Eğitimin Amacı ve Kapsamı
Bir agent'ın gerçek iş yapabilmesi, doğru aracı doğru parametrelerle çağırabilmesine bağlıdır. Program, tool calling mekanizmasını uçtan uca ele alır: JSON Schema ile araç tanımları, araç açıklamalarının model davranışına etkisi, paralel çağrılar, structured output ve dönen sonuçların context'e geri beslenmesi.
Katılımcılar Python ile OpenAI, Anthropic Claude ve Google Gemini API'lerini kullanarak CRM sorgulama, doküman arama ve kayıt oluşturma araçlarına sahip bir agent geliştirir; hata ve zaman aşımı senaryolarını test eder ve tekrar kullanılabilir bir araç tasarım kontrol listesi hazırlar.
Kimler Katılmalı?
- LLM uygulaması geliştiren yazılım geliştiriciler
- İç sistemleri yapay zekaya açmak isteyen entegrasyon ve backend ekipleri
- Agent prototipleri hazırlayan yapay zeka mühendisleri
- Ön koşul: temel Python ve REST API bilgisi
Kazanımlar
- Model tarafından doğru anlaşılan araç şemaları ve açıklamaları yazmak
- Farklı LLM sağlayıcılarında tool calling akışını uygulamak
- Araç parametrelerini doğrulamak ve hatalı çağrıları güvenle ele almak
- Araç sonuçlarını context'e verimli şekilde geri beslemek
- Çok araçlı bir agent'ı test senaryolarıyla doğrulamak
Konular
Tool Calling Mekanizması
- Modelin araç seçme ve çağırma süreci
- OpenAI, Claude ve Gemini API'lerindeki farklar
Araç Şeması ve Açıklama Tasarımı
- JSON Schema, zorunlu alanlar ve enum kullanımı
- Araç adlandırma ve açıklamaların doğruluğa etkisi
Structured Output ve Paralel Çağrılar
- Şemaya uygun yanıt üretimi
- Paralel ve ardışık araç çağrılarını yönetmek
İç Sistemlere Bağlanmak
- REST API, SQL ve doküman arama araçları
- Kimlik bilgileri ve en az yetki ilkesi
Hata Yönetimi ve Dayanıklılık
- Geçersiz parametre, zaman aşımı ve yeniden deneme
- Araç hatalarını modele anlamlı şekilde iletmek
Uygulama: Çok Araçlı Agent
- CRM, arama ve kayıt araçlarıyla uçtan uca agent
- Test senaryoları ve araç tasarım kontrol listesi
Bu Kategorideki Diğer Eğitimler
-
İş süreçlerini agentic iş akışlarına dönüştürme yöntemi: deterministik adımlar ile LLM kararlarını ayırma, prompt chaining, routing, paralelleştirme, evaluator–optimizer kalıpları ve n8n veya Power Automate ile uygulanan akış.
- Canlı Kurs
- 6 modül
-
Geliştiriciler için LangGraph, OpenAI Agents SDK ve Claude Agent SDK ile otonom agent geliştirme: durum yönetimi, araç entegrasyonu, döngü kontrolü, tracing ve dağıtıma hazır, kurum vakasına özel bir agent.
- Canlı Kurs
- 6 modül
-
Agent'ların çok adımlı görevleri nasıl planlayıp yürüttüğünü ele alan teknik program: ReAct, plan-and-execute, görev ayrıştırma, reflection ve yeniden planlama, reasoning modellerinin kullanımı ve döngü sonlandırma stratejileri.
- Canlı Kurs
- 6 modül
-
Uzun soluklu görevlerde ve çok oturumlu etkileşimlerde agent hafızası ve context yönetimi: kısa süreli çalışma belleği, epizodik/semantik uzun süreli hafıza, context sıkıştırma, Mem0 ve LangGraph Store ile kalıcı hafıza mimarisi.
- Canlı Kurs
- 5 modül
-
Karmaşık görevleri uzmanlaşmış agent'lara bölen multi-agent mimarileri: supervisor, hiyerarşik ve swarm kalıpları, LangGraph, CrewAI ve AutoGen karşılaştırması, A2A protokolü ve paylaşılan durum yönetimi.
- Canlı Kurs
- 5 modül
-
Kritik kararlarda insan kontrolünü koruyan human-in-the-loop agent mimarisi: kesme/devam etme (interrupt/resume) akışları, risk bazlı onay eşikleri, eskalasyon kuyrukları ve geri bildirimle öğrenen agent'lar.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
