{"id":32750,"date":"2025-10-25T14:32:10","date_gmt":"2025-10-25T11:32:10","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/aws-lambda-crewai-ile-milyonlara-olceklenen-ai-ajan-takimlari\/"},"modified":"2025-10-25T14:32:10","modified_gmt":"2025-10-25T11:32:10","slug":"aws-lambda-crewai-ile-milyonlara-olceklenen-ai-ajan-takimlari","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/aws-lambda-crewai-ile-milyonlara-olceklenen-ai-ajan-takimlari\/","title":{"rendered":"AWS Lambda & CrewAI ile Milyonlara \u00d6l\u00e7eklenen AI Ajan Tak\u0131mlar\u0131"},"content":{"rendered":"<\/p>\n
Yapay zeka (YZ) destekli ajan tak\u0131mlar\u0131, otomasyonun gelece\u011fini \u015fekillendiriyor. Ancak bu g\u00fc\u00e7l\u00fc sistemleri milyonlarca kullan\u0131c\u0131ya hizmet verecek \u015fekilde \u00f6l\u00e7eklendirmek ciddi bir m\u00fchendislik meydan okumas\u0131. Bu makalede, AWS Lambda’n\u0131n sunucusuz g\u00fcc\u00fcn\u00fc CrewAI’nin ak\u0131ll\u0131 ajan orkestrasyon yetenekleriyle birle\u015ftirerek, bu zorlu\u011fun \u00fcstesinden nas\u0131l gelebilece\u011finizi ad\u0131m ad\u0131m ke\u015ffedece\u011fiz. Gelece\u011fin \u00f6l\u00e7eklenebilir YZ \u00e7\u00f6z\u00fcmlerine haz\u0131r olun!<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla de\u011fi\u015fen dijital d\u00fcnyas\u0131nda, i\u015fletmelerin ve bireylerin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 karma\u015f\u0131k sorunlar, tek bir yapay zeka modelinin veya arac\u0131n\u0131n kapasitesini a\u015fabiliyor. \u0130\u015fte tam bu noktada, yapay zeka ajan tak\u0131mlar\u0131 devreye giriyor. Peki, bu ajan tak\u0131mlar\u0131 tam olarak nedir ve neden bu kadar b\u00fcy\u00fck bir \u00f6nem ta\u015f\u0131yorlar? Basit\u00e7e ifade etmek gerekirse, YZ ajan tak\u0131mlar\u0131, belirli rollere ve uzmanl\u0131klara sahip, birbirleriyle i\u015f birli\u011fi i\u00e7inde \u00e7al\u0131\u015fan otonom yaz\u0131l\u0131m varl\u0131klar\u0131d\u0131r. T\u0131pk\u0131 bir insan ekibi gibi, her ajan kendi uzmanl\u0131k alan\u0131na odaklanarak, daha b\u00fcy\u00fck bir hedefe ula\u015fmak i\u00e7in bilgi ve g\u00f6revleri payla\u015f\u0131yor.<\/p>\n
Geleneksel YZ uygulamalar\u0131nda, bir model belirli bir g\u00f6revi (\u00f6rne\u011fin, metin s\u0131n\u0131fland\u0131rma veya g\u00f6r\u00fcnt\u00fc tan\u0131ma) ba\u015far\u0131yla yerine getirirken, u\u00e7tan uca karma\u015f\u0131k bir i\u015f ak\u0131\u015f\u0131n\u0131 y\u00f6netmekte zorlanabilir. \u00d6rne\u011fin, bir m\u00fc\u015fteri hizmetleri senaryosunda, sadece bir e-postay\u0131 yan\u0131tlamak yeterli de\u011fildir. E-postay\u0131 anlamak, m\u00fc\u015fterinin ge\u00e7mi\u015fini kontrol etmek, ilgili departmanla ileti\u015fime ge\u00e7mek ve \u00e7\u00f6z\u00fcm sunmak gibi ad\u0131mlar gereklidir. Bir YZ ajan tak\u0131m\u0131, bu ad\u0131mlar\u0131n her birini farkl\u0131 uzman ajanlara atayarak s\u00fcreci \u00e7ok daha verimli ve kapsaml\u0131 hale getirebilir.<\/p>\n
CrewAI gibi modern ara\u00e7lar, bu t\u00fcr ajan tak\u0131mlar\u0131n\u0131 tasarlamay\u0131 ve y\u00f6netmeyi inan\u0131lmaz derecede kolayla\u015ft\u0131r\u0131yor. CrewAI, ajanlara roller ataman\u0131za, onlara belirli ara\u00e7lar (API’lar, veritabanlar\u0131 vb.) sa\u011flaman\u0131za ve belirli bir g\u00f6revi tamamlamak i\u00e7in izlemeleri gereken ad\u0131mlar\u0131 tan\u0131mlaman\u0131za olanak tan\u0131r. Bu sayede, ajanlar birbirlerinin \u00e7\u0131kt\u0131lar\u0131n\u0131 kullanarak, t\u0131pk\u0131 bir proje y\u00f6neticisi, bir ara\u015ft\u0131rmac\u0131 ve bir i\u00e7erik yazar\u0131 gibi koordineli bir \u015fekilde \u00e7al\u0131\u015fabilirler. Bu i\u015f birli\u011fi yetene\u011fi, YZ sistemlerinin hem daha g\u00fc\u00e7l\u00fc hem de daha esnek olmas\u0131n\u0131 sa\u011flar, b\u00f6ylece daha \u00f6nce otomasyonu zor olan bir\u00e7ok alan\u0131 d\u00f6n\u00fc\u015ft\u00fcrebilir.<\/p>\n
Dahas\u0131, ajan tak\u0131mlar\u0131, hata tolerans\u0131 ve dayan\u0131kl\u0131l\u0131k a\u00e7\u0131s\u0131ndan da avantajlar sunar. Bir ajan\u0131n ba\u015far\u0131s\u0131z olmas\u0131 durumunda, di\u011fer ajanlar genellikle g\u00f6revi devralabilir veya alternatif stratejiler geli\u015ftirebilir. Bu, monolitik YZ sistemlerine k\u0131yasla daha sa\u011flam ve g\u00fcvenilir \u00e7\u00f6z\u00fcmler olu\u015fturmam\u0131z\u0131 sa\u011flar. Kurumsal d\u00fcnyada, bu t\u00fcr bir otomasyon, m\u00fc\u015fteri deneyimini iyile\u015ftirmekten, operasyonel verimlili\u011fi art\u0131rmaya, hatta yeni \u00fcr\u00fcn ve hizmetler geli\u015ftirmeye kadar geni\u015f bir yelpazede stratejik avantajlar sunar. \u00d6l\u00e7eklenebilirlik, esneklik ve zeka seviyesindeki bu art\u0131\u015f, yapay zeka ajan tak\u0131mlar\u0131n\u0131, gelece\u011fin dijital omurgas\u0131 haline getiriyor.<\/p>\n
CrewAI’nin G\u00fcc\u00fc: Roller, G\u00f6revler ve \u0130\u015f Ak\u0131\u015flar\u0131<\/h3>\n
CrewAI, ajan tabanl\u0131 sistemler geli\u015ftirmek i\u00e7in tasarlanm\u0131\u015f g\u00fc\u00e7l\u00fc bir \u00e7er\u00e7evedir. Bu \u00e7er\u00e7evenin merkezinde, ajanlara atanan roller, tamamlamalar\u0131 gereken g\u00f6revler ve bu g\u00f6revlerin nas\u0131l bir i\u015f ak\u0131\u015f\u0131nda birle\u015fece\u011fi yatar. Her bir ajan, bir insan \u00e7al\u0131\u015fan\u0131 gibi belirli bir role sahiptir ve bu role uygun yetenekler (ara\u00e7lar) ve uzmanl\u0131k alanlar\u0131 ile donat\u0131lm\u0131\u015ft\u0131r. \u00d6rne\u011fin, bir “Ara\u015ft\u0131rmac\u0131 Ajan” internette bilgi aramak i\u00e7in yetkin olabilirken, bir “Yaz\u0131c\u0131 Ajan” bu bilgiyi kullanarak makaleler olu\u015fturabilir.<\/p>\n
Roller, ajanlar\u0131n davran\u0131\u015flar\u0131n\u0131 ve yeteneklerini s\u0131n\u0131rlar ve tan\u0131mlar. Bu sayede, ajanlar gereksiz bilgilere odaklanmak yerine, kendi uzmanl\u0131k alanlar\u0131na uygun kararlar verebilirler. G\u00f6revler ise, ajanlar\u0131n belirli bir hedefe ula\u015fmak i\u00e7in ger\u00e7ekle\u015ftirmesi gereken somut ad\u0131mlard\u0131r. Her g\u00f6rev, belirli bir girdiye sahip olabilir ve belirli bir \u00e7\u0131kt\u0131 \u00fcretmeyi hedefler. CrewAI, bu g\u00f6revleri zincirleyerek veya paralel \u00e7al\u0131\u015ft\u0131rarak karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131 olu\u015fturman\u0131za olanak tan\u0131r. \u00d6rne\u011fin, bir web sitesi i\u00e7in pazarlama i\u00e7eri\u011fi olu\u015fturma g\u00f6revinde, ilk olarak bir “Pazar Ara\u015ft\u0131rmac\u0131s\u0131 Ajan” hedef kitle analizi yapar, ard\u0131ndan “\u0130\u00e7erik Stratejisti Ajan” bu analizden yola \u00e7\u0131karak anahtar kelimeler ve konu ba\u015fl\u0131klar\u0131 belirler, son olarak da “Metin Yazar\u0131 Ajan” t\u00fcm bu bilgileri birle\u015ftirerek nihai i\u00e7eri\u011fi olu\u015fturur.<\/p>\n
Bu mod\u00fcler ve rol tabanl\u0131 yakla\u015f\u0131m, CrewAI’yi son derece esnek k\u0131lar. Yeni bir g\u00f6rev eklendi\u011finde veya bir ajan\u0131n uzmanl\u0131\u011f\u0131 geni\u015fletilmesi gerekti\u011finde, mevcut yap\u0131y\u0131 ba\u015ftan a\u015fa\u011f\u0131 de\u011fi\u015ftirmeye gerek kalmaz. Sadece ilgili ajan\u0131n rol\u00fcn\u00fc veya yeteneklerini g\u00fcncelleyerek ya da yeni bir ajan ekleyerek sistemi adapte edebilirsiniz. Bu, s\u00fcrekli geli\u015fen YZ uygulamalar\u0131 i\u00e7in hayati bir \u00f6zelliktir. Ayr\u0131ca, CrewAI’nin i\u015f ak\u0131\u015f\u0131 y\u00f6netimi, ajanlar\u0131n birbirleriyle nas\u0131l etkile\u015fim kuraca\u011f\u0131n\u0131 ve i\u015fi nas\u0131l ileri ta\u015f\u0131yaca\u011f\u0131n\u0131 a\u00e7\u0131k\u00e7a belirtir, bu da s\u00fcre\u00e7lerin \u015feffaf ve y\u00f6netilebilir olmas\u0131n\u0131 sa\u011flar. Bu sayede, kompleks problemleri k\u00fc\u00e7\u00fck, y\u00f6netilebilir par\u00e7alara ay\u0131rarak \u00e7\u00f6zmek m\u00fcmk\u00fcn hale gelir, bu da geli\u015ftirme s\u00fcrecini h\u0131zland\u0131r\u0131r ve hatalar\u0131 azalt\u0131r.<\/p>\n
Tekil bir YZ ajan\u0131 belirli bir g\u00f6revi ba\u015far\u0131yla tamamlayabilirken, ger\u00e7ek d\u00fcnya problemlerinin \u00e7o\u011fu, tek bir uzmanl\u0131k alan\u0131n\u0131n \u00f6tesinde i\u015f birli\u011fi ve \u00e7oklu perspektif gerektirir. Tekil ajanlardan tak\u0131m dinamiklerine ge\u00e7i\u015f, bu karma\u015f\u0131kl\u0131\u011f\u0131 y\u00f6netmek ve daha g\u00fc\u00e7l\u00fc, adaptif YZ \u00e7\u00f6z\u00fcmleri olu\u015fturmak i\u00e7in kritik bir ad\u0131md\u0131r. Bu ge\u00e7i\u015fin temelinde, her bir ajan\u0131n sadece kendi g\u00f6revini yapmakla kalmay\u0131p, di\u011fer ajanlar\u0131n \u00e7\u0131kt\u0131lar\u0131n\u0131 anlamas\u0131, onlarla ileti\u015fim kurmas\u0131 ve kendi \u00e7\u0131kt\u0131s\u0131n\u0131 da tak\u0131m\u0131n genel hedefine katk\u0131da bulunacak \u015fekilde \u015fekillendirmesi yatar.<\/p>\n
Bu ge\u00e7i\u015fin ilk ad\u0131m\u0131, problem alan\u0131n\u0131 daha k\u00fc\u00e7\u00fck, \u00f6zelle\u015ftirilmi\u015f alt g\u00f6revlere ay\u0131rmakt\u0131r. Her alt g\u00f6rev, belirli bir ajan\u0131n uzmanl\u0131k alan\u0131na atanabilir. \u00d6rne\u011fin, bir blog yaz\u0131s\u0131 olu\u015fturma s\u00fcrecinde, ‘konu ara\u015ft\u0131rmas\u0131’, ‘ana hat olu\u015fturma’, ‘i\u00e7erik yazma’, ‘g\u00f6rsel se\u00e7imi’ ve ‘SEO optimizasyonu’ gibi farkl\u0131 g\u00f6revler tan\u0131mlanabilir. Her bir g\u00f6rev i\u00e7in uygun bir uzman ajan (Ara\u015ft\u0131rmac\u0131, Planlay\u0131c\u0131, Yaz\u0131c\u0131, Tasar\u0131mc\u0131, SEO Uzman\u0131) atan\u0131r. Ard\u0131ndan, CrewAI gibi bir \u00e7er\u00e7eve kullanarak, bu ajanlar\u0131n birbirleriyle nas\u0131l etkile\u015fime ge\u00e7ece\u011fini ve i\u015f ak\u0131\u015f\u0131n\u0131n nas\u0131l ilerleyece\u011fini belirlemelisiniz.<\/p>\n
Tak\u0131m dinamikleri olu\u015fturman\u0131n anahtar\u0131, ajanlar aras\u0131nda a\u00e7\u0131k ve yap\u0131land\u0131r\u0131lm\u0131\u015f ileti\u015fim kanallar\u0131 kurmakt\u0131r. CrewAI’de bu, genellikle bir ajan\u0131n g\u00f6revi tamamlad\u0131\u011f\u0131nda, \u00e7\u0131kt\u0131s\u0131n\u0131 bir sonraki ajan\u0131n girdisi olarak sunmas\u0131yla ger\u00e7ekle\u015fir. Bu, ajanlar\u0131n birbirlerinin \u00e7al\u0131\u015fmalar\u0131n\u0131 \u00fczerine in\u015fa etmelerini ve bilgiyi zaman\u0131nda payla\u015fmalar\u0131n\u0131 sa\u011flar. \u00d6rne\u011fin, ara\u015ft\u0131rmac\u0131 ajan, toplad\u0131\u011f\u0131 verileri do\u011frudan planlay\u0131c\u0131 ajana iletir; planlay\u0131c\u0131 ajan da bu verileri kullanarak bir i\u00e7erik tasla\u011f\u0131 haz\u0131rlar ve yaz\u0131c\u0131 ajana sunar. Bu s\u0131ral\u0131 ve ba\u011f\u0131ml\u0131 i\u015f ak\u0131\u015flar\u0131, tak\u0131m\u0131n sorunsuz \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. Ayr\u0131ca, CrewAI, ajanlar\u0131n gerekti\u011finde geri bildirim al\u0131\u015fveri\u015finde bulunabilece\u011fi veya belirli bir noktada insan m\u00fcdahalesi talep edebilece\u011fi mekanizmalar da sunarak tak\u0131m\u0131n esnekli\u011fini art\u0131r\u0131r.<\/p>\n
Ger\u00e7ek d\u00fcnya senaryolar\u0131nda, bu ge\u00e7i\u015fin faydalar\u0131 olduk\u00e7a belirgindir. \u00d6rne\u011fin, bir finansal analiz firmas\u0131, piyasa verilerini toplamak, trendleri analiz etmek, risk de\u011ferlendirmesi yapmak ve nihayetinde yat\u0131r\u0131m tavsiyeleri sunmak i\u00e7in bir ajan tak\u0131m\u0131 kullanabilir. Her bir ajan, kendi uzmanl\u0131k alan\u0131nda derinlemesine bilgiye sahip olurken, tak\u0131m\u0131n genel koordinasyonu sayesinde \u00e7ok daha kapsaml\u0131 ve do\u011fru sonu\u00e7lar elde edilir. B\u00f6ylece, tekil, izole ajanlar\u0131n s\u0131n\u0131rl\u0131l\u0131klar\u0131ndan s\u0131yr\u0131larak, birbirini tamamlayan uzmanl\u0131k alanlar\u0131na sahip, kolektif zeka ile hareket eden g\u00fc\u00e7l\u00fc bir YZ ekibi olu\u015fturmu\u015f olursunuz. Bu, YZ’nin karma\u015f\u0131k problem \u00e7\u00f6zme kapasitesini bir \u00fcst seviyeye ta\u015f\u0131yan stratejik bir yakla\u015f\u0131md\u0131r.<\/p>\n
AWS Lambda: Sunucusuz Mimarinin G\u00fcc\u00fc ve \u00d6l\u00e7eklenebilirli\u011fi Nas\u0131l Sa\u011flar?<\/h2>\n
Yapay zeka ajan tak\u0131mlar\u0131n\u0131 milyonlarca kullan\u0131c\u0131ya ula\u015ft\u0131rabilmek i\u00e7in temel ihtiya\u00e7lardan biri de s\u0131n\u0131rs\u0131z \u00f6l\u00e7eklenebilirlik ve d\u00fc\u015f\u00fck operasyonel maliyettir. \u0130\u015fte tam bu noktada, AWS Lambda gibi sunucusuz bili\u015fim servisleri devreye giriyor ve oyunun kurallar\u0131n\u0131 yeniden yaz\u0131yor. Lambda, kodunuzu sunucu provizyonu veya y\u00f6netimi endi\u015fesi olmadan \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131yan bir olay odakl\u0131 (event-driven) bili\u015fim hizmetidir. Bu ne anlama geliyor? Geleneksel yakla\u015f\u0131mlarda, bir uygulaman\u0131n \u00e7al\u0131\u015fmas\u0131 i\u00e7in s\u00fcrekli \u00e7al\u0131\u015fan sunucular kiralaman\u0131z, bu sunucular\u0131n bak\u0131m\u0131yla ilgilenmeniz ve trafik artt\u0131\u011f\u0131nda manuel olarak \u00f6l\u00e7eklendirmeniz gerekirdi. Lambda ile ise t\u00fcm bu a\u011f\u0131r y\u00fck AWS taraf\u0131ndan \u00fcstlenilir.<\/p>\n
Lambda’n\u0131n temel g\u00fcc\u00fc, “fonksiyon” tabanl\u0131 yakla\u015f\u0131m\u0131ndan gelir. Kodunuzu k\u00fc\u00e7\u00fck, ba\u011f\u0131ms\u0131z fonksiyonlara b\u00f6lersiniz ve bu fonksiyonlar yaln\u0131zca belirli bir olay (\u00f6rne\u011fin, bir API \u00e7a\u011fr\u0131s\u0131, bir dosyan\u0131n y\u00fcklenmesi, bir zamanlay\u0131c\u0131 tetiklemesi) ger\u00e7ekle\u015fti\u011finde \u00e7al\u0131\u015f\u0131r. Bu \u00e7al\u0131\u015fma modeli, YZ ajan tak\u0131mlar\u0131 i\u00e7in idealdir \u00e7\u00fcnk\u00fc ajanlar\u0131n g\u00f6revleri genellikle anl\u0131k ve tetikleyici bazl\u0131d\u0131r. Bir ajan bir g\u00f6revi tamamlad\u0131\u011f\u0131nda, ba\u015fka bir ajan\u0131n g\u00f6revi otomatik olarak tetiklenebilir. Lambda, bu tetikleyicilere yan\u0131t olarak saniyeler i\u00e7inde binlerce paralel fonksiyon \u00f6rne\u011fi ba\u015flatabilir, bu da ajan tak\u0131mlar\u0131n\u0131z\u0131n ayn\u0131 anda milyonlarca iste\u011fi i\u015fleyebilece\u011fi anlam\u0131na gelir.<\/p>\n
\u00d6l\u00e7eklenebilirlik, Lambda’n\u0131n do\u011fal bir \u00f6zelli\u011fidir. Otomatik olarak talebe g\u00f6re \u00f6l\u00e7eklenir ve siz sadece kodunuzun \u00e7al\u0131\u015ft\u0131\u011f\u0131 s\u00fcre ve kullan\u0131lan bellek miktar\u0131 kadar \u00f6deme yapars\u0131n\u0131z. Bu, operasyonel maliyetleri \u00f6nemli \u00f6l\u00e7\u00fcde d\u00fc\u015f\u00fcr\u00fcr, \u00e7\u00fcnk\u00fc bo\u015fta duran sunucular i\u00e7in para \u00f6demek zorunda kalmazs\u0131n\u0131z. Ayr\u0131ca, sunucu y\u00f6netimiyle u\u011fra\u015fmak yerine, geli\u015ftiriciler YZ ajanlar\u0131n\u0131n mant\u0131\u011f\u0131na ve i\u015f ak\u0131\u015flar\u0131na odaklanabilirler. Bu da inovasyonu h\u0131zland\u0131r\u0131r ve YZ projelerinin pazara \u00e7\u0131k\u0131\u015f s\u00fcresini k\u0131salt\u0131r. G\u00fcvenlik, hata tolerans\u0131 ve entegrasyon yetenekleri a\u00e7\u0131s\u0131ndan da Lambda, AWS ekosistemindeki di\u011fer servislerle (API Gateway, SQS, DynamoDB, CloudWatch) sorunsuz bir \u015fekilde \u00e7al\u0131\u015ft\u0131\u011f\u0131 i\u00e7in, ajan tak\u0131mlar\u0131n\u0131z\u0131 g\u00fc\u00e7lendirmek i\u00e7in eksiksiz bir platform sunar. Bu kombinasyon, YZ ajanlar\u0131n\u0131z\u0131 ger\u00e7ekten k\u00fcresel \u00f6l\u00e7ekte ve uygun maliyetle \u00e7al\u0131\u015ft\u0131rman\u0131n anahtar\u0131d\u0131r.<\/p>\n
Sunucusuz Bili\u015fim Neden Yapay Zeka Ajanlar\u0131 \u0130\u00e7in \u0130dealdir?<\/h3>\n
Sunucusuz bili\u015fim, yapay zeka ajanlar\u0131 gibi olay odakl\u0131 ve de\u011fi\u015fken i\u015f y\u00fcklerine sahip uygulamalar i\u00e7in bir dizi avantaj sunar. Geleneksel sunucu mimarilerinde, bir YZ modelini \u00e7al\u0131\u015ft\u0131rmak veya bir ajan g\u00f6revini yerine getirmek i\u00e7in s\u00fcrekli \u00e7al\u0131\u015fan sunuculara ihtiya\u00e7 duyulur. Bu sunucular, ajanlar aktif olarak bir g\u00f6rev \u00fczerinde \u00e7al\u0131\u015fmad\u0131\u011f\u0131nda bile maliyet olu\u015fturur ve talep artt\u0131\u011f\u0131nda manuel veya otomatik \u00f6l\u00e7eklendirme gereksinimiyle ek y\u00f6netim y\u00fck\u00fc getirir. Oysa sunucusuz mimari, bu paradigmalar\u0131 tamamen de\u011fi\u015ftirir.<\/p>\n
\u0130lk olarak, sunucusuz mimarinin “talep \u00fczerine \u00f6deme” modeli, YZ ajanlar\u0131 i\u00e7in maliyet etkinli\u011fini maksimize eder. Ajanlar, genellikle belirli bir olay (\u00f6rne\u011fin, bir e-posta geldi\u011finde, bir \u00fcr\u00fcn sto\u011fu de\u011fi\u015fti\u011finde) tetiklendi\u011finde k\u0131sa s\u00fcreli g\u00f6revler y\u00fcr\u00fct\u00fcr. Bu g\u00f6revler tamamland\u0131\u011f\u0131nda, ajanlar\u0131n \u00e7al\u0131\u015ft\u0131\u011f\u0131 ortamlar otomatik olarak devre d\u0131\u015f\u0131 kal\u0131r ve kaynaklar serbest b\u0131rak\u0131l\u0131r. Bu sayede, yaln\u0131zca kodunuzun \u00e7al\u0131\u015ft\u0131\u011f\u0131 tam s\u00fcre ve t\u00fcketilen kaynaklar i\u00e7in \u00f6deme yapars\u0131n\u0131z. Bo\u015fta duran sunucular i\u00e7in para \u00f6deme derdi ortadan kalkar, bu da \u00f6zellikle binlerce ajan\u0131n ara s\u0131ra \u00e7al\u0131\u015ft\u0131\u011f\u0131 senaryolarda b\u00fcy\u00fck maliyet tasarrufu sa\u011flar.<\/p>\n
\u0130kincil olarak, sunucusuz platformlar do\u011fal olarak s\u0131n\u0131rs\u0131z \u00f6l\u00e7eklenebilirlik sunar. Bir YZ ajan\u0131 tak\u0131m\u0131, anl\u0131k olarak y\u00fcz binlerce, hatta milyonlarca e\u015fzamanl\u0131 iste\u011fi i\u015flemek zorunda kalabilir (\u00f6rne\u011fin, Black Friday indirimlerinde \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 \u00fcreten ajanlar). Sunucusuz servisler, bu talebi kar\u015f\u0131lamak i\u00e7in otomatik olarak binlerce fonksiyon \u00f6rne\u011fi ba\u015flatabilir. Geli\u015ftiricilerin bu \u00f6l\u00e7eklendirme mant\u0131\u011f\u0131n\u0131 kendilerinin kodlamas\u0131na veya y\u00f6netmesine gerek kalmaz, bu da geli\u015ftirme s\u00fcresini k\u0131salt\u0131r ve operasyonel karma\u015f\u0131kl\u0131\u011f\u0131 azalt\u0131r. Ajanlar, talep ne olursa olsun her zaman h\u0131zl\u0131 ve verimli bir \u015fekilde yan\u0131t verebilir.<\/p>\n
\u00dc\u00e7\u00fcnc\u00fc olarak, YZ ajanlar\u0131 genellikle di\u011fer servislerle (veritabanlar\u0131, depolama, mesaj kuyruklar\u0131, harici API’ler) entegre olmak zorundad\u0131r. Sunucusuz platformlar, bu entegrasyonlar\u0131 kolayla\u015ft\u0131ran zengin bir ekosistem sunar. \u00d6rne\u011fin, bir Lambda fonksiyonu, SQS kuyru\u011fundan mesaj alabilir, DynamoDB’ye veri yazabilir veya bir API Gateway arac\u0131l\u0131\u011f\u0131yla d\u0131\u015f d\u00fcnyaya a\u00e7\u0131labilir. Bu s\u0131k\u0131 entegrasyon, YZ ajanlar\u0131n\u0131n karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 sorunsuz bir \u015fekilde y\u00fcr\u00fctmesini sa\u011flar ve geli\u015ftiricilerin YZ mant\u0131\u011f\u0131na odaklanmas\u0131na olanak tan\u0131r. Sonu\u00e7 olarak, sunucusuz bili\u015fim, YZ ajanlar\u0131n\u0131n esneklik, \u00f6l\u00e7eklenebilirlik ve maliyet etkinli\u011fi a\u00e7\u0131s\u0131ndan ideal bir altyap\u0131 olmas\u0131n\u0131 sa\u011flar, bu da onlar\u0131 gelece\u011fin otomasyon \u00e7\u00f6z\u00fcmleri i\u00e7in m\u00fckemmel bir se\u00e7im haline getirir.<\/p>\n
Lambda’n\u0131n Event-Driven Modeli ve Ajan Tetikleyicileri<\/h3>\n
AWS Lambda’n\u0131n temelinde, olay odakl\u0131 (event-driven) bir mimari bulunur. Bu model, bir fonksiyonun ancak belirli bir olay (event) ger\u00e7ekle\u015fti\u011finde tetiklenip \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. Yapay zeka ajan tak\u0131mlar\u0131 i\u00e7in bu model, son derece g\u00fc\u00e7l\u00fc ve verimli bir yap\u0131 sunar. Ajanlar\u0131n g\u00f6revleri genellikle reaktif niteliktedir; yani, belirli bir durum de\u011fi\u015fikli\u011fi veya d\u0131\u015far\u0131dan gelen bir sinyal \u00fczerine harekete ge\u00e7erler. Lambda’n\u0131n olay odakl\u0131 yap\u0131s\u0131, tam da bu t\u00fcr reaktif davran\u0131\u015flar\u0131 desteklemek \u00fczere tasarlanm\u0131\u015ft\u0131r.<\/p>\n
Bir YZ ajan\u0131 senaryosunda, ajan tetikleyicileri \u00e7e\u015fitli AWS servislerinden gelebilir. \u00d6rne\u011fin:<\/p>\n
\n
API Gateway:<\/strong> Bir web uygulamas\u0131ndan veya mobil uygulamadan gelen HTTP iste\u011fi, bir CrewAI ajan tak\u0131m\u0131n\u0131 tetikleyebilir. \u00d6rne\u011fin, bir kullan\u0131c\u0131 bir form g\u00f6nderdi\u011finde veya bir sohbet botuna mesaj yazd\u0131\u011f\u0131nda, bu bir YZ ajan\u0131n\u0131n \u00e7al\u0131\u015fmas\u0131n\u0131 ba\u015flatabilir.<\/li>\n
Amazon SQS (Simple Queue Service):<\/strong> Bir mesaj kuyru\u011funa yeni bir mesaj eklendi\u011finde ajan tak\u0131m\u0131 tetiklenebilir. Bu, \u00f6zellikle asenkron i\u015flem gerektiren ve y\u00fcksek hacimli i\u015f y\u00fckleri i\u00e7in idealdir. \u00d6rne\u011fin, \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131 \u00fcretmesi gereken bir ajan tak\u0131m\u0131 i\u00e7in, yeni \u00fcr\u00fcn bilgileri SQS kuyru\u011funa eklenebilir.<\/li>\n
Amazon S3 (Simple Storage Service):<\/strong> Yeni bir dosya (\u00f6rne\u011fin, bir PDF dok\u00fcman\u0131, bir g\u00f6rsel) bir S3 bucket’\u0131na y\u00fcklendi\u011finde, ajan tak\u0131m\u0131 tetiklenebilir. Bu, i\u00e7erik analizi veya belge i\u015fleme g\u00f6revleri i\u00e7in kullan\u0131\u015fl\u0131d\u0131r.<\/li>\n
Amazon DynamoDB Streams:<\/strong> Bir DynamoDB tablosundaki verilerde bir de\u011fi\u015fiklik (ekleme, g\u00fcncelleme, silme) oldu\u011funda ajanlar tetiklenebilir. Bu, ajanlar\u0131n veritaban\u0131ndaki de\u011fi\u015fikliklere an\u0131nda yan\u0131t vermesini sa\u011flar.<\/li>\n
CloudWatch Events\/EventBridge:<\/strong> Belirli bir zaman \u00e7izelgesine g\u00f6re (cron job gibi) veya AWS ekosistemindeki di\u011fer servislerden gelen \u00f6zel olaylara g\u00f6re ajanlar tetiklenebilir. \u00d6rne\u011fin, her g\u00fcn belirli bir saatte piyasa analizi yapan bir ajan tak\u0131m\u0131.<\/li>\n<\/ul>\n
Bu olay odakl\u0131 tetikleyiciler sayesinde, YZ ajan tak\u0131mlar\u0131n\u0131z yaln\u0131zca ihtiya\u00e7 duyuldu\u011funda \u00e7al\u0131\u015f\u0131r, bu da maliyetleri d\u00fc\u015f\u00fcr\u00fcr ve kaynak kullan\u0131m\u0131n\u0131 optimize eder. Ajanlar aras\u0131nda ba\u011f\u0131ml\u0131l\u0131k oldu\u011funda, bir ajan\u0131n \u00e7\u0131kt\u0131s\u0131, ba\u015fka bir ajan\u0131 tetikleyen bir olay\u0131 (\u00f6rne\u011fin, bir SQS mesaj\u0131 g\u00f6nderme) tetikleyebilir. Bu, karma\u015f\u0131k ve \u00e7ok a\u015famal\u0131 i\u015f ak\u0131\u015flar\u0131n\u0131n sunucusuz bir ortamda esnek ve \u00f6l\u00e7eklenebilir bir \u015fekilde y\u00fcr\u00fct\u00fclmesini sa\u011flar. Geli\u015ftiriciler, bu entegrasyonlar\u0131 AWS konsolu veya AWS CLI\/SDK arac\u0131l\u0131\u011f\u0131yla kolayca yap\u0131land\u0131rabilir ve ajan tak\u0131mlar\u0131n\u0131n s\u00fcrekli denetimini CloudWatch g\u00fcnl\u00fckleri \u00fczerinden sa\u011flayabilir. B\u00f6ylece, ajanlar\u0131n\u0131z\u0131n milyonlarca olaya yan\u0131t vermesi, AWS Lambda’n\u0131n sa\u011flad\u0131\u011f\u0131 bu sa\u011flam ve esnek olay odakl\u0131 mimariyle sorunsuz bir \u015fekilde ger\u00e7ekle\u015febilir.<\/p>\n
Bir Lambda Fonksiyonu Nas\u0131l Olu\u015fturulur ve Yap\u0131land\u0131r\u0131l\u0131r?<\/h3>\n
Bir CrewAI ajan tak\u0131m\u0131n\u0131 AWS Lambda \u00fczerinde \u00e7al\u0131\u015ft\u0131rman\u0131n ilk ad\u0131m\u0131, temel bir Lambda fonksiyonu olu\u015fturmakt\u0131r. Bu s\u00fcre\u00e7, genellikle AWS Y\u00f6netim Konsolu, AWS CLI veya AWS CloudFormation\/Terraform gibi altyap\u0131 kodu ara\u00e7lar\u0131 arac\u0131l\u0131\u011f\u0131yla ger\u00e7ekle\u015ftirilir. Basitlik a\u00e7\u0131s\u0131ndan, konsol \u00fczerinden ad\u0131m ad\u0131m bir kurulumu ele alal\u0131m.<\/p>\n
\u00d6ncelikle, AWS Y\u00f6netim Konsolu’nda “Lambda” servisine gidin ve “Create function” (Fonksiyon Olu\u015ftur) butonuna t\u0131klay\u0131n. Kar\u015f\u0131n\u0131za gelecek ekranda baz\u0131 temel ayarlar\u0131 yapman\u0131z gerekir:<\/p>\n
\n
Function name (Fonksiyon Ad\u0131):<\/strong> Fonksiyonunuza a\u00e7\u0131klay\u0131c\u0131 bir isim verin, \u00f6rne\u011fin “CrewAIAgentHandler”.<\/li>\n
Runtime (\u00c7al\u0131\u015fma Ortam\u0131):<\/strong> CrewAI Python ile yaz\u0131ld\u0131\u011f\u0131 i\u00e7in, “Python 3.9” veya daha yeni bir s\u00fcr\u00fcm\u00fcn\u00fc se\u00e7in.<\/li>\n
Architecture (Mimari):<\/strong> Genellikle “x86_64” yeterlidir, ancak belirli durumlarda “arm64” (Graviton i\u015flemciler) daha iyi maliyet\/performans sunabilir.<\/li>\n
Permissions (\u0130zinler):<\/strong> Lambda fonksiyonunuzun di\u011fer AWS servisleriyle (\u00f6rne\u011fin, SQS’ye mesaj g\u00f6nderme, DynamoDB’den okuma\/yazma) etkile\u015fim kurabilmesi i\u00e7in bir IAM (Identity and Access Management) rol\u00fc olu\u015fturman\u0131z veya mevcut bir rol\u00fc se\u00e7meniz gerekir. Bu rol, fonksiyonunuzun minimum ayr\u0131cal\u0131k ilkesine uygun olarak yaln\u0131zca ihtiya\u00e7 duydu\u011fu izinlere sahip olmal\u0131d\u0131r.<\/li>\n<\/ol>\n
Bu temel ayarlar\u0131 tamamlad\u0131ktan sonra, fonksiyonunuz olu\u015fturulacakt\u0131r. \u015eimdi s\u0131ra kod k\u0131sm\u0131na geliyor. Lambda fonksiyonunuzun kodunu direkt olarak konsol \u00fczerinden yazabilir veya yerel makinenizde geli\u015ftirip zip dosyas\u0131 olarak y\u00fckleyebilirsiniz. Bir CrewAI ajan tak\u0131m\u0131n\u0131 \u00e7al\u0131\u015ft\u0131rmak i\u00e7in gerekli olan lambda_function.py<\/code> dosyas\u0131n\u0131n temel yap\u0131s\u0131 a\u015fa\u011f\u0131daki gibi olacakt\u0131r:<\/p>\n
\nimport json\nfrom crewai import Agent, Task, Crew, Process\nfrom langchain_community.llms import OpenAI, Ollama # \u00d6rnek bir LLM entegrasyonu\n\n# Bu fonksiyon CrewAI ajanlar\u0131n\u0131z\u0131n \u00e7al\u0131\u015faca\u011f\u0131 ana Lambda handler'\u0131d\u0131r.\ndef lambda_handler(event, context):\n try:\n # Gelen 'event' objesinden gerekli parametreleri al\u0131n\n # \u00d6rne\u011fin, bir API Gateway iste\u011finden gelen body\n request_body = json.loads(event['body'])\n topic = request_body.get('topic', 'Yapay Zeka')\n \n # LLM modelini yap\u0131land\u0131r\u0131n\n # OpenAI API anahtar\u0131n\u0131z ortam de\u011fi\u015fkeni olarak ayarlanm\u0131\u015f olmal\u0131\n # veya alternatif olarak Langchain'in di\u011fer LLM'lerini kullanabilirsiniz\n llm = OpenAI(model=\"gpt-4\", temperature=0.7) \n # Alternatif olarak: llm = Ollama(model=\"llama3\")\n\n # \u00d6rnek Ajan Tan\u0131mlar\u0131\n researcher = Agent(\n role='Ara\u015ft\u0131rmac\u0131',\n goal=f'{topic} hakk\u0131nda kapsaml\u0131 bilgi toplamak',\n backstory='Deneyimli bir ara\u015ft\u0131rmac\u0131, interneti ustaca kullanarak do\u011fru ve g\u00fcncel bilgileri bulur.',\n llm=llm,\n verbose=True,\n allow_delegation=False,\n # tools=[SearchTool()], # Ger\u00e7ek bir senaryoda buraya arama ara\u00e7lar\u0131 eklenecektir\n )\n\n writer = Agent(\n role='Yaz\u0131c\u0131',\n goal=f'Toplanan bilgileri kullanarak {topic} hakk\u0131nda ilgi \u00e7ekici bir makale yazmak',\n backstory='Harika bir i\u00e7erik yazar\u0131, karma\u015f\u0131k bilgileri ak\u0131c\u0131 ve okunabilir metinlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcr.',\n llm=llm,\n verbose=True,\n allow_delegation=False\n )\n\n # \u00d6rnek G\u00f6rev Tan\u0131mlar\u0131\n task1 = Task(\n description=f'{topic} konusundaki en son geli\u015fmeleri, trendleri ve etkileri ara\u015ft\u0131r.',\n agent=researcher,\n expected_output='Konuyla ilgili anahtar noktalar\u0131 ve \u00f6nemli detaylar\u0131 i\u00e7eren kapsaml\u0131 bir ara\u015ft\u0131rma raporu.'\n )\n\n task2 = Task(\n description=f'Ara\u015ft\u0131rma raporunu kullanarak, {topic} hakk\u0131nda 500 kelimelik, bilgilendirici ve ilgi \u00e7ekici bir blog makalesi tasla\u011f\u0131 olu\u015ftur.',\n agent=writer,\n expected_output='Haz\u0131r, d\u00fczenlenmi\u015f bir blog makalesi metni.'\n )\n\n # CrewAI Tak\u0131m\u0131n\u0131 Olu\u015fturma\n crew = Crew(\n agents=[researcher, writer],\n tasks=[task1, task2],\n process=Process.sequential, # G\u00f6revleri s\u0131rayla \u00e7al\u0131\u015ft\u0131r\n verbose=2,\n full_output=True, # T\u00fcm \u00e7\u0131kt\u0131y\u0131 g\u00f6ster\n share_crew=False # Tak\u0131m\u0131 payla\u015fma\n )\n\n # Crew'i \u00c7al\u0131\u015ft\u0131rma\n crew_result = crew.kickoff()\n\n # Sonucu d\u00f6nd\u00fcr\n return {\n 'statusCode': 200,\n 'headers': {\n 'Content-Type': 'application\/json'\n },\n 'body': json.dumps({'message': 'CrewAI tak\u0131m\u0131 ba\u015far\u0131yla \u00e7al\u0131\u015ft\u0131!', 'result': crew_result})\n }\n\n except Exception as e:\n print(f\"Hata olu\u015ftu: {e}\")\n return {\n 'statusCode': 500,\n 'headers': {\n 'Content-Type': 'application\/json'\n },\n 'body': json.dumps({'error': str(e)})\n }\n<\/pre>\n
<\/code><\/p>\n
Bu kodda, lambda_handler<\/code> fonksiyonu, Lambda'n\u0131n tetikleyici taraf\u0131ndan \u00e7a\u011fr\u0131ld\u0131\u011f\u0131nda \u00e7al\u0131\u015ft\u0131rd\u0131\u011f\u0131 ana fonksiyondur. event<\/code> objesi, tetikleyiciden gelen verileri i\u00e7erir. \u0130\u00e7erisinde CrewAI ajanlar\u0131n\u0131 tan\u0131mlad\u0131\u011f\u0131n\u0131z, onlara g\u00f6revler atad\u0131\u011f\u0131n\u0131z ve bir ekip (Crew<\/code>) olu\u015fturarak \u00e7al\u0131\u015ft\u0131rd\u0131\u011f\u0131n\u0131z bir yap\u0131 bulunmaktad\u0131r. \u00d6nemli bir nokta, CrewAI ve ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131n (Langchain, LLM sa\u011flay\u0131c\u0131lar\u0131 vb.) Lambda ortam\u0131nda mevcut olmas\u0131 gerekti\u011fidir. Bu genellikle \"Lambda Katmanlar\u0131\" (Lambda Layers) kullan\u0131larak sa\u011flan\u0131r, bu sayede kodunuz daha k\u00fc\u00e7\u00fck kal\u0131r ve ba\u011f\u0131ml\u0131l\u0131klar yeniden kullan\u0131labilir. Son olarak, fonksiyonunuzun ne kadar bellek kullanaca\u011f\u0131n\u0131 (MB) ve ne kadar s\u00fcre \u00e7al\u0131\u015fabilece\u011fini (Timeout) ayarlayarak maliyet ve performans optimizasyonu yapmay\u0131 unutmay\u0131n.<\/p>\n
CrewAI ve AWS Lambda'y\u0131 Birle\u015ftirmek: Ad\u0131m Ad\u0131m Entegrasyon Rehberi<\/h2>\n
CrewAI'nin g\u00fc\u00e7l\u00fc ajan orkestrasyon yeteneklerini AWS Lambda'n\u0131n s\u0131n\u0131rs\u0131z \u00f6l\u00e7eklenebilirli\u011fi ile birle\u015ftirmek, gelece\u011fin otomasyon \u00e7\u00f6z\u00fcmlerini hayata ge\u00e7irmek i\u00e7in kritik bir ad\u0131md\u0131r. Ancak bu entegrasyon, \u00f6zellikle ba\u011f\u0131ml\u0131l\u0131k y\u00f6netimi ve ortam yap\u0131land\u0131rmas\u0131 a\u00e7\u0131s\u0131ndan baz\u0131 \u00f6zel yakla\u015f\u0131mlar gerektirir. Bu b\u00f6l\u00fcmde, CrewAI ajan tak\u0131mlar\u0131n\u0131z\u0131 Lambda \u00fczerinde ba\u015far\u0131l\u0131 bir \u015fekilde \u00e7al\u0131\u015ft\u0131rmak i\u00e7in ad\u0131m ad\u0131m bir rehber sunaca\u011f\u0131z.<\/p>\n
\u0130lk olarak, CrewAI'nin ve onun temel ald\u0131\u011f\u0131 Langchain k\u00fct\u00fcphanesinin yan\u0131 s\u0131ra, kullanaca\u011f\u0131n\u0131z b\u00fcy\u00fck dil modeli (LLM) entegrasyonu (\u00f6rne\u011fin OpenAI, Anthropic, Ollama vb.) i\u00e7in gerekli t\u00fcm Python paketlerini Lambda ortam\u0131na ta\u015f\u0131man\u0131z gerekecek. Lambda fonksiyonlar\u0131, varsay\u0131lan olarak yaln\u0131zca temel Python k\u00fct\u00fcphanelerini i\u00e7erir. CrewAI gibi harici paketler i\u00e7in, bu ba\u011f\u0131ml\u0131l\u0131klar\u0131 i\u00e7eren bir \"Lambda Katman\u0131\" (Lambda Layer) olu\u015fturmak en iyi y\u00f6ntemdir. Bu katman, birden fazla Lambda fonksiyonu taraf\u0131ndan yeniden kullan\u0131labilir ve da\u011f\u0131t\u0131m paketinizin boyutunu k\u00fc\u00e7\u00fclt\u00fcr.<\/p>\n
Katman olu\u015fturduktan sonra, Lambda fonksiyonunuzun kodunu yazmaya ba\u015flayabilirsiniz. \u00d6nceki b\u00f6l\u00fcmde payla\u015ft\u0131\u011f\u0131m\u0131z lambda_function.py<\/code> \u00f6rne\u011fi, CrewAI ajanlar\u0131n\u0131 ve g\u00f6revlerini tan\u0131mlayarak bir i\u015f ak\u0131\u015f\u0131n\u0131 ba\u015flatan temel yap\u0131y\u0131 g\u00f6stermektedir. Bu kodun, Lambda'n\u0131n \u00e7al\u0131\u015fma ortam\u0131na uygun olmas\u0131 ve lambda_handler(event, context)<\/code> imzas\u0131n\u0131 ta\u015f\u0131mas\u0131 \u00f6nemlidir. Ayr\u0131ca, LLM API anahtarlar\u0131 gibi hassas bilgileri do\u011frudan kod i\u00e7inde saklamak yerine, Lambda ortam de\u011fi\u015fkenleri (Environment Variables) veya AWS Secrets Manager gibi g\u00fcvenli y\u00f6ntemlerle y\u00f6netmelisiniz. Bu, hem g\u00fcvenlik hem de konfig\u00fcrasyon esnekli\u011fi a\u00e7\u0131s\u0131ndan kritik bir ad\u0131md\u0131r.<\/p>\n
Son olarak, Lambda fonksiyonunuzu d\u0131\u015f d\u00fcnyaya a\u00e7mak ve CrewAI ajan tak\u0131m\u0131n\u0131z\u0131 tetiklemek i\u00e7in bir tetikleyici (trigger) yap\u0131land\u0131rman\u0131z gerekecek. En yayg\u0131n senaryo, bir HTTP API arac\u0131l\u0131\u011f\u0131yla ajanlar\u0131 tetiklemek i\u00e7in Amazon API Gateway kullanmakt\u0131r. API Gateway, gelen HTTP isteklerini Lambda fonksiyonunuza y\u00f6nlendirir, b\u00f6ylece web uygulamalar\u0131n\u0131z, mobil uygulamalar\u0131n\u0131z veya di\u011fer servisleriniz ajan tak\u0131mlar\u0131n\u0131zla etkile\u015fime girebilir. Bu entegrasyonun bir di\u011fer \u00f6nemli y\u00f6n\u00fc de, ajan tak\u0131mlar\u0131n\u0131z\u0131n durumunu izlemek ve performans\u0131n\u0131 optimize etmektir. AWS CloudWatch, Lambda fonksiyonlar\u0131n\u0131z\u0131n g\u00fcnl\u00fcklerini, metriklerini ve hatalar\u0131n\u0131 toplayarak bu izlemeyi kolayla\u015ft\u0131r\u0131r. T\u00fcm bu ad\u0131mlar\u0131 do\u011fru bir \u015fekilde uygulayarak, CrewAI ajan tak\u0131mlar\u0131n\u0131z\u0131 g\u00fcvenle ve y\u00fcksek performansla AWS Lambda \u00fczerinde \u00e7al\u0131\u015ft\u0131rabilir, milyonlarca \u00f6l\u00e7ekte otomasyon yetene\u011fi kazanabilirsiniz. Bu entegrasyon, YZ otomasyonunda yeni bir \u00e7a\u011f\u0131n kap\u0131lar\u0131n\u0131 aral\u0131yor.<\/p>\n
CrewAI ajan tak\u0131m\u0131n\u0131z\u0131 AWS Lambda \u00fczerinde \u00e7al\u0131\u015ft\u0131rmadan \u00f6nce, CrewAI ve onun ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131n (\u00f6rne\u011fin, Langchain, pydantic, ve se\u00e7ti\u011finiz LLM sa\u011flay\u0131c\u0131s\u0131n\u0131n k\u00fct\u00fcphaneleri) Lambda'n\u0131n \u00e7al\u0131\u015fma ortam\u0131nda mevcut oldu\u011fundan emin olman\u0131z gerekir. Lambda fonksiyonlar\u0131 varsay\u0131lan olarak yaln\u0131zca Python'\u0131n standart k\u00fct\u00fcphanelerini i\u00e7erir. Harici paketleri eklemek i\u00e7in en etkili ve tavsiye edilen y\u00f6ntem, \"Lambda Katmanlar\u0131\" (Lambda Layers) kullanmakt\u0131r. Bu yakla\u015f\u0131m, da\u011f\u0131t\u0131m paketinizin boyutunu k\u00fc\u00e7\u00fclt\u00fcr, farkl\u0131 fonksiyonlar aras\u0131nda ba\u011f\u0131ml\u0131l\u0131klar\u0131 payla\u015fmay\u0131 kolayla\u015ft\u0131r\u0131r ve g\u00fcncelleme s\u00fcre\u00e7lerini basitle\u015ftirir.<\/p>\n
Yerel makinenizde veya bir CI\/CD ortam\u0131nda, Lambda'n\u0131n \u00e7al\u0131\u015fma ortam\u0131yla uyumlu bir Linux tabanl\u0131 ortamda (\u00f6rne\u011fin Docker) CrewAI ve t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 kurman\u0131z gerekir. \u00d6rne\u011fin:<\/p>\n
\u015eimdi Lambda fonksiyonunuzun yap\u0131land\u0131rmas\u0131na gidin. Fonksiyonunuzun \"Code\" (Kod) sekmesi alt\u0131nda, \"Layers\" (Katmanlar) b\u00f6l\u00fcm\u00fcn\u00fc bulun ve \"Add a layer\" (Katman ekle) se\u00e7ene\u011fine t\u0131klay\u0131n. Burada \"Specify an ARN\" (Bir ARN belirt) se\u00e7ene\u011fini i\u015faretleyip kopyalad\u0131\u011f\u0131n\u0131z Katman ARN'sini yap\u0131\u015ft\u0131r\u0131n ve ekleyin. Alternatif olarak, \"Custom layers\" (\u00d6zel katmanlar) alt\u0131ndan olu\u015fturdu\u011funuz katman\u0131 se\u00e7ebilirsiniz.<\/p>\n
Bu ad\u0131mlar\u0131 tamamlad\u0131\u011f\u0131n\u0131zda, Lambda fonksiyonunuz art\u0131k CrewAI ve t\u00fcm gerekli ba\u011f\u0131ml\u0131l\u0131klara eri\u015febilir durumda olacakt\u0131r. Bu yap\u0131land\u0131rma, fonksiyon kodunuzun sadece i\u015f mant\u0131\u011f\u0131n\u0131 i\u00e7ermesini sa\u011flayarak daha k\u00fc\u00e7\u00fck ve y\u00f6netilebilir kalmas\u0131na yard\u0131mc\u0131 olurken, ayn\u0131 zamanda g\u00fc\u00e7l\u00fc YZ ajan tak\u0131mlar\u0131n\u0131z\u0131 AWS'nin sunucusuz altyap\u0131s\u0131 \u00fczerinde \u00f6l\u00e7eklenebilir bir \u015fekilde \u00e7al\u0131\u015ft\u0131rman\u0131z i\u00e7in temel bir zemin haz\u0131rlar.<\/p>\n