Multi-Agent Mimari: LangGraph ile Karmaşık AI Ajanları Tasarımı

Tek Ajanlı Sistemlerin Sınırları ve Multi-Agent İhtiyacı

Geleneksel LLM zincirleri (chains) doğrusal iş akışlarında harika çalışır. Ancak karmaşık yazılım mimarilerinde tek bir prompt ile hem araştırma yapmak, hem kod yazmak, hem de yazılan kodu test etmek modülerlikten uzaktır. Multi-Agent mimarisi, tıpkı bir yazılım ekibindeki rol dağılımı gibi, uzmanlaşmış yapay zeka ajanlarının birlikte çalışmasını sağlar.

LangGraph Nedir? Döngüsel ve Durum Bilgili (Stateful) Akışlar

LangChain gibi kütüphaneler yönlendirilmiş tek yönlü grafikler (DAG) için uygunken, gerçek dünya problemlerinde geri besleme döngülerine (feedback loops) ihtiyaç duyarız. LangGraph, ajanlar arasındaki ilişkileri döngüsel grafikler halinde modellememize ve her adımda ortak bir durumu (state) korumamıza olanak tanır.

Temel Yapı Taşları: State, Node ve Edge

LangGraph mimarisi üç temel bileşene dayanır:

• State: Tüm ajanların eriştiği ve güncellediği veri havuzu.
• Nodes: Özel iş mantığını çalıştıran fonksiyonlar veya LLM ajanları.
• Edges: Koşullu mantığa göre akışın bir sonraki düğüme aktarılmasını sağlayan yönlendiriciler.

Uygulama: LangGraph ile Otomatik Kod Geliştirici ve İnceleyici Ajan

Aşağıdaki Python örneğinde, kod yazan bir Coder Agent ile yazılan kodu denetleyen bir Reviewer Agent arasındaki etkileşimi kuruyoruz:

from typing import TypedDict, Annotated, Sequence
import operator
from langchain_core.messages import BaseMessage, HumanMessage
from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], operator.add]
    is_approved: bool

def coder_node(state: AgentState):
    # Coder ajanı kodu üretir veya düzeltir
    latest_message = state['messages'][-1].content
    code_output = 'def add(a, b):
    return a + b'
    return {'messages': [HumanMessage(content=code_output)]}

def reviewer_node(state: AgentState):
    # Reviewer ajanı kodu inceler
    code_to_check = state['messages'][-1].content
    if 'def ' in code_to_check:
        return {'is_approved': True}
    return {'is_approved': False}

# Graf Yapılandırması
workflow = StateGraph(AgentState)
workflow.add_node('coder', coder_node)
workflow.add_node('reviewer', reviewer_node)

workflow.set_entry_point('coder')
workflow.add_edge('coder', 'reviewer')

def should_continue(state: AgentState):
    if state.get('is_approved'):
        return END
    return 'coder'

workflow.add_conditional_edges('reviewer', should_continue)
app = workflow.compile()

Mimari İpucu: Multi-Agent sistemlerinde ajanlar arası sonsuz döngüleri önlemek için her zaman maksimum adım sayısı (recursion_limit) tanımlayın ve durum geçişlerini sıkı şemalarla doğrulayın.

Sonuç: Otonom Yapay Zeka Ekip Arkadaşları

Multi-Agent mimarisi, LLM uygulamalarını basit metin üreticilerinden karmaşık iş akışlarını yöneten otonom sistemlere dönüştürür. LangGraph ile durum bilgisini yönetmek ve döngüsel ajan ilişkileri kurmak, geleceğin yapay zeka mimarisinin temel taşıdır.