G\u00fcn\u00fcm\u00fcz\u00fcn dijital d\u00fcnyas\u0131nda, karma\u015f\u0131k g\u00f6revleri otonom bir \u015fekilde yerine getirebilen, farkl\u0131 bilgi kaynaklar\u0131yla etkile\u015fime ge\u00e7ebilen ve karar verme yetene\u011fine sahip yapay zeka ajanlar\u0131 geli\u015ftirmek, i\u015f s\u00fcre\u00e7lerini d\u00f6n\u00fc\u015ft\u00fcrmek ve yenilik\u00e7i uygulamalar yaratmak i\u00e7in kritik bir ihtiya\u00e7 haline geldi. Peki, bu iddial\u0131 ajanlar\u0131 nas\u0131l in\u015fa edebiliriz? Bu makalede, AgentQL’in yap\u0131sal sorgulama g\u00fcc\u00fcn\u00fc, LangChain’in orkestrasyon yeteneklerini ve LlamaIndex’in bilgi y\u00f6netimi becerilerini bir araya getirerek, s\u0131f\u0131rdan ileri seviyeye kadar g\u00fc\u00e7l\u00fc ve ak\u0131ll\u0131 yapay zeka ajanlar\u0131 olu\u015fturman\u0131n inceliklerini ke\u015ffedece\u011fiz. <\/p>\n
Yapay zeka ajanlar\u0131, belirli hedeflere ula\u015fmak i\u00e7in \u00e7evrelerini alg\u0131layan, bilgi i\u015fleyen ve eylemde bulunan yaz\u0131l\u0131m varl\u0131klar\u0131d\u0131r. Bu ajanlar, basit otomasyon g\u00f6revlerinden karma\u015f\u0131k karar alma s\u00fcre\u00e7lerine kadar geni\u015f bir yelpazede kullan\u0131labilir. Modern yapay zeka ajanlar\u0131, genellikle Geni\u015f Dil Modelleri (LLM’ler) taraf\u0131ndan desteklenir ve bu LLM’lere harici ara\u00e7lar\u0131 kullanma, bilgi tabanlar\u0131na eri\u015fme ve belirli protokolleri takip etme yetene\u011fi kazand\u0131r\u0131l\u0131r. Bu b\u00f6l\u00fcmde, bu yetenekleri m\u00fcmk\u00fcn k\u0131lan AgentQL, LangChain ve LlamaIndex’in temel prensiplerini ve birlikte nas\u0131l bir sinerji yaratt\u0131klar\u0131n\u0131 derinlemesine inceleyece\u011fiz.<\/p>\n
\u00d6ncelikle, AgentQL<\/strong> ile ba\u015flayal\u0131m. AgentQL, yapay zeka ajanlar\u0131na y\u00f6nelik bir sorgu dili ve \u00e7er\u00e7evesidir. En temel d\u00fczeyde, LLM’lerin yaln\u0131zca metin \u00fcretmekle kalmay\u0131p, belirli bir yap\u0131da ve amaca y\u00f6nelik \u00e7\u0131kt\u0131lar \u00fcretmesini sa\u011flar. AgentQL, ajanlar\u0131n kullanabilece\u011fi ara\u00e7lar\u0131, bu ara\u00e7lar\u0131n giri\u015f ve \u00e7\u0131k\u0131\u015f parametrelerini tan\u0131mlayan \u015femalar olu\u015fturmam\u0131za olanak tan\u0131r. Bu \u015femalar sayesinde, ajanlar karma\u015f\u0131k istekleri daha tutarl\u0131 ve g\u00fcvenilir bir \u015fekilde i\u015fleyebilirler. \u00d6rne\u011fin, bir ajan bir m\u00fc\u015fteri sipari\u015fini i\u015flerken, “sipari\u015f_g\u00fcncelle” arac\u0131n\u0131n hangi parametreleri (sipari\u015f_id, yeni_durum, miktar vb.) bekledi\u011fini AgentQL \u015femas\u0131 \u00fczerinden net bir \u015fekilde \u00f6\u011frenebilir. Bu, LLM’lerin rastgele \u00e7\u0131kt\u0131lar \u00fcretmesini engelleyerek, i\u015f ak\u0131\u015flar\u0131n\u0131n daha \u00f6ng\u00f6r\u00fclebilir ve hatas\u0131z ilerlemesini sa\u011flar. Dolay\u0131s\u0131yla, AgentQL, ajanlar\u0131n otonom yeteneklerini art\u0131r\u0131rken, ayn\u0131 zamanda g\u00fcvenilirliklerini ve entegrasyonlar\u0131n\u0131 kolayla\u015ft\u0131r\u0131r.<\/p>\n Ard\u0131ndan, LangChain<\/strong> geliyor. LangChain, b\u00fcy\u00fck dil modelleri taraf\u0131ndan desteklenen uygulamalar geli\u015ftirmeyi kolayla\u015ft\u0131ran pop\u00fcler bir \u00e7er\u00e7evedir. LLM’leri harici veri kaynaklar\u0131na ba\u011flamak, LLM’lerle etkile\u015fimi y\u00f6netmek, arac\u0131lar olu\u015fturmak ve karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 zincirlemek i\u00e7in bir dizi mod\u00fcl ve bile\u015fen sunar. LangChain, bir LLM’i bir beyin olarak kullanarak, ona \u00e7e\u015fitli “ara\u00e7lar” (tools) ve “bellek” (memory) sa\u011flayarak daha yetenekli ajanlar olu\u015fturmay\u0131 hedefler. Bu ara\u00e7lar, veritaban\u0131 sorgulamaktan API \u00e7a\u011fr\u0131lar\u0131na, dosya okumaktan matematiksel hesaplamalara kadar her \u015feyi yapabilir. LangChain’in en g\u00fc\u00e7l\u00fc yanlar\u0131ndan biri, farkl\u0131 LLM’ler, prompt \u015fablonlar\u0131 ve d\u0131\u015f kaynaklar\u0131 bir araya getiren “zincirler” (chains) olu\u015fturma yetene\u011fidir. Bu zincirler, karma\u015f\u0131k g\u00f6revleri ad\u0131m ad\u0131m \u00e7\u00f6zmek i\u00e7in tasarlanm\u0131\u015f s\u0131ral\u0131 veya ko\u015fullu i\u015flem ak\u0131\u015flar\u0131d\u0131r. B\u00f6ylece, LangChain, bir LLM’in tek ba\u015f\u0131na yapamayaca\u011f\u0131 karma\u015f\u0131kl\u0131kta g\u00f6revleri yerine getirebilen \u00e7ok y\u00f6nl\u00fc ajanlar in\u015fa etmenin temelini olu\u015fturur. \u00d6rne\u011fin, bir kullan\u0131c\u0131n\u0131n sorusunu analiz edip, ilgili bilgiyi bir veritaban\u0131ndan \u00e7ekip, ard\u0131ndan \u00e7ekilen bilgiyi kullanarak yan\u0131t olu\u015fturan bir zincir kolayca olu\u015fturulabilir.<\/p>\n Son olarak, LlamaIndex<\/strong>‘e odaklanal\u0131m. LlamaIndex, \u00f6zel verilerinizle LLM’lerin etkile\u015fimini kolayla\u015ft\u0131rmak i\u00e7in tasarlanm\u0131\u015f bir veri \u00e7er\u00e7evesidir. LLM’lerin e\u011fitildi\u011fi genel verilerin \u00f6tesinde, belirli bir organizasyonun kendi dok\u00fcmanlar\u0131, veritabanlar\u0131 veya web sayfalar\u0131 gibi \u00f6zel bilgi kaynaklar\u0131na eri\u015fmesini sa\u011flamak i\u00e7in kilit bir rol oynar. LlamaIndex’in temel i\u015flevi, bu yap\u0131land\u0131r\u0131lmam\u0131\u015f veya yar\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f verileri LLM’lerin anlayabilece\u011fi ve sorgulayabilece\u011fi bir format olan “indeksler”e d\u00f6n\u00fc\u015ft\u00fcrmektir. Bu indeksleme s\u00fcreci genellikle verileri k\u00fc\u00e7\u00fck par\u00e7alara (chunks) ay\u0131rmay\u0131, her par\u00e7an\u0131n vekt\u00f6r temsilini (embeddings) olu\u015fturmay\u0131 ve bunlar\u0131 bir vekt\u00f6r veritaban\u0131nda saklamay\u0131 i\u00e7erir. Daha sonra, bir kullan\u0131c\u0131 bir sorgu yapt\u0131\u011f\u0131nda, LlamaIndex en alakal\u0131 bilgi par\u00e7alar\u0131n\u0131 bu vekt\u00f6r veritaban\u0131ndan alarak (Retrieval Augmented Generation – RAG), LLM’in daha do\u011fru ve ba\u011flamsal olarak uygun yan\u0131tlar \u00fcretmesini sa\u011flar. Bu, LLM’lerin “hal\u00fcsinasyon” yapma e\u011filimini azalt\u0131rken, onlar\u0131n g\u00fcncel ve spesifik bilgilere eri\u015fimini m\u00fcmk\u00fcn k\u0131lar. \u00d6zetle, LlamaIndex, LLM’lerimize adeta bir “bilgi havuzu” sa\u011flayarak onlar\u0131n daha zeki ve bilgilendirilmi\u015f kararlar almas\u0131na yard\u0131mc\u0131 olur.<\/p>\n Bu \u00fc\u00e7 teknolojinin birle\u015fimi, s\u0131radan bir LLM uygulamas\u0131n\u0131n \u00e7ok \u00f6tesine ge\u00e7en, otonom ve ak\u0131ll\u0131 ajanlar geli\u015ftirmemizi sa\u011flar. AgentQL, ajanlar\u0131m\u0131za yap\u0131sal bir d\u00fc\u015f\u00fcnme ve eylem planlama yetene\u011fi kazand\u0131r\u0131rken, LangChain bu planlar\u0131 uygulamak i\u00e7in ara\u00e7lar\u0131 orkestre eder ve LlamaIndex de ajanlar\u0131m\u0131z\u0131n geni\u015f bir bilgi taban\u0131na eri\u015fimini temin eder. Bu sinerji sayesinde, ger\u00e7ek d\u00fcnya problemlerine kapsaml\u0131 \u00e7\u00f6z\u00fcmler \u00fcretebilen, g\u00fcvenilir ve esnek yapay zeka ajanlar\u0131 in\u015fa edebiliriz. <\/p>\n AgentQL, yapay zeka ajanlar\u0131n\u0131za bir “dil” \u00f6\u011freterek onlar\u0131n belirli g\u00f6revleri yerine getirmek i\u00e7in kullanabilecekleri ara\u00e7lar\u0131 ve bu ara\u00e7lar\u0131n nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 tan\u0131mlaman\u0131za olanak tan\u0131r. Bu, \u00f6zellikle karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131nda ajan\u0131n ne yapmas\u0131 gerekti\u011fini net bir \u015fekilde belirlemek i\u00e7in kritik \u00f6neme sahiptir. AgentQL’in temelinde, ajanlar\u0131n kullanabilece\u011fi fonksiyonlar\u0131, bu fonksiyonlar\u0131n almas\u0131 gereken arg\u00fcmanlar\u0131 ve d\u00f6nd\u00fcrece\u011fi de\u011ferleri belirten \u015femalar yatar. Bu \u015femalar, JSON veya Python s\u0131n\u0131flar\u0131 gibi tan\u0131mlanabilir ve ajan\u0131n belirli bir iste\u011fi i\u015flerken hangi arac\u0131 ne zaman ve hangi parametrelerle \u00e7a\u011f\u0131raca\u011f\u0131n\u0131 anlamas\u0131na yard\u0131mc\u0131 olur. Bu sayede, ajan “kendi kendine konu\u015furken” daha az hata yapar ve daha deterministik sonu\u00e7lar \u00fcretir.<\/p>\n Bir AgentQL mimarisi tasarlarken ilk ad\u0131m, ajan\u0131n\u0131z\u0131n hangi i\u015flevleri yerine getirmesi gerekti\u011fini belirlemektir. \u00d6rne\u011fin, bir e-ticaret m\u00fc\u015fteri hizmetleri ajan\u0131 i\u00e7in “sipari\u015f_durumu_sorgula”, “\u00fcr\u00fcn_bilgisi_al”, “iad_talep_olu\u015ftur” gibi fonksiyonlar tan\u0131mlayabiliriz. Her fonksiyon i\u00e7in, giri\u015f olarak alaca\u011f\u0131 parametreleri (\u00f6rne\u011fin, sipari\u015f_id, \u00fcr\u00fcn_ad\u0131) ve beklenen \u00e7\u0131k\u0131\u015f format\u0131n\u0131 (\u00f6rne\u011fin, sipari\u015f durumu, \u00fcr\u00fcn a\u00e7\u0131klamas\u0131) belirten bir AgentQL \u015femas\u0131 olu\u015fturulur. Bu \u015femalar, ajan\u0131n LLM’i taraf\u0131ndan anla\u015f\u0131labilir bir yap\u0131ya d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve LLM, bu \u015femalar\u0131 kullanarak gelen taleplere en uygun arac\u0131 ve parametreleri se\u00e7meye \u00e7al\u0131\u015f\u0131r. Bu yap\u0131sal yakla\u015f\u0131m, ajan\u0131n rastgele yorumlar yapmak yerine, tan\u0131mlanm\u0131\u015f bir \u00e7er\u00e7eve i\u00e7inde hareket etmesini sa\u011flar. B\u00f6ylece, hem hata oran\u0131n\u0131 d\u00fc\u015f\u00fcr\u00fcr hem de entegrasyon s\u00fcre\u00e7lerini kolayla\u015ft\u0131r\u0131r.<\/p>\n A\u015fa\u011f\u0131da, AgentQL ile basit bir “hava durumu sorgulama” arac\u0131n\u0131 nas\u0131l tan\u0131mlayabilece\u011fimize dair bir \u00f6rnek g\u00f6rece\u011fiz. Bu \u00f6rnekte, ajan\u0131n belirli bir \u015fehir i\u00e7in hava durumu bilgisini alabilece\u011fi bir fonksiyon tasarlayaca\u011f\u0131z:<\/p>\n <\/code><\/p>\n Yukar\u0131daki kodda, <\/p>\n <\/code> dekorat\u00f6r\u00fc sayesinde basit bir Python fonksiyonunu AgentQL uyumlu bir araca d\u00f6n\u00fc\u015ft\u00fcrd\u00fck. Bu ara\u00e7, art\u0131k bir LLM taraf\u0131ndan tan\u0131nabilir ve belirli bir ama\u00e7 i\u00e7in \u00e7a\u011fr\u0131labilir. <\/p>\n <\/code> tip ipucu, AgentQL'e arac\u0131n bir \"city\" arg\u00fcman\u0131 bekledi\u011fini ve bunun bir dize olmas\u0131 gerekti\u011fini bildirir. Fonksiyonun docstring'i ise arac\u0131n ne i\u015fe yarad\u0131\u011f\u0131n\u0131 ve arg\u00fcmanlar\u0131n\u0131 a\u00e7\u0131klar; bu bilgiler, LLM'in arac\u0131 do\u011fru \u015fekilde kullanmas\u0131 i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n AgentQL, yaln\u0131zca ara\u00e7 tan\u0131mlamakla kalmaz, ayn\u0131 zamanda bu ara\u00e7lar\u0131n bir araya gelerek karma\u015f\u0131k bir i\u015flem dizisi olu\u015fturmas\u0131n\u0131 da destekler. Bu, \u00f6zellikle ajan\u0131n birden fazla ad\u0131mdan olu\u015fan bir g\u00f6revi tamamlamas\u0131 gerekti\u011finde (\u00f6rne\u011fin, \u00f6nce \u00fcr\u00fcn stok durumunu kontrol et, sonra fiyat\u0131n\u0131 \u00f6\u011fren) \u00e7ok de\u011ferlidir. Ajan, gelen iste\u011fi analiz eder, AgentQL \u015femalar\u0131nda tan\u0131ml\u0131 olan mevcut ara\u00e7lar\u0131 de\u011ferlendirir ve hangi arac\u0131n veya ara\u00e7lar\u0131n s\u0131ras\u0131yla \u00e7a\u011fr\u0131lmas\u0131 gerekti\u011fini belirlemek i\u00e7in LLM'in ak\u0131l y\u00fcr\u00fctme yetene\u011fini kullan\u0131r. Bu sayede, ajanlar sadece bilgi almakla kalmaz, ayn\u0131 zamanda ger\u00e7ek d\u00fcnyadaki operasyonlar\u0131 tetikleyebilir ve hatta kullan\u0131c\u0131larla interaktif bir \u015fekilde sorunlar\u0131 \u00e7\u00f6zebilirler. AgentQL'in sundu\u011fu bu yap\u0131sal yakla\u015f\u0131m, ajan geli\u015ftirme s\u00fcrecini daha d\u00fczenli, daha hatas\u0131z ve daha y\u00f6netilebilir hale getirerek, geli\u015ftiricilere b\u00fcy\u00fck bir esneklik sunar.<\/p>\n LangChain, b\u00fcy\u00fck dil modellerinin (LLM) g\u00fcc\u00fcn\u00fc kullanarak ak\u0131ll\u0131 ve ba\u011flamsal fark\u0131ndal\u0131\u011fa sahip ajanlar olu\u015fturman\u0131n en pop\u00fcler ve etkili yollar\u0131ndan biridir. AgentQL ile tan\u0131mlad\u0131\u011f\u0131m\u0131z ara\u00e7lar\u0131 ve LlamaIndex ile olu\u015fturdu\u011fumuz bilgi tabanlar\u0131n\u0131 bir araya getirmek i\u00e7in LangChain'in orkestrasyon yeteneklerinden faydalan\u0131r\u0131z. LangChain'deki bir ajan (Agent), bir LLM'i \"beyin\" olarak kullan\u0131r ve bu beyne harici ara\u00e7lar arac\u0131l\u0131\u011f\u0131yla d\u0131\u015f d\u00fcnya ile etkile\u015fime girme yetene\u011fi kazand\u0131r\u0131l\u0131r. Ajan, gelen girdiyi (genellikle bir kullan\u0131c\u0131 iste\u011fi) de\u011ferlendirir, hangi arac\u0131n kullan\u0131lmas\u0131 gerekti\u011fine karar verir, arac\u0131 \u00e7al\u0131\u015ft\u0131r\u0131r ve sonucunu de\u011ferlendirerek bir sonraki ad\u0131m\u0131 belirler.<\/p>\n LangChain'de ajanlar, genellikle <\/p>\n <\/code> fonksiyonu kullan\u0131larak olu\u015fturulur. Bu fonksiyon, bir LLM, bir ara\u00e7 listesi ve bir ajan tipi (\u00f6rne\u011fin, <\/p>\n <\/code>) al\u0131r. Ajan tipi, LLM'in ak\u0131l y\u00fcr\u00fctme (reasoning) ve eylem (action) kal\u0131plar\u0131n\u0131 nas\u0131l kullanaca\u011f\u0131n\u0131 belirler. React (Reasoning and Acting) modeli, LLM'in bir d\u00fc\u015f\u00fcnce s\u00fcreci \u00fcretmesini ve ard\u0131ndan bu d\u00fc\u015f\u00fcnceye dayal\u0131 bir eylem ger\u00e7ekle\u015ftirmesini sa\u011flar. Bu, ajan\u0131n sadece bir yan\u0131t vermekle kalmay\u0131p, neden o yan\u0131t\u0131 verdi\u011fini veya o eylemi neden ger\u00e7ekle\u015ftirdi\u011fini de \"d\u00fc\u015f\u00fcnmesini\" sa\u011flar, bu da daha \u015feffaf ve g\u00fcvenilir bir davran\u0131\u015fla sonu\u00e7lan\u0131r.<\/p>\n A\u015fa\u011f\u0131da, AgentQL ile tan\u0131mlad\u0131\u011f\u0131m\u0131z hava durumu arac\u0131n\u0131 LangChain ajan\u0131 i\u00e7ine nas\u0131l entegre edebilece\u011fimize dair bir \u00f6rnek bulunmaktad\u0131r. Bu \u00f6rnekte, bir OpenAI LLM'i ve daha \u00f6nce olu\u015fturdu\u011fumuz hava durumu arac\u0131n\u0131 kullanarak bir LangChain ajan\u0131 olu\u015fturaca\u011f\u0131z:<\/p>\n <\/code><\/p>\n Yukar\u0131daki \u00f6rnekte, <\/p>\n <\/code> kullanarak bir LangChain ajan\u0131 olu\u015fturduk. Bu ajan, <\/p>\n <\/code> modelini beyni olarak kullan\u0131r ve <\/p>\n <\/code> arac\u0131l\u0131\u011f\u0131yla hava durumu bilgisine eri\u015febilir. <\/p>\n <\/code> ayar\u0131 sayesinde ajan\u0131n d\u00fc\u015f\u00fcnce s\u00fcrecini ve hangi ara\u00e7lar\u0131 \u00e7a\u011f\u0131rd\u0131\u011f\u0131n\u0131 konsolda g\u00f6rebiliriz, bu da ajan\u0131n davran\u0131\u015f\u0131n\u0131 anlamak ve hata ay\u0131klamak i\u00e7in olduk\u00e7a faydal\u0131d\u0131r. AgentExecutor, ajan\u0131n belirtilen ara\u00e7lar\u0131 kullanarak bir sorguyu nas\u0131l ad\u0131m ad\u0131m \u00e7\u00f6zece\u011fini y\u00f6neten ana bile\u015fendir.<\/p>\n Ak\u0131ll\u0131 ajanlar\u0131n, ge\u00e7mi\u015f konu\u015fmalar\u0131 veya etkile\u015fimleri hat\u0131rlamas\u0131 genellikle kritik \u00f6neme sahiptir. LangChain, ajanlar\u0131n\u0131za \u00e7e\u015fitli \"bellek\" (Memory) tipleri eklemenizi sa\u011flar. \u00d6rne\u011fin, <\/p>\n <\/code> t\u00fcm ge\u00e7mi\u015f konu\u015fmay\u0131 saklarken, <\/p>\n <\/code> belirli bir uzunlu\u011fa ula\u015ft\u0131\u011f\u0131nda konu\u015fmay\u0131 \u00f6zetler. Bellek, ajan\u0131n ba\u011flamsal olarak daha tutarl\u0131 ve ki\u015fiselle\u015ftirilmi\u015f yan\u0131tlar vermesini sa\u011flar. \u00d6zellikle \u00e7ok ad\u0131ml\u0131 etkile\u015fimlerde veya kullan\u0131c\u0131 tercihlerini hat\u0131rlamas\u0131 gereken ajanlarda bellek kullan\u0131m\u0131 vazge\u00e7ilmezdir. Ajan, bellekteki bilgileri kendi ak\u0131l y\u00fcr\u00fctme s\u00fcrecine dahil ederek daha geli\u015fmi\u015f kararlar alabilir.<\/p>\n LangChain ayr\u0131ca, ajanlar\u0131n belirli bir s\u0131rayla birden fazla arac\u0131 veya i\u015flemi ger\u00e7ekle\u015ftirmesi gereken \"zincirler\" (Chains) olu\u015fturma yetene\u011fi de sunar. \u00d6rne\u011fin, bir kullan\u0131c\u0131n\u0131n karma\u015f\u0131k bir sorusu varsa, ajan \u00f6nce LlamaIndex arac\u0131l\u0131\u011f\u0131yla ilgili belgeleri arayabilir, ard\u0131ndan bu belgelerden elde edilen bilgiyi kullanarak bir \u00f6zet olu\u015fturabilir ve son olarak bu \u00f6zeti kullan\u0131c\u0131ya iletebilir. Bu ad\u0131mlar, bir zincir i\u00e7inde d\u00fczenlenerek, ajan\u0131n karma\u015f\u0131k g\u00f6revleri mod\u00fcler ve y\u00f6netilebilir bir \u015fekilde tamamlamas\u0131n\u0131 sa\u011flar. LangChain'in sa\u011flad\u0131\u011f\u0131 bu esneklik, geli\u015ftiricilerin \u00e7ok \u00e7e\u015fitli kullan\u0131m durumlar\u0131 i\u00e7in g\u00fc\u00e7l\u00fc ve \u00f6zelle\u015ftirilebilir ajanlar olu\u015fturmas\u0131na olanak tan\u0131r.<\/p>\n Yapay zeka ajanlar\u0131n\u0131n ger\u00e7ek d\u00fcnyadaki verilerle etkile\u015fime girmesi ve sadece genel bilgiye de\u011fil, ayn\u0131 zamanda belirli bir organizasyonun veya kullan\u0131c\u0131n\u0131n \u00f6zel bilgi taban\u0131na eri\u015fmesi, onlar\u0131n de\u011ferini katlar. \u0130\u015fte tam bu noktada LlamaIndex devreye girer. LlamaIndex, LLM'lere harici ve \u00f6zel verilerinizden bilgi alma (Retrieval Augmented Generation - RAG) yetene\u011fi kazand\u0131ran g\u00fc\u00e7l\u00fc bir \u00e7er\u00e7evedir. Bu, LLM'lerin yaln\u0131zca kendi e\u011fitim verileriyle s\u0131n\u0131rl\u0131 kalmay\u0131p, sizin sa\u011flad\u0131\u011f\u0131n\u0131z belgeler, veritabanlar\u0131 veya API'ler gibi kaynaklardan da bilgi edinerek daha do\u011fru, g\u00fcncel ve ba\u011flamsal olarak uygun yan\u0131tlar \u00fcretmesini sa\u011flar.<\/p>\n LlamaIndex'in temel ad\u0131m\u0131, \u00f6zel verilerinizi y\u00fcklemek ve onlar\u0131 LLM'lerin anlayabilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcrmektir. LlamaIndex, \u00e7e\u015fitli veri kaynaklar\u0131n\u0131 (PDF'ler, metin dosyalar\u0131, web sayfalar\u0131, Slack mesajlar\u0131, veritabanlar\u0131 vb.) destekleyen \"y\u00fckleyiciler\" (loaders) sunar. Veriler y\u00fcklendikten sonra, LlamaIndex onlar\u0131 daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir \"par\u00e7alara\" (chunks) ay\u0131r\u0131r. Her bir par\u00e7a daha sonra bir \"embedding modeli\" (g\u00f6mme modeli) kullan\u0131larak say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Bu vekt\u00f6rler, bilginin semantik i\u00e7eri\u011fini temsil eder. Ard\u0131ndan, bu vekt\u00f6rler genellikle bir \"vekt\u00f6r veritaban\u0131nda\" (vector database) saklan\u0131r ve bu yap\u0131ya \"indeks\" (index) ad\u0131 verilir.<\/p>\n <\/code><\/p>\n Yukar\u0131daki kod blo\u011fu, LlamaIndex ile nas\u0131l basit bir vekt\u00f6r indeksi olu\u015fturulaca\u011f\u0131n\u0131 ve bu indeksin nas\u0131l sorgulanaca\u011f\u0131n\u0131 g\u00f6stermektedir. <\/p>\n <\/code>, belirtilen dizindeki t\u00fcm belgeleri okur. <\/p>\n <\/code> ise bu belgeleri par\u00e7alara ay\u0131r\u0131r, vekt\u00f6r g\u00f6mmelerini olu\u015fturur ve bunlar\u0131 bir indeks yap\u0131s\u0131 i\u00e7inde saklar. <\/p>\n <\/code> ve <\/p>\n <\/code> ile kullan\u0131lacak LLM ve embedding modellerini tan\u0131ml\u0131yoruz. Daha sonra <\/p>\n <\/code> ile bu indeksi sorgulayabilen bir motor elde ederiz.<\/p>\n RAG, bir kullan\u0131c\u0131n\u0131n sorgusuna yan\u0131t verirken LLM'in sadece kendi i\u00e7 bilgisiyle de\u011fil, ayn\u0131 zamanda LlamaIndex arac\u0131l\u0131\u011f\u0131yla \u00f6zel bilgi taban\u0131ndan al\u0131nan ilgili bilgi par\u00e7ac\u0131klar\u0131yla desteklenmesidir. \u0130\u015flem genellikle \u015fu ad\u0131mlar\u0131 takip eder:<\/p>\n Bu s\u00fcre\u00e7, LLM'lerin \"hal\u00fcsinasyon\" e\u011filimini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r ve \u00f6zellikle kurumsal bilgi tabanlar\u0131, \u00fcr\u00fcn dok\u00fcmantasyonlar\u0131 veya m\u00fc\u015fteri destek sistemleri gibi alanlarda do\u011fru ve g\u00fcvenilir yan\u0131tlar sa\u011flamak i\u00e7in hayati \u00f6neme sahiptir. LlamaIndex'in esnekli\u011fi sayesinde, farkl\u0131 vekt\u00f6r veritabanlar\u0131 (Chroma, Pinecone, Qdrant vb.) ve farkl\u0131 embedding modelleri ile \u00e7al\u0131\u015fmak m\u00fcmk\u00fcnd\u00fcr, bu da onu \u00e7e\u015fitli kullan\u0131m durumlar\u0131 i\u00e7in son derece uyarlanabilir k\u0131lar. AgentQL ve LangChain ile birle\u015fti\u011finde, LlamaIndex, ajanlar\u0131m\u0131za sadece d\u00fc\u015f\u00fcnme ve eylem yetene\u011fi de\u011fil, ayn\u0131 zamanda derinlemesine bilgiye eri\u015fim yetene\u011fi de kazand\u0131r\u0131r.<\/p>\n Bu b\u00f6l\u00fcmde, AgentQL, LangChain ve LlamaIndex'i kullanarak ger\u00e7ek d\u00fcnyada bir problem \u00e7\u00f6zen geli\u015fmi\u015f bir m\u00fc\u015fteri hizmetleri ajan\u0131 senaryosunu inceleyece\u011fiz. Ama\u00e7, m\u00fc\u015fterilerin karma\u015f\u0131k sorular\u0131na (sipari\u015f takibi, \u00fcr\u00fcn bilgisi, iade s\u00fcre\u00e7leri, teknik destek) do\u011fru ve h\u0131zl\u0131 bir \u015fekilde yan\u0131t verebilen, ayn\u0131 zamanda gerekti\u011finde belirli aksiyonlar\u0131 (sipari\u015f g\u00fcncelleme, iade formu ba\u015flatma) tetikleyebilen bir ajan olu\u015fturmakt\u0131r. Bu ajan, farkl\u0131 bilgi kaynaklar\u0131ndan (CRM sistemi, \u00fcr\u00fcn katalo\u011fu, iade politikas\u0131 belgeleri) bilgi \u00e7ekebilmelidir.<\/p>\n Bir e-ticaret \u015firketinin m\u00fc\u015fteri hizmetleri departman\u0131, g\u00fcnl\u00fck olarak y\u00fczlerce hatta binlerce m\u00fc\u015fteri sorgusuyla kar\u015f\u0131la\u015fmaktad\u0131r. Bu sorgular, basit \"sipari\u015fim nerede?\" sorular\u0131ndan, \"X marka diz\u00fcst\u00fc bilgisayar\u0131n\u0131z\u0131n pil \u00f6mr\u00fc ve garanti ko\u015fullar\u0131 nelerdir?\" gibi daha detayl\u0131 \u00fcr\u00fcn sorular\u0131na veya \"Yanl\u0131\u015f gelen \u00fcr\u00fcn\u00fc nas\u0131l iade edebilirim?\" gibi s\u00fcre\u00e7 odakl\u0131 sorulara kadar \u00e7e\u015fitlilik g\u00f6sterir. Mevcut sistemler genellikle yetersiz kalmakta, insan operat\u00f6rlerin y\u00fck\u00fcn\u00fc art\u0131rmakta ve yan\u0131t s\u00fcrelerini uzatmaktad\u0131r. \u00d6zellikle farkl\u0131 veri tabanlar\u0131ndan bilgi \u00e7ekme ve farkl\u0131 sistemler aras\u0131nda ge\u00e7i\u015f yapma gereklili\u011fi, s\u00fcreci daha da karma\u015f\u0131kla\u015ft\u0131rmaktad\u0131r.<\/p>\n Bu senaryoda, \u00fc\u00e7 ana teknolojiyi \u015fu \u015fekilde bir araya getiriyoruz:<\/p>\n <\/code> (sipari\u015fin durumunu sorgular) ve <\/p>\n <\/code> (sipari\u015fin teslimat adresini g\u00fcnceller) gibi ara\u00e7lar tan\u0131mlar\u0131z. Bu ara\u00e7lar, \u015firketin CRM veya sipari\u015f y\u00f6netimi sisteminin API'lerini \u00e7a\u011f\u0131racak Python fonksiyonlar\u0131na kar\u015f\u0131l\u0131k gelir.<\/li>\n <\/code> (\u00fcr\u00fcn detaylar\u0131n\u0131 verir) ve <\/p>\n <\/code> (\u00fcr\u00fcn stok bilgisini verir) gibi ara\u00e7lar, \u00fcr\u00fcn katalo\u011fu veritaban\u0131na eri\u015fimi sa\u011flar.<\/li>\n <\/code> (iade s\u00fcrecini ba\u015flat\u0131r) gibi ara\u00e7lar, ajan\u0131n eyleme ge\u00e7irilebilir yeteneklerini geni\u015fletir.<\/li>\n <\/code> arac\u0131n\u0131 <\/p>\n <\/code> ve <\/p>\n <\/code> parametreleriyle \u00e7a\u011f\u0131rmas\u0131 gerekti\u011fini AgentQL \u015femas\u0131 \u00fczerinden bilir.<\/li>\n<\/ul>\n<\/li>\n <\/code> arac\u0131n\u0131 (bilgi taban\u0131n\u0131 sorgulama arac\u0131) birle\u015ftirir.<\/li>\n <\/code> arac\u0131n\u0131 \u00e7a\u011f\u0131r. E\u011fer \"iade politikas\u0131\" ile ilgiliyse, LlamaIndex'in bilgi taban\u0131 sorgulama arac\u0131n\u0131 kullan.<\/li>\n M\u00fc\u015fteri:<\/strong> \"Sipari\u015f 12345'in durumu nedir ve buzdolab\u0131n\u0131 nas\u0131l iade edebilirim?\"<\/p>\n <\/code> arac\u0131n\u0131 \u00e7a\u011f\u0131r\u0131r (AgentQL taraf\u0131ndan tan\u0131mlanm\u0131\u015f).<\/li>\n <\/code> arac\u0131n\u0131 \"buzdolab\u0131 iade s\u00fcreci\" sorgusuyla \u00e7a\u011f\u0131r\u0131r.<\/li>\n Bu t\u00fcr bir m\u00fc\u015fteri hizmetleri ajan\u0131, genellikle bir web tabanl\u0131 sohbet aray\u00fcz\u00fc veya mobil uygulama \u00fczerinden eri\u015filebilir olur. Ajan\u0131n \u00fcretti\u011fi yan\u0131tlar\u0131n ve etkile\u015fim \u00f6\u011felerinin mobil cihazlarda da sorunsuz bir kullan\u0131c\u0131 deneyimi sunmas\u0131 i\u00e7in responsive tasar\u0131m prensiplerine dikkat etmek \u00f6nemlidir. HTML \u00e7\u0131kt\u0131s\u0131n\u0131 bi\u00e7imlendirirken CSS media query'lerini kullanarak farkl\u0131 ekran boyutlar\u0131na uyum sa\u011flanabilir:<\/p>\n <\/code><\/p>\n Bu CSS \u00f6rne\u011fi, ajan\u0131n \u00fcretti\u011fi metinlerin ve etkile\u015fim kutular\u0131n\u0131n mobil cihazlarda daha iyi g\u00f6r\u00fcnmesini sa\u011flar. <\/p>\n <\/code> kural\u0131, ekran geni\u015fli\u011fi 768 piksel veya daha az oldu\u011funda devreye girerek, okunabilirli\u011fi art\u0131rmak i\u00e7in metin boyutlar\u0131n\u0131 ve kutu i\u00e7 bo\u015fluklar\u0131n\u0131 ayarlar. Bu t\u00fcr responsive tasar\u0131m yakla\u015f\u0131mlar\u0131, ajan tabanl\u0131 uygulamalar\u0131n geni\u015f bir kullan\u0131c\u0131 kitlesi taraf\u0131ndan eri\u015filebilir olmas\u0131n\u0131 garanti eder.<\/p>\n Geli\u015fmi\u015f AI ajanlar\u0131 olu\u015fturmak, sadece temel kavramlar\u0131 bir araya getirmekle kalmaz, ayn\u0131 zamanda performans, g\u00fcvenlik, \u00f6l\u00e7eklenebilirlik ve s\u00fcrd\u00fcr\u00fclebilirlik gibi ileri d\u00fczey konular\u0131 da ele almay\u0131 gerektirir. Bu b\u00f6l\u00fcmde, ajanlar\u0131n\u0131z\u0131 daha sa\u011flam, verimli ve kullan\u0131\u015fl\u0131 hale getirmek i\u00e7in uygulayabilece\u011finiz baz\u0131 optimizasyonlar\u0131 ve en iyi uygulamalar\u0131 inceleyece\u011fiz.<\/p>\n <\/code> belirli g\u00f6revler i\u00e7in yeterli olabilirken, karma\u015f\u0131k ak\u0131l y\u00fcr\u00fctme i\u00e7in <\/p>\n <\/code> tercih edilebilir) se\u00e7imi yapmak, performans ve maliyet dengesi a\u00e7\u0131s\u0131ndan kritiktir.<\/li>\n<\/ol>\n <\/code> \u00f6zelli\u011fi ba\u015flang\u0131\u00e7 i\u00e7in harikad\u0131r, ancak \u00fcretimde daha geli\u015fmi\u015f izleme ara\u00e7lar\u0131 kullan\u0131n (\u00f6rne\u011fin, LangSmith, W&B, kendi ELK stack'iniz). Bu, hatalar\u0131 tespit etmek ve ajan davran\u0131\u015f\u0131n\u0131 optimize etmek i\u00e7in vazge\u00e7ilmezdir.\n <\/div>\n Bu ileri d\u00fczey optimizasyonlar ve en iyi uygulamalar, yapay zeka ajanlar\u0131n\u0131z\u0131 sadece i\u015flevsel de\u011fil, ayn\u0131 zamanda \u00fcretim ortam\u0131nda g\u00fcvenilir, verimli ve y\u00f6netilebilir k\u0131lar. S\u00fcrekli iyile\u015ftirme ve adaptasyon, bu alandaki ba\u015far\u0131n\u0131n anahtar\u0131d\u0131r.<\/p>\n Bu kapsaml\u0131 makale boyunca, AgentQL'in yap\u0131sal sorgulama ve ara\u00e7 tan\u0131mlama yetenekleri, LangChain'in esnek orkestrasyon \u00e7er\u00e7evesi ve LlamaIndex'in g\u00fc\u00e7l\u00fc bilgi y\u00f6netimi ve RAG entegrasyonu sayesinde nas\u0131l geli\u015fmi\u015f yapay zeka ajanlar\u0131 in\u015fa edilebilece\u011fini derinlemesine inceledik. Bu \u00fc\u00e7 teknolojinin stratejik birle\u015fimi, LLM'lerin yaln\u0131zca metin \u00fcretme kapasitesinin \u00f6tesine ge\u00e7erek, onlara ara\u00e7 kullanma, d\u0131\u015f bilgi kaynaklar\u0131ndan \u00f6\u011frenme ve karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 otonom bir \u015fekilde y\u00f6netme yetene\u011fi kazand\u0131r\u0131r. M\u00fc\u015fteri hizmetleri ajan\u0131 vaka analizimizle, bu sinerjinin ger\u00e7ek d\u00fcnyadaki sorunlara nas\u0131l pratik ve \u00f6l\u00e7eklenebilir \u00e7\u00f6z\u00fcmler sunabilece\u011fini g\u00f6sterdik.<\/p>\n AgentQL'in sundu\u011fu \u015fema tabanl\u0131 yakla\u015f\u0131m, ajanlar\u0131n belirli API'lerle veya fonksiyonlarla tutarl\u0131 bir \u015fekilde etkile\u015fim kurmas\u0131n\u0131 sa\u011flayarak LLM \"hal\u00fcsinasyonlar\u0131n\u0131\" minimize eder ve daha g\u00fcvenilir eylemler ger\u00e7ekle\u015ftirir. LangChain, bu tan\u0131mlanm\u0131\u015f ara\u00e7lar\u0131 kullanarak karma\u015f\u0131k ajan\u0131 ak\u0131\u015flar\u0131n\u0131 orkestre eder, belle\u011fi y\u00f6netir ve LLM'in ak\u0131l y\u00fcr\u00fctme becerilerini bir dizi ad\u0131ma d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Son olarak, LlamaIndex, ajanlar\u0131n \u00f6zel ve g\u00fcncel bilgi tabanlar\u0131na eri\u015fmesini sa\u011flayarak, yan\u0131tlar\u0131n\u0131n do\u011frulu\u011funu ve ba\u011flam fark\u0131ndal\u0131\u011f\u0131n\u0131 art\u0131r\u0131r. Bu kombinasyon, ajanlar\u0131n sadece soru yan\u0131tlamakla kalmay\u0131p, ayn\u0131 zamanda eyleme ge\u00e7ebilen, \u00f6\u011frenebilen ve adapte olabilen \u00e7ok y\u00f6nl\u00fc varl\u0131klara d\u00f6n\u00fc\u015fmesini sa\u011flar.<\/p>\n Gelece\u011fe bakt\u0131\u011f\u0131m\u0131zda, yapay zeka ajanlar\u0131, i\u015f d\u00fcnyas\u0131n\u0131n ve g\u00fcnl\u00fck hayat\u0131m\u0131z\u0131n giderek daha ayr\u0131lmaz bir par\u00e7as\u0131 olacak. Bu teknolojiler sayesinde geli\u015ftiriciler, sa\u011fl\u0131k, finans, e\u011fitim, e-ticaret ve daha bir\u00e7ok sekt\u00f6rde devrim niteli\u011finde uygulamalar yaratma potansiyeline sahip. Performans optimizasyonlar\u0131, g\u00fcvenlik \u00f6nlemleri, g\u00f6zlemlenebilirlik ara\u00e7lar\u0131 ve s\u00fcrekli geri bildirim d\u00f6ng\u00fcleri ile bu ajanlar daha da yetkinle\u015fecek ve karma\u015f\u0131k problemlere otonom \u00e7\u00f6z\u00fcmler sunacaklar. AgentQL, LangChain ve LlamaIndex gibi ara\u00e7lar, bu heyecan verici gelece\u011fe giden yolda geli\u015ftiriciler i\u00e7in sa\u011flam ve esnek bir yol haritas\u0131 sunmaktad\u0131r. Art\u0131k bu g\u00fc\u00e7l\u00fc ara\u00e7 setini kullanarak kendi ak\u0131ll\u0131 ajanlar\u0131n\u0131z\u0131 in\u015fa etmeye haz\u0131rs\u0131n\u0131z!<\/p>\n AgentQL, yapay zeka ajanlar\u0131na y\u00f6nelik bir sorgu dili ve \u00e7er\u00e7evesidir. LLM'lerin belirli ara\u00e7lar\u0131 ve fonksiyonlar\u0131 tan\u0131ml\u0131 bir \u015fema \u00fczerinden, tutarl\u0131 ve \u00f6ng\u00f6r\u00fclebilir bir \u015fekilde \u00e7a\u011f\u0131rmas\u0131n\u0131 sa\u011flar. LLM'lerin \"hal\u00fcsinasyon\" yapma e\u011filimini azalt\u0131r ve ajanlar\u0131n harici sistemlerle daha g\u00fcvenilir bir \u015fekilde entegre olmas\u0131n\u0131 sa\u011flar.<\/p>\n LangChain, LLM destekli uygulamalar ve ajanlar olu\u015fturmak i\u00e7in genel bir orkestrasyon \u00e7er\u00e7evesidir. LLM'leri ara\u00e7lara, belle\u011fe ve zincirlere ba\u011flamay\u0131 sa\u011flar. LlamaIndex ise \u00f6zel veri kaynaklar\u0131n\u0131z\u0131 al\u0131p bunlar\u0131 LLM'lerin sorgulayabilece\u011fi indekslere d\u00f6n\u00fc\u015ft\u00fcrmek ve RAG (Retrieval Augmented Generation) uygulamak i\u00e7in tasarlanm\u0131\u015f bir veri \u00e7er\u00e7evesidir. LangChain ajan\u0131 genellikle LlamaIndex'i bir ara\u00e7 olarak kullanarak d\u0131\u015f bilgiye eri\u015fir.<\/p>\n RAG, bir LLM'in bir soruya yan\u0131t verirken, sadece kendi e\u011fitim verileriyle de\u011fil, ayn\u0131 zamanda \u00f6zel bilgi tabanlar\u0131ndan (LlamaIndex gibi ara\u00e7larla olu\u015fturulmu\u015f) al\u0131nan ilgili bilgilerle desteklenmesidir. Bu, LLM'lerin yan\u0131tlar\u0131n\u0131n do\u011frulu\u011funu art\u0131r\u0131r, g\u00fcncel bilgilere eri\u015fimini sa\u011flar ve \"hal\u00fcsinasyon\" riskini azalt\u0131r. \u00d6zellikle kurumsal bilgi tabanlar\u0131 veya spesifik alan bilgisi gerektiren uygulamalar i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n Ajanlar genellikle hassas verilerle etkile\u015fime girebilir veya kritik sistemleri tetikleyebilir. Prompt enjeksiyonu, yetkisiz eri\u015fim veya veri s\u0131z\u0131nt\u0131s\u0131 gibi riskler mevcuttur. Bu nedenle, hassas veri y\u00f6netimi, eri\u015fim kontrol\u00fc, girdi do\u011frulama ve g\u00fcvenli kodlama uygulamalar\u0131, ajan\u0131n g\u00fcvenilirli\u011fini ve veri gizlili\u011fini korumak i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n Geli\u015ftirilen AI ajanlar\u0131, genellikle bir web aray\u00fcz\u00fc veya mobil uygulama arac\u0131l\u0131\u011f\u0131yla son kullan\u0131c\u0131lara sunulur. Bu nedenle, ajan\u0131n \u00fcretti\u011fi yan\u0131tlar\u0131n ve etkile\u015fim \u00f6\u011felerinin (\u00f6rne\u011fin sohbet baloncuklar\u0131) mobil cihazlarda da sorunsuz ve okunabilir bir \u015fekilde g\u00f6r\u00fcnt\u00fclenmesi, kullan\u0131c\u0131 deneyimi a\u00e7\u0131s\u0131ndan hayati \u00f6nem ta\u015f\u0131r. CSS medya sorgular\u0131 gibi responsive tasar\u0131m teknikleri, ajan tabanl\u0131 uygulamalar\u0131n geni\u015f bir cihaz yelpazesinde eri\u015filebilir olmas\u0131n\u0131 sa\u011flar.<\/p>\n <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"G\u00fcn\u00fcm\u00fcz\u00fcn dijital d\u00fcnyas\u0131nda, karma\u015f\u0131k g\u00f6revleri otonom bir \u015fekilde yerine getirebilen, farkl\u0131 bilgi kaynaklar\u0131yla etkile\u015fime ge\u00e7ebilen ve karar verme…","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-32268","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-ai","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nAgentQL ile Ajan Mimarisi Nas\u0131l Tasarlan\u0131r?<\/h2>\n
\nfrom agentql.tool import tool, Tool\n\n# Hava durumu servisi i\u00e7in basit bir sim\u00fclasyon\ndef get_weather_data(city: str) -> dict:\n \"\"\"Belirtilen \u015fehir i\u00e7in mevcut hava durumu bilgisini d\u00f6nd\u00fcr\u00fcr.\"\"\"\n if city.lower() == \"istanbul\":\n return {\"city\": \"Istanbul\", \"temperature\": \"25\u00b0C\", \"condition\": \"G\u00fcne\u015fli\"}\n elif city.lower() == \"ankara\":\n return {\"city\": \"Ankara\", \"temperature\": \"20\u00b0C\", \"condition\": \"Par\u00e7al\u0131 Bulutlu\"}\n else:\n return {\"city\": city, \"temperature\": \"Bilinmiyor\", \"condition\": \"Bilinmiyor\"}\n\n# AgentQL arac\u0131 olarak tan\u0131mlama\n@tool(\"get_weather_info\")\ndef get_weather_info_tool(city: str) -> str:\n \"\"\"\n Belirtilen \u015fehirdeki mevcut hava durumu bilgisini al\u0131r.\n Args:\n city (str): Hava durumu bilgisini almak istedi\u011finiz \u015fehir.\n Returns:\n str: Hava durumu bilgisi i\u00e7eren JSON format\u0131nda bir dize.\n \"\"\"\n weather = get_weather_data(city)\n return f\"\u015eehir: {weather['city']}, S\u0131cakl\u0131k: {weather['temperature']}, Durum: {weather['condition']}\"\n\n# Bu arac\u0131 kullanmak i\u00e7in bir AgentQL Tool instance'\u0131 olu\u015fturma\nweather_tool_instance = get_weather_info_tool\n\n# \u015eimdi bu arac\u0131 bir AgentQL \u015femas\u0131nda kullanabiliriz.\n# AgentQL genellikle LangChain veya di\u011fer orkestrasyon \u00e7er\u00e7eveleriyle birlikte kullan\u0131l\u0131r.\n# A\u015fa\u011f\u0131daki kod blo\u011fu, AgentQL'in LangChain ile nas\u0131l entegre edilebilece\u011fini g\u00f6sterir (bir sonraki b\u00f6l\u00fcmde daha detayl\u0131 ele al\u0131nacak).\n\n# \u00d6rnek kullan\u0131m (AgentQL do\u011frudan \u00e7a\u011fr\u0131lmaz, LLM taraf\u0131ndan se\u00e7ilir)\n# LLM, kullan\u0131c\u0131n\u0131n \"\u0130stanbul'da hava nas\u0131l?\" gibi bir soru sordu\u011funda\n# bu arac\u0131 ve \"istanbul\" parametresini se\u00e7mek i\u00e7in e\u011fitilir.\n <\/pre>\n@tool(\"get_weather_info\")<\/pre>\ncity: str<\/pre>\nLangChain ile Ak\u0131ll\u0131 Ajanlar Nas\u0131l Olu\u015fturulur ve Y\u00f6netilir?<\/h2>\n
initialize_agent<\/pre>\n\"zero-shot-react-description\"<\/pre>\n\nfrom langchain_openai import ChatOpenAI\nfrom langchain.agents import AgentExecutor, create_react_agent, Tool\nfrom langchain import hub\nfrom langchain_core.prompts import PromptTemplate\n\n# AgentQL ile tan\u0131mlad\u0131\u011f\u0131m\u0131z arac\u0131 LangChain Tool format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcyoruz\n# \u00d6NEML\u0130: AgentQL tool'lar\u0131 do\u011frudan LangChain Tool objelerine d\u00f6n\u00fc\u015ft\u00fcr\u00fclmelidir.\n# get_weather_info_tool fonksiyonunu burada kullanaca\u011f\u0131z, ancak AgentQL'in kendi Tool s\u0131n\u0131f\u0131 da mevcut.\n# Basitlik ad\u0131na, mevcut Python fonksiyonumuzu sarmalayarak LangChain Tool olu\u015fturaca\u011f\u0131z.\n\n# AgentQL taraf\u0131nda tan\u0131mlanan fonksiyon:\ndef get_weather_data_for_langchain(city: str) -> str:\n \"\"\"Belirtilen \u015fehir i\u00e7in mevcut hava durumu bilgisini d\u00f6nd\u00fcr\u00fcr.\"\"\"\n if city.lower() == \"istanbul\":\n return f\"Istanbul'da 25\u00b0C, G\u00fcne\u015fli\"\n elif city.lower() == \"ankara\":\n return f\"Ankara'da 20\u00b0C, Par\u00e7al\u0131 Bulutlu\"\n else:\n return f\"{city} i\u00e7in hava durumu bilgisi bulunamad\u0131.\"\n\n# LangChain Tool objesini olu\u015fturma\nweather_tool = Tool(\n name=\"get_weather_info\",\n func=get_weather_data_for_langchain,\n description=\"Belirtilen \u015fehirdeki mevcut hava durumu bilgisini al\u0131r. \u015eehir ad\u0131n\u0131 (\u00f6rn. '\u0130stanbul') parametre olarak bekler.\"\n)\n\n# LLM'i ba\u015flatma\nllm = ChatOpenAI(model=\"gpt-3.5-turbo\", temperature=0) # OpenAI API anahtar\u0131n\u0131z\u0131n ayarl\u0131 oldu\u011fundan emin olun\n\n# Ara\u00e7lar listesi\ntools = [weather_tool]\n\n# ReAct prompt'unu hub'dan \u00e7ekiyoruz\n# Bu prompt, LLM'in d\u00fc\u015f\u00fcnce ve eylem ad\u0131mlar\u0131n\u0131 y\u00f6nlendirir.\nprompt = hub.pull(\"hwchase17\/react\")\n\n# Ajan\u0131 olu\u015fturma\n# create_react_agent fonksiyonu, LLM'in ara\u00e7lar\u0131 nas\u0131l kullanaca\u011f\u0131n\u0131 \u00f6\u011frenmesi i\u00e7in bir ReAct tarz\u0131 agent olu\u015fturur.\nagent = create_react_agent(llm, tools, prompt)\n\n# Ajan y\u00fcr\u00fct\u00fcc\u00fcs\u00fcn\u00fc olu\u015fturma\n# AgentExecutor, ajan\u0131n ara\u00e7lar\u0131 kullanarak ad\u0131mlar\u0131 nas\u0131l uygulayaca\u011f\u0131n\u0131 y\u00f6netir.\nagent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)\n\n# Ajan\u0131 test etme\nprint(\"Ajan sorgulan\u0131yor: '\u0130stanbul'da hava nas\u0131l?'\")\nresponse_istanbul = agent_executor.invoke({\"input\": \"\u0130stanbul'da hava nas\u0131l?\"})\nprint(f\"Yan\u0131t: {response_istanbul['output']}\\n\")\n\nprint(\"Ajan sorgulan\u0131yor: 'Ankara'da hava durumu nedir?'\")\nresponse_ankara = agent_executor.invoke({\"input\": \"Ankara'da hava durumu nedir?\"})\nprint(f\"Yan\u0131t: {response_ankara['output']}\\n\")\n\nprint(\"Ajan sorgulan\u0131yor: 'New York'ta hava nas\u0131l?'\")\nresponse_new_york = agent_executor.invoke({\"input\": \"New York'ta hava nas\u0131l?\"})\nprint(f\"Yan\u0131t: {response_new_york['output']}\\n\")\n <\/pre>\ncreate_react_agent<\/pre>\nChatOpenAI<\/pre>\nweather_tool<\/pre>\nverbose=True<\/pre>\nBellek Y\u00f6netimi ve Durum Takibi<\/h3>\n
ConversationBufferMemory<\/pre>\nConversationSummaryBufferMemory<\/pre>\nLlamaIndex ile Bilgi Tabanlar\u0131 Nas\u0131l Olu\u015fturulur ve RAG Uygulan\u0131r?<\/h2>\n
LlamaIndex ile Veri Y\u00fckleme ve \u0130ndeksleme<\/h3>\n
\nfrom llama_index.readers.file import SimpleDirectoryReader\nfrom llama_index.core import VectorStoreIndex, Settings\nfrom llama_index.embeddings.openai import OpenAIEmbedding\nfrom llama_index.llms.openai import OpenAI\nimport os\n\n# OpenAI API anahtar\u0131n\u0131z\u0131 ayarlay\u0131n\n# os.environ[\"OPENAI_API_KEY\"] = \"YOUR_API_KEY\"\n\n# Model ayarlar\u0131n\u0131 yap\u0131land\u0131rma\nSettings.llm = OpenAI(model=\"gpt-3.5-turbo\", temperature=0.1)\nSettings.embed_model = OpenAIEmbedding(model=\"text-embedding-ada-002\")\n\n# \u00d6rnek bir veri dizini olu\u015ftural\u0131m ve i\u00e7ine basit bir metin dosyas\u0131 koyal\u0131m\n# Bu k\u0131s\u0131m kod \u00e7al\u0131\u015ft\u0131rmadan \u00f6nce manuel olarak yap\u0131lmal\u0131 veya dinamik olarak olu\u015fturulmal\u0131\n# \u00d6rne\u011fin: data\/kurumsal_bilgi.txt dosyas\u0131 olu\u015fturun ve i\u00e7ine \"\u015eirketimiz 2005 y\u0131l\u0131nda kurulmu\u015ftur. Amac\u0131m\u0131z inovatif \u00e7\u00f6z\u00fcmler sunmakt\u0131r.\" yaz\u0131n.\n\n# Verileri y\u00fckleme\nprint(\"Veriler y\u00fckleniyor...\")\n# 'data' klas\u00f6r\u00fcndeki t\u00fcm dosyalar\u0131 okur\ndocuments = SimpleDirectoryReader(input_dir=\"data\").load_data()\nprint(f\"{len(documents)} adet dok\u00fcman y\u00fcklendi.\")\n\n# Vekt\u00f6r indeksi olu\u015fturma\nprint(\"Vekt\u00f6r indeksi olu\u015fturuluyor...\")\nindex = VectorStoreIndex.from_documents(documents)\nprint(\"\u0130ndeks ba\u015far\u0131yla olu\u015fturuldu.\")\n\n# \u0130ndeksi bir sorgulay\u0131c\u0131ya d\u00f6n\u00fc\u015ft\u00fcrme\nquery_engine = index.as_query_engine()\n\n# Sorgulama\nprint(\"\\nSorgulan\u0131yor: '\u015eirket ne zaman kuruldu?'\")\nresponse = query_engine.query(\"\u015eirket ne zaman kuruldu?\")\nprint(f\"Yan\u0131t: {response}\")\n\nprint(\"\\nSorgulan\u0131yor: '\u015eirketin amac\u0131 nedir?'\")\nresponse_purpose = query_engine.query(\"\u015eirketin amac\u0131 nedir?\")\nprint(f\"Yan\u0131t: {response_purpose}\")\n <\/pre>\nSimpleDirectoryReader<\/pre>\nVectorStoreIndex.from_documents()<\/pre>\nSettings.llm<\/pre>\nSettings.embed_model<\/pre>\nindex.as_query_engine()<\/pre>\nRetrieval Augmented Generation (RAG) Uygulamas\u0131<\/h3>\n
\n
Ger\u00e7ek D\u00fcnya Senaryosu: M\u00fc\u015fteri Hizmetleri Ajan\u0131 Nas\u0131l Geli\u015ftirilir? (Vaka Analizi)<\/h2>\n
Problemin Tan\u0131m\u0131<\/h3>\n
AgentQL, LangChain ve LlamaIndex ile \u00c7\u00f6z\u00fcm<\/h3>\n
\n
\n
get_order_status(order_id: str) -> dict<\/pre>\nupdate_order_address(order_id: str, new_address: str) -> bool<\/pre>\nget_product_details(product_id: str) -> dict<\/pre>\nget_product_stock(product_id: str) -> int<\/pre>\ninitiate_return(order_id: str, reason: str) -> dict<\/pre>\nupdate_order_address<\/pre>\norder_id=\"12345\"<\/pre>\nnew_address=\"\u0130stanbul\"<\/pre>\n\n
\n
QueryEngineTool<\/pre>\n\n
get_order_status<\/pre>\nSenaryo Ak\u0131\u015f\u0131 \u00d6rne\u011fi<\/h3>\n
\n
get_order_status(order_id=\"12345\")<\/pre>\nQueryEngineTool<\/pre>\nMobil Uyumlu \u00c7\u0131kt\u0131 Tasar\u0131m\u0131<\/h3>\n
\n\/* Genel stiller *\/\nbody {\n font-family: Arial, sans-serif;\n line-height: 1.6;\n margin: 0;\n padding: 20px;\n background-color: #f4f4f4;\n color: #333;\n}\n\n.chat-container {\n max-width: 800px;\n margin: 20px auto;\n background-color: #fff;\n border-radius: 8px;\n box-shadow: 0 0 10px rgba(0,0,0,0.1);\n padding: 20px;\n}\n\n.agent-message, .user-message {\n margin-bottom: 15px;\n padding: 10px 15px;\n border-radius: 5px;\n}\n\n.agent-message {\n background-color: #e0f7fa;\n text-align: left;\n border-left: 3px solid #00bcd4;\n}\n\n.user-message {\n background-color: #e8f5e9;\n text-align: right;\n border-right: 3px solid #4caf50;\n}\n\n\/* Mobil cihazlar i\u00e7in \u00f6zel stiller *\/\n@media screen and (max-width: 768px) {\n .chat-container {\n margin: 10px;\n padding: 15px;\n border-radius: 0; \/* K\u00f6\u015feleri yuvarlama mobil cihazlarda gereksiz olabilir *\/\n }\n\n .agent-message, .user-message {\n padding: 8px 12px;\n font-size: 0.9em;\n }\n\n body {\n padding: 10px;\n }\n}\n <\/pre>\n@media screen and (max-width: 768px)<\/pre>\n\u0130leri D\u00fczey Optimizasyonlar ve En \u0130yi Uygulamalar Nelerdir?<\/h2>\n
Performans ve Maliyet Optimizasyonu<\/h3>\n
\n
gpt-3.5-turbo<\/pre>\ngpt-4<\/pre>\nG\u00fcvenlik ve Veri Gizlili\u011fi<\/h3>\n
\n
G\u00f6zlemlenebilirlik ve Hata Ay\u0131klama<\/h3>\n
verbose=True<\/pre>\n\n
Geli\u015fmi\u015f AgentQL ve LangChain Entegrasyonlar\u0131<\/h3>\n
\n
Sonu\u00e7: Gelece\u011fin Ajanlar\u0131 \u0130\u00e7in Bir Yol Haritas\u0131<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n
AgentQL nedir ve neden kullan\u0131l\u0131r?<\/h4>\n
LangChain ile LlamaIndex aras\u0131ndaki temel fark nedir?<\/h4>\n
RAG (Retrieval Augmented Generation) nedir ve neden \u00f6nemlidir?<\/h4>\n
Ajan geli\u015ftirirken g\u00fcvenlik konular\u0131 neden \u00f6nemlidir?<\/h4>\n
Mobil uyumlu HTML \u00e7\u0131kt\u0131s\u0131 neden makalede vurguland\u0131?<\/h4>\n