Technical Tutorials

Büyük Dil Modelleri (LLM'ler) yazılım geliştirmeyi devrim niteliğinde değiştirdi, ancak üretim kalitesindeki uygulamalar için ham üretken güç nadiren yeterlidir. Bir LLM'yi sohbet botundan akıl yürütme, planlama ve görev yürütme yeteneğine sahip işlevsel bir asistana dönüştürmek için sağlam bir orkestrasyon katmanına ihtiyacınız vardır. İşte LangChain; dil modelleriyle güçlendirilmiş uygulamalar geliştirmek için en popüler açık kaynaklı çerçevedir. Bu yazıda, LangChain'in basit metin üretimini aşarak otonom ajanların oluşturulmasını nasıl sağladığını keşfedeceğiz.

Neden LangChain?

Temelinde LangChain, LLM'leri harici verilere ve diğer hesaplama kaynaklarına bağlamanın karmaşık sürecini basitleştirmek için tasarlanmış bir çerçevedir. Erken dönem LLM etkileşimleri yalnızca bir istem gönderip bir tamamlama almakla sınırlıyken, modern AI uygulamaları bağlam, bellek ve araç kullanımına ihtiyaç duyar. LangChain, bu bileşenler için standartlaştırılmış bir arayüz sağlar; geliştiricilerin farklı modelleri, veritabanlarını ve API'leri sorunsuz bir şekilde birbirine bağlamasına olanak tanır. Geriye Dönük Üretim (RAG) ve çok adımlı akıl yürütme için gereken çok sayıda tekrarlayan kodu soyutlayarak, uygulama detaylarından ziyade mantığa odaklanmanıza olanak tanır.

Yapı Taşları: Zincirlerden Ajanlara

LangChain'in mimarisi modülerdir. Ajanlara dalmadan önce temel bileşenlerini anlamak önemlidir:

LLM'ler ve Sohbet Modelleri: Llama 3 gibi açık kaynaklı veya GPT-4 gibi özel modeller gibi temel dil modelleri.
İstemler (Prompts): Talimatları, girdi değişkenlerini ve birkaç örnekli (few-shot) örnekleri yönetmek için yapılandırılmış bir yol.
Zincirler (Chains): Bir LLM'ye veya yardımcı işleve yapılan ardışık çağrılar dizisi; çok adımlı veri işleme sağlar.
Bellek: Birden fazla etkileşim boyunca durumu koruma yeteneği; konuşma sürekliliği için esastır.

Bununla birlikte, LangChain'in gerçek gücü Ajanlarda yatar. Bir ajan, bir işlem dizisini belirlemek için bir LLM'yi akıl yürütme motoru olarak kullanan bir sistemdir. Sabit bir yolu yürüten basit bir zincirden farklı olarak, bir ajan kullanıcının girdisine göre hangi araçları kullanacağını belirleyebilir.

İlk Ajanınızı Oluşturma: Araç Kullanımı

LangChain'in pratik uygulamasını göstermek için, matematiksel hesaplamalar yapabilen basit bir ajan oluşturalım. Bunun için araçları tanımlamanız ve bunları modele bağlamanız gerekir. Aşağıda Python kullanılarak hazırlanmış pratik bir örnek bulunmaktadır.

Öncelikle gerekli kütüphanelerin yüklü olduğundan emin olun:

pip install langchain langchain-openai langchain-community

Ardından, LangChain'in yardımcı işlevlerini kullanarak bir hesaplayıcı aracı tanımlayalım. Bu araç LLM'ye açığa çıkarılacak, böylece aracın varlığını ve nasıl çağrılacağını bilecektir.

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# Aracı tanımlayın
@tool
def multiply(first_number: int, second_number: int):
    """İki tamsayıyı çarpın ve sonucu döndürün."""
    return first_number * second_number

# LLM'yi başlatın
llm = ChatOpenAI(model="gpt-3.5-turbo")

# İstem şablonunu tanımlayın
prompt = ChatPromptTemplate.from_messages([
    ("system", "Yardımcı bir asistansınız."),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

# Ajanı oluşturun
tools = [multiply]
agent = create_openai_tools_agent(llm, tools, prompt)

# Ajan yürütücüsünü oluşturun
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

Ajanı "12 ile 13'ün çarpımı nedir?" gibi bir sorguyla çağırdığınızda, LLM multiply aracına ihtiyaç duyduğunu fark edecektir. Yapılandırılmış bir eylem çıktısı verecek, yürütücü Python işlevini çalıştıracak, sonucu LLM'ye geri iletecek ve model nihai doğal dil yanıtını formüle edecektir. Bu akıl yürütme ve eylem döngüsü, ajan iş akışlarının özüdür.

En İyi Uygulamalar ve Dikkat Edilmesi Gerekenler

LangChain ajan geliştirmeyi basitleştirse de, bazı zorluklar devam etmektedir. Özellikle ajanlara çok fazla araç veya yetersiz talimat verildiğinde halüsinasyonlar oluşabilir. LLM'nin her işlevin bağlamını anlaması için net ve öz araç açıklamaları sağlamak hayati önem taşır. Ayrıca, hata yönetimi kritik öneme sahiptir; ajanlar yanlış parametrelerle araç çağırmaya çalışabilir. Güçlü doğrulama ve yeniden deneme mekanizmaları uygulamak bu riskleri azaltabilir.

Sonuç

LangChain, LLM destekli uygulamalar oluşturmak için varsayılan standart haline gelmiştir. Zincirleme, bellek yönetimi ve ajan orkestrasyonu için kapsamlı bir araç seti sağlayarak geliştiricilerin basit metin üretimini aşan sofistike AI sistemleri oluşturmasına olanak tanır. Ekosistem güvenlik özellikleri ve performans optimizasyonları geliştikçe evrimini sürdürmeye devam ederken, LangChain; büyük dil modellerini gerçek dünya yazılım çözümlerine entegre etmek isteyen herhangi bir geliştirici için vazgeçilmez bir araç seti olarak kalacaktır.