Gelişmiş LangGraph: Optimizasyon ve İzleme

Eğitim Hakkında

Gelişmiş LangGraph grafik tasarımı ve izleme

Eğitim LangGraph ile çok adımlı ajan uygulamalarını üretim kalitesine taşır. StateGraph ve reducer'lar, koşullu kenarlar, alt grafikler, Send ile paralel dallanma, checkpointer ile kalıcılık ve zaman yolculuğu, interrupt ile insan onayı, streaming modları, LangSmith ile iz ve değerlendirme, hata ve yeniden deneme politikaları, token ve gecikme optimizasyonu uygulamalı işlenir.

Süre ve Format

2 Gün. Her gün dört modül; 1. gün İleri Grafik Tasarımı; 2. gün Hata Ayıklama, İzleme ve Optimizasyon.

Seviye

İleri Seviye — LangGraph ile karmaşık ajan grafikleri, optimizasyon, hata ayıklama ve izleme

Öğrenme Metodu

Katılımcılar çok ajanlı bir araştırma asistanı grafiğini adım adım karmaşıklaştırır, LangSmith izleriyle darboğazları bulur ve optimize eder.

Neden Bu Eğitim?

🕸️Karmaşık Grafikler

Alt grafik, paralel dal ve koşullu akışlarla sürdürülebilir ajan mimarisi kurarsınız.

🔎Gözlemlenebilirlik

LangSmith izleriyle hangi düğümün ne kadar süre ve token harcadığını görürsünüz.

⚙️Optimizasyon

Önbellek, paralellik ve model seçimiyle maliyet ve gecikmeyi düşürürsünüz.

Anahtar Konular

langgraph eğitimilangsmithajan grafiklerimulti-agenthuman in the looplanggraph checkpointllm ajan optimizasyonulangchain

“Ajan grafiği ne kadar karmaşıksa o kadar çok izlenebilirliğe ihtiyaç duyar.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python

Orta ve ileri düzey Python, async/await ve tip ipuçları bilgisi gerekir.

2

LangChain/LangGraph temeli

Basit bir StateGraph kurmuş olmak beklenir.

3

LLM API

OpenAI, Anthropic veya benzeri bir model API anahtarı gerekir.

4

Geliştirme ortamı

Python 3.10+ ve sanal ortam kurulumu önerilir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı reducer'lı durum, alt grafik, Send tabanlı paralel dal ve checkpointer içeren grafik geliştirir.

Modül 1

Durum ve Reducer Tasarımı

TypedDict ve Pydantic durum şemaları
Annotated reducer ile liste birleştirme (add_messages)
Girdi ve çıktı şemalarını ayırma
Özel reducer fonksiyonları
Durum büyümesi ve token maliyeti
Config ve runtime bağlamı

Modül 2

Alt Grafikler ve Çok Ajanlılık

Alt grafiği düğüm olarak ekleme
Durum eşleme ve izole alt durum
Supervisor ve swarm mimarileri
Command ile düğümden yönlendirme
Handoff araçları
Ajan sorumluluklarının ayrıştırılması

Modül 3

Paralellik ve Dallanma

Send API ile map-reduce deseni
Fan-out ve fan-in kenarları
Süper adım (superstep) çalışma modeli
Koşullu kenarlar ve döngü sınırı (recursion_limit)
Paralel düğümlerde durum çakışmaları
Zaman aşımı ve iptal

Modül 4

Kalıcılık ve Zaman Yolculuğu

MemorySaver, SqliteSaver ve PostgresSaver
thread_id ile konuşma sürekliliği
Durum geçmişini görüntüleme (get_state_history)
Eski noktadan yeniden çalıştırma (fork)
Uzun süreli bellek için Store API
Checkpoint boyutu ve temizlik

Günün hedefiKatılımcı LangSmith ile iz alır, hata politikalarını yapılandırır ve gecikme ile maliyeti ölçerek düşürür.

Modül 1

İnsan Denetimi ve Hata Yönetimi

interrupt ve Command(resume) ile onay akışı
interrupt_before ve interrupt_after
RetryPolicy ve düğüm düzeyi yeniden deneme
Araç hatalarının modele geri bildirilmesi
Geri dönüş (fallback) modelleri
Sonsuz döngü ve halüsinasyon korumaları

Modül 2

LangSmith ile İzleme

LANGCHAIN_TRACING_V2 ve proje yapılandırması
Trace ağacını okuma ve düğüm süreleri
Etiket ve metadata ile filtreleme
Veri kümesi ve değerlendirici ile regresyon testi
Çevrimiçi değerlendirme ve geri bildirim
Hata izlerinden test örneği üretme

Modül 3

Hata Ayıklama Teknikleri

LangGraph Studio ile grafik görselleştirme
Durumu düğüm düğüm inceleme
stream_mode: values, updates, debug
Mermaid ile grafik çizimi
Deterministik testler için sahte (fake) LLM
Prompt ve araç şeması hatalarının teşhisi

Modül 4

Optimizasyon ve Dağıtım

Prompt önbellekleme ve semantik cache
Paralel araç çağrısı ile gecikme azaltma
Küçük model yönlendirme (router)
Token bütçesi ve bağlam kırpma (trim_messages)
LangGraph Platform ve FastAPI ile dağıtım
Yük testi ve oran sınırı yönetimi

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Durum Tasarımı

Reducer'lı ve şemalı durum modelleri kurarsınız.

✅

Alt Grafikler

Çok ajanlı yapıları supervisor ve alt grafiklerle düzenlersiniz.

✅

Paralel Akış

Send ile map-reduce tarzı paralel dallar çalıştırırsınız.

✅

Kalıcılık

Checkpointer ile konuşma durumunu saklayıp geçmişe dönersiniz.

✅

İnsan Onayı

interrupt ile onay ve düzeltme akışları kurarsınız.

✅

LangSmith İzleme

İzleri okuyup değerlendirme veri kümeleri hazırlarsınız.

✅

Hata Teşhisi

Studio ve stream modlarıyla grafik hatalarını ayıklarsınız.

✅

Maliyet Optimizasyonu

Cache, yönlendirme ve bağlam kırpma ile token ve gecikmeyi azaltırsınız.

Kimler İçin Uygundur?

LLM uygulama geliştiricileri
yapay zeka mühendisleri
ajan tabanlı sistemler kuran ekipler için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

LLM uygulama geliştiricileri, yapay zeka mühendisleri ve ajan tabanlı sistemler kuran ekipler için uygundur. Orta ve ileri düzey Python, async/await ve tip ipuçları bilgisi gerekir.

LangGraph temeli şart mı?

Evet, basit bir StateGraph ve düğüm kenar kavramlarını bilmek beklenir.

Hangi LLM sağlayıcıları kullanılabilir?

OpenAI, Anthropic ve yerel modeller kullanılabilir; örnekler sağlayıcıdan bağımsız yazılır.

Sertifika verilir mi?

Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

LangSmith ücretli mi?

Eğitim için ücretsiz katman yeterlidir.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

GELİŞMİŞ LANGGRAPH: KARMAŞIK GRAFİKLERİ OPTİMİZASYON, HATA AYIKLAMA VE İZLEME EĞİTİMİ