{"id":34332,"date":"2025-11-15T08:01:18","date_gmt":"2025-11-15T05:01:18","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/langchaine-giris-buyuk-dil-modelleriyle-uygulama-gelistirme-rehberi\/"},"modified":"2025-11-15T08:01:18","modified_gmt":"2025-11-15T05:01:18","slug":"langchaine-giris-buyuk-dil-modelleriyle-uygulama-gelistirme-rehberi","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/langchaine-giris-buyuk-dil-modelleriyle-uygulama-gelistirme-rehberi\/","title":{"rendered":"LangChain’e Giri\u015f: B\u00fcy\u00fck Dil Modelleriyle Uygulama Geli\u015ftirme Rehberi"},"content":{"rendered":"<\/p>\n
B\u00fcy\u00fck dil modellerinin (BHM) d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc g\u00fcc\u00fcn\u00fc ke\u015ffetmeye haz\u0131r m\u0131s\u0131n\u0131z? LangChain, bu devrim niteli\u011findeki modelleri kullanarak ak\u0131ll\u0131, ba\u011flamsal ve etkile\u015fimli uygulamalar geli\u015ftirmenizi sa\u011flayan g\u00fc\u00e7l\u00fc bir framework’t\u00fcr. Bu ad\u0131m ad\u0131m rehberimizle, LangChain d\u00fcnyas\u0131na dalacak, temel kavramlar\u0131 \u00f6\u011frenecek ve kendi BHM destekli uygulamalar\u0131n\u0131z\u0131 nas\u0131l in\u015fa edece\u011finizi ke\u015ffedeceksiniz.<\/p>\n
G\u00fcn\u00fcm\u00fcz yapay zeka d\u00fcnyas\u0131nda, OpenAI’nin GPT serisi, Google’\u0131n PaLM’i veya a\u00e7\u0131k kaynakl\u0131 modeller gibi B\u00fcy\u00fck Dil Modelleri (BHM’ler), metin \u00fcretme, \u00e7eviri yapma, \u00f6zetleme ve hatta kod yazma gibi inan\u0131lmaz yetenekler sunuyor. Ancak bu modellerin saf g\u00fcc\u00fcn\u00fc al\u0131p ger\u00e7ek d\u00fcnya uygulamalar\u0131na entegre etmek her zaman san\u0131ld\u0131\u011f\u0131 kadar basit olmuyor. Genellikle, bir BHM’yi bir uygulaman\u0131n kalbine yerle\u015ftirmek, sadece bir API \u00e7a\u011fr\u0131s\u0131 yapmaktan \u00e7ok daha fazlas\u0131n\u0131 gerektirir.<\/p>\n
Kar\u015f\u0131la\u015f\u0131lan en yayg\u0131n zorluklardan biri, BHM’lerin do\u011fas\u0131 gere\u011fi tek seferlik etkile\u015fimler i\u00e7in tasarlanm\u0131\u015f olmas\u0131d\u0131r. Yani, her yeni istekte BHM, \u00f6nceki ba\u011flam\u0131 “unutur”. Bir sohbet botu veya kullan\u0131c\u0131yla s\u00fcrekli diyalog kuran bir asistan geli\u015ftirmek istedi\u011finizde, bu bellek eksikli\u011fi ciddi bir sorun yarat\u0131r. Kullan\u0131c\u0131n\u0131n \u00f6nceki s\u00f6ylediklerini hat\u0131rlamayan bir BHM, do\u011fal ve ak\u0131c\u0131 bir sohbet deneyimi sunamaz. \u0130\u015fte bu noktada “bellek y\u00f6netimi” kritik bir hale gelir.<\/p>\n
Ayr\u0131ca, BHM’ler genellikle mevcut bilgilerle s\u0131n\u0131rl\u0131d\u0131r; yani, e\u011fitim verilerinde bulunmayan en g\u00fcncel bilgilere veya kurum i\u00e7i \u00f6zel verilere do\u011frudan eri\u015femezler. Bir BHM’nin d\u0131\u015f d\u00fcnyadan bilgi almas\u0131n\u0131, web aramas\u0131 yapmas\u0131n\u0131, bir veritaban\u0131n\u0131 sorgulamas\u0131n\u0131 veya bir API’ye ba\u011flanmas\u0131n\u0131 sa\u011flamak, karma\u015f\u0131k entegrasyonlar gerektirir. Bu t\u00fcr g\u00f6revler i\u00e7in BHM’ye “ara\u00e7lar” sa\u011flamak ve modelin ne zaman hangi arac\u0131 kullanaca\u011f\u0131na karar vermesini \u00f6\u011fretmek, \u00f6nemli bir m\u00fchendislik \u00e7abas\u0131 gerektirir.<\/p>\n
Bir di\u011fer \u00f6nemli zorluk ise “prompt m\u00fchendisli\u011fi”dir. BHM’lerden istenen \u00e7\u0131kt\u0131y\u0131 almak i\u00e7in do\u011fru talimatlar\u0131, yani “prompt’lar\u0131” haz\u0131rlamak bir sanatt\u0131r. Etkili prompt’lar yazmak deneyim gerektirir ve genellikle tekrarlayan deneme-yan\u0131lma s\u00fcre\u00e7leri i\u00e7erir. Uygulama geli\u015ftik\u00e7e, farkl\u0131 g\u00f6revler i\u00e7in farkl\u0131 prompt’lar tasarlamak ve bunlar\u0131 tutarl\u0131 bir \u015fekilde y\u00f6netmek karma\u015f\u0131kla\u015fabilir. BHM’lerle etkile\u015fimleri birden fazla ad\u0131ma b\u00f6lmek, bir \u00e7\u0131kt\u0131n\u0131n di\u011ferinin giri\u015fi oldu\u011fu “zincirler” olu\u015fturmak da manuel olarak yap\u0131ld\u0131\u011f\u0131nda zahmetlidir.<\/p>\n
T\u00fcm bu zorluklar, geli\u015ftiricilerin BHM’lerin potansiyelini tam olarak kullanmalar\u0131n\u0131 engelleyebilir. Her yeni BHM tabanl\u0131 uygulama i\u00e7in bu temel sorunlar\u0131 ba\u015ftan \u00e7\u00f6zmek, zaman ve kaynak israf\u0131na yol a\u00e7ar. \u0130\u015fte tam bu noktada, LangChain gibi bir framework devreye girerek bu karma\u015f\u0131kl\u0131klar\u0131 soyutlar ve geli\u015ftiricilerin daha y\u00fcksek seviyeli, ak\u0131ll\u0131 uygulamalar olu\u015fturmaya odaklanmas\u0131n\u0131 sa\u011flar. LangChain, BHM’lerin g\u00fcc\u00fcn\u00fc ger\u00e7ekten serbest b\u0131rakmak i\u00e7in gereken yap\u0131 ta\u015flar\u0131n\u0131 ve soyutlamalar\u0131 sunar.<\/p>\n
LangChain Tam Olarak Nedir ve B\u00fcy\u00fck Dil Modelleriyle Uygulama Geli\u015ftirme S\u00fcrecini Nas\u0131l Basitle\u015ftirir?<\/h2>\n
LangChain, B\u00fcy\u00fck Dil Modelleri (BHM’ler) ile \u00e7al\u0131\u015fan uygulamalar geli\u015ftirmeyi kolayla\u015ft\u0131rmak i\u00e7in tasarlanm\u0131\u015f, dil modellerini temel alan bir framework’t\u00fcr. Ad\u0131ndan da anla\u015f\u0131laca\u011f\u0131 gibi, “LangChain”, dil modellerini birbirine “zincirleme” fikri \u00fczerine kurulmu\u015ftur. Amac\u0131, geli\u015ftiricilere BHM’lerin yeteneklerini harici veri kaynaklar\u0131yla, hesaplama mant\u0131\u011f\u0131yla ve di\u011fer BHM’lerle sorunsuz bir \u015fekilde birle\u015ftirebilecekleri mod\u00fcler bile\u015fenler sunmakt\u0131r. Peki, LangChain’i bu kadar \u00f6zel k\u0131lan nedir?<\/p>\n
En temel d\u00fczeyde LangChain, bir BHM’nin sadece bir metin \u00fcreticisi olmaktan \u00e7\u0131k\u0131p, karma\u015f\u0131k g\u00f6revleri yerine getirebilen, kararlar alabilen ve d\u0131\u015f d\u00fcnyayla etkile\u015fime ge\u00e7ebilen bir “ak\u0131ll\u0131 arac\u0131ya” d\u00f6n\u00fc\u015fmesine olanak tan\u0131r. Bu, \u00f6zellikle BHM’lerin kendi ba\u015flar\u0131na yapamad\u0131\u011f\u0131 veya yapmakta zorland\u0131\u011f\u0131 durumlar i\u00e7in hayati \u00f6nem ta\u015f\u0131r. \u00d6rne\u011fin, bir BHM’nin g\u00fcncel bir hava durumu bilgisini almas\u0131, bir e-tabloyu analiz etmesi veya bir e-postay\u0131 g\u00f6ndermesi gibi. LangChain, bu t\u00fcr i\u015flevsellikleri BHM’nin kavray\u0131\u015f\u0131na sunarak, uygulaman\u0131z\u0131n yeteneklerini katlayarak art\u0131r\u0131r.<\/p>\n
LangChain’in temel felsefesi, mod\u00fclerlik ve birle\u015ftirilebilirlik \u00fczerine kuruludur. Bu, farkl\u0131 BHM’leri, farkl\u0131 prompt yap\u0131lar\u0131n\u0131, farkl\u0131 bellek t\u00fcrlerini ve farkl\u0131 ara\u00e7lar\u0131 kolayca bir araya getirip de\u011fi\u015ftirebilece\u011finiz anlam\u0131na gelir. Bir uygulaman\u0131n belirli bir b\u00f6l\u00fcm\u00fcnde OpenAI’nin GPT-4 modelini kullan\u0131rken, ba\u015fka bir b\u00f6l\u00fcm\u00fcnde Hugging Face’in a\u00e7\u0131k kaynakl\u0131 bir modelini tercih edebilir veya arama i\u015flevi i\u00e7in Google Arama API’sini, veri alma i\u00e7in \u00f6zel bir veritaban\u0131 ba\u011flay\u0131c\u0131s\u0131n\u0131 kullanabilirsiniz. Bu esneklik, geli\u015ftiricilere b\u00fcy\u00fck bir \u00f6zg\u00fcrl\u00fck sunar ve uygulamalar\u0131n\u0131 belirli gereksinimlere g\u00f6re optimize etmelerine olanak tan\u0131r.<\/p>\n
Framework, a\u015fa\u011f\u0131daki temel ama\u00e7lar\u0131 ger\u00e7ekle\u015ftirmek \u00fczere tasarlanm\u0131\u015ft\u0131r:<\/p>\n
Veri Fark\u0131ndal\u0131\u011f\u0131:<\/strong> BHM’lerin kendi e\u011fitim verilerinin \u00f6tesindeki verilere (belgeler, web sayfalar\u0131, veritabanlar\u0131 vb.) eri\u015fmesini ve bunlar\u0131 kullanmas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r.<\/li>\n
Arac\u0131l\u0131k (Agentic Capabilities):<\/strong> BHM’lerin hangi eylemi yapacaklar\u0131na, hangi ara\u00e7lar\u0131 kullanacaklar\u0131na ve ad\u0131mlar\u0131n\u0131 nas\u0131l s\u0131ralayacaklar\u0131na karar vermelerini sa\u011flayarak karma\u015f\u0131k g\u00f6revleri otomatikle\u015ftirir.<\/li>\n
Zincirleme (Chaining):<\/strong> Birden fazla BHM \u00e7a\u011fr\u0131s\u0131n\u0131 veya di\u011fer bile\u015fenleri mant\u0131ksal bir s\u0131ra halinde birle\u015ftirerek karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131 olu\u015fturmay\u0131 sa\u011flar.<\/li>\n
Bellek Y\u00f6netimi:<\/strong> Sohbet ge\u00e7mi\u015fi gibi durumu y\u00f6neterek BHM’lerin \u00f6nceki etkile\u015fimleri hat\u0131rlamas\u0131n\u0131 ve ba\u011flam\u0131 korumas\u0131n\u0131 sa\u011flar.<\/li>\n<\/ul>\n
\u00d6zetle, LangChain, BHM’lerin potansiyelini sonuna kadar kullanmak isteyen geli\u015ftiriciler i\u00e7in vazge\u00e7ilmez bir k\u00f6pr\u00fc g\u00f6revi g\u00f6r\u00fcr. BHM’leri sadece metin \u00fcreticileri olmaktan \u00e7\u0131kar\u0131p, ak\u0131ll\u0131, ba\u011flamsal ve d\u0131\u015f d\u00fcnyayla etkile\u015fime ge\u00e7ebilen g\u00fc\u00e7l\u00fc uygulamalar\u0131n temel yap\u0131 ta\u015flar\u0131 haline getirir. Bu sayede, daha karma\u015f\u0131k ve de\u011ferli yapay zeka uygulamalar\u0131n\u0131 \u00e7ok daha h\u0131zl\u0131 ve verimli bir \u015fekilde geli\u015ftirebiliriz.<\/p>\n
LangChain’in Temel Bile\u015fenleri Nelerdir ve Nas\u0131l \u00c7al\u0131\u015f\u0131rlar?<\/h3>\n
LangChain’in g\u00fcc\u00fc, mod\u00fcler ve birle\u015ftirilebilir bile\u015fenlerinden gelir. Bu bile\u015fenleri anlamak, LangChain ile nas\u0131l daha ak\u0131ll\u0131 uygulamalar geli\u015ftirebilece\u011finizin anahtar\u0131d\u0131r. \u0130\u015fte LangChain’in en \u00f6nemli yap\u0131 ta\u015flar\u0131:<\/p>\n
LangChain’in temelinde, farkl\u0131 B\u00fcy\u00fck Dil Modelleri (BHM’ler) ile etkile\u015fim kurma yetene\u011fi yatar. LangChain bu modelleri \u00fc\u00e7 ana kategoriye ay\u0131r\u0131r:<\/p>\n
\n
LLM’ler (Large Language Models):<\/strong> Metin girdisi al\u0131p metin \u00e7\u0131kt\u0131s\u0131 \u00fcreten genel ama\u00e7l\u0131 dil modelleridir. Genellikle tek bir dize olarak girdi al\u0131rlar ve tek bir dize olarak \u00e7\u0131kt\u0131 verirler. \u00d6rne\u011fin, bir metni \u00f6zetlemek veya bir soruya k\u0131sa bir cevap vermek i\u00e7in kullan\u0131labilirler.<\/li>\n
Chat Modelleri (Chat Models):<\/strong> Sohbet tabanl\u0131 etkile\u015fimler i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015ft\u0131r. Girdi olarak bir mesaj listesi (kullan\u0131c\u0131, sistem, yapay zeka mesajlar\u0131) al\u0131rlar ve bir mesaj \u00e7\u0131kt\u0131s\u0131 (genellikle yapay zeka mesaj\u0131) verirler. Bu, sohbet robotlar\u0131 ve diyalog sistemleri i\u00e7in idealdir, \u00e7\u00fcnk\u00fc modelin konu\u015fman\u0131n ak\u0131\u015f\u0131n\u0131 ve rollerini (kullan\u0131c\u0131 vs. asistan) daha iyi anlamas\u0131n\u0131 sa\u011flar.<\/li>\n
Embedding Modelleri (Embedding Models):<\/strong> Metinleri say\u0131sal vekt\u00f6r g\u00f6sterimlerine (embedding’lere) d\u00f6n\u00fc\u015ft\u00fcren modellerdir. Bu vekt\u00f6rler, metinler aras\u0131ndaki semantik benzerli\u011fi \u00f6l\u00e7mek i\u00e7in kullan\u0131labilir. \u00d6rne\u011fin, bir sorguya en alakal\u0131 belgeleri bulmak veya benzer c\u00fcmleleri gruplamak i\u00e7in embedding’ler vazge\u00e7ilmezdir.<\/li>\n<\/ul>\n
LangChain, bu farkl\u0131 model t\u00fcrleri i\u00e7in standart bir aray\u00fcz sa\u011flayarak, altyap\u0131y\u0131 de\u011fi\u015ftirmeden farkl\u0131 sa\u011flay\u0131c\u0131lar\u0131n (OpenAI, Hugging Face, Cohere vb.) modelleri aras\u0131nda ge\u00e7i\u015f yapmay\u0131 kolayla\u015ft\u0131r\u0131r. Bu, projenizin ihtiya\u00e7lar\u0131na en uygun modeli se\u00e7me esnekli\u011fi sunar.<\/p>\n
Bir BHM’den istedi\u011finiz \u00e7\u0131kt\u0131y\u0131 alman\u0131n yolu, ona do\u011fru “prompt’u” vermekten ge\u00e7er. LangChain, prompt’lar\u0131 olu\u015fturmay\u0131 ve y\u00f6netmeyi kolayla\u015ft\u0131rmak i\u00e7in g\u00fc\u00e7l\u00fc ara\u00e7lar sunar:<\/p>\n
\n
PromptTemplate:<\/strong> Sabit metinler ve dinamik olarak doldurulacak de\u011fi\u015fkenler i\u00e7eren \u015fablonlar olu\u015fturman\u0131z\u0131 sa\u011flar. Bu sayede, ayn\u0131 yap\u0131y\u0131 koruyarak farkl\u0131 girdilerle prompt’lar \u00fcretebilirsiniz. \u00d6rne\u011fin, bir \u015firket ad\u0131 veya bir konu ba\u015fl\u0131\u011f\u0131na g\u00f6re \u00f6zelle\u015ftirilmi\u015f bir prompt olu\u015fturmak m\u00fcmk\u00fcnd\u00fcr.<\/li>\n
OutputParsers:<\/strong> BHM’den gelen ham metin \u00e7\u0131kt\u0131s\u0131n\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f verilere (JSON, Python objeleri vb.) d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in kullan\u0131l\u0131r. Bu, BHM \u00e7\u0131kt\u0131s\u0131n\u0131n daha sonraki i\u015flemler veya uygulamalar\u0131n\u0131z\u0131n geri kalan\u0131 taraf\u0131ndan kolayca kullan\u0131lmas\u0131n\u0131 sa\u011flar.<\/li>\n<\/ul>\n
Prompt m\u00fchendisli\u011fi, BHM uygulamalar\u0131n\u0131n ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir ve LangChain, bu s\u00fcreci daha y\u00f6netilebilir hale getirerek geli\u015ftiricilerin en iyi sonu\u00e7lar\u0131 elde etmelerine yard\u0131mc\u0131 olur.<\/p>\n
LangChain’in ad\u0131n\u0131 veren temel bile\u015fenlerden biri “Chain”lerdir. Chain’ler, birden fazla bile\u015feni (BHM \u00e7a\u011fr\u0131lar\u0131, di\u011fer chain’ler, ara\u00e7lar, veri i\u015flemciler vb.) bir araya getirerek karma\u015f\u0131k ve \u00e7ok ad\u0131ml\u0131 i\u015f ak\u0131\u015flar\u0131 olu\u015fturman\u0131za olanak tan\u0131r. Bir \u00e7\u0131kt\u0131n\u0131n, bir sonraki ad\u0131m\u0131n girdisi oldu\u011fu ard\u0131\u015f\u0131k i\u015flemleri tan\u0131mlamak i\u00e7in kullan\u0131l\u0131rlar.<\/p>\n
\n
LLMChain:<\/strong> Belirli bir PromptTemplate ve bir LLM’yi bir araya getiren en basit zincir t\u00fcr\u00fcd\u00fcr. Model \u00e7a\u011fr\u0131s\u0131n\u0131 ve prompt bi\u00e7imlendirmeyi tek bir ad\u0131mda kapsar.<\/li>\n
SequentialChain:<\/strong> Birden fazla zinciri s\u0131ral\u0131 olarak birbirine ba\u011flar. Bir \u00f6nceki zincirin \u00e7\u0131kt\u0131s\u0131, bir sonrakinin girdisi olur. Bu, karma\u015f\u0131k g\u00f6revleri daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir ad\u0131mlara b\u00f6lmek i\u00e7in idealdir. \u00d6rne\u011fin, \u00f6nce bir metni \u00f6zetleyen, sonra bu \u00f6zeti kullanarak bir soruya cevap veren bir zincir olu\u015fturabilirsiniz.<\/li>\n
RetrievalQAChain:<\/strong> Harici belgelerden bilgi al\u0131p, bu bilgilerle sorular\u0131 cevaplamak i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bir retriever (bilgi al\u0131c\u0131) ve bir BHM’yi birle\u015ftirir.<\/li>\n<\/ul>\n
Chain’ler, uygulamalar\u0131n mant\u0131\u011f\u0131n\u0131 yap\u0131land\u0131rmak ve BHM’lerin kapasitesini art\u0131rmak i\u00e7in inan\u0131lmaz derecede esnek bir yol sunar.<\/p>\n
Agentler (Agents) ve Ara\u00e7lar (Tools): Dinamik Karar Verme ve D\u0131\u015f D\u00fcnya ile Etkile\u015fim<\/h4>\n
Agent’lar, LangChain’in en g\u00fc\u00e7l\u00fc ve yenilik\u00e7i \u00f6zelliklerinden biridir. Bir Agent, hangi eylemi yapaca\u011f\u0131na, hangi arac\u0131 kullanaca\u011f\u0131na ve bu eylemleri hangi s\u0131rayla ger\u00e7ekle\u015ftirece\u011fine dinamik olarak karar verebilen bir BHM’dir. Agent’lar, BHM’lerin “d\u00fc\u015f\u00fcnmesini” ve karma\u015f\u0131k problemleri \u00e7\u00f6zmek i\u00e7in ad\u0131m ad\u0131m ak\u0131l y\u00fcr\u00fctmesini sa\u011flar.<\/p>\n
\n
Agent:<\/strong> Bir BHM, bir dizi ara\u00e7 ve bir ak\u0131l y\u00fcr\u00fctme d\u00f6ng\u00fcs\u00fcnden olu\u015fur. Kullan\u0131c\u0131n\u0131n sorgusuna dayanarak, mevcut ara\u00e7lardan hangisinin sorunu \u00e7\u00f6zmek i\u00e7in en iyi oldu\u011funu belirler ve bu arac\u0131 kullan\u0131r.<\/li>\n
Tools:<\/strong> Agent’lar\u0131n kullanabilece\u011fi i\u015flevlerdir. Bir ara\u00e7, web aramas\u0131 yapabilir (\u00f6rne\u011fin Google Search API), bir Python kodu \u00e7al\u0131\u015ft\u0131rabilir, bir API \u00e7a\u011f\u0131rabilir veya bir veritaban\u0131n\u0131 sorgulayabilir. LangChain, bir\u00e7ok yerle\u015fik ara\u00e7 sunar ve kendi \u00f6zel ara\u00e7lar\u0131n\u0131z\u0131 olu\u015fturman\u0131z\u0131 da kolayla\u015ft\u0131r\u0131r.<\/li>\n<\/ul>\n
Agent’lar, BHM’lerin sadece metin \u00fcretmekle kalmay\u0131p, problemleri \u00e7\u00f6zmek i\u00e7in d\u0131\u015f kaynaklar\u0131 kullanmas\u0131n\u0131 ve kendi ba\u015f\u0131na mant\u0131ksal ad\u0131mlar atmas\u0131n\u0131 sa\u011flayarak, BHM uygulamalar\u0131n\u0131n yeteneklerini bir \u00fcst seviyeye ta\u015f\u0131r. Ger\u00e7ekten ak\u0131ll\u0131, otonom sistemler olu\u015fturman\u0131n anahtar\u0131d\u0131rlar.<\/p>\n
BHM’lerin her etkile\u015fimi tek ba\u015f\u0131na g\u00f6rme e\u011filiminde olmas\u0131, sohbet tabanl\u0131 uygulamalar i\u00e7in b\u00fcy\u00fck bir sorundur. LangChain’deki “Memory” bile\u015fenleri, \u00f6nceki etkile\u015fimleri saklayarak ve BHM’ye sunarak bu sorunu \u00e7\u00f6zer. Bu sayede, BHM konu\u015fman\u0131n ba\u011flam\u0131n\u0131 hat\u0131rlayabilir ve daha tutarl\u0131, do\u011fal cevaplar verebilir.<\/p>\n
\n
ConversationBufferMemory:<\/strong> En basit bellek t\u00fcr\u00fcd\u00fcr ve t\u00fcm konu\u015fma ge\u00e7mi\u015fini bir arabellek i\u00e7inde saklar.<\/li>\n
ConversationSummaryMemory:<\/strong> Konu\u015fma ge\u00e7mi\u015finin bir \u00f6zetini olu\u015fturarak bellek kullan\u0131m\u0131n\u0131 azalt\u0131r ve uzun sohbetler i\u00e7in daha verimlidir.<\/li>\n
ConversationBufferWindowMemory:<\/strong> Yaln\u0131zca son N etkile\u015fimi saklayarak, belirli bir “zaman penceresi” i\u00e7indeki ba\u011flam\u0131 korur.<\/li>\n<\/ul>\n
Bellek, chatbotlar, sanal asistanlar ve uzun s\u00fcreli etkile\u015fim gerektiren t\u00fcm uygulamalar i\u00e7in olmazsa olmaz bir bile\u015fendir.<\/p>\n
Belge Y\u00fckleyicileri (Document Loaders) ve Retriever’lar (Retrievers): Veri Eri\u015fimi ve Geri Getirme<\/h4>\n
LangChain, BHM’lerin kendi e\u011fitim verilerinin \u00f6tesindeki geni\u015f veri kaynaklar\u0131na eri\u015fmesini sa\u011flamak i\u00e7in \u00e7e\u015fitli bile\u015fenler sunar:<\/p>\n
\n
Document Loaders:<\/strong> PDF’ler, web sayfalar\u0131, CSV dosyalar\u0131, veritabanlar\u0131 gibi farkl\u0131 kaynaklardan veri y\u00fcklemek i\u00e7in kullan\u0131l\u0131r. Bu y\u00fckleyiciler, verileri BHM’lerin i\u015fleyebilece\u011fi “belge” format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcr.<\/li>\n
Text Splitters:<\/strong> Y\u00fcklenen belgeleri BHM’lerin ba\u011flam penceresine s\u0131\u011facak daha k\u00fc\u00e7\u00fck par\u00e7alara (chunks) b\u00f6lmek i\u00e7in kullan\u0131l\u0131r.<\/li>\n
Vectorstores:<\/strong> Embedding’leri saklamak ve benzerlik aramalar\u0131 yapmak i\u00e7in kullan\u0131lan veritabanlar\u0131d\u0131r. Chroma, Pinecone, FAISS gibi bir\u00e7ok pop\u00fcler vekt\u00f6r veritaban\u0131yla entegrasyonu vard\u0131r.<\/li>\n
Retrievers:<\/strong> Bir sorguya veya ba\u011flama dayal\u0131 olarak ilgili belgeleri (genellikle bir Vectorstore’dan) almak i\u00e7in kullan\u0131l\u0131r. Bu, BHM’ye g\u00fcncel veya \u00f6zel bilgiler sunarak “bilgi edinme” yetene\u011fini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/li>\n<\/ul>\n
Bu bile\u015fenler, BHM’ler i\u00e7in bilgiye dayal\u0131 sistemler olu\u015fturman\u0131n temelini olu\u015fturur; BHM’lerin ger\u00e7ek zamanl\u0131 verilerle veya kurum i\u00e7i belgelerle \u00e7al\u0131\u015fmas\u0131na olanak tan\u0131r.<\/p>\n