Eğitimin Amacı ve Kapsamı
Uzun ve çok adımlı görevlerde her adımda yeniden düşünen ReAct agent'ları pahalı ve kararsız hale gelebilir. Plan-and-Execute deseni önce açık bir plan üretir, adımları daha küçük modellerle veya paralel olarak yürütür ve gerektiğinde planı günceller.
Eğitimde planın structured output olarak üretilmesi, adımlar arası bağımlılık grafiği, ReWOO ve LLMCompiler yaklaşımları ile replanning tetikleyicileri uygulanır. Katılımcılar aynı görevi ReAct ve Plan-and-Execute ile çözüp kalite, gecikme ve maliyet açısından karşılaştıran bir rapor hazırlar.
Kimler Katılmalı?
- Karmaşık iş akışları için agent geliştiren yapay zeka mühendisleri
- Araştırma, analiz veya rapor üreten agent'lar kuran geliştiriciler
- Agent maliyet ve gecikmesini optimize etmek isteyen platform ekipleri
- Ön koşul: temel tool calling ve ReAct deneyimi
Kazanımlar
- Görevleri doğrulanabilir, structured planlara dönüştürmek
- Bağımsız adımları paralel yürüten bir executor kurmak
- Replanning için tetikleyici ve geri dönüş kuralları tanımlamak
- Planner ve executor için farklı modeller seçerek maliyeti düşürmek
- ReAct ile Plan-and-Execute arasında ölçüme dayalı seçim yapmak
Konular
Neden Önce Plan?
- ReAct'in uzun görevlerdeki maliyet ve tutarlılık sorunları
- Planner, executor ve replanner rollerinin ayrıştırılması
Plan Üretimi ve Doğrulama
- Planı JSON Schema ile structured output olarak almak
- Adım bağımlılıkları ve ön koşul kontrolleri
- Geçersiz veya riskli planları reddetmek
Yürütme Stratejileri
- Sıralı yürütme ile DAG tabanlı paralel yürütme
- ReWOO: değişken referanslı plan ve tek seferde çözüm
- LLMCompiler tarzı görev zamanlayıcı
Replanning ve Hata Yönetimi
- Başarısız adım, beklenmeyen sonuç ve yeni bilgi tetikleyicileri
- Kısmi sonuçları koruyarak planı güncellemek
Karşılaştırmalı Uygulama
- Aynı görevin ReAct ve Plan-and-Execute ile çözümü
- Kalite, gecikme ve token maliyeti ölçümü
- Hibrit yaklaşımlar ve seçim kriterleri
Bu Kategorideki Diğer Eğitimler
-
Agent'larda state şeması, reducer'lar, checkpoint'ler, thread yönetimi ve state machine tabanlı iş akışlarını LangGraph ve workflow engine örnekleriyle ele alan, uzun süreli agent'lar geliştiren ekiplere yönelik eğitim.
- Canlı Kurs
- 5 modül
-
Agent'ların doğru kullanabileceği araçlar tasarlamak: isimlendirme, açıklama, JSON Schema parametreleri, hata mesajları, tool contract'ları, versiyonlama ve yetki kapsamları üzerine uygulamalı eğitim.
- Canlı Kurs
- 5 modül
-
LangGraph ile StateGraph, conditional edge, checkpointer, interrupt tabanlı human-in-the-loop, subgraph ve Send API kullanarak production'a hazır agent sistemleri geliştirmeyi öğreten uygulamalı teknik eğitim.
- Canlı Kurs
- 6 modül
-
OpenAI Agents SDK ve Responses API ile function tool'lar, web search ve file search gibi hosted araçlar, handoff'lar, guardrail'ler, session'lar ve yerleşik tracing kullanarak araç tabanlı agent'lar geliştirme eğitimi.
- Canlı Kurs
- 5 modül
-
Model Context Protocol ile tools, resources ve prompts sunan MCP sunucuları ve bunları kullanan istemciler geliştirme; stdio ve Streamable HTTP, OAuth tabanlı yetkilendirme, güvenlik ve test üzerine uygulamalı eğitim.
- Canlı Kurs
- 5 modül
-
Supervisor, hiyerarşik, orchestrator-worker ve swarm desenleriyle çoklu agent sistemleri tasarlama; context izolasyonu, görev dağıtımı, maliyet kontrolü ve LangGraph, CrewAI ile Microsoft Agent Framework karşılaştırması.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
