تونۇشتۇرۇش

DevOps ئىنقىلابى يۇمشاق دېتالنى تەرەققىي قىلدۇرۇش ، ئورۇنلاشتۇرۇش ۋە باشقۇرۇش ئۇسۇلىنى ئۆزگەرتتى. قانداقلا بولمىسۇن ، زامانىۋى يۇمشاق دېتال سىستېمىسىنىڭ مۇرەككەپلىكىنىڭ ئېشىشىغا ئەگىشىپ ، ئاپتوماتلاشتۇرۇش ، ماسلىشىش ۋە كېڭەيتىش ئېھتىياجىمۇ كۈچىيىدۇ. سۈنئىي ئىدراك (AI) ۋە ماشىنا ئۆگىنىشى (ML) دىن پايدىلىنىپ ، DevOps تۇرۇبا يولىنى راۋانلاشتۇرۇش ئۈچۈن سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان DevOps دەل مۇشۇ يەردە. بۇ ماقالىدە سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان DevOps نى LangChain ۋە DSPy بىلەن قانداق تەشكىللەش ئۈستىدە ئىزدىنىمىز ، ۋاكالەتچى ئاپتوماتلاشتۇرۇشنى ئىلگىرى سۈرىدىغان ئىككى ئالدىنقى قاتاردىكى رامكا.

LangChain دېگەن نېمە؟

LangChain ئوچۇق كودلۇق رامكا بولۇپ ، ئاچقۇچىلارغا مودۇللۇق ، كېڭەيتىشچان قۇرۇلما ئارقىلىق پاراڭلىشىش سۈنئىي ئەقلىي ئىقتىدارلىرىنى قۇرالايدۇ. ئۇ ھەرخىل سانلىق مەلۇمات مەنبەلىرى بىلەن ئۆز-ئارا تەسىر كۆرسىتەلەيدىغان ، ۋەزىپە ئىجرا قىلالايدىغان ۋە قارار چىقارالايدىغان سۈنئىي ئەقىل ۋاكالەتچىلىرىنى قۇرۇش ئۈچۈن ئالدىن ياسالغان زاپچاس ۋە قوراللار بىلەن تەمىنلەيدۇ. LangChain Rust پروگرامما تىلىنىڭ ئۈستىگە ياسالغان بولۇپ ، Python ۋە Go غا ئوخشاش باشقا تىللار بىلەن ئىشلىتىشكە بولىدۇ.

DSPy دېگەن نېمە؟

DSPy بولسا Python كۈتۈپخانىسى بولۇپ ، LangChain رامكىسىغا ئاددىي ، Pythonic كۆرۈنمە يۈزى تەمىنلەيدۇ. ئۇ ئاچقۇچىلارغا تېخىمۇ تونۇش بولغان گرامماتىكىلىق ۋە خىزمەت ئېقىمى ئارقىلىق سۈنئىي ئەقىل ۋاكالەتچىسى قۇرالايدۇ ، LangChain نى ھازىرقى Python نى ئاساس قىلغان DevOps تۇرۇبا يولى بىلەن بىرلەشتۈرۈشكە قولايلىق يارىتىدۇ.

LangChain ۋە DSPy نى DevOps تۇرۇبا يولى بىلەن بىرلەشتۈرۈش

LangChain ۋە DSPy نى DevOps تۇرۇبا يولى بىلەن بىرلەشتۈرۈش ئۈچۈن ، بىز ۋەزىپىلەرنى ئورۇندىيالايدىغان ، قارار چىقارالايدىغان ۋە ھەر خىل سانلىق مەلۇمات مەنبەلىرى بىلەن ئۆز-ئارا تەسىر كۆرسىتەلەيدىغان سۈنئىي ئەقىل ۋاكالەتچىسى قۇرۇشىمىز كېرەك. بۇ جەرياننىڭ يۇقىرى قاتلاملىق ئومۇمىي ئەھۋالى:

2. ** DevOps قوراللىرى بىلەن بىرلەشتۈرۈش **: AI ۋاكالەتچىسىنى DevOps قورالى بىلەن بىرلەشتۈرۈڭ ، مەسىلەن Jenkins ، GitLab CI / CD ياكى Docker.
4. ** AI ۋاكالەتچىسىنى تەربىيىلەش **: ماشىنا ئۆگىنىش ئالگورىتمىلىرى ۋە DevOps تۇرۇبا يولىدىكى سانلىق مەلۇماتلارنى ئىشلىتىپ AI ۋاكالەتچىسىنى تەربىيىلەڭ.

ئەمەلىي مىسال: LangChain ۋە DSPy بىلەن كود ئورۇنلاشتۇرۇش

بۇ يەردە LangChain ۋە DSPy ئارقىلىق كودنى قانداق ئورۇنلاشتۇرۇشنىڭ ئاددىي بىر مىسالى: `` python import langchain langchain.agents دىن ۋاكالەتچى langchain.llms دىن ئىمپورت قىلىدۇ

LangChain ۋاكالەتچىسى قۇرۇڭ

ۋاكالەتچى = ۋاكالەتچى ( llm = LLM ( model_name = "davinci", max_tokens = 2048, temperature = 0.5, ), chain = [ langchain.Chain ( name = "loyment_code ", steps = [ langchain.Step ( name = "git_clone", func = lambda: git_clone ("https://github.com/user/repo.git"), ), langchain.Step ( name = "build_code", func = lambda: build_code (), ), langchain.Step ( name = "loyment_code ", func = lambda: ئورۇنلاشتۇرۇش_ كود () ، ), ], ), ], )

AI ۋاكالەتچىسى ئارقىلىق كود ئورۇنلاشتۇرۇڭ

agent.deploy_code () `` ` بۇ مىسالدا بىز ئۈچ باسقۇچنى ئىجرا قىلىدىغان LangChain ۋاكالەتچىسى قۇرىمىز:

1. Git ئارقىلىق كود ئامبىرىنى كلونلايدۇ.
2. قۇرۇلۇش قورالى ئارقىلىق كود ياسادۇ.
3. ئورۇنلاشتۇرۇش قورالى ئارقىلىق كودنى ئورۇنلاشتۇرىدۇ.

AI ۋاكالەتچىسى قارار چىقىرىش ۋە ۋەزىپە ئىجرا قىلىش ئۈچۈن تىل مودېلى (LLM) ئىشلىتىدۇ.

ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر

بۇ يەردە LangChain ۋە DSPy ئۈچۈن ئەڭ كۆپ ئىشلىتىلىدىغان بۇيرۇق ۋە پارچىلار بار:

1. ** LangChain ۋاكالەتچىسى قۇر ** git_clone ("https://github.com/user/repo.git"))])))
2. ** AI ۋاكالەتچىسى ئارقىلىق كود ئورۇنلاشتۇرۇڭ **: agent.deploy_code ()
3. ** AI ۋاكالەتچىسىنى تەربىيلەڭ **: agent.train (data = [{" input ":" ئورۇنلاشتۇرۇش كودى "،" چىقىرىش ":" ئورۇنلاشتۇرۇلغان كود "}])
4. ** DevOps قوراللىرى بىلەن بىرلەشتۈرۈڭ **: agent.integrate_with_jenkins ()
5. ** AI ۋاكالەتچىسىنى سەپلەڭ **: agent.configure (llm = LLM (model_name =" davinci ", max_tokens = 2048 ، تېمپېراتۇرا = 0.5)) `
6. ** AI ۋاكالەتچى سالاھىيىتىگە ئېرىشىڭ **: agent.status ()
7. ** AI ۋاكالەتچىسىنىڭ خاتىرىسىنى ئېلىڭ **: agent.logs ()
8. ** AI ۋاكالەتچىسىنىڭ سەپلىمىسىنى يېڭىلاڭ **: `agent.update_config (llm = LLM (model_name =" davinci ", max_tokens = 2048 ، تېمپېراتۇرا = 0.5))
9. ** AI ۋاكالەتچىسىنى ئۆچۈرۈڭ **: agent.delete ()
10. ** AI ۋاكالەتچىسىنىڭ ئۆلچەملىرىنى ئېلىڭ **: agent.metrics ()

Visualization

بۇ يەردە Chart.js ئارقىلىق LangChain ۋە DSPy قۇرۇلمىسىنىڭ بىر كۆرۈنۈشى: json { "type": "bar", "data": { "بەلگە": ["LangChain", "DSPy"], "datasets": [ { "label": "زاپچاسلار", "data": [10, 5], "backgroundColor": ["# 4CAF50", "# FF9800"], "borderColor": ["# 3e8e41", "# ff9900"], "borderWidth": 1 } ] }, "options": { "title": { "display": true, "text": "LangChain and DSPy Architecture" }, "رىۋايەت": { "display": true }, "تارازا": { "yAxes": [ { "ticks": { "startAtZero": راست } } ] } } } ` بۇ كۆرۈنۈشتە LangChain ۋە DSPy دىكى زاپچاسلارنىڭ سانى كۆرسىتىلدى.

خۇلاسە

بۇ ماقالىدە ۋاكالەتچى ئاپتوماتلاشتۇرۇشنى تەمىنلەيدىغان ئىككى خىل ئالدىنقى قاتاردىكى رامكا LangChain ۋە DSPy ئارقىلىق سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان DevOps نى قانداق تەشكىللەش ئۈستىدە ئىزدەندۇق. بىز سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان DevOps نىڭ پايدىسى ، ئاپتوماتلاشتۇرۇش ، ماسلىشىشچانلىقى ۋە كېڭەيتىشچانلىقىنى ئۆز ئىچىگە ئالىدۇ. بىز يەنە LangChain ۋە DSPy ئارقىلىق كود ئورۇنلاشتۇرۇشنىڭ ئەمەلىي مىسالى ، شۇنداقلا ئەڭ كۆپ ئىشلىتىلىدىغان بۇيرۇق ۋە ئۈزۈندىلەرنىڭ تىزىملىكى بىلەن تەمىنلىدۇق. ئاخىرىدا ، بىز Chart.js ئارقىلىق LangChain ۋە DSPy قۇرۇلمىسىنى تەسەۋۋۇر قىلدۇق. LangChain ۋە DSPy ئارقىلىق ، پروگراممېرلار سۈنئىي ئەقىل ۋە ماشىنا ئۆگىنىشنىڭ كۈچىنى جارى قىلدۇرىدىغان تېخىمۇ ئۈنۈملۈك ، كېڭەيتىشچان ۋە ئاپتوماتىك DevOps تۇرۇبا يولىنى قۇرالايدۇ.