AI- ଚାଳିତ ଏଜେଣ୍ଟ ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସହିତ ଜିରୋଅପ୍ସ DevOps ରୂପାନ୍ତର

ପରିଚୟ

DevOps ବିପ୍ଳବ ସଫ୍ଟୱେୟାରର ବିକାଶ, ନିୟୋଜିତ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ ପଦ୍ଧତିକୁ ପରିବର୍ତ୍ତନ କରିଛି | ତଥାପି, ପାରମ୍ପାରିକ DevOps ଆଭିମୁଖ୍ୟ ତଥାପି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମାନୁଆଲ ପ୍ରୟାସ, ପାରଦର୍ଶୀତା ଏବଂ ସମୟ ଆବଶ୍ୟକ କରେ | AI- ଚାଳିତ ଏଜେଣ୍ଟ ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକର ଆବିର୍ଭାବ DevOps ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ସମ୍ଭବ କରିପାରିଛି, ଯାହା ଜିରୋ ଅପ୍ସର ଧାରଣାକୁ ନେଇଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ କିରୋ ଏଜେଣ୍ଟ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ବ୍ୟବହାର କରି AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟକାରିତାକୁ ଅନୁସନ୍ଧାନ କରିବୁ, DevOps ଅଭ୍ୟାସକୁ ଜିରୋଅପ୍ସରେ ରୂପାନ୍ତର କରିବା ଉପରେ ଧ୍ୟାନ ଦେବୁ |

ଜିରୋ ଅପ୍ସ କ’ଣ?

ଜିରୋ ଅପ୍ସ ହେଉଛି DevOps ରେ ଏକ ଉଦୀୟମାନ ଧାରଣା ଯାହା ବିକାଶ ଏବଂ ନିୟୋଜନ ପ୍ରକ୍ରିୟାରେ ମାନୁଆଲ ହସ୍ତକ୍ଷେପର ଆବଶ୍ୟକତାକୁ ଦୂର କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି | AI ଏବଂ ମେସିନ୍ ଲର୍ନିଂକୁ ବ୍ୟବହାର କରି, ଜିରୋ ଅପ୍ସ ସ୍ୱୟଂଚାଳିତ ନିୟୋଜନ, ମାପିବା ଏବଂ ପ୍ରୟୋଗଗୁଡ଼ିକର ମନିଟରିଂକୁ ସକ୍ଷମ କରିଥାଏ, ମାନବ ତ୍ରୁଟିର ଆଶଙ୍କା ହ୍ରାସ କରିଥାଏ ଏବଂ ଦକ୍ଷତା ବୃଦ୍ଧି କରିଥାଏ | ଜିରୋଅପ୍ସର ମୂଳ ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ସ୍ healing ୟଂ ଆରୋଗ୍ୟ, ଆତ୍ମ-ଅପ୍ଟିମାଇଜ୍ ଏବଂ ସ୍-ମାପିବା ପ୍ରଣାଳୀ ସୃଷ୍ଟି କରିବା ଯାହାକି ସର୍ବନିମ୍ନ ମାନବ ହସ୍ତକ୍ଷେପ ଆବଶ୍ୟକ କରେ |

AI ଚାଳିତ ଏଜେଣ୍ଟ: ଜିରୋ ଅପ୍ସର ଚାବି

AI ଚାଳିତ ଏଜେଣ୍ଟଗୁଡିକ ହେଉଛି ସଫ୍ଟୱେର୍ ପ୍ରୋଗ୍ରାମ୍ ଯାହା କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ଏବଂ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ମେସିନ୍ ଲର୍ନିଙ୍ଗ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରେ | DevOps ପ୍ରସଙ୍ଗରେ, AI ଚାଳିତ ଏଜେଣ୍ଟଗୁଡିକ ପ୍ରୟୋଗ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖିବା, ଅସନ୍ତୁଷ୍ଟତା ଚିହ୍ନଟ କରିବା ଏବଂ ସଂଶୋଧନ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରାଯାଇପାରିବ | କିରୋ ଏଜେଣ୍ଟଗୁଡିକ ହେଉଛି ଏକ ପ୍ରକାର AI- ପାୱାର୍ ଏଜେଣ୍ଟ ଯାହା DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ |

କିରୋ ଏଜେଣ୍ଟସ୍

କିରୋ ଏଜେଣ୍ଟଗୁଡିକ ହେଉଛି ଏକ ପ୍ରକାର AI- ପାୱାର୍ ଏଜେଣ୍ଟ ଯାହା DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ | ପ୍ରୟୋଗଗୁଡ଼ିକର ନିୟୋଜନ, ମାପିବା, ଏବଂ ମନିଟରିଂକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଲ୍ୟାଙ୍ଗଚେନ ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ସ ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ସେଗୁଡିକ ଡିଜାଇନ୍ କରାଯାଇଛି | Sero ତିହାସିକ ତଥ୍ୟ ଉପରେ କିରୋ ଏଜେଣ୍ଟମାନଙ୍କୁ s ାଞ୍ଚା ଏବଂ ଅସନ୍ତୁଷ୍ଟତା ଶିଖାଯାଇପାରିବ, ସେମାନଙ୍କୁ ସୂଚନାଯୋଗ୍ୟ ନିଷ୍ପତ୍ତି ନେବାକୁ ଏବଂ ସଂଶୋଧନ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରିବାକୁ ସକ୍ଷମ କରାଯାଇପାରିବ |

ଲାଙ୍ଗ୍ ଚେନ୍: ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍

ଲାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ଯାହା କିରୋ ପରି AI ଚାଳିତ ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି DevOps ପ୍ରକ୍ରିୟାର ସ୍ୱୟଂଚାଳିତତାକୁ ସକ୍ଷମ କରିଥାଏ | ଏହା AI- ଚାଳିତ ଏଜେଣ୍ଟ ଗଠନ ଏବଂ ନିୟୋଜନ ପାଇଁ ଏକ framework ାଞ୍ଚା ପ୍ରଦାନ କରେ ଯାହା ନିୟୋଜନ, ମାପିବା, ଏବଂ ମନିଟରିଂ ଭଳି କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିପାରିବ | ଲ୍ୟାଙ୍ଗ ଚେନ୍ ପାଇଥନ୍, ରୁଷ୍ଟ, ଏବଂ ଗୋ ସହିତ ଅନେକ ପ୍ରୋଗ୍ରାମିଂ ଭାଷା ସମର୍ଥନ କରେ |

କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସହିତ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟାନ୍ୱୟନ

କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ବ୍ୟବହାର କରି AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପ୍ରୟୋଗ କରିବାକୁ, ଆମକୁ ଏହି ପଦକ୍ଷେପଗୁଡିକ ଅନୁସରଣ କରିବାକୁ ପଡିବ:

। 2। ** ଏକ କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ **: ଏକ କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ ଯାହା DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ | ଏଥିରେ ଏଜେଣ୍ଟଙ୍କ ଆଚରଣକୁ ବ୍ୟାଖ୍ୟା କରିବା ଅନ୍ତର୍ଭୁକ୍ତ, ଯେପରି ପ୍ରୟୋଗ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖିବା ଏବଂ ଅସନ୍ତୁଷ୍ଟତା ଚିହ୍ନଟ କରିବା | । ଏହା ଏଜେଣ୍ଟକୁ ସୂଚନାଯୋଗ୍ୟ ନିଷ୍ପତ୍ତି ନେବାକୁ ଏବଂ ସଂଶୋଧନ କାର୍ଯ୍ୟ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | ।। ଏଥିରେ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ୱାର୍କଫ୍ଲୋକୁ ବ୍ୟାଖ୍ୟା କରିବା ଏବଂ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଏଜେଣ୍ଟକୁ ବିନ୍ୟାସ କରିବା ଅନ୍ତର୍ଭୁକ୍ତ |

ଉଦାହରଣ କୋଡ୍: ଏକ କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବା

ପାଇଥନରେ ଏକ ଉଦାହରଣ କୋଡ୍ ବ୍ଲକ୍ ଅଛି ଯାହା କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ: "ପାଇଥନ୍ | କିରୋ ଆମଦାନୀ କରନ୍ତୁ | langchain ଆମଦାନି LLMS ରୁ |

ଏଜେଣ୍ଟ = kiro.Agent ( ନାମ = "my_agent", ଆଚରଣ = { "ମନିଟର_ ପ୍ରଦର୍ଶନ": { "function": "monitor_performance", "args": ["app_name", "ଥ୍ରେସହୋଲ୍ଡ"], }, "detect_anomaly": { "କାର୍ଯ୍ୟ": "detect_anomaly", "args": ["app_name", "ଥ୍ରେସହୋଲ୍ଡ"], }, }, )

Historical ତିହାସିକ ତଥ୍ୟ ଉପରେ ଏଜେଣ୍ଟକୁ ତାଲିମ ଦିଅ |

agent.train ( ଡାଟା = [ app "app_name": "my_app", "ପ୍ରଦର୍ଶନ": 90}, app "app_name": "my_app", "ପ୍ରଦର୍ଶନ": 80}, app "app_name": "my_app", "ପ୍ରଦର୍ଶନ": 70}, ], ସୀମା = 85, )

LangChain ସହିତ ଏକୀଭୂତ |

llms = LLMS ( ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ, କାର୍ଯ୍ୟ ପ୍ରବାହ = { "ମନିଟର_ ପ୍ରଦର୍ଶନ": { "function": "monitor_performance", "args": ["my_app", 85], }, "detect_anomaly": { "କାର୍ଯ୍ୟ": "detect_anomaly", "args": ["my_app", 85], }, }, )

କାର୍ଯ୍ୟଧାରାକୁ ଏକଜେକ୍ୟୁଟ୍ କରନ୍ତୁ |

llms.execute () `` ଏହି କୋଡ୍ ଏକ କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ ଯାହା ପ୍ରୟୋଗ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖେ ଏବଂ ଅସନ୍ତୁଷ୍ଟତା ଚିହ୍ନଟ କରେ | ଏହା ପରେ ଏଜେଣ୍ଟକୁ historical ତିହାସିକ ତଥ୍ୟ ଉପରେ ତାଲିମ ଦେଇଥାଏ ଏବଂ DevOps ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏହାକୁ ଲ୍ୟାଙ୍ଗଚେନ ସହିତ ଏକୀକୃତ କରେ |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

କିରୋ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ପାଇଁ ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଏଠାରେ ଅଛି:

। ୨। ।। 4। ** ୱାର୍କଫ୍ଲୋ ଏକଜେକ୍ୟୁଟ୍ କରିବା **: "llms.execute ()" | ।। 6। ** ଟାସ୍କ ଏକଜେକ୍ୟୁଟ୍ କରିବାକୁ ଏଜେଣ୍ଟକୁ ବିନ୍ୟାସ କରିବା **: agent.configure ({" ଫଙ୍କସନ୍ ":" ଏକଜେକ୍ୟୁଟ୍_ ଟାସ୍କ "," ଆର୍ଗସ୍ ": 7। ** ଆବେଦନ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖିବା **: agent.monitor_performance (app_name =" my_app ", ଥ୍ରେସହୋଲ୍ଡ = 85)" 8। ** ଅସନ୍ତୁଷ୍ଟ ଚିହ୍ନଟ **: agent.detect_anomaly (app_name =" my_app ", ଥ୍ରେସହୋଲ୍ଡ = 85)" 9। ** ଏଜେଣ୍ଟ୍ ସ୍ଥିତି ପାଇବା **: agent.status ()| 10. ** ଏଜେଣ୍ଟଙ୍କ ଲଗ୍ ପାଇବା **:agent.logs ()` |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି DevOps ପାଇପଲାଇନର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଏଜେଣ୍ଟ", "ଡାଟା": [90, 80, 70], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "DevOps ପାଇପଲାଇନ" }, "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ତିନୋଟି ପର୍ଯ୍ୟାୟ ସହିତ DevOps ପାଇପଲାଇନକୁ ଦର୍ଶାଏ: କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖନ୍ତୁ, ଅନୋମାଲିଟି ଚିହ୍ନଟ କରନ୍ତୁ ଏବଂ ଟାସ୍କ ଏକଜେକ୍ୟୁଟ୍ କରନ୍ତୁ | ଏଜେଣ୍ଟର କାର୍ଯ୍ୟଦକ୍ଷତା ଏକ ବାର୍ ଚାର୍ଟ ଭାବରେ ପ୍ରଦର୍ଶିତ ହୁଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ କିରୋ ଏଜେଣ୍ଟ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ବ୍ୟବହାର କରି AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତର କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ଅନୁସନ୍ଧାନ କରିଛୁ | ଆମେ ଏକ କିରୋ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିଛୁ ଯାହା ପ୍ରୟୋଗ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖେ ଏବଂ ଅସନ୍ତୁଷ୍ଟତା ଚିହ୍ନଟ କରେ, ଏବଂ DevOps ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏହାକୁ ଲ୍ୟାଙ୍ଗଚେନ ସହିତ ଏକୀକୃତ କଲା | ଆମେ Chart.js ବ୍ୟବହାର କରି DevOps ପାଇପଲାଇନର ଏକ ଭିଜୁଆଲାଇଜେସନ୍ ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ | ଜିରୋଅପ୍ସର ମୂଳ ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ସ୍ healing ୟଂ ଆରୋଗ୍ୟ, ଆତ୍ମ-ଅପ୍ଟିମାଇଜ୍ ଏବଂ ସ୍-ମାପିବା ପ୍ରଣାଳୀ ସୃଷ୍ଟି କରିବା ଯାହାକି ସର୍ବନିମ୍ନ ମାନବ ହସ୍ତକ୍ଷେପ ଆବଶ୍ୟକ କରେ | AI ଏବଂ ମେସିନ୍ ଲର୍ନିଂକୁ ବ୍ୟବହାର କରି, ଆମେ ଏହି ଲକ୍ଷ୍ୟ ହାସଲ କରିପାରିବା ଏବଂ DevOps ଅଭ୍ୟାସକୁ ଜିରୋ ଓପ୍ସରେ ରୂପାନ୍ତର କରିପାରିବା |