Giriş
Süni intellekt (AI) və proqram mühəndisliyindəki sürətli irəliləyişlər AI agentlərini və modul iş axını arxitekturasını birləşdirən kompleks proqram sistemlərinin inkişafına səbəb oldu. Bu sistemlər DevOps avtomatlaşdırılması və orkestrasiyasına yanaşma tərzimizi dəyişdirmək potensialına malikdir. Bununla belə, genişləndirilə bilən və etik süni intellektlə idarə olunan proqram sistemlərinin layihələndirilməsi süni intellekt, proqram mühəndisliyi və arxitekturada ən son nailiyyətləri dərindən başa düşməyi tələb edir.
Bu yazıda biz AI agentləri və modul iş axını arxitekturasını birləşdirən modul, genişlənə bilən və etik proqram sistemlərinin yaradılması üçün dizayn prinsiplərini və ən yaxşı təcrübələri araşdıracağıq. Biz möhkəm və davamlı sistemlər yaratmaq üçün süni intellekt (Böyük Dil Modelləri (LLM), Axtarış-Genişləndirilmiş Nəsil (RAG)), proqram mühəndisliyi (Python, Rust, Go) və arxitekturada ən son nailiyyətləri birləşdirməyə diqqət yetirəcəyik.
Modul iş axını arxitekturası
Modul iş axını arxitekturası mürəkkəb sistemləri asanlıqla saxlanıla, yenilənə və miqyaslana bilən daha kiçik, müstəqil modullara parçalayan dizayn nümunəsidir. Hər bir modul müəyyən bir tapşırıq və ya funksiyaya cavabdehdir və onlar yaxşı müəyyən edilmiş interfeyslər vasitəsilə bir-biri ilə əlaqə qururlar.
Python-da modul iş axını arxitekturasının sadə nümunəsi:
# iş axını.py
sinif iş axını:
def __init__(özünü):
self.modules = []
def add_module(self, modul):
self.modules.append(modul)
def run (self):
self.modules-dəki modul üçün:
module.run()
# modul1.py
sinif modulu 1:
def run (self):
çap ("Modul 1 işləyir")
# modul2.py
sinif modulu 2:
def run (self):
çap ("Modul 2 işləyir")
# main.py
əgər __adı__ == "__əsas__":
iş axını = İş axını()
workflow.add_module(Module1())
workflow.add_module(Module2())
workflow.run()
Bu nümunədə modulların siyahısını idarə edən “İş axını” sinfimiz var. Hər bir modul xüsusi tapşırıq üçün cavabdehdir və onlar əlavə_modul metodundan istifadə edərək iş prosesinə əlavə edilir. İş prosesində hər bir modulu yerinə yetirmək üçün “çalışdır” metodundan istifadə olunur.
AI agentləri
Süni intellekt agentləri sistemdə qərar qəbul etmək və tədbirlər görmək üçün maşın öyrənmə alqoritmlərindən istifadə edən proqram komponentləridir. Onlar tapşırıqları avtomatlaşdırmaq, istifadəçi təcrübəsini yaxşılaşdırmaq və sistem performansını optimallaşdırmaq üçün istifadə edilə bilər.
AI agentlərinin bir neçə növü var, o cümlədən:
- Qayda əsaslı agentlər: Bu agentlər qərar qəbul etmək üçün əvvəlcədən müəyyən edilmiş qaydalardan istifadə edirlər.
- Maşın öyrənmə agentləri: Bu agentlər məlumatlardan öyrənmək və qərarlar qəbul etmək üçün maşın öyrənməsi alqoritmlərindən istifadə edir.
- Hibrid agentlər: Bu agentlər qərar qəbul etmək üçün qaydalara əsaslanan və maşın öyrənmə yanaşmalarını birləşdirir.
Maşın öyrənmə alqoritmindən istifadə edən Python-da sadə AI agentinin nümunəsi:
# agent.py
sklearn.ensemble-dən RandomForestClassifier idxal edin
sklearn.model_selection-dan idxal train_test_split
sklearn.datasets-dən load_iris-i idxal edin
sinif agenti:
def __init__(özünü):
self.model = RandomForestClassifier()
def qatarı (özünü, X, y):
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
self.model.fit(X_qatar, y_qatar)
def proqnozlaşdırmaq (özünü, X):
self.model.predict(X) qaytarın
# main.py
əgər __adı__ == "__əsas__":
iris = yük_iris()
X = iris.data
y = iris.hədəf
agent = Agent ()
agent.train(X, y)
proqnozlar = agent.predict(X)
çap (proqnozlar)
Bu nümunədə, proqnoz vermək üçün təsadüfi meşə təsnifatçısından istifadə edən sadə AI agentimiz var. Agent iris verilənlər bazası üzrə təlim alır və eyni verilənlər bazasında proqnozlar verir.
AI agentləri və modul iş axını arxitekturasının birləşdirilməsi
Süni intellekt agentləri və modul iş axını arxitekturasının birləşdirilməsi bizə süni intellektə əsaslanan qərarların qəbulunu modul, genişlənə bilən arxitektura ilə birləşdirən mürəkkəb sistemlər yaratmağa imkan verir.
Budur, AI agentləri və modul iş axını arxitekturasını birləşdirən sistem nümunəsi:
# iş axını.py
sinif iş axını:
def __init__(özünü):
self.modules = []
self.agent = Yoxdur
def add_module(self, modul):
self.modules.append(modul)
def add_agent (özünü, agent):
self.agent = agent
def run (self):
self.modules-dəki modul üçün:
module.run()
əgər self.agent:
self.agent.predict()
# modul1.py
sinif modulu 1:
def run (self):
çap ("Modul 1 işləyir")
# modul2.py
sinif modulu 2:
def run (self):
çap ("Modul 2 işləyir")
# agent.py
sklearn.ensemble-dən RandomForestClassifier idxal edin
sklearn.model_selection-dan idxal train_test_split
sklearn.datasets-dən load_iris-i idxal edin
sinif agenti:
def __init__(özünü):
self.model = RandomForestClassifier()
def qatarı (özünü, X, y):
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
self.model.fit(X_qatar, y_qatar)
def proqnozlaşdırmaq (özünü, X):
self.model.predict(X) qaytarın
# main.py
əgər __adı__ == "__əsas__":
iş axını = İş axını()
workflow.add_module(Module1())
workflow.add_module(Module2())
agent = Agent ()
agent.train(X, y)
workflow.add_agent(agent)
workflow.run()
Bu nümunədə AI agentlərini və modul iş axını arxitekturasını birləşdirən bir sistemimiz var. Sistemdə iki modul və proqnoz vermək üçün təsadüfi meşə təsnifatçısından istifadə edən AI agenti var. Agent add_agent metodundan istifadə edərək iş axınına əlavə edilir və modullar işə salındıqdan sonra proqnozlar verir.
Ən çox istifadə olunan 5-10 əmr/parça
Modul iş axını arxitekturası və süni intellekt agentləri ilə genişlənə bilən və etik süni intellektlə idarə olunan proqram sistemlərinin layihələndirilməsi üçün ən çox istifadə olunan əmrlər və fraqmentlər bunlardır:
- Python:
pandaları pd kimi idxal edin(pandalar kitabxanasının idxalı) - Python:
pd.read_csv('data.csv')(CSV faylının panda dataframe-də oxunması) - Python:
agent.train(X, y)(verilənlər toplusunda AI agentini öyrətmək) - Python:
agent.predict(X)(AI agentindən istifadə edərək proqnozlar verir) - Rust:
mut agent = Agent::new()(Rust-da yeni AI agenti yaratmaq) - Rust:
agent.train(X, y)(Rust-da verilənlər bazasında AI agentini öyrətmək) - Get:
agent := NewAgent()(Go-da yeni AI agenti yaratmaq) - Get:
agent.Train(X, y)(Go-da verilənlər bazasında AI agentini öyrətmək) - Chart.js:
const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], datasets: [{ label: 'Dataset 1', data: [10, 20] }] } } });(chart.j istifadə edərək diaqram yaratmaq) - Chart.js:
chart.data.datasets[0].data.push(30)(Chart.js istifadə edərək diaqrama yeni məlumat nöqtəsi əlavə etmək)
Vizuallaşdırma
Budur Chart.js istifadə edərək bar diaqramına bir nümunə:
{
"növ": "bar",
"data": {
"etiketlər": ["Etiket 1", "Etiket 2"],
"verilənlər dəsti": [
{
"label": "Dataset 1",
"data": [10, 20]
}
]
}
}
Bu diaqramda iki etiket və iki məlumat nöqtəsi olan bir verilənlər bazası var. Diaqram müxtəlif seçimlər və parametrlərdən istifadə edərək fərdiləşdirilə bilər.
Nəticə
Modul iş axını arxitekturası və AI agentləri ilə genişləndirilə bilən və etik süni intellektə əsaslanan proqram təminatı sistemlərinin layihələndirilməsi süni intellekt, proqram mühəndisliyi və arxitekturada ən son nailiyyətlərin dərindən başa düşülməsini tələb edir. Süni intellekt agentlərini və modul iş axını arxitekturasını birləşdirərək, biz süni intellektə əsaslanan qərarların qəbulunu modul, genişlənən arxitektura ilə birləşdirən mürəkkəb sistemlər yarada bilərik.
Bu yazıda biz AI agentləri və modul iş axını arxitekturasını birləşdirən modul, genişlənə bilən və etik proqram sistemlərinin yaradılması üçün dizayn prinsiplərini və ən yaxşı təcrübələri araşdırdıq. Biz həmçinin Python, Rust və Go-da sadə süni intellekt agentləri və modul iş axını arxitekturasına dair nümunələr, eləcə də Chart.js istifadə edərək vizuallaşdırma nümunəsi təqdim etmişik.
Bu məqalədə göstərilən təlimatlara və ən yaxşı təcrübələrə əməl etməklə tərtibatçılar müasir tətbiqlərin və sənayelərin ehtiyaclarına cavab verən möhkəm və davamlı süni intellektlə idarə olunan proqram sistemləri yarada bilərlər.