Eğitimin Amacı ve Kapsamı
LangChain, farklı model sağlayıcılarını, veri kaynaklarını ve araçları ortak bileşenlerle birleştirmeyi kolaylaştırır; ancak eski API kalıpları veya aşırı soyutlama kodun bakımını zorlaştırabilir. Bu eğitim; güncel ve modüler LangChain mimarisini (`langchain-core`, sağlayıcı paketleri, Runnable arayüzü ve LCEL) yalın ve üretim dostu bir yaklaşımla ele alır.
Katılımcılar sohbet modelleri, şablonlar, `with_structured_output`, `bind_tools`, konuşma belleği ve temel RAG zincirlerini kurar; LangSmith veya açık kaynak alternatiflerle her adımı izleyerek kurum senaryosuna uygun bir uygulama geliştirir.
Kimler Katılmalı?
- Python veya TypeScript ile hızlı ve standart bir şekilde LLM uygulaması geliştirmek isteyen yazılımcılar
- Farklı model ve vektör veritabanı entegrasyonlarını ortak bir yapıda toplamak isteyen yapay zeka mühendisleri
- Daha ileri RAG ve LangGraph/agent eğitimlerine sağlam bir temel ile hazırlanmak isteyen ekipler
- Ön koşul: Orta seviye Python (veya TypeScript) bilgisi
Kazanımlar
- Güncel `langchain-core` paket yapısını ve Runnable (`invoke`, `stream`, `batch`) protokolünü kullanır
- Farklı LLM sağlayıcıları arasında kod değiştirmeden geçiş yapabilen zincirler kurar
- Pydantic şemalarıyla yapılandırılmış çıktı ve `@tool` dekoratörüyle araç çağırma akışları yazar
- Gereksiz soyutlamadan kaçınarak ne zaman saf SDK, ne zaman LangChain/LangGraph kullanılacağını ayırt eder
- Zincir içindeki her adımı, gecikmeyi ve token kullanımını tracing araçlarıyla hata ayıklar
Konular
Modern LangChain Mimarisi ve Runnable Protokolü
- `langchain-core`, sağlayıcı paketleri ve eski/yeni API ayrımı
- Runnable arayüzü: `invoke`, `stream`, `batch` ve asenkron çağrılar
Prompt Şablonları, ChatModel ve LCEL
- `ChatPromptTemplate`, `MessagesPlaceholder` ve çoklu sağlayıcı yapılandırması
- LCEL ile okunabilir zincir kompozisyonu, paralel çalışma ve fallback tanımlama
Yapılandırılmış Çıktılar ve Veri Dönüşümü
- `with_structured_output` ve Pydantic modelleriyle tip güvenli yanıtlar
- Özel çıktı ayrıştırıcılar ve doğrulama hatalarının yönetimi
Tool Calling ve Konuşma Geçmişi
- `@tool` tanımı, `bind_tools` ve araç yürütme döngüsü
- Çok turlu sohbetlerde mesaj geçmişinin kalıcı depolama ile yönetimi
Retriever Entegrasyonu ve Gözlemlenebilirlik
- Belge yükleme, vektör arama ve kaynaklı yanıt üretimi temelleri
- LangSmith / Langfuse ile trace inceleme, hata ayıklama ve LangGraph'a geçiş noktası
Uygulama: Modüler Kurumsal Asistan Servisi
- Kurum senaryosuna uygun araç ve bilgi erişimi içeren zincir geliştirme
- Sağlayıcı yedekliliği ve birim testlerin eklenmesi
Bu Kategorideki Diğer Eğitimler
-
Kurumsal Java (Spring AI, LangChain4j) ve .NET (Microsoft.Extensions.AI, Semantic Kernel) ekosistemlerinde Python'a geçmeden tip güvenli LLM, RAG, tool calling ve MCP entegrasyonu geliştirmeyi öğreten program.
- Canlı Kurs
- 6 modül
-
AWS üzerinde Amazon Bedrock Converse API, Knowledge Bases, Bedrock Agents, Guardrails, Prompt Management, IAM/VPC güvenliği ve maliyet optimizasyonu ile kurumsal üretken yapay zeka çözümleri geliştirme programı.
- Canlı Kurs
- 6 modül
-
Microsoft Azure AI Foundry ve Azure OpenAI Service üzerinde GPT/reasoning modelleri, Azure AI Search entegrasyonu, Entra ID kimlik doğrulaması, Private Endpoint, Content Safety ve PTU/kota yönetimi programı.
- Canlı Kurs
- 6 modül
-
Google Cloud Vertex AI üzerinde Gemini modelleri, Gen AI SDK, Context Caching, Grounding, Vertex AI Search, BigQuery entegrasyonu, IAM/VPC-SC güvenliği ve değerlendirme araçlarıyla uygulama geliştirme programı.
- Canlı Kurs
- 6 modül
-
LLM prototiplerini dayanıklı kurumsal sistemlere dönüştüren mimari kalıplar: AI gateway, asenkron kuyruklar, circuit breaker, fallback zincirleri, idempotency, guardrail katmanı ve OpenTelemetry izlenebilirliği.
- Canlı Kurs
- 6 modül
-
Foundation model ve LLM'lerin nasıl çalıştığını; token, context window, sampling, halüsinasyon, model aileleri ve prompting–RAG–fine-tuning seçimini uygulamalı anlatan, teknik ekipler için temel program.
- Canlı Kurs
- 6 modül
Bizimle iletişime geçin
