Technical Tutorials

Günümüzde karmaşık AI sistemleri oluşturmak, genellikle tek model çağrılarından çoklu ajan mimarilerine geçiş anlamına gelir. LangChain ve AutoGen gibi çerçeveler ajan mantığını tanımlamada mükemmel olsa da, uzun süren iş akışları, hata toleransı ve durum kalıcılığı için genellikle sağlam garantiler sunmazlar. İşte Temporal'in burada parladığı yerdir.

AI İş Akışlarında Durumun Zorluğu

Tipik bir çoklu ajan senaryosunda, A Ajanı veriyi alabilir, B Ajanı bunu analiz edebilir ve C Ajanı bir rapor oluşturabilir. B Ajanı, on dakika boyunca işleme yaptıktan sonra çökerse, tüm süreci yeniden başlatmak istemezsiniz. Geleneksel bellek içi ajan çerçeveleri, yeniden başlatma sırasında durumu kaybeder ve bu da üretim ortamı dağıtımını riskli hale getirir.

Temporal, iş akışı yürütmesini dayanıklı ve tekrarlanabilir bir durum makinesi olarak ele alarak bu sorunu çözer. Senkronize edici olarak hareket eden standart Python kodu yazmanıza olanak tanır; Temporal ise arka planda kalıcılığı, yeniden denemeleri ve olay kaynaklı mimariyi (event sourcing) yönetir.

Güvenilir Bir İş Akışının Uygulanması

Bunu göstermek için, bir "Araştırmacı" ajan ve bir "Yazar" ajanımız olan basit bir çoklu ajan iş akışı oluşturalım. Bu bileşenleri tanımlamak için Temporal'ın Python SDK'sını kullanacağız.

1. Aktivitelerin Tanımlanması

Aktivite, iş birimleridir. Bizim durumumuzda, bunlar bireysel AI ajanları tarafından gerçekleştirilen ağır işleri temsil eder.

import temporalio.activity
from temporalio import workflow

# AI ajan etkileşimlerinin taklidi
@temporalio.activity.defn
async def research_topic(topic: str) -> dict:
    """Araştırmacı Ajan'ı simüle eder"""
    await workflow.sleep(2)  # Ağ gecikmesini simüle et
    return {"findings": f"{topic} için veri toplandı."}

@temporalio.activity.defn
async def write_report(findings: dict) -> str:
    """Yazar Ajan'ı simüle eder"""
    await workflow.sleep(2)  # LLM üretimini simüle et
    return f"Şu bulgulara dayalı rapor: {findings['findings']}"

2. İş Akışının Orkestrasyonu

İş akışı fonksiyonu, bu aktiviteleri koordine eder. Aktivitelere sırayla nasıl çağrı yaptığınıza dikkat edin. Tempiler, ilerlemeyi otomatik olarak kaydeder. İş akışı `write_report` sırasında kesintiye uğrarsa, Temporal iş akışını yeniden başlatır ancak `research_topic` aktivitesi atlanır, çünkü sonucu zaten kalıcı hale getirilmiştir.

@workflow.defn
class MultiAgentPipeline:
    @workflow.run
    async def run(self, topic: str) -> str:
        # Adım 1: Araştırma
        findings = await workflow.execute_activity(
            research_topic,
            args=[topic],
            schedule_to_close_timeout=timedelta(minutes=10),
        )
        
        # Adım 2: Yazma
        report = await workflow.execute_activity(
            write_report,
            args=[findings],
            schedule_to_close_timeout=timedelta(minutes=10),
        )
        
        return report

Bu Üretim AI'sı İçin Neden Önemli?

Temporal'ı çoklu ajan yığınınıza entegre ederek birkaç kritik avantaj elde edersiniz:

Dayanıklılık: Ajan durumlarınız sunucu yeniden başlatmalarını ve ağ kesintilerini atlatır.
Gecikmeli Yeniden Denemeler: Geçici LLM API hataları, otomatik olarak üstel gecikme (exponential backoff) ile ele alınabilir.
Gözlemlenebilirlik: Temporal'ın arayüzü, her bir ajanın yürütülmesinin görsel bir izlemesini sağlar; bu da karmaşık ajanlar arası bağımlılıkları kolayca hata ayıklamanıza olanak tanır.
Kompozisyon: İş akışlarını iç içe yerleştirebilir, böylece bir "Yönetici Ajan" birden fazla alt iş akışını orkestre edebilir.

Sonuç

AI uygulamaları karmaşıklığı arttıkça, onları destekleyen mühendislik altyapısı da aynı ölçüde sağlam olmalıdır. AI ajan çerçevelerinin esnekliğini Temporal'ın güvenilirliği ile birleştirmek, geliştiricilerin yalnızca zeki değil, aynı zamanda kurumsal düzeyde sistemler oluşturmasına olanak tanır. AI uygulamalarınızın gerçek dünya kullanımının öngörülemezliğine dayanabilmesini sağlamak için bugün dayanıklı iş akışlarını ajan hatlarınıza entegre etmeye başlayın.