Ar AI darbināmas DevOps automatizācijas organizēšana ar DSPy un LangChain | B4N1

Ar AI darbināmas DevOps automatizācijas organizēšana ar DSPy un LangChain

5 months ago · b4n1 Read time: 3 min

============================================================

Ievads

Programmatūras izstrādes ainava strauji attīstās, arvien vairāk izmantojot mākslīgo intelektu (AI) un mašīnmācīšanos (ML) DevOps automatizācijā. Ar AI darbināma automatizācija var palīdzēt racionalizēt sarežģītas darbplūsmas, uzlabot efektivitāti un samazināt cilvēka kļūdu iespējamību. Šajā rakstā mēs izpētīsim, kā izmantot DSPy un LangChain, lai ieviestu ar AI darbinātus aģentus pamatcēloņu analīzei un efektivitātes optimizēšanai programmatūras izstrādes cauruļvados.

Kas ir DSPy?

DSPy ir Python bibliotēka, kas ļauj izstrādātājiem izveidot un izvietot ar AI darbināmas automatizācijas darbplūsmas. Tas nodrošina mērogojamu un elastīgu ietvaru dažādu AI un ML modeļu integrēšanai, padarot to par ideālu izvēli DevOps automatizācijai.

Kas ir LangChain?

LangChain ir Python bibliotēka, kas ļauj izstrādātājiem izveidot un izvietot sarunvalodas AI aģentus. Tas nodrošina vienkāršu un intuitīvu API, lai izveidotu aģentus, kas var saprast un reaģēt uz dabiskās valodas ievadi.

AI aģentu ieviešana pamatcēloņu analīzei

Pamatcēloņu analīze ir būtiska DevOps automatizācijas sastāvdaļa, jo tā palīdz noteikt problēmu cēloņus un novērst to rašanos nākotnē. Lai ieviestu AI darbinātu pamatcēloņu analīzi, mēs varam izmantot DSPy, lai izveidotu darbplūsmu, kas integrējas ar LangChain.

Šeit ir augsta līmeņa darbplūsmas pārskats:

1. Datu apkopošana: apkopojiet atbilstošus datus no dažādiem avotiem, piemēram, žurnāliem, metrikas un konfigurācijas failiem. 2. Datu priekšapstrāde: iepriekš apstrādājiet savāktos datus, lai tos sagatavotu analīzei. 3. Modeļa apmācība: apmāciet ML modeli, izmantojot iepriekš apstrādātus datus, lai identificētu modeļus un attiecības. 4. Modeļa izvietošana: izvietojiet apmācīto modeli DSPy darbplūsmā. 5. Aģenta integrācija: integrējiet DSPy darbplūsmu ar LangChain aģentu, lai nodrošinātu dabiskās valodas mijiedarbību.

Koda piemērs: pamatcēloņu analīzes darbplūsma

importēt dspy kā dsp
no langchain importa aģenta

# Definējiet DSPy darbplūsmu
darbplūsma = dsp.Workflow(
    name = "root_cause_analysis",
    uzdevumi=[
        dsp.Task("data_collection", "Apkopot datus no žurnāliem un metrikas"),
        dsp.Task("data_preprocessing", "Iepriekšapstrādāt datus analīzei"),
        dsp.Task("model_training", "Apmācīt ML modeli uz iepriekš apstrādātiem datiem"),
        dsp.Task("model_deployment", "Izvietot apmācītu modeli DSPy darbplūsmā"),
    ],
)

# Definējiet LangChain aģentu
aģents = aģents(
    name = "root_cause_agent",
    model = "distilbert-base-uncased",
    prompt="Kāds ir problēmas galvenais cēlonis?",
)

# Integrējiet DSPy darbplūsmu ar LangChain aģentu
workflow.add_agent(agent)

# Palaidiet darbplūsmu
workflow.run()

AI aģentu ieviešana efektivitātes optimizēšanai

Efektivitātes optimizācija ir vēl viena būtiska DevOps automatizācijas sastāvdaļa, jo tā palīdz uzlabot programmatūras izstrādes cauruļvadu ātrumu un produktivitāti. Lai ieviestu ar AI darbinātu efektivitātes optimizāciju, mēs varam izmantot DSPy, lai izveidotu darbplūsmu, kas integrējas ar LangChain.

Šeit ir augsta līmeņa darbplūsmas pārskats:

1. Datu apkopošana: apkopojiet atbilstošus datus no dažādiem avotiem, piemēram, žurnāliem, metrikas un konfigurācijas failiem. 2. Datu priekšapstrāde: iepriekš apstrādājiet savāktos datus, lai tos sagatavotu analīzei. 3. Modeļa apmācība: apmāciet ML modeli, izmantojot iepriekš apstrādātus datus, lai identificētu modeļus un attiecības. 4. Modeļa izvietošana: izvietojiet apmācīto modeli DSPy darbplūsmā. 5. Aģenta integrācija: integrējiet DSPy darbplūsmu ar LangChain aģentu, lai nodrošinātu dabiskās valodas mijiedarbību.

Koda piemērs: efektivitātes optimizācijas darbplūsma

importēt dspy kā dsp
no langchain importa aģenta

# Definējiet DSPy darbplūsmu
darbplūsma = dsp.Workflow(
    name = "efektivitātes_optimizācija",
    uzdevumi=[
        dsp.Task("data_collection", "Apkopot datus no žurnāliem un metrikas"),
        dsp.Task("data_preprocessing", "Iepriekšapstrādāt datus analīzei"),
        dsp.Task("model_training", "Apmācīt ML modeli uz iepriekš apstrādātiem datiem"),
        dsp.Task("model_deployment", "Izvietot apmācītu modeli DSPy darbplūsmā"),
    ],
)

# Definējiet LangChain aģentu
aģents = aģents(
    name = "efektivitātes_aģents",
    model = "distilbert-base-uncased",
    prompt="Kā es varu optimizēt cauruļvadu, lai uzlabotu efektivitāti?",
)

# Integrējiet DSPy darbplūsmu ar LangChain aģentu
workflow.add_agent(agent)

# Palaidiet darbplūsmu
workflow.run()

5–10 populārākās komandas/fragmenti

Šeit ir dažas no visbiežāk izmantotajām komandām un fragmentiem DSPy un LangChain:

DSPy

  1. dsp.Workflow(name="my_workflow", task=[...]): izveidojiet jaunu DSPy darbplūsmu.
  2. dsp.Task(name = "mans_uzdevums", apraksts = "Mans uzdevums"): izveidojiet jaunu uzdevumu DSPy darbplūsmā.
  3. "workflow.add_agent(agent)": pievienojiet LangChain aģentu DSPy darbplūsmai.
  4. workflow.run(): palaidiet DSPy darbplūsmu.
  5. dsp.get_task_output(task): iegūstiet uzdevuma izvadi DSPy darbplūsmā.

LangChain

  1. Agent(name="my_agent", model="distilbert-base-uncased", prompt="Mana uzvedne"): izveidojiet jaunu LangChain aģentu.
  2. agent.respond(prompt="Mana uzvedne"): saņemiet atbildi no LangChain aģenta.
  3. agent.add_context(context="Mans konteksts"): pievienojiet kontekstu LangChain aģentam.
  4. agent.remove_context(context="Mans konteksts"): noņemiet kontekstu no LangChain aģenta.
  5. "agent.get_model()": iegūstiet LangChain aģenta pamatā esošo ML modeli.

Vizualizācija

Tālāk ir sniegta DSPy un LangChain darbplūsmas vizualizācija, izmantojot Chart.js:

{
  "tips": "josla",
  "dati": {
    "labels": ["Sākotnējo iemeslu analīze", "Efektivitātes optimizācija"],
    "datu kopas": [
      {
        "label": "DSPy darbplūsma",
        "dati": [10, 20],
        "backgroundColor": ["#4CAF50", "#FF9800"]
      },
      {
        "label": "LangChain Agent",
        "dati": [5, 15],
        "backgroundColor": ["#2196F3", "#009688"]
      }
    ]
  },
  "opcijas": {
    "title": {
      "displejs": patiess,
      "text": "DSPy un LangChain darbplūsma"
    },
    "svari": {
      "yAxes": [
        {
          "ērces": {
            "beginAtZero": taisnība
          }
        }
      ]
    }
  }
}

Šī vizualizācija parāda uzdevumu skaitu katrā DSPy darbplūsmā un atbilžu skaitu no katra LangChain aģenta.

Secinājums

Šajā rakstā mēs izpētījām, kā izmantot DSPy un LangChain, lai ieviestu ar AI darbinātus aģentus pamatcēloņu analīzei un efektivitātes optimizēšanai programmatūras izstrādes cauruļvados. Mēs nodrošinājām koda piemērus un vizualizācijas, lai ilustrētu jēdzienus, un mēs izcēlām dažas no visbiežāk izmantotajām komandām un fragmentiem DSPy un LangChain. Ievērojot šo rokasgrāmatu, izstrādātāji var izveidot savas ar AI darbināmas automatizācijas darbplūsmas, izmantojot DSPy un LangChain.

Have Questions?

Let's Talk

Contact me on LinkedIn