soň çaklamalar edýär.
Iň köp ulanylýan buýruklar / bölekler
Ine, modully iş akymynyň arhitekturasy we AI agentleri bilen ulalýan we etiki AI bilen dolandyrylýan programma üpjünçilik ulgamlaryny dizaýn etmek üçin iň köp ulanylýan buýruklar we bölekler:
- ** Python **: "pandalary pd görnüşinde import ediň" (panda kitaphanasyny import etmek)
- ** Python **:
pd.read_csv ('data.csv')(panda maglumat bazasyna CSV faýly okamak) - ** Python **:
agent.train (X, y)(AI agentini maglumat bazasynda taýýarlamak) - ** Python **:
agent.predict (X)(AI agentini ulanyp çaklamalar) - ** Rüst **:
mut agent = Agent :: new ()(Rüstde täze AI agent döretmek) - ** Rüst **:
agent.train (X, y)(Rüstdäki maglumatlar bazasynda AI agentini taýýarlamak) - ** Git **:
agent: = NewAgent ()(Go-da täze AI agentini döretmek) - ** Go **:
agent.Train (X, y)(Go-da maglumat bazasynda AI agentini taýýarlamak) - ** Diagramma.
- ** Chart.js **:
chart.data.datasets [0] .data.push (30)(Chart.js ulanyp diagramma täze maglumat nokady goşmak)
Görkeziş
Ine, Chart.js ulanyp, çyzgy diagrammasynyň mysaly:
json { "tip": "bar", "maglumatlar": { "bellikler": ["1-nji bellik", "2-nji bellik"], "maglumat bazalary": [ { "bellik": "Maglumatlar bazasy 1", "maglumatlar": [10, 20] } ] } }
Bu diagrammada iki bellik we iki maglumat nokady bolan bir maglumat toplumy bar. Diagramma dürli opsiýalary we sazlamalary ulanyp düzülip bilner.
Netije
Modully iş akymynyň arhitekturasy we AI agentleri bilen ulalýan we etiki AI bilen dolandyrylýan programma üpjünçilik ulgamlaryny dizaýn etmek, AI, programma üpjünçiligi we arhitektura boýunça soňky ösüşlere çuňňur düşünmegi talap edýär. AI agentlerini we modully iş akymynyň arhitekturasyny birleşdirip, AI tarapyndan dolandyrylýan kararlary modully, ulaldylan arhitektura bilen birleşdirýän çylşyrymly ulgamlary döredip bileris.
Bu makalada AI agentlerini we modully iş akymynyň arhitekturasyny birleşdirýän modully, ulaldylan we etiki programma üpjünçilik ulgamlaryny döretmek üçin dizaýn ýörelgelerini we iň oňat tejribelerini öwrendik. Şeýle hem, Python, Rust we Go-da ýönekeý AI agentleriniň we modully iş akymynyň arhitekturasynyň mysallaryny, şeýle hem Chart.js ulanyp wizual mysal berdik.
Bu makalada görkezilen görkezmelere we iň oňat tejribelere eýerip, döredijiler häzirki zaman amaly programmalarynyň we pudaklarynyň isleglerini kanagatlandyrýan AI bilen dolandyrylýan programma üpjünçilik ulgamlaryny döredip bilerler.