Technical Tutorials

Büyük Dil Modelleri (LLM'ler), statik anahtar kelime aramasından dinamik, bağlama duyarlı muhakemeye geçiş yaparak yazılımla etkileşim şeklini kökten değiştirdi. Ancak temel bir sınırlama devam ediyor: LLM'ler temelde tahmin motorlarıdır, yürütme motorları değil. Bir metin kum havuzunda var olurlar ve gerçek dünya eylemlerini gerçekleştirmek için gereken canlı verilere ve dış araçlara erişimleri kısıtlıdır. İşte burada Fonksiyon Çağırma (Araç Kullanımı veya Eylem Çağırma olarak da bilinir), konuşma tabanlı yapay zeka ile pratik fayda arasında kritik bir köprü görevi görür.

Orta ve ileri düzey geliştiriciler için fonksiyon çağırma kavramını anlamak artık bir tercih değil; uçuş rezervasyonu yapabilen, veritabanlarını sorgulayabilen veya IoT cihazlarını kontrol edebilen ajanlar oluşturmak için hayati bir gerekliliktir. Bu yazı, dış araçların LLM'lerle entegrasyonu için mekanikleri, uygulama stratejilerini ve en iyi uygulamaları incelemektedir.

Fonksiyon Çağırmanın Mimarisi

Fonksiyon çağırma, model ile uygulamanız arasında yapılandırılmış bir döngü oluşturur. LLM doğrudan nihai bir yanıt üretmek yerine, uygulamanızın kodunda tanımlanmış belirli bir fonksiyonu çağırmak için yapılandırılmış bir istek (genellikle JSON) üretir. Arka uç (backend) bu fonksiyonu yürütür, sonucu alır ve doğal bir dil yanıtı oluşturmak için bu bilgiyi LLM'ye geri besler.

Bu mimari üç bileşene dayanır:

Fonksiyon Tanımları: Mevcut araçları, argümanlarını ve beklenen çıktıları açıklayan bir şema.
Model: Kullanıcı isteminden uygun fonksiyonu seçer ve ilgili parametreleri çıkarır.
Yürütme Motoru: Seçilen fonksiyonu çalıştırır ve sonucu modele geri döndürür.

Araç Şemasının Tanımlanması

LLM bir fonksiyonu çağırmadan önce, fonksiyonun ne yaptığını ve hangi verilere ihtiyaç duyduğunu anlamalıdır. Modern API'ler, araçlarınız için JSON Şema tanımları sağlamanıza olanak tanır. Burada doğruluk hayati önem taşır; belirsiz açıklamalar, halüsinasyon yaratan argümanlara veya başarısız çağrılara yol açar.

Kullanıcının hava durumunu kontrol etmek istediği basit bir senaryoyu ele alalım. Aracı aşağıdaki gibi tanımlarsınız:

{
  "name": "get_weather",
  "description": "Belirli bir konumdaki mevcut hava durumunu getirir.",
  "parameters": {
    "type": "object",
    "properties": {
      "location": {
        "type": "string",
        "description": "Şehir ve eyalet, örn. San Francisco, CA"
      },
      "unit": {
        "type": "string",
        "enum": ["celsius", "fahrenheit"]
      }
    },
    "required": ["location"]
  }
}

required alanları açıkça tanımlayarak ve enum kısıtlamaları sağlayarak, modelin çıktı alanını kısıtlarsınız; bu da sonraki ayrıştırma aşamasındaki hata olasılığını önemli ölçüde azaltır.

Uygulama İş Akışı

Etkileşim tek bir API çağrısı değil, çoklu tur (multi-turn) bir süreçtir. İşte büyük LLM SDK'larında yaygın olan, kavramsal bir akışı gösteren sahte kod (pseudo-code) temsili:

// 1. Başlangıç Kullanıcı İstemi
messages = [{"role": "user", "content": "London'da hava nasıl?"}]

// 2. LLM Yanıtı
response = client.chat.completions.create(
  model="gpt-4",
  messages=messages,
  tools=[weather_tool_definition]
)

// Modelin bir fonksiyon çağırmak isteyip istemediğini kontrol et
if response.choices[0].message.tool_calls:
    # 3. Fonksiyonu Yerel Olarak Yürüt
    function_name = response.choices[0].message.tool_calls[0].function.name
    function_args = response.choices[0].message.tool_calls[0].function.arguments
    function_response = get_weather(function_args["location"])

    # 4. Fonksiyon Sonucunu Mesajlara Ekle
    messages.append(response.choices[0].message) # Asistan mesajını ekle
    messages.append({
        "role": "tool",
        "tool_call_id": response.choices[0].message.tool_calls[0].id,
        "content": function_response
    })

    # 5. Nihai Üretim
    final_response = client.chat.completions.create(
        model="gpt-4",
        messages=messages
    )

Bu örnekte, tool rolünün önemine dikkat edin. Bu, modelin önceki mesajın LLM tarafından üretilmediğini, ancak ortamdan gelen gerçek veri olduğunu anlamasını sağlar. Bu bağlam, modelin "Şu anda Londra'da sıcaklık 15 derece Celsius" gibi doğal bir yanıt sentezlemesine olanak tanır.

Güçlü Entegrasyon İçin En İyi Uygulamalar

Açıklamaları Kısa Ama Net Tutun: Model, aracı ne zaman çağıracağına karar vermek için araç açıklamasını kullanır. Olası kullanıcı niyetleriyle eşleşen anahtar kelimelerin olduğundan emin olun.
Hataları Zarifçe Yönetin: Fonksiyon yürütmesi başarısız olursa (örneğin, bir veritabanı zaman aşımı), hata mesajını content alanında döndürün. LLM daha sonra kullanıcıya hatayı açıklayabilir veya girişi düzeltmeyi deneyebilir.
Güvenlik: Fonksiyon argümanları üzerinden asla dahili sistem istemlerini (prompts) veya hassas anahtarları dışarıya açmayın. Dış API'lere geçmeden önce girdileri temizleyin (sanitize).
Karmaşık İş Akışları: Çok adımlı görevler için fonksiyonlarınızın atomik (bölünemez) olduğundan emin olun. Karmaşık mantığı daha küçük, tek amaçlı araçlara bölmek güvenilirliği artırır ve hata ayıklamayı kolaylaştırır.

Sonuç

Fonksiyon çağırma, LLM'leri pasif bilgi alıcılarından dijital dünya ile etkileşime girebilen aktif ajanlara dönüştürür. Araç şemalarının tanımını ustaca kullanarak ve çoklu tur yürütme döngüsünü yöneterek geliştiriciler, üretim ortamlarında jeneratif yapay zekanın gerçek potansiyelini ortaya çıkarabilir. Ekosistem gelişmeye devam ettikçe, bu kalıpları otomatikleştiren daha sofistike çerçeveler beklenmektedir; ancak altta yatan mekanikler konusunda derin bir anlayış, güvenilir ve akıllı uygulamalar oluştururken en değerli varlığınız olarak kalacaktır.