ساخت مأمورین خودمختار هوش مصنوعی با Deepseek ، Langchain و AWS Lambda

مقدمه: ظهور گردش کار عامل

عوامل هوش مصنوعی خودمختار در حال تغییر شکل مجدد نحوه نزدیک شدن مشاغل به جریان کار ، اتوماسیون و گردش کار مبتنی بر داده هستند. این عوامل ، از طریق مدل های بزرگ زبان (LLMS) مانند Deepseek ، قادر به پردازش وظایف پیچیدهبا بازیابی اطلاعات در زمان واقعیوت اجرای تصمیمات به صورت خودمختاربشر از آنجا که این فناوری به طور گسترده ای در دسترس تر می شود ، پتانسیل گردش کار محور AI گسترش یافته است ، و آن را به یک زمان هیجان انگیز برای کشف چگونگی استفاده از این سیستم ها در برنامه های دنیای واقعی تبدیل کرده است.

در این وبلاگ ، من نحوه ساخت یک گردش کار AI عامل با استفاده از در اعماقبا لانگچینبا AWS Lambdaوت توابع مرحله AWS، نمایش چگونگی ترکیب این ابزارها برای ساخت سیستم های اتوماسیون هوشمند و هوشمند.

چرا Deepseek برای عوامل AI خودمختار؟

Deepseek یک است منبع باز LLM بهینه شده برای موارد استفاده های مختلف که نیاز دارند طول زمینه طولانی (نشانه های 16K)، که برای استدلال چند مرحله ای ایده آل است ، و قابلیت های پیشرفته NLP برای تصمیم گیری ساختاری. در اتوماسیون AI محور کارآمد است و آن را به گزینه ای مناسب برای ساختن عوامل هوشمند تبدیل می کند.

انعطاف پذیری و مقیاس پذیری Deepseek آن را به یک انتخاب عالی برای ادغام در گردش کار که نیاز دارد ، تبدیل می کند بازیابی اطلاعات پویا وت تصمیم گیری خودمختاربشر

مرحله 1: تنظیم محیط

قبل از شروع ساخت ، مهم است که محیط خود را به درستی تنظیم کنید. در اینجا نحوه شروع کار آورده شده است:

بسته های مورد نیاز را نصب کنید

به بسته های زیر نیاز دارید:

pip install langchain boto3 sagemaker transformers fastapi uvicorn

مدل Deepseek را در Sagemaker آغاز کنید

برای اجرای مدل در مقیاس ، بهتر است استفاده کنید ساژ ساز آمازون:

from transformers import AutoModelForCausalLM, AutoTokenizer
import sagemaker

model_name = "deepseek-ai/deepseek-llm-7b"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

session = sagemaker.Session()
role = sagemaker.get_execution_role()

مرحله 2: ساختن یک عامل هوش مصنوعی با Langchain

برای ایجاد یک عامل هوشمند ، Langchain یک چارچوب ایده آل است. این روند ادغام را ساده می کند LLMS با ابزار و گردش کار.

from langchain.llms import HuggingFacePipeline
from langchain.agents import initialize_agent, AgentType
from langchain.memory import ConversationBufferMemory

llm = HuggingFacePipeline.from_model(model_name)

memory = ConversationBufferMemory(memory_key="chat_history")

agent = initialize_agent(
    llm=llm,
    tools=[],  # Tools will be added in later steps
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    memory=memory
)

این تنظیم یک عامل ایجاد می کند که می تواند تعامل قبلی را به خاطر بسپارید و از Deepseek برای استدلال استفاده کنید.

مرحله 3: تقویت عامل با ابزارهای AWS

اضافه کردن ادغام AWS Lambda

با ادغام می توانید قابلیت های عامل را گسترش دهید AWS Lambdaبشر این به نماینده اجازه می دهد تا توابع بدون سرور را که می توانند با API های خارجی در تعامل باشند یا کارهای خاصی را انجام دهند ، فراخوانی کند.

مثال: ابزار جستجوی قیمت بازار سهام

import boto3, json

lambda_client = boto3.client("lambda")

def stock_price_tool(query):
    response = lambda_client.invoke(
        FunctionName="GetStockPrice",
        Payload=json.dumps({"ticker": query})
    )
    return json.loads(response["Payload"].read())["price"]

agent.add_tool(stock_price_tool, name="Stock Price Checker")

این ابزار به نماینده اجازه می دهد تا از قیمت سهام در زمان واقعی پرس و جو کند و بر این اساس پاسخ دهد.

مرحله 4: خودکار کردن گردش کار عامل با توابع مرحله AWS

توابع مرحله AWS مهم برای گردش کار پیچیده ارکستر هستند. آنها به شما امکان می دهند دنباله ای از وظایف را در یک دستگاه حالت تعریف کنید ، و اطمینان حاصل کنید که هر مرحله از روند با موفقیت انجام می شود.

مثال گردش کار: اتوماسیون پشتیبانی مشتری

شما می توانید یک گردش کار را تعریف کنید که در آن نمایش داده شدگان مشتری دریافت می شوند ، پردازش می شوند و توسط یک عامل هوش مصنوعی اداره می شوند:

توابع مرحله تعریف JSON

{
  "StartAt": "Receive Customer Query",
  "States": {
    "Receive Customer Query": {
      "Type": "Task",
      "Resource": "arn:aws:lambda:customer-service-bot",
      "Next": "Classify Intent"
    },
    "Classify Intent": {
      "Type": "Task",
      "Resource": "arn:aws:lambda:classify-intent",
      "Next": "Query DeepSeek"
    },
    "Query DeepSeek": {
      "Type": "Task",
      "Resource": "arn:aws:lambda:deepseek-response",
      "End": true
    }
  }
}

این مثال نشان می دهد که چگونه می توان با ادغام خدمات AWS مانند Lambda و توابع مرحله ، گردش کار پشتیبانی مشتری را خودکار کرد.

مرحله 5: استقرار نماینده به عنوان یک API بدون سرور

برای دسترسی به عامل ، می توانید آن را به عنوان یک مستقر کنید API بدون سرور با استفاده از فریپی وت AWS Lambdaبشر این به شما امکان می دهد تا از طریق رابط HTTP ، قابلیت های عامل را در معرض دید خود قرار دهید.

from fastapi import FastAPI
import requests

app = FastAPI()

@app.get("/query")
def query_agent(text: str):
    response = requests.post("https://sagemaker-endpoint-url", json={"inputs": text})
    return response.json()

استقرار با AWS Lambda و API Gateway

1. بسته بندی FastAPI به عنوان یک عملکرد لامبدابشر
2. API را از طریق AWS API Gateway افشا کنیدبشر
3. درخواست های استنتاج را از خدمات خارجی فعال کنیدبشر

این تنظیم به خدمات خارجی یا کاربران اجازه می دهد تا از طریق یک رابط HTTP ساده با نماینده شما ارتباط برقرار کنند.

مرحله ششم: پیشرفت های آینده

از آنجا که چشم انداز هوش مصنوعی همچنان در حال تحول است ، چندین زمینه برای کشف بیشتر وجود دارد:

🔹 همکاری چند عامل – چندین عامل با هم برای حل وظایف پیچیده ، به ویژه در حوزه هایی مانند امور مالی و پشتیبانی مشتری همکاری می کنند.

🔹 جمع آوری داده های خودمختار – ابزارهای اهرمی مانند آمازون کندرا برای بازیابی داده های هوشمند و ادغام در گردش کار.

🔹 تنظیم دقیق برای برنامه های خاص صنعت -Deepseek می تواند برای انجام کارهای تخصصی در صنایع مختلف مانند مراقبت های بهداشتی ، امور مالی و قانونی تنظیم شود.

این مناطق نشان دهنده لبه برش اتوماسیون AI محور است و پتانسیل زیادی برای کشف وجود دارد.

پایان

با ترکیب در اعماقبا لانگچینبا AWS Lambdaوت توابع مرحله AWS، شما می توانید قدرتمند بسازید عوامل خودمختار هوش مصنوعی که می تواند بازیابی ، دلیل و اجرای گردش کار پیچیدهبشر این سیستم ها بسیار مقیاس پذیر ، انعطاف پذیر و قادر به انجام طیف گسترده ای از کارها هستند ، اتوماسیون پشتیبانی مشتری به تصمیم گیریبشر

غذای اصلی:

• در اعماق استدلال هوش مصنوعی طولانی مدت را قادر می سازد-برای برنامه های درجه سازمانی ضروری است.
• لانگچین عوامل تصمیم گیری ساختمان را ساده می کند و باعث کاهش زمان توسعه می شود.
• AWS Lambda وت توابع پله اتوماسیون و مقیاس پذیری را فراهم کنید ، اطمینان حاصل کنید که گردش کار شما قوی و کارآمد است.
• استقرار بدون سرور تضمین می کند که خدمات با قدرت AI شما می توانند یکپارچه مقیاس داشته باشند و حجم زیادی از درخواست ها را انجام دهند.

این ترکیبی از ابزارها برای کمک به سازندگان ایجاد سیستم های قدرتمند و مقیاس پذیر AI که مطالبات برنامه های مدرن را برآورده می کند ، طراحی شده است.

مراحل بعدی

• نماینده خود را در Deepseek در AWS مستقر کنید و با ابزارها و گردش کار مختلف آزمایش کنید.
• همکاری چند عامل را کاوش کنید و ایجاد گردش کار که در آن چندین عامل وظایف پیچیده را با هم حل می کنند.
• Deepseek را برای برنامه های خاص دامنه تنظیم کنید برای به دست آوردن بیشترین استفاده از توانایی های آن در صنعت خود.
• خدمات AWS بیشتری مانند Bedrock را ادغام کنید برای استفاده از بینش های پیشرفته هوش مصنوعی در گردش کار خود.

بیایید آینده اتوماسیون AI محور را با هم بسازیم! 🚀