Pagpapatupad ng Agentic AI sa Deterministic Test Automation kasama ang LangChain at DSPy

Pagpapatupad ng Agentic AI sa Deterministic Test Automation kasama ang LangChain at DSPy

Panimula

Ang pagtaas ng pagiging kumplikado ng mga sistema ng software ay ginawa ang pag-automate ng pagsubok na isang mahalagang aspeto ng pagbuo ng software. Ang mga tradisyunal na balangkas ng automation ng pagsubok ay umaasa sa mga scripted approach, na maaaring malutong at mahirap mapanatili. Sa mga nakalipas na taon, ang paglitaw ng Agentic AI at Orchestration Tools ay nagbukas ng mga bagong posibilidad para sa pag-automate ng mga kumplikadong senaryo ng pagsubok. Sa artikulong ito, i-explore natin ang intersection ng Agentic AI, Orchestration Tools, at Software Engineering para i-automate ang mga kumplikadong senaryo ng pagsubok gamit ang LangChain at DSPy.

Ano ang Agentic AI?

Ang Agentic AI ay tumutukoy sa isang uri ng artificial intelligence na idinisenyo upang gumawa ng mga aksyon sa ngalan ng isang user o system. Ang mga sistema ng ahente ng AI ay may kakayahang gumawa ng mga desisyon, matuto mula sa karanasan, at umangkop sa mga bagong sitwasyon. Sa konteksto ng pag-automate ng pagsubok, maaaring gamitin ang Agentic AI para i-automate ang mga kumplikadong sitwasyon sa pagsubok sa pamamagitan ng pagtulad sa mga pakikipag-ugnayan ng user, paggawa ng mga desisyon batay sa data ng pagsubok, at pag-angkop sa pagbabago ng mga kundisyon ng pagsubok.

Ano ang LangChain?

Ang LangChain ay isang open-source Orchestration Tool na nagbibigay-daan sa mga developer na bumuo ng mga kumplikadong AI system gamit ang iba't ibang programming language, kabilang ang Python, Rust, at Go. Nagbibigay ang LangChain ng flexible at modular na arkitektura na nagbibigay-daan sa mga developer na pagsamahin ang iba't ibang bahagi ng AI, tulad ng natural language processing (NLP) at computer vision, upang bumuo ng mga sopistikadong AI system.

Ano ang DSPy?

Ang DSPy ay isang Python library na nagbibigay ng isang set ng mga tool para sa pagbuo at pag-deploy ng mga AI system. Ang DSPy ay idinisenyo upang gumana nang walang putol sa LangChain at nagbibigay ng hanay ng mga feature, kabilang ang pagpoproseso ng data, machine learning, at deep learning.

Pagpapatupad ng Agentic AI sa Deterministic Test Automation

Upang ipatupad ang Agentic AI sa deterministic na pag-automate ng pagsubok, maaari naming gamitin ang LangChain at DSPy upang bumuo ng isang framework ng pag-automate ng pagsubok na ginagaya ang mga pakikipag-ugnayan ng user, gumagawa ng mga desisyon batay sa data ng pagsubok, at umaangkop sa pagbabago ng mga kondisyon ng pagsubok.

Narito ang isang simpleng halimbawa kung paano namin magagamit ang LangChain at DSPy upang i-automate ang isang senaryo ng pagsubok:

import langchain
mula sa langchain.chains import LLMChain
mula sa langchain.llms import DSPyLLM


test_scenario = {
    "user_input": "login",
    "expected_output": "matagumpay ang pag-login"
}

# Tukuyin ang ahente ng Ahente AI
ahente = LLMChain(
    llm=DSPyLLM(),
    input_type="text",
    output_type="text"
)

# Tukuyin ang function ng pag-aautomat ng pagsubok
def test_automation(test_scenario):
    # Gayahin ang pakikipag-ugnayan ng user
    user_input = test_scenario["user_input"]
    # Gumawa ng desisyon batay sa data ng pagsubok
    desisyon = agent.run(user_input)
    # Iangkop sa pagbabago ng mga kondisyon ng pagsubok
    kung desisyon == "matagumpay ang pag-login":
        print("Nakapasa ang pagsubok")
    iba pa:
        print("Nabigo ang pagsubok")

# Patakbuhin ang pag-andar ng pag-aautomat ng pagsubok
test_automation(test_scenario)

Sa halimbawang ito, tinutukoy namin ang isang senaryo ng pagsubok na kinabibilangan ng pagtulad sa isang pakikipag-ugnayan ng user, paggawa ng desisyon batay sa data ng pagsubok, at pag-angkop sa pagbabago ng mga kundisyon ng pagsubok. Pagkatapos ay tutukuyin namin ang isang ahente ng Agentic AI gamit ang LangChain at DSPy, at ginagamit ito upang i-automate ang senaryo ng pagsubok.

Nangungunang 5-10 Pinaka-ginagamit na Command/Snippet

Narito ang nangungunang 5-10 pinakaginagamit na command/snippet para sa LangChain at DSPy:

langchain.LLMChain(llm=DSPyLLM()): Lumilikha ng isang Ahente ng AI na ahente gamit ang LangChain at DSPy.
DSPyLLM(): Nagsisimula ng isang DSPy LLM (Large Language Model) instance.
LLMChain(input_type="text", output_type="text"): Gumagawa ng ahente ng Ahente AI na may mga uri ng text input at output.
agent.run(user_input): Pinapatakbo ang ahente ng Ahente AI na may input ng user.
test_scenario = {"user_input": "login", "expected_output": "login successful"}: Tinutukoy ang isang test scenario na may input ng user at inaasahang output.
langchain.chains.LLMChain(llm=DSPyLLM()): Lumilikha ng Ahente ng AI na ahente gamit ang LangChain at DSPy.
DSPyLLM().predict(user_input): Hinulaan ang output ng DSPy LLM na may input ng user.
LLMChain(input_type="text", output_type="text").run(user_input): Pinapatakbo ang Agentic AI agent na may mga text input at mga uri ng output.
test_automation(test_scenario): Pinapatakbo ang test automation function na may test scenario.
langchain.chains.LLMChain(llm=DSPyLLM()).run(user_input): Pinapatakbo ang ahente ng Agentic AI na may input ng user.

Visualization

Narito ang isang visualization ng ahente ng Agentic AI gamit ang Chart.js:

{
  "type": "bar",
  "data": {
    "labels": ["Input ng User", "Desisyon", "Adaptation"],
    "mga dataset": [
      {
        "label": "Agent AI Agent",
        "data": [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "BorderWidth": 1
      }
    ]
  },
  "mga opsyon": {
    "pamagat": {
      "display": totoo,
      "text": "Agent AI Agent"
    },
    "mga kaliskis": {
      "yAxes": [
        {
          "tiks": {
            "beginAtZero": totoo
          }
        }
      ]
    }
  }
}

Ipinapakita ng visualization na ito ang pagganap ng ahente ng Agentic AI sa pagtulad sa mga pakikipag-ugnayan ng user, paggawa ng mga desisyon batay sa data ng pagsubok, at pag-angkop sa pagbabago ng mga kundisyon ng pagsubok.

Konklusyon

Sa artikulong ito, ginalugad namin ang intersection ng Agentic AI, Orchestration Tools, at Software Engineering para i-automate ang mga kumplikadong senaryo ng pagsubok gamit ang LangChain at DSPy. Nagpatupad kami ng simpleng halimbawa ng Agentic AI sa deterministic test automation at nagbigay ng hanay ng mga command/snippet para sa LangChain at DSPy. Na-visualize din namin ang performance ng ahente ng Agentic AI gamit ang Chart.js. Sa pamamagitan ng paggamit ng Agentic AI at Orchestration Tools, ang mga developer ay maaaring bumuo ng mga sopistikadong test automation frameworks na gayahin ang mga pakikipag-ugnayan ng user, gumawa ng mga desisyon batay sa data ng pagsubok, at umangkop sa pagbabago ng mga kondisyon ng pagsubok.

Pagpapatupad ng Agentic AI sa Deterministic Test Automation kasama ang LangChain at DSPy

Have Questions?