Créez un assistant de révision de code IA avec vev, litellm et Agenta

Ce didacticiel montre la création d'un réviseur de demandes d'extraction d'IA prêt pour la production à l'aide des meilleures pratiques LLMOps. L'application finale, accessible ici, accepte une URL de relations publiques publique et renvoie un avis généré par l'IA.

Aperçu de l'application

Ce tutoriel couvre :

• Développement de code : Récupération des différences PR à partir de GitHub et utilisation de LiteLLM pour l'interaction LLM.
• Observabilité : Implémentation d'Agenta pour la surveillance et le débogage des applications.
• Ingénierie des invites : Itération sur les invites et sélection de modèles à l'aide du terrain de jeu d'Agenta.
• Évaluation LLM : Utiliser le LLM en tant que juge pour une évaluation rapide et modèle.
• Déploiement : Déploiement de l'application en tant qu'API et création d'une UI simple avec v0.dev.

Logique de base

Le flux de travail de l'assistant IA est simple : à partir d'une URL PR, il récupère la différence depuis GitHub et la soumet à un LLM pour examen.

Les différences GitHub sont accessibles via :

<code>https://patch-diff.githubusercontent.com/raw/{owner}/{repo}/pull/{pr_number}.diff</code>

Cette fonction Python récupère le différentiel :

<code class="language-python">def get_pr_diff(pr_url):
    # ... (Code remains the same)
    return response.text</code>

LiteLLM facilite les interactions LLM, offrant une interface cohérente entre différents fournisseurs.

<code class="language-python">prompt_system = """
You are an expert Python developer performing a file-by-file review of a pull request. You have access to the full diff of the file to understand the overall context and structure. However, focus on reviewing only the specific hunk provided.
"""

prompt_user = """
Here is the diff for the file:
{diff}

Please provide a critique of the changes made in this file.
"""

def generate_critique(pr_url: str):
    diff = get_pr_diff(pr_url)
    response = litellm.completion(
        model=config.model,
        messages=[
            {"content": config.system_prompt, "role": "system"},
            {"content": config.user_prompt.format(diff=diff), "role": "user"},
        ],
    )
    return response.choices[0].message.content</code>

Implémentation de l'observabilité avec Agenta

Agenta améliore l'observabilité, le suivi des entrées, des sorties et du flux de données pour un débogage plus facile.

Initialisez Agenta et configurez les rappels LiteLLM :

<code class="language-python">import agenta as ag

ag.init()
litellm.callbacks = [ag.callbacks.litellm_handler()]</code>

Fonctions des instruments avec les décorateurs Agenta :

<code class="language-python">@ag.instrument()
def generate_critique(pr_url: str):
    # ... (Code remains the same)
    return response.choices[0].message.content</code>

Définissez la variable d'environnement AGENTA_API_KEY (obtenue auprès de Agenta) et éventuellement AGENTA_HOST pour l'auto-hébergement.

Créer un terrain de jeu LLM

La fonctionnalité de flux de travail personnalisé d'Agenta fournit un terrain de jeu de type IDE pour le développement itératif. L'extrait de code suivant illustre la configuration et l'intégration avec Agenta :

<code class="language-python">from pydantic import BaseModel, Field
from typing import Annotated
import agenta as ag
import litellm
from agenta.sdk.assets import supported_llm_models

# ... (previous code)

class Config(BaseModel):
    system_prompt: str = prompt_system
    user_prompt: str = prompt_user
    model: Annotated[str, ag.MultipleChoice(choices=supported_llm_models)] = Field(default="gpt-3.5-turbo")

@ag.route("/", config_schema=Config)
@ag.instrument()
def generate_critique(pr_url:str):
    diff = get_pr_diff(pr_url)
    config = ag.ConfigManager.get_from_route(schema=Config)
    response = litellm.completion(
        model=config.model,
        messages=[
            {"content": config.system_prompt, "role": "system"},
            {"content": config.user_prompt.format(diff=diff), "role": "user"},
        ],
    )
    return response.choices[0].message.content</code>

Servir et évaluer avec Agenta

1. Exécutez agenta init en spécifiant le nom de l'application et la clé API.
2. Courez agenta variant serve app.py.

Cela rend l'application accessible via le terrain de jeu d'Agenta pour des tests de bout en bout. LLM-as-a-juge est utilisé pour l’évaluation. L'invite de l'évaluateur est :

<code>You are an evaluator grading the quality of a PR review.
CRITERIA: ... (criteria remain the same)
ANSWER ONLY THE SCORE. DO NOT USE MARKDOWN. DO NOT PROVIDE ANYTHING OTHER THAN THE NUMBER</code>

L'invite utilisateur pour l'évaluateur :

<code>https://patch-diff.githubusercontent.com/raw/{owner}/{repo}/pull/{pr_number}.diff</code>

Déploiement et frontend

Le déploiement s'effectue via l'interface utilisateur d'Agenta :

1. Accédez à la page de présentation.
2. Cliquez sur les trois points à côté de la variante choisie.
3. Sélectionnez « Déployer en production ».

Une interface v0.dev a été utilisée pour la création rapide d'une interface utilisateur.

Prochaines étapes et conclusion

Les améliorations futures incluent un affinement rapide, l'intégration du contexte complet du code et la gestion des différences importantes. Ce didacticiel montre avec succès la création, l'évaluation et le déploiement d'un réviseur de demandes d'extraction d'IA prêt pour la production à l'aide d'Agenta et de LiteLLM.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!