AI AGENT VE AGENTİC AI EĞİTİMİ

AI AGENT VE AGENTİC AI EĞİTİMİ

Büyük dil modelleri, artık yalnızca soruları yanıtlayan pasif sistemler olmaktan çıkıyor. Araç çağırıyor, plan yapıyor, kararlar alıyor ve karmaşık iş süreçlerini adım adım otonom biçimde yürütüyor. Bu dönüşümün adı Agentic AI; ve bu eğitim, o dönüşümü soyut kavramdan çalışan sisteme taşıyacak yazılımcılar, AI mühendisleri ve mimarlık liderler için tasarlandı.

Eğitim; ReAct döngüsünden BDI mimarisine, RAG entegrasyonundan vektör veritabanlarına, multi-agent orkestrasyonundan LangSmith gözlemlenebilirliğine, guardrail tasarımından Docker/Kubernetes üretim dağıtımına uzanan on modülde ilerler. Her modül Python ile uygulamalı olarak pekiştirilir; teorik bilgi hiçbir zaman kodun önüne geçmez.

Eğitim sonunda katılımcılar; LangChain, LlamaIndex, AutoGen ve CrewAI framework'lerini kullanarak araç entegrasyonlu, hafızalı ve güvenilir agent'lar inşa eder, multi-agent sistemlerde görev dağıtımı ve koordinasyonu yönetir, üretim ortamında gözlemlenebilir, ölçeklenebilir ve güvenli agent altyapısı kurar.

Bu eğitim, Python bilen ve LLM tabanlı otonom sistemleri sıfırdan kurumsal ortama taşımak isteyen herkes için uçtan uca bir yetkinlik programıdır.

EĞİTİM HEDEFİ

Bu eğitimin temel hedefi, katılımcılara Agentic AI mimarilerini yalnızca kavramsal düzeyde anlatmakla kalmayıp; LangChain, AutoGen ve CrewAI gibi framework'leri Python ile pratiğe döken, RAG ve araç kullanımıyla kurumsal veriye bağlanan, multi-agent sistemlerde görev orkestrasyonu tasarlayan ve üretim seviyesinde gözlemlenebilir, güvenli ve ölçeklenebilir agent altyapısı kuran tam yetkinlik kazandırmaktır. Eğitim sonunda katılımcılar; ReAct ve görev ayrıştırma döngülerini uygular, ChromaDB ve Pinecone ile RAG pipeline'ı inşa eder, function calling ile LLM'yi dış dünyaya bağlar, AutoGen ve CrewAI ile çok ajanlı iş akışları tasarlar, LangSmith ile agent davranışını izler ve BDI ile Pekiştirmeli Öğrenmeyi agent mimarisinde konumlandırır.

EĞİTİM İÇERİĞİ

MODÜL 1: AGENTİC AI TEMELLERİ VE EKOSİSTEMİ

• AI Agent Nedir? Mimari Sınıflandırma: Refleks (reactive), model tabanlı, hedef tabanlı, fayda tabanlı ve öğrenen ajan mimarilerinin karşılaştırmalı analizi; her yaklaşımın hangi kurumsal senaryoda tercih edildiği ve Python ile kavramsal implementasyonu.
• Planlama ve Akıl Yürütme Döngüleri: ReAct (Reason + Act) çerçevesinin anatomisi; Thought → Action → Observation döngüsünün adım adım izlenmesi; görev ayrıştırma (task decomposition) ile karmaşık hedeflerin alt adımlara bölünmesi.
• LangChain ile İlk Agent Prototipi: Chains, Tools ve Memory bileşenlerinin işlevi; ilk araç çağrısını gerçekleştiren basit bir agent'ın sıfırdan yazılması; agent executor döngüsünün içinden nasıl çalıştığının incelenmesi.
• LlamaIndex ile Veri Odaklı Agent Yetenekleri: LangChain ve LlamaIndex'in farklı güçlü yönleri; belge tabanlı sorgulama, indeksleme stratejileri ve veri odaklı agent tasarımına giriş.
• Agentic AI Ekosistemi: OpenAI Assistants API, Google Vertex AI Agent Builder, Amazon Bedrock Agent ve açık kaynak alternatiflerin karşılaştırması; framework seçim kriterleri.

MODÜL 2: AGENT'LARI DIŞ DÜNYAYA BAĞLAMA — RAG VE ARAÇ KULLANIMI

• RAG Pipeline Tasarımı: Unstructured, PyPDF ve MarkItDown ile belge yükleme ve ön işleme; metin parçalama (chunking) stratejileri, chunk boyutu ve örtüşme (overlap) kararlarının retrieval kalitesine etkisi.
• Embedding ve Vektör Veritabanı Entegrasyonu: OpenAI ve Hugging Face embedding modelleri; ChromaDB ile yerel vektör deposu kurulumu, Pinecone ile bulut tabanlı ölçeklenebilir yapı; cosine ve euclidean benzerlik metriklerinin karşılaştırması.
• Hibrit Arama (Hybrid Search): Anlamsal vektör aramasını BM25 anahtar kelime aramasıyla birleştiren hibrit retrieval; precision-recall dengesinin optimize edilmesi; reranker katmanı tasarımı.
• Function Calling ve Araç Kullanımı: OpenAI ve Gemini API'nin function calling mekanizması; doğal dil girdisinden Python fonksiyon çağrısına dönüşüm süreci; güvenli ve doğrulanabilir araç tanım şeması yazımı.
• Kurumsal API Entegrasyonu: REST API'leri, veritabanı sorgularını ve dahili servisleri agent aracına dönüştürme; kimlik doğrulama (OAuth, API key) ve hata yönetimi stratejileri.

MODÜL 3: GELİŞMİŞ AGENT DAVRANIŞLARI VE HAFIZA YÖNETİMİ

• İleri Prompt Teknikleri Agent Bağlamında: Few-shot örnekleme, Chain-of-Thought (CoT) ve Tree-of-Thought (ToT) yöntemlerinin agent reasoning kalitesine etkisi; rol atama şablonları ve sistem mesajı optimizasyonu.
• Agent Hafıza Mimarileri: ConversationBufferMemory (tam geçmiş), ConversationSummaryMemory (özetleme), VectorStoreMemory (semantik erişim) ve hafıza türlerinin kullanım senaryolarına göre seçimi.
• Durum Makineleri ile Akış Yönetimi: Karmaşık çok adımlı iş akışlarında durum geçişlerinin (state machine) yönetimi; LangGraph ile döngüsel ve koşullu agent akışlarının tasarımı.
• LLM Entegrasyon Yönetimi: Çoklu sağlayıcı (OpenAI, Anthropic, Google, yerel model) yönetimi; token maliyeti optimizasyonu, rate limiting stratejileri ve üretim kalitesinde hata yönetimi (retry, circuit breaker).

MODÜL 4: ÇOKLU AGENT SİSTEMLERİ (MAS) VE ORKESTRASYON

• Multi-Agent Sistem Mimarileri: İşbirlikçi (cooperative) ve rekabetçi (competitive) agent modelleri; merkezi orkestratör ile merkeziyetsiz (peer-to-peer) görev dağıtım mimarilerinin avantaj ve dezavantajları.
• Koordinasyon ve Müzakere Protokolleri: Contract Net Protocol ile dinamik görev ataması; çatışma çözümü mekanizmaları ve temel oyun teorisi kavramlarının agent koordinasyonuna uygulanması.
• AutoGen ile Konuşan Agentlar: Microsoft AutoGen framework'ünde AssistantAgent, UserProxyAgent ve GroupChat yapısı; hiyerarşik ve yuvarlak masa (round-robin) orkestrasyon desenleri.
• CrewAI ile Rol Tabanlı Agent Ekipleri: Araştırmacı, yazar, eleştirmen ve yönetici gibi uzmanlaşmış agent rollerinin tasarımı; görev bağımlılıklarının (task dependency) yönetimi ve çıktı kalitesi güvencesi.
• Yazılım Geliştirme Simülasyonu: Bir ürün gereksiniminden çalışan koda giden sürecin planlayıcı, geliştirici, test ve review agentlarından oluşan MAS ile otomatikleştirilmesi.

MODÜL 5: KLASİK VE MODERN AGENT MİMARİLERİ — BDI VE PEKİŞTİRMELİ ÖĞRENME

• BDI (Belief-Desire-Intention) Mimarisi: İnanç (çevre modeli), Arzu (hedef kümesi) ve Niyet (aktif plan) döngüsünün teorik temeli; Python ile kavramsal BDI modellemesi ve kurumsal karar destek sistemlerine uygulaması.
• Pekiştirmeli Öğrenme Agent Temelleri: State/Action/Reward/Policy/Value fonksiyonlarının agent bağlamında yorumlanması; Q-Learning ile basit grid-world ortamında ajan eğitimi; RL ile LLM tabanlı ajanlar arasındaki fark ve tamamlayıcılık.
• Gymnasium ile Simülasyon Ortamları: OpenAI Gymnasium ortamlarında ajan eğitimi; CartPole ve LunarLander örnekleri; simülasyon-gerçek dünya (sim-to-real) geçişinin zorlukları.
• Sentetik Veri Stratejileri: Eğitim verisi yetersizliğinde sentetik veri üretimi; LLM ile agent davranış örneklerinin oluşturulması ve değerlendirilmesi.

MODÜL 6: AGENT'LARI GELİŞTİRME, DEĞERLENDİRME VE GÖZLEMLENEB İLİRLİK

• Öz-İyileştirme ve Feedback Loop'ları: Agent'ın kendi çıktılarını değerlendirerek prompt ve araç stratejisini güncellemesi; reflection ve self-critique desenleri; meta-agent ile kalite güvencesi.
• Agent Değerlendirme Metrikleri: Görev başarı oranı, ortalama tamamlama süresi, token maliyet/başarı dengesi ve araç çağrı verimliliği; otomatik değerlendirme pipeline'ı tasarımı.
• LangSmith ile Gözlemlenebilirlik: Her agent adımının trace olarak kaydedilmesi, görselleştirilmesi ve analiz edilmesi; hata düğümlerinin tespiti ve problematik akışların düzeltilmesi.
• Hata Toleransı ve Dayanıklılık: Retry mekanizmaları, fallback stratejileri ve human-in-the-loop (HITL) tasarımı; kritik kararlar için insan onayı noktalarının agent akışına entegrasyonu.

MODÜL 7: GÜVENLİK, ETİK VE AÇIKLANAB İLİRLİK

• LLM Hizalama ve Guardrail Tasarımı: Constitutional AI prensipleriyle agent davranışının sınırlandırılması; girdi ve çıktı doğrulama katmanları; kabul edilemez eylem kategorilerinin tanımlanması ve engellenmesi.
• Red Teaming ve Saldırı Senaryoları: Prompt injection, amaç sapması (goal hijacking) ve araç kötüye kullanımı saldırılarının agent sistemlerine yönelik anatomisi; OWASP LLM Top 10'un agent sistemlerine uygulanması.
• Açıklanabilirlik (XAI) ve Denetlenebilirlik: CoT (Chain-of-Thought) loglama ile agent karar sürecinin şeffaf hale getirilmesi; neden-sonuç farkındalığı ile karar kalitesinin artırılması; denetim izi (audit trail) tasarımı.
• Etik Çerçeve ve Hesap Verebilirlik: Otonom sistemlerde bias azaltma teknikleri; AB Yapay Zeka Yasası kapsamında yüksek riskli agent uygulamaları; kurumsal AI etik politikası oluşturma adımları.

MODÜL 8: İLERİ SEVİYE AGENT YETENEKLERİ — MULTIMODAL VE BİLGİ GRAFLARI

• Multimodal Agent'lar: GPT-4 Vision ve Gemini API ile görüntü anlama, belge okuma ve görsel analiz yeteneklerinin agent iş akışına entegrasyonu; VQA (Visual Question Answering) ile kurumsal görsel veri işleme senaryoları.
• Text-to-Image ve İçerik Üretimi: DALL-E 3 ve Stable Diffusion API'si ile görsel içerik üretimini tetikleyen agent'lar; pazarlama ve eğitim materyali üretim otomasyonu.
• Bilgi Grafları ile Akıl Yürütme: Neo4j'de varlık ilişkilerinin modellenmesi; Cypher sorgu dilinin LLM ile doğal dil arayüzüne bağlanması; karmaşık çok adımlı çıkarım gerektiren sorgularda knowledge graph + RAG hibrit mimarisi.
• Oyun Teorisi ve Stratejik Karar Alma: Nash dengesi ve mahkumun ikilemi gibi klasik oyun teorisi kavramlarının çok ajanlı müzakere ve kaynak dağıtım senaryolarına uygulanması.

MODÜL 9: ÜRETİM MİMARİSİ VE AGENT-ODAKLI MLOPS

• PromptOps ve Versiyon Yönetimi: Prompt şablonlarının Git ile izlenmesi, semantik sürümleme ve A/B test altyapısı; prompt değişikliklerinin agent performansına etkisinin ölçülmesi.
• Docker ve Kubernetes ile Agent Dağıtımı: Bağımlılıktan bağımsız konteyner paketi oluşturma; Kubernetes üzerinde yatay ölçeklendirme, sağlık kontrolleri ve sıfır kesintili güncelleme stratejileri.
• Event-Driven ve Serverless Agent Mimarisi: Olay tabanlı tetikleme ile asenkron agent çalıştırma; AWS Lambda, Azure Functions veya Knative ile serverless agent dağıtımı; mesaj kuyruğu (RabbitMQ, Kafka) entegrasyonu.
• Performans İzleme ve Maliyet Kontrolü: Prometheus ve Grafana ile agent metriklerinin gerçek zamanlı görselleştirilmesi; token başına maliyet izleme, gecikme analizi ve throughput optimizasyonu; A/B testi ile model/prompt/akış karşılaştırması.
• CI/CD ile Otomatik Agent Dağıtımı: GitHub Actions veya Azure DevOps boru hatlarında agent testlerinin otomatikleştirilmesi; değerlendirme eşiğini geçemeyen agent sürümlerinin otomatik reddedilmesi.

MODÜL 10: CAPSTONE — KURUMSAL OTONOM SÜREÇ OTOMASYONU

• Kurumsal Senaryo Seçimi ve Problem Tanımı: Katılımcılar gerçekçi bir kurumsal iş sürecini (müşteri destek otomasyonu, araştırma ajanı, kod inceleme sistemi, satış analitik ajanı vb.) seçer; problem kapsamı, başarı kriterleri ve mimari kısıtlar netleştirilir.
• Multi-Agent Mimari Tasarımı: Senaryo için gereken agent rolleri, araç seti, hafıza stratejisi, RAG pipeline ve koordinasyon modelinin tasarlanması; mimari diyagram ve bileşen sözleşmelerinin oluşturulması.
• Uçtan Uca Geliştirme Seansları: Eğitmen liderliğinde RAG entegrasyonu, function calling, CrewAI/AutoGen orkestrasyonu ve LangSmith entegrasyonunu kapsayan kodlama seansları; pair programming ve kod inceleme oturumları.
• Test, Güvenlik İncelemesi ve Sunum: LangSmith ile end-to-end trace analizi; guardrail ve güvenlik politikası gözden geçirmesi; çalışan sistemin canlı demonstrasyonu; maliyet tahmini ve üretim yol haritası sunumu.

EĞİTİM YÖNTEMİ

• Kavramsal Anlatım ve Mimari Diyagramlar: Her modül, sezgisel kavramsal açıklamayla başlar, ardından gerçek sistemlerin mimari diyagramlarıyla somutlaştırılır. Hangi bileşenin neden seçildiği her zaman açıkça motivasyonuyla aktarılır.
• Uygulamalı Laboratuvarlar: Python, LangChain, LlamaIndex, AutoGen, CrewAI, ChromaDB, Pinecone, Neo4j ve LangSmith araçlarıyla her modülün karşılığı olan pratik egzersizler yürütülür. Kodun tamamı katılımcılarla paylaşılır ve üzerine inşa edilir.
• Gerçek Dünya Vaka Analizleri: Finans, e-ticaret, sağlık ve yazılım geliştirme sektörlerinden gerçek Agentic AI uygulama hikayeleri incelenir; başarı faktörleri ve üretim ortamında karşılaşılan engeller grupta tartışılır.
• Mimari Tasarım Tartışmaları: Her modül sonunda katılımcılar kendi kullanım senaryoları için mimari kararlar alır; eğitmen ve grup geri bildirimiyle tasarımlar rafine edilir.
• Capstone Proje Çalışması: Son modülde katılımcılar uçtan uca gerçek bir kurumsal multi-agent sistem inşa eder, test eder ve sunar. Çalışan sistem hem teknik hem de iş değeri boyutunda değerlendirilir.
• Danışmanlık ve Kod İnceleme Seansları: Her gün sonunda açık soru-cevap ve kod inceleme zamanı ayrılır; katılımcıların kendi projelerine özgü mimari soruları uzmana yöneltilebilir.

HEDEF KİTLE

PYTHON GELİŞTİRİCİLERİ VE FULL-STACK MÜHENDİSLER

• LangChain, AutoGen ve CrewAI ile agentic AI uygulamaları geliştirmek, RAG pipeline'ı kurmak ve OpenAI/Gemini API'yi kurumsal sisteme entegre etmek isteyen Python geliştiricileri; AI yeteneklerini mevcut ürünlerine eklemek isteyen full-stack mühendisler.

ML/AI MÜHENDİSLERİ VE VERİ BİLİMCİLERİ

• LLM tabanlı agent mimarilerini pratikte uygulamak, RAG ve embedding sistemlerini optimize etmek, Pekiştirmeli Öğrenme'yi agent tasarımına entegre etmek ve LangSmith ile üretim performansını izlemek isteyen ML/AI mühendisleri ve veri bilimcileri.

ÇÖZÜM MİMARLARI VE TEKNİK LİDERLER

• Kurumsal otomasyon projelerinde agentic AI mimarisi tasarlamak, multi-agent sistemlerde görev dağıtımı ve güvenlik politikasını belirlemek, altyapı kararlarını (Docker, Kubernetes, event-driven) yönetmek isteyen çözüm mimarları ve teknik liderler.

DEVOPS VE PLATFORM MÜHENDİSLERİ

• Agent sistemleri için CI/CD boru hattı kurmak, Docker ve Kubernetes ile üretim dağıtımı gerçekleştirmek, Prometheus/Grafana ile gözlemlenebilirlik altyapısı kurmak ve PromptOps süreçlerini yönetmek isteyen DevOps ve platform mühendisleri.

ÜRÜN YÖNETİCİLERİ VE GİRİŞİMCİLER

• Otonom süreç otomasyonu ve multi-agent sistemleri kapsayan AI projelerini planlamak, teknik feasibility değerlendirmesi yapmak ve AI yatırımlarının iş değerini raporlamak isteyen ürün yöneticileri; ChatGPT tabanlı agentic SaaS ürünleri geliştirmek isteyen girişimciler.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Orta Düzey Python Bilgisi: Fonksiyon, sınıf, dekoratör ve async/await yapılarını rahatça kullanabilmek; pip ile paket yönetimi ve sanal ortam (venv/conda) kurulumu yapabilmek. İleri düzey yazılım mühendisliği deneyimi zorunlu değildir.
• LLM veya API Kullanım Deneyimi: OpenAI, Anthropic veya Hugging Face API'lerinden en az birini daha önce bir projede kullanmış olmak; REST API isteği gönderme ve JSON yanıt işleme konusunda pratik deneyim.
• Temel Makine Öğrenmesi Farkındalığı: Eğitim, tahmin, loss fonksiyonu ve embedding kavramlarını genel düzeyde bilmek; derin makine öğrenmesi uzmanlığı beklenmez, kavramsal anlayış yeterlidir.
• Temel Bulut ve Konteyner Aşinalığı (Önerilir): Docker ile konteyner çalıştırmak ve API key gibi ortam değişkenlerini yönetmek; Modül 9 için faydalıdır ancak eğitim boyunca gerekli temeller aktarılır.
• Pratik Yapma ve Kod İnceleme Alışkanlığı: Laboratuvar egzersizlerinde aktif kod yazmaya, çalışmayan kodu debug etmeye ve kendi geliştirmelerini gruba sunmaya istekli olmak. Pasif izleme değil, uygulamayla öğrenme bu eğitimin özüdür.