AutoGPT Rehberi: Otonom Yapay Zekâ Aracılarının Yerelde Oluşturulması ve Dağıtımı

AutoGPT Platformu, kullanıcıların sürekli çalışan yapay zekâ aracılarını oluşturmasına, dağıtmasına ve yönetmesine olanak tanıyan bir platformdur. Düşük kodlu bir arayüz kullanarak, sahne arkasında otonom şekilde çalışan aracılarla binlerce dijital süreci otomatikleştirmenize imkân tanır.

AutoGPT Platformu iki temel bileşene sahiptir: AutoGPT Sunucusu — ana mantık ve altyapı, ve AutoGPT Ön Uç — aracı inşası, iş akışı yönetimi ve yinelenen zamanlamaların uygulanması için kullanıcı arayüzü. 

OpenAI, Anthropic, Groq ve Llama gibi LLM sağlayıcılarıyla önceden entegredir; böylece veri işleme, içerik üretimi ve hatta eğlenceli etkinlikler gibi çok çeşitli görevler otomatikleştirilebilir. 

Bu eğitimde, teknik profesyonellere AutoGPT platformunu yerelde nasıl kuracaklarını ve ilk aracıyı nasıl oluşturacaklarını göstereceğiz. Daha fazlası için Yapay Zekâ Aracılarını Anlama başlıklı kapsamlı rehberimizi okuyabilir, ayrıca farklı yapay zekâ aracı türlerini ayrı bir yazıda keşfedebilirsiniz. 

AutoGPT nedir?

AutoGPT, kullanıcıların otonom yapay zekâ aracılarını oluşturmasına, dağıtmasına ve yönetmesine olanak tanıyan bir yapay zekâ platformu/yazılımıdır. Bu aracılar, kullanıcının makinesine kurulan düşük kodlu bir arayüz üzerinden, en az insan gözetimiyle çeşitli görevleri yerine getirebilir. 

Yazım sırasında, yerel kurulum zahmetinden kaçınmak isterseniz yakında çıkacak bulut sürümü için açık bir bekleme listesi bulunmaktadır.

AutoGPT’nin temel özellik ve yetenekleri şunlardır:

• Düşük kodlu iş akışları: Geniş kod bilgisi olmadan iş akışları oluşturun.
• Otonom çalışma: Belirli tetikleyicilerle devreye giren, sürekli çalışan aracılar dağıtın.
• Akıllı otomasyon: Veri işleme, içerik üretimi ve diğer görevler için tekrarlayan süreçleri otomatikleştirin.
• Blok tabanlı sistem: Farklı eylem ve entegrasyonları temsil eden modüler bloklarla aracılar oluşturun.
• Çoklu LLM desteği: OpenAI, Anthropic, Groq ve Llama ile uyumlu.
• Pazar yeri: Belirli kullanım senaryoları için önceden yapılandırılmış aracılara erişin.

AutoGPT mimarisine genel bakış

AutoGPT platformu iki ana bileşenden oluşur:

1. AutoGPT sunucusu:

• Aracılar ve otomasyon için çekirdek mantık
• Güvenilir performans için altyapı
• Hazır aracıların bulunduğu pazar yeri

2. AutoGPT ön ucu:

• Aracı tasarlama ve yapılandırma için aracı oluşturucu
• İş akışı yönetim araçları
• Dağıtım kontrolleri
• Kullanıma hazır aracı seçimi
• İzleme ve analitik panosu

AutoGPT’nin arka ucu, web çatısı olarak FastAPI ile Python ve veri depolama için Prisma ORM’li PostgreSQL kullanır. Gerçek zamanlı iletişim için websockets kullanır ve yürütme, zamanlama ve bildirimler için yöneticiler içerir. 

Bu tasarım, platform büyüdükçe ölçeklenebilirliği ve bakım kolaylığını artırır.

Ön uç, TypeScript’li Next.js 14, Radix bileşenleri ve Tailwind CSS kullanır; iş akışı görselleştirme için xyflow’dan yararlanır. Bu, kapsamlı programlama bilgisi olmadan yapay zekâ aracıları oluşturabileceğiniz sezgisel bir düşük kodlu arayüz sunar.

Platform şu temel servisleri içerir:

• Veritabanı yöneticisi: Aracı yapılandırmalarını ve yürütme verilerini saklar
• Yürütme yöneticisi: İş akışlarını çalıştırır ve aracı durumunu yönetir
• Zamanlayıcı: Zamana bağlı otomasyon ve yinelenen görevleri yönetir
• Websocket sunucusu: Gerçek zamanlı güncellemeler sağlar
• REST API: Özelliklere programatik erişim sunar
• Aracı protokolü: Harici servislerle iletişimi standartlaştırır
• Entegrasyon API’leri: Üçüncü taraf servisler ve yapay zekâ sağlayıcılarına bağlanır

2025’te AutoGPT ve eski sürümler

İlk olarak 2023 civarında duyurulduğunda, AutoGPT büyük popülerlik kazandı ve ChatGPT’nin açık kaynaklı katili olarak görüldü. Elbette bu, sosyal medya fenomenlerinin körüklediği bir abartıydı; 2025’teyiz ve ChatGPT hâlâ burada. Ancak AutoGPT, yapay zekâ topluluğunun odağının yapay zekâ aracılarımıza kaydığını işaret etti.

AutoGPT’nin önceki sürümleri, tek bir istemden anında oluşturulabilen tamamen otonom aracılar vaat ediyordu. İstemi yönetilebilir görevlere bölebilecek ve işi tamamlamak için çok çeşitli araçlar, yazılımlar ve API’leri bir araya getirebilecekti; üstelik hem kısa hem uzun vadeli belleği, öz yansıtmalı geri besleme döngüsüyle güçlendirilmiş olacaktı. 

Ne var ki süreç içinde, üretim senaryolarında LLM’lerin doğasındaki öngörülemezlik nedeniyle bu yaklaşımın sınırlamalarını fark etmiş olmalılar.

Bugün AutoGPT artık o “istemden-aracıya” platform değil; çok daha iyi bir şey — aracılarınızın nasıl inşa edildiği üzerinde kontrolü size veren düşük kodlu bir platform. 1–2 yıl önceki yazıları okur veya YouTube videolarını izlerseniz, AutoGPT’nin ilk sürümünden 2025’te sahip olduğumuz platforma geçişi açıkça görebilirsiniz. 

Bu paylaşımlarda, size birazdan öğreteceklerimden tamamen farklı kurulum talimatları ve iş akışı örnekleri yer alır.

Öyleyse, daha fazla vakit kaybetmeden platformu makinenize nasıl kurabileceğinize bakalım.

AutoGPT Kurulumu ve Yapılandırması

AutoGPT’yi yerelde kurmak, geliştirme ortamınızın doğru yapılandırılmasını ve konteynerleştirme araçlarının anlaşılmasını gerektirir — tazeleme ihtiyacınız varsa Docker ve Kubernetes ile Konteynerleştirme ve Sanallaştırma kursumuza göz atın. Bu bölüm, ön koşullardan platformu ilk kez çalıştırmaya kadar tüm süreci adım adım anlatır.

Ön koşullar ve ortam kurulumu

AutoGPT’yi kurmadan önce aşağıdaki ön koşullara sahip olduğunuzdan emin olun:

1. Node.js & NPM

• Mac:
• brew install node
• Linux/WSL2:
• sudo apt update sudo apt install nodejs npm
• Kurulumu doğrulayın:
• node -v npm -v

2. Docker & Docker Compose

• Mac: Docker Desktop’ı indirin ve kurun
• Linux (WSL2 Docker çekirdeğiyle gelir ve kurulum gerektirir):
• sudo apt update sudo apt install docker.io docker-compose sudo systemctl enable --now docker
• Kurulumu doğrulayın:
• docker -v docker compose -v

3. Git

• Mac:
• brew install git
• Linux/WSL2:
• sudo apt update sudo apt install git

AutoGPT deposunu klonlayın:

git clone https://github.com/Significant-Gravitas/AutoGPT.git

Bu ön koşullar, AutoGPT’yi etkin şekilde çalıştırmak için gereklidir. Node.js ve NPM, AutoGPT ile kullanıcı dostu bir arayüz üzerinden etkileşim kurmanızı sağlayan ön uç uygulaması için gereklidir. 

Docker ve Docker Compose, farklı sistemlerde tutarlı performans sağlayan yalıtılmış konteynerlar oluşturur ve arka uç servislerinin dağıtımını basitleştirir. Git, depoyu klonlamanıza ve en son iyileştirmelerle güncel kalmanıza olanak tanır.

Bu adımdan sonra, uygulamayı çalıştırmak için gerekli her şeyi içeren AutoGPT dizini makinenizde bulunmalıdır. Geriye sadece yapılandırma kalır.

Docker ile yerel barındırma 

Docker, AutoGPT’yi çalıştırmak için yalıtılmış ve tutarlı bir ortam sağlar; böylece ana sisteminizden bağımsız olarak tüm bağımlılıkların doğru çalışması güvenceye alınır.

1. Arka uç servislerini kurun

cd AutoGPT/autogpt_platform
cp .env.example .env
docker compose up -d --build

Yeni .env dosyası, makul varsayılanlarla doldurulmuş ortam değişkenleriyle birlikte gelir. Bu dosyayı kendinizin yapılandırması zorunlu değildir; ancak dosyanın varlığı şarttır. Özel aracılarınıza çeşitli anahtarlar ve sırlar girerken ön uç uygulaması tarafından kullanılacaktır.

Son docker compose komutu, ilk çalıştırmada internet hızınıza bağlı olarak 15 dakikaya kadar sürebilir. Ön uç uygulamasının bağlanacağı arka uç bileşenlerini kurar.

2. Ön uç uygulamasını kurun

cd frontend
cp .env.example .env
npm install
npm run dev

Bu komutlar, ön uç için ortam dosyasını hazırlar, Node.js ile bağımlılıkları kurar ve arayüzü başlatır.

3. Kurulumu doğrulayın

• AutoGPT arayüzüne şuradan erişin: http://localhost:3000
• Arka uç servislerinin çalıştığı portlar:
• WebSocket Sunucusu: 8001
• Yürütme API’si: 8006

3000 portunu ziyaret ettiğinizde, hesap oluşturup oturum açmanız gereken Pazar Yeri arayüzünü görmelisiniz.

4. Şifreleme anahtarınızı özelleştirin (isteğe bağlı ancak önerilir)

# Python ile yeni bir anahtar oluşturun
from cryptography.fernet import Fernet
Fernet.generate_key().decode()

# Ya da yerleşik CLI'ı kullanın
poetry run cli gen-encrypt-key

autogpt_platform/backend/.env içindeki mevcut anahtarı yeni anahtarınızla değiştirin.

Windows kullanıcıları için not: Windows’ta Docker kullanırken kurulum sırasında WSL 2’yi Hyper-V yerine seçin; böylece Supabase ile uyumluluk sorunlarından kaçınırsınız. Hyper-V ile kurulum yaptıysanız, Docker Desktop ayarlarından WSL 2’ye geçebilirsiniz.

AutoGPT Kullanıcı Arayüzüne Genel Bakış

Çalışan bir aracı oluşturmadan önce, AutGPT’nin oluşturucu arayüzünü biraz tanıyalım.

Arayüz, dört ana düğmeli büyük bir boş tuvaldir:

• Bloklar
• Geri al/yeniden yap düğmeleri
• Kaydet

“Bloklar”a tıklamak, AutoGPT’nin yerleşik, yeniden kullanılabilir bileşenlerini kategorilere göre gruplandırılmış bir menüde açar.

Bu bloklar, birçok aracı senaryosunda evrensel olarak uygulanabilecek temel araçları sağlar. 

Örneğin aşağıda, iki blok arayıp ekledim — uzun metin girişi ve yapay zekâ metin oluşturucu. Bu iki bileşen, ChatGPT arayüzünün temel bir sürümünü yeniden oluşturmam için yeterli:

Görselde, her bloğun farklı hareketli parçalara sahip olduğunu görebilirsiniz. Girdi bloğunda blok adı ve varsayılan değer alanları bulunurken, metin oluşturucuda istem, model ve istem değişkenleri için alanlar vardır. 

İkincisinde ayrıca OpenAI API anahtarınız için tek seferlik bir giriş alanı bulunur; aracı çalıştırmadan önce bu anahtarı girmeniz gerekir (şimdi yapın). API anahtarı alanı, seçtiğiniz modele göre değişir ve AutoGPT büyük/küçük çoğu sağlayıcıyı destekler.

Fark ederseniz, her iki blokta da onları birbirine bağlamanızı sağlayan küçük kenarlar (3 ve 5’e bakın) vardır:

Yukarıdaki görselde, girdi bloğuna bir ad (1) ve varsayılan bir değer (2) veriyorum ve metin sonucunu (3) metin oluşturucunun istem alanına (4) bağlıyorum. Bu bağlantı, aracı kaydettikten sonra çalıştırılabilecek temel bir aracı iş akışı oluşturur (adımlar 5–8).

Çalıştır’a tıkladıktan sonra, girdi alanı için bir “Çalıştırma ayarları” menüsü açılır:

İsteminizi yazın ve tamamını çalıştırarak aşağıdakine benzer ilk çıktınızı alın:

Model yanıtının büyük metin oluşturma bloğu içinde okunmasının zor olduğunu fark edebilirsiniz. Bu nedenle AutoGPT, aşağıda eklediğim aracı çıktı bloklarını sunar:

Metin oluşturucunun yanıt alanını, aracı çıktı bloğunun değerine nasıl bağladığıma dikkat edin. Bir çıktı bloğu eklemek, ayrıca “Aracı Çıktıları” panelini kullanarak farklı bloklardan gelen tüm aracı çıktılarını tek bir yerde görmenizi sağlar:

Aracınızı kaydettiğinizde, kitaplığınıza eklenir. Dahası, bu aracı daha sonra oluşturduğunuz diğer aracılarda bir blok olarak kullanılabilir. Bu modüler yaklaşım çeşitli avantajlar sağlar:

1. Yeniden kullanılabilirlik: Karmaşık işlevleri yeniden inşa etmeden birden fazla projede kullanabilirsiniz.
2. Bileşebilirlik: Daha sofistike iş akışları oluşturmak için farklı aracıları birleştirebilirsiniz.
3. Sürdürülebilirlik: Orijinal aracı güncellediğinizde, onu blok olarak kullanan tüm örnekler iyileştirmelerden faydalanır.
4. Soyutlama: Karmaşık süreçler tek bir blok içinde kapsüllenebilir; böylece ana aracı iş akışlarınız daha sade ve anlaşılır olur.
5. İş birliği: Uzmanlaşmış aracı bloklarını ekip arkadaşlarınızla veya toplulukla paylaşarak geliştirmeyi hızlandırabilirsiniz.

Bu yapı taşı yaklaşımı, yetenekleri üst üste koyarak giderek daha güçlü yapay zekâ sistemleri oluşturmanıza olanak tanır.

AutoGPT’de Python ile Özel Bloklar Yazma

Sözdizimine ve genel sürece genel bakış

AutoGPT’nin gücü, modüler blok sisteminden gelir. Platform birçok kullanışlı yerleşik blokla birlikte gelse de, Python’da kendi özel bloklarınızı oluşturarak yeteneklerini genişletebilirsiniz. Bu özellik, programatik olarak erişilebilen herhangi bir API, servis veya araçla entegre olmanızı sağlar.

Özel bir blok oluşturma sürecinin temel adımları şunlardır:

1. Yeni bir Python dosyası oluşturun; autogpt_platform/backend/backend/blocks dizininde snake_case adlandırma kullanın
2. Block temel sınıfından türeyen bir sınıf tanımlayın
3. Girdi ve çıktı şemaları oluşturun; veri yapısını tanımlamak için BlockSchema kullanın
4. Benzersiz bir kimlik ve test verileriyle __init__ metodunu uygulayın
5. run metodunu yazın; bloğunuzun çekirdek mantığını içerir
6. Hataları düzgün yönetin; bloğun zarifçe başarısız olmasını sağlayın
7. Bloğunuzu test edin; platformun test altyapısını kullanın

Şimdi her bileşeni ayrıntılı olarak inceleyelim:

Blok sınıf yapısı

Her blok Block temel sınıfından türemeli ve girdi/çıktı şemalarını tanımlamalıdır:

from backend.data.block import Block, BlockSchema, BlockOutput

class MyCustomBlock(Block):
   class Input(BlockSchema):
       # Define input fields with types
       field1: str
       field2: int
      
   class Output(BlockSchema):
       # Define output fields with types
       result: str
       error: str  # Always include an error field
      
   def __init__(self):
       super().__init__(
           id="xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",  # Generate proper UUID
           input_schema=MyCustomBlock.Input,
           output_schema=MyCustomBlock.Output,
           test_input={"field1": "test", "field2": 42},
           test_output=("result", "expected output"),
           test_mock=None  # Only needed for external API calls
       )
      
   def run(self, input_data: Input, **kwargs) -> BlockOutput:
       try:
           # Your block logic here
           result = f"Processed {input_data.field1} and {input_data.field2}"
           yield "result", result
       except Exception as e:
           raise RuntimeError(f"Error in block: {str(e)}")

Önemli bileşenler

1. Girdi/çıktı şemaları: Veri yapısını tür ipuçlarıyla tanımlayın
2. UUID oluşturma: Doğru bir UUID üretici kullanın (kendiniz uydurmayın)
3. Test verisi: Gerçekçi test girdileri ve beklenen çıktılar sağlayın
4. Hata yönetimi: run metodunda her zaman uygun hata yönetimi uygulayın
5. Sonuç üretme: Sonuçları tek tek üretmek için yield kullanın

Örnek bir özel blok

OpenAI API’sini kullanarak duygu analizi yapan ayrıntılı bir özel blok oluşturalım. Bu, harici yapay zekâ servisleriyle nasıl entegre olunacağını ve API anahtarlarının güvenli biçimde nasıl yönetileceğini gösterir.

OpenAI API anahtarı için kurulum talimatları

Bu bloğu kullanmadan önce OpenAI API anahtarınızı ayarlamanız gerekir:

1. Gerekli paketleri yükleyin:

• pip install openai python-dotenv

2. .env dosyasını autogpt_platform/backend/blocks dizinine OpenAI API anahtarınızla oluşturun:

• OPENAI_API_KEY=your_api_key_here

Şimdi bloğu oluşturalım:

Bağımlılıkları içe aktarın ve ortamı kurun

Önce içe aktarmaları ve ortam kurulumunu ele alalım:

# autogpt_platform/backend/blocks/sentiment_analyzer.py
from backend.data.block import Block, BlockSchema, BlockOutput
from typing import Dict, Any, List
import os
from dotenv import load_dotenv
from openai import OpenAI
import json

# Load environment variables from .env file
load_dotenv()

Bu bölüm, gerekli kütüphaneleri içe aktarır ve .env dosyasından ortam değişkenlerini yükler. load_dotenv() işlevi, API anahtarınızın os.getenv() üzerinden kullanılabilir olmasını sağlar.

Blok şemasını tanımlayın ve başlatın

Ardından, girdi ve çıktı şemalarıyla blok sınıfını tanımlıyoruz:

class OpenAISentimentBlock(Block):
   """Block to analyze sentiment of text using OpenAI API"""
  
   class Input(BlockSchema):
       text: str  # Text to analyze
       model: str = "gpt-3.5-turbo"  # OpenAI model to use
       detailed_analysis: bool = False  # Whether to return detailed analysis
      
   class Output(BlockSchema):
       sentiment: str  # Positive, Negative, or Neutral
       confidence: float  # Confidence score of the prediction
       explanation: str  # Brief explanation of the sentiment
       detailed_analysis: Dict[str, Any]  # Optional detailed analysis
       error: str  # Error message if analysis fails

Girdi şeması üç parametre tanımlar:

• text: Analiz edilecek içerik (zorunlu)
• model: Kullanılacak OpenAI modeli (varsayılan: "gpt-3.5-turbo")
• detailed_analysis: Ek ayrıntıların döndürülüp döndürülmeyeceği (varsayılan: False)

Çıktı şeması, sonuçların yapısını tanımlar: duygu kategorisi, güven puanı, açıklama ve isteğe bağlı ayrıntılı analiz.

Bloğu test verileriyle başlatın

__init__ metodu, bloğu test verileriyle kurar ve OpenAI istemcisini başlatır:

def __init__(self):
   super().__init__(
       id="8f67d394-9f52-4352-a78b-175d5d1d7182",  # Generated UUID
       input_schema=OpenAISentimentBlock.Input,
       output_schema=OpenAISentimentBlock.Output,
       test_input={
           "text": "I really enjoyed this product, it exceeded my expectations!",
           "detailed_analysis": True
       },
       test_output=[
           ("sentiment", str),
           ("confidence", float),
           ("explanation", str),
           ("detailed_analysis", dict)
       ],
       test_mock={
           "_analyze_sentiment": lambda text, model, detailed: {
               "sentiment": "positive",
               "confidence": 0.92,
               "explanation": "The text expresses clear enjoyment and states that expectations were exceeded.",
               "detailed_analysis": {
                   "emotions": {
                       "joy": "high",
                       "satisfaction": "high",
                       "disappointment": "none"
                   },
                   "key_phrases": ["really enjoyed", "exceeded expectations"],
                   "tone": "enthusiastic"
               }
           }
       }
   )
   # Initialize OpenAI client
   api_key = os.getenv("OPENAI_API_KEY")
   if not api_key:
       raise RuntimeError("OpenAI API key not found. Please set OPENAI_API_KEY in .env file.")
   self.client = OpenAI(api_key=api_key)

Bu metod şunları yapar:

• Test için gerçekçi girdiler ve beklenen çıktılar belirler
• Test sırasında API çağrılarından kaçınmak için duygu analizi işlevi için bir sahte (mock) sağlar
• Ortam değişkenlerindeki API anahtarıyla OpenAI istemcisini başlatır
• API anahtarı eksikse hata verir

Duygu analizi metodunu uygulayın

Çekirdek işlevsellik _analyze_sentiment metodunda uygulanır:

@staticmethod
def _analyze_sentiment(self, text: str, model: str, detailed: bool) -> Dict[str, Any]:
   """Analyze sentiment using OpenAI API"""
   # Create prompt based on whether detailed analysis is requested
   if detailed:
       system_prompt = """
       You are a sentiment analysis expert. Analyze the following text and provide:
       1. The overall sentiment (positive, negative, or neutral)
       2. A confidence score from 0.0 to 1.0
       3. A brief explanation of your assessment
       4. A detailed analysis including:
          - Key emotions detected and their intensity
          - Key phrases that influenced your assessment
          - Overall tone of the text
      
       Format your response as a JSON object with the following structure:
       {
           "sentiment": "positive|negative|neutral",
           "confidence": 0.0-1.0,
           "explanation": "brief explanation",
           "detailed_analysis": {
               "emotions": {"emotion1": "intensity", "emotion2": "intensity"},
               "key_phrases": ["phrase1", "phrase2"],
               "tone": "description of tone"
           }
       }
       """
   else:
       system_prompt = """
       You are a sentiment analysis expert. Analyze the following text and provide:
       1. The overall sentiment (positive, negative, or neutral)
       2. A confidence score from 0.0 to 1.0
       3. A brief explanation of your assessment
      
       Format your response as a JSON object with the following structure:
       {
           "sentiment": "positive|negative|neutral",
           "confidence": 0.0-1.0,
           "explanation": "brief explanation"
       }
       """
  
   try:
       # Make API call using the latest OpenAI API syntax
       response = self.client.chat.completions.create(
           model=model,
           response_format={"type": "json_object"},
           messages=[
               {"role": "system", "content": system_prompt},
               {"role": "user", "content": text}
           ],
           temperature=0.2  # Low temperature for more consistent results
       )
      
       # Extract and parse JSON response
       content = response.choices[0].message.content
       result = json.loads(content)
      
       return result
      
   except Exception as e:
       raise RuntimeError(f"OpenAI API error: {str(e)}")

Bu metod şunları yapar:

• Ayrıntılı analiz isteğine göre farklı bir sistem istemi oluşturur
• OpenAI API’sini kullanarak yapılandırılmış bir duygu analizi üretir
• Daha tutarlı sonuçlar için düşük bir sıcaklık (0,2) ayarlar
• JSON yanıtını ayrıştırır ve döndürür
• API çağrısı sırasında oluşabilecek istisnaları ele alır

run metodunu uygulayın

Son olarak run metodu her şeyi bir araya getirir:

def run(self, input_data: Input, **kwargs) -> BlockOutput:
   try:
       # Validate input
       if not input_data.text or not isinstance(input_data.text, str):
           raise ValueError("Text must be a non-empty string")
      
       # Process through OpenAI
       results = self._analyze_sentiment(
           input_data.text,
           input_data.model,
           input_data.detailed_analysis
       )
      
       # Yield the results
       yield "sentiment", results["sentiment"]
       yield "confidence", results["confidence"]
       yield "explanation", results["explanation"]
      
       # Only return detailed analysis if requested and available
       if input_data.detailed_analysis and "detailed_analysis" in results:
           yield "detailed_analysis", results["detailed_analysis"]
      
   except ValueError as e:
       raise RuntimeError(f"Input validation error: {str(e)}")
   except Exception as e:
       raise RuntimeError(f"Sentiment analysis failed: {str(e)}")

Bu metod şunları yapar:

• Girdi metnini doğrular
• Girdi parametreleriyle duygu analizi metodunu çağırır
• yield anahtar sözcüğüyle sonuçları teker teker üretir
• Yalnızca talep edildiyse ve mevcutsa ayrıntılı analizi üretir
• Farklı hata türlerini uygun iletilerle ele alır

Bu örneğin kilit yönleri

1. OpenAI API entegrasyonu: Sohbet tamamlamaları uç noktasıyla en yeni OpenAI API sözdizimini kullanır
2. Güvenli API anahtarı yönetimi: dotenv ile ortam değişkenlerinden anahtarı yükler
3. Özelleştirilebilir analiz: Kullanıcı tercihine göre temel veya ayrıntılı duygu analizi sunar
4. Yapılandırılmış çıktı: Duygu kategorisi, güven puanı, açıklama ve isteğe bağlı ayrıntılı analiz döndürür
5. JSON işleme: OpenAI’den gelen yapılandırılmış JSON yanıtlarını işler
6. Test stratejisi: Gerçek API kredilerini tüketmeden test için OpenAI API çağrısını taklit eder

Bu blok, aracılarınızın yeteneklerini artırmak için en güncel yapay zekâ servisleriyle nasıl entegre olabileceğinizi gösterir. OpenAI entegrasyonu, basit kural tabanlı yaklaşımlarla uygulanması güç olan sofistike metin analizlerini mümkün kılar.

Kendi bloklarınızı yazarken daima şunları göz önünde bulundurun:

• API anahtarlarını güvenli biçimde nasıl yöneteceğiniz
• API hataları için net hata iletileri sağlamak
• Bloğun kullanımında esneklik tanıyan girdiler tasarlamak
• Çıktıları aşağı akıştaki bloklarca kolayca tüketilecek şekilde yapılandırmak

Alan türleri, kimlik doğrulama, webhook entegrasyonu ve en iyi uygulamalar dâhil özel blok oluşturma hakkında daha ayrıntılı bilgi için resmî AutoGPT Blok dokümantasyonuna bakın.

Sonuç

AutoGPT, sezgisel, blok tabanlı arayüzü sayesinde otonom yapay zekâ aracılarının oluşturulması ve dağıtımı için güçlü bir platform sunar. Bu eğitim, yerel kurulum ve yapılandırmadan arayüzü anlamaya, temel aracıların oluşturulmasına ve özel bloklarla işlevlerin genişletilmesine kadar tüm sürece rehberlik etti. 

AutoGPT’nin modüler mimarisini benimseyen teknik profesyoneller, kapsamlı kod bilgisi olmadan karmaşık iş akışlarını otomatikleştirebilir; ihtiyaç duyulduğunda özel yetenekler ekleme esnekliğine de sahip olur.

Bu temelin üzerine inşa etmek ve yapay zekâ aracılarını daha fazla keşfetmek isteyenler için resmî AutoGPT dokümantasyonu kapsamlı rehberlik sunarken, DataCamp Yapay Zekâ Aracılarını Anlama ve ChatGPT Temelleri gibi tamamlayıcı kaynaklar sağlar. 

GPT’lere Giriş kursu, büyük dil modellerine ilişkin anlayışınızı pekiştirmenize yardımcı olabilir; Teknik Dokümantasyon için RAG Sohbet Botları Oluşturma ise yapay zekâ aracılarının bir başka pratik uygulamasını gösterir. Yapay zekâ aracılarla denemelerinize devam ederken, Mistral Agents API, Dify AI ve Langflow gibi yeni araçlara da göz atmak isteyebilirsiniz.