B\u00fcy\u00fck Dil Modelleri (LLM’ler) d\u00fcnyay\u0131 kas\u0131p kavururken, Bilgi Art\u0131r\u0131lm\u0131\u015f \u00dcretim (RAG – Retrieval Augmented Generation) teknikleri, bu modellerin g\u00fcncel ve spesifik bilgilere eri\u015fimini sa\u011flayarak hal\u00fcsinasyon riskini azaltmada kilit rol oynam\u0131\u015ft\u0131r. Ancak basit RAG uygulamalar\u0131 genellikle statik bilgi \u00e7ekme ve tek y\u00f6nl\u00fc yan\u0131tlar \u00fcretme ile s\u0131n\u0131rl\u0131d\u0131r. Ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zmek ve daha dinamik, otonom sistemler kurmak i\u00e7in RAG’\u0131n \u00f6tesine ge\u00e7erek “ajan temelli” i\u015f ak\u0131\u015flar\u0131na y\u00f6nelmek gerekiyor. Bu makalede, Next.js, Python ve Supabase gibi modern teknolojileri kullanarak nas\u0131l daha ak\u0131ll\u0131, ara\u00e7 kullanabilen ve karar verebilen ajan temelli sistemler kurabilece\u011fimizi detayl\u0131 bir \u015fekilde inceleyece\u011fiz.<\/p>\n
RAG, LLM’lerin belirli bir bilgi taban\u0131ndan (dok\u00fcmanlar, veritabanlar\u0131 vb.) ilgili par\u00e7ac\u0131klar\u0131 \u00e7ekerek yan\u0131tlar\u0131n\u0131 bu bilgilerle zenginle\u015ftirmesini sa\u011flayan g\u00fc\u00e7l\u00fc bir y\u00f6ntemdir. Ancak \u00e7o\u011fu basit RAG uygulamas\u0131, kullan\u0131c\u0131n\u0131n sorgusuna do\u011frudan bir yan\u0131t \u00fcretmekle s\u0131n\u0131rl\u0131d\u0131r. Ger\u00e7ek d\u00fcnya senaryolar\u0131nda, bir sorgu genellikle birden fazla ad\u0131m\u0131, harici ara\u00e7 kullan\u0131m\u0131n\u0131 veya dinamik karar alma s\u00fcre\u00e7lerini gerektirir.<\/p>\n
Basit RAG, genellikle vekt\u00f6r veritabanlar\u0131nda depolanan \u00f6nceden tan\u0131mlanm\u0131\u015f metin par\u00e7ac\u0131klar\u0131n\u0131 sorgular ve LLM’ye ba\u011flam olarak sunar. Bu yakla\u015f\u0131m, belirli bir dok\u00fcman k\u00fcmesi i\u00e7indeki sorular\u0131 yan\u0131tlamak i\u00e7in m\u00fckemmeldir. Ancak, bir kullan\u0131c\u0131n\u0131n “Bug\u00fcn hava nas\u0131l?” gibi bir sorusuna yan\u0131t vermek i\u00e7in harici bir hava durumu API’sini \u00e7a\u011f\u0131rmak veya “Bana son \u00fc\u00e7 aydaki sat\u0131\u015f raporlar\u0131n\u0131 getir ve \u00f6zetle” gibi bir istek i\u00e7in bir veritaban\u0131 sorgusu \u00e7al\u0131\u015ft\u0131rmak gibi dinamik eylemleri ger\u00e7ekle\u015ftiremez. RAG, “ne” sorusuna yan\u0131t verirken, “nas\u0131l” ve “ne yapmal\u0131y\u0131m” sorular\u0131nda yetersiz kal\u0131r.<\/p>\n
Ajan temelli sistemler, LLM’leri yaln\u0131zca bir metin \u00fcreticisi olarak de\u011fil, ayn\u0131 zamanda bir “ak\u0131l y\u00fcr\u00fctme motoru” olarak kullan\u0131r. Bu sistemler, belirli bir hedefe ula\u015fmak i\u00e7in bir dizi ad\u0131m\u0131 planlayabilir, bu ad\u0131mlar\u0131 ger\u00e7ekle\u015ftirmek i\u00e7in harici ara\u00e7lar\u0131 (API’ler, veritaban\u0131 sorgular\u0131, kod yorumlay\u0131c\u0131lar vb.) kullanabilir ve hatta ba\u015far\u0131s\u0131zl\u0131k durumunda planlar\u0131n\u0131 revize edebilir. Bu, sistemin daha otonom, adaptif ve karma\u015f\u0131k g\u00f6revleri yerine getirebilir olmas\u0131n\u0131 sa\u011flar. \u00d6rne\u011fin, bir m\u00fc\u015fteri destek ajan\u0131, bir kullan\u0131c\u0131n\u0131n sipari\u015f durumunu \u00f6\u011frenmek i\u00e7in bir e-ticaret API’sini sorgulayabilir, ard\u0131ndan kargo takibi i\u00e7in ba\u015fka bir API kullanabilir ve t\u00fcm bu bilgileri sentezleyerek kullan\u0131c\u0131ya kapsaml\u0131 bir yan\u0131t sunabilir.<\/p>\n
Ajan temelli yakla\u015f\u0131mlar, i\u015f ak\u0131\u015f\u0131 otomasyonunda devrim niteli\u011finde yeni kap\u0131lar a\u00e7ar. \u0130nsan m\u00fcdahalesi olmadan, karma\u015f\u0131k g\u00f6revleri ba\u015ftan sona y\u00fcr\u00fctebilen, dinamik ko\u015fullara uyum sa\u011flayabilen ve \u00f6\u011frenme yetene\u011fine sahip sistemler olu\u015fturmak m\u00fcmk\u00fcn hale gelir. Bu, \u00f6zellikle m\u00fc\u015fteri hizmetleri, veri analizi, yaz\u0131l\u0131m geli\u015ftirme asistanl\u0131\u011f\u0131 ve operasyonel y\u00f6netim gibi alanlarda verimlili\u011fi ve kapasiteyi \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n
Bir ajan temelli sistem, basit bir LLM \u00e7a\u011fr\u0131s\u0131ndan \u00e7ok daha fazlas\u0131n\u0131 i\u00e7erir. Bu sistemler, belirli bir mimari ve temel bile\u015fenler etraf\u0131nda in\u015fa edilir.<\/p>\n
Ajan\u0131n beyni, bir LLM’dir. LLM, kullan\u0131c\u0131n\u0131n iste\u011fini anlar, hedefe ula\u015fmak i\u00e7in bir plan yapar, hangi ara\u00e7lar\u0131 kullanaca\u011f\u0131na karar verir ve bu ara\u00e7lar\u0131n \u00e7\u0131kt\u0131s\u0131n\u0131 yorumlar. Bu s\u00fcre\u00e7, “ak\u0131l y\u00fcr\u00fctme” olarak adland\u0131r\u0131l\u0131r ve LLM’nin do\u011fal dil anlama, problem \u00e7\u00f6zme ve mant\u0131ksal \u00e7\u0131kar\u0131m yeteneklerine dayan\u0131r. Modelin kalitesi, ajan sisteminin genel performans\u0131n\u0131 do\u011frudan etkiler.<\/p>\n
Ajanlar\u0131n en \u00f6nemli \u00f6zelliklerinden biri, harici “ara\u00e7lar\u0131” kullanabilmesidir. Bu ara\u00e7lar, belirli bir g\u00f6revi yerine getiren fonksiyonlar veya API’lerdir. \u00d6rnekler aras\u0131nda: Ajanlar, birden fazla etkile\u015fimi kapsayan bir “belle\u011fe” sahip olmal\u0131d\u0131r. Bu bellek, \u00f6nceki konu\u015fmalar\u0131, al\u0131nan kararlar\u0131, kullan\u0131lan ara\u00e7lar\u0131 ve bunlar\u0131n sonu\u00e7lar\u0131n\u0131 i\u00e7erir. Bellek, ajan\u0131n tutarl\u0131 ve ba\u011flamdan kopuk olmayan yan\u0131tlar vermesini, \u00f6nceki hatalar\u0131ndan ders \u00e7\u0131karmas\u0131n\u0131 ve daha karma\u015f\u0131k, \u00e7ok ad\u0131ml\u0131 g\u00f6revleri ba\u015far\u0131yla tamamlamas\u0131n\u0131 sa\u011flar. K\u0131sa s\u00fcreli (ge\u00e7ici konu\u015fma ge\u00e7mi\u015fi) ve uzun s\u00fcreli (vekt\u00f6r veritaban\u0131nda depolanan \u00f6nemli bilgiler) bellek t\u00fcrleri mevcuttur.<\/p>\n Bir ajan, bir hedefe ula\u015fmak i\u00e7in bir “plan” yapar. Bu plan, bir dizi ard\u0131\u015f\u0131k veya paralel ad\u0131mdan olu\u015fabilir. Her ad\u0131mda, ajan bir ara\u00e7 kullanabilir, bilgi toplayabilir veya bir karar verebilir. Arac\u0131n \u00e7\u0131kt\u0131s\u0131 al\u0131nd\u0131\u011f\u0131nda, ajan bu \u00e7\u0131kt\u0131y\u0131 de\u011ferlendirir (geri bildirim) ve bir sonraki ad\u0131m\u0131 belirler. E\u011fer plan ba\u015far\u0131s\u0131z olursa veya beklenmedik bir durum ortaya \u00e7\u0131karsa, ajan plan\u0131n\u0131 revize edebilir veya kullan\u0131c\u0131dan ek bilgi isteyebilir. Bu iteratif s\u00fcre\u00e7, ajan\u0131n karma\u015f\u0131k sorunlar\u0131 \u00e7\u00f6zme yetene\u011finin temelini olu\u015fturur.<\/p>\n Bu makalede ele ald\u0131\u011f\u0131m\u0131z ajan temelli i\u015f ak\u0131\u015f\u0131n\u0131 olu\u015fturmak i\u00e7in modern ve g\u00fc\u00e7l\u00fc bir teknoloji y\u0131\u011f\u0131n\u0131 kullanaca\u011f\u0131z.<\/p>\n Next.js, React tabanl\u0131, sunucu taraf\u0131 render (SSR), statik site \u00fcretimi (SSG) ve API rotalar\u0131 gibi \u00f6zellikler sunan bir web geli\u015ftirme \u00e7er\u00e7evesidir. Kullan\u0131c\u0131 dostu ve h\u0131zl\u0131 aray\u00fczler olu\u015fturmak i\u00e7in idealdir. Ajan temelli sistemimizde Next.js, kullan\u0131c\u0131 etkile\u015fimlerini y\u00f6netecek, ajanla ileti\u015fim kuracak ve sonu\u00e7lar\u0131 kullan\u0131c\u0131ya \u015f\u0131k bir \u015fekilde sunacak frontend uygulamas\u0131n\u0131 sa\u011flayacakt\u0131r. API rotalar\u0131 sayesinde, Python backend’imizle kolayca entegre olabiliriz.<\/p>\n Python, yapay zeka ve makine \u00f6\u011frenimi alan\u0131ndaki zengin k\u00fct\u00fcphane ekosistemi sayesinde ajan temelli sistemlerin backend’i i\u00e7in do\u011fal bir se\u00e7imdir. LangChain veya LlamaIndex gibi \u00e7er\u00e7eveler, ajanlar\u0131n olu\u015fturulmas\u0131, ara\u00e7lar\u0131n tan\u0131mlanmas\u0131, bellek y\u00f6netimi ve LLM’lerle etkile\u015fim i\u00e7in g\u00fc\u00e7l\u00fc soyutlamalar sunar. T\u00fcm ajan mant\u0131\u011f\u0131, ara\u00e7lar\u0131n uygulanmas\u0131 ve LLM API \u00e7a\u011fr\u0131lar\u0131 Python \u00fczerinde ger\u00e7ekle\u015ftirilecektir.<\/p>\n Supabase, a\u00e7\u0131k kaynakl\u0131 bir Firebase alternatifi olarak \u00f6ne \u00e7\u0131kar. PostgreSQL tabanl\u0131 bir veritaban\u0131, kimlik do\u011frulama, ger\u00e7ek zamanl\u0131 abonelikler ve depolama gibi bir\u00e7ok hizmeti tek bir platformda sunar. Ajan temelli i\u015f ak\u0131\u015f\u0131m\u0131zda Supabase’i \u015fu ama\u00e7larla kullanaca\u011f\u0131z: Bu \u00fc\u00e7l\u00fcn\u00fcn kombinasyonu, hem \u00f6l\u00e7eklenebilir bir backend hem de h\u0131zl\u0131, duyarl\u0131 bir frontend ile g\u00fc\u00e7l\u00fc, ajan temelli uygulamalar geli\u015ftirmemize olanak tan\u0131r.<\/p>\n Ajan temelli bir i\u015f ak\u0131\u015f\u0131n\u0131n mimarisi, mod\u00fcler ve \u00f6l\u00e7eklenebilir olmal\u0131d\u0131r. \u0130\u015fte genel bir bak\u0131\u015f ve uygulama ad\u0131mlar\u0131:<\/p>\n <\/code><\/p>\n Kullan\u0131c\u0131, Next.js frontend \u00fczerinden etkile\u015fime girer. \u0130stekler, Next.js API rotalar\u0131 arac\u0131l\u0131\u011f\u0131yla Python backend'e iletilir. Python backend'i, ajan mant\u0131\u011f\u0131n\u0131 (LLM, ara\u00e7lar, bellek) bar\u0131nd\u0131r\u0131r, Supabase ile veri al\u0131\u015fveri\u015finde bulunur ve harici LLM sa\u011flay\u0131c\u0131lar\u0131 veya di\u011fer 3. parti API'lerle ileti\u015fim kurar.<\/p>\n Python'da ajan mant\u0131\u011f\u0131n\u0131 geli\u015ftirmek i\u00e7in LangChain veya LlamaIndex gibi k\u00fct\u00fcphanelerden faydalanabiliriz. Bu k\u00fct\u00fcphaneler, ajanlar\u0131, ara\u00e7lar\u0131 ve belle\u011fi tan\u0131mlamak i\u00e7in y\u00fcksek seviyeli soyutlamalar sunar.<\/p>\n \u00d6rnek: Basit Bir LangChain Ajan\u0131 Tan\u0131mlama<\/strong><\/p>\n <\/code><\/p>\n Bu kod par\u00e7as\u0131, LangChain ile temel bir ajan yap\u0131s\u0131n\u0131n nas\u0131l olu\u015fturulabilece\u011fini g\u00f6sterir. Supabase, ajan\u0131m\u0131z\u0131n hem yap\u0131land\u0131r\u0131lm\u0131\u015f verileri (kullan\u0131c\u0131 bilgileri, i\u015f ak\u0131\u015f\u0131 durumlar\u0131) hem de yap\u0131land\u0131r\u0131lmam\u0131\u015f verilerin vekt\u00f6r g\u00f6mmelerini (uzun s\u00fcreli bellek, dok\u00fcmanlar) depolamas\u0131 i\u00e7in merkezi bir konum sa\u011flar.<\/p>\n \u00d6rnek: Supabase'de pgvector ile Vekt\u00f6r Veritaban\u0131 Kurulumu<\/strong><\/p>\n 1. pgvector uzant\u0131s\u0131n\u0131 etkinle\u015ftirin:<\/strong> Supabase projenizin SQL Editor'\u0131nda \u015funu \u00e7al\u0131\u015ft\u0131r\u0131n:<\/p>\n <\/code> <\/code> <\/code><\/p>\n Next.js frontend, kullan\u0131c\u0131n\u0131n ajanla etkile\u015fim kurdu\u011fu yerdir. Bir sohbet aray\u00fcz\u00fc, kullan\u0131c\u0131n\u0131n sorgular\u0131n\u0131 g\u00f6ndermesini ve ajan\u0131n yan\u0131tlar\u0131n\u0131 g\u00f6r\u00fcnt\u00fclemesini sa\u011flar. Next.js API rotalar\u0131, frontend ile Python backend aras\u0131ndaki k\u00f6pr\u00fc g\u00f6revi g\u00f6r\u00fcr.<\/p>\n \u00d6rnek: Next.js API Rotas\u0131 (pages\/api\/chat.js)<\/strong><\/p>\n <\/code><\/p>\n \u00d6rnek: Next.js Frontend Bile\u015feni (components\/ChatInterface.js)<\/strong><\/p>\n
\n* Arama Motoru:<\/strong> \u0130nternet \u00fczerinden bilgi edinmek i\u00e7in.
\n* Veritaban\u0131 Sorgulay\u0131c\u0131:<\/strong> SQL veya NoSQL veritabanlar\u0131ndan veri \u00e7ekmek veya g\u00fcncellemek i\u00e7in.
\n* Hesap Makinesi\/Kod Yorumlay\u0131c\u0131:<\/strong> Matematiksel i\u015flemler yapmak veya kod \u00e7al\u0131\u015ft\u0131rmak i\u00e7in.
\n* \u00d6zel API’ler:<\/strong> \u015eirket i\u00e7i sistemlerle (CRM, ERP, e-ticaret platformlar\u0131 vb.) etkile\u015fim kurmak i\u00e7in.
\nLLM, ihtiyaca g\u00f6re bu ara\u00e7lar\u0131 \u00e7a\u011f\u0131r\u0131r, gerekli parametreleri sa\u011flar ve arac\u0131n \u00e7\u0131kt\u0131s\u0131n\u0131 alarak sonraki ad\u0131mlar\u0131 belirler.<\/p>\nBellek (Memory) ve Ba\u011flam Y\u00f6netimi<\/h4>\n
Planlama ve Geri Bildirim D\u00f6ng\u00fcleri<\/h4>\n
Teknoloji Y\u0131\u011f\u0131n\u0131m\u0131z\u0131 Tan\u0131yal\u0131m: Next.js, Python ve Supabase<\/h3>\n
Next.js: Modern Web Aray\u00fczleri i\u00e7in G\u00fc\u00e7l\u00fc Bir \u00c7er\u00e7eve<\/h4>\n
Python: Ajan Geli\u015ftirme ve LLM Entegrasyonunun Kalbi<\/h4>\n
Supabase: Veritaban\u0131, Kimlik Do\u011frulama ve Vekt\u00f6r Aramas\u0131 Tek \u00c7at\u0131da<\/h4>\n
\n* PostgreSQL Veritaban\u0131:<\/strong> Ajan\u0131n uzun s\u00fcreli belle\u011fi, kullan\u0131c\u0131 verileri, ara\u00e7 konfig\u00fcrasyonlar\u0131 ve i\u015f ak\u0131\u015f\u0131 kay\u0131tlar\u0131 i\u00e7in.
\n* pgvector uzant\u0131s\u0131:<\/strong> Vekt\u00f6r g\u00f6mmelerini depolamak ve h\u0131zl\u0131 benzerlik aramalar\u0131 yapmak i\u00e7in. Bu, RAG bile\u015fenini ve uzun s\u00fcreli belle\u011fi g\u00fc\u00e7lendirecektir.
\n* Auth:<\/strong> Kullan\u0131c\u0131 kimlik do\u011frulama ve yetkilendirme i\u00e7in.
\n* Edge Fonksiyonlar\u0131 (iste\u011fe ba\u011fl\u0131):<\/strong> Basit API’ler veya webhook’lar i\u00e7in sunucusuz fonksiyonlar.<\/p>\nBir Ajan Temelli \u0130\u015f Ak\u0131\u015f\u0131 Nas\u0131l Olu\u015fturulur? Mimari ve Uygulama Ad\u0131mlar\u0131<\/h3>\n
Mimarinin Genel Bak\u0131\u015f\u0131<\/h4>\n
\n+------------------+ +---------------------+ +---------------------+\n| | | | | |\n| Next.js Frontend | <-------> | Next.js API Routes | <-------> | Python Backend (API)|\n| (Kullan\u0131c\u0131 Aray\u00fcz\u00fc)| | (API Gateway\/Proxy) | | (Ajan Mant\u0131\u011f\u0131) |\n| | | | | |\n+------------------+ +---------------------+ +---------------------+\n | |\n | |\n V V\n +-------------------------------------------------+\n | Supabase |\n | (PostgreSQL, pgvector, Auth, Storage) |\n +-------------------------------------------------+\n | |\n | |\n V V\n +-------------------------------------------------+\n | Harici Servisler |\n | (LLM API'leri, 3. Parti API'ler, Web Servisleri) |\n +-------------------------------------------------+\n<\/pre>\nPython ile Ajan Mant\u0131\u011f\u0131n\u0131 Geli\u015ftirme (LangChain\/LlamaIndex)<\/h4>\n
from langchain.agents import AgentExecutor, create_react_agent\nfrom langchain_core.prompts import PromptTemplate\nfrom langchain_community.tools import DuckDuckGoSearchRun\nfrom langchain_openai import ChatOpenAI\nfrom langchain_core.messages import HumanMessage, AIMessage\n\n# 1. Ara\u00e7lar\u0131 Tan\u0131mlama\ntools = [\n DuckDuckGoSearchRun(name=\"Arama Motoru\"), # \u0130nternet aramas\u0131 i\u00e7in bir ara\u00e7\n # Di\u011fer \u00f6zel ara\u00e7lar buraya eklenebilir (\u00f6rn: Supabase sorgu arac\u0131)\n]\n\n# 2. LLM'i Tan\u0131mlama\nllm = ChatOpenAI(model=\"gpt-4o\", temperature=0)\n\n# 3. Ajan i\u00e7in Prompt Olu\u015fturma\nprompt_template = PromptTemplate.from_template(\"\"\"\nSen, kullan\u0131c\u0131n\u0131n sorular\u0131n\u0131 yan\u0131tlamak ve g\u00f6revlerini yerine getirmek i\u00e7in ara\u00e7lar\u0131 kullanabilen yard\u0131mc\u0131 bir yapay zeka ajan\u0131s\u0131n.\nSana verilen ara\u00e7lar\u0131 en iyi \u015fekilde kullanarak g\u00f6revleri tamamla.\n\u015eu anki konu\u015fma ge\u00e7mi\u015fi:\n{chat_history}\nYeni kullan\u0131c\u0131 iste\u011fi: {input}\n{agent_scratchpad}\n\"\"\")\n\n# 4. Ajan\u0131 Olu\u015fturma\nagent = create_react_agent(llm, tools, prompt_template)\n\n# 5. Ajan Y\u00fcr\u00fct\u00fcc\u00fcs\u00fcn\u00fc Olu\u015fturma (Bellek ile birlikte)\n# Ger\u00e7ek bir uygulamada bellek y\u00f6netimi daha karma\u015f\u0131k olacakt\u0131r.\n# Burada basit bir liste kullan\u0131ld\u0131.\nchat_history = [] \n\nagent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)\n\ndef run_agent_query(query: str, history: list):\n response = agent_executor.invoke({\n \"input\": query,\n \"chat_history\": history,\n })\n history.append(HumanMessage(content=query))\n history.append(AIMessage(content=response[\"output\"]))\n return response[\"output\"]\n\n# Kullan\u0131m \u00f6rne\u011fi:\n# print(run_agent_query(\"\u0130stanbul'da hava nas\u0131l?\", chat_history))\n# print(run_agent_query(\"Bu bilgiyi bir kenara not al ve bana daha sonra hat\u0131rlat.\", chat_history)) \n# (\u0130kinci \u00f6rnek i\u00e7in \"not alma\" arac\u0131 eklenmesi gerekir)<\/pre>\nDuckDuckGoSearchRun<\/code> gibi haz\u0131r ara\u00e7lar\u0131 kullanabilir veya Supabase ile etkile\u015fim kurmak i\u00e7in kendi \u00f6zel ara\u00e7lar\u0131n\u0131z\u0131 yazabilirsiniz.<\/p>\nSupabase ile Veri Y\u00f6netimi ve Vekt\u00f6r Aramas\u0131<\/h4>\n
create extension if not exists vector;<\/pre>\n
\n2. Vekt\u00f6rleri depolamak i\u00e7in bir tablo olu\u015fturun:<\/strong><\/p>\ncreate table documents (\n id uuid primary key default gen_random_uuid(),\n content text,\n embedding vector(1536) -- OpenAI embeddings i\u00e7in 1536 boyut\n );<\/pre>\n
\n3. Python ile Supabase'e veri ekleme ve sorgulama (langchain-community kullanarak):<\/strong><\/p>\nfrom supabase import create_client, Client\n from langchain_openai import OpenAIEmbeddings\n from langchain_community.vectorstores import SupabaseVectorStore\n\n # Supabase kimlik bilgileriniz\n SUPABASE_URL = \"YOUR_SUPABASE_URL\"\n SUPABASE_KEY = \"YOUR_SUPABASE_ANON_KEY\"\n\n # Supabase istemcisini olu\u015fturma\n supabase: Client = create_client(SUPABASE_URL, SUPABASE_KEY)\n\n # Embeddings modelini tan\u0131mlama\n embeddings = OpenAIEmbeddings(model=\"text-embedding-3-small\")\n\n # SupabaseVectorStore \u00f6rne\u011fini olu\u015fturma\n vector_store = SupabaseVectorStore(\n embedding=embeddings,\n client=supabase,\n table_name=\"documents\",\n query_name=\"match_documents\" # Supabase fonksiyonunuzun ad\u0131\n )\n\n # Dok\u00fcman ekleme\n # vector_store.add_texts([\"Bu bir \u00f6rnek dok\u00fcman i\u00e7eri\u011fidir.\", \"Ba\u015fka bir \u00f6nemli bilgi.\"])\n\n # Benzer dok\u00fcmanlar\u0131 sorgulama\n # docs = vector_store.similarity_search(\"\u00d6rnek dok\u00fcman nedir?\", k=2)\n # for doc in docs:\n # print(doc.page_content)\n\n # Not: Supabase'de 'match_documents' ad\u0131nda bir fonksiyon olu\u015fturman\u0131z gerekebilir.\n # Bu fonksiyon, pgvector'\u0131 kullanarak vekt\u00f6r aramas\u0131 yapar.\n # \u00d6rnek bir 'match_documents' fonksiyonu Supabase belgelerinde bulunabilir.<\/pre>\nNext.js ile Kullan\u0131c\u0131 Aray\u00fcz\u00fc ve API Etkile\u015fimi<\/h4>\n
\/\/ pages\/api\/chat.js\nimport axios from 'axios';\n\nexport default async function handler(req, res) {\n if (req.method === 'POST') {\n const { message, chatHistory } = req.body;\n\n try {\n \/\/ Python backend API'sine istek g\u00f6nderme\n const pythonBackendUrl = process.env.PYTHON_BACKEND_URL || 'http:\/\/localhost:8000\/api\/agent-chat';\n const response = await axios.post(pythonBackendUrl, {\n query: message,\n history: chatHistory, \/\/ Ge\u00e7mi\u015fi de g\u00f6nderebiliriz\n });\n\n res.status(200).json({ reply: response.data.reply, newChatHistory: response.data.newChatHistory });\n } catch (error) {\n console.error('Python backend ile ileti\u015fim hatas\u0131:', error.message);\n res.status(500).json({ error: 'Ajan ile ileti\u015fim kurulurken bir hata olu\u015ftu.' });\n }\n } else {\n res.setHeader('Allow', ['POST']);\n res.status(405).end(Method ${req.method} Not Allowed<\/code>);\n }\n}<\/pre>\n\/\/ components\/ChatInterface.js (Basitle\u015ftirilmi\u015f \u00f6rnek)\nimport React, { useState } from 'react';\n\nfunction ChatInterface() {\n const [input, setInput] = useState('');\n const [messages, setMessages] = useState([]); \/\/ { sender: 'user'\/'agent', text: '...' }\n const [chatHistory, setChatHistory] = useState([]); \/\/ LangChain format\u0131nda ge\u00e7mi\u015f\n\n const sendMessage = async () => {\n if (!input.trim()) return;\n\n const userMessage = { sender: 'user', text: input };\n setMessages((prev) => [...prev, userMessage]);\n setInput('');\n\n try {\n const response = await fetch('\/api\/chat', {\n method: 'POST',\n headers: { 'Content-Type': 'application\/json' },\n body: JSON.stringify({ message: input, chatHistory }),\n });\n const data = await response.json();\n\n const agentMessage = { sender: 'agent', text: data.reply };\n setMessages((prev) => [...prev, agentMessage]);\n setChatHistory(data.newChatHistory); \/\/ G\u00fcncel ge\u00e7mi\u015fi al\n } catch (error) {\n console.error('Mesaj g\u00f6nderme hatas\u0131:', error);\n setMessages((prev) => [...prev, { sender: 'agent', text: '\u00dczg\u00fcn\u00fcm, bir hata olu\u015ftu.' }]);\n }\n };\n\n return (\n