Yapay zeka teknolojileri, g\u00fcn\u00fcm\u00fcz yaz\u0131l\u0131m d\u00fcnyas\u0131nda devrim niteli\u011finde de\u011fi\u015fimler yaratmaya devam ediyor. \u00d6zellikle b\u00fcy\u00fck dil modellerinin (LLM’ler) y\u00fckseli\u015fiyle birlikte, bu modelleri daha ak\u0131ll\u0131 ve otonom hale getiren “ajan” kavram\u0131 merkezi bir rol oynamaya ba\u015flad\u0131. Microsoft’un a\u00e7\u0131k kaynakl\u0131 SDK’s\u0131 Semantic Kernel, bu ajanlar\u0131n geli\u015ftirilmesi, y\u00f6netilmesi ve birbirleriyle i\u015fbirli\u011fi yapmas\u0131n\u0131n anahtar ara\u00e7lar\u0131ndan biridir. Bu makalede, Semantic Kernel ekosistemindeki Semantic Kernel, geli\u015ftiricilerin b\u00fcy\u00fck dil modellerini (LLM’ler) kullanarak ak\u0131ll\u0131 uygulamalar olu\u015fturmas\u0131n\u0131 sa\u011flayan hafif bir SDK’d\u0131r. LLM’lerin do\u011fal dil i\u015fleme yeteneklerini mevcut kod ve hizmetlerle entegre etmeyi kolayla\u015ft\u0131r\u0131r. Bu entegrasyonun merkezinde ise “ajanlar” yer al\u0131r. Ajanlar, belirli hedeflere ula\u015fmak i\u00e7in LLM’leri, ara\u00e7lar\u0131 ve harici servisleri kullanarak karar verebilen, plan yapabilen ve eylem ger\u00e7ekle\u015ftirebilen otonom varl\u0131klard\u0131r.<\/p>\n Semantic Kernel, LLM’leri sadece birer sohbet aray\u00fcz\u00fc olmaktan \u00e7\u0131kar\u0131p, onlar\u0131 programlanabilir bile\u015fenlere d\u00f6n\u00fc\u015ft\u00fcren bir \u00e7er\u00e7evedir. Geleneksel yaz\u0131l\u0131m m\u00fchendisli\u011fi prensiplerini yapay zeka ile birle\u015ftirerek, geli\u015ftiricilerin LLM’leri fonksiyonlar (Semantic Functions ve Native Functions) arac\u0131l\u0131\u011f\u0131yla \u00e7a\u011f\u0131rmas\u0131na, bu fonksiyonlar\u0131 zincirlemesine ve b\u00f6ylece karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131 olu\u015fturmas\u0131na olanak tan\u0131r. Python, C# ve Java dillerinde kullan\u0131labilir olmas\u0131, geni\u015f bir geli\u015ftirici kitlesine hitap etmesini sa\u011flar.<\/p>\n Geleneksel LLM uygulamalar\u0131nda kullan\u0131c\u0131, her ad\u0131m\u0131 manuel olarak y\u00f6nlendirmek zorundayd\u0131. Yapay zeka ajanlar\u0131 ise bu s\u00fcreci otonom hale getirir. Bir hedefe ula\u015fmak i\u00e7in kendi ba\u015flar\u0131na plan yapabilir, gerekli ara\u00e7lar\u0131 se\u00e7ebilir, eylemleri ger\u00e7ekle\u015ftirebilir ve sonu\u00e7lar\u0131 de\u011ferlendirebilirler. Bu, \u00f6zellikle \u00e7ok ad\u0131ml\u0131, karma\u015f\u0131k ve dinamik g\u00f6revlerde insan m\u00fcdahalesini azaltarak verimlili\u011fi art\u0131r\u0131r ve daha sofistike yapay zeka uygulamalar\u0131n\u0131n \u00f6n\u00fcn\u00fc a\u00e7ar.<\/p>\n Semantic Kernel’deki ajan mimarisi, mod\u00fcler ve geni\u015fletilebilir bir yap\u0131 sunar. Temel olarak, bir ajan bir LLM’i, bir dizi arac\u0131 (fonksiyonlar) ve bir haf\u0131zay\u0131 (konu\u015fma ge\u00e7mi\u015fi, ba\u011flam) bir araya getirir. Bu ajanlar, belirli bir rol ve hedefe g\u00f6re yap\u0131land\u0131r\u0131l\u0131r. Semantic Kernel, tek bir ajandan olu\u015fan basit sistemlerden, Bir <\/code><\/p>\n Tek bir ajan\u0131n yetenekleri belirli bir noktaya kadar yeterli olsa da, daha karma\u015f\u0131k ve \u00e7ok y\u00f6nl\u00fc g\u00f6revler genellikle birden fazla uzmanl\u0131k alan\u0131n\u0131 gerektirir. \u0130\u015fte bu noktada \u00c7oklu ajan sistemleri, her ajan\u0131n belirli bir rol\u00fc ve uzmanl\u0131\u011f\u0131 oldu\u011fu bir insan ekibine benzer. \u00d6rne\u011fin, bir yaz\u0131l\u0131m geli\u015ftirme ekibinde bir \"planlama ajan\u0131\", bir \"kodlama ajan\u0131\" ve bir \"test ajan\u0131\" bulunabilir. Bu ajanlar, g\u00f6revi par\u00e7alara ay\u0131r\u0131r, kendi uzmanl\u0131k alanlar\u0131nda \u00e7al\u0131\u015f\u0131r ve birbirleriyle ileti\u015fim kurarak ilerler. Bu yakla\u015f\u0131m, karma\u015f\u0131k problemleri daha y\u00f6netilebilir par\u00e7alara ay\u0131rarak \u00e7\u00f6z\u00fcm s\u00fcrecini h\u0131zland\u0131r\u0131r ve kalitesini art\u0131r\u0131r.<\/p>\n <\/code><\/p>\n Orkestrasyon, Semantic Kernel'de ajanlar\u0131n ve ara\u00e7lar\u0131n belirli bir i\u015f ak\u0131\u015f\u0131n\u0131 takip ederek karma\u015f\u0131k g\u00f6revleri yerine getirme s\u00fcrecini y\u00f6netme sanat\u0131d\u0131r. Tek bir ajan\u0131n veya bir grup ajan\u0131n belirli bir hedefe ula\u015fmak i\u00e7in hangi ad\u0131mlar\u0131 ataca\u011f\u0131n\u0131, hangi ara\u00e7lar\u0131 kullanaca\u011f\u0131n\u0131 ve hangi s\u0131rayla ilerleyece\u011fini belirler. Bu, yapay zeka uygulamalar\u0131n\u0131n \u00f6ng\u00f6r\u00fclebilir, g\u00fcvenilir ve etkili olmas\u0131n\u0131 sa\u011flar.<\/p>\n Yapay zeka ajanlar\u0131 g\u00fc\u00e7l\u00fcd\u00fcr, ancak kontrols\u00fcz b\u0131rak\u0131ld\u0131klar\u0131nda beklenmedik sonu\u00e7lar \u00fcretebilir veya verimsiz yollar izleyebilirler. Orkestrasyon, bu potansiyel kaosu d\u00fczenli bir i\u015f ak\u0131\u015f\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. \u00d6zellikle i\u015f s\u00fcre\u00e7lerinin otomasyonunda, veri analizinde veya karar destek sistemlerinde, her ad\u0131m\u0131n do\u011fru bir \u015fekilde at\u0131ld\u0131\u011f\u0131ndan ve hedefe ula\u015f\u0131ld\u0131\u011f\u0131ndan emin olmak i\u00e7in orkestrasyon vazge\u00e7ilmezdir. Ayr\u0131ca, hatalar\u0131n izlenmesi, d\u00fczeltilmesi ve s\u00fcre\u00e7lerin optimize edilmesi i\u00e7in de merkezi bir rol oynar.<\/p>\n Ajan ak\u0131\u015flar\u0131n\u0131 tasarlarken, \u00f6ncelikle g\u00f6revin net bir \u015fekilde tan\u0131mlanmas\u0131 gerekir. G\u00f6rev, alt g\u00f6revlere ayr\u0131lmal\u0131 ve her alt g\u00f6rev i\u00e7in hangi ajan\u0131n veya arac\u0131n en uygun oldu\u011fu belirlenmelidir. Ak\u0131\u015f \u015femalar\u0131 veya durum makineleri gibi geleneksel yaz\u0131l\u0131m m\u00fchendisli\u011fi ara\u00e7lar\u0131, bu tasar\u0131m s\u00fcrecinde olduk\u00e7a faydal\u0131d\u0131r. Semantic Kernel, bu ak\u0131\u015flar\u0131 programatik olarak tan\u0131mlama ve y\u00f6netme esnekli\u011fi sunar.<\/p>\n Orkestrasyon Ak\u0131\u015f Tasar\u0131m Ad\u0131mlar\u0131:<\/strong><\/p>\n Orkestrasyon sadece ilk ak\u0131\u015f\u0131 tasarlamakla kalmaz, ayn\u0131 zamanda bu ak\u0131\u015f\u0131 s\u00fcrekli olarak izlemeyi, de\u011ferlendirmeyi ve iyile\u015ftirmeyi de i\u00e7erir. Ajanlar\u0131n performans\u0131n\u0131, karar verme s\u00fcre\u00e7lerini ve ara\u00e7 kullan\u0131mlar\u0131n\u0131 kaydederek, zay\u0131f noktalar\u0131 tespit edebilir ve ak\u0131\u015f\u0131 optimize edebilirsiniz. Kullan\u0131c\u0131 geri bildirimleri, LLM'in prompt'lar\u0131n\u0131n ayarlanmas\u0131 veya yeni ara\u00e7lar\u0131n eklenmesi gibi y\u00f6ntemlerle ajanlar\u0131n daha ak\u0131ll\u0131 ve etkili hale getirilmesi sa\u011flan\u0131r.<\/p>\n Farkl\u0131 orkestrasyon stratejileri mevcuttur:<\/p>\n Semantic Kernel'deki ajanlar ve orkestrasyon yetenekleri, \u00e7ok \u00e7e\u015fitli ger\u00e7ek d\u00fcnya uygulamalar\u0131nda kullan\u0131labilir. \u0130\u015fte baz\u0131 \u00f6rnekler:<\/p>\n Geli\u015fmi\u015f m\u00fc\u015fteri hizmetleri botlar\u0131, Bir veri analizi ajan\u0131, kullan\u0131c\u0131dan bir rapor talebi ald\u0131\u011f\u0131nda, veritaban\u0131 sorgulama ara\u00e7lar\u0131n\u0131 kullanarak verileri \u00e7ekebilir, ard\u0131ndan bir analiz ajan\u0131 bu verileri i\u015fleyebilir ve bir raporlama ajan\u0131 sonu\u00e7lar\u0131 g\u00f6rselle\u015ftirebilir veya \u00f6zetleyebilir. Bu s\u00fcre\u00e7lerin tamam\u0131, orkestrasyon ile otomatikle\u015ftirilebilir. Kullan\u0131c\u0131, sadece do\u011fal dilde bir talep sunar ve tam bir rapor al\u0131r.<\/p>\n Yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerinde, bir \"gereksinim analizi ajan\u0131\" kullan\u0131c\u0131dan istekleri toplayabilir, bir \"kodlama ajan\u0131\" bu gereksinimlere g\u00f6re kod yazabilir ve bir \"test ajan\u0131\" yaz\u0131lan kodu test edebilir. E\u011fitim platformlar\u0131nda ki\u015fiselle\u015ftirilmi\u015f \u00f6\u011frenme deneyimleri sunmak i\u00e7in ajanlar kullan\u0131labilir. Bir \"\u00f6\u011fretmen ajan\u0131\" ders i\u00e7eri\u011fini sunarken, bir \"mentor ajan\u0131\" \u00f6\u011frencinin sorular\u0131n\u0131 yan\u0131tlayabilir ve bir \"de\u011ferlendirme ajan\u0131\" \u00f6\u011frencinin ilerlemesini takip edebilir. Orkestrasyon, \u00f6\u011frencinin \u00f6\u011frenme yolculu\u011funu dinamik olarak uyarlayarak en verimli e\u011fitimi sa\u011flar.<\/p>\n Semantic Kernel'de ajan tabanl\u0131 sistemler geli\u015ftirirken dikkate al\u0131nmas\u0131 gereken baz\u0131 \u00f6nemli noktalar ve en iyi uygulamalar \u015funlard\u0131r:<\/p>\n Her ajan\u0131n belirli bir rol\u00fc, sorumluluklar\u0131 ve yetenekleri olmal\u0131d\u0131r. Rollerin net bir \u015fekilde tan\u0131mlanmas\u0131, ajanlar aras\u0131ndaki \u00e7ak\u0131\u015fmalar\u0131 \u00f6nler ve her ajan\u0131n kendi uzmanl\u0131k alan\u0131nda en iyi performans\u0131 g\u00f6stermesini sa\u011flar. A\u00e7\u0131k ve k\u0131sa a\u00e7\u0131klamalar, LLM'in ajan\u0131n amac\u0131n\u0131 daha iyi anlamas\u0131na yard\u0131mc\u0131 olur.<\/p>\n Ajanlar, hassas verilere eri\u015fim sa\u011flayabilen veya harici sistemlerle etkile\u015fime girebilen ara\u00e7lar kullanabilir. Bu nedenle, g\u00fcvenlik ve gizlilik en \u00fcst d\u00fczeyde tutulmal\u0131d\u0131r. Ara\u00e7lara verilen izinler minimumda tutulmal\u0131 (least privilege principle), veri \u015fifreleme kullan\u0131lmal\u0131 ve hassas bilgilerin LLM'e do\u011frudan if\u015fa edilmesinden ka\u00e7\u0131n\u0131lmal\u0131d\u0131r. Gerekirse, veri maskeleme veya anonimle\u015ftirme teknikleri uygulanmal\u0131d\u0131r.<\/p>\n LLM \u00e7a\u011fr\u0131lar\u0131 maliyetli ve zaman al\u0131c\u0131 olabilir. Performans\u0131 optimize etmek i\u00e7in, gereksiz LLM \u00e7a\u011fr\u0131lar\u0131ndan ka\u00e7\u0131n\u0131lmal\u0131, \u00f6nbellekleme (caching) stratejileri kullan\u0131lmal\u0131 ve ak\u0131\u015flar m\u00fcmk\u00fcn oldu\u011funca verimli tasarlanmal\u0131d\u0131r. Ayr\u0131ca, daha k\u00fc\u00e7\u00fck ve daha spesifik LLM'ler veya a\u00e7\u0131k kaynakl\u0131 modeller, maliyet ve h\u0131z a\u00e7\u0131s\u0131ndan avantaj sa\u011flayabilir.<\/p>\n Ajanlar, harici API'lerin ba\u015far\u0131s\u0131z olmas\u0131, LLM'in hatal\u0131 yan\u0131tlar vermesi veya beklenmedik kullan\u0131c\u0131 girdileri gibi \u00e7e\u015fitli hata durumlar\u0131yla kar\u015f\u0131la\u015fabilir. Sa\u011flam bir hata y\u00f6netimi stratejisi geli\u015ftirmek \u00e7ok \u00f6nemlidir. Hatalar\u0131n yakalanmas\u0131, uygun mesajlarla kullan\u0131c\u0131ya bildirilmesi ve gerekirse ak\u0131\u015f\u0131n g\u00fcvenli bir \u015fekilde sonland\u0131r\u0131lmas\u0131 veya alternatif yollar\u0131n denenmesi sa\u011flanmal\u0131d\u0131r. Yeniden deneme (retry) mekanizmalar\u0131 da faydal\u0131 olabilir.<\/p>\n Semantic Kernel, Semantic Kernel ajanlar\u0131, b\u00fcy\u00fck dil modellerini (LLM'ler) kullanarak belirli hedeflere ula\u015fmak i\u00e7in karar verebilen, plan yapabilen ve eylem ger\u00e7ekle\u015ftirebilen otonom yaz\u0131l\u0131m varl\u0131klar\u0131d\u0131r. Kullan\u0131c\u0131 isteklerini anlar, ara\u00e7lar\u0131 \u00e7a\u011f\u0131r\u0131r ve karma\u015f\u0131k g\u00f6revleri otomatikle\u015ftirirler.<\/p>\n Orkestrasyon, yapay zeka ajanlar\u0131n\u0131n belirli bir i\u015f ak\u0131\u015f\u0131n\u0131 takip ederek karma\u015f\u0131k g\u00f6revleri d\u00fczenli ve \u00f6ng\u00f6r\u00fclebilir bir \u015fekilde yerine getirmesini sa\u011flar. Ajanlar\u0131n hangi ad\u0131mlar\u0131 ataca\u011f\u0131n\u0131, hangi ara\u00e7lar\u0131 kullanaca\u011f\u0131n\u0131 ve hangi s\u0131rayla ilerleyece\u011fini y\u00f6neterek, sistemlerin g\u00fcvenilirli\u011fini ve etkinli\u011fini art\u0131r\u0131r.<\/p>\n Semantic Kernel, g\u00fcvenlik mekanizmalar\u0131 sunsa da, ajan\u0131n g\u00fcvenli\u011fi b\u00fcy\u00fck \u00f6l\u00e7\u00fcde geli\u015ftiricinin uygulamas\u0131na ba\u011fl\u0131d\u0131r. Ara\u00e7lara verilen izinlerin k\u0131s\u0131tlanmas\u0131, hassas verilerin korunmas\u0131, veri \u015fifrelemesi ve sa\u011flam hata y\u00f6netimi gibi en iyi uygulamalar\u0131n takip edilmesiyle ajan sistemlerinin g\u00fcvenli\u011fi art\u0131r\u0131labilir.<\/p>\n Semantic Kernel, Python, C# ve Java dillerinde SDK'lar sunar. Bu dillerden herhangi birini kullanarak Semantic Kernel ajanlar\u0131n\u0131 geli\u015ftirebilirsiniz.<\/p>\n","protected":false},"excerpt":{"rendered":"Yapay zeka teknolojileri, g\u00fcn\u00fcm\u00fcz yaz\u0131l\u0131m d\u00fcnyas\u0131nda devrim niteli\u011finde de\u011fi\u015fimler yaratmaya devam ediyor.","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":[1],"tags":[],"class_list":{"0":"post-40850","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nChatCompletionAgent<\/code>, AgentGroupChat<\/code> gibi temel yap\u0131 ta\u015flar\u0131n\u0131 ve bu ajanlar\u0131n karma\u015f\u0131k g\u00f6revleri yerine getirmek i\u00e7in nas\u0131l orkestre edildi\u011fini detayl\u0131 bir \u015fekilde inceleyece\u011fiz.<\/p>\nSemantic Kernel’e Giri\u015f ve Ajan Kavram\u0131<\/h3>\n
Semantic Kernel Nedir?<\/h4>\n
Yapay Zeka Ajanlar\u0131 Neden \u00d6nemli?<\/h4>\n
Semantic Kernel’deki Ajan Mimarisi<\/h4>\n
AgentGroupChat<\/code> gibi \u00e7oklu ajanlar\u0131n i\u015fbirli\u011fi yapt\u0131\u011f\u0131 karma\u015f\u0131k sistemlere kadar geni\u015f bir yelpazede \u00e7\u00f6z\u00fcmler sunar.<\/p>\nChatCompletionAgent: Temel Yap\u0131 Ta\u015f\u0131<\/h3>\n
ChatCompletionAgent<\/code>, Semantic Kernel’deki en temel ve yayg\u0131n kullan\u0131lan ajan t\u00fcr\u00fcd\u00fcr. Ad\u0131ndan da anla\u015f\u0131laca\u011f\u0131 gibi, bir sohbet tamamlama modelini (genellikle bir LLM) temel alarak \u00e7al\u0131\u015f\u0131r ve do\u011fal dil girdilerini i\u015fleyerek yan\u0131tlar \u00fcretir. Ancak sadece sohbet etmekle kalmaz, ayn\u0131 zamanda tan\u0131mlanan ara\u00e7lar\u0131 (fonksiyonlar\u0131) kullanarak belirli eylemleri de ger\u00e7ekle\u015ftirebilir.<\/p>\nChatCompletionAgent’\u0131n Rol\u00fc<\/h4>\n
ChatCompletionAgent<\/code>, bir kullan\u0131c\u0131n\u0131n veya ba\u015fka bir ajan\u0131n mesajlar\u0131n\u0131 al\u0131r, bu mesajlar\u0131 ve mevcut ba\u011flam\u0131 (haf\u0131za) kullanarak bir LLM’e iletir. LLM’den gelen yan\u0131t\u0131 i\u015fler ve gerekti\u011finde tan\u0131mlanm\u0131\u015f ara\u00e7lar\u0131 \u00e7a\u011f\u0131r\u0131r. \u00d6rne\u011fin, bir hava durumu ajan\u0131, “Bug\u00fcn \u0130stanbul’da hava nas\u0131l?” sorusunu ald\u0131\u011f\u0131nda, hava durumu API’sini \u00e7a\u011f\u0131ran bir arac\u0131 tetikleyebilir ve bu arac\u0131n sonucunu kullan\u0131c\u0131ya do\u011fal dilde sunabilir.<\/p>\nAgent Tan\u0131mlama ve Yap\u0131land\u0131rma<\/h4>\n
ChatCompletionAgent<\/code> olu\u015fturmak, ona bir isim, bir a\u00e7\u0131klama ve kullanaca\u011f\u0131 bir sohbet servisi (LLM) atamakla ba\u015flar. Ayr\u0131ca, ajan\u0131n eri\u015febilece\u011fi ara\u00e7lar\u0131 (fonksiyonlar\u0131) da tan\u0131mlamak gerekir. Bu ara\u00e7lar, harici API’leri \u00e7a\u011f\u0131ran, veritaban\u0131 sorgulayan veya dahili hesaplamalar yapan fonksiyonlar olabilir.<\/p>\n\nfrom semantic_kernel.agents import ChatCompletionAgent\nfrom semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion\nfrom semantic_kernel.kernel import Kernel\n\n# Kernel'i ba\u015flat\nkernel = Kernel()\n\n# Sohbet servisini (LLM) ekle\nservice_id = \"default\"\nkernel.add_service(\n OpenAIChatCompletion(\n service_id=service_id,\n ai_model_id=\"gpt-4o\",\n api_key=\"YOUR_OPENAI_API_KEY\"\n )\n)\n\n# Basit bir fonksiyon (ara\u00e7) tan\u0131mlayal\u0131m\nasync def get_current_time() -> str:\n \"\"\"Mevcut saati d\u00f6nd\u00fcr\u00fcr.\"\"\"\n import datetime\n return datetime.datetime.now().strftime(\"%H:%M:%S\")\n\n# Ajan\u0131 olu\u015ftur ve arac\u0131 ekle\ntime_agent = ChatCompletionAgent(\n name=\"Zaman Ajan\u0131\",\n service_id=service_id,\n description=\"Mevcut zaman\u0131 s\u00f6yleyebilen bir ajan.\",\n kernel=kernel\n)\ntime_agent.add_tool(get_current_time)\n\nprint(f\"{time_agent.name} olu\u015fturuldu.\")\n<\/pre>\nFonksiyon \u00c7a\u011fr\u0131lar\u0131 ve Ara\u00e7 Entegrasyonu<\/h4>\n
ChatCompletionAgent<\/code>'\u0131n en g\u00fc\u00e7l\u00fc \u00f6zelliklerinden biri, LLM'in kendi ba\u015f\u0131na \u00e7\u00f6zemeyece\u011fi g\u00f6revler i\u00e7in harici ara\u00e7lar\u0131 dinamik olarak \u00e7a\u011f\u0131rabilmesidir. LLM, kullan\u0131c\u0131 iste\u011fini analiz eder, hangi arac\u0131n gerekli oldu\u011funu belirler ve bu arac\u0131 \u00e7a\u011f\u0131rarak elde edilen bilgiyi kullanarak yan\u0131t\u0131n\u0131 olu\u015fturur. Bu s\u00fcre\u00e7, \"fonksiyon \u00e7a\u011fr\u0131s\u0131\" veya \"ara\u00e7 kullan\u0131m\u0131\" olarak adland\u0131r\u0131l\u0131r ve ajan\u0131n yeteneklerini \u00f6nemli \u00f6l\u00e7\u00fcde geni\u015fletir.<\/p>\nAgentGroupChat: Ajanlar Aras\u0131 \u0130\u015fbirli\u011fi<\/h3>\n
AgentGroupChat<\/code> devreye girer. AgentGroupChat<\/code>, birden fazla ChatCompletionAgent<\/code>'\u0131n bir araya gelerek, birbirleriyle sohbet ederek ve i\u015fbirli\u011fi yaparak ortak bir hedefe ula\u015fmas\u0131n\u0131 sa\u011flayan bir yap\u0131d\u0131r.<\/p>\n\u00c7oklu Ajan Yakla\u015f\u0131m\u0131<\/h4>\n
AgentGroupChat Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h4>\n
AgentGroupChat<\/code>, bir sohbet odas\u0131 gibi d\u00fc\u015f\u00fcn\u00fclebilir. Ajanlar bu odada birbirlerine mesaj g\u00f6nderir, sorular sorar, bilgi payla\u015f\u0131r ve g\u00f6revleri delege eder. Her ajan\u0131n kendi haf\u0131zas\u0131, ara\u00e7lar\u0131 ve ki\u015fili\u011fi vard\u0131r. Grup sohbeti, belirli bir moderat\u00f6r veya \u00f6nceden tan\u0131mlanm\u0131\u015f kurallar \u00e7er\u00e7evesinde ilerler. Bir ajan bir mesaj g\u00f6nderdi\u011finde, di\u011fer ajanlar bu mesaj\u0131 de\u011ferlendirir ve uygun olan ajan yan\u0131t verir veya bir eylem ger\u00e7ekle\u015ftirir.<\/p>\n\nfrom semantic_kernel.agents import ChatCompletionAgent, AgentGroupChat\nfrom semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion\nfrom semantic_kernel.kernel import Kernel\n\nkernel = Kernel()\nservice_id = \"default\"\nkernel.add_service(\n OpenAIChatCompletion(\n service_id=service_id,\n ai_model_id=\"gpt-4o\",\n api_key=\"YOUR_OPENAI_API_KEY\"\n )\n)\n\n# Ajan 1: Matematik Uzman\u0131\nmath_agent = ChatCompletionAgent(\n name=\"Matematik Uzman\u0131\",\n service_id=service_id,\n description=\"Matematiksel problemleri \u00e7\u00f6zmede uzmanla\u015fm\u0131\u015f bir ajan.\",\n kernel=kernel\n)\n\n# Ajan 2: Genel Bilgi Ajan\u0131\ninfo_agent = ChatCompletionAgent(\n name=\"Bilgi Ajan\u0131\",\n service_id=service_id,\n description=\"\u00c7e\u015fitli konularda genel bilgi sa\u011flayabilen bir ajan.\",\n kernel=kernel\n)\n\n# Grup sohbetini olu\u015ftur\ngroup_chat = AgentGroupChat(\n agents=[math_agent, info_agent],\n kernel=kernel,\n chat_history_limit=10 # Sohbet ge\u00e7mi\u015fi s\u0131n\u0131r\u0131\n)\n\n# Sohbeti ba\u015flat\nasync def run_group_chat():\n print(\"Grup Sohbeti Ba\u015flad\u0131...\")\n result = await group_chat.send_user_message(\"Bana 25'in karek\u00f6k\u00fcn\u00fc s\u00f6yle ve ard\u0131ndan T\u00fcrkiye'nin ba\u015fkentini belirt.\")\n print(\"\\nSohbet Sonucu:\")\n for message in result.messages:\n print(f\"[{message.sender.name}]: {message.content}\")\n\n# run_group_chat() # Ger\u00e7ek bir senaryoda bu fonksiyon \u00e7a\u011fr\u0131l\u0131r\n<\/pre>\nKonu\u015fmac\u0131 Se\u00e7imi ve Ak\u0131\u015f Kontrol\u00fc<\/h4>\n
AgentGroupChat<\/code>'in kritik bile\u015fenlerinden biri, bir sonraki konu\u015fmac\u0131y\u0131 se\u00e7me mekanizmas\u0131d\u0131r. Bu, genellikle bir \"konu\u015fmac\u0131 se\u00e7ici\" (speaker selector) taraf\u0131ndan y\u00f6netilir. Se\u00e7ici, mevcut sohbet ge\u00e7mi\u015fini ve ajanlar\u0131n rollerini dikkate alarak, verilen mesaja en uygun yan\u0131t\u0131 verecek veya bir sonraki ad\u0131m\u0131 atacak ajan\u0131 belirler. Bu dinamik se\u00e7im, sohbetin verimli ve hedefe y\u00f6nelik ilerlemesini sa\u011flar. Semantic Kernel, bu se\u00e7imi LLM'in kendi karar verme yetene\u011fine b\u0131rakabilir veya \u00f6zel kurallar tan\u0131mlanmas\u0131na izin verebilir.<\/p>\nOrkestrasyon: Ajan Ak\u0131\u015flar\u0131n\u0131 Y\u00f6netme<\/h3>\n
Orkestrasyonun \u00d6nemi<\/h4>\n
Ajan Ak\u0131\u015flar\u0131n\u0131 Tasarlama<\/h4>\n
\n
Geri Bildirim ve \u0130teratif \u0130yile\u015ftirme<\/h4>\n
Orkestrasyon Stratejileri<\/h4>\n
\n
Ger\u00e7ek D\u00fcnya Uygulamalar\u0131 ve Senaryolar<\/h3>\n
M\u00fc\u015fteri Hizmetleri Botlar\u0131<\/h4>\n
ChatCompletionAgent<\/code>'lar\u0131 kullanarak kullan\u0131c\u0131 sorular\u0131n\u0131 anlayabilir, AgentGroupChat<\/code> ile farkl\u0131 uzmanl\u0131k alanlar\u0131na sahip ajanlar\u0131 (\u00f6rne\u011fin, sipari\u015f takibi, teknik destek, faturalama) bir araya getirebilir. Orkestrasyon, botun do\u011fru ajana y\u00f6nlendirme yapmas\u0131n\u0131, gerekli bilgileri toplamas\u0131n\u0131 ve karma\u015f\u0131k sorunlar\u0131 \u00e7\u00f6zmesini sa\u011flar. \u00d6rne\u011fin, bir ajan sipari\u015f ge\u00e7mi\u015fini sorgularken, di\u011feri iade politikas\u0131n\u0131 a\u00e7\u0131klayabilir.<\/p>\nVeri Analizi ve Raporlama Ajanlar\u0131<\/h4>\n
Yaz\u0131l\u0131m Geli\u015ftirme Asistanlar\u0131<\/h4>\n
AgentGroupChat<\/code> bu ajanlar\u0131n i\u015fbirli\u011fini sa\u011flayarak, yaz\u0131l\u0131m geli\u015ftirme d\u00f6ng\u00fcs\u00fcn\u00fc h\u0131zland\u0131r\u0131r ve geli\u015ftiricilere \u00f6nemli \u00f6l\u00e7\u00fcde yard\u0131mc\u0131 olur.<\/p>\nE\u011fitim ve \u00d6\u011frenme Platformlar\u0131<\/h4>\n
En \u0130yi Uygulamalar ve Dikkat Edilmesi Gerekenler<\/h3>\n
Ajan Rollerini Net Tan\u0131mlama<\/h4>\n
G\u00fcvenlik ve Gizlilik<\/h4>\n
Performans Optimizasyonu<\/h4>\n
Hata Y\u00f6netimi ve Dayan\u0131kl\u0131l\u0131k<\/h4>\n
Sonu\u00e7<\/h3>\n
ChatCompletionAgent<\/code> ile tekil ajan yeteneklerinden, AgentGroupChat<\/code> ile i\u015fbirli\u011fine dayal\u0131 \u00e7oklu ajan sistemlerine ve karma\u015f\u0131k g\u00f6revleri y\u00f6neten g\u00fc\u00e7l\u00fc orkestrasyon mekanizmalar\u0131na kadar geni\u015f bir yelpazede yapay zeka ajanlar\u0131 geli\u015ftirmek i\u00e7in kapsaml\u0131 bir \u00e7er\u00e7eve sunar. Bu yap\u0131 ta\u015flar\u0131 sayesinde geli\u015ftiriciler, LLM'lerin potansiyelini tam anlam\u0131yla kullanarak daha ak\u0131ll\u0131, otonom ve etkile\u015fimli uygulamalar olu\u015fturabilirler. Yapay zeka ajanlar\u0131n\u0131n gelece\u011fi, \u015f\u00fcphesiz ki bu t\u00fcr \u00e7er\u00e7evelerle \u015fekillenecek ve g\u00fcnl\u00fck hayat\u0131m\u0131zdaki bir\u00e7ok s\u00fcreci daha verimli ve ak\u0131ll\u0131 hale getirecektir. Semantic Kernel, bu heyecan verici gelece\u011fin kap\u0131lar\u0131n\u0131 aralayan \u00f6nemli bir anahtard\u0131r.<\/p>\nSSS (S\u0131k Sorulan Sorular)<\/h3>\n
Semantic Kernel ajanlar\u0131 ne i\u015fe yarar?<\/h4>\n
ChatCompletionAgent ile AgentGroupChat aras\u0131ndaki fark nedir?<\/h4>\n
ChatCompletionAgent<\/code>, tek bir LLM'i temel alan ve belirli ara\u00e7lar\u0131 kullanarak g\u00f6revleri yerine getiren temel bir ajand\u0131r. AgentGroupChat<\/code> ise birden fazla ChatCompletionAgent<\/code>'\u0131n bir araya gelerek birbirleriyle ileti\u015fim kurdu\u011fu ve i\u015fbirli\u011fi yapt\u0131\u011f\u0131 daha karma\u015f\u0131k bir yap\u0131d\u0131r. Grup sohbeti, \u00e7oklu uzmanl\u0131k gerektiren g\u00f6revler i\u00e7in idealdir.<\/p>\nOrkestrasyon neden \u00f6nemlidir?<\/h4>\n
Semantic Kernel ajanlar\u0131 g\u00fcvenli mi?<\/h4>\n
Semantic Kernel ajanlar\u0131 hangi dillerde geli\u015ftirilebilir?<\/h4>\n