LangChain, LangGraph ve LangSmith ile RAG ve Agentic AI

Yapay zeka uygulamaları basit sohbet arayüzlerinden karmaşık kurumsal araçlara geçiş yaparken, büyük dil modellerini dış verilerle bağlama yeteneği kritik önem taşıyor. Bu metin tabanlı kurs, doğru, bağlam bilinçli yanıtlar sunan güçlü Geri Alma-Genişletilmiş Nesil (RAG) sistemlerini tasarlama ve inşa etme sürecinde size rehberlik ediyor. Gelişmiş geri alma stratejilerine geçmeden önce veri alımı, gömülü ve vektör veritabanları gibi temel kavramlarla başlayacaksınız. Modern orkestrasyon araçlarını keşfederek, basit sorgu-cevap boru hatlarından kendi hatalarını planlayabilecek, yansıtabilecek ve düzeltecek karmaşık, özerk çoklu ajan mimarilerine geçiş yapabilirsiniz. Ne öğreneceksin: - Belge parçalanması, gömülü üretim ve vektör veritabanı depolama dahil olmak üzere RAG'nin temel mimarisini anlamak. - Cevap doğruluğunu artırmak için melez arama, yeniden sıralama ve çoklu mod RAG gibi gelişmiş geri alma tekniklerini uygulayın. - LangGraph kullanarak özerk karar verme ve planlama olanağı sağlayan durumlu, çoklu ajan AI iş akışlarını oluşturun. - LangSmith ile sisteminizi üretimde izlemek için değerlendirme, hata ayıklama ve performans izleme boru hatlarını ayarlayın. - Kendi kendini düzeltme ve adaptif yönlendirme paternlerini uygula ki yapay zeka ajanlarınız kendi kaynaklarını ve mantıklarını doğrulayabilsin. Kurs temel terminoloji ve anlamsal arama temelleriyle başlar, pratik kod örnekleri yoluyla gelişmiş agentic iş akışlarına sistematik olarak ilerler. Açık açıklamaları okuyacak, üretim hazırlığı kod parçalarını analiz edecek ve anlayışınızı pekiştirmek için yazılı egzersizleri tamamlayacaksınız. Bu kurs, üretim seviyesinde yapay zeka uygulamaları oluşturmak isteyen yazılım geliştiricileri, veri uzmanları ve yapay zeka tutkunları için tasarlanmıştır. Python'a temel bir aşinalık yararlıdır, ancak LangChain, LangGraph veya RAG ile önceden bir deneyim gerekmez. Yeni nesil bağlam-duyarlı yapay zeka sistemlerini öğrenmek için bugün okumaya başlayın.