{"id":28501,"date":"2025-08-31T06:00:25","date_gmt":"2025-08-31T03:00:25","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/langchaine-yeni-baslayanlar-icin-tam-kilavuz-bolum-1\/"},"modified":"2025-08-31T06:00:25","modified_gmt":"2025-08-31T03:00:25","slug":"langchaine-yeni-baslayanlar-icin-tam-kilavuz-bolum-1","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/langchaine-yeni-baslayanlar-icin-tam-kilavuz-bolum-1\/","title":{"rendered":"LangChain’e Yeni Ba\u015flayanlar \u0130\u00e7in Tam K\u0131lavuz (B\u00f6l\u00fcm 1)"},"content":{"rendered":"

LangChain’e Yeni Ba\u015flayanlar \u0130\u00e7in Tam K\u0131lavuz (B\u00f6l\u00fcm 1)<\/p>\n

Yapay zeka d\u00fcnyas\u0131nda b\u00fcy\u00fck dil modelleri (LLM’ler) giderek daha \u00f6nemli bir rol \u00fcstleniyor. Ancak bu g\u00fc\u00e7l\u00fc ara\u00e7lar\u0131 etkili bir \u015fekilde kullanmak, \u00f6zellikle karma\u015f\u0131k uygulamalar geli\u015ftirmek, zorlu bir g\u00f6rev olabilir. \u0130\u015fte bu noktada LangChain devreye giriyor. 2025’te her geli\u015ftiricinin bilmesi gereken bu g\u00fc\u00e7l\u00fc framework’\u00fc, s\u0131f\u0131rdan ba\u015flayarak ad\u0131m ad\u0131m ke\u015ffedece\u011fiz. Bu makale, LangChain’in temel kavramlar\u0131n\u0131, pratik uygulamalar\u0131n\u0131 ve ileri seviye tekniklerini kapsayan kapsaml\u0131 bir rehber niteli\u011findedir.<\/p>\n

LangChain Nedir ve Neden \u00d6nemli?<\/h2>\n

LangChain, b\u00fcy\u00fck dil modellerini (LLM’ler) \u00e7e\u015fitli veri kaynaklar\u0131 ve uygulamalarla entegre etmek i\u00e7in tasarlanm\u0131\u015f, a\u00e7\u0131k kaynakl\u0131 bir Python framework’\u00fcd\u00fcr. Basit\u00e7e s\u00f6ylemek gerekirse, LangChain, LLM’lerin g\u00fcc\u00fcn\u00fc daha eri\u015filebilir ve kullan\u0131\u015fl\u0131 hale getirir. Bu, geli\u015fmi\u015f chatbot’lar, \u00f6zetleme ara\u00e7lar\u0131, bilgi geri alma sistemleri ve daha bir\u00e7ok uygulama geli\u015ftirmenizi kolayla\u015ft\u0131r\u0131r. \u00d6rne\u011fin, bir chatbot’u sadece LLM’lere dayand\u0131rmak yerine, LangChain sayesinde veritaban\u0131n\u0131zdaki bilgiye, dosyalar\u0131n\u0131za veya hatta web’e eri\u015fmesini sa\u011flayabilirsiniz. Bu, LLM’lerin yeteneklerini \u00f6nemli \u00f6l\u00e7\u00fcde geni\u015fletir ve daha ak\u0131ll\u0131, ba\u011flamsal olarak daha zengin ve daha kullan\u0131\u015fl\u0131 uygulamalar yaratman\u0131za olanak tan\u0131r. LangChain’in \u00f6nemi, karma\u015f\u0131k LLM uygulamalar\u0131n\u0131n geli\u015ftirilmesini basitle\u015ftirmesi ve daha h\u0131zl\u0131 ve verimli bir \u015fekilde prototipleme yapman\u0131z\u0131 sa\u011flamas\u0131d\u0131r. Ayr\u0131ca, geni\u015f bir topluluk deste\u011fi ve s\u00fcrekli geli\u015fen bir ekosistem sunar.<\/p>\n

LangChain’in Temel Kavramlar\u0131: \u0130lk Ad\u0131mlar<\/h2>\n

LangChain’i anlamak i\u00e7in \u00f6ncelikle birka\u00e7 temel kavram\u0131 kavramak \u00f6nemlidir. Bunlar aras\u0131nda LLM’ler, zincirler (chains), indeksler (indexes) ve ajanlar (agents) bulunur. LLM’ler, metin \u00fcretme, \u00f6zetleme, \u00e7eviri ve sorular\u0131 yan\u0131tlama gibi \u00e7e\u015fitli do\u011fal dil i\u015fleme g\u00f6revlerini ger\u00e7ekle\u015ftirebilen b\u00fcy\u00fck dil modelleridir. LangChain’de ise OpenAI’nin GPT modelleri, Hugging Face’in modelleri ve daha bir\u00e7ok LLM’yi kullanabilirsiniz. Zincirler (chains), LLM’leri \u00e7e\u015fitli i\u015flevlerle birle\u015ftiren bir dizi ad\u0131md\u0131r. \u00d6rne\u011fin, bir soru-cevap sisteminde, zincir \u00f6nce soruyu i\u015fler, ard\u0131ndan LLM’yi kullanarak cevab\u0131 \u00fcretir ve son olarak cevab\u0131 bi\u00e7imlendirir. \u0130ndeksler (indexes), LLM’lerin eri\u015febilece\u011fi ve sorgulayabilece\u011fi veri k\u00fcmelerini temsil eder. Bu, veritabanlar\u0131, dosyalar veya web sayfalar\u0131 olabilir. Son olarak, ajanlar (agents), \u00e7e\u015fitli ara\u00e7lar\u0131 (\u00f6rne\u011fin, arama motorlar\u0131, hesap makineleri) kullanarak LLM’lerin kararlar almas\u0131n\u0131 ve karma\u015f\u0131k g\u00f6revleri yerine getirmesini sa\u011flar. Bu kavramlar\u0131 anlamak, LangChain ile uygulama geli\u015ftirmenin temelini olu\u015fturur.<\/p>\n

LangChain ile \u0130lk Uygulama: Basit Bir Soru-Cevap Sistemi<\/h2>\n

LangChain ile basit bir soru-cevap sistemi olu\u015fturarak pratik bir uygulama yapal\u0131m. Bu \u00f6rnekte, OpenAI’nin GPT-3.5-turbo modelini kullanaca\u011f\u0131z. \u00d6ncelikle gerekli k\u00fct\u00fcphaneleri y\u00fckleyip gerekli ayarlar\u0131 yapal\u0131m:<\/p>\n

pip install langchain openai\nimport os\nfrom langchain.chains import LLMChain\nfrom langchain.llms import OpenAI\nfrom langchain.prompts import PromptTemplate\n\nos.environ[\"OPENAI_API_KEY\"] = \"YOUR_OPENAI_API_KEY\" # Kendi API anahtar\u0131n\u0131z\u0131 buraya girin<\/pre>\n
<\/code><\/p>\n
Ard\u0131ndan, bir PromptTemplate<\/code> ve bir LLMChain<\/code> olu\u015fturaca\u011f\u0131z:<\/p>\n
llm = OpenAI(temperature=0)\ntemplate = \"\"\"Soru: {question}\nCevap:\"\"\"\nprompt = PromptTemplate(template=template, input_variables=[\"question\"])\nchain = LLMChain(llm=llm, prompt=prompt)<\/pre>\n
<\/code><\/p>\n
\u015eimdi, sorumuzu sorup cevab\u0131 alabiliriz:<\/pre>\n
<\/code>question = \"T\u00fcrkiye'nin ba\u015fkenti nerededir?\"
\nanswer = chain.run(question)
\nprint(answer)<\/code><\/p>\n
Bu kod, basit bir soru-cevap sistemi olu\u015fturur.  Daha karma\u015f\u0131k sistemler i\u00e7in, daha geli\u015fmi\u015f zincirler ve indeksleme teknikleri kullanabilirsiniz.  Unutmay\u0131n, OpenAI API anahtar\u0131n\u0131z\u0131 YOUR_OPENAI_API_KEY<\/code> yerine kendi anahtar\u0131n\u0131zla de\u011fi\u015ftirmeniz gerekmektedir.  Bu basit \u00f6rnek, LangChain'in kullan\u0131m kolayl\u0131\u011f\u0131n\u0131 ve g\u00fcc\u00fcn\u00fc g\u00f6stermektedir.<\/p>\n
LangChain \u0130ndeksleri ve Veri Entegrasyonu: Verilerinizi Kullanmaya Ba\u015flay\u0131n<\/h2>\n
LangChain'in g\u00fcc\u00fc, sadece LLM'leri kullanmakla s\u0131n\u0131rl\u0131 de\u011fildir.  Ger\u00e7ek d\u00fcnyadaki verilerinizi de entegre ederek LLM'lerin yeteneklerini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde art\u0131rabilirsiniz.  Bunun i\u00e7in LangChain'in sundu\u011fu \u00e7e\u015fitli indeksleme y\u00f6ntemlerini kullanabilirsiniz.  \u00d6rne\u011fin, bir dizi PDF dosyas\u0131n\u0131 indeksleyip, bu dosyalardaki bilgilere dayal\u0131 sorulara cevap verebilen bir sistem olu\u015fturabilirsiniz.  Ya da bir veritaban\u0131na ba\u011flanarak, LLM'lerin veritaban\u0131ndaki bilgilere eri\u015fmesini sa\u011flayabilirsiniz.<\/p>\n
LangChain'in destekledi\u011fi indeksleme y\u00f6ntemleri aras\u0131nda, vekt\u00f6r veritabanlar\u0131, dosya sistemleri ve daha bir\u00e7ok se\u00e7enek bulunmaktad\u0131r.  Hangi y\u00f6ntemi se\u00e7meniz gerekti\u011fi, verilerinizin yap\u0131s\u0131na ve kullan\u0131m senaryonuzun gereksinimlerine ba\u011fl\u0131d\u0131r.  \u00d6rne\u011fin, b\u00fcy\u00fck metin dosyalar\u0131nda vekt\u00f6r veritabanlar\u0131n\u0131 kullanarak daha h\u0131zl\u0131 ve verimli arama yapabilirsiniz.<\/p>\n
LangChain Ajanlar\u0131: LLM'leri Ak\u0131ll\u0131 Hale Getirme<\/h2>\n
LLM'ler g\u00fc\u00e7l\u00fc ara\u00e7lard\u0131r, ancak bazen kendi ba\u015flar\u0131na karma\u015f\u0131k g\u00f6revleri yerine getirmekte zorlan\u0131rlar.  \u0130\u015fte burada LangChain ajanlar\u0131 devreye giriyor.  Ajanlar, LLM'lerin \u00e7e\u015fitli ara\u00e7lar\u0131 kullanarak kararlar almas\u0131n\u0131 ve g\u00f6revleri yerine getirmesini sa\u011flar.  Bu ara\u00e7lar, arama motorlar\u0131, hesap makineleri veya \u00f6zel olarak olu\u015fturulmu\u015f fonksiyonlar olabilir.<\/p>\n
Ajanlar, LLM'lere ba\u011flam sa\u011flar ve LLM'lerin belirli bir g\u00f6rev i\u00e7in en uygun arac\u0131 se\u00e7melerine olanak tan\u0131r.  \u00d6rne\u011fin, bir ajan, bir bilgi geri alma sorusunu yan\u0131tlamak i\u00e7in \u00f6nce bir arama motoru kullanabilir, ard\u0131ndan elde etti\u011fi bilgileri LLM'ye iletebilir ve LLM'nin cevab\u0131 \u00fcretmesini sa\u011flayabilir.  Bu, LLM'lerin yeteneklerini \u00f6nemli \u00f6l\u00e7\u00fcde geni\u015fletir ve daha ak\u0131ll\u0131 ve daha yetenekli uygulamalar olu\u015fturman\u0131za olanak tan\u0131r.<\/p>\n
LangChain ile Ger\u00e7ek D\u00fcnya Senaryolar\u0131: Vaka \u00c7al\u0131\u015fmalar\u0131<\/h2>\n
LangChain'in pratik uygulamalar\u0131n\u0131 g\u00f6rmek i\u00e7in baz\u0131 ger\u00e7ek d\u00fcnya senaryolar\u0131n\u0131 ele alal\u0131m.<\/p>\n
Vaka \u00c7al\u0131\u015fmas\u0131 1: M\u00fc\u015fteri Destek Chatbot'u:<\/strong>  Bir m\u00fc\u015fteri destek chatbot'u, LangChain kullanarak \u015firketin bilgilendirici belgelerine, s\u0131k sorulan sorulara ve m\u00fc\u015fteri veritaban\u0131na eri\u015febilir ve m\u00fc\u015fteri sorgular\u0131na daha do\u011fru ve kapsaml\u0131 yan\u0131tlar verebilir.<\/p>\n
Vaka \u00c7al\u0131\u015fmas\u0131 2:  Otomatik \u00d6zetleme Sistemi:<\/strong>  Uzun belgelerin otomatik olarak \u00f6zetlenmesi i\u00e7in, LangChain, belgeleri b\u00f6l\u00fcmlere ay\u0131r\u0131r, her b\u00f6l\u00fcm\u00fc ayr\u0131 ayr\u0131 i\u015fler ve LLM'yi kullanarak \u00f6zetler olu\u015fturur.  Daha sonra, bu \u00f6zetleri birle\u015ftirip genel bir \u00f6zet sunar.<\/p>\n
Vaka \u00c7al\u0131\u015fmas\u0131 3:  Ki\u015fiselle\u015ftirilmi\u015f E\u011fitim Materyali Olu\u015fturma:<\/strong>  LangChain, \u00f6\u011frencinin \u00f6\u011frenme d\u00fczeyine ve tercihlerine g\u00f6re ki\u015fiselle\u015ftirilmi\u015f e\u011fitim materyali olu\u015fturmak i\u00e7in kullan\u0131labilir.  \u00d6rne\u011fin, \u00f6\u011frencinin g\u00fc\u00e7l\u00fc ve zay\u0131f y\u00f6nlerini belirleyerek, o y\u00f6nlere odaklanan \u00f6zel materyaller \u00fcretebilir.<\/p>\n
LangChain'in \u0130leri Seviye Kullan\u0131m\u0131: \u0130pu\u00e7lar\u0131 ve P\u00fcf Noktalar\u0131<\/h2>\n
LangChain'in daha ileri seviye kullan\u0131m\u0131nda, performans optimizasyonu, hata y\u00f6netimi ve g\u00fcvenlik \u00f6nlemleri \u00f6nem kazanmaktad\u0131r.  Performans\u0131 art\u0131rmak i\u00e7in, \u00f6nbelle\u011fe alma (caching), paralel i\u015flem (parallel processing) ve do\u011fru indeksleme y\u00f6ntemlerinin se\u00e7imi \u00f6nemlidir.  Hata y\u00f6netimi i\u00e7in, olas\u0131 hatalar\u0131 yakalamak ve uygun \u015fekilde i\u015flemek i\u00e7in try-except bloklar\u0131 kullan\u0131lmal\u0131d\u0131r.  G\u00fcvenlik a\u00e7\u0131s\u0131ndan ise, LLM'lere sa\u011flanan verilerin g\u00fcvenli\u011fini sa\u011flamak ve zararl\u0131 i\u00e7eriklerin engellenmesi i\u00e7in gerekli \u00f6nlemler al\u0131nmal\u0131d\u0131r.<\/p>\n
\n  Uzman \u0130pucu: LangChain uygulamalar\u0131n\u0131z\u0131n performans\u0131n\u0131 art\u0131rmak i\u00e7in, b\u00fcy\u00fck veri k\u00fcmelerini indekslerken vekt\u00f6r veritabanlar\u0131n\u0131 kullan\u0131n.\n<\/div>\n
\n  Dikkat:  LLM'lere g\u00f6nderdi\u011finiz verilerde hassas bilgiler varsa, bunlar\u0131n gizlili\u011fini korumak i\u00e7in gerekli \u00f6nlemleri almal\u0131s\u0131n\u0131z.\n<\/div>\n
\u00d6\u011frenme Yol Haritas\u0131<\/h2>\n
Yeni Ba\u015flayan:<\/strong> LangChain'in temel kavramlar\u0131, basit soru-cevap sistemleri ve basit indeksleme teknikleri ile ba\u015flay\u0131n.<\/p>\n
Orta Seviye:<\/strong>  Daha karma\u015f\u0131k zincirler olu\u015fturun, farkl\u0131 indeksleme y\u00f6ntemlerini deneyin ve ajanlar\u0131 kullanarak daha karma\u015f\u0131k g\u00f6revler ger\u00e7ekle\u015ftirin.<\/p>\n
\u0130leri Seviye:<\/strong>  Performans optimizasyonu, hata y\u00f6netimi ve g\u00fcvenlik \u00f6nlemlerine odaklanarak b\u00fcy\u00fck \u00f6l\u00e7ekli uygulamalar geli\u015ftirin.<\/p>\n
Sonu\u00e7<\/h2>\n
LangChain, b\u00fcy\u00fck dil modellerini kullanarak g\u00fc\u00e7l\u00fc ve yenilik\u00e7i uygulamalar geli\u015ftirmeyi kolayla\u015ft\u0131ran g\u00fc\u00e7l\u00fc bir framework't\u00fcr.  Bu makale, LangChain'in temel kavramlar\u0131n\u0131 ve pratik uygulamalar\u0131n\u0131 ele alarak, yeni ba\u015flayanlardan deneyimli geli\u015ftiricilere kadar herkesin bu framework'\u00fc anlamas\u0131na ve kullanmas\u0131na yard\u0131mc\u0131 olmay\u0131 ama\u00e7lamaktad\u0131r.  Daha fazla bilgi i\u00e7in [https:\/\/fatihsoysal.com](https:\/\/fatihsoysal.com) inceleyebilirsiniz.<\/p>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n
    \n
  • LangChain hangi programlama dilini kullan\u0131r?<\/b> Python<\/li>\n
  • LangChain'i \u00f6\u011frenmek i\u00e7in ne kadar zaman gerekir?<\/b> Bu, \u00f6nceki deneyiminiz ve \u00f6\u011frenme h\u0131z\u0131n\u0131za ba\u011fl\u0131d\u0131r. Ancak, temel kavramlar\u0131 \u00f6\u011frenmek i\u00e7in birka\u00e7 g\u00fcn yeterli olabilir.<\/li>\n
  • LangChain \u00fccretsiz midir?<\/b> Evet, LangChain a\u00e7\u0131k kaynakl\u0131 ve \u00fccretsizdir.<\/li>\n
  • LangChain hangi LLM'leri destekler?<\/b> OpenAI, Hugging Face ve daha bir\u00e7ok LLM'yi destekler.<\/li>\n
  • LangChain'in performans\u0131n\u0131 nas\u0131l art\u0131rabilirim?<\/b> \u00d6nbelle\u011fe alma, paralel i\u015flem ve uygun indeksleme y\u00f6ntemlerini kullanarak.<\/li>\n<\/ul>\n
    Yazar: Fatih Soysal<\/p>\n