Yapay zeka teknolojileri, hayat\u0131m\u0131z\u0131n her alan\u0131nda devrim yarat\u0131rken, karma\u015f\u0131k g\u00f6revleri otonom bir \u015fekilde yerine getirebilen ak\u0131ll\u0131 ajanlar, gelece\u011fin otomasyon vizyonunu \u015fekillendiriyor. Bu makale, Microsoft’un Semantic Kernel’\u0131 ve yenilik\u00e7i AutoGen \u00e7at\u0131s\u0131n\u0131 birle\u015ftirerek, s\u0131radan otomasyonun \u00f6tesine ge\u00e7en, i\u015fbirli\u011fine dayal\u0131 ve dinamik yapay zeka ajan sistemlerini nas\u0131l olu\u015fturabilece\u011finizi detayl\u0131ca ele al\u0131yor.<\/p>\n
G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131 ve g\u00fcnl\u00fck ya\u015fam, s\u00fcrekli artan bir karma\u015f\u0131kl\u0131kla bo\u011fu\u015fuyor. Bir e-ticaret \u015firketinin envanterini y\u00f6netmek, m\u00fc\u015fteri hizmetleri taleplerini kar\u015f\u0131lamak, finansal verileri analiz etmek veya yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerini h\u0131zland\u0131rmak gibi g\u00f6revler, insan kaynaklar\u0131 i\u00e7in zaman al\u0131c\u0131 ve hata potansiyeli y\u00fcksek operasyonlar haline gelebiliyor. \u0130\u015fte tam bu noktada, yapay zeka ajanlar\u0131 devreye giriyor. Tek bir b\u00fcy\u00fck dil modelinin (LLM) s\u0131n\u0131rl\u0131 kapasitesini a\u015farak, belirli uzmanl\u0131k alanlar\u0131na sahip, birbirleriyle ileti\u015fim kurabilen ve i\u015fbirli\u011fi yapabilen ak\u0131ll\u0131 ajanlar, bu karma\u015f\u0131k sorunlara \u00f6l\u00e7eklenebilir ve verimli \u00e7\u00f6z\u00fcmler sunar.<\/p>\n
Geleneksel otomasyon \u00e7\u00f6z\u00fcmleri, genellikle \u00f6nceden tan\u0131mlanm\u0131\u015f kurallara ve statik i\u015f ak\u0131\u015flar\u0131na dayan\u0131r. Ancak ger\u00e7ek d\u00fcnya senaryolar\u0131 nadiren bu kadar d\u00fcz \u00e7izgiseldir; s\u00fcrekli de\u011fi\u015fen ko\u015fullar, beklenmedik girdiler ve yeni gereksinimler, bu t\u00fcr sistemlerin yetersiz kalmas\u0131na neden olabilir. Oysa yapay zeka ajanlar\u0131, dinamik karar verme yetenekleri sayesinde adaptasyon sa\u011flayabilirler. \u00d6rne\u011fin, bir m\u00fc\u015fteri hizmetleri ajan\u0131, basit bir soruya do\u011frudan cevap verebilirken, daha karma\u015f\u0131k bir sorun i\u00e7in teknik destek ajan\u0131yla ileti\u015fim kurabilir ve hatta bir insan temsilciye devretme karar\u0131 alabilir. Bu esneklik, insan m\u00fcdahalesine olan ihtiyac\u0131 azalt\u0131rken, verimlili\u011fi ve kullan\u0131c\u0131 deneyimini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. Bu ba\u011flamda, Microsoft’un Semantic Kernel’\u0131 ve AutoGen gibi framework’ler, bu t\u00fcr ak\u0131ll\u0131 ve i\u015fbirlik\u00e7i ajan sistemlerinin olu\u015fturulmas\u0131nda temel yap\u0131 ta\u015flar\u0131 sunmaktad\u0131r. Semantic Kernel, ajanlar\u0131n anlamsal anlama ve ara\u00e7 entegrasyonu yeteneklerini g\u00fc\u00e7lendirirken, AutoGen ise bu ajanlar\u0131n bir araya gelerek karma\u015f\u0131k g\u00f6revleri ekip \u00e7al\u0131\u015fmas\u0131yla \u00e7\u00f6zmelerini sa\u011flar. Bu kombinasyon, sadece otomasyon de\u011fil, ayn\u0131 zamanda otonom ve ak\u0131ll\u0131 bir i\u015f s\u00fcreci optimizasyonu vadediyor.<\/p>\n
Yapay zeka ajanlar\u0131n\u0131n gelecekteki potansiyeli, sadece verimlilik art\u0131\u015f\u0131yla s\u0131n\u0131rl\u0131 de\u011fildir. Ayn\u0131 zamanda yarat\u0131c\u0131l\u0131\u011f\u0131 te\u015fvik edebilir, insan-bilgisayar etkile\u015fimini do\u011fal hale getirebilir ve daha \u00f6nce m\u00fcmk\u00fcn olmayan inovasyonlar\u0131n \u00f6n\u00fcn\u00fc a\u00e7abilir. \u00d6rne\u011fin, bir tasar\u0131m ajan\u0131, kullan\u0131c\u0131dan ald\u0131\u011f\u0131 brief’i bir pazar ara\u015ft\u0131rmas\u0131 ajan\u0131yla payla\u015farak trendleri analiz edebilir, ard\u0131ndan bir g\u00f6rsel olu\u015fturma ajan\u0131yla i\u015fbirli\u011fi yaparak \u00f6zg\u00fcn tasar\u0131mlar \u00fcretebilir. Bu t\u00fcr \u00e7ok ajanl\u0131 sistemler, bireysel LLM’lerin tek ba\u015f\u0131na yapamayaca\u011f\u0131, daha derinlemesine, ba\u011flamsal ve \u00e7ok y\u00f6nl\u00fc \u00e7\u0131kt\u0131lar \u00fcretme kapasitesine sahiptir. Bu nedenle, yapay zeka ajanlar\u0131n\u0131n anla\u015f\u0131lmas\u0131 ve bu framework’lerin nas\u0131l kullan\u0131laca\u011f\u0131n\u0131n \u00f6\u011frenilmesi, modern teknoloji \u00e7a\u011f\u0131nda rekabet avantaj\u0131 elde etmek isteyen herkes i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n
Geli\u015fmi\u015f yapay zeka ajanlar\u0131 olu\u015fturmak i\u00e7in iki g\u00fc\u00e7l\u00fc Microsoft teknolojisini bir araya getirece\u011fiz: Semantic Kernel ve AutoGen. Bu iki framework, farkl\u0131 ancak tamamlay\u0131c\u0131 roller \u00fcstlenerek, ajanlar\u0131n hem bireysel zekas\u0131n\u0131 hem de tak\u0131m \u00e7al\u0131\u015fmas\u0131 yeteneklerini en \u00fcst d\u00fczeye \u00e7\u0131kar\u0131r.<\/p>\n
Semantic Kernel (SK), OpenAI’nin GPT modelleri veya Azure OpenAI hizmetleri gibi b\u00fcy\u00fck dil modellerini (LLM’ler) geleneksel programlama dilleriyle (C#, Python) entegre etmeyi sa\u011flayan a\u00e7\u0131k kaynakl\u0131 bir SDK’d\u0131r. Temel amac\u0131, LLM’lere “ba\u011flam” sa\u011flamak ve onlar\u0131n ger\u00e7ek d\u00fcnya ara\u00e7lar\u0131na eri\u015fimini kolayla\u015ft\u0131rmakt\u0131r. Bir LLM, do\u011fal dili anlama ve \u00fcretme konusunda son derece yetenekli olsa da, d\u0131\u015f sistemlerle etkile\u015fime ge\u00e7mek veya belirli g\u00f6revleri yerine getirmek i\u00e7in ek bilgilere ve yeteneklere ihtiya\u00e7 duyar. Semantic Kernel bu bo\u015flu\u011fu doldurur.<\/p>\n
K\u0131sacas\u0131, Semantic Kernel, bir ajana “beyin” ve “ara\u00e7 seti” sa\u011flayan bir yap\u0131d\u0131r. Ajan\u0131n neyi anlayaca\u011f\u0131n\u0131, neyi hat\u0131rlayaca\u011f\u0131n\u0131 ve hangi ara\u00e7lar\u0131 kullanarak eyleme ge\u00e7ece\u011fini belirler.<\/p>\n
AutoGen, Microsoft Research taraf\u0131ndan geli\u015ftirilen ve “\u00e7ok ajanl\u0131 konu\u015fma” yetene\u011fine odaklanan bir framework’t\u00fcr. Tek bir g\u00fc\u00e7l\u00fc ajan\u0131 optimize etmek yerine, AutoGen, farkl\u0131 rollerde uzmanla\u015fm\u0131\u015f birden fazla ajan\u0131n bir araya gelerek karma\u015f\u0131k g\u00f6revleri i\u015fbirli\u011fi i\u00e7inde \u00e7\u00f6zmesini sa\u011flar. AutoGen’\u0131n temel prensibi, her ajan\u0131n kendine \u00f6zg\u00fc bir “ki\u015fili\u011fi” ve “yetene\u011fi” olmas\u0131 ve bu ajanlar\u0131n belirli bir hedefi ger\u00e7ekle\u015ftirmek i\u00e7in do\u011fal dil arac\u0131l\u0131\u011f\u0131yla birbirleriyle ileti\u015fim kurmas\u0131d\u0131r.<\/p>\n
UserProxyAgent<\/code>), kod y\u00fcr\u00fct\u00fcc\u00fc (AssistantAgent<\/code> ile code_execution_config<\/code>), veri analisti, problem \u00e7\u00f6z\u00fcc\u00fc gibi \u00e7e\u015fitli rollerde ajanlar tan\u0131mlayabilirsiniz. Her ajana belirli beceriler ve davran\u0131\u015flar atanabilir.<\/li>\n- Konu\u015fma Desenleri:<\/strong> AutoGen, ajanlar aras\u0131nda esnek konu\u015fma desenlerini destekler. Bu, ajanlar\u0131n birbirlerine soru sormas\u0131n\u0131, bilgi payla\u015fmas\u0131n\u0131, g\u00f6revleri devretmesini ve \u00e7\u00f6z\u00fcmleri do\u011frulatmas\u0131n\u0131 sa\u011flar. S\u00fcre\u00e7, t\u0131pk\u0131 bir insan ekibinin bir proje \u00fczerinde \u00e7al\u0131\u015fmas\u0131na benzer.<\/li>\n
- G\u00f6r\u00fcnmez LLM Etkile\u015fimi:<\/strong> Ajanlar aras\u0131ndaki mesaj al\u0131\u015fveri\u015fi genellikle LLM’ler taraf\u0131ndan y\u00f6nlendirilir. Bir ajan bir mesaj g\u00f6nderdi\u011finde, di\u011fer ajan bu mesaj\u0131 bir girdi olarak al\u0131r ve kendi LLM’i arac\u0131l\u0131\u011f\u0131yla uygun bir yan\u0131t veya eylem \u00fcretir. Bu, karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131n do\u011fal bir konu\u015fma ak\u0131\u015f\u0131 i\u00e7inde otomatik olarak ilerlemesini sa\u011flar.<\/li>\n
- Kod Y\u00fcr\u00fctme:<\/strong> AutoGen’\u0131n en g\u00fc\u00e7l\u00fc \u00f6zelliklerinden biri, ajanlar\u0131n kod y\u00fcr\u00fctme yetene\u011fidir. Ajanlar Python kodu \u00fcretebilir ve bu kodu g\u00fcvenli bir ortamda \u00e7al\u0131\u015ft\u0131rabilir, bu da onlara ger\u00e7ek d\u00fcnya problemleri \u00fczerinde do\u011frudan etki etme yetene\u011fi kazand\u0131r\u0131r.<\/li>\n<\/ul>\n
AutoGen, bir ajana “ekip” ve “ileti\u015fim becerileri” sa\u011flayan bir yap\u0131d\u0131r. Farkl\u0131 uzmanl\u0131klara sahip ajanlar\u0131n bir araya gelerek b\u00fcy\u00fck resmi g\u00f6rmesini ve par\u00e7alar\u0131 birle\u015ftirmesini sa\u011flar. Bu iki framework’\u00fcn birle\u015fimi, Semantic Kernel’\u0131n anlamsal zekas\u0131 ve ara\u00e7 kullan\u0131m\u0131 ile AutoGen’\u0131n \u00e7ok ajanl\u0131 i\u015fbirli\u011fi ve orkestrasyon yeteneklerini bir araya getirerek, ger\u00e7ekten geli\u015fmi\u015f ve otonom yapay zeka sistemleri olu\u015fturman\u0131n yolunu a\u00e7ar.<\/p>\n
G\u00fc\u00e7leri Birle\u015ftirmek: Semantic Kernel ve AutoGen Entegrasyonu Nas\u0131l Yap\u0131l\u0131r?<\/h2>\n
Semantic Kernel ve AutoGen’\u0131 birle\u015ftirmek, yapay zeka ajanlar\u0131n\u0131za hem derinlemesine bir anlama ve ara\u00e7 seti (Semantic Kernel) hem de etkili bir i\u015fbirli\u011fi ve orkestrasyon yetene\u011fi (AutoGen) kazand\u0131r\u0131r. Bu entegrasyonun temel mant\u0131\u011f\u0131, Semantic Kernel taraf\u0131ndan geli\u015ftirilen “becerileri” (plugins\/fonksiyonlar\u0131) AutoGen ajanlar\u0131n\u0131n “ara\u00e7lar\u0131” olarak kullanmakt\u0131r. B\u00f6ylece, bir AutoGen ajan\u0131, bir g\u00f6revle kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda, bu g\u00f6revi yerine getirmek i\u00e7in Semantic Kernel’\u0131n sundu\u011fu zengin eklenti setini \u00e7a\u011f\u0131rabilir.<\/p>\n
Entegrasyon s\u00fcreci genellikle a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 i\u00e7erir:<\/p>\n
\n- Semantic Kernel Becerileri Tan\u0131mlama:<\/strong> \u0130lk olarak, ajanlar\u0131n\u0131z\u0131n ihtiya\u00e7 duyaca\u011f\u0131 t\u00fcm \u00f6zel yetenekleri Semantic Kernel eklentileri (plugins) olarak tan\u0131mlars\u0131n\u0131z. Bu eklentiler, Python fonksiyonlar\u0131 veya C# metotlar\u0131 olabilir. \u00d6rne\u011fin, bir veritaban\u0131 sorgulama fonksiyonu, bir web sitesinden bilgi \u00e7ekme fonksiyonu veya bir e-posta g\u00f6nderme fonksiyonu.<\/li>\n
- Kernel Olu\u015fturma ve Eklentileri Y\u00fckleme:<\/strong> Bir Semantic Kernel (SK) \u00f6rne\u011fi olu\u015fturur ve tan\u0131mlad\u0131\u011f\u0131n\u0131z t\u00fcm eklentileri bu kernel’e y\u00fcklersiniz. Bu, SK’n\u0131n bu yetenekleri LLM’e sunmas\u0131n\u0131 sa\u011flar.<\/li>\n
- AutoGen Ajanlar\u0131 Olu\u015fturma:<\/strong> AutoGen ortam\u0131nda bir veya daha fazla ajan olu\u015fturursunuz. Genellikle bir
UserProxyAgent<\/code> (kullan\u0131c\u0131dan girdi alan ve arac\u0131 kodu y\u00fcr\u00fctebilen) ve bir AssistantAgent<\/code> (g\u00f6revleri planlayan ve kod \u00fcreten) ile ba\u015flan\u0131r.<\/li>\n- SK Becerilerini AutoGen Ara\u00e7lar\u0131 Olarak Ekleme:<\/strong> Buras\u0131 kritik ad\u0131md\u0131r. Semantic Kernel’da tan\u0131mlad\u0131\u011f\u0131n\u0131z her bir fonksiyonu veya t\u00fcm eklentiyi AutoGen ajanlar\u0131n\u0131za birer ara\u00e7 olarak eklersiniz. AutoGen, bu ara\u00e7lar\u0131 fonksiyon \u00e7a\u011fr\u0131lar\u0131 olarak y\u00f6netebilir. \u00d6rne\u011fin, bir
AssistantAgent<\/code> bir g\u00f6revi yerine getirmek i\u00e7in bir SK fonksiyonuna ihtiya\u00e7 duydu\u011funda, bu arac\u0131 \u00e7a\u011f\u0131racak Python kodu \u00f6nerebilir.<\/li>\n- Ajanlar Aras\u0131 Konu\u015fmay\u0131 Ba\u015flatma:<\/strong> Ajanlar aras\u0131ndaki konu\u015fmay\u0131 ba\u015flatarak g\u00f6revi atars\u0131n\u0131z. AutoGen’\u0131n sihirli k\u0131sm\u0131 burada ortaya \u00e7\u0131kar; ajanlar, g\u00f6revi tamamlamak i\u00e7in birbirleriyle ve mevcut ara\u00e7larla (SK becerileri dahil) etkile\u015fim kurar.<\/li>\n<\/ol>\n\n Uzman \u0130pucu: Karma\u015f\u0131k SK eklentileri tan\u0131mlarken, a\u00e7\u0131klay\u0131c\u0131 docstring’ler kullanmak ve giri\u015f parametrelerini net bir \u015fekilde belirtmek, AutoGen ajanlar\u0131n\u0131n bu ara\u00e7lar\u0131 do\u011fru bir \u015fekilde anlamas\u0131 ve kullanmas\u0131 i\u00e7in hayati \u00f6neme sahiptir. Parametre isimlerinin ve a\u00e7\u0131klamalar\u0131n\u0131n do\u011fal dil i\u015fleme i\u00e7in optimize edildi\u011finden emin olun.\n <\/div>\n
\u0130\u015fte basit bir Python \u00f6rne\u011fiyle bu entegrasyonu nas\u0131l yapabilece\u011finizi g\u00f6steren bir kod blo\u011fu:<\/p>\n
\n# 1. Gerekli K\u00fct\u00fcphaneleri \u0130\u00e7e Aktarma\nimport autogen\nfrom semantic_kernel import kernel as sk_kernel\nfrom semantic_kernel.functions import kernel_function\nfrom semantic_kernel.connectors.ai.open_ai import AzureChatCompletion, OpenAIChatCompletion\n\n# 2. Semantic Kernel Becerileri Tan\u0131mlama\nclass MatematikselBeceriler:\n @kernel_function(\n description=\"\u0130ki say\u0131y\u0131 toplar\",\n name=\"Topla\"\n )\n def topla(self, sayi1: int, sayi2: int) -> int:\n return sayi1 + sayi2\n\n @kernel_function(\n description=\"\u0130ki say\u0131y\u0131 \u00e7arpar\",\n name=\"Carp\"\n )\n def carp(self, sayi1: int, sayi2: int) -> int:\n return sayi1 * sayi2\n\n# 3. Kernel Olu\u015fturma ve Eklentileri Y\u00fckleme\nkernel = sk_kernel.Kernel()\n\n# OpenAI API anahtar\u0131n\u0131z\u0131 veya Azure OpenAI yap\u0131land\u0131rman\u0131z\u0131 ekleyin\n# OpenAI\napi_key = \"YOUR_OPENAI_API_KEY\"\nif api_key:\n kernel.add_service(\n OpenAIChatCompletion(service_id=\"chat-gpt\", ai_model_id=\"gpt-4\", api_key=api_key)\n )\n# Veya Azure OpenAI i\u00e7in:\n# azure_deployment = \"YOUR_AZURE_DEPLOYMENT_NAME\"\n# azure_endpoint = \"YOUR_AZURE_ENDPOINT\"\n# azure_api_key = \"YOUR_AZURE_API_KEY\"\n# if azure_api_key:\n# kernel.add_service(\n# AzureChatCompletion(\n# service_id=\"azure_chat_completion\",\n# deployment_name=azure_deployment,\n# endpoint=azure_endpoint,\n# api_key=azure_api_key\n# )\n# )\n\n# Eklentiyi SK kernel'ine ekle\nmatematik_plugin = kernel.import_plugin_from_object(MatematikselBeceriler(), plugin_name=\"Matematik\")\n\n# 4. AutoGen Ajanlar\u0131 Olu\u015fturma ve SK Becerilerini Ara\u00e7 Olarak Ekleme\n# AutoGen yap\u0131land\u0131rmas\u0131\nconfig_list = autogen.config_list_from_json(\n \"OAI_CONFIG_LIST\",\n filter_dict={\n \"model\": [\"gpt-4\", \"gpt-3.5-turbo\"],\n },\n)\n\nllm_config = {\"config_list\": config_list, \"seed\": 42}\n\n# Kullan\u0131c\u0131 ajan\u0131: insan girdilerini taklit eder ve kodu y\u00fcr\u00fct\u00fcr\nuser_proxy = autogen.UserProxyAgent(\n name=\"User_Proxy\",\n human_input_mode=\"NEVER\", # \"ALWAYS\" veya \"TERMINATE\" olarak da ayarlanabilir\n max_consecutive_auto_reply=10,\n is_termination_msg=lambda x: x.get(\"content\", \"\").rstrip().endswith(\"TERMINATE\"),\n code_execution_config={\"work_dir\": \"coding\", \"use_docker\": False}, # Docker kullan\u0131yorsan\u0131z True yap\u0131n\n)\n\n# Yard\u0131mc\u0131 ajan: g\u00f6revleri planlar ve uygun ara\u00e7lar\u0131 \u00e7a\u011f\u0131r\u0131r\nassistant = autogen.AssistantAgent(\n name=\"Assistant\",\n llm_config=llm_config,\n description=\"Gerekli durumlarda matematiksel i\u015flemler i\u00e7in SK ara\u00e7lar\u0131n\u0131 kullanabilen bir yard\u0131mc\u0131.\",\n)\n\n# SK fonksiyonlar\u0131n\u0131 AutoGen arac\u0131na d\u00f6n\u00fc\u015ft\u00fcrme\ndef call_sk_function(function_name: str, **kwargs):\n \"\"\"Semantic Kernel'den bir fonksiyonu \u00e7a\u011f\u0131r\u0131r.\"\"\"\n if function_name == \"Topla\":\n return matematik_plugin[\"Topla\"].invoke(kernel, kwargs)\n elif function_name == \"Carp\":\n return matematik_plugin[\"Carp\"].invoke(kernel, kwargs)\n else:\n raise ValueError(f\"Bilinmeyen Semantic Kernel fonksiyonu: {function_name}\")\n\n# AutoGen ajan\u0131na SK fonksiyonlar\u0131n\u0131 bir ara\u00e7 olarak kaydetme\n# assistant.register_for_execution(name=\"Topla\", description=\"\u0130ki say\u0131y\u0131 toplar.\")(lambda args: call_sk_function(\"Topla\", <\/strong>args))\n# assistant.register_for_execution(name=\"Carp\", description=\"\u0130ki say\u0131y\u0131 \u00e7arpar.\")(lambda args: call_sk_function(\"Carp\", <\/strong>args))\n\n# Daha esnek bir yol: t\u00fcm SK eklentisini AutoGen arac\u0131na entegre etmek\nassistant.register_for_llm(name=\"Topla\", description=\"\u0130ki say\u0131y\u0131 toplar.\")\nassistant.register_for_llm(name=\"Carp\", description=\"\u0130ki say\u0131y\u0131 \u00e7arpar.\")\nuser_proxy.register_for_execution(name=\"Topla\", description=\"\u0130ki say\u0131y\u0131 toplar.\", planner_llm_config=llm_config)(lambda sayi1, sayi2: matematik_plugin[\"Topla\"].invoke(kernel, {\"sayi1\": sayi1, \"sayi2\": sayi2}).value)\nuser_proxy.register_for_execution(name=\"Carp\", description=\"\u0130ki say\u0131y\u0131 \u00e7arpar.\", planner_llm_config=llm_config)(lambda sayi1, sayi2: matematik_plugin[\"Carp\"].invoke(kernel, {\"sayi1\": sayi1, \"sayi2\": sayi2}).value)\n\n\n# 5. Ajanlar Aras\u0131 Konu\u015fmay\u0131 Ba\u015flatma\nuser_proxy.initiate_chat(\n assistant,\n message=\"L\u00fctfen 15 ile 25'i \u00e7arp ve sonucu s\u00f6yle. Ard\u0131ndan bu sonucun \u00fczerine 100 ekle. Son olarak 'TERMINATE' diyerek konu\u015fmay\u0131 bitir.\",\n)\n<\/pre>\n<\/code><\/p>\n
Bu \u00f6rnekte, MatematikselBeceriler<\/code> s\u0131n\u0131f\u0131 iki temel aritmetik i\u015flemi (toplama ve \u00e7arpma) Semantic Kernel eklentisi olarak tan\u0131mlar. Ard\u0131ndan, bir AssistantAgent<\/code> ve bir UserProxyAgent<\/code> olu\u015fturulur. UserProxyAgent<\/code>, MatematikselBeceriler<\/code> i\u00e7indeki fonksiyonlar\u0131 birer ara\u00e7 olarak kaydeder. AssistantAgent<\/code>, kullan\u0131c\u0131n\u0131n talebini anlar ve bu ara\u00e7lar\u0131 \u00e7a\u011f\u0131rarak matematiksel i\u015flemleri ger\u00e7ekle\u015ftirmesi i\u00e7in UserProxyAgent<\/code>'dan yard\u0131m ister. Bu s\u00fcre\u00e7te, SK, ger\u00e7ek hesaplamalar\u0131 yaparken, AutoGen ise ajanlar aras\u0131ndaki ileti\u015fimi ve g\u00f6rev ak\u0131\u015f\u0131n\u0131 y\u00f6netir.<\/p>\nBu entegrasyonun g\u00fcc\u00fc, Semantic Kernel'\u0131n herhangi bir harici sistemi (veritaban\u0131, API, \u00f6zel i\u015f mant\u0131\u011f\u0131) bir LLM arac\u0131na d\u00f6n\u00fc\u015ft\u00fcrme yetene\u011fiyle AutoGen'\u0131n bu ara\u00e7lar\u0131 kullanarak karma\u015f\u0131k, i\u015fbirlik\u00e7i i\u015f ak\u0131\u015flar\u0131 olu\u015fturma kabiliyetinin birle\u015fmesinden gelir. Sonu\u00e7, tek bir LLM'in asla ba\u015faramayaca\u011f\u0131 d\u00fczeyde dinamik, ba\u011flamsal ve yetenekli yapay zeka ajanlar\u0131d\u0131r.<\/p>\n
Ger\u00e7ek D\u00fcnya Senaryolar\u0131: Ak\u0131ll\u0131 Ajanlar \u0130\u015f S\u00fcre\u00e7lerini Nas\u0131l D\u00f6n\u00fc\u015ft\u00fcr\u00fcyor?<\/h2>\n
Semantic Kernel ve AutoGen entegrasyonuyla olu\u015fturulan ak\u0131ll\u0131 ajanlar, i\u015f s\u00fcre\u00e7lerini temelden d\u00f6n\u00fc\u015ft\u00fcrme potansiyeline sahiptir. \u0130\u015fte bu g\u00fc\u00e7l\u00fc kombinasyonun ger\u00e7ek d\u00fcnyadaki iki farkl\u0131 uygulama senaryosu:<\/p>\n
Finans Analizi i\u00e7in Otonom Bir Asistan<\/h3>\n
Bir finansal analiz firmas\u0131n\u0131n, m\u00fc\u015fterileri i\u00e7in piyasa verilerini s\u00fcrekli takip etmesi, \u015firket raporlar\u0131n\u0131 analiz etmesi ve yat\u0131r\u0131m tavsiyeleri olu\u015fturmas\u0131 gerekti\u011fini d\u00fc\u015f\u00fcnelim. Bu s\u00fcre\u00e7, manuel olarak yap\u0131ld\u0131\u011f\u0131nda hem zaman al\u0131c\u0131 hem de hata riski y\u00fcksek olabilir. Semantic Kernel ve AutoGen tabanl\u0131 bir finansal ajan sistemi bu s\u00fcreci otomatikle\u015ftirerek verimlili\u011fi art\u0131rabilir.<\/p>\n
\n- Ajan Rolleri:<\/strong>\n
\n- Veri Toplay\u0131c\u0131 Ajan (AutoGen AssistantAgent):<\/strong> Web sitelerinden (hisse senedi fiyatlar\u0131, haberler), finansal API'lerden (bilan\u00e7olar, gelir tablolar\u0131) ve veri tabanlar\u0131ndan g\u00fcncel verileri \u00e7ekmek i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bu ajan, SK taraf\u0131ndan sa\u011flanan \"Web Scraper\", \"API \u00c7a\u011f\u0131r\u0131c\u0131\" ve \"Veritaban\u0131 Sorgulay\u0131c\u0131\" eklentilerini kullan\u0131r.<\/li>\n
- Analiz Ajan\u0131 (AutoGen AssistantAgent):<\/strong> Toplanan ham finansal verileri (SK taraf\u0131ndan sa\u011flanan \"Finansal Modelleyici\", \"Risk Analizi\" eklentileri arac\u0131l\u0131\u011f\u0131yla) i\u015fler, trendleri belirler, risk fakt\u00f6rlerini de\u011ferlendirir ve \u00f6zet raporlar olu\u015fturur.<\/li>\n
- Rapor Olu\u015fturucu Ajan (AutoGen AssistantAgent):<\/strong> Analiz Ajan\u0131'n\u0131n bulgular\u0131n\u0131 alarak, m\u00fc\u015fteriye \u00f6zel, okunabilir ve profesyonel finansal raporlar haz\u0131rlar. Bu ajan, SK'n\u0131n \"Belge Bi\u00e7imlendirici\" ve \"Grafik Olu\u015fturucu\" eklentilerini kullanarak verileri g\u00f6rselle\u015ftirebilir.<\/li>\n
- Dan\u0131\u015fman Ajan (AutoGen UserProxyAgent):<\/strong> Kullan\u0131c\u0131n\u0131n (finans analisti veya m\u00fc\u015fteri) sorular\u0131n\u0131 al\u0131r, di\u011fer ajanlarla ileti\u015fim kurar ve nihai yat\u0131r\u0131m tavsiyelerini veya raporlar\u0131 sunar. Ayr\u0131ca, insan analistten gelen geri bildirimleri di\u011fer ajanlara ileterek s\u00fcre\u00e7leri iyile\u015ftirir.<\/li>\n<\/ul>\n<\/li>\n
- \u0130\u015f Ak\u0131\u015f\u0131:<\/strong>\n
\n- Dan\u0131\u015fman Ajan, kullan\u0131c\u0131dan belirli bir \u015firket veya sekt\u00f6r hakk\u0131nda bir rapor talebi al\u0131r.<\/li>\n
- Dan\u0131\u015fman Ajan, bu talebi Veri Toplay\u0131c\u0131 Ajan'a iletir.<\/li>\n
- Veri Toplay\u0131c\u0131 Ajan, SK'n\u0131n web kaz\u0131ma ve API entegrasyon eklentilerini kullanarak ilgili finansal verileri toplar.<\/li>\n
- Toplanan veriler Analiz Ajan\u0131'na g\u00f6nderilir. Analiz Ajan\u0131, SK'n\u0131n finansal modelleme ve risk analizi eklentileriyle verileri derinlemesine inceler ve \u00f6nemli bulgular\u0131 \u00f6zetler.<\/li>\n
- Analiz sonu\u00e7lar\u0131 Rapor Olu\u015fturucu Ajan'a iletilir. Bu ajan, SK'n\u0131n raporlama eklentilerini kullanarak bulgular\u0131 okunabilir bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fcr, grafikler ekler ve taslak bir rapor olu\u015fturur.<\/li>\n
- Taslak rapor Dan\u0131\u015fman Ajan'a d\u00f6ner. Dan\u0131\u015fman Ajan, kullan\u0131c\u0131dan (insan) geri bildirim alabilir veya do\u011frudan nihai tavsiyeleri sunabilir.<\/li>\n<\/ol>\n<\/li>\n<\/ul>\n
Bu senaryoda, her ajan kendi uzmanl\u0131k alan\u0131nda Semantic Kernel'\u0131n sundu\u011fu ara\u00e7lar\u0131 kullanarak verimli \u00e7al\u0131\u015f\u0131r ve AutoGen'\u0131n orkestrasyonu sayesinde kusursuz bir i\u015fbirli\u011fi i\u00e7inde karma\u015f\u0131k bir finansal analizi otonom hale getirir. Bu, hem zaman kazand\u0131r\u0131r hem de analizlerin do\u011frulu\u011funu ve tutarl\u0131l\u0131\u011f\u0131n\u0131 art\u0131r\u0131r.<\/p>\n
M\u00fc\u015fteri Hizmetlerinde Dinamik Destek Sistemleri<\/h3>\n
B\u00fcy\u00fck bir e-ticaret \u015firketinin, binlerce m\u00fc\u015fteriden gelen \u00e7e\u015fitli sorular\u0131 (\u00fcr\u00fcn bilgisi, sipari\u015f takibi, iade i\u015flemleri, teknik sorunlar) y\u00f6netmesi gerekti\u011finde, geleneksel chatbot'lar yetersiz kalabilir. SK ve AutoGen entegrasyonu, \u00e7ok daha ak\u0131ll\u0131 ve dinamik bir m\u00fc\u015fteri destek sistemi sa\u011flayabilir.<\/p>\n
\n- Ajan Rolleri:<\/strong>\n
\n- Giri\u015f Ajan\u0131 (AutoGen UserProxyAgent):<\/strong> M\u00fc\u015fteriden gelen ilk mesaj\u0131 al\u0131r, do\u011fal dil i\u015fleme (SK'n\u0131n \"Niyet Belirleyici\" eklentisi) ile m\u00fc\u015fterinin niyetini ve sorunun aciliyetini belirler.<\/li>\n
- Bilgi Ajan\u0131 (AutoGen AssistantAgent):<\/strong> M\u00fc\u015fterinin sorusuna an\u0131nda yan\u0131t verebilecekse, SK'n\u0131n \"Bilgi Taban\u0131 Sorgulay\u0131c\u0131\" eklentisini kullanarak SSS (S\u0131k\u00e7a Sorulan Sorular) ve \u00fcr\u00fcn belgelerinden ilgili bilgiyi \u00e7eker ve yan\u0131tlar.<\/li>\n
- Sipari\u015f Ajan\u0131 (AutoGen AssistantAgent):<\/strong> Sipari\u015f takibi, iade ba\u015flatma veya sipari\u015f ge\u00e7mi\u015fi sorgulama gibi i\u015flemleri y\u00f6netir. Bu ajan, SK'n\u0131n \"CRM Entegrasyonu\" ve \"Sipari\u015f Y\u00f6netimi API\" eklentilerini kullan\u0131r.<\/li>\n
- Teknik Destek Ajan\u0131 (AutoGen AssistantAgent):<\/strong> Daha karma\u015f\u0131k teknik sorunlarla ilgilenir. SK'n\u0131n \"Hata Ay\u0131klama Asistan\u0131\" ve \"Sistem G\u00fcnl\u00fc\u011f\u00fc Analizcisi\" eklentileriyle donat\u0131lm\u0131\u015ft\u0131r. Gerekti\u011finde insan teknisyenlere sorunlar\u0131 devredebilir.<\/li>\n
- Ki\u015fi Ajan\u0131 (AutoGen AssistantAgent):<\/strong> M\u00fc\u015fterinin talebi insan m\u00fcdahalesi gerektirdi\u011finde veya \u00f6zel durumlar i\u00e7in, uygun insan temsilciyi (sat\u0131\u015f, teknik, finans) belirler ve ileti\u015fimi oraya y\u00f6nlendirir.<\/li>\n<\/ul>\n<\/li>\n
- \u0130\u015f Ak\u0131\u015f\u0131:<\/strong>\n
\n- Giri\u015f Ajan\u0131, m\u00fc\u015fterinin mesaj\u0131n\u0131 al\u0131r. SK'n\u0131n \"Niyet Belirleyici\" eklentisi sayesinde, mesaj\u0131n bir \u00fcr\u00fcn bilgisi sorgusu mu, yoksa bir iade talebi mi oldu\u011funu anlar.<\/li>\n
- Niyetine g\u00f6re, mesaj ilgili ajana y\u00f6nlendirilir (\u00f6rne\u011fin, \"\u00dcr\u00fcn\u00fcn \u00f6zellikleri ne?\" sorusu Bilgi Ajan\u0131'na; \"Sipari\u015fimi iptal etmek istiyorum\" talebi Sipari\u015f Ajan\u0131'na).<\/li>\n
- \u0130lgili ajan, kendi SK eklentilerini kullanarak gerekli bilgiyi al\u0131r veya i\u015flemi ba\u015flat\u0131r. \u00d6rne\u011fin, Sipari\u015f Ajan\u0131, m\u00fc\u015fterinin sipari\u015f numaras\u0131n\u0131 al\u0131p \"Sipari\u015f Y\u00f6netimi API\" eklentisiyle iptal i\u015flemini tetikler.<\/li>\n
- E\u011fer bir ajan, sorunu kendi ba\u015f\u0131na \u00e7\u00f6zemezse (\u00f6rne\u011fin, Bilgi Ajan\u0131 belirli bir \u00fcr\u00fcn hakk\u0131nda detayl\u0131 bir teknik sorunla kar\u015f\u0131la\u015f\u0131rsa), sorunu Teknik Destek Ajan\u0131'na iletebilir.<\/li>\n
- Teknik Destek Ajan\u0131 da \u00e7\u00f6zemezse, Ki\u015fi Ajan\u0131 arac\u0131l\u0131\u011f\u0131yla insan bir temsilciye devir i\u015flemi ba\u015flat\u0131l\u0131r ve m\u00fc\u015fteri, do\u011fru uzmana y\u00f6nlendirilir.<\/li>\n<\/ol>\n<\/li>\n<\/ul>\n
Bu dinamik sistem, m\u00fc\u015fterilere daha h\u0131zl\u0131 ve daha do\u011fru yan\u0131tlar sunarken, ayn\u0131 zamanda insan m\u00fc\u015fteri hizmetleri ekibinin y\u00fck\u00fcn\u00fc azalt\u0131r ve onlar\u0131n daha karma\u015f\u0131k, stratejik sorunlara odaklanmas\u0131na olanak tan\u0131r. AutoGen'\u0131n esnekli\u011fi, ajanlar\u0131n farkl\u0131 uzmanl\u0131k alanlar\u0131na sahip olmas\u0131na ve sorunlar\u0131 hiyerar\u015fik veya i\u015fbirlik\u00e7i bir \u015fekilde \u00e7\u00f6zmesine imkan tan\u0131r, bu da her iki senaryoda da daha etkin ve adaptif \u00e7\u00f6z\u00fcmler sunar.<\/p>\n
\u0130leri D\u00fczey Optimizasyonlar: Performans ve G\u00fcvenli\u011fi Nas\u0131l Art\u0131r\u0131rs\u0131n\u0131z?<\/h2>\n
Semantic Kernel ve AutoGen ile geli\u015fmi\u015f yapay zeka ajan sistemleri kurmak heyecan verici olsa da, bu sistemlerin ger\u00e7ek d\u00fcnya uygulamalar\u0131nda etkili, g\u00fcvenilir ve g\u00fcvenli bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flamak i\u00e7in ileri d\u00fczey optimizasyonlara ihtiya\u00e7 vard\u0131r. \u0130\u015fte baz\u0131 \u00f6nemli ipu\u00e7lar\u0131 ve p\u00fcf noktalar\u0131:<\/p>\n
Prompt M\u00fchendisli\u011fi ve Agent Ki\u015filikleri<\/h3>\n
\u00c7ok ajanl\u0131 sistemlerde, her ajan\u0131n kendi rol\u00fcn\u00fc ve g\u00f6revini net bir \u015fekilde anlamas\u0131 kritiktir. Bu, etkili prompt m\u00fchendisli\u011fi ile sa\u011flan\u0131r:<\/p>\n
\n- Rol Tan\u0131mlamalar\u0131:<\/strong> Her AutoGen ajan\u0131 i\u00e7in net ve ayr\u0131nt\u0131l\u0131 bir rol tan\u0131m\u0131 yap\u0131n. \u00d6rne\u011fin, \"Sen bir veri analistisin. Sadece say\u0131sal verileri i\u015flersin ve analizler sunars\u0131n, asla nihai karar vermezsin.\" Bu, ajan\u0131n odaklanmas\u0131na yard\u0131mc\u0131 olur.<\/li>\n
- Hedef ve K\u0131s\u0131tlamalar:<\/strong> Ajanlara, her g\u00f6rev i\u00e7in a\u00e7\u0131k\u00e7a belirlenmi\u015f hedefler ve k\u0131s\u0131tlamalar sa\u011flay\u0131n. \"Bu g\u00f6revi 3 ad\u0131mdan fazla s\u00fcrede tamamlamamal\u0131s\u0131n\" veya \"Yan\u0131t\u0131n 100 kelimeyi ge\u00e7memeli\" gibi.<\/li>\n
- Ara\u00e7 Kullan\u0131m Talimatlar\u0131:<\/strong> Semantic Kernel taraf\u0131ndan sa\u011flanan ara\u00e7lar\u0131n (plugins) nas\u0131l ve ne zaman kullan\u0131laca\u011f\u0131na dair ajana ipu\u00e7lar\u0131 verin. \"Finansal verileri \u00e7ekerken 'FinansAPI.GetCompanyData' fonksiyonunu kullan.\"<\/li>\n
- S\u0131f\u0131r \u00c7ekim (Zero-Shot) Yetene\u011fi:<\/strong> Ajanlar\u0131n\u0131z\u0131 belirli durumlarda \u00f6rneklere ihtiya\u00e7 duymadan da do\u011fru davranabilecek \u015fekilde e\u011fitmeye \u00e7al\u0131\u015f\u0131n, ancak karma\u015f\u0131k senaryolarda az say\u0131da \u00f6rnek (Few-Shot) vermek daha etkili olabilir.<\/li>\n<\/ul>\n
Hata Y\u00f6netimi ve Kurtarma Mekanizmalar\u0131<\/h3>\n
\u00c7ok ajanl\u0131 sistemlerde hatalar ka\u00e7\u0131n\u0131lmazd\u0131r. Sa sa\u011flam bir hata y\u00f6netimi stratejisi geli\u015ftirmek \u00f6nemlidir:<\/p>\n
\n- Tekrar Deneme Mant\u0131\u011f\u0131 (Retry Logic):<\/strong> Bir SK fonksiyonu veya harici API \u00e7a\u011fr\u0131s\u0131 ba\u015far\u0131s\u0131z oldu\u011funda, sistemin belirli bir gecikmeyle tekrar denemesini sa\u011flayan mekanizmalar uygulay\u0131n.<\/li>\n
- Hata Yakalama ve Loglama:<\/strong> Ajanlar aras\u0131ndaki her etkile\u015fim ve ara\u00e7 \u00e7a\u011fr\u0131s\u0131 i\u00e7in detayl\u0131 loglar tutun. Hatalar olu\u015ftu\u011funda, bunlar\u0131 yakalay\u0131n, loglay\u0131n ve m\u00fcmk\u00fcnse ajan\u0131n ba\u011flam\u0131na geri besleyerek bir sonraki ad\u0131mda bu hatay\u0131 dikkate almas\u0131n\u0131 sa\u011flay\u0131n.<\/li>\n
- \u0130nsan M\u00fcdahalesi (Human-in-the-Loop):<\/strong> Belirli bir hata seviyesine ula\u015f\u0131ld\u0131\u011f\u0131nda veya ajanlar \u00e7\u0131kmaza girdi\u011finde, bir insan operat\u00f6r\u00fcn\u00fcn m\u00fcdahale edebilece\u011fi bir geri d\u00f6n\u00fc\u015f mekanizmas\u0131 (fallback) olu\u015fturun. AutoGen'\u0131n
human_input_mode<\/code> ayarlar\u0131 bu konuda yard\u0131mc\u0131 olabilir.<\/li>\n- Durum Y\u00f6netimi:<\/strong> Ajanlar\u0131n karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131nda ilerlerken mevcut durumlar\u0131n\u0131 (\u00f6rne\u011fin, tamamlanan ad\u0131mlar, kalan ad\u0131mlar) s\u00fcrekli olarak izleyin ve gerekirse kaydedin. Bu, bir kesintiden sonra i\u015f ak\u0131\u015f\u0131n\u0131n kald\u0131\u011f\u0131 yerden devam etmesine olanak tan\u0131r.<\/li>\n<\/ul>\n
Haf\u0131za Y\u00f6netimi ve Ba\u011flamsal Tutarl\u0131l\u0131k<\/h3>\n
Ajanlar\u0131n uzun s\u00fcreli ve tutarl\u0131 bir \u015fekilde etkile\u015fimde bulunabilmesi i\u00e7in haf\u0131za y\u00f6netimi hayati \u00f6neme sahiptir:<\/p>\n
\n- K\u0131sa D\u00f6nem Bellek (Short-Term Memory):<\/strong> AutoGen ajanlar\u0131, sohbet ge\u00e7mi\u015fini otomatik olarak y\u00f6netir. Ancak LLM'lerin token limitlerini a\u015fmamak i\u00e7in ge\u00e7mi\u015fi ak\u0131ll\u0131ca \u00f6zetlemek veya budamak gerekebilir.<\/li>\n
- Uzun D\u00f6nem Bellek (Long-Term Memory - RAG):<\/strong> Semantic Kernel'\u0131n bellek eklentilerini (\u00f6rne\u011fin, vekt\u00f6r veritabanlar\u0131 ile entegrasyon) kullanarak ajanlar\u0131n\u0131za d\u0131\u015far\u0131dan bilgi sa\u011flama yetene\u011fi kazand\u0131r\u0131n. Bu, ajanlar\u0131n daha geni\u015f bir bilgi taban\u0131na eri\u015fmesini ve daha bilin\u00e7li kararlar vermesini sa\u011flar.<\/li>\n
- Ba\u011flam Tutarl\u0131l\u0131\u011f\u0131:<\/strong> Ajanlar aras\u0131nda bilgi payla\u015f\u0131m\u0131n\u0131 sa\u011flarken, her ajan\u0131n kendi g\u00f6revine uygun ba\u011flam\u0131 s\u00fcrd\u00fcrd\u00fc\u011f\u00fcnden emin olun. Gereksiz veya alakas\u0131z bilgilerin ajanlar aras\u0131nda yay\u0131lmas\u0131n\u0131 \u00f6nleyin.<\/li>\n<\/ul>\n
G\u00fcvenlik ve Performans Hususlar\u0131<\/h3>\n
\u00dcretim ortamlar\u0131nda ajan\u0131 devreye al\u0131rken g\u00fcvenlik ve performans kritik \u00f6neme sahiptir:<\/p>\n
\n- Eklenti G\u00fcvenli\u011fi:<\/strong> Semantic Kernel eklentileri arac\u0131l\u0131\u011f\u0131yla harici sistemlere eri\u015fimi s\u0131k\u0131 bir \u015fekilde kontrol edin. Ajanlar\u0131n yaln\u0131zca belirli, onaylanm\u0131\u015f API'leri ve veritaban\u0131 i\u015flemlerini ger\u00e7ekle\u015ftirebildi\u011finden emin olun. Hassas verilere eri\u015fimi k\u0131s\u0131tlay\u0131n.<\/li>\n
- LLM G\u00fcvenli\u011fi:<\/strong> LLM'lere g\u00f6nderilen ve onlardan gelen verileri denetleyin. Prompt injection sald\u0131r\u0131lar\u0131n\u0131 \u00f6nlemek i\u00e7in giri\u015fleri filtreleyin ve \u00e7\u0131kt\u0131lar\u0131 do\u011frulay\u0131n.<\/li>\n
- Kaynak Y\u00f6netimi:<\/strong> AutoGen ajanlar\u0131, kod y\u00fcr\u00fctebilir. Bu kodun g\u00fcvenli bir ortamda (\u00f6rne\u011fin Docker konteynerleri) \u00e7al\u0131\u015ft\u0131r\u0131ld\u0131\u011f\u0131ndan ve s\u0131n\u0131rl\u0131 kaynaklara eri\u015fimi oldu\u011fundan emin olun.<\/li>\n
- Token ve Maliyet Optimizasyonu:<\/strong> LLM \u00e7a\u011fr\u0131lar\u0131n\u0131n maliyeti, \u00e7ok ajanl\u0131 sistemlerde h\u0131zla artabilir. Prompt'lar\u0131 k\u0131sa ve \u00f6z tutun, gereksiz konu\u015fmalar\u0131 \u00f6nleyin ve m\u00fcmk\u00fcn oldu\u011funda daha uygun maliyetli, daha k\u00fc\u00e7\u00fck modelleri kullanmay\u0131 d\u00fc\u015f\u00fcn\u00fcn.<\/li>\n<\/ul>\n
Mobil Uyumluluk \u0130\u00e7in HTML Optimizasyonu<\/h3>\n
Bu gibi teknik makalelerin ve i\u00e7eriklerin \u00e7e\u015fitli cihazlarda d\u00fczg\u00fcn g\u00f6r\u00fcnt\u00fclenmesi i\u00e7in mobil uyumluluk \u00f6nemlidir. Web sayfalar\u0131n\u0131z\u0131 olu\u015ftururken a\u015fa\u011f\u0131daki gibi medya sorgular\u0131 (media queries) kullanabilirsiniz:<\/p>\n
\n