StackGen ۋە LangChain بىلەن ئاپتونومىيىلىك ئۇل ئەسلىھە ئوركېستىرى: دەرىجىدىن تاشقىرى DevOps ئاپتوماتلاشتۇرۇش ۋە ئاپتوماتىك ئۇل ئەسلىھە باشقۇرۇش ئۈچۈن سۈنئىي ئەقىل ۋاكالەتچىسى ۋە ئەۋلاد مودېللارنى ئىشلىتىش

تونۇشتۇرۇش

بۈگۈنكى تېز سۈرئەتلىك رەقەملىك مەنزىرىدە ، ئۈنۈملۈك ۋە كۆلەملەشكەن ئۇل ئەسلىھە باشقۇرۇشقا بولغان ئېھتىياج ئەزەلدىن يۇقىرى بولۇپ باقمىدى. ئەنئەنىۋى DevOps مەشغۇلاتلىرى ھەمىشە قولدا تەڭشەش ۋە ئورگىنالغا تايىنىدۇ ، بۇ خاتالىق ، ماسلاشماسلىق ۋە توسالغۇلارنى كەلتۈرۈپ چىقىرىدۇ. بۇ خىرىسلارنى ھەل قىلىش ئۈچۈن ، بىز ئاپتوماتىك ئۇل ئەسلىھە ئوركېستىرسىنىڭ بارلىققا كەلگەنلىكىگە شاھىت بولۇۋاتىمىز ، بۇ سۈنئىي ئەقىل ۋاكالەتچىسى ۋە ھاسىل قىلىش ئەندىزىسىدىن پايدىلىنىپ ، ئۇل ئەسلىھە باشقۇرۇشنى ئاپتوماتىك ۋە ئەلالاشتۇرىدۇ. بۇ ماقالىدە ئۇل ئەسلىھەنى باشقۇرۇش ئۇسۇلىمىزدا ئىنقىلاب قىلىۋاتقان ئىككى ئىلغار تېخنىكا StackGen ۋە LangChain نىڭ كىشىنى ھاياجانغا سالىدىغان دۇنياسىنى كۆرۈپ ئۆتىمىز.

StackGen دېگەن نېمە؟

StackGen ئوچۇق كودلۇق ، بۇلۇت-ئاگنوستىكىلىق ئۇل ئەسلىھە ئوركېستىرلاش سۇپىسى بولۇپ ، ئۇ ئۆز-ئۆزىنى ئەسلىگە كەلتۈرۈش ، ئۆز-ئۆزىنى ئۆلچەش ۋە ئۆز-ئۆزىنى ئەلالاشتۇرۇش ئۇل ئەسلىھەلىرىنى قۇرالايدۇ. StackGen مودۇللۇق ، كېڭەيتكىلى بولىدىغان بىناكارلىقنىڭ ئۈستىگە ياسالغان بولۇپ ، ئاچقۇچىلارغا يۇقىرى سەۋىيىلىك ، بايان قىلىش گرامماتىكىسى ئارقىلىق ئۇل ئەسلىھە سەپلىمىسىنى ئېنىقلىيالايدۇ. بۇ گرامماتىكىلىق ھەرىكەتچان ئۇل ئەسلىھە تەمىنلەش ۋە باشقۇرۇش ۋەزىپىلىرىگە تەرجىمە قىلىنغان بولۇپ ، بۇلار كۈچلۈك ، تارقىتىلغان ماتور تەرىپىدىن ئىجرا قىلىنىدۇ.

LangChain دېگەن نېمە؟

LangChain بولسا Python كۈتۈپخانىسى بولۇپ ، سۈنئىي ئەقىل ۋاكالەتچىسى ، ھاسىل قىلغۇچى مودېل ۋە باشقا ماشىنا ئۆگىنىش زاپچاسلىرىنى يۇمشاق دېتال سىستېمىسىغا قۇرۇش ۋە بىرلەشتۈرۈش ئۈچۈن بىرلىككە كەلگەن كۆرۈنمە يۈزى بىلەن تەمىنلەيدۇ. ئاچقۇچىلار LangChain دىن پايدىلىنىپ ، سانلىق مەلۇماتتىن ئۆگىنىدىغان ، ئۆزگىرىشچان مۇھىتقا ماسلىشالايدىغان ۋە توغرا قارار چىقىرىدىغان مۇرەككەپ سۈنئىي ئەقىل ئارقىلىق قوللىنىشچان پروگراممىلارنى قۇرالايدۇ. StackGen ئارقا كۆرۈنۈشىدە ، LangChain ئۇل ئەسلىھە ئىقتىدارىنى ئانالىز قىلالايدىغان ، نورمالسىزلىقنى مۆلچەرلىيەلەيدىغان ۋە تۈزىتىش تەدبىرلىرىنى قوللىنىدىغان سۈنئىي ئەقىل ۋاكالەتچىلىرىنىڭ بىر گەۋدىلىشىشىنى ئىلگىرى سۈرىدۇ.

StackGen ۋە LangChain بىلەن ئاپتوماتىك ئۇل ئەسلىھە ئوركېستىرى

StackGen ۋە LangChain نىڭ كۈچىنى چۈشەندۈرۈش ئۈچۈن ، ئاددىي بىر مىسالنى كۆرۈپ باقايلى. بۇلۇتنى ئاساس قىلغان ئېلېكترونلۇق سودا سۇپىسى قۇرۇۋاتىمىز دەپ پەرەز قىلايلى ، ئۇ كېڭەيتىشچان ، يۇقىرى ئىقتىدارلىق ئۇل ئەسلىھە ئامبىرىنى تەلەپ قىلىدۇ. StackGen نى ئىشلىتىپ ، تۈگۈن سانى ، مىسال تىپى ۋە تور سەپلىمىسىنى ئۆز ئىچىگە ئالغان لازىملىق ئۇل ئەسلىھە توپولوگىيەسىنى بەلگىلەيدىغان يۇقىرى دەرىجىلىك سەپلىمىگە ئېنىقلىما بېرەلەيمىز.

`` python

ئىسمى: ئېلېكترونلۇق سودا سۇپىسى چۈشەندۈرۈش: كۆلەملەشكەن ئېلېكترونلۇق سودا سۇپىسى ئۇل ئەسلىھەلىرى نەشرى: 1.0

زاپچاسلىرى:

• name: web-server تىپى: EC2 خاسلىقى: مىسال تىپى: t2.micro ami: ami-abc123 بىخەتەرلىك گۇرۇپپىلىرى: [web-server-sg]
• name: ساندان تىپى: RDS خاسلىقى: مىسال تىپى: db.t2.micro ماتور: postgres ساندان-ئىسمى: ئېلېكترونلۇق سودا- db ئىشلەتكۈچى ئىسمى: ئېلېكترونلۇق سودا-ئىشلەتكۈچى پارول: ئېلېكترونلۇق سودا-پارول

مۇناسىۋەتلەر:

• web-server -> ساندان `` `

بۇ مىسالدا بىز تور مۇلازىمېتىرى ۋە سانداندىن تەركىب تاپقان ئاددىي ئۇل ئەسلىھەلەرنى ئېنىقلىدۇق. «زاپچاسلار» بۆلىكى ئۇلارنىڭ تۈرلىرى ، خۇسۇسىيەتلىرى ۋە مۇناسىۋەتلىرىنى ئۆز ئىچىگە ئالغان ئايرىم تەركىبلەرنى بەلگىلەيدۇ. «مۇناسىۋەت» بۆلىكى زاپچاسلار ئوتتۇرىسىدىكى باغلىنىشنى بەلگىلەيدۇ.

كېيىنكى قەدەمدە ، بىز LangChain ئارقىلىق ئۇل ئەسلىھە ئىقتىدارىنى ئانالىز قىلالايدىغان ۋە تۈزىتىش تەدبىرلىرىنى قوللىنىدىغان سۈنئىي ئەقىل ۋاكالەتچىسىنى بىرلەشتۈرۈپ ، ئەڭ ياخشى سىستېما ھەرىكىتىنى ساقلاپ قالىمىز. بىز CPU نىڭ ئىشلىتىلىشىنى نازارەت قىلىدىغان ۋە ماس تىپلارنى تەڭشەيدىغان ئاددىي AI ۋاكالەتچىسى قۇرىمىز.

`` python

LangChain AI ۋاكالەتچى كودى (ai_agent.py)

import langchain langchain.agents دىن BaseAgent نى ئىمپورت قىلىدۇ

class ECommerceAgent (BaseAgent): def __init __ (ئۆزى ، stackgen_config): self.stackgen_config = stackgen_config self.cpu_utilization_threshold = 80

def monitor_infrastructure (self):
    # CPU نىڭ ئىشلىتىلىشىنى نازارەت قىلىڭ ۋە ئۈلگە تىپلىرىنى تەڭشەڭ
    cpu_utilization = self.get_cpu_utilization ()
    ئەگەر cpu_utilization> self.cpu_utilization_threshold:
        self.adjust_instance_types ()

def adjust_instance_types (self):
    # CPU ئىشلىتىشكە ئاساسەن مىسال تىپلىرىنى تەڭشەڭ
    example_types = self.get_instance_types ()
    مەسىلەن_ تىپىدىكى مىسال_ تىپى:
        if example_type ['cpu_utilization']> self.cpu_utilization_threshold:
            example_type ['example_type'] = 't2.large'

AI ۋاكالەتچىسىنى StackGen بىلەن بىرلەشتۈرۈڭ

stackgen_config = load_yaml ('example.yaml') ai_agent = ECommerceAgent (stackgen_config) ai_agent.monitor_infrastructure () `` `

بۇ مىسالدا بىز CPU نىڭ ئىشلىتىلىشىنى نازارەت قىلىدىغان ۋە ماس تىپلارنى ماسلاشتۇرىدىغان ئاددىي سۈنئىي ئەقىل ۋاكالەتچىسى قۇردۇق. بىز سۈنئىي ئەقىل ۋاكالەتچىسىنى StackGen بىلەن «langchain» كۈتۈپخانىسىنى بىرلەشتۈردۇق ، بۇ سۈنئىي ئەقىل ۋاكالەتچىلىرىنى قۇرۇش ۋە بىرلەشتۈرۈش ئۈچۈن بىرلىككە كەلگەن كۆرۈنمە يۈزى بىلەن تەمىنلەيدۇ.

ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر

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

1. ** StackGen سەپلىمە ھۆججىتى **: stackgen config example.yaml
2. ** LangChain AI ۋاكالەتچى كودى **: langchain ai_agent.py
3. ** سۈنئىي ئەقىل ۋاكالەتچىسىنى StackGen بىلەن بىرلەشتۈرۈڭ **: langchain ai_agent.py example.yaml
4. ** ئۇل ئەسلىھەنى نازارەت قىلىش **: ai_agent.monitor_infrastructure ()
5. ** مىسال تۈرلىرىنى تەڭشەش **: ai_agent.adjust_instance_types ()
6. ** CPU نىڭ ئىشلىتىلىشىگە ئېرىشىش **: ai_agent.get_cpu_utilization ()
7. ** مىسال تىپىغا ئېرىشىش **: ai_agent.get_instance_types ()
8. ** YAML سەپلىمە ھۆججىتىنى يۈكلەڭ **: load_yaml ('example.yaml')
9. ** YAML سەپلىمە ھۆججىتىنى ساقلاڭ **: save_yaml ('example.yaml', stackgen_config)
10. ** ئۇل ئەسلىھە توپولوگىيىسىنى تەسەۋۋۇر قىلىڭ **: stackgen visualize example.yaml

Visualization

ئۇل ئەسلىھە توپولوگىيىسىنى تەسۋىرلەش ئۈچۈن ، بىز «graphviz» غا ئوخشاش كۈتۈپخانىنى ئىشلىتىپ ، StackGen سەپلىمە ھۆججىتىگە ئاساسەن گرافىك بېرەلەيمىز.

chart { "type": "bar", "data": { "بەلگە": ["تور مۇلازىمېتىرى" ، "ساندان"], "datasets": [ { "label": "CPU ئىشلىتىش", "data": [80, 90], "backgroundColor": ["rgba (255, 99, 132, 0.2)", "rgba (54, 162, 235, 0.2)"], "borderColor": ["rgba (255, 99, 132, 1)", "rgba (54, 162, 235, 1)"], "borderWidth": [1, 1] } ] }, "options": { "title": { "display": true, "text": "زاپچاس ئارقىلىق CPU ئىشلىتىش" }, "تارازا": { "yAxes": [ { "display": true, "scaleLabel": { "display": true, "labelString": "CPU ئىشلىتىش (%)" } } ] } } } `

بۇ جەدۋەلدە تور مۇلازىمېتىرى ۋە ساندان زاپچاسلىرىنىڭ CPU ئىشلىتىلىشى تەسۋىرلەنگەن بولۇپ ، ئۇل ئەسلىھە ئۈنۈمىنى ئېنىق كۆرسىتىپ بېرىدۇ.

خۇلاسە

StackGen ۋە LangChain بىلەن ئاپتونومىيىلىك ئۇل ئەسلىھەلەرنى تەشكىللەش كۈچلۈك ئۈلگە بولۇپ ، ئۇ ئۆز-ئۆزىنى ئەسلىگە كەلتۈرۈش ، ئۆزىنى كىچىكلىتىش ۋە ئۆز-ئۆزىنى ئەلالاشتۇرۇش ئۇل ئەسلىھەلىرىنى بارلىققا كەلتۈرىدۇ. سۈنئىي ئەقىل ۋاكالەتچىسى ۋە ھاسىل قىلىش ئەندىزىسىدىن پايدىلىنىپ ، پروگراممېرلار ئۇل ئەسلىھە باشقۇرۇشنى ئاپتوماتىك ۋە ئەلالاشتۇرۇپ ، خاتالىق ، ماسلاشماسلىق ۋە توسالغۇلارنى ئازايتالايدۇ. بۇ ماقالىدە StackGen ۋە LangChain نىڭ ئاساسى ، ئۇلارنىڭ قۇرۇلمىسى ، سەپلىمە ھۆججىتى ۋە سۈنئىي ئەقىل ۋاكالەتچىسىنى بىرلەشتۈرۈش قاتارلىق مەزمۇنلارنى تەتقىق قىلدۇق. بىز بۇ تېخنىكىلارنىڭ كۈچىنى چۈشەندۈرۈش ئۈچۈن ئەمەلىي مىساللار ۋە كود پارچىلىرى بىلەن تەمىنلىدۇق. ئۈنۈملۈك ۋە كۆلەملەشكەن ئۇل ئەسلىھە باشقۇرۇشقا بولغان ئېھتىياجنىڭ كۈنسېرى ئېشىشىغا ئەگىشىپ ، StackGen ۋە LangChain كەلگۈسىدە DevOps ۋە ئۇل ئەسلىھە باشقۇرۇشتا باشلامچىلىق رول ئويناشقا تەييارلاندى.