Dil modelleri (LLM’ler – Large Language Models), yapay zeka alan\u0131nda son y\u0131llar\u0131n en \u00e7\u0131\u011f\u0131r a\u00e7\u0131c\u0131 geli\u015fmelerinden biri olmu\u015ftur. ChatGPT, GPT-4, LLaMA gibi modeller, metin anlama, \u00fcretme, \u00e7eviri ve \u00f6zetleme gibi karma\u015f\u0131k g\u00f6revleri insan benzeri bir ba\u015far\u0131yla yerine getirebilme yetenekleriyle hem teknoloji d\u00fcnyas\u0131n\u0131 hem de genel kamuoyunu b\u00fcy\u00fclemi\u015ftir. Bu modellerin potansiyeli s\u0131n\u0131rs\u0131z gibi g\u00f6r\u00fcnse de, onlar\u0131 ger\u00e7ek d\u00fcnya uygulamalar\u0131na entegre etmek ve karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131 olu\u015fturmak, tek ba\u015f\u0131na bir LLM \u00e7a\u011fr\u0131s\u0131ndan \u00e7ok daha fazlas\u0131n\u0131 gerektirir. \u0130\u015fte tam bu noktada LangChain devreye giriyor. LangChain, dil modellerini kullanarak g\u00fc\u00e7l\u00fc, ba\u011flamsal ve etkile\u015fimli uygulamalar geli\u015ftirmeyi kolayla\u015ft\u0131ran a\u00e7\u0131k kaynakl\u0131 bir \u00e7er\u00e7evedir. Bu makalede, LangChain’in ne oldu\u011funu, neden \u00f6nemli oldu\u011funu, temel bile\u015fenlerini ve dil modellerinin g\u00fcc\u00fcnden tam olarak yararlanmak i\u00e7in nas\u0131l kullan\u0131labilece\u011fini ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n
Yapay zeka, \u00f6zellikle derin \u00f6\u011frenme tekniklerinin geli\u015fimiyle birlikte, son on y\u0131lda inan\u0131lmaz bir ilerleme kaydetti. Bu ilerlemenin en belirgin alanlar\u0131ndan biri de do\u011fal dil i\u015fleme (NLP) oldu. Transformer mimarisi ve b\u00fcy\u00fck \u00f6l\u00e7ekli veri setleri \u00fczerinde e\u011fitilen dil modelleri, makine \u00e7evirisinden duygu analizine, metin \u00f6zetlemeden i\u00e7erik \u00fcretimine kadar geni\u015f bir yelpazede devrim niteli\u011finde yetenekler sergiledi. Bu modeller, sadece verilen bir metni anlamakla kalm\u0131yor, ayn\u0131 zamanda mant\u0131k y\u00fcr\u00fctebiliyor, bilgi sentezleyebiliyor ve hatta yarat\u0131c\u0131 metinler \u00fcretebiliyorlar.<\/p>\n
Ancak, bu modellerin ham g\u00fcc\u00fcn\u00fc bir uygulamaya d\u00f6n\u00fc\u015ft\u00fcrmek, genellikle birden fazla ad\u0131m\u0131, farkl\u0131 veri kaynaklar\u0131n\u0131 ve karma\u015f\u0131k etkile\u015fim mant\u0131klar\u0131n\u0131 bir araya getirmeyi gerektirir. \u00d6rne\u011fin, bir kullan\u0131c\u0131n\u0131n sorusuna yan\u0131t verirken, sadece genel bilgiye dayanmak yerine, belirli bir dok\u00fcman setinden bilgi \u00e7ekmek, bu bilgiyi \u00f6zetlemek ve ard\u0131ndan kullan\u0131c\u0131ya uygun bir formatta sunmak isteyebilirsiniz. Veya bir ajan\u0131n, bir g\u00f6revi yerine getirmek i\u00e7in internette arama yapmas\u0131, bir API’yi \u00e7a\u011f\u0131rmas\u0131 ve elde etti\u011fi bilgiyi kullanarak bir sonraki ad\u0131m\u0131 belirlemesi gerekebilir. Bu t\u00fcr karma\u015f\u0131k senaryolar, dil modellerini “orkestra” etmeyi gerektirir ve LangChain, bu orkestrasyonu sa\u011flamak i\u00e7in tasarlanm\u0131\u015f g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.<\/p>\n
LangChain, dil modelleriyle \u00e7al\u0131\u015fan uygulamalar geli\u015ftirmeyi basitle\u015ftiren ve standartla\u015ft\u0131ran bir \u00e7er\u00e7evedir. Temel olarak, bir dil modelinin tek ba\u015f\u0131na yapamayaca\u011f\u0131 veya yapmas\u0131 zor olan g\u00f6revleri, birden fazla bile\u015feni bir araya getirerek ger\u00e7ekle\u015ftirmeyi sa\u011flar. LangChain, sadece LLM’leri \u00e7a\u011f\u0131rmakla kalmaz, ayn\u0131 zamanda bu \u00e7a\u011fr\u0131lar\u0131 ba\u011flamsal hale getirmek, d\u0131\u015f veri kaynaklar\u0131yla etkile\u015fim kurmak, karma\u015f\u0131k mant\u0131k y\u00fcr\u00fctmek ve hatta LLM’lerin kendi ba\u015flar\u0131na “d\u00fc\u015f\u00fcnmesini” sa\u011flamak i\u00e7in bir dizi mod\u00fcler bile\u015fen sunar.<\/p>\n
LangChain’in \u00f6nemi birka\u00e7 ana noktada toplanabilir:<\/p>\n
* Mod\u00fclerlik:<\/strong> LangChain, her biri belirli bir i\u015flevi yerine getiren k\u00fc\u00e7\u00fck, ba\u011f\u0131ms\u0131z bile\u015fenlerden olu\u015fur. Bu mod\u00fcler yap\u0131, geli\u015ftiricilerin ihtiya\u00e7lar\u0131na g\u00f6re bu bile\u015fenleri birle\u015ftirerek \u00f6zelle\u015ftirilmi\u015f ve esnek \u00e7\u00f6z\u00fcmler olu\u015fturmas\u0131na olanak tan\u0131r. LangChain’in g\u00fcc\u00fc, iyi tan\u0131mlanm\u0131\u015f ve birbiriyle entegre olabilen temel bile\u015fenlerinden gelir. Bu bile\u015fenler, bir LLM uygulamas\u0131n\u0131n farkl\u0131 katmanlar\u0131n\u0131 temsil eder ve birlikte \u00e7al\u0131\u015farak karma\u015f\u0131k g\u00f6revleri yerine getirir.<\/p>\n Bu b\u00f6l\u00fcm, LangChain’in dil modelleriyle nas\u0131l etkile\u015fim kurdu\u011funu tan\u0131mlar.<\/p>\n * LLMs (B\u00fcy\u00fck Dil Modelleri) ve Chat Models (Sohbet Modelleri):<\/strong> LangChain, OpenAI’nin GPT serisi, Google’\u0131n PaLM modelleri, Hugging Face’deki a\u00e7\u0131k kaynakl\u0131 modeller ve daha bir\u00e7ok LLM sa\u011flay\u0131c\u0131s\u0131yla entegrasyon sa\u011flar. Bu b\u00f6l\u00fcm, LangChain’in d\u0131\u015f veri kaynaklar\u0131ndan bilgi \u00e7ekme ve bu bilgiyi LLM’lere sunma yetene\u011fini a\u00e7\u0131klar. Retrieval-Augmented Generation (RAG) mimarisinin temelini olu\u015fturur.<\/p>\n * Document Loaders (Dok\u00fcman Y\u00fckleyiciler):<\/strong> Farkl\u0131 formatlardaki (PDF, metin dosyalar\u0131, web sayfalar\u0131, CSV, veritabanlar\u0131 vb.) verileri LangChain’in i\u015fleyebilece\u011fi Zincirler, birden fazla LangChain bile\u015fenini veya di\u011fer zincirleri belirli bir s\u0131rayla bir araya getirerek karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131 olu\u015fturan yap\u0131lard\u0131r.<\/p>\n * LLMChain:<\/strong> En temel zincirdir. Bir Ajanlar, dil modellerinin dinamik olarak karar verme ve eylemde bulunma yetene\u011fini sa\u011flar. Bir ajan\u0131n ana fikri, bir LLM’in hangi “arac\u0131” (tool) ne zaman kullanaca\u011f\u0131na karar vermesini sa\u011flamakt\u0131r.<\/p>\n * Tools (Ara\u00e7lar):<\/strong> Ajanlar\u0131n kullanabilece\u011fi i\u015flevlerdir. Bir ara\u00e7, harici bir API \u00e7a\u011fr\u0131s\u0131 (\u00f6rne\u011fin, hava durumu API’si, arama motoru API’si, veritaban\u0131 sorgusu) veya belirli bir Python fonksiyonu olabilir. LangChain, bir\u00e7ok yayg\u0131n ara\u00e7 i\u00e7in haz\u0131r entegrasyonlar sunar (SerpAPI, Wikipedia, Python REPL vb.). Haf\u0131za, ajanlar\u0131n ve zincirlerin \u00f6nceki etkile\u015fimleri hat\u0131rlamas\u0131n\u0131 sa\u011flar, bu da sohbet robotlar\u0131 ve diyalog sistemleri i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n * ConversationBufferMemory:<\/strong> Sohbet ge\u00e7mi\u015fini oldu\u011fu gibi saklar ve belirli bir say\u0131da \u00f6nceki etkile\u015fimi LLM’e sunar. \u015eimdi LangChain’in temel bile\u015fenlerini \u00f6\u011frendi\u011fimize g\u00f6re, basit bir uygulamadan ba\u015flayarak daha karma\u015f\u0131k senaryolara nas\u0131l ge\u00e7ilece\u011fini inceleyelim.<\/p>\n LangChain’i kullanmaya ba\u015flamak i\u00e7in Python ortam\u0131n\u0131zda gerekli k\u00fct\u00fcphaneleri kurman\u0131z gerekir:<\/p>\n Ard\u0131ndan, kullanaca\u011f\u0131n\u0131z LLM sa\u011flay\u0131c\u0131s\u0131n\u0131n API anahtar\u0131n\u0131 ortam de\u011fi\u015fkeni olarak ayarlaman\u0131z \u00f6nemlidir. \u00d6rne\u011fin, OpenAI i\u00e7in:<\/p>\n En temel LangChain kullan\u0131m\u0131, bir LLM’i do\u011frudan \u00e7a\u011f\u0131rmakt\u0131r:<\/p>\n Bu kod par\u00e7as\u0131, OpenAI’nin bir modelini ba\u015flat\u0131r ve do\u011frudan bir istemle \u00e7a\u011f\u0131r\u0131r.<\/p>\n \u0130stemleri daha dinamik hale getirmek i\u00e7in Burada, Bir Kendi verileriniz \u00fczerinde soru-cevap yapmak i\u00e7in RAG (Retrieval Augmented Generation) mimarisini kullanabiliriz. Bu, LangChain’in en g\u00fc\u00e7l\u00fc kullan\u0131m alanlar\u0131ndan biridir.<\/p>\n \u00d6nce bir dok\u00fcman\u0131 y\u00fckleyelim, par\u00e7alayal\u0131m, embedding’lerini olu\u015ftural\u0131m ve bir vekt\u00f6r veritaban\u0131na kaydedelim:<\/p>\n Bu \u00f6rnekte, Ajanlar, dinamik problem \u00e7\u00f6zme yetene\u011fi sunar. \u00d6rne\u011fin, internette arama yapabilen bir ajan olu\u015ftural\u0131m. Bunun i\u00e7in Bu \u00f6rnekte, ajan, kullan\u0131c\u0131n\u0131n hava durumu sorusunu al\u0131r, LangChain, yukar\u0131daki temel bile\u015fenlerin \u00f6tesinde, daha karma\u015f\u0131k ve g\u00fc\u00e7l\u00fc uygulamalar geli\u015ftirmek i\u00e7in bir\u00e7ok geli\u015fmi\u015f \u00f6zellik sunar.<\/p>\n * RAG (Retrieval Augmented Generation) Optimizasyonu:<\/strong> RAG uygulamalar\u0131n\u0131n performans\u0131n\u0131 art\u0131rmak i\u00e7in farkl\u0131 metin par\u00e7alama stratejileri, farkl\u0131 embedding modelleri ve vekt\u00f6r veritabanlar\u0131 denemek \u00f6nemlidir. Ayr\u0131ca, “re-ranking” algoritmalar\u0131 ile getirilen dok\u00fcmanlar\u0131n alaka d\u00fczeyini art\u0131rabilirsiniz. LangChain, dil modellerinin g\u00fcc\u00fcn\u00fc ger\u00e7ek d\u00fcnya uygulamalar\u0131na ta\u015f\u0131mak isteyen geli\u015ftiriciler i\u00e7in vazge\u00e7ilmez bir ara\u00e7 haline gelmi\u015ftir. Mod\u00fcler yap\u0131s\u0131, geni\u015f entegrasyon yelpazesi ve karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 basitle\u015ftirme yetene\u011fi sayesinde, geli\u015ftiricilerin yenilik\u00e7i LLM uygulamalar\u0131n\u0131 h\u0131zla olu\u015fturmas\u0131na olanak tan\u0131r.<\/p>\n Yapay zeka ve dil modelleri alan\u0131 h\u0131zla geli\u015fmeye devam ederken, LangChain gibi \u00e7er\u00e7eveler, bu teknolojilerin potansiyelini tam olarak a\u00e7\u0131\u011fa \u00e7\u0131karmak i\u00e7in k\u00f6pr\u00fc g\u00f6revi g\u00f6recektir. Kendi verilerinizle ki\u015fiselle\u015ftirilmi\u015f asistanlar olu\u015fturmaktan, dinamik karar verme yetene\u011fine sahip otomasyon ajanlar\u0131 geli\u015ftirmeye kadar, LangChain’in sundu\u011fu olanaklar s\u0131n\u0131rs\u0131zd\u0131r. Bu k\u0131lavuz, LangChain yolculu\u011funuza ba\u015flaman\u0131z i\u00e7in size sa\u011flam bir temel sa\u011flam\u0131\u015ft\u0131r. \u015eimdi s\u0131ra sizde; bu g\u00fc\u00e7l\u00fc \u00e7er\u00e7eveyi ke\u015ffedin ve dil modellerinin b\u00fcy\u00fcl\u00fc d\u00fcnyas\u0131nda kendi uygulamalar\u0131n\u0131z\u0131 yaratmaya ba\u015flay\u0131n!<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"LangChain: Dil Modellerinin G\u00fcc\u00fcnden Yararlanmak \u0130\u00e7in Bir Ba\u015flang\u0131\u00e7 K\u0131lavuzu\nDil modelleri (LLM’ler – Large Language Models), yapay zeka alan","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1342],"tags":[],"class_list":{"0":"post-30910","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-ai","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
\n* Esneklik:<\/strong> \u00c7er\u00e7eve, farkl\u0131 dil modelleri (OpenAI, Hugging Face, Cohere vb.), farkl\u0131 veri kaynaklar\u0131 (dok\u00fcmanlar, veritabanlar\u0131, API’ler) ve farkl\u0131 ara\u00e7larla entegrasyon i\u00e7in geni\u015f bir destek sunar. Bu sayede, geli\u015ftiriciler belirli bir teknolojiye ba\u011fl\u0131 kalmadan en uygun \u00e7\u00f6z\u00fcmleri se\u00e7ebilirler.
\n* Karma\u015f\u0131k \u0130\u015f Ak\u0131\u015flar\u0131:<\/strong> LangChain, zincirler (Chains) ve ajanlar (Agents) gibi kavramlar arac\u0131l\u0131\u011f\u0131yla, birden fazla ad\u0131m\u0131 i\u00e7eren karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 tan\u0131mlamay\u0131 ve y\u00f6netmeyi kolayla\u015ft\u0131r\u0131r. Bu, LLM’lerin sadece metin \u00fcretmekle kalmay\u0131p, ayn\u0131 zamanda problem \u00e7\u00f6zme ve karar verme yeteneklerini kullanmas\u0131n\u0131 sa\u011flar.
\n* Geli\u015ftirme H\u0131zland\u0131rma:<\/strong> Tekerle\u011fi yeniden icat etmek yerine, LangChain, s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131lan LLM uygulama desenleri i\u00e7in haz\u0131r \u00e7\u00f6z\u00fcmler ve entegrasyonlar sunar. Bu, geli\u015ftirme s\u00fcresini \u00f6nemli \u00f6l\u00e7\u00fcde k\u0131salt\u0131r ve geli\u015ftiricilerin uygulaman\u0131n i\u015f mant\u0131\u011f\u0131na odaklanmas\u0131na olanak tan\u0131r.<\/p>\nLangChain’in Temel Bile\u015fenleri<\/h3>\n
Model I\/O (Giri\u015f\/\u00c7\u0131k\u0131\u015f)<\/h4>\n
LLM<\/code> aray\u00fcz\u00fc, metin tabanl\u0131 giri\u015flere metin tabanl\u0131 \u00e7\u0131kt\u0131lar \u00fcretirken, Chat Models<\/code> aray\u00fcz\u00fc, mesaj listeleri (kullan\u0131c\u0131, sistem, asistan mesajlar\u0131) ile \u00e7al\u0131\u015farak sohbet tabanl\u0131 etkile\u015fimler i\u00e7in daha uygundur. Bu mod\u00fcller, farkl\u0131 LLM API’lerine tutarl\u0131 bir aray\u00fcz sunar.
\n* Prompt Templates (\u0130stek \u015eablonlar\u0131):<\/strong> Dil modellerine g\u00f6nderilen istemler (prompt’lar), \u00e7\u0131kt\u0131n\u0131n kalitesi i\u00e7in kritik \u00f6neme sahiptir. Prompt \u015fablonlar\u0131, dinamik olarak de\u011fi\u015fen girdilere g\u00f6re \u00f6nceden tan\u0131mlanm\u0131\u015f istemler olu\u015fturmay\u0131 sa\u011flar. Bu sayede, istemler tutarl\u0131 hale gelir ve kullan\u0131c\u0131 girdileri veya di\u011fer uygulama verileri kolayca istem i\u00e7ine yerle\u015ftirilebilir. \u00d6rne\u011fin, bir “soru-cevap” \u015fablonu, kullan\u0131c\u0131n\u0131n sorusunu ve ilgili ba\u011flam\u0131 otomatik olarak birle\u015ftirerek modele g\u00f6nderebilir.
\n* Output Parsers (\u00c7\u0131kt\u0131 Ayr\u0131\u015ft\u0131r\u0131c\u0131lar):<\/strong> Dil modelleri genellikle serbest metin format\u0131nda \u00e7\u0131kt\u0131 \u00fcretir. Ancak, bir\u00e7ok uygulama bu \u00e7\u0131kt\u0131y\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f bir formatta (\u00f6rne\u011fin, JSON, liste veya belirli bir veri tipi) bekler. \u00c7\u0131kt\u0131 ayr\u0131\u015ft\u0131r\u0131c\u0131lar, LLM’den gelen ham metin \u00e7\u0131kt\u0131s\u0131n\u0131 alarak, uygulaman\u0131n bekledi\u011fi yap\u0131land\u0131r\u0131lm\u0131\u015f formata d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu, model \u00e7\u0131kt\u0131s\u0131n\u0131n kolayca i\u015flenmesini ve di\u011fer uygulama bile\u015fenleriyle entegre edilmesini sa\u011flar.<\/p>\nRetrieval (Bilgi Edinme)<\/h4>\n
Document<\/code> nesnelerine d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu, LLM’lerin kendi e\u011fitim verileri d\u0131\u015f\u0131ndaki \u00f6zel verilerle \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar.
\n* Text Splitters (Metin Ay\u0131r\u0131c\u0131lar):<\/strong> B\u00fcy\u00fck dok\u00fcmanlar, genellikle tek bir LLM istemine s\u0131\u011fmayacak kadar uzundur. Metin ay\u0131r\u0131c\u0131lar, bu dok\u00fcmanlar\u0131 daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir par\u00e7alara (chunks) b\u00f6ler. Bu par\u00e7alama i\u015flemi, anlamsal b\u00fct\u00fcnl\u00fc\u011f\u00fc koruyarak ve LLM’lerinin token limitlerini a\u015fmadan yap\u0131lmal\u0131d\u0131r.
\n* Embeddings (G\u00f6m\u00fclmeler):<\/strong> Metin par\u00e7alar\u0131n\u0131 say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcren modellerdir. Bu vekt\u00f6rler, metinlerin anlamsal anlam\u0131n\u0131 temsil eder. Benzer anlama sahip metinler, vekt\u00f6r uzay\u0131nda birbirine yak\u0131n konumlan\u0131r. Embeddings, vekt\u00f6r veritabanlar\u0131nda arama yapmak ve anlamsal benzerli\u011fe dayal\u0131 ilgili bilgiyi bulmak i\u00e7in kritik \u00f6neme sahiptir.
\n* Vector Stores (Vekt\u00f6r Veritabanlar\u0131):<\/strong> Olu\u015fturulan embedding vekt\u00f6rlerini saklayan ve h\u0131zl\u0131 bir \u015fekilde anlamsal arama yapmay\u0131 sa\u011flayan \u00f6zel veritabanlar\u0131d\u0131r (\u00f6rne\u011fin, Chroma, Pinecone, FAISS, Weaviate). Bir kullan\u0131c\u0131 sorgusu geldi\u011finde, sorgunun embedding’i olu\u015fturulur ve bu veritaban\u0131nda en benzer dok\u00fcman par\u00e7alar\u0131 aran\u0131r.
\n* Retrievers (Bilgi Getiriciler):<\/strong> Vekt\u00f6r veritabanlar\u0131ndan veya di\u011fer bilgi kaynaklar\u0131ndan, bir sorguya en uygun dok\u00fcman par\u00e7alar\u0131n\u0131 veya bilgileri \u00e7eken bile\u015fenlerdir. Bu getirilen bilgiler daha sonra LLM’ye ba\u011flam olarak sunulur.<\/p>\nChains (Zincirler)<\/h4>\n
PromptTemplate<\/code> ve bir LLM<\/code> veya ChatModel<\/code>‘i birle\u015ftirir. Kullan\u0131c\u0131 girdisini prompt \u015fablonuna uygular, LLM’i \u00e7a\u011f\u0131r\u0131r ve \u00e7\u0131kt\u0131y\u0131 d\u00f6nd\u00fcr\u00fcr.
\n* SequentialChain:<\/strong> Bir dizi zinciri art arda \u00e7al\u0131\u015ft\u0131r\u0131r, bir \u00f6nceki zincirin \u00e7\u0131kt\u0131s\u0131n\u0131 bir sonraki zincirin girdisi olarak kullan\u0131r. Bu, \u00e7ok ad\u0131ml\u0131, do\u011frusal i\u015f ak\u0131\u015flar\u0131 olu\u015fturmak i\u00e7in idealdir. \u00d6rne\u011fin, bir metni \u00f6zetleyen bir zincir, ard\u0131ndan bu \u00f6zeti kullanarak bir soruya cevap veren ba\u015fka bir zincir.
\n* RouterChain:<\/strong> Birden fazla alt zincir aras\u0131nda dinamik olarak se\u00e7im yapar. Gelen sorguya veya girdiye ba\u011fl\u0131 olarak, hangi alt zincirin \u00e7al\u0131\u015ft\u0131r\u0131laca\u011f\u0131na karar verir. Bu, daha esnek ve ko\u015fullu i\u015f ak\u0131\u015flar\u0131 olu\u015fturmak i\u00e7in kullan\u0131l\u0131r.<\/p>\nAgents (Ajanlar)<\/h4>\n
\n* Agent Executors (Ajan Y\u00fcr\u00fct\u00fcc\u00fcler):<\/strong> Ajan\u0131n as\u0131l “beyni”dir. Bir sorgu ald\u0131\u011f\u0131nda, LLM’i kullanarak hangi arac\u0131 kullanaca\u011f\u0131na, hangi arg\u00fcmanlarla \u00e7a\u011f\u0131raca\u011f\u0131na ve sonucun nas\u0131l yorumlanaca\u011f\u0131na karar verir. Bu, LLM’in bir d\u00f6ng\u00fc i\u00e7inde d\u00fc\u015f\u00fcnmesini, g\u00f6zlem yapmas\u0131n\u0131 ve eylemde bulunmas\u0131n\u0131 sa\u011flar. Ajanlar, kullan\u0131c\u0131n\u0131n karma\u015f\u0131k bir soruyu ad\u0131m ad\u0131m \u00e7\u00f6zmesine yard\u0131mc\u0131 olabilir, \u00f6rne\u011fin “New York’taki hava durumu nedir ve bu bilgiye dayanarak bana bir seyahat plan\u0131 \u00f6ner?” gibi.
\n* Agent Types:<\/strong> LangChain, farkl\u0131 karar verme stratejilerine sahip \u00e7e\u015fitli ajan t\u00fcrleri sunar (\u00f6rne\u011fin, zero-shot-react-description<\/code>, conversational-react-description<\/code>).<\/p>\nMemory (Haf\u0131za)<\/h4>\n
\n* ConversationSummaryMemory:<\/strong> Sohbet ge\u00e7mi\u015fini \u00f6zetleyerek saklar, bu da uzun sohbetlerde token limitlerini a\u015fmay\u0131 \u00f6nlerken ba\u011flam\u0131n korunmas\u0131na yard\u0131mc\u0131 olur.
\n* EntityMemory:<\/strong> Sohbet i\u00e7inde bahsedilen belirli varl\u0131klar (ki\u015filer, yerler, nesneler) hakk\u0131nda bilgi saklar ve bu varl\u0131klar\u0131n zaman i\u00e7indeki durumunu takip eder.<\/p>\nLangChain ile \u0130lk Uygulaman\u0131z\u0131 Geli\u015ftirmek: Ad\u0131m Ad\u0131m Rehber<\/h3>\n
1. Kurulum ve Ortam Ayarlar\u0131<\/h4>\n
pip install langchain openai # OpenAI kullan\u0131yorsan\u0131z\nveya<\/h2>\npip install langchain huggingface_hub # Hugging Face modelleri i\u00e7in<\/code><\/pre>\n
import os\nos.environ[\"OPENAI_API_KEY\"] = \"sk-...\"<\/code><\/pre>\n2. Basit Bir LLM \u00c7a\u011fr\u0131s\u0131<\/h4>\n
from langchain_openai import OpenAI\n\nllm = OpenAI(temperature=0.7) # temperature, modelin yarat\u0131c\u0131l\u0131\u011f\u0131n\u0131 ayarlar\nresponse = llm.invoke(\"Bana T\u00fcrkiye'nin ba\u015fkenti hakk\u0131nda k\u0131sa bir bilgi ver.\")\nprint(response)<\/code><\/pre>\n3. Prompt Template Kullan\u0131m\u0131<\/h4>\n
PromptTemplate<\/code> kullan\u0131r\u0131z:<\/p>\nfrom langchain.prompts import PromptTemplate\nfrom langchain_openai import OpenAI\n\nllm = OpenAI(temperature=0.7)\nprompt_template = PromptTemplate.from_template(\n \"\u00dclke {country} hakk\u0131nda 3 maddelik k\u0131sa bir \u00f6zet yaz.\"\n)\n\nformatted_prompt = prompt_template.format(country=\"Fransa\")\nresponse = llm.invoke(formatted_prompt)\nprint(response)<\/code><\/pre>\ncountry<\/code> de\u011fi\u015fkeni ile istemi dinamik olarak doldurabiliriz.<\/p>\n4. Zincir Olu\u015fturma (LLMChain)<\/h4>\n
PromptTemplate<\/code> ve bir LLM<\/code>‘i birle\u015ftirerek bir LLMChain<\/code> olu\u015fturabiliriz:<\/p>\nfrom langchain.chains import LLMChain\nfrom langchain.prompts import PromptTemplate\nfrom langchain_openai import OpenAI\n\nllm = OpenAI(temperature=0.7)\nprompt_template = PromptTemplate.from_template(\n \"Bir \u015firket i\u00e7in yarat\u0131c\u0131 bir slogan bul: \u015eirket Ad\u0131: {company_name}, \u00dcr\u00fcn: {product_description}\"\n)\n\nslogan_chain = LLMChain(llm=llm, prompt=prompt_template)\n\nZinciri \u00e7al\u0131\u015ft\u0131rma<\/h2>\nresponse = slogan_chain.invoke({\n \"company_name\": \"G\u00fcne\u015f Enerjisi \u00c7\u00f6z\u00fcmleri\",\n \"product_description\": \"Evler i\u00e7in yenilenebilir enerji panelleri\"\n})\nprint(response)<\/code><\/pre>\n
invoke<\/code> metodu, zincirin girdilerini bir s\u00f6zl\u00fck olarak al\u0131r ve \u00e7\u0131kt\u0131y\u0131 d\u00f6nd\u00fcr\u00fcr.<\/p>\n5. Veri Alma (Retrieval) Entegrasyonu: RAG Uygulamas\u0131<\/h4>\n
from langchain_community.document_loaders import TextLoader\nfrom langchain.text_splitter import CharacterTextSplitter\nfrom langchain_openai import OpenAIEmbeddings\nfrom langchain_community.vectorstores import Chroma\n\n1. Dok\u00fcman Y\u00fckleme (\u00d6rnek bir metin dosyas\u0131 oldu\u011funu varsayal\u0131m)<\/h2>\n
content.txt dosyas\u0131nda \"LangChain, LLM uygulamalar\u0131 i\u00e7in bir \u00e7er\u00e7evedir...\" gibi bir metin oldu\u011funu varsayal\u0131m.<\/h2>\nloader = TextLoader(\"content.txt\")\ndocuments = loader.load()\n\n
2. Metin Par\u00e7alama<\/h2>\ntext_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=0)\ntexts = text_splitter.split_documents(documents)\n\n
3. Embeddings Olu\u015fturma ve Vekt\u00f6r Veritaban\u0131na Kaydetme<\/h2>\nembeddings = OpenAIEmbeddings()\nvectorstore = Chroma.from_documents(texts, embeddings)\n\n
4. Retriever Olu\u015fturma<\/h2>\nretriever = vectorstore.as_retriever()\n\n
5. Soru-Cevap Zinciri Olu\u015fturma (RAG)<\/h2>\nfrom langchain.chains import RetrievalQA\nfrom langchain_openai import OpenAI\n\nllm = OpenAI(temperature=0)\nqa_chain = RetrievalQA.from_chain_type(llm=llm, chain_type=\"stuff\", retriever=retriever)\n\nquery = \"LangChain nedir?\"\nresponse = qa_chain.invoke({\"query\": query})\nprint(response)<\/code><\/pre>\n
RetrievalQA<\/code> zinciri, kullan\u0131c\u0131n\u0131n sorgusunu al\u0131r, retriever<\/code> arac\u0131l\u0131\u011f\u0131yla vekt\u00f6r veritaban\u0131ndan ilgili dok\u00fcman par\u00e7alar\u0131n\u0131 \u00e7eker ve bu par\u00e7alar\u0131 LLM’e ba\u011flam olarak sunarak soruyu yan\u0131tlamas\u0131n\u0131 sa\u011flar.<\/p>\n6. Ajan Kullan\u0131m\u0131<\/h4>\n
serpapi<\/code> gibi bir arama motoru API’sine ihtiyac\u0131n\u0131z olacak.<\/p>\nimport os\nfrom langchain_openai import OpenAI\nfrom langchain_community.utilities import SerpAPIWrapper\nfrom langchain.agents import AgentExecutor, create_react_agent\nfrom langchain.tools import Tool\nfrom langchain.prompts import PromptTemplate\n\nSerpAPI anahtar\u0131n\u0131 ayarlay\u0131n<\/h2>\nos.environ[\"SERPAPI_API_KEY\"] = \"your_serpapi_key\"\n\nllm = OpenAI(temperature=0)\n\n
Ara\u00e7 tan\u0131mlama<\/h2>\nsearch = SerpAPIWrapper()\ntools = [\n Tool(\n name=\"SerpAPI Search\",\n func=search.run,\n description=\"Harici bilgiye ihtiya\u00e7 duydu\u011funuzda kullan\u0131\u015fl\u0131 bir ara\u00e7t\u0131r.\"\n )\n]\n\n
Ajan i\u00e7in Prompt Template olu\u015fturma (ReAct deseni i\u00e7in)<\/h2>\nprompt = PromptTemplate.from_template(\"\"\"\nCevaplaman\u0131z gereken bir soru verildi.\nAra\u00e7lara eri\u015fiminiz var:\n\n{tools}\n\nSoruya do\u011frudan cevap veremiyorsan\u0131z, ara\u00e7lar\u0131 kullanmal\u0131s\u0131n\u0131z.\nBir arac\u0131 kullanman\u0131z gerekti\u011finde, a\u015fa\u011f\u0131daki format\u0131 kullan\u0131n:\n\nThought: Arac\u0131 kullanmam gerekiyor mu? Evet ise, hangi arac\u0131 ve hangi arg\u00fcmanlarla?\nAction: tool_name\nAction Input: tool_input\n\nAra\u00e7 kullan\u0131ld\u0131ktan sonra, g\u00f6zlemi bekleyin ve ard\u0131ndan soruyu yan\u0131tlay\u0131n.\n\nThought: Soruyu yan\u0131tlamam gerekiyor mu? Evet ise, cevab\u0131m ne?\nFinal Answer: Cevab\u0131n\u0131z burada.\n\nBa\u015flamadan \u00f6nce, soruyu anlamak i\u00e7in dikkatlice d\u00fc\u015f\u00fcn\u00fcn ve hangi araca ihtiyac\u0131n\u0131z olabilece\u011fini belirleyin.\n\nSoru: {input}\n{agent_scratchpad}\n\"\"\")\n\n
Ajan\u0131 olu\u015fturma<\/h2>\nagent = create_react_agent(llm, tools, prompt)\nagent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)\n\n
Ajan\u0131 \u00e7al\u0131\u015ft\u0131rma<\/h2>\nresponse = agent_executor.invoke({\"input\": \"Bug\u00fcn \u0130stanbul'da hava durumu nas\u0131l?\"})\nprint(response[\"output\"])<\/code><\/pre>\n
SerpAPI Search<\/code> arac\u0131n\u0131 kullanarak internette arama yapar, elde etti\u011fi bilgiyi yorumlar ve nihai cevab\u0131 \u00fcretir. verbose=True<\/code> sayesinde ajan\u0131n d\u00fc\u015f\u00fcnme s\u00fcrecini (Thought, Action, Observation) g\u00f6rebiliriz.<\/p>\nLangChain’in Geli\u015fmi\u015f Kullan\u0131m Senaryolar\u0131 ve \u0130pu\u00e7lar\u0131<\/h3>\n
\n* \u00c7oklu Ajan Sistemleri:<\/strong> Birden fazla ajan\u0131n, her birinin belirli bir uzmanl\u0131k alan\u0131na sahip oldu\u011fu ve karma\u015f\u0131k bir g\u00f6revi yerine getirmek i\u00e7in i\u015fbirli\u011fi yapt\u0131\u011f\u0131 sistemler olu\u015fturulabilir. \u00d6rne\u011fin, biri ara\u015ft\u0131rma yapan, di\u011feri \u00f6zetleyen, di\u011feri ise nihai raporu yazan ajanlar.
\n* G\u00fcvenlik ve Etik Hususlar:<\/strong> LLM uygulamalar\u0131 geli\u015ftirirken hall\u00fcsinasyonlar (modelin yanl\u0131\u015f bilgi \u00fcretmesi), veri gizlili\u011fi ve g\u00fcvenlik gibi konular\u0131 g\u00f6z \u00f6n\u00fcnde bulundurmak kritik \u00f6neme sahiptir. LangChain, model \u00e7\u0131kt\u0131s\u0131n\u0131 denetlemek ve filtrelemek i\u00e7in ara\u00e7lar sunabilir.
\n* Performans Optimizasyonu:<\/strong> Prompt m\u00fchendisli\u011fi, model se\u00e7imi (daha k\u00fc\u00e7\u00fck ve daha h\u0131zl\u0131 modeller), \u00e7\u0131kt\u0131y\u0131 \u00f6nbelle\u011fe alma (caching) ve paralel i\u015flem gibi tekniklerle LLM uygulamalar\u0131n\u0131n performans\u0131n\u0131 ve maliyetini optimize edebilirsiniz.
\n* LangServe ve LangSmith:<\/strong> LangChain ekosisteminin iki \u00f6nemli bile\u015feni de LangServe ve LangSmith’tir.
\n * LangServe:<\/strong> LangChain uygulamalar\u0131n\u0131 kolayca bir API olarak sunmay\u0131 sa\u011flar. Bu, geli\u015ftirilen LLM uygulamalar\u0131n\u0131n web servisleri olarak da\u011f\u0131t\u0131lmas\u0131n\u0131 ve di\u011fer uygulamalarla entegre edilmesini basitle\u015ftirir.
\n * LangSmith:<\/strong> LLM uygulamalar\u0131n\u0131n geli\u015ftirme, test etme, izleme ve hata ay\u0131klama s\u00fcre\u00e7lerini kolayla\u015ft\u0131ran bir platformdur. Zincirlerin ve ajanlar\u0131n ad\u0131mlar\u0131n\u0131 g\u00f6rselle\u015ftirmeye, performans metriklerini izlemeye ve model \u00e7\u0131kt\u0131lar\u0131ndaki sorunlar\u0131 tespit etmeye yard\u0131mc\u0131 olur.<\/p>\nGelecek ve Sonu\u00e7<\/h3>\n