Eğitimin Amacı ve Kapsamı
ReAct, bir LLM'in akıl yürütme adımlarını araç çağrılarıyla dönüşümlü yürüttüğü ve çoğu agent framework'ünün temelinde yer alan desendir. Eğitim, döngünün nasıl çalıştığını framework kullanmadan, doğrudan OpenAI, Anthropic Claude veya Gemini API'leri üzerinden kodlayarak gösterir.
Katılımcılar observation formatlama, maksimum iterasyon, sonsuz döngü ve hatalı tool çağrısı gibi sorunları canlı trace'ler üzerinden inceler. Kurumun seçtiği bir use case üzerinde çalışan, araç kullanan bir ReAct agent'ı ve hata senaryoları listesi oturumun somut çıktısıdır.
Kimler Katılmalı?
- LLM tabanlı uygulama geliştiren yazılım geliştiriciler
- Agent prototipleri hazırlayan yapay zeka mühendisleri
- Framework'lerin arka planını anlamak isteyen veri bilimciler
- Ön koşul: Python ve REST API kullanımı
Kazanımlar
- ReAct döngüsünü framework bağımsız olarak kodlamak
- Tool tanımlarını JSON Schema ile yazmak ve native tool calling'e bağlamak
- Durdurma koşulları ve iterasyon limitleriyle kontrolsüz döngüleri önlemek
- Trace'ler üzerinden agent kararlarını analiz edip hataları sınıflandırmak
- ReAct'in hangi görevlerde uygun, hangilerinde yetersiz olduğunu değerlendirmek
Konular
ReAct'in Mantığı ve Evrimi
- Chain-of-thought'tan ReAct'e: reasoning ve acting'i birleştirmek
- Metin tabanlı ReAct ile native tool calling karşılaştırması
- Reasoning modelleriyle ReAct'in değişen rolü
Döngüyü Sıfırdan Kodlamak
- Mesaj geçmişi, tool çağrısı ve observation ekleme
- Tool sonuçlarının LLM için formatlanması
- Basit bir araç seti ile çalışan ilk agent
Durdurma Koşulları ve Kontrol
- Maksimum iterasyon, token bütçesi ve zaman aşımı
- Final answer tespiti ve structured output
- Tekrarlayan aksiyonları ve döngüleri yakalamak
Hata Modları ve Debugging
- Halüsinasyonla uydurulan araçlar ve hatalı parametreler
- Tool hatalarını agent'a anlamlı mesajlarla geri bildirmek
- Trace okuma ve hata sınıflandırma
Kurum Use Case'i Üzerinde Uygulama
- Gerçek bir iş görevine göre araç seti tasarımı
- Küçük bir eval seti ile başarı oranı ölçümü
- ReAct'in sınırları ve alternatif desenlere geçiş kriterleri
Bu Kategorideki Diğer Eğitimler
-
Planner, executor ve replanner bileşenleriyle çok adımlı görevleri yürüten agent'lar; ReWOO ve LLMCompiler tarzı paralel görev grafikleri, plan doğrulama ve maliyet optimizasyonu üzerine teknik eğitim.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
