Strands Agents, modern yapay zeka uygulamalar\u0131 geli\u015ftirmek isteyenler i\u00e7in tasarlanm\u0131\u015f, model-first yakla\u015f\u0131ma sahip yenilik\u00e7i bir SDK’d\u0131r. Bu ara\u00e7, AWS ve di\u011fer bulut platformlar\u0131nda otonom yapay zeka sistemleri olu\u015fturmay\u0131, karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 y\u00f6netmeyi ve b\u00fcy\u00fck dil modellerini (LLM’ler) ger\u00e7ek d\u00fcnya ara\u00e7lar\u0131yla entegre etmeyi kolayla\u015ft\u0131r\u0131r. Strands Agents ile geli\u015ftiriciler, soyutlaman\u0131n g\u00fcc\u00fcn\u00fc kullanarak daha \u00f6l\u00e7eklenebilir, s\u00fcrd\u00fcr\u00fclebilir ve verimli otonom uygulamalar in\u015fa edebilirler.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla geli\u015fen teknoloji d\u00fcnyas\u0131nda, yapay zeka (YZ) sistemlerinin karma\u015f\u0131kl\u0131\u011f\u0131 da do\u011fru orant\u0131l\u0131 olarak artmaktad\u0131r. \u00d6zellikle, otonom yapay zeka uygulamalar\u0131 geli\u015ftirmek, yaln\u0131zca karma\u015f\u0131k algoritmalar tasarlamay\u0131 de\u011fil, ayn\u0131 zamanda bu sistemlerin \u00e7evrimi\u00e7i olarak karar vermesini, farkl\u0131 ara\u00e7larla etkile\u015fim kurmas\u0131n\u0131 ve dinamik ko\u015fullara uyum sa\u011flamas\u0131n\u0131 gerektiren ciddi zorluklar bar\u0131nd\u0131r\u0131r. Geleneksel yaz\u0131l\u0131m geli\u015ftirme yakla\u015f\u0131mlar\u0131, genellikle \u00f6nceden tan\u0131mlanm\u0131\u015f kurallara ve statik i\u015f ak\u0131\u015flar\u0131na dayan\u0131r. Ancak otonom bir sistemin temelinde yatan dinamik ve duruma ba\u011fl\u0131 karar verme mekanizmalar\u0131, bu geleneksel y\u00f6ntemlerle y\u00f6netilmesi zor bir hal al\u0131r. B\u00fcy\u00fck dil modelleri (LLM’ler) gibi geli\u015fmi\u015f yapay zeka bile\u015fenlerinin ortaya \u00e7\u0131k\u0131\u015f\u0131yla birlikte, bu modellerin yeteneklerini ger\u00e7ek d\u00fcnya uygulamalar\u0131na entegre etme ihtiyac\u0131 da giderek artmaktad\u0131r.<\/p>\n
Kar\u015f\u0131la\u015f\u0131lan en b\u00fcy\u00fck zorluklardan biri, LLM’leri sadece metin \u00fcretme arac\u0131 olmaktan \u00e7\u0131kar\u0131p, somut eylemler ger\u00e7ekle\u015ftirebilen ve d\u0131\u015f sistemlerle etkile\u015fime girebilen “agent”lara d\u00f6n\u00fc\u015ft\u00fcrmektir. Bu, bir LLM’in bir veritaban\u0131n\u0131 sorgulamas\u0131n\u0131, bir API \u00e7a\u011fr\u0131s\u0131 yapmas\u0131n\u0131 veya hatta bir e-posta g\u00f6ndermesini sa\u011flamak anlam\u0131na gelir. Ancak bu s\u00fcre\u00e7, bir\u00e7ok teknik engeli beraberinde getirir. \u00d6rne\u011fin, bir LLM’in hangi arac\u0131 ne zaman kullanaca\u011f\u0131na karar vermesi i\u00e7in bir orkestrasyon katman\u0131na ihtiya\u00e7 vard\u0131r. Bu katman, modelin “d\u00fc\u015f\u00fcnme” yetene\u011fini belirli g\u00f6revlere y\u00f6nlendirmeli, ald\u0131\u011f\u0131 \u00e7\u0131kt\u0131lar\u0131 i\u015flemeli ve sonraki ad\u0131mlar\u0131 belirlemelidir. Ayr\u0131ca, bu agentlerin durum y\u00f6netimi, hata i\u015fleme, \u00f6l\u00e7eklenebilirlik ve g\u00fcvenlik gibi operasyonel konular\u0131 da dikkate al\u0131nmal\u0131d\u0131r. T\u00fcm bu bile\u015fenleri manuel olarak bir araya getirmek, zaman al\u0131c\u0131, hataya a\u00e7\u0131k ve bak\u0131m\u0131 zor bir s\u00fcre\u00e7 olabilir.<\/p>\n
\u0130\u015fte tam bu noktada Strands Agents devreye giriyor ve otonom yapay zeka geli\u015ftirme s\u00fcrecini k\u00f6kten basitle\u015ftiriyor. Strands Agents, “model-first” ad\u0131n\u0131 verdi\u011fi yenilik\u00e7i bir yakla\u015f\u0131mla, geli\u015ftiricilerin \u00f6ncelikle yapay zeka modelinin yeteneklerini ve hedeflerini tan\u0131mlamas\u0131n\u0131 sa\u011flar. Geleneksel kodlama pratiklerinin aksine, Strands ile \u00f6ncelikle sistemin ne yapmas\u0131 gerekti\u011fi \u00fczerine odaklan\u0131rs\u0131n\u0131z. Bu SDK, karma\u015f\u0131k orkestrasyon katmanlar\u0131n\u0131 soyutlayarak, LLM’leri ve di\u011fer yapay zeka modellerini bir araya getiren “agent”lar olu\u015fturman\u0131za olanak tan\u0131r. Agent’lar, belirli hedeflere ula\u015fmak i\u00e7in tasarlanm\u0131\u015f ak\u0131ll\u0131 varl\u0131klard\u0131r ve Strands Agents, bu agent’lara “ara\u00e7lar” (tools) tan\u0131mlayarak d\u0131\u015f d\u00fcnya ile etkile\u015fime ge\u00e7me yetene\u011fi kazand\u0131r\u0131r. Bu ara\u00e7lar, veri taban\u0131 sorgular\u0131ndan API \u00e7a\u011fr\u0131lar\u0131na, dosya sisteminden web kaz\u0131maya kadar geni\u015f bir yelpazede olabilir. B\u00f6ylece, Strands Agents, geli\u015ftiricilerin otonom sistemleri daha h\u0131zl\u0131, daha g\u00fcvenilir ve daha y\u00f6netilebilir bir \u015fekilde in\u015fa etmelerine imkan tan\u0131r. AWS gibi bulut platformlar\u0131nda bu agent’lar\u0131 \u00f6l\u00e7eklendirme ve da\u011f\u0131tma s\u00fcre\u00e7lerini de kolayla\u015ft\u0131rarak, ger\u00e7ek d\u00fcnya uygulamalar\u0131na entegrasyonu h\u0131zland\u0131r\u0131r.<\/p>\n
Strands Agents’\u0131n temelini olu\u015fturan “model-first” yakla\u015f\u0131m, otonom yapay zeka geli\u015ftirme paradigmas\u0131nda \u00f6nemli bir de\u011fi\u015fimi temsil eder. Geleneksel yaz\u0131l\u0131m geli\u015ftirmede, genellikle ilk olarak veritaban\u0131 \u015femalar\u0131, API s\u00f6zle\u015fmeleri veya kullan\u0131c\u0131 aray\u00fcz\u00fc bile\u015fenleri gibi altyap\u0131 ve kodlama detaylar\u0131 belirlenir. Ancak model-first yakla\u015f\u0131mda, odak noktas\u0131, sistemin ne yapmas\u0131 gerekti\u011fi ve hangi yapay zeka modellerinin bu hedeflere ula\u015fmak i\u00e7in kullan\u0131laca\u011f\u0131d\u0131r. Bu yakla\u015f\u0131m, geli\u015ftiricilerin \u00f6nce sistemin “beynini” ve yeteneklerini tasvir etmelerine olanak tan\u0131r, ard\u0131ndan bu soyut tan\u0131mlamalar\u0131 somut uygulamalara d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Yani, \u00f6nce problemi ve \u00e7\u00f6z\u00fcm yolunu yapay zeka modelinin bak\u0131\u015f a\u00e7\u0131s\u0131ndan tan\u0131mlars\u0131n\u0131z; veri ak\u0131\u015flar\u0131, karar noktalar\u0131 ve d\u0131\u015f etkile\u015fimler gibi unsurlar\u0131, modelin anlayabilece\u011fi bir dilde ifade edersiniz. Bu, daha esnek, adaptif ve s\u00fcrd\u00fcr\u00fclebilir yapay zeka sistemleri olu\u015fturman\u0131n anahtar\u0131d\u0131r, zira temel mant\u0131k, alt\u0131nda yatan teknoloji de\u011fi\u015fikliklerinden ba\u011f\u0131ms\u0131z olarak korunabilir.<\/p>\n
Strands Agents’\u0131n bu model-first yakla\u015f\u0131m\u0131 desteklemek i\u00e7in sundu\u011fu temel kavramlar \u015funlard\u0131r:<\/p>\n
Strands Agents ekosisteminin merkezinde “Agent”lar bulunur. Bir Agent, belirli bir g\u00f6revi veya hedefi yerine getirmek \u00fczere tasarlanm\u0131\u015f ak\u0131ll\u0131 bir yapay zeka birimidir. Bu agentler, genellikle b\u00fcy\u00fck dil modelleri (LLM’ler) taraf\u0131ndan desteklenir ve \u00e7evreleriyle etkile\u015fime ge\u00e7mek i\u00e7in “ara\u00e7lar” kullan\u0131rlar. Strands, agentlerinizi tan\u0131mlarken, onlar\u0131n ne t\u00fcr hedefleri olabilece\u011fini, hangi bilgilere eri\u015febilece\u011fini ve hangi ara\u00e7lar\u0131 kullanabilece\u011fini belirlemenizi sa\u011flar. Agentler, problem \u00e7\u00f6zme yetenekleriyle donat\u0131lm\u0131\u015ft\u0131r; karma\u015f\u0131k durumlar\u0131 analiz edebilir, \u00e7\u0131kar\u0131m yapabilir ve en uygun eylem plan\u0131n\u0131 se\u00e7ebilirler. \u00d6rne\u011fin, bir m\u00fc\u015fteri hizmetleri agent’\u0131, m\u00fc\u015fterinin sorusunu anlayabilir, ge\u00e7mi\u015f etkile\u015fimleri kontrol edebilir ve uygun bir \u00e7\u00f6z\u00fcm sunmak i\u00e7in dahili bir bilgi bankas\u0131n\u0131 sorgulayabilir. Strands, bu agentlerin davran\u0131\u015flar\u0131n\u0131 tan\u0131mlamak i\u00e7in y\u00fcksek seviyeli, deklaratif bir yakla\u015f\u0131m sunar, bu da geli\u015ftiricilerin karma\u015f\u0131k mant\u0131klar\u0131 daha okunabilir ve y\u00f6netilebilir bir \u015fekilde ifade etmelerini sa\u011flar.<\/p>\n
Agentler kendi ba\u015flar\u0131na olduk\u00e7a zekice kararlar alabilseler de, ger\u00e7ek d\u00fcnya ile etkile\u015fim kurmalar\u0131 i\u00e7in “Ara\u00e7lara” (Tools) ihtiya\u00e7 duyarlar. Ara\u00e7lar, agentlerin d\u0131\u015f sistemlerle ileti\u015fim kurmas\u0131n\u0131 sa\u011flayan i\u015flevlerdir. Bu ara\u00e7lar, basit bir veritaban\u0131 sorgusundan karma\u015f\u0131k bir API \u00e7a\u011fr\u0131s\u0131na, bir e-posta g\u00f6ndermekten bir web sayfas\u0131n\u0131 kaz\u0131maya kadar her \u015feyi yapabilir. Strands Agents, ara\u00e7lar\u0131 tan\u0131mlamak ve agentlere atamak i\u00e7in basit ve g\u00fc\u00e7l\u00fc bir mekanizma sunar. Bir ara\u00e7 tan\u0131mlarken, arac\u0131n ad\u0131n\u0131, amac\u0131n\u0131, bekledi\u011fi girdileri ve \u00fcretti\u011fi \u00e7\u0131kt\u0131lar\u0131 belirtirsiniz. Agent, bir g\u00f6revi yerine getirmeye \u00e7al\u0131\u015f\u0131rken, hangi arac\u0131 kullanmas\u0131 gerekti\u011fine otonom olarak karar verir ve bu arac\u0131 \u00e7a\u011f\u0131r\u0131r. \u00d6rne\u011fin, bir hava durumu tahmini agent’\u0131, “hava_durumu_al” ad\u0131nda bir ara\u00e7 kullanabilir ve bu ara\u00e7, belirtilen bir konum i\u00e7in g\u00fcncel hava durumu verilerini harici bir hava durumu API’sinden \u00e7ekebilir. Bu modular yap\u0131, agentlerin yeteneklerinin kolayca geni\u015fletilmesini ve farkl\u0131 uygulamalar aras\u0131nda ara\u00e7lar\u0131n yeniden kullan\u0131lmas\u0131n\u0131 sa\u011flar.<\/p>\n
Otonom yapay zeka sistemleri genellikle tek bir agentin yapabilece\u011finden daha karma\u015f\u0131k g\u00f6revleri i\u00e7erir. Bu noktada, “\u0130\u015f Ak\u0131\u015flar\u0131” ve “Orkestrasyon” kavramlar\u0131 \u00f6nem kazan\u0131r. Bir i\u015f ak\u0131\u015f\u0131, birden fazla agentin veya arac\u0131n belirli bir s\u0131raya g\u00f6re veya belirli ko\u015fullara ba\u011fl\u0131 olarak etkile\u015fime girdi\u011fi bir s\u00fcre\u00e7ler dizisidir. Strands Agents, bu karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 tan\u0131mlamak ve y\u00f6netmek i\u00e7in g\u00fc\u00e7l\u00fc orkestrasyon yetenekleri sunar. Agentler aras\u0131 ileti\u015fim, g\u00f6rev devri, hata i\u015fleme ve durum y\u00f6netimi gibi konular orkestrasyon katman\u0131 taraf\u0131ndan ele al\u0131n\u0131r. Bu sayede, geli\u015ftiriciler, \u00f6rne\u011fin bir m\u00fc\u015fteri hizmetleri agent’\u0131n\u0131n bir sorunu \u00e7\u00f6zemedi\u011finde otomatik olarak bir teknik destek agent’\u0131na devretmesi gibi senaryolar\u0131 kolayca modelleyebilirler. Strands, bu orkestrasyonu, agentlerin ve ara\u00e7lar\u0131n birbirini nas\u0131l \u00e7a\u011f\u0131rabilece\u011fini ve hangi ko\u015fullar alt\u0131nda etkile\u015fime ge\u00e7ebilece\u011fini tan\u0131mlayarak m\u00fcmk\u00fcn k\u0131lar. Bu, geli\u015ftiricilerin sistemlerinin genel mimarisine odaklanmas\u0131na ve alt seviye ileti\u015fim detaylar\u0131n\u0131 Strands’a b\u0131rakmas\u0131na olanak tan\u0131r, b\u00f6ylece daha b\u00fcy\u00fck ve daha yetenekli otonom sistemler olu\u015fturmak m\u00fcmk\u00fcn hale gelir.<\/p>\n
Strands Agents ile otonom yapay zeka geli\u015ftirme yolculu\u011funa ba\u015flamak olduk\u00e7a basit ve anla\u015f\u0131l\u0131r bir s\u00fcre\u00e7tir. \u0130lk ad\u0131mlar, gerekli ba\u011f\u0131ml\u0131l\u0131klar\u0131 y\u00fcklemek ve temel bir agent yap\u0131s\u0131n\u0131 olu\u015fturmaktan ibarettir. Bu b\u00f6l\u00fcmde, Strands Agents’\u0131 sisteminize nas\u0131l kuraca\u011f\u0131n\u0131z\u0131 ve ilk basit agent’\u0131n\u0131z\u0131 ad\u0131m ad\u0131m nas\u0131l olu\u015fturaca\u011f\u0131n\u0131z\u0131 ele alaca\u011f\u0131z. Bu sayede, teorik bilgileri prati\u011fe d\u00f6kerek Strands’\u0131n g\u00fcc\u00fcn\u00fc deneyimleme f\u0131rsat\u0131 bulacaks\u0131n\u0131z.<\/p>\n
\u00d6ncelikle, projeniz i\u00e7in izole bir Python ortam\u0131 olu\u015fturmak iyi bir uygulamad\u0131r. Bu, ba\u011f\u0131ml\u0131l\u0131k \u00e7ak\u0131\u015fmalar\u0131n\u0131 \u00f6nler ve projenizin daha d\u00fczenli olmas\u0131n\u0131 sa\u011flar:<\/p>\n
\npython3 -m venv strands-agent-env\nsource strands-agent-env\/bin\/activate # Linux\/macOS\n# strands-agent-env\\Scripts\\activate # Windows\n<\/pre>\n<\/code><\/p>\n
Ortam\u0131 etkinle\u015ftirdikten sonra, Strands Agents SDK's\u0131n\u0131 pip arac\u0131l\u0131\u011f\u0131yla kolayca kurabilirsiniz:<\/p>\n
\npip install strands-agents\n<\/pre>\n<\/code><\/p>\n
Kurulum tamamland\u0131\u011f\u0131nda, art\u0131k Strands ile \u00e7al\u0131\u015fmaya haz\u0131rs\u0131n\u0131z. Otonom bir agent olu\u015fturmak i\u00e7in, \u00f6ncelikle bir temel LLM sa\u011flay\u0131c\u0131s\u0131 (\u00f6rne\u011fin OpenAI, Anthropic, vb.) ile entegrasyon yapman\u0131z gerekebilir. Strands, \u00e7e\u015fitli LLM sa\u011flay\u0131c\u0131lar\u0131n\u0131 destekler ve genellikle ortam de\u011fi\u015fkenleri arac\u0131l\u0131\u011f\u0131yla kimlik do\u011frulama anahtarlar\u0131n\u0131 bekler. \u00d6rne\u011fin, OpenAI kullan\u0131yorsan\u0131z:<\/p>\n
\nexport OPENAI_API_KEY=\"sk-...\"\n<\/pre>\n<\/code><\/p>\n
\u015eimdi ilk agent'\u0131m\u0131z\u0131 olu\u015ftural\u0131m. Basit bir \"Merhaba D\u00fcnya\" benzeri agent tasarlayal\u0131m. Bu agent, kullan\u0131c\u0131ya sadece basit bir selamlama mesaj\u0131 verecek ve ard\u0131ndan bir \"arac\u0131\" kullanarak ge\u00e7erli saati s\u00f6yleyecektir. \u0130lk olarak, agent'\u0131n kullanaca\u011f\u0131 arac\u0131 tan\u0131mlamal\u0131y\u0131z:<\/p>\n
\nfrom datetime import datetime\nfrom strands_agents import Tool, Agent, Task\n\n# Agent'\u0131n kullanabilece\u011fi bir ara\u00e7 tan\u0131mlama\ndef get_current_time() -> str:\n \"\"\"Ge\u00e7erli saati 'HH:MM:SS' format\u0131nda d\u00f6nd\u00fcr\u00fcr.\"\"\"\n return datetime.now().strftime(\"%H:%M:%S\")\n\n# Bu fonksiyonu Strands Tool nesnesine d\u00f6n\u00fc\u015ft\u00fcrme\ncurrent_time_tool = Tool(\n name=\"get_current_time\",\n description=\"Ge\u00e7erli saati almak i\u00e7in kullan\u0131l\u0131r.\",\n func=get_current_time\n)\n\n# Agent'\u0131 tan\u0131mlama\n# Bu agent, kullan\u0131c\u0131n\u0131n iste\u011fi \u00fczerine ge\u00e7erli saati s\u00f6yleyecek\nmy_first_agent = Agent(\n name=\"TimeTellerAgent\",\n description=\"Kullan\u0131c\u0131lara ge\u00e7erli saati s\u00f6yleyen basit bir agent.\",\n tools=[current_time_tool], # Tan\u0131mlad\u0131\u011f\u0131m\u0131z arac\u0131 agent'a ekliyoruz\n # LLM yap\u0131land\u0131rmas\u0131 (\u00f6rne\u011fin OpenAI varsay\u0131lan olarak kullan\u0131l\u0131r)\n # model_name=\"gpt-4\" gibi parametreler ile model se\u00e7ilebilir\n)\n\n# Agent ile etkile\u015fime ge\u00e7mek i\u00e7in bir g\u00f6rev (Task) olu\u015fturma\nasync def run_agent():\n print(\"Agent ba\u015flat\u0131l\u0131yor...\")\n response = await my_first_agent.run(Task(\n goal=\"Bana ge\u00e7erli saati s\u00f6yle.\"\n ))\n print(f\"Agent'\u0131n yan\u0131t\u0131: {response.content}\")\n\n# Async fonksiyonu \u00e7al\u0131\u015ft\u0131rma\nimport asyncio\nasyncio.run(run_agent())\n<\/pre>\n<\/code><\/p>\n
Yukar\u0131daki kod blo\u011funda, ilk olarak bir get_current_time<\/code> fonksiyonu tan\u0131mlad\u0131k. Bu, agent'\u0131m\u0131z\u0131n d\u0131\u015f d\u00fcnyayla etkile\u015fime ge\u00e7ebilece\u011fi bir \"ara\u00e7\"t\u0131r. Ard\u0131ndan, bu fonksiyonu strands_agents.Tool<\/code> s\u0131n\u0131f\u0131na sararak Strands'\u0131n anlayaca\u011f\u0131 bir ara\u00e7 haline getirdik. Agent<\/code> s\u0131n\u0131f\u0131n\u0131 kullanarak, agent'\u0131m\u0131z\u0131n ad\u0131n\u0131, a\u00e7\u0131klamas\u0131n\u0131 ve kullanabilece\u011fi ara\u00e7lar\u0131 belirttik. Son olarak, my_first_agent.run()<\/code> metodunu \u00e7a\u011f\u0131rarak agent'\u0131m\u0131za bir Task<\/code> (g\u00f6rev) verdik. Agent, g\u00f6revi anlad\u0131ktan sonra, uygun arac\u0131 (bu \u00f6rnekte get_current_time<\/code>) kullanarak hedefi ger\u00e7ekle\u015ftirecektir. Bu basit \u00f6rnek, Strands Agents'\u0131n model-first yakla\u015f\u0131m\u0131n\u0131n temelini ve agent ile ara\u00e7 entegrasyonunun nas\u0131l yap\u0131ld\u0131\u011f\u0131n\u0131 g\u00f6zler \u00f6n\u00fcne sermektedir. Geli\u015ftirme ortam\u0131n\u0131zda bu kodu \u00e7al\u0131\u015ft\u0131rd\u0131\u011f\u0131n\u0131zda, agent'\u0131n mevcut saati do\u011fru bir \u015fekilde d\u00f6nd\u00fcrd\u00fc\u011f\u00fcn\u00fc g\u00f6receksiniz. Bu, daha karma\u015f\u0131k otonom sistemler olu\u015fturmak i\u00e7in at\u0131lan ilk ad\u0131md\u0131r.<\/p>\nAgent Tan\u0131mlama ve Ara\u00e7 Entegrasyonu: Bir \u00d6rnek \u00dczerinden \u0130nceleme<\/h3>\n
Strands Agents ile agent tan\u0131mlamak, sisteminizin yeteneklerini soyutlaman\u0131n ve LLM'lere bu yetenekleri nas\u0131l kullanacaklar\u0131n\u0131 \"\u00f6\u011fretmenin\" anahtar\u0131d\u0131r. Yukar\u0131daki basit saat \u00f6rne\u011finden yola \u00e7\u0131karak, \u015fimdi daha kapsaml\u0131 bir senaryo d\u00fc\u015f\u00fcnelim: bir dosya sistemi gezgini agent'\u0131. Bu agent, belirli bir dizindeki dosyalar\u0131 listeleyebilir veya bir dosyan\u0131n i\u00e7eri\u011fini okuyabilir.<\/p>\n
\nimport os\nfrom strands_agents import Tool, Agent, Task\n\n# 1. Ara\u00e7lar\u0131 Tan\u0131mlama\ndef list_directory_contents(path: str = \".\") -> str:\n \"\"\"Belirtilen dizinin i\u00e7eri\u011fini listeler. Varsay\u0131lan olarak mevcut dizini kullan\u0131r.\"\"\"\n try:\n if not os.path.isdir(path):\n return f\"Hata: '{path}' bir dizin de\u011fil veya mevcut de\u011fil.\"\n contents = os.listdir(path)\n return \"\\n\".join(contents)\n except Exception as e:\n return f\"Dizin listelemede hata olu\u015ftu: {e}\"\n\ndef read_file_content(filepath: str) -> str:\n \"\"\"Belirtilen dosyan\u0131n i\u00e7eri\u011fini okur.\"\"\"\n try:\n if not os.path.isfile(filepath):\n return f\"Hata: '{filepath}' bir dosya de\u011fil veya mevcut de\u011fil.\"\n with open(filepath, 'r', encoding='utf-8') as f:\n content = f.read()\n return content\n except Exception as e:\n return f\"Dosya okumada hata olu\u015ftu: {e}\"\n\n# Ara\u00e7lar\u0131 Strands Tool nesnelerine d\u00f6n\u00fc\u015ft\u00fcrme\nlist_dir_tool = Tool(\n name=\"list_directory_contents\",\n description=\"Belirtilen bir dizinin i\u00e7eri\u011fini listeler. Parametre: 'path' (iste\u011fe ba\u011fl\u0131, varsay\u0131lan: '.')\",\n func=list_directory_contents\n)\n\nread_file_tool = Tool(\n name=\"read_file_content\",\n description=\"Belirtilen bir dosyan\u0131n i\u00e7eri\u011fini okur. Parametre: 'filepath'\",\n func=read_file_content\n)\n\n# 2. Agent'\u0131 Tan\u0131mlama\nfile_explorer_agent = Agent(\n name=\"FileExplorerAgent\",\n description=\"Dosya sisteminde gezinebilir ve dosyalar\u0131 okuyabilir.\",\n tools=[list_dir_tool, read_file_tool],\n)\n\n# 3. Agent ile Etkile\u015fime Ge\u00e7me ve G\u00f6rev Verme\nasync def explore_files():\n print(\"Dosya gezgini agent ba\u015flat\u0131l\u0131yor...\")\n\n # G\u00f6rev 1: Mevcut dizindeki dosyalar\u0131 listele\n task1 = Task(goal=\"Mevcut dizindeki dosyalar\u0131 listele.\")\n response1 = await file_explorer_agent.run(task1)\n print(f\"\\nG\u00f6rev 1 Yan\u0131t\u0131:\\n{response1.content}\")\n\n # G\u00f6rev 2: Belirli bir dosyan\u0131n i\u00e7eri\u011fini oku (\u00f6rne\u011fin, bu python dosyas\u0131n\u0131n i\u00e7eri\u011fi)\n # Dikkat: Bu dosyay\u0131 olu\u015fturup kaydetti\u011finizde 'my_agent_script.py' olarak adland\u0131r\u0131n.\n task2 = Task(goal=\"Bu Python dosyas\u0131n\u0131n i\u00e7eri\u011fini oku (dosya ad\u0131: current_script.py varsayal\u0131m).\")\n response2 = await file_explorer_agent.run(task2)\n print(f\"\\nG\u00f6rev 2 Yan\u0131t\u0131:\\n{response2.content[:500]}...\") # \u0130lk 500 karakteri g\u00f6ster\n\n# Async fonksiyonu \u00e7al\u0131\u015ft\u0131rma\nimport asyncio\nasyncio.run(explore_files())\n<\/pre>\n<\/code><\/p>\n
Bu \u00f6rnekte, list_directory_contents<\/code> ve read_file_content<\/code> ad\u0131nda iki ayr\u0131 fonksiyon tan\u0131mlad\u0131k. Bu fonksiyonlar, dosya sistemiyle etkile\u015fim kuran ger\u00e7ek d\u00fcnya ara\u00e7lar\u0131m\u0131z. Ard\u0131ndan, bu fonksiyonlar\u0131 Tool<\/code> nesnelerine d\u00f6n\u00fc\u015ft\u00fcrerek agent'\u0131m\u0131za sunduk. FileExplorerAgent<\/code> art\u0131k bu iki arac\u0131 kullanarak dosya sistemindeki g\u00f6revleri yerine getirebilir. Agent'a \"Mevcut dizindeki dosyalar\u0131 listele\" gibi bir g\u00f6rev verdi\u011fimizde, LLM, list_directory_contents<\/code> arac\u0131n\u0131 kullanmas\u0131 gerekti\u011fini anlayacak ve bu arac\u0131 \u00e7a\u011f\u0131racakt\u0131r. Ayn\u0131 \u015fekilde, bir dosyan\u0131n i\u00e7eri\u011fini okumak istedi\u011fimizde read_file_content<\/code> arac\u0131n\u0131 kullanacakt\u0131r. Bu sayede, agent'lar\u0131m\u0131z dinamik olarak karar vererek karma\u015f\u0131k i\u015flemleri ger\u00e7ekle\u015ftirebilirler.<\/p>\nAgentlerinizi Test Etme ve Hata Ay\u0131klama \u0130pu\u00e7lar\u0131<\/h3>\n
Otonom agentlar geli\u015ftirirken test ve hata ay\u0131klama s\u00fcre\u00e7leri kritik \u00f6neme sahiptir. Strands Agents, agentlerinizi test etmeyi ve olas\u0131 sorunlar\u0131 gidermeyi kolayla\u015ft\u0131ran baz\u0131 mekanizmalar sunar. \u0130lk olarak, agentlerinizi k\u00fc\u00e7\u00fck, izole g\u00f6revlerle test ederek ba\u015flay\u0131n. Her bir arac\u0131n beklendi\u011fi gibi \u00e7al\u0131\u015ft\u0131\u011f\u0131ndan emin olun. Agent'\u0131n karma\u015f\u0131k bir g\u00f6revi tamamlamadan \u00f6nce, her bir alt g\u00f6revi nas\u0131l ele ald\u0131\u011f\u0131n\u0131 g\u00f6zlemlemek i\u00e7in loglar\u0131 ve debug \u00e7\u0131kt\u0131lar\u0131n\u0131 etkinle\u015ftirebilirsiniz.<\/p>\n
\n# Agent'\u0131n daha detayl\u0131 loglar \u00fcretmesini sa\u011flamak i\u00e7in\nimport logging\nlogging.basicConfig(level=logging.INFO) # DEBUG seviyesini de kullanabilirsiniz\n\n# Agent'\u0131 \u00e7al\u0131\u015ft\u0131r\u0131rken verbose parametresini kullanabilirsiniz (e\u011fer SDK destekliyorsa)\n# response = await my_first_agent.run(Task(goal=\"...\", verbose=True))\n<\/pre>\n<\/code><\/p>\n
Agent'\u0131n\u0131z\u0131n neden bekledi\u011finiz gibi davranmad\u0131\u011f\u0131n\u0131 anlamak i\u00e7in genellikle LLM'in d\u00fc\u015f\u00fcnce s\u00fcrecini (chain of thought) incelemek faydal\u0131d\u0131r. Strands Agents, LLM'in hangi arac\u0131 se\u00e7ti\u011fini, hangi parametrelerle \u00e7a\u011f\u0131rd\u0131\u011f\u0131n\u0131 ve arac\u0131n \u00e7\u0131kt\u0131s\u0131n\u0131 nas\u0131l yorumlad\u0131\u011f\u0131n\u0131 g\u00f6steren ara ad\u0131mlar\u0131 kaydetmenize olanak tan\u0131r. Bu sayede, LLM'in mant\u0131k y\u00fcr\u00fctme hatalar\u0131n\u0131 veya ara\u00e7lar\u0131n yanl\u0131\u015f kullan\u0131lmas\u0131ndan kaynaklanan sorunlar\u0131 tespit edebilirsiniz. Ayr\u0131ca, mock ara\u00e7lar (mock tools) kullanarak d\u0131\u015f sistemlere ba\u011f\u0131ml\u0131 olmayan test senaryolar\u0131 olu\u015fturabilir, b\u00f6ylece her bir agent bile\u015feninin ba\u011f\u0131ms\u0131z olarak do\u011fru \u00e7al\u0131\u015ft\u0131\u011f\u0131ndan emin olabilirsiniz.<\/p>\n
Ger\u00e7ek D\u00fcnya Senaryolar\u0131nda Strands Agents: Vaka Analizleri ve Uygulama \u00d6rnekleri<\/h2>\n
Strands Agents'\u0131n g\u00fcc\u00fc, soyut bir yap\u0131 sunmas\u0131n\u0131n yan\u0131 s\u0131ra, ger\u00e7ek d\u00fcnya problemlerine somut \u00e7\u00f6z\u00fcmler \u00fcretebilme yetene\u011finde yatmaktad\u0131r. Bu model-first SDK, \u00e7e\u015fitli sekt\u00f6rlerde otomasyonu, verimlili\u011fi ve kullan\u0131c\u0131 deneyimini art\u0131rabilecek otonom sistemler olu\u015fturmak i\u00e7in ideal bir \u00e7er\u00e7eve sunar. A\u015fa\u011f\u0131da, Strands Agents'\u0131n potansiyelini g\u00f6steren birka\u00e7 vaka analizi ve uygulama \u00f6rne\u011fi bulunmaktad\u0131r.<\/p>\n
E-ticaret M\u00fc\u015fteri Hizmetleri Agent'\u0131<\/h3>\n
Bir e-ticaret platformunda, m\u00fc\u015fteri hizmetleri ekibinin s\u00fcrekli olarak \u00fcr\u00fcn sorgular\u0131, sipari\u015f takibi ve iade s\u00fcre\u00e7leri gibi tekrarlayan sorularla me\u015fgul olmas\u0131 olduk\u00e7a yayg\u0131nd\u0131r. Strands Agents ile geli\u015ftirilen otonom bir m\u00fc\u015fteri hizmetleri agent'\u0131, bu s\u00fcreci \u00f6nemli \u00f6l\u00e7\u00fcde optimize edebilir. Agent, m\u00fc\u015fteri sorgular\u0131n\u0131 anlar, ilgili bilgilere ula\u015f\u0131r ve hatta gerekli i\u015flemleri ba\u015flat\u0131r.<\/p>\n
Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/strong><\/p>\n\n- Giri\u015f:<\/strong> M\u00fc\u015fteri, bir sohbet aray\u00fcz\u00fc \u00fczerinden \"Sipari\u015fimi takip edebilir miyim?\" veya \"X \u00fcr\u00fcn\u00fcn\u00fcn sto\u011fu var m\u0131?\" gibi bir soru sorar.<\/li>\n
- Agent Tan\u0131mlama:<\/strong>\n
\nOrderTrackingAgent<\/code>: M\u00fc\u015fteri numaras\u0131 ve sipari\u015f ID'si alarak sipari\u015f durumunu takip eden bir araca sahip.<\/li>\nProductInfoAgent<\/code>: \u00dcr\u00fcn ID'si veya ad\u0131 alarak stok durumunu, fiyat\u0131 ve \u00f6zellikleri sorgulayan bir araca sahip.<\/li>\nReturnProcessAgent<\/code>: \u0130ade politikalar\u0131n\u0131 a\u00e7\u0131klayan ve gerekirse iade s\u00fcreci ba\u015flatan bir araca sahip.<\/li>\n<\/ul>\n<\/li>\n- Ara\u00e7lar:<\/strong>\n
\ntrack_order_api<\/code>: Dahili bir sipari\u015f takip API'sine ba\u011flan\u0131r.<\/li>\nget_product_details_db<\/code>: \u00dcr\u00fcn veritaban\u0131n\u0131 sorgular.<\/li>\ninitiate_return_form<\/code>: M\u00fc\u015fteri bilgilerini alarak iade formunu otomatik doldurur veya ilgili departmana y\u00f6nlendirir.<\/li>\n<\/ul>\n<\/li>\n- Orkestrasyon:<\/strong> Gelen m\u00fc\u015fteri sorgusu, ana orkestrat\u00f6r agent taraf\u0131ndan analiz edilir. E\u011fer sipari\u015f takibiyle ilgiliyse
OrderTrackingAgent<\/code>'a y\u00f6nlendirilir; \u00fcr\u00fcnle ilgiliyse ProductInfoAgent<\/code> devreye girer. Agentler, kendi aralar\u0131ndaki konu\u015fmalarla veya y\u00f6nlendirmelerle daha karma\u015f\u0131k sorunlar\u0131 \u00e7\u00f6zebilirler. \u00d6rne\u011fin, stokta olmayan bir \u00fcr\u00fcn i\u00e7in alternatif \u00f6nerebilir veya iade s\u00fcrecinde \u00f6zel bir durum varsa canl\u0131 bir temsilciye devredebilirler.<\/li>\n<\/ol>\n\n Uzman \u0130pucu: Bu sistem, m\u00fc\u015fteri hizmetleri taleplerinin %70'ini otomatik olarak ele alabilir, b\u00f6ylece insan operasyon ekibinin daha karma\u015f\u0131k ve \u00f6zel durumlarla ilgilenmesine olanak tan\u0131r. Bu, hem maliyet tasarrufu hem de m\u00fc\u015fteri memnuniyetinde art\u0131\u015f anlam\u0131na gelir.\n<\/div>\nVeri Analizi ve Raporlama Agent'\u0131<\/h3>\n
Bir pazarlama departman\u0131, haftal\u0131k veya ayl\u0131k olarak kampanya performans verilerini analiz etmek ve raporlar olu\u015fturmakla g\u00f6revlidir. Bu s\u00fcre\u00e7 genellikle manuel ve zaman al\u0131c\u0131d\u0131r. Strands Agents, bu g\u00f6revi otomatikle\u015ftirebilir.<\/p>\n
Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/strong><\/p>\n\n- Giri\u015f:<\/strong> Pazarlama y\u00f6neticisi, bir \"Son kampanya raporunu \u00f6zetle ve gelecek i\u00e7in \u00f6nerilerde bulun\" talebi g\u00f6nderir.<\/li>\n
- Agent Tan\u0131mlama:<\/strong>\n
\nDataExtractionAgent<\/code>: \u00c7e\u015fitli kaynaklardan (Google Analytics, CRM, reklam platformlar\u0131) veri \u00e7eken araca sahip.<\/li>\nAnalysisAgent<\/code>: \u00c7ekilen veriler \u00fczerinde istatistiksel analizler yapan ve trendleri belirleyen araca sahip.<\/li>\nReportGenerationAgent<\/code>: Analiz sonu\u00e7lar\u0131n\u0131 kullanarak belirlenen formatta (PDF, PPT) rapor olu\u015fturan araca sahip.<\/li>\n<\/ul>\n<\/li>\n- Ara\u00e7lar:<\/strong>\n
\nfetch_google_analytics_data<\/code>: Belirli tarih aral\u0131klar\u0131 i\u00e7in GA verilerini \u00e7eker.<\/li>\nrun_sql_query_crm<\/code>: CRM veritaban\u0131ndan m\u00fc\u015fteri segmentasyonu ve sat\u0131\u015f verilerini al\u0131r.<\/li>\nperform_statistical_analysis<\/code>: Python Pandas veya R gibi k\u00fct\u00fcphaneleri kullanarak veri analizi yapar.<\/li>\ngenerate_pdf_report<\/code>: Analiz sonu\u00e7lar\u0131n\u0131 ve grafiklerini i\u00e7eren PDF raporu olu\u015fturur.<\/li>\n<\/ul>\n<\/li>\n- Orkestrasyon:<\/strong>
DataExtractionAgent<\/code> ilgili t\u00fcm verileri toplar. Ard\u0131ndan, AnalysisAgent<\/code> bu verileri i\u015fler ve anahtar performans g\u00f6stergelerini (KPI'lar) ve e\u011filimleri belirler. Son olarak, ReportGenerationAgent<\/code>, analiz sonu\u00e7lar\u0131n\u0131 \u00f6zetleyerek ve gelecek kampanya stratejileri i\u00e7in \u00f6neriler sunarak otomatik bir rapor olu\u015fturur. Bu s\u00fcre\u00e7 tamamen otonom olarak ger\u00e7ekle\u015ftirilir ve y\u00f6neticilere d\u00fczenli aral\u0131klarla g\u00fcncel raporlar sunulur.<\/li>\n<\/ol>\n\nStrands Agents Uygulama Alanlar\u0131<\/caption>\n \n\nSekt\u00f6r<\/th>\n Uygulama Alan\u0131<\/th>\n Strands Agent Yetenekleri<\/th>\n<\/tr>\n<\/thead>\n \n\nE-ticaret<\/td>\n M\u00fc\u015fteri Hizmetleri, Sipari\u015f Y\u00f6netimi<\/td>\n Sipari\u015f takibi, \u00fcr\u00fcn bilgisi sorgulama, iade i\u015flemleri<\/td>\n<\/tr>\n \nPazarlama<\/td>\n Kampanya Analizi, Raporlama<\/td>\n Veri toplama, analiz, rapor \u00fcretimi, \u00f6neri sunma<\/td>\n<\/tr>\n \nFinans<\/td>\n Risk Analizi, Doland\u0131r\u0131c\u0131l\u0131k Tespiti<\/td>\n Finansal veri analizi, anomali tespiti, uyar\u0131 olu\u015fturma<\/td>\n<\/tr>\n \nSa\u011fl\u0131k<\/td>\n Hasta \u00d6n Bilgilendirme, Randevu Y\u00f6netimi<\/td>\n Semptom analizi, randevu planlama, t\u0131bbi bilgi sa\u011flama<\/td>\n<\/tr>\n \n\u00dcretim<\/td>\n Ar\u0131za Tespiti, Tedarik Zinciri Optimizasyonu<\/td>\n Sens\u00f6r verisi analizi, \u00fcretim planlama, envanter y\u00f6netimi<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nBu \u00f6rnekler, Strands Agents'\u0131n i\u015f s\u00fcre\u00e7lerini otomatikle\u015ftirmede, verimlili\u011fi art\u0131rmada ve daha ak\u0131ll\u0131, esnek sistemler olu\u015fturmada nas\u0131l g\u00fc\u00e7l\u00fc bir ara\u00e7 olabilece\u011fini g\u00f6stermektedir. Model-first yakla\u015f\u0131m\u0131 sayesinde, geli\u015ftiriciler karma\u015f\u0131k mant\u0131klar\u0131 daha kolay bir \u015fekilde modelleyebilir ve agentleri ger\u00e7ek d\u00fcnya ara\u00e7lar\u0131yla entegre ederek s\u0131n\u0131rs\u0131z yetenekler kazand\u0131rabilirler.<\/p>\n
AWS Ortam\u0131nda Strands Agents Nas\u0131l Konumland\u0131r\u0131l\u0131r ve \u00d6l\u00e7eklendirilir?<\/h2>\n
Strands Agents, temel olarak Python tabanl\u0131 bir SDK oldu\u011fundan, AWS gibi esnek bulut ortamlar\u0131nda konumland\u0131r\u0131lmas\u0131 ve \u00f6l\u00e7eklendirilmesi olduk\u00e7a kolayd\u0131r. AWS, Strands Agents taraf\u0131ndan olu\u015fturulan otonom sistemleri \u00e7al\u0131\u015ft\u0131rmak, depolamak ve y\u00f6netmek i\u00e7in geni\u015f bir hizmet yelpazesi sunar. Bu, agentlerinizin y\u00fcksek trafik alt\u0131nda bile performans g\u00f6stermesini, maliyet etkin olmas\u0131n\u0131 ve g\u00fcvenli bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar.<\/p>\n
Deployment Stratejileri: Agentlerinizi Nerede \u00c7al\u0131\u015ft\u0131racaks\u0131n\u0131z?<\/h3>\n\n- AWS Lambda ile Sunucusuz Da\u011f\u0131t\u0131m:<\/strong>\n
K\u00fc\u00e7\u00fck, olay tabanl\u0131 agentler i\u00e7in AWS Lambda ideal bir \u00e7\u00f6z\u00fcmd\u00fcr. Agentleriniz, bir API Gateway, S3 olay\u0131 veya DynamoDB ak\u0131\u015f\u0131 gibi \u00e7e\u015fitli AWS hizmetleri taraf\u0131ndan tetiklenebilir. Her tetikleme, agent kodunuzu \u00e7al\u0131\u015ft\u0131ran yeni bir Lambda \u00f6rne\u011fi ba\u015flat\u0131r. Bu yakla\u015f\u0131m, sadece kullan\u0131lan kaynaklar i\u00e7in \u00f6deme yapman\u0131z\u0131 sa\u011flar ve bak\u0131m y\u00fck\u00fcn\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r.<\/p>\n
\n# Basit bir Strands Agent Lambda Handler \u00f6rne\u011fi\nimport json\nfrom strands_agents import Agent, Task, Tool\n\ndef hello_world_tool(name: str = \"D\u00fcnya\") -> str:\n return f\"Merhaba, {name}!\"\n\nmy_agent = Agent(\n name=\"HelloWorldAgent\",\n description=\"Basit bir selamla\u015fma agent\u0131\",\n tools=[Tool(name=\"hello_world\", description=\"Selamla\u015fma fonksiyonu\", func=hello_world_tool)]\n)\n\nasync def lambda_handler(event, context):\n body = json.loads(event['body'])\n user_goal = body.get('goal', 'Bana merhaba de.')\n\n response = await my_agent.run(Task(goal=user_goal))\n\n return {\n 'statusCode': 200,\n 'body': json.dumps({'response': response.content})\n }\n<\/pre>\n<\/code><\/p>\n
Bu Lambda i\u015flevi, bir API Gateway \u00e7a\u011fr\u0131s\u0131 ald\u0131\u011f\u0131nda Strands Agent'\u0131n\u0131z\u0131 tetikleyebilir ve agent'\u0131n yan\u0131t\u0131n\u0131 d\u00f6nd\u00fcrebilir. Ortam de\u011fi\u015fkenleri arac\u0131l\u0131\u011f\u0131yla LLM anahtarlar\u0131n\u0131 g\u00fcvenli bir \u015fekilde Lambda ortam\u0131n\u0131za ge\u00e7irebilirsiniz.<\/p>\n<\/li>\n
- AWS ECS (Elastic Container Service) veya EKS (Elastic Kubernetes Service) ile Konteynerize Da\u011f\u0131t\u0131m:<\/strong>\n
Daha b\u00fcy\u00fck, uzun s\u00fcreli \u00e7al\u0131\u015fan veya daha fazla kontrol gerektiren agentler i\u00e7in Docker konteynerleri ve AWS ECS\/EKS daha uygun olabilir. Agentinizi bir Docker imaj\u0131na paketleyebilir, bu imaj\u0131 ECR'ye (Elastic Container Registry) y\u00fckleyebilir ve ard\u0131ndan ECS\/EKS \u00fczerinde \u00e7al\u0131\u015ft\u0131rabilirsiniz. Bu, daha karma\u015f\u0131k ba\u011f\u0131ml\u0131l\u0131klar\u0131n y\u00f6netilmesine, \u00f6zel \u00e7al\u0131\u015fma zaman\u0131 ortamlar\u0131n\u0131n olu\u015fturulmas\u0131na ve mikro hizmet mimarilerine entegrasyona olanak tan\u0131r. \u00d6l\u00e7eklendirme, ECS\/EKS'nin otomatik \u00f6l\u00e7eklendirme gruplar\u0131 veya Kubernetes'in yatay pod \u00f6l\u00e7eklendirme \u00f6zellikleri arac\u0131l\u0131\u011f\u0131yla kolayca y\u00f6netilebilir.<\/p>\n<\/li>\n
- AWS SageMaker ile ML Entegrasyonu:<\/strong>\n
E\u011fer agentleriniz \u00f6zel olarak e\u011fitilmi\u015f makine \u00f6\u011frenimi modellerini (\u00f6rne\u011fin, g\u00f6r\u00fcnt\u00fc i\u015fleme, konu\u015fma tan\u0131ma) kullan\u0131yorsa, AWS SageMaker bu modelleri bar\u0131nd\u0131rmak ve u\u00e7 nokta olarak sunmak i\u00e7in m\u00fckemmel bir platformdur. Strands Agent'\u0131n\u0131z, SageMaker u\u00e7 noktalar\u0131na API \u00e7a\u011fr\u0131lar\u0131 yaparak bu modellerin yeteneklerinden faydalanabilir. Bu, model e\u011fitimi, da\u011f\u0131t\u0131m\u0131 ve izlenmesi i\u00e7in entegre bir \u00e7\u00f6z\u00fcm sunar.<\/p>\n<\/li>\n<\/ol>\n
Veri Depolama ve Durum Y\u00f6netimi<\/h3>\n
Otonom agentler genellikle oturumlar aras\u0131 durumu korumak veya ge\u00e7mi\u015f etkile\u015fimleri hat\u0131rlamak zorundad\u0131r. AWS, bu ama\u00e7la \u00e7e\u015fitli depolama hizmetleri sunar:<\/p>\n
\n- Amazon DynamoDB:<\/strong> D\u00fc\u015f\u00fck gecikmeli, anahtar-de\u011fer tabanl\u0131 bir NoSQL veritaban\u0131d\u0131r. Agent oturumlar\u0131n\u0131, ge\u00e7mi\u015f konu\u015fmalar\u0131 veya agentlerin \u00f6\u011frenme verilerini depolamak i\u00e7in idealdir.<\/li>\n
- Amazon S3 (Simple Storage Service):<\/strong> B\u00fcy\u00fck miktarda yap\u0131sal olmayan veri (\u00f6rne\u011fin, agent taraf\u0131ndan olu\u015fturulan raporlar, log dosyalar\u0131, LLM fine-tuning verileri) depolamak i\u00e7in kullan\u0131labilir.<\/li>\n
- Amazon RDS (Relational Database Service):<\/strong> \u0130li\u015fkisel veri taban\u0131 gereksinimleri olan daha geleneksel uygulamalarla entegrasyon i\u00e7in PostgreSQL, MySQL gibi se\u00e7enekler sunar.<\/li>\n<\/ul>\n
G\u00fcvenlik ve Kimlik Y\u00f6netimi<\/h3>\n
AWS IAM (Identity and Access Management) ile Strands Agent'lar\u0131n\u0131z\u0131n AWS kaynaklar\u0131na eri\u015fimini s\u0131k\u0131 bir \u015fekilde kontrol edebilirsiniz. Her agent'a belirli hizmetlere eri\u015fim izni veren minimum ayr\u0131cal\u0131kl\u0131 roller atamak, g\u00fcvenlik en iyi uygulamas\u0131d\u0131r. LLM API anahtarlar\u0131 gibi hassas bilgiler AWS Secrets Manager'da g\u00fcvenli bir \u015fekilde depolanabilir ve \u00e7al\u0131\u015fma zaman\u0131nda agent'lara sa\u011flanabilir.<\/p>\n
\u00d6l\u00e7eklenebilirlik \u0130\u00e7in Mobil Uyumlu Tasar\u0131m Yakla\u015f\u0131m\u0131:<\/strong> Agentlerinizin kullan\u0131c\u0131 aray\u00fcz\u00fc (UI) veya etkile\u015fim noktalar\u0131 genellikle web tabanl\u0131 oldu\u011fundan, mobil uyumluluk \u00f6nemlidir. Kullan\u0131c\u0131lar\u0131n farkl\u0131 cihazlardan agentlerinizle rahat\u00e7a etkile\u015fim kurabilmesi i\u00e7in responsive tasar\u0131m ilkeleri ve medya sorgular\u0131 (media queries) kullan\u0131lmal\u0131d\u0131r. \u00d6rne\u011fin, bir web aray\u00fcz\u00fc \u00f6rne\u011fi:<\/p>\n\n