Yapay zeka ajanlar\u0131, g\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla de\u011fi\u015fen teknoloji d\u00fcnyas\u0131nda giderek daha kritik bir rol oynamaktad\u0131r. Ancak, Go ekosisteminde \u00fcretim ortam\u0131na uygun, sa\u011flam ve \u00f6l\u00e7eklenebilir bir yapay zeka ajan\u0131 framework’\u00fc bulmak genellikle zorlay\u0131c\u0131 olabiliyor. Bu durum, bir\u00e7ok geli\u015ftiriciyi kendi \u00e7\u00f6z\u00fcmlerini olu\u015fturmaya itiyor. Peki, s\u0131f\u0131rdan kendi Go tabanl\u0131 AI ajan \u00e7er\u00e7evemizi kurarak bu bo\u015flu\u011fu nas\u0131l doldurabiliriz?<\/p>\n
Yapay zeka ajanlar\u0131, belirli hedeflere ula\u015fmak i\u00e7in \u00e7evreleriyle etkile\u015fim kurabilen, kararlar alabilen ve eylemler ger\u00e7ekle\u015ftirebilen otonom sistemlerdir. Bu ajanlar, genellikle B\u00fcy\u00fck Dil Modelleri (LLM’ler) ile desteklenir ve bellek, ara\u00e7 kullan\u0131m\u0131, planlama gibi yeteneklerle donat\u0131l\u0131r. \u00d6rne\u011fin, bir m\u00fc\u015fteri destek ajan\u0131 sorular\u0131 yan\u0131tlayabilir, bir i\u00e7erik \u00fcretim ajan\u0131 makaleler yazabilir veya bir finans ajan\u0131 piyasa verilerini analiz edebilir.<\/p>\n
Go (Golang), y\u00fcksek performans, e\u015fzamanl\u0131l\u0131k (concurrency) ve g\u00fcvenilirlik gibi \u00f6zellikleriyle modern sistemler geli\u015ftirmek i\u00e7in pop\u00fcler bir dildir. \u00d6zellikle mikroservis mimarileri ve y\u00fcksek y\u00fckl\u00fc uygulamalar i\u00e7in idealdir. Bu avantajlar, Go’yu yapay zeka ajanlar\u0131 gibi performans kritik uygulamalar i\u00e7in cazip bir se\u00e7enek haline getirir. Go’nun hafif goroutine’leri ve kanallar\u0131, birden fazla ajan\u0131n paralel \u00e7al\u0131\u015fmas\u0131n\u0131 ve karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 verimli bir \u015fekilde y\u00f6netmesini sa\u011flar. Ancak, Go ekosisteminde yapay zeka ajanlar\u0131 i\u00e7in Python’daki LangChain veya LlamaIndex gibi kapsaml\u0131, \u00fcretim d\u00fczeyinde bir framework’\u00fcn eksikli\u011fi hissedilmektedir. Mevcut Go k\u00fct\u00fcphaneleri genellikle tekil LLM etkile\u015fimleri veya vekt\u00f6r veritaban\u0131 entegrasyonlar\u0131 gibi belirli g\u00f6revlere odaklanm\u0131\u015ft\u0131r, ancak bir ajan\u0131n ya\u015fam d\u00f6ng\u00fcs\u00fc y\u00f6netimi, ara\u00e7 orkestrasyonu, bellek stratejileri ve g\u00f6zlemlenebilirlik gibi t\u00fcm y\u00f6nlerini kapsayan entegre bir \u00e7\u00f6z\u00fcm sunmazlar.<\/p>\n
Bu eksiklik, \u00f6zellikle karma\u015f\u0131k ve \u00e7ok ad\u0131ml\u0131 g\u00f6revleri yerine getirmesi gereken ajanlar geli\u015ftiren ekipler i\u00e7in bir zorluk te\u015fkil eder. \u00d6rne\u011fin, bir e-ticaret platformunda \u00fcr\u00fcn \u00f6nerisi yapan bir ajan d\u00fc\u015f\u00fcnelim. Bu ajan, kullan\u0131c\u0131n\u0131n ge\u00e7mi\u015f al\u0131\u015fveri\u015flerini (bellek), \u00fcr\u00fcn veritaban\u0131n\u0131 sorgulama (ara\u00e7), stok durumunu kontrol etme (ba\u015fka bir ara\u00e7) ve ard\u0131ndan ki\u015fiselle\u015ftirilmi\u015f bir \u00f6neri sunma gibi ad\u0131mlar\u0131 i\u00e7erebilir. Mevcut Go k\u00fct\u00fcphaneleri, bu ad\u0131mlar\u0131n her birini ayr\u0131 ayr\u0131 ele alman\u0131za yard\u0131mc\u0131 olabilir, ancak bu ad\u0131mlar\u0131 bir araya getirip tutarl\u0131, hata toleransl\u0131 ve izlenebilir bir ak\u0131\u015f i\u00e7inde y\u00f6netmek i\u00e7in gereken soyutlamalar\u0131 ve altyap\u0131y\u0131 sa\u011flamazlar. Bu durum, geli\u015ftiricilerin her yeni ajan projesinde tekerle\u011fi yeniden icat etmelerine veya kendi dahili \u00e7\u00f6z\u00fcmlerini par\u00e7al\u0131 bir \u015fekilde olu\u015fturmalar\u0131na neden olur. Bu nedenle, Go’nun performans ve e\u015fzamanl\u0131l\u0131k avantajlar\u0131n\u0131 kullanarak, \u00fcretim ortam\u0131nda ger\u00e7ekten i\u015fe yarayacak, mod\u00fcler ve geni\u015fletilebilir bir yapay zeka ajan\u0131 \u00e7er\u00e7evesine ihtiya\u00e7 duyulmaktad\u0131r.<\/p>\n
Kendi Go yapay zeka ajan\u0131 \u00e7er\u00e7evemizi in\u015fa ederken, \u00fcretim ortam\u0131n\u0131n gerektirdi\u011fi sa\u011flaml\u0131\u011f\u0131, esnekli\u011fi ve \u00f6l\u00e7eklenebilirli\u011fi g\u00f6z \u00f6n\u00fcnde bulundurmal\u0131y\u0131z. Bu \u00e7er\u00e7eve, sadece LLM’lerle etkile\u015fim kurmaktan \u00f6teye ge\u00e7erek, bir ajan\u0131n tam ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc y\u00f6netebilmeli ve karma\u015f\u0131k g\u00f6revleri ba\u015far\u0131yla tamamlamas\u0131n\u0131 sa\u011flayacak temel bile\u015fenleri i\u00e7ermelidir. \u00c7er\u00e7evenin temel ta\u015flar\u0131; ajan soyutlamas\u0131, bellek y\u00f6netimi, ara\u00e7 entegrasyonu, prompt \u015fablonlama, y\u00fcr\u00fctme ak\u0131\u015f\u0131 kontrol\u00fc ve g\u00f6zlemlenebilirlik olarak s\u0131ralanabilir. Bu bile\u015fenler, bir araya gelerek ajan\u0131n “d\u00fc\u015f\u00fcnme”, “hat\u0131rlama” ve “harekete ge\u00e7me” yeteneklerini olu\u015fturur.<\/p>\n
Tasar\u0131m ilkeleri a\u00e7\u0131s\u0131ndan, mod\u00fclerlik en \u00f6ncelikli unsurlardan biridir. Her bir bile\u015fen ba\u011f\u0131ms\u0131z olarak geli\u015ftirilebilmeli ve de\u011fi\u015ftirilebilmeli, b\u00f6ylece farkl\u0131 LLM sa\u011flay\u0131c\u0131lar\u0131, bellek \u00e7\u00f6z\u00fcmleri veya ara\u00e7lar kolayca entegre edilebilir hale gelmelidir. Geni\u015fletilebilirlik, yeni ajan t\u00fcrleri, bellek stratejileri veya ara\u00e7lar eklendi\u011finde \u00e7er\u00e7evenin kolayca adapte olabilmesini sa\u011flar. Test edilebilirlik ise her bile\u015fenin ayr\u0131 ayr\u0131 ve entegre bir \u015fekilde test edilebilmesi anlam\u0131na gelir; bu da \u00fcretim ortam\u0131nda g\u00fcvenilirli\u011fi art\u0131r\u0131r. \u00dcretim ortam\u0131na haz\u0131r bir \u00e7er\u00e7eve i\u00e7in hata y\u00f6netimi, kapsaml\u0131 g\u00fcnl\u00fckleme (logging) ve metrik toplama hayati \u00f6neme sahiptir. Hatalar gracefully (zarif\u00e7e) ele al\u0131nmal\u0131, ajan\u0131n her ad\u0131m\u0131 anla\u015f\u0131l\u0131r bir \u015fekilde g\u00fcnl\u00fc\u011fe kaydedilmeli ve performans metrikleri (latency, token kullan\u0131m\u0131, ba\u015far\u0131 oranlar\u0131) s\u00fcrekli izlenmelidir. Bu sayede, ajanlar\u0131n davran\u0131\u015flar\u0131 anla\u015f\u0131l\u0131r hale gelir ve olas\u0131 sorunlar h\u0131zl\u0131ca tespit edilip \u00e7\u00f6z\u00fclebilir.<\/p>\n
Bir yapay zeka ajan\u0131 \u00e7er\u00e7evesinin kalbinde, ajan\u0131n kendisinin nas\u0131l tan\u0131mland\u0131\u011f\u0131 ve ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fcn nas\u0131l y\u00f6netildi\u011fi yatar. Go’da, bu genellikle bir \u00d6rne\u011fin, bir Bu \u00f6rnekte, Bir yapay zeka ajan\u0131n\u0131n ger\u00e7ek potansiyeli, sadece dil modelinin yetenekleriyle s\u0131n\u0131rl\u0131 de\u011fildir; ayn\u0131 zamanda bilgi depolama (bellek) ve d\u0131\u015f sistemlerle etkile\u015fim kurma (ara\u00e7lar) yetenekleriyle de do\u011frudan ili\u015fkilidir. Bu iki bile\u015fen, ajanlar\u0131n daha karma\u015f\u0131k, ba\u011flama duyarl\u0131 ve eylem odakl\u0131 g\u00f6revleri yerine getirmesini sa\u011flar.<\/p>\n Bellek, ajanlar\u0131n ge\u00e7mi\u015f etkile\u015fimleri, \u00f6\u011frenilen bilgileri ve ba\u011flam\u0131 hat\u0131rlamas\u0131n\u0131 sa\u011flar. Bellek stratejileri genellikle iki ana kategoriye ayr\u0131l\u0131r:<\/p>\n Bellek y\u00f6neticisi, ajanlar\u0131n ge\u00e7mi\u015f konu\u015fmalar\u0131n\u0131 veya \u00f6nemli olaylar\u0131 kaydetmeli ve gerekti\u011finde bunlar\u0131 LLM’in anlayabilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcrerek prompt’a ekleyebilmelidir. \u00d6rne\u011fin, bir Bu Ara\u00e7lar (Tools), ajanlar\u0131n LLM’in do\u011frudan yapamad\u0131\u011f\u0131 d\u0131\u015f d\u00fcnya ile etkile\u015fim kurmas\u0131n\u0131 sa\u011flayan i\u015flevlerdir. Bu, web aramas\u0131 yapmaktan, veritaban\u0131n\u0131 sorgulamaya, bir API’yi \u00e7a\u011f\u0131rmaya veya hesaplama yapmaya kadar geni\u015f bir yelpazeyi kapsar. Ara\u00e7lar, ajanlar\u0131n “eylem” yetene\u011fini art\u0131r\u0131r.<\/p>\n Bir Ajan\u0131n Yapay zeka ajanlar\u0131n\u0131n ger\u00e7ek g\u00fcc\u00fc, sadece tek bir LLM \u00e7a\u011fr\u0131s\u0131 yapmaktan de\u011fil, ayn\u0131 zamanda birden fazla ad\u0131m\u0131, arac\u0131 ve bellek par\u00e7as\u0131n\u0131 bir araya getirerek karma\u015f\u0131k g\u00f6revleri ba\u015far\u0131yla tamamlamas\u0131ndan gelir. Bu s\u00fcre\u00e7, ak\u0131\u015f kontrol\u00fc ve orkestrasyon olarak adland\u0131r\u0131l\u0131r. Bir ajan\u0131n do\u011fru zamanda do\u011fru eylemi yapmas\u0131n\u0131 sa\u011flamak, iyi tasarlanm\u0131\u015f bir prompt m\u00fchendisli\u011fi ve ak\u0131ll\u0131 bir y\u00fcr\u00fctme motoru gerektirir.<\/p>\n Prompt m\u00fchendisli\u011fi, LLM’lerden istenen \u00e7\u0131kt\u0131y\u0131 almak i\u00e7in en etkili giri\u015fleri tasarlama sanat\u0131d\u0131r. Ajan \u00e7er\u00e7evemiz, dinamik prompt’lar olu\u015fturabilmek i\u00e7in g\u00fc\u00e7l\u00fc bir \u015fablonlama mekanizmas\u0131na sahip olmal\u0131d\u0131r. Bu \u015fablonlar, ajan\u0131n sistem rol\u00fcn\u00fc, mevcut ara\u00e7lar\u0131n a\u00e7\u0131klamalar\u0131n\u0131, bellekten gelen ge\u00e7mi\u015f konu\u015fmalar\u0131 ve kullan\u0131c\u0131n\u0131n anl\u0131k girdisini bir araya getirmelidir. Go’nun Bir ajan\u0131n karma\u015f\u0131k bir g\u00f6revi tamamlamas\u0131 genellikle birden fazla ad\u0131mdan olu\u015fur. Bu ad\u0131mlar s\u0131rayla (chaining) veya daha karma\u015f\u0131k bir grafikte (graph execution) y\u00fcr\u00fct\u00fclebilir. \u00d6rne\u011fin, bir m\u00fc\u015fteri destek ajan\u0131 \u00f6nce kullan\u0131c\u0131n\u0131n sorusunu anlamal\u0131, sonra bilgi taban\u0131nda arama yapmal\u0131, ard\u0131ndan CRM sistemini kontrol etmeli ve son olarak bir yan\u0131t olu\u015fturmal\u0131d\u0131r. Bu ad\u0131mlar\u0131n her biri ayr\u0131 bir LLM \u00e7a\u011fr\u0131s\u0131, bir ara\u00e7 kullan\u0131m\u0131 veya bir bellek i\u015flemi olabilir.<\/p>\n \u00c7er\u00e7eve, bu ad\u0131mlar\u0131 tan\u0131mlamak ve aralar\u0131ndaki ge\u00e7i\u015fleri y\u00f6netmek i\u00e7in bir mekanizma sa\u011flamal\u0131d\u0131r. Bu, durum makineleri (state machines) veya i\u015f ak\u0131\u015f\u0131 motorlar\u0131 (workflow engines) ile modellenebilir. Go’da, bu t\u00fcr bir ak\u0131\u015f\u0131 goroutine’ler ve kanallar kullanarak do\u011fal bir \u015fekilde olu\u015fturabiliriz. Her ad\u0131m ayr\u0131 bir goroutine’de \u00e7al\u0131\u015fabilir ve kanallar arac\u0131l\u0131\u011f\u0131yla veri ve kontrol ak\u0131\u015f\u0131 sa\u011flanabilir.<\/p>\n Ajan\u0131n en kritik yeteneklerinden biri, hangi arac\u0131 ne zaman kullanaca\u011f\u0131na veya bir sonraki ad\u0131m\u0131 ne olaca\u011f\u0131na karar verme yetene\u011fidir. Bu genellikle LLM’in kendisi taraf\u0131ndan, verilen prompt ve mevcut ba\u011flama dayanarak yap\u0131l\u0131r. LLM’e, belirli bir formatta (\u00f6rne\u011fin, JSON) bir ara\u00e7 \u00e7a\u011f\u0131rma komutu d\u00f6nd\u00fcrmesi \u00f6\u011fretilir. \u00c7er\u00e7eve, LLM’den gelen bu yan\u0131t\u0131 ayr\u0131\u015ft\u0131r\u0131r, istenen arac\u0131 bulur ve belirlenen arg\u00fcmanlarla \u00e7al\u0131\u015ft\u0131r\u0131r. Ara\u00e7tan d\u00f6nen sonu\u00e7, ajan\u0131n belle\u011fine kaydedilir ve bir sonraki LLM \u00e7a\u011fr\u0131s\u0131nda prompt’a eklenerek ajan\u0131n karar verme s\u00fcrecini zenginle\u015ftirir.<\/p>\n Vaka Analizi: Ak\u0131ll\u0131 M\u00fc\u015fteri Destek Asistan\u0131<\/strong><\/p>\n Bir e-ticaret \u015firketinin ak\u0131ll\u0131 m\u00fc\u015fteri destek asistan\u0131n\u0131 ele alal\u0131m. Bu ajan, m\u00fc\u015fterilerin \u00fcr\u00fcn iadesi, sipari\u015f takibi veya teknik destek gibi konulardaki sorular\u0131n\u0131 yan\u0131tlamak \u00fczere tasarlanm\u0131\u015ft\u0131r. Ajan\u0131n ak\u0131\u015f\u0131 \u015fu \u015fekilde olabilir:<\/p>\n Bu ak\u0131\u015f boyunca, ajan\u0131n bellek y\u00f6neticisi her ad\u0131m\u0131 kaydeder ve LLM’e ba\u011flam sa\u011flar. Go’daki e\u015fzamanl\u0131l\u0131k yetenekleri sayesinde, bu ad\u0131mlar h\u0131zl\u0131 ve verimli bir \u015fekilde y\u00fcr\u00fct\u00fclebilir, birden fazla m\u00fc\u015fteriyle ayn\u0131 anda etkile\u015fim kurulabilir.<\/p>\n \u00dcretim ortam\u0131nda \u00e7al\u0131\u015fan herhangi bir sistemde oldu\u011fu gibi, yapay zeka ajanlar\u0131 \u00e7er\u00e7evemizin de g\u00fcvenilir, kararl\u0131 ve y\u00f6netilebilir olmas\u0131 i\u00e7in g\u00fc\u00e7l\u00fc g\u00f6zlemlenebilirlik ve hata y\u00f6netimi mekanizmalar\u0131na sahip olmas\u0131 gerekir. Aksi takdirde, bir ajan ne kadar ak\u0131ll\u0131 olursa olsun, sorunlar ortaya \u00e7\u0131kt\u0131\u011f\u0131nda k\u00f6rlemesine kal\u0131r ve h\u0131zl\u0131ca m\u00fcdahale etmek zorla\u015f\u0131r.<\/p>\n Ajan\u0131n her \u00f6nemli ad\u0131m\u0131n\u0131, karar\u0131n\u0131 ve eylemini g\u00fcnl\u00fc\u011fe kaydetmek, ajan\u0131n davran\u0131\u015f\u0131n\u0131 anlamak ve sorunlar\u0131 gidermek i\u00e7in kritik \u00f6neme sahiptir. G\u00fcnl\u00fckler, ajan\u0131n hangi prompt’u g\u00f6nderdi\u011fini, LLM’den hangi yan\u0131t\u0131 ald\u0131\u011f\u0131n\u0131, hangi arac\u0131 kulland\u0131\u011f\u0131n\u0131, arac\u0131n \u00e7\u0131kt\u0131s\u0131n\u0131n ne oldu\u011funu ve ne zaman hata olu\u015ftu\u011funu g\u00f6stermelidir. Yap\u0131sal g\u00fcnl\u00fckleme (structured logging) kullanmak (\u00f6rne\u011fin, Go’nun Performans ve sa\u011fl\u0131k metrikleri, ajan\u0131n genel durumunu ve verimlili\u011fini izlemek i\u00e7in vazge\u00e7ilmezdir. Toplanmas\u0131 gereken \u00f6nemli metrikler \u015funlar\u0131 i\u00e7erebilir:<\/p>\n Prometheus gibi bir metrik toplama sistemi ve Grafana gibi bir g\u00f6rselle\u015ftirme arac\u0131yla bu metrikler izlenebilir. Go’nun Karma\u015f\u0131k ajan i\u015f ak\u0131\u015flar\u0131nda, bir iste\u011fin ajan\u0131n farkl\u0131 bile\u015fenlerinden nas\u0131l ge\u00e7ti\u011fini anlamak zor olabilir. Da\u011f\u0131t\u0131k izleme (distributed tracing) sistemleri (\u00f6rne\u011fin, OpenTelemetry, Jaeger) bu sorunu \u00e7\u00f6zmeye yard\u0131mc\u0131 olur. Her ajan\u0131n g\u00f6revi i\u00e7in benzersiz bir izleme kimli\u011fi (trace ID) olu\u015fturulur ve bu kimlik, t\u00fcm LLM \u00e7a\u011fr\u0131lar\u0131, ara\u00e7 \u00e7a\u011fr\u0131lar\u0131 ve bellek i\u015flemleri boyunca ta\u015f\u0131n\u0131r. Bu sayede, bir iste\u011fin ba\u015flang\u0131c\u0131ndan sonuna kadar olan t\u00fcm ad\u0131mlar\u0131n\u0131 g\u00f6rselle\u015ftirebilir ve performans darbo\u011fazlar\u0131n\u0131 veya hata kaynaklar\u0131n\u0131 kolayca tespit edebiliriz.<\/p>\n Sa\u011flam bir hata y\u00f6netimi stratejisi, ajan\u0131n beklenmedik durumlarda bile kararl\u0131 kalmas\u0131n\u0131 sa\u011flar. LLM API’lerinin zaman a\u015f\u0131m\u0131na u\u011framas\u0131, ara\u00e7lar\u0131n ba\u015far\u0131s\u0131z olmas\u0131 veya bellek eri\u015fim sorunlar\u0131 gibi durumlar ele al\u0131nmal\u0131d\u0131r. Yeniden deneme (retry) mekanizmalar\u0131, belirli hatalar i\u00e7in otomatik olarak yeniden denemeyi deneyebilir. Devre kesici (circuit breaker) desenleri, s\u00fcrekli ba\u015far\u0131s\u0131z olan d\u0131\u015f servis \u00e7a\u011fr\u0131lar\u0131n\u0131 ge\u00e7ici olarak durdurarak sistemin daha fazla kaynak t\u00fcketmesini \u00f6nleyebilir. Hatalar, uygun log seviyeleriyle g\u00fcnl\u00fc\u011fe kaydedilmeli ve \u00f6nemli hatalar i\u00e7in uyar\u0131lar (alerting) tetiklenmelidir.<\/p>\n Go’nun g\u00fc\u00e7l\u00fc hata i\u015fleme mekanizmalar\u0131 ( Geli\u015ftirdi\u011fimiz Go tabanl\u0131 yapay zeka ajan\u0131 \u00e7er\u00e7evesi, \u00e7e\u015fitli end\u00fcstrilerde ve i\u015f s\u00fcre\u00e7lerinde \u00f6nemli de\u011fer yaratabilecek potansiyele sahiptir. Go’nun performans, e\u015fzamanl\u0131l\u0131k ve g\u00fcvenilirlik avantajlar\u0131, bu ajanlar\u0131n \u00fcretim ortamlar\u0131nda y\u00fcksek verimlilikle \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. \u0130\u015fte bu \u00e7er\u00e7eveyle hayata ge\u00e7irilebilecek baz\u0131 ger\u00e7ek d\u00fcnya senaryolar\u0131 ve vaka analizleri:<\/p>\n Bir e-ticaret \u015firketi, m\u00fc\u015fteri hizmetleri ekibinin y\u00fck\u00fcn\u00fc hafifletmek ve m\u00fc\u015fteri memnuniyetini art\u0131rmak i\u00e7in ak\u0131ll\u0131 bir asistan geli\u015ftirmek istiyor. Go ajan\u0131 \u00e7er\u00e7evemizle bu asistan\u0131 \u015fu \u015fekilde kurgulayabiliriz:<\/p>\n Go’nun e\u015fzamanl\u0131l\u0131k yetenekleri sayesinde, bu ajan ayn\u0131 anda binlerce m\u00fc\u015fteriye hizmet verebilir, m\u00fc\u015fteri hizmetleri maliyetlerini d\u00fc\u015f\u00fcr\u00fcrken yan\u0131t s\u00fcrelerini optimize eder.<\/p>\n Bir dijital pazarlama ajans\u0131, m\u00fc\u015fterileri i\u00e7in blog yaz\u0131lar\u0131, sosyal medya g\u00f6nderileri ve \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131 gibi i\u00e7erikleri otomatik olarak \u00fcretmek istiyor. Go ajan\u0131 \u00e7er\u00e7evesiyle bu ajans\u0131 \u015f\u00f6yle tasarlayabiliriz:<\/p>\n Bu ajan, i\u00e7erik \u00fcretim s\u00fcrecini otomatize ederek ajans\u0131n verimlili\u011fini art\u0131r\u0131r ve daha fazla m\u00fc\u015fteriye hizmet vermesini sa\u011flar.<\/p>\n Bir finansal dan\u0131\u015fmanl\u0131k firmas\u0131, piyasa verilerini analiz etmek, trendleri tespit etmek ve m\u00fc\u015fterileri i\u00e7in \u00f6zet raporlar olu\u015fturmak \u00fczere bir ajan geli\u015ftirmek istiyor. Go \u00e7er\u00e7evemizle bu ajan:<\/p>\n Bu t\u00fcr bir ajan, finans uzmanlar\u0131n\u0131n rutin veri toplama ve analiz y\u00fck\u00fcn\u00fc azalt\u0131rken, daha h\u0131zl\u0131 ve veri odakl\u0131 kararlar almalar\u0131na yard\u0131mc\u0131 olur.<\/p>\n Bu vaka analizleri, Go ajan\u0131 \u00e7er\u00e7evesinin mod\u00fcler yap\u0131s\u0131n\u0131n ve Go’nun temel yeteneklerinin, karma\u015f\u0131k i\u015f gereksinimlerini kar\u015f\u0131layan \u00fcretim seviyesinde yapay zeka \u00e7\u00f6z\u00fcmleri olu\u015fturmak i\u00e7in nas\u0131l kullan\u0131labilece\u011fini a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Her bir senaryo, ajan\u0131n bellek, ara\u00e7lar ve ak\u0131\u015f kontrol\u00fc bile\u015fenlerinin nas\u0131l \u00f6zelle\u015ftirilebilece\u011fine dair somut \u00f6rnekler sunar.<\/p>\n Go ile in\u015fa etti\u011fimiz yapay zeka ajan\u0131 \u00e7er\u00e7evemizi daha da g\u00fc\u00e7l\u00fc ve esnek hale getirmek i\u00e7in baz\u0131 ileri d\u00fczey teknikleri ve gelecekteki potansiyel geli\u015fim alanlar\u0131n\u0131 g\u00f6z \u00f6n\u00fcnde bulundurmak \u00f6nemlidir.<\/p>\n Go’nun en b\u00fcy\u00fck avantajlar\u0131ndan biri, goroutine’ler ve kanallar arac\u0131l\u0131\u011f\u0131yla kolayca e\u015fzamanl\u0131 ve paralel programlama yapabilmesidir. Ajan \u00e7er\u00e7evemizde, birden fazla arac\u0131n paralel olarak \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131 veya farkl\u0131 ajanlar\u0131n ayn\u0131 anda g\u00f6revleri yerine getirmesi gibi senaryolarda bu yetenekleri aktif olarak kullanabiliriz. \u00d6rne\u011fin, bir ajan\u0131n ayn\u0131 anda hem web aramas\u0131 yap\u0131p hem de bir veritaban\u0131 sorgusu \u00e7al\u0131\u015ft\u0131rmas\u0131, toplam yan\u0131t s\u00fcresini \u00f6nemli \u00f6l\u00e7\u00fcde azaltabilir. Bir ana orkestrasyon goroutine’i, alt g\u00f6revleri ayr\u0131 goroutine’lere delege edip sonu\u00e7lar\u0131 kanallar arac\u0131l\u0131\u011f\u0131yla toplayarak bu t\u00fcr paralel y\u00fcr\u00fctmeyi y\u00f6netebilir.<\/p>\n Tek bir ajan\u0131n yetenekleri s\u0131n\u0131rl\u0131 olabilir. Ger\u00e7ek d\u00fcnya problemlerinin \u00e7o\u011fu, uzmanl\u0131k gerektiren farkl\u0131 g\u00f6revleri koordine eden bir ekip yakla\u015f\u0131m\u0131n\u0131 gerektirir. Multi-agent sistemler, farkl\u0131 uzmanl\u0131k alanlar\u0131na sahip birden fazla ajan\u0131n bir araya gelerek karma\u015f\u0131k bir problemi \u00e7\u00f6zmek i\u00e7in i\u015fbirli\u011fi yapmas\u0131n\u0131 sa\u011flar. \u00d6rne\u011fin, bir “Ara\u015ft\u0131rmac\u0131 Ajan”, “Yazar Ajan” ve “Edit\u00f6r Ajan” bir araya gelerek bir makale yazabilir. \u00c7er\u00e7evemiz, ajanlar aras\u0131 ileti\u015fimi (kanallar veya mesaj kuyruklar\u0131 arac\u0131l\u0131\u011f\u0131yla) ve i\u015fbirli\u011fini kolayla\u015ft\u0131racak mekanizmalar sunmal\u0131d\u0131r. Her ajan, belirli bir g\u00f6revi tamamlad\u0131ktan sonra \u00e7\u0131kt\u0131s\u0131n\u0131 di\u011fer ajanlara iletebilir ve onlar\u0131n eylemlerini tetikleyebilir.<\/p>\n \u00dcretim ortam\u0131nda \u00e7al\u0131\u015fan yapay zeka ajanlar\u0131, g\u00fcvenlik ve etik riskleri de beraberinde getirir. Hassas verilere eri\u015fim, k\u00f6t\u00fcye kullan\u0131m potansiyeli veya yanl\u0131\u015f bilgi yayma riskleri vard\u0131r. \u00c7er\u00e7evemiz, bu riskleri minimize etmek i\u00e7in tasarlanmal\u0131d\u0131r:<\/p>\n Modern LLM’ler (\u00f6zellikle OpenAI’nin GPT modelleri), do\u011frudan fonksiyon \u00e7a\u011f\u0131rma (function calling) gibi geli\u015fmi\u015f \u00f6zellikler sunar. Bu \u00f6zellik, LLM’in belirli bir g\u00f6revi tamamlamak i\u00e7in hangi arac\u0131 ve hangi arg\u00fcmanlar\u0131 kullanmas\u0131 gerekti\u011fini do\u011frudan \u00f6nermesini sa\u011flar. Ajan \u00e7er\u00e7evemiz, bu t\u00fcr geli\u015fmi\u015f LLM \u00f6zelliklerini entegre edebilecek \u015fekilde esnek olmal\u0131d\u0131r. LLM’in \u00e7\u0131kt\u0131s\u0131n\u0131 ayr\u0131\u015ft\u0131r\u0131p do\u011frudan Go fonksiyonlar\u0131na d\u00f6n\u00fc\u015ft\u00fcren bir adapt\u00f6r katman\u0131, bu entegrasyonu kolayla\u015ft\u0131rabilir. Bu, prompt m\u00fchendisli\u011fi y\u00fck\u00fcn\u00fc azalt\u0131rken, ajan\u0131n karar verme yetene\u011fini art\u0131r\u0131r.<\/p>\n Gelecekte, bu \u00e7er\u00e7eveye otomatik \u00f6\u011frenme ve adaptasyon yetenekleri de eklenebilir. \u00d6rne\u011fin, ajan\u0131n performans\u0131n\u0131 izleyerek veya insan geri bildirimlerini toplayarak kendi prompt’lar\u0131n\u0131 veya ara\u00e7 kullan\u0131m stratejilerini zamanla optimize etmesi sa\u011flanabilir. Bu t\u00fcr bir adaptasyon, ajan\u0131n zaman i\u00e7inde daha ak\u0131ll\u0131 ve verimli hale gelmesini sa\u011flayacakt\u0131r. Go ekosisteminin s\u00fcrekli geli\u015fimi ve yapay zeka alan\u0131ndaki yenilikler, bu \u00e7er\u00e7eveye eklenebilecek yeni \u00f6zellikler i\u00e7in sonsuz olanaklar sunmaktad\u0131r.<\/p>\n Go ile s\u0131f\u0131rdan bir yapay zeka ajan\u0131 \u00e7er\u00e7evesi olu\u015fturmak, mevcut ekosistemdeki bo\u015flu\u011fu doldurman\u0131n ve Go’nun performans avantajlar\u0131n\u0131 AI ajanlar\u0131n\u0131n otonom yetenekleriyle birle\u015ftirmenin g\u00fc\u00e7l\u00fc bir yoludur. Bu makalede, ajan\u0131n temel tan\u0131m\u0131ndan bellek ve ara\u00e7 entegrasyonuna, ak\u0131\u015f kontrol\u00fcnden g\u00f6zlemlenebilirli\u011fe kadar bir ajan\u0131n \u00fcretim ortam\u0131na haz\u0131r olmas\u0131 i\u00e7in gereken temel bile\u015fenleri ve tasar\u0131m yakla\u015f\u0131mlar\u0131n\u0131 inceledik. Ger\u00e7ek d\u00fcnya senaryolar\u0131yla, bu \u00e7er\u00e7evenin nas\u0131l somut de\u011fer yaratabilece\u011fini g\u00f6rd\u00fck. Go’nun e\u015fzamanl\u0131l\u0131k yetenekleri, g\u00fcvenilir hata y\u00f6netimi ve mod\u00fcler yap\u0131s\u0131 sayesinde, karma\u015f\u0131k yapay zeka ajanlar\u0131n\u0131 \u00f6l\u00e7eklenebilir ve y\u00f6netilebilir bir \u015fekilde in\u015fa etmek m\u00fcmk\u00fcnd\u00fcr. Kendi \u00e7er\u00e7evemizi olu\u015fturmak, bize tam kontrol ve \u00f6zelle\u015ftirme esnekli\u011fi sa\u011flayarak, i\u015fimizin \u00f6zel ihtiya\u00e7lar\u0131na uygun, yenilik\u00e7i AI \u00e7\u00f6z\u00fcmleri geli\u015ftirmemize olanak tan\u0131r.<\/p>\n 1. Neden Go, Python yerine yapay zeka ajanlar\u0131 i\u00e7in tercih edilmeli?<\/strong><\/p>\n Go, \u00f6zellikle y\u00fcksek performans, e\u015fzamanl\u0131l\u0131k ve d\u00fc\u015f\u00fck gecikme s\u00fcresi gerektiren \u00fcretim ortam\u0131 uygulamalar\u0131 i\u00e7in m\u00fckemmeldir. Python’\u0131n geni\u015f AI k\u00fct\u00fcphane ekosistemi olsa da, Go’nun derlenmi\u015f yap\u0131s\u0131 ve goroutine’leri, birden fazla ajan\u0131 veya paralel i\u015f ak\u0131\u015flar\u0131n\u0131 daha verimli bir \u015fekilde y\u00f6netmenizi sa\u011flar. Mikroservis mimarilerinde veya y\u00fcksek y\u00fckl\u00fc sistemlerde Go, daha iyi \u00f6l\u00e7eklenebilirlik ve kaynak kullan\u0131m\u0131 sunabilir.<\/p>\n 2. Bu \u00e7er\u00e7eve hangi \u00f6l\u00e7ekteki projeler i\u00e7in uygundur?<\/strong><\/p>\n Geli\u015ftirdi\u011fimiz bu t\u00fcr bir \u00e7er\u00e7eve, k\u00fc\u00e7\u00fck ve orta \u00f6l\u00e7ekli projelerden, binlerce ajan\u0131n paralel \u00e7al\u0131\u015ft\u0131\u011f\u0131 b\u00fcy\u00fck kurumsal \u00e7\u00f6z\u00fcmlere kadar geni\u015f bir yelpazede kullan\u0131labilir. Mod\u00fcler yap\u0131s\u0131 sayesinde, ba\u015flang\u0131\u00e7ta basit bir ajanla ba\u015flay\u0131p, ihtiya\u00e7lar do\u011frultusunda yeni bellek stratejileri, ara\u00e7lar veya ak\u0131\u015f kontrol mekanizmalar\u0131 ekleyerek \u00f6l\u00e7e\u011fi b\u00fcy\u00fctebilirsiniz. Go’nun do\u011fas\u0131 gere\u011fi y\u00fcksek performansl\u0131 olmas\u0131, \u00f6l\u00e7eklenebilirlik konusunda \u00f6nemli bir avantaj sa\u011flar.<\/p>\n 3. Hangi LLM modelleriyle entegre edilebilir?<\/strong><\/p>\n \u00c7er\u00e7evenin LLM entegrasyonu i\u00e7in tasarlanan 4. \u00c7er\u00e7eveyi a\u00e7\u0131k kaynak yapmay\u0131 d\u00fc\u015f\u00fcn\u00fcyor musunuz?<\/strong><\/p>\n Evet, bu t\u00fcr bir \u00e7er\u00e7evenin a\u00e7\u0131k kaynak olarak yay\u0131nlanmas\u0131, Go toplulu\u011funun yapay zeka alan\u0131ndaki geli\u015fimine katk\u0131da bulunabilir. A\u00e7\u0131k kaynak, daha fazla geli\u015ftiricinin katk\u0131da bulunmas\u0131na, hatalar\u0131 bulmas\u0131na ve yeni \u00f6zellikler eklemesine olanak tan\u0131r, bu da \u00e7er\u00e7evenin daha h\u0131zl\u0131 olgunla\u015fmas\u0131n\u0131 ve geni\u015f kitlelere ula\u015fmas\u0131n\u0131 sa\u011flar. \u0130lk s\u00fcr\u00fcm\u00fcn temel i\u015flevsellikleri sa\u011flad\u0131ktan sonra, a\u00e7\u0131k kaynak bir proje olarak de\u011ferlendirilebilir.<\/p>\n 5. Geli\u015ftirme s\u00fcreci ne kadar s\u00fcrer?<\/strong><\/p>\n Geli\u015ftirme s\u00fcresi, \u00e7er\u00e7evenin kapsam\u0131na ve ekibin deneyimine ba\u011fl\u0131 olarak de\u011fi\u015fir. Temel bir ajan soyutlamas\u0131, basit bellek ve birka\u00e7 ara\u00e7 entegrasyonu birka\u00e7 hafta i\u00e7inde tamamlanabilir. Ancak, \u00fcretim seviyesinde hata y\u00f6netimi, g\u00f6zlemlenebilirlik, geli\u015fmi\u015f ak\u0131\u015f kontrol\u00fc ve \u00e7e\u015fitli LLM entegrasyonlar\u0131 gibi t\u00fcm \u00f6zellikleriyle kapsaml\u0131 bir \u00e7er\u00e7eve olu\u015fturmak birka\u00e7 ay s\u00fcrebilir. Mod\u00fcler bir yakla\u015f\u0131mla, a\u015famal\u0131 olarak geli\u015ftirme yapmak, s\u00fcreci daha y\u00f6netilebilir k\u0131lar.<\/p>\n #GoLang #YapayZeka #AIagents #FrameworkGeli\u015ftirme #\u00dcretimOrtam\u0131<\/p>\n","protected":false},"excerpt":{"rendered":"Yapay zeka ajanlar\u0131, g\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla de\u011fi\u015fen teknoloji d\u00fcnyas\u0131nda giderek daha kritik bir rol oynamaktad\u0131r.","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-42157","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nAgent<\/code> aray\u00fcz\u00fc (interface) veya yap\u0131 (struct) ile ger\u00e7ekle\u015ftirilir. Bu yap\u0131, ajan\u0131n benzersiz kimli\u011fini, ad\u0131n\u0131, kulland\u0131\u011f\u0131 LLM modelini, bellek y\u00f6netimini ve sahip oldu\u011fu ara\u00e7lar\u0131 i\u00e7ermelidir. Ajan\u0131n durumu (\u00f6rne\u011fin, idle<\/code>, running<\/code>, paused<\/code>) y\u00f6netilerek, e\u015fzamanl\u0131 g\u00f6revlerde veya uzun s\u00fcreli i\u015flemlerde tutarl\u0131l\u0131k sa\u011flan\u0131r. Ajan\u0131n ya\u015fam d\u00f6ng\u00fcs\u00fc, ba\u015flang\u0131\u00e7, durdurma, yeniden ba\u015flatma ve durumunu sorgulama gibi temel operasyonlar\u0131 kapsar. Bu, ajan\u0131n sistem i\u00e7indeki davran\u0131\u015f\u0131n\u0131 \u00f6ng\u00f6r\u00fclebilir ve kontrol edilebilir k\u0131lar.<\/p>\nAgent<\/code> yap\u0131s\u0131 \u015fu \u015fekilde tan\u0131mlanabilir:<\/p>\n\npackage agent\n\nimport (\n\t\"context\"\n\t\"fmt\"\n\n\t\"github.com\/your-org\/your-framework\/llm\" \/\/ LLM entegrasyonu i\u00e7in placeholder\n\t\"github.com\/your-org\/your-framework\/memory\"\n\t\"github.com\/your-org\/your-framework\/tool\"\n)\n\n\/\/ Agent, bir yapay zeka ajan\u0131n\u0131n temel aray\u00fcz\u00fcn\u00fc tan\u0131mlar.\ntype Agent interface {\n\tID() string\n\tName() string\n\tRun(ctx context.Context, input string) (string, error)\n\t\/\/ Di\u011fer ya\u015fam d\u00f6ng\u00fcs\u00fc metodlar\u0131 eklenebilir: Start, Stop, Pause, Resume\n}\n\n\/\/ SimpleAgent, temel bir ajan uygulamas\u0131n\u0131 temsil eder.\ntype SimpleAgent struct {\n\tagentID string\n\tname string\n\tllmClient llm.LLMClient \/\/ LLM ile etkile\u015fim i\u00e7in istemci\n\tmemoryMgr memory.MemoryManager\n\ttools []tool.Tool\n\tsystemPrompt string\n}\n\n\/\/ NewSimpleAgent yeni bir SimpleAgent \u00f6rne\u011fi olu\u015fturur.\nfunc NewSimpleAgent(id, name, systemPrompt string, client llm.LLMClient, memMgr memory.MemoryManager, tools []tool.Tool) *SimpleAgent {\n\treturn &SimpleAgent{\n\t\tagentID: id,\n\t\tname: name,\n\t\tllmClient: client,\n\t\tmemoryMgr: memMgr,\n\t\ttools: tools,\n\t\tsystemPrompt: systemPrompt,\n\t}\n}\n\n\/\/ ID ajan\u0131n benzersiz kimli\u011fini d\u00f6nd\u00fcr\u00fcr.\nfunc (a *SimpleAgent) ID() string {\n\treturn a.agentID\n}\n\n\/\/ Name ajan\u0131n ad\u0131n\u0131 d\u00f6nd\u00fcr\u00fcr.\nfunc (a *SimpleAgent) Name() string {\n\treturn a.name\n}\n\n\/\/ Run ajan\u0131n ana y\u00fcr\u00fctme metodudur.\nfunc (a *SimpleAgent) Run(ctx context.Context, input string) (string, error) {\n\t\/\/ Belle\u011fe giri\u015f kaydet\n\ta.memoryMgr.AddMessage(a.agentID, \"user\", input)\n\n\t\/\/ Prompt olu\u015fturma (bellek ve ara\u00e7 a\u00e7\u0131klamalar\u0131 dahil)\n\tfullPrompt := a.systemPrompt + \"\\n\"\n\tfullPrompt += \"Mevcut ara\u00e7lar: \"\n\tfor _, t := range a.tools {\n\t\tfullPrompt += fmt.Sprintf(\"%s (%s), \", t.Name(), t.Description())\n\t}\n\tfullPrompt += \"\\n\"\n\tfullPrompt += a.memoryMgr.GetConversationHistory(a.agentID) \/\/ Ge\u00e7mi\u015fi al\n\tfullPrompt += fmt.Sprintf(\"\\nKullan\u0131c\u0131: %s\\n\", input)\n\tfullPrompt += \"Ajan: \"\n\n\t\/\/ LLM'den yan\u0131t al\n\tresponse, err := a.llmClient.Generate(ctx, fullPrompt)\n\tif err != nil {\n\t\treturn \"\", fmt.Errorf(\"LLM yan\u0131t\u0131 al\u0131namad\u0131: %w\", err)\n\t}\n\n\t\/\/ Belle\u011fe ajan\u0131n yan\u0131t\u0131n\u0131 kaydet\n\ta.memoryMgr.AddMessage(a.agentID, \"agent\", response)\n\n\t\/\/ Yan\u0131t\u0131 i\u015fle (ara\u00e7 kullan\u0131m\u0131 karar\u0131 vb. burada yap\u0131labilir)\n\t\/\/ \u015eimdilik sadece LLM yan\u0131t\u0131n\u0131 d\u00f6nd\u00fcr\u00fcyoruz.\n\treturn response, nil\n}\n <\/code><\/pre>\n<\/p><\/div>\nSimpleAgent<\/code> temel bir ajan yap\u0131s\u0131n\u0131 ve Run<\/code> metodunu g\u00f6steriyor. Bu metod, ajan\u0131n belle\u011fi kullanarak bir prompt olu\u015fturmas\u0131n\u0131 ve LLM’den yan\u0131t almas\u0131n\u0131 sa\u011flar. Geli\u015fmi\u015f senaryolarda, Run<\/code> metodu i\u00e7inde ara\u00e7 kullan\u0131m mant\u0131\u011f\u0131, karar verme s\u00fcre\u00e7leri ve daha karma\u015f\u0131k ak\u0131\u015f kontrolleri de yer alabilir. Ajan\u0131n durumunu y\u00f6netmek i\u00e7in, Agent<\/code> aray\u00fcz\u00fcne Start()<\/code>, Stop()<\/code> gibi metodlar eklenebilir ve bu metodlar i\u00e7 goroutine’leri y\u00f6netebilir.<\/p>\nBellek (Memory) ve Ara\u00e7 (Tool) Entegrasyonu: Ajanlara Nas\u0131l Yetenek Kazand\u0131r\u0131l\u0131r?<\/h3>\n
Bellek Y\u00f6netimi<\/h4>\n
\n
MemoryManager<\/code> aray\u00fcz\u00fc ve basit bir uygulama \u015fu \u015fekilde olabilir:<\/p>\n\npackage memory\n\nimport \"fmt\"\n\n\/\/ Message, bir konu\u015fma i\u00e7indeki tek bir mesaj\u0131 temsil eder.\ntype Message struct {\n\tRole string \/\/ \"user\", \"agent\", \"system\", \"tool\"\n\tContent string\n}\n\n\/\/ MemoryManager, ajanlar i\u00e7in bellek y\u00f6netimini tan\u0131mlar.\ntype MemoryManager interface {\n\tAddMessage(agentID, role, content string)\n\tGetConversationHistory(agentID string) string\n\tClearHistory(agentID string)\n}\n\n\/\/ SimpleMemory, basit bir bellek y\u00f6neticisi uygulamas\u0131d\u0131r.\ntype SimpleMemory struct {\n\tconversations map[string][]Message \/\/ agentID -> mesaj listesi\n\tmaxHistoryLen int \/\/ Tutulacak maksimum mesaj say\u0131s\u0131\n}\n\n\/\/ NewSimpleMemory yeni bir SimpleMemory \u00f6rne\u011fi olu\u015fturur.\nfunc NewSimpleMemory(maxLen int) *SimpleMemory {\n\treturn &SimpleMemory{\n\t\tconversations: make(map[string][]Message),\n\t\tmaxHistoryLen: maxLen,\n\t}\n}\n\n\/\/ AddMessage, belirli bir ajan\u0131n konu\u015fma ge\u00e7mi\u015fine mesaj ekler.\nfunc (sm *SimpleMemory) AddMessage(agentID, role, content string) {\n\tsm.conversations[agentID] = append(sm.conversations[agentID], Message{Role: role, Content: content})\n\t\/\/ Maksimum uzunlu\u011fu a\u015farsa eski mesajlar\u0131 sil\n\tif len(sm.conversations[agentID]) > sm.maxHistoryLen {\n\t\tsm.conversations[agentID] = sm.conversations[agentID][len(sm.conversations[agentID])-sm.maxHistoryLen:]\n\t}\n}\n\n\/\/ GetConversationHistory, belirli bir ajan\u0131n konu\u015fma ge\u00e7mi\u015fini string olarak d\u00f6nd\u00fcr\u00fcr.\nfunc (sm *SimpleMemory) GetConversationHistory(agentID string) string {\n\thistory := \"\"\n\tfor _, msg := range sm.conversations[agentID] {\n\t\thistory += fmt.Sprintf(\"%s: %s\\n\", msg.Role, msg.Content)\n\t}\n\treturn history\n}\n\n\/\/ ClearHistory, belirli bir ajan\u0131n konu\u015fma ge\u00e7mi\u015fini temizler.\nfunc (sm *SimpleMemory) ClearHistory(agentID string) {\n\tdelete(sm.conversations, agentID)\n}\n <\/code><\/pre>\n<\/p><\/div>\nSimpleMemory<\/code> yap\u0131s\u0131, her ajan i\u00e7in konu\u015fma ge\u00e7mi\u015fini tutar ve belirlenen maksimum mesaj say\u0131s\u0131n\u0131 a\u015farsa en eski mesajlar\u0131 siler. Daha geli\u015fmi\u015f bir bellek y\u00f6neticisi, vekt\u00f6r veritaban\u0131 entegrasyonu ile uzun s\u00fcreli bellek yetene\u011fi de sunabilir.<\/p>\nAra\u00e7 Entegrasyonu<\/h4>\n
Tool<\/code> aray\u00fcz\u00fc ve \u00f6rnek bir WebSearchTool<\/code> uygulamas\u0131 \u015fu \u015fekilde olabilir:<\/p>\n\npackage tool\n\nimport (\n\t\"fmt\"\n\t\"log\" \/\/ Ger\u00e7ek uygulamada daha geli\u015fmi\u015f bir logger kullan\u0131lmal\u0131\n)\n\n\/\/ Tool, bir ajan\u0131n kullanabilece\u011fi bir aray\u00fcz\u00fc tan\u0131mlar.\ntype Tool interface {\n\tName() string\n\tDescription() string\n\tRun(input string) (string, error)\n}\n\n\/\/ WebSearchTool, web aramas\u0131 yapabilen basit bir ara\u00e7t\u0131r.\ntype WebSearchTool struct {\n\t\/\/ Arama motoru API anahtar\u0131 veya istemcisi burada yer alabilir\n}\n\n\/\/ NewWebSearchTool yeni bir WebSearchTool \u00f6rne\u011fi olu\u015fturur.\nfunc NewWebSearchTool() *WebSearchTool {\n\treturn &WebSearchTool{}\n}\n\n\/\/ Name arac\u0131n ad\u0131n\u0131 d\u00f6nd\u00fcr\u00fcr.\nfunc (t *WebSearchTool) Name() string {\n\treturn \"web_search\"\n}\n\n\/\/ Description arac\u0131n ne i\u015fe yarad\u0131\u011f\u0131n\u0131 a\u00e7\u0131klar.\nfunc (t *WebSearchTool) Description() string {\n\treturn \"\u0130nternet \u00fczerinde bilgi aramak i\u00e7in kullan\u0131l\u0131r. Giri\u015f olarak arama sorgusunu al\u0131r.\"\n}\n\n\/\/ Run, arac\u0131 \u00e7al\u0131\u015ft\u0131r\u0131r ve sonucu d\u00f6nd\u00fcr\u00fcr.\nfunc (t *WebSearchTool) Run(input string) (string, error) {\n\tlog.Printf(\"WebSearchTool \u00e7al\u0131\u015ft\u0131r\u0131l\u0131yor: %s\", input)\n\t\/\/ Ger\u00e7ek bir uygulamada burada bir arama motoru API'si \u00e7a\u011fr\u0131l\u0131r (\u00f6rne\u011fin Google Custom Search, Bing Search).\n\t\/\/ Basitlik ad\u0131na, burada statik bir yan\u0131t d\u00f6nd\u00fcr\u00fcyoruz.\n\tif input == \"Go framework for AI agents\" {\n\t\treturn \"Go'da AI ajanlar\u0131 i\u00e7in LangChain Go, AgentGo gibi baz\u0131 k\u00fct\u00fcphaneler bulunmaktad\u0131r, ancak Python'daki kadar olgun bir ekosistem hen\u00fcz yoktur.\", nil\n\t}\n\treturn fmt.Sprintf(\"'%s' i\u00e7in web aramas\u0131 yap\u0131ld\u0131. Sonu\u00e7 bulunamad\u0131.\", input), nil\n}\n\n\/\/ CalculatorTool, basit matematiksel i\u015flemler yapabilen bir ara\u00e7t\u0131r.\ntype CalculatorTool struct{}\n\nfunc NewCalculatorTool() *CalculatorTool {\n\treturn &CalculatorTool{}\n}\n\nfunc (t *CalculatorTool) Name() string {\n\treturn \"calculator\"\n}\n\nfunc (t *CalculatorTool) Description() string {\n\treturn \"Basit matematiksel i\u015flemler (toplama, \u00e7\u0131karma, \u00e7arpma, b\u00f6lme) yapar. Giri\u015f olarak matematiksel ifadeyi al\u0131r (\u00f6rn: 5+3).\"\n}\n\nfunc (t *CalculatorTool) Run(input string) (string, error) {\n\tlog.Printf(\"CalculatorTool \u00e7al\u0131\u015ft\u0131r\u0131l\u0131yor: %s\", input)\n\t\/\/ Ger\u00e7ek bir uygulamada burada matematiksel ifade ayr\u0131\u015ft\u0131r\u0131l\u0131p hesaplan\u0131rd\u0131.\n\t\/\/ Basitlik ad\u0131na, burada \u00f6rnek bir hesaplama yap\u0131yoruz.\n\tswitch input {\n\tcase \"5+3\":\n\t\treturn \"8\", nil\n\tcase \"10-2\":\n\t\treturn \"8\", nil\n\tdefault:\n\t\treturn \"Ge\u00e7ersiz hesaplama ifadesi veya desteklenmeyen i\u015flem.\", nil\n\t}\n}\n <\/code><\/pre>\n<\/p><\/div>\nRun<\/code> metodunda veya ayr\u0131 bir “planlay\u0131c\u0131” (planner) bile\u015feninde, LLM’in yan\u0131t\u0131 analiz edilerek hangi arac\u0131n ne zaman ve hangi arg\u00fcmanlarla kullan\u0131laca\u011f\u0131na karar verilir. Bu, genellikle LLM’e ara\u00e7lar\u0131n a\u00e7\u0131klamalar\u0131n\u0131 i\u00e7eren \u00f6zel bir prompt g\u00f6nderilerek ve LLM’in belirli bir formatta (\u00f6rne\u011fin, JSON) ara\u00e7 kullan\u0131m\u0131n\u0131 \u00f6nermesi beklenerek yap\u0131l\u0131r. Ajan \u00e7er\u00e7evesi, bu \u00f6neriyi ayr\u0131\u015ft\u0131r\u0131p ilgili arac\u0131 \u00e7al\u0131\u015ft\u0131r\u0131r ve sonucunu tekrar LLM’e veya kullan\u0131c\u0131ya iletir.<\/p>\nAk\u0131\u015f Kontrol\u00fc ve Orkestrasyon: Ajanlar\u0131n Karma\u015f\u0131k G\u00f6revleri Nas\u0131l Y\u00f6netilir?<\/h2>\n
Prompt M\u00fchendisli\u011fi ve \u015eablonlama<\/h4>\n
text\/template<\/code> paketi veya \u00fc\u00e7\u00fcnc\u00fc taraf \u015fablonlama k\u00fct\u00fcphaneleri bu ama\u00e7la kullan\u0131labilir. \u00d6rne\u011fin, bir ajan\u0131n ara\u00e7lar\u0131 kullanmas\u0131 i\u00e7in LLM’e g\u00f6nderilecek prompt, ara\u00e7lar\u0131n adlar\u0131n\u0131 ve a\u00e7\u0131klamalar\u0131n\u0131 i\u00e7ermelidir, b\u00f6ylece LLM hangi arac\u0131n ne i\u015fe yarad\u0131\u011f\u0131n\u0131 anlayabilir ve karar verebilir.<\/p>\n\n\/\/ prompt\/template.go\npackage prompt\n\nimport (\n\t\"bytes\"\n\t\"text\/template\"\n)\n\n\/\/ PromptTemplate, dinamik prompt'lar olu\u015fturmak i\u00e7in bir \u015fablon yap\u0131s\u0131d\u0131r.\ntype PromptTemplate struct {\n\ttemplate *template.Template\n}\n\n\/\/ NewPromptTemplate yeni bir PromptTemplate olu\u015fturur.\nfunc NewPromptTemplate(tmplStr string) (*PromptTemplate, error) {\n\ttmpl, err := template.New(\"prompt\").Parse(tmplStr)\n\tif err != nil {\n\t\treturn nil, err\n\t}\n\treturn &PromptTemplate{template: tmpl}, nil\n}\n\n\/\/ Render, verilen verileri kullanarak prompt'u olu\u015fturur.\nfunc (pt *PromptTemplate) Render(data interface{}) (string, error) {\n\tvar buf bytes.Buffer\n\tif err := pt.template.Execute(&buf, data); err != nil {\n\t\treturn \"\", err\n\t}\n\treturn buf.String(), nil\n}\n\n\/\/ \u00d6rnek kullan\u0131m:\n\/*\npromptTmpl, _ := prompt.NewPromptTemplate(Sistem: Sen bir yard\u0131mc\u0131 asistans\u0131n.\nMevcut ara\u00e7lar:\n{{range .Tools}}- {{.Name}}: {{.Description}}\n{{end}}\nGe\u00e7mi\u015f:\n{{.History}}\nKullan\u0131c\u0131: {{.Input}}\nAjan:<\/code>)\ndata := map[string]interface{}{\n \"Tools\": []tool.Tool{\n tool.NewWebSearchTool(),\n tool.NewCalculatorTool(),\n },\n \"History\": \"Kullan\u0131c\u0131: Merhaba\\nAjan: Merhaba, size nas\u0131l yard\u0131mc\u0131 olabilirim?\\n\",\n \"Input\": \"Bug\u00fcn hava nas\u0131l?\",\n}\nrenderedPrompt, _ := promptTmpl.Render(data)\n\/\/ renderedPrompt \u015fimdi LLM'e g\u00f6nderilmeye haz\u0131r.\n*\/\n <\/code><\/pre>\n<\/p><\/div>\nChaining ve Grafik Y\u00fcr\u00fctme<\/h4>\n
Karar Verme ve Ara\u00e7 Se\u00e7imi<\/h4>\n
\n
OrderTrackingTool<\/code> arac\u0131n\u0131 se\u00e7er.<\/li>\nOrderTrackingTool<\/code>, m\u00fc\u015fterinin sipari\u015f numaras\u0131n\u0131 (bellekten veya ek bir sorguyla alarak) kullanarak \u015firketin sipari\u015f y\u00f6netim sisteminden (bir API \u00e7a\u011fr\u0131s\u0131) sipari\u015f durumunu \u00e7eker.<\/li>\nG\u00f6zlemlenebilirlik (Observability) ve Hata Y\u00f6netimi: \u00dcretim Ortam\u0131nda G\u00fcvenilirlik Nas\u0131l Sa\u011flan\u0131r?<\/h2>\n
G\u00fcnl\u00fckleme (Logging)<\/h4>\n
log\/slog<\/code> paketi veya zap<\/code>, logrus<\/code> gibi \u00fc\u00e7\u00fcnc\u00fc taraf k\u00fct\u00fcphanelerle), g\u00fcnl\u00fcklerin makine taraf\u0131ndan okunabilir olmas\u0131n\u0131 ve merkezi g\u00fcnl\u00fck y\u00f6netim sistemlerinde (\u00f6rne\u011fin, ELK Stack, Grafana Loki) kolayca aranabilir ve analiz edilebilir olmas\u0131n\u0131 sa\u011flar.<\/p>\n\npackage main\n\nimport (\n\t\"log\/slog\"\n\t\"os\"\n)\n\nfunc main() {\n\tlogger := slog.New(slog.NewJSONHandler(os.Stdout, nil))\n\tslog.SetDefault(logger)\n\n\tagentID := \"customer-support-001\"\n\tuserInput := \"Sipari\u015fimin durumu nedir?\"\n\n\tslog.Info(\"Ajan g\u00f6reve ba\u015flad\u0131\",\n\t\tslog.String(\"agent_id\", agentID),\n\t\tslog.String(\"event\", \"task_started\"),\n\t\tslog.String(\"input\", userInput))\n\n\t\/\/ LLM \u00e7a\u011fr\u0131s\u0131 yap\u0131ld\u0131\u011f\u0131 varsayal\u0131m\n\tllmResponse := \"Ara\u00e7 kullan: OrderTrackingTool(sipari\u015f_id='XYZ123')\"\n\tslog.Info(\"LLM yan\u0131t\u0131 al\u0131nd\u0131\",\n\t\tslog.String(\"agent_id\", agentID),\n\t\tslog.String(\"event\", \"llm_response\"),\n\t\tslog.String(\"response\", llmResponse))\n\n\t\/\/ Ara\u00e7 \u00e7a\u011fr\u0131s\u0131 yap\u0131ld\u0131\u011f\u0131 varsayal\u0131m\n\ttoolName := \"OrderTrackingTool\"\n\ttoolInput := \"sipari\u015f_id='XYZ123'\"\n\tslog.Info(\"Ara\u00e7 \u00e7a\u011fr\u0131l\u0131yor\",\n\t\tslog.String(\"agent_id\", agentID),\n\t\tslog.String(\"event\", \"tool_call\"),\n\t\tslog.String(\"tool_name\", toolName),\n\t\tslog.String(\"tool_input\", toolInput))\n\n\ttoolOutput := \"Sipari\u015finiz yolda.\"\n\tslog.Info(\"Ara\u00e7 yan\u0131t\u0131 al\u0131nd\u0131\",\n\t\tslog.String(\"agent_id\", agentID),\n\t\tslog.String(\"event\", \"tool_response\"),\n\t\tslog.String(\"tool_name\", toolName),\n\t\tslog.String(\"tool_output\", toolOutput))\n\n\t\/\/ Ajan\u0131n nihai yan\u0131t\u0131\n\tfinalResponse := \"Sipari\u015finiz yolda, tahmini teslim tarihi 3 g\u00fcn i\u00e7inde.\"\n\tslog.Info(\"Ajan g\u00f6revi tamamlad\u0131\",\n\t\tslog.String(\"agent_id\", agentID),\n\t\tslog.String(\"event\", \"task_completed\"),\n\t\tslog.String(\"output\", finalResponse))\n\n\t\/\/ Hata durumu\n\tif true { \/\/ \u00d6rnek bir hata durumu\n\t\tslog.Error(\"LLM \u00e7a\u011fr\u0131s\u0131nda hata olu\u015ftu\",\n\t\t\tslog.String(\"agent_id\", agentID),\n\t\t\tslog.String(\"event\", \"llm_error\"),\n\t\t\tslog.String(\"error_message\", \"API limiti a\u015f\u0131ld\u0131\"))\n\t}\n}\n <\/code><\/pre>\n<\/p><\/div>\nMetrikler<\/h4>\n
\n
expvar<\/code> paketi veya Prometheus client k\u00fct\u00fcphanesi bu metrikleri kolayca d\u0131\u015fa aktarman\u0131za olanak tan\u0131r.<\/p>\n\u0130zleme (Tracing)<\/h4>\n
Hata Y\u00f6netimi<\/h4>\n
error<\/code> interface) ve context<\/code> paketi, zaman a\u015f\u0131m\u0131 ve iptal sinyallerini y\u00f6neterek hata toleransl\u0131 sistemler in\u015fa etmemize yard\u0131mc\u0131 olur. Her bir ara\u00e7 \u00e7a\u011fr\u0131s\u0131 veya LLM iste\u011fi, bir context.Context<\/code> ile sarmalanarak iptal edilebilir veya zaman a\u015f\u0131m\u0131na u\u011frayabilir hale getirilmelidir.<\/p>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131: Go Ajan \u00c7er\u00e7evesiyle Neler Yap\u0131labilir?<\/h2>\n
Vaka Analizi 1: Ak\u0131ll\u0131 M\u00fc\u015fteri Destek Asistan\u0131<\/h3>\n
\n
\n
OrderTrackingTool<\/code>: Sipari\u015f durumunu sorgular.<\/li>\nProductInfoTool<\/code>: \u00dcr\u00fcn katalo\u011fundan bilgi \u00e7eker.<\/li>\nReturnPolicyTool<\/code>: \u0130ade politikalar\u0131n\u0131 a\u00e7\u0131klar.<\/li>\nCRMUpdateTool<\/code>: M\u00fc\u015fteri bilgilerini veya \u015fikayetleri CRM sistemine kaydeder.<\/li>\n<\/ul>\n<\/li>\nOrderTrackingTool<\/code>‘u \u00e7a\u011f\u0131r\u0131r. “Bu \u00fcr\u00fcn\u00fc iade edebilir miyim?” sorusunda ReturnPolicyTool<\/code> ve ProductInfoTool<\/code>‘u birlikte kullan\u0131r. Elde etti\u011fi bilgilerle m\u00fc\u015fteriye ki\u015fiselle\u015ftirilmi\u015f ve do\u011fru bir yan\u0131t olu\u015fturur.<\/li>\nVaka Analizi 2: Otomatik \u0130\u00e7erik \u00dcretim Ajans\u0131<\/h3>\n
\n
\n
WebResearchTool<\/code>: Belirli bir konu hakk\u0131nda g\u00fcncel bilgi toplar.<\/li>\nSEOKeywordTool<\/code>: Verilen konu i\u00e7in ilgili anahtar kelimeleri ve arama hacimlerini bulur.<\/li>\nContentGenerationTool<\/code>: LLM’i kullanarak i\u00e7eri\u011fin tasla\u011f\u0131n\u0131 olu\u015fturur.<\/li>\nGrammarCheckTool<\/code>: Olu\u015fturulan i\u00e7eri\u011fin dilbilgisi ve yaz\u0131m hatalar\u0131n\u0131 kontrol eder.<\/li>\nPublishingTool<\/code>: \u0130\u00e7eri\u011fi do\u011frudan bir CMS’e veya sosyal medya platformuna y\u00fckler.<\/li>\n<\/ul>\n<\/li>\nWebResearchTool<\/code> ve SEOKeywordTool<\/code>‘u kullanarak ara\u015ft\u0131rma yapar. Elde etti\u011fi verileri bellekten gelen stil k\u0131lavuzlar\u0131yla birle\u015ftirerek ContentGenerationTool<\/code>‘a iletir ve bir taslak olu\u015fturur. Tasla\u011f\u0131 GrammarCheckTool<\/code> ile kontrol ettikten sonra son hali i\u00e7in bir revizyon turu ba\u015flatabilir veya do\u011frudan PublishingTool<\/code> ile yay\u0131nlayabilir.<\/li>\nVaka Analizi 3: Finansal Veri Analiz Ajan\u0131<\/h3>\n
\n
\n
MarketDataAPI<\/code>: Ger\u00e7ek zamanl\u0131 ve ge\u00e7mi\u015f piyasa verilerini \u00e7eker.<\/li>\nTechnicalAnalysisTool<\/code>: \u00c7ekilen veriler \u00fczerinde teknik analiz yapar (\u00f6rn: hareketli ortalamalar, RSI).<\/li>\nNewsAggregatorTool<\/code>: \u0130lgili hisse senetleri veya sekt\u00f6rler hakk\u0131ndaki haberleri toplar.<\/li>\nReportGenerationTool<\/code>: Analiz sonu\u00e7lar\u0131n\u0131 ve haber \u00f6zetlerini bir rapor format\u0131nda d\u00fczenler.<\/li>\n<\/ul>\n<\/li>\nMarketDataAPI<\/code> ile gerekli verileri toplar. TechnicalAnalysisTool<\/code> ile bu veriler \u00fczerinde analiz yapar ve NewsAggregatorTool<\/code> ile ilgili haberleri tarar. T\u00fcm bu bilgileri sentezleyerek ReportGenerationTool<\/code>‘a iletir ve kapsaml\u0131 bir finansal analiz raporu olu\u015fturur.<\/li>\n\u0130leri D\u00fczey Kullan\u0131m \u0130pu\u00e7lar\u0131 ve Gelecek Perspektifleri<\/h2>\n
Asenkron \u0130\u015flemler ve Paralel Y\u00fcr\u00fctme<\/h4>\n
Modeller Aras\u0131 Etkile\u015fim (Multi-Agent Systems)<\/h4>\n
G\u00fcvenlik ve Etik Hususlar<\/h4>\n
\n
OpenAI Fonksiyon \u00c7a\u011f\u0131rma ve Di\u011fer Modern LLM \u00d6zellikleri<\/h4>\n
Sonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
llm.LLMClient<\/code> aray\u00fcz\u00fc sayesinde, OpenAI, Google Gemini, Anthropic Claude veya yerel \u00e7al\u0131\u015fan a\u00e7\u0131k kaynakl\u0131 modeller (\u00f6rne\u011fin, Ollama arac\u0131l\u0131\u011f\u0131yla) gibi \u00e7e\u015fitli LLM sa\u011flay\u0131c\u0131lar\u0131yla kolayca entegre edilebilir. Tek yap\u0131lmas\u0131 gereken, bu aray\u00fcz\u00fc uygulayan yeni bir istemci yazmakt\u0131r. Bu tasar\u0131m, farkl\u0131 LLM’ler aras\u0131nda ge\u00e7i\u015f yapmay\u0131 veya ayn\u0131 anda birden fazla modeli kullanmay\u0131 esnek hale getirir.<\/p>\n