Kurs
Google ADK ile AI Ajanları Oluşturma
1 sa
7.7K
Kapsam ve Hedefler
Bu makale, LangChain Araçlarının temellerini ve bunların Python’da nasıl kullanılacağını kapsar. openai ve langchain kütüphanelerinin yüklü olduğu bir Jupyter Notebook kullanacağız. Öncelikle LangChain çerçevesi hakkında bilgi edinmek istiyorsanız, Veri Mühendisliği ve Veri Uygulamaları için LangChain’e Giriş makalesine göz atmanızı kesinlikle öneririm.
Bu eğitimde, kullanıcı taleplerini karşılarken başvurması için varsayılan GPT modeline çeşitli harici kaynaklar sağlayan mevcut dört LangChain Aracını nasıl kullanacağımızı öğreneceğiz. Özellikle aşağıdaki kaynakları kullanan Araçları inceleyeceğiz:
- İki bilinen arama motoru: Google SERP ve DuckDuckGo araması.
- Kapsamlı ve yaygın olarak tanınan bir bilgi veritabanı olarak Wikipedia.
- Modelden video önerileri almak için YouTube kaynakları.
Bu Araçları kurduktan sonra, genel olarak herhangi bir LangChain Aracının nasıl kullanılacağını ve hepsini bir Araç Takımı içinde birleştirerek modele tarama yetenekleri kazandırmayı öğrenmiş olacağız.
LangChain Araçlarına Giriş
Giriş bölümünde tartıştığımız gibi, LangChain Araçları bir modelin yeteneklerini, kullanıcı istemine yanıt verirken harici kaynaklara danışmasını sağlayarak artırabilir. Bu Araçlar, ReAct İstemleme olarak bilinen bir istem tekniğinde önemli rol oynar. Reasoning and Acting’in (Muhakeme ve Eylem) kısaltması olan ReAct, modelin işlemesini iki aşamaya böler:
- Muhakeme aşaması: Bu aşamada, model bir yanıta ulaşmak için en iyi stratejiyi düşünmek üzere zaman ayırır.
- Eylem aşaması: Burada, model bir önceki aşamada oluşturduğu planı gerçek yanıtı elde etmek için uygular.
Bu süreç, modelin kendisini doğru yanıta yönlendirebilecek muhakeme izleri üretir. Bu tekniğin, özellikle bilgi yoğun ve karar verme gerektiren görevlerde Büyük Dil Modellerinin (LLM’ler) daha doğru ve güvenilir yanıtlar vermesine yardımcı olduğu gösterilmiştir. Bunun bir nedeni de modele ek ‘düşünme’ zamanı tanımasıdır.
LangChain Araçları, tamamlayıcı bilgi kaynakları sağlayarak ReAct istemleme tekniğini daha da güçlendirebilir. Bizim yaklaşımımızda muhakeme aşaması, modelin kullanıcının sorgusuna göre hangi aracı kullanacağına karar vermesini içerir. Bu arada eylem aşaması, modelin seçilen harici kaynakla arayüz kurarak ek bilgi toplamasını sağlar.
Langchain ile ReAct istemlemeye derinlemesine bir giriş ilginizi çekiyorsa, ChatGPT ReAct İstemleme makalesi size göre!
ReAct İstemleme için LangChain Öğeleri
Bu istem tekniğinden yararlanmak için LangChain çerçevesinde iki önemli öğe vardır: Aracılar (Agents) ve Araçlar (Tools).
Agent olarak adlandırılan yapılar, gerçek muhakeme ve eylem aşamalarını yürütmekten sorumlu varlıklardır. Sonuçları modele geri iletirler ve böylece LLM’in doğal dilde, ek bilgi içeren bir yanıt üretmesini sağlarlar. LLM’inizin gerçekleştirmesini istediğiniz farklı görevlere uygun çeşitli agent türleri vardır. Farklı agent türlerine ilişkin ayrıntılı bir genel bakış, resmi LangChain dokümantasyonundaki Agents bölümünde mevcuttur.
Araçları zaten kapsamlı biçimde konuştuk. Teknik olarak Araçlar, bir agent’ın çağırabileceği fonksiyonlardır. LangChain, Google yardımcı programları (Arama, Drive ve Scholar gibi), Wikipedia aramaları, ArXiV veritabanı, bir kabuk uzantısı ve yerel ChatGPT eklentileri gibi geniş bir Araç yelpazesi sunar. Bu makalede bunlardan dördünü tanıyacağız. Mevcut tüm Araçların kapsamlı listesi için resmi LangChain sayfasına bakın.
LangChain Araçlarıyla Uygulamalı Çalışma
Uygulamaya geçelim!
OpenAI ortamını kurma
GPT modellerini kullanan diğer projelerde olduğu gibi, ilk adım OpenAI API anahtarını ortamımıza yüklemek olacaktır. Bunu yapmak için os ve openai modüllerini kullanacağız.
import openai
import os
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")Henüz bir OpenAI API anahtarınız yoksa, OpenAI API’ye Yeni Başlayanlar Kılavuzu adlı bu makale size göre!
LangChain çerçevesini kullanacağımız için, gerçek gpt modelini de langchain kütüphanesinden yükleyeceğiz:
from langchain.llms.openai import OpenAI
llm = OpenAI(model_name="gpt-3.5-turbo")Bu örnekte, ücretsiz seçenek olarak gpt-3.5-turbo modelini kullanıyoruz, ancak tercih ettiğiniz başka bir modeli de özgürce kullanabilirsiniz.
Bir sonraki bölümde ilk Aracımızı nasıl kuracağımızı öğreneceğiz. Örnek olarak DuckDuckGo arama aracını kullanacağız, ancak tüm Araçların çalışır hâle gelmek için aynı adımları izlediğini göreceksiniz!
İlk LangChain Aracımızı kurma: DuckDuckGo
DuckDuckGo, kullanıcıların gizliliğini korumaya odaklanan bir arama motorudur. Bazı diğer arama motorlarının aksine DuckDuckGo, kullanıcılarının arama geçmişini takip etmez; bu da kullanıcıların kişisel profilini oluşturmadığı ve tutmadığı anlamına gelir.
Arama motorunu kullanmak için kurmamız gereken bir Python kütüphanesi vardır. pip ile kurulabilir:
!pip install duckduckgo-searchEk olarak, langchain kütüphanesinden DuckDuckGo Araçını içe aktarmamız gerekir:
from langchain.tools import DuckDuckGoSearchRun
ddg_search = DuckDuckGoSearchRun()
DuckDuckGoSearchRun() yöntemi, tek başına herhangi bir LLM ile arayüz kurmadan interneti taramayı zaten sağlar. Basit bir örneğe bakalım:
DuckDuckGo ile interneti taramak için ddg_search.run() yürütmesinden ekran görüntüsü
Araçların arkasındaki fikir, bu tarama yeteneğini bir LLM’e entegre ederek yalnızca ham bilgiyi getirmek yerine doğal dilde tutarlı bir yanıt elde etmektir. Bunu yapmak için bu yöntemi aşağıdaki gibi langchain Tool sınıfının bir örneğine gömmemiz gerekir:
from langchain.agents import Tool
tools = [
Tool(
name="DuckDuckGo Search",
func=ddg_search.run,
description="Useful to browse information from the Internet.",
)
]
Her aracın, LangChain agent’ının ona atıfta bulunurken kullanacağı bir ada (name), agent’ın harici kaynaklara danışmak için çalıştırabileceği bir fonksiyona (func) (ddg_search.run gibi) ve ne zaman kullanılacağını agent’a anlatmak için kullanılabilecek bir açıklamaya (description) ihtiyacı vardır.
Bu örnekte şu açıklamayı seçtik: ”Useful to browse information from the Internet”. Araç tanımında ihtiyaçlarınıza göre özelleştirilebilecek daha fazla opsiyonel parametre de vardır.
Diğer Tarama Araçlarını Keşfetme
İlk aracımızı nasıl kuracağımızı öğrendikten sonra, geri kalanlarını kurmak oldukça kolay olmalıdır; çünkü hepsi aynı yapıyı izler.
Google Serper Aracı
Google Serper, DuckDuckGo gibi interneti taramamıza olanak tanıyan, düşük maliyetli bir Google Arama API’sidir.
Bu araç için, https://serper.dev/ adresinde ücretsiz bir hesaba kaydolarak alabileceğimiz bir API anahtarına ihtiyacımız var.
Google Serper API ana sayfasından ekran görüntüsü.
Serper hesabımıza girdiğimizde, sol panelde API anahtarı seçeneğini görebilmeliyiz:
Google Serper API üzerinde bir hesap sayfasından ekran görüntüsü. Sol panelde API anahtarı seçeneği.
Üzerine tıkladığımızda Python betiklerimize kolayca kopyalayıp entegre edebileceğimiz API anahtarını alırız:
Google Serper sayfasında API anahtarı oluşturma ekranından görüntü.
Koda geri dönersek, anahtarı ortamımıza kolayca aktarabiliriz:
serper_api_key = os.environ["SERPER_API_KEY"]Google Serper API’yi kullanmak için önce gerekli Python kütüphanesini kurmamız gerekir (pip install google-serp-api). Ayrıca langchain kütüphanesinden GoogleSerper Araç sarmalayıcısını içe aktarmamız gerekir:
from langchain.utilities import GoogleSerperAPIWrapper
google_search = GoogleSerperAPIWrapper()Önceki durumda olduğu gibi, google_search.run() da interneti bağımsız olarak tarayacak bir yöntemdir. Yine de fikir, bunu aşağıdaki gibi bir LangChain aracı olarak entegre etmektir:
tools.append(
Tool(
name="Google Search",
func=google_search.run,
description="Useful to search in Google. Use by default.",
)
)
Dikkat ederseniz bu durumda tools listesine yeni bir araç ekliyoruz. Dolayısıyla tools listemiz artık her iki arama motorunu da içeriyor.
Wikipedia Aracı
Araç setimizi, önceki Araçlarda olduğu gibi aynı süreci izleyerek bilinen Wikipedia kaynaklarıyla tamamlayalım.
İlk adım, pip üzerinden wikipedia Python kütüphanesini kurmak (pip install wikipedia) ve LangChain kütüphanesinden gerekli modülleri yüklemektir. Bu araç, Wikipedia API mimarisi nedeniyle aslında iki modüle ihtiyaç duyar:
from langchain.tools import WikipediaQueryRun
from langchain.utilities import WikipediaAPIWrapper
wikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())Son olarak, wikipedia.run() yöntemini çalıştıran bir fonksiyona sahip yeni bir Tool sınıfı örneğini ekleyebiliriz:
tools.append(
Tool(
name="Wikipedia Search",
func=wikipedia.run,
description="Useful when users request biographies or historical moments.",
)
)
YouTube Aracı
Son olarak, modelin yalnızca yazılı metin değil, videolar şeklinde de yanıt verebilmesi için YouTube kaynaklarını entegre etmeyi oldukça ilginç buldum. Öncekiyle aynı prosedürü izleyerek:
!pip install youtube
from langchain.tools import YouTubeSearchTool
youtube = YouTubeSearchTool()
tools.append(
Tool(
name="Youtube Search",
func=youtube.run,
description="Useful for when the user explicitly asks you to look on Youtube.",
)
)
Artık hazırız!
Modelimize tarama yetenekleri kazandıran dört Araçtan oluşan bir araç takımı (tools listesi) oluşturduk. Yine de şimdiye kadar modelle etkileşime geçmedik.
Bakın model bu kaynaklardan nasıl yararlanacak!
Tarama Yeteneklerini Test Etme
Zaten belirttiğimiz gibi, agent olarak adlandırılan yapılar Araçları kullanmaktan sorumlu varlıklardır. Bu nedenle onları da langchain kütüphanesinden içe aktarmamız gerekir:
from langchain.agents import initialize_agentinitialize_agent yöntemi, agent’ımızı kurmamıza olanak tanıyacaktır:
agent = initialize_agent(
tools, llm, agent="zero-shot-react-description", verbose=True
)
Başlatmadan gördüğümüz üzere, agent’a mevcut Araçların listesini (tools), kullanılacak LLM’i (llm) ve agent türünü (agent="zero-shot-react-description") sağlamamız gerekir. Bu örnekte, en genel amaçlı eylem agent’ı olarak Zero-shot ReAct agent türünü kullanacağız. Ayrıca agent’ın muhakeme sürecini gözlemlemek için verbose=True olarak ayarladık.
Agent başlatıldıktan sonra, agent.run() yöntemini kullanarak herhangi bir kullanıcı istemini çalıştırabiliriz.
Örnek 1: Biyografi
İlkeler gereği, bir kullanıcı istemi gönderdiğimizde, agent Araç açıklamalarını analiz eder ve kullanım senaryosuna en uygun olanı seçer. Ayrıca, seçilen aracı kullanırken uygun bilgiyi bulamazsa diğer Araçlara varsayılan olarak başvurur.
Şimdi bir biyografi isteyerek ilk testi çalıştıralım. Bu durumda biyografiler ve tarihî anlar için yapılandırdığımız uygun bir aracımız var; bu yüzden agent’ın yapılandırılan aracı seçmesini bekliyoruz:
agent.run(
"Harry Styles biography"
)
Muhakeme sürecini gözlemleyebiliriz:
> Entering new AgentExecutor chain...
I should look for a biography of the singer
Action: Wikipedia Search
Action Input: Harry Styles biography
Observation:
Page: Harry Styles
Summary: Harry Edward Styles (born 1 February 1994) is an English singer. His musical career began in 2010 as part of One Direction, a boy band formed on the British music competition series The X Factor after each member of the band had been eliminated from the solo contest. They became one of the best-selling boy groups of all time before going on an indefinite hiatus in 2016.
Styles released his self-titled debut solo album through Columbia Records in 2017. It debuted at number one in the UK and the US and was one of the world's top-ten best-selling albums of the year, while its lead single, "Sign of the Times", topped the UK Singles Chart. Styles' second album, Fine Line (2019), debuted atop the US Billboard 200 with the biggest ever first-week sales by an English male artist, and was the most recent album to be included in Rolling Stone's "500 Greatest Albums of All Time" in 2020. Its fourth single, "Watermelon Sugar", topped the US Billboard Hot 100. Styles' third album, Harry's House (2022), broke several records and was widely acclaimed, receiving the Grammy Award for Album of the Year in 2023. Its lead single, "As It Was", became the number-one song of 2022 globally according to Billboard.
Styles has received various accolades, including six Brit Awards, three Grammy Awards, an Ivor Novello Award, and three American Music Awards. His film roles include Dunkirk (2017), Don't Worry Darling (2022), and My Policeman (2022). Aside from music and acting, Styles is known for his flamboyant fashion. He is the first man to appear solo on the cover of Vogue.
Page: Debbie Harry
Summary: Deborah Ann Harry (born Angela Trimble; July 1, 1945) is an American singer, songwriter and actress, best known as the lead vocalist of the band Blondie. Four of her songs with the band reached No. 1 on the US charts between 1979 and 1981.
Born in Miami, Florida, Harry was adopted as an infant and raised in Hawthorne, New Jersey. After college she worked various jobs—as a dancer, a Playboy Bunny, and a secretary (including at the BBC in New York)—before her breakthrough in the music industry. She co-formed Blondie in 1974 in New York City. The band released its eponymous debut studio album in 1976 and released three more studio albums between then and 1979, including Parallel Lines, which spawned six singles, including "Heart of Glass". Their fifth studio album, Autoamerican (1980), spawned such hits as a cover of "The Tide Is High", and "Rapture", which is considered the first rap song to chart at number one in the United States.Harry released her debut solo studio album, KooKoo, in 1981. During a Blondie hiatus, she embarked on an acting career, appearing in lead roles in the neo-noir Union City (1980) and in David Cronenberg's body horror film Videodrome (1983). She released her second solo studio album, 1986's Rockbird, and starred in John Waters's cult dance film Hairspray (1988). She released two more solo albums between then and 1993, before returning to film with roles in a John Carpenter-directed segment of the horror film Body Bags (1993), and in the drama Heavy (1995).
Blondie reunited in the late 1990s, releasing No Exit (1999), followed by The Curse of Blondie (2003). Harry continued to appear in independent films throughout the 2000s, including Deuces Wild (2002), My Life Without Me (2003) and Elegy (2008). With Blondie, she released the group's ninth studio album, Panic of Girls, in 2011, followed by Ghosts of Download (2014). The band's eleventh studio album, 2017's Pollinator, charted at number 4 in the United Kingdom.
Page: Harry Potter
Summary: Harry Potter is a series of seven fantasy novels written by British author J. K. Rowling. The novels chronicle the lives of a young wizard, Harry Potter, and his friends Hermione Granger and Ron Weasley, all of whom are students at Hogwarts School of Witchcraft and Wizardry. The main story arc concerns Harry's conflict with Lord Voldemort, a dark wizard who intends
Thought: I now know the final answer
Final Answer: Harry Styles is an English singer, songwriter and actor. He rose to fame as a member of the boy band One Direction, and later embarked on a solo career. He released his debut solo album, Harry Styles, in 2017, and his second album, Fine Line, in 2019. He has also had success in film, appearing in Dunkirk (2017), Don't Worry Darling (2022) and My Policeman (2022).
> Finished chain.
"Harry Styles is an English singer, songwriter and actor. He rose to fame as a member of the boy band One Direction, and later embarked on a solo career. He released his debut solo album, Harry Styles, in 2017, and his second album, Fine Line, in 2019. He has also had success in film, appearing in Dunkirk (2017), Don't Worry Darling (2022) and My Policeman (2022)."
Görüyoruz ki .run() yöntemini çalıştırdığımızda agent, kullanıcı istemini işliyor ve muhakeme aşamasına başlıyor; bu da şu sonuca varıyor: "Şarkıcının bir biyografisine bakmalıyım". Bunu yapmak için, araç tanımımıza göre Wikipedia Arama aracını — giriş olarak "Harry Styles biography" kullanarak — kullanmaktan oluşan bir eylem planı tasarlıyor. Ardından eylem planı başlıyor; agent Wikipedia veritabanından ilgili bilgileri alıyor, bulguları işliyor ve doğal dilde uygun bir yanıt üretiyor.
Örnek 2: Rastgele Tarama
Şimdi, aracın araç takımı açıklamasında belirli bir araçtan bahsedilmediği genel bir tarama görevi isteyelim:
agent.run(
"Yesterday's latest news in Spain"
)
Bu durumda muhakeme sürecini gözlemleyelim:
> Entering new AgentExecutor chain...
I should look for news from yesterday
Action: Google Search
Action Input: "Yesterday's news in Spain"
Observation: The latest breaking news, comment and features from The Independent. All the latest content about Spain from the BBC. Find all national and international information about spain. Select the subjects you want to know more about on euronews.com. Latest Spain news stories including accidents, crime and policing, politics, and Spanish sport news headlines. Latest news, essential insights and practical guides to life in Spain from The Local, Europe's leading independent voice. Missing: Yesterday's | Show results with:Yesterday's. Stay on top of Spain latest developments on the ground with Al Jazeera's fact-based news, exclusive video footage, photos and updated maps. Missing: Yesterday's | Show results with:Yesterday's. Spain · Shakira due to go on trial in Spain over tax fraud claims · The Observer view on Pedro Sánchez's election deal to take power: it undermines democracy. Missing: Yesterday's | Show results with:Yesterday's. Latest News · Hundreds leave Al-Shifa hospital as Israeli forces take control of facility · F1 fans file class-action suit over being forced to exit Las Vegas ... Missing: Yesterday's | Show results with:Yesterday's. Follow the latest Spain news stories and headlines. Get breaking news alerts when you download the ABC News App and subscribe to Spain notifications. Missing: Yesterday's | Show results with:Yesterday's. Get the latest breaking news and top news headlines at Reuters ... Spain Headlines. Shakira stands trial in Spain for alleged tax fraud. Shakira ... Missing: Yesterday's | Show results with:Yesterday's.
Thought: I found a lot of news sources with yesterday's news, so the final answer should be about that.
Final Answer: The latest news in Spain from yesterday is that Shakira is standing trial in Spain for alleged tax fraud, hundreds of people have left Al-Shifa hospital as Israeli forces take control, and F1 fans have filed a class-action suit over being forced to exit Las Vegas. Other news includes insights and practical guides to life in Spain, Pedro Sánchez's election deal to take power, and the top news headlines from Reuters.
> Finished chain.
"The latest news in Spain from yesterday is that Shakira is standing trial in Spain for alleged tax fraud, hundreds of people have left Al-Shifa hospital as Israeli forces take control, and F1 fans have filed a class-action suit over being forced to exit Las Vegas. Other news includes insights and practical guides to life in Spain, Pedro Sánchez's election deal to take power, and the top news headlines from Reuters."
Bu durumda agent, varsayılan Google Serper aracına başarıyla başvuruyor ve İspanya’daki son haberleri buluyor. Bu tarama örneği özellikle ilginç; çünkü eğitim verileri Eylül 2021’de kesilmiş bir LLM’e oldukça güncel bir istem sormayı başarıyor ve buna rağmen güncel bir yanıt alıyoruz.
Örnek 3: Video Getirme
Son olarak, bir video kaynağıyla ilgilendiğimizi varsayalım. Modelin bizi gerçekten ona yönlendirip yönlendiremeyeceğine bakalım. Ayrıntı modunu kapatacağız ve modelden gelen gerçek yanıtı gözlemleyeceğiz:
agent = initialize_agent(
tools, llm, agent="zero-shot-react-description"
)
agent.run(
"Can you point me to the Procrastination TED talk by Tim Urban?"
)
Ve beklediğimiz gibi, başarılı bir şekilde şu yanıtı alıyoruz:
'The TED Talk "Procrastination" by Tim Urban can be found at
https://www.youtube.com/watch?v=arj7oStGLkU'
Çalışıyor! Bu üç örnekle, LLM’imizin taleplerimizi yerine getirmek için yararlanabileceği farklı kaynakları göstermiş olduk.
Araç Takımımıza daha fazla Araç eklemek ilginizi çekiyorsa, ReAct: Varsayılan GPT Yeteneklerini Artıran 3 LangChain Aracı makalesini kesinlikle öneririm.
Sonuç
Bu eğitimde, LLM’lerde tarama yeteneklerini geliştirmek için LangChain Araçlarının kullanımını öğrendik. LangChain’in merkezinde, yerleşik LLM tabanlı uygulamaların geliştirilmesini kolaylaştırma yeteneği yer alır; bu da yerleşik bellekler, kapsamlı sohbet botları ve bu makalede incelediğimiz Araçlar gibi güçlü özellikleri sergiler.
OpenAI, en yeni GPT modellerini piyasaya sürerek özelleştirilmiş yapay zekâ alanında ilerleme kaydediyor olsa da, hâlâ önemli ölçüde büyüme ve yenilik için alan olduğuna inanıyorum.
Bu bağlamda, Python ve OpenAI API üzerinden GPT modelleriyle sık etkileşimde bulunan kullanıcılar için LangChain Araçları, bu teknolojik yarışta kayda değer bir avantaj sunar. Bu durum, kod yazmayan bir kitleye yönelik göründüğü için GPT’lerle tam bir tezat oluşturur. GPT kullanıcıları, ChatGPT kullanıcı arayüzünden kolayca uzmanlaşmış bir örnek yapılandırabilir ve ihtiyaç duydukça buna erişebilir; bu kullanıcı dostudur ancak esneklik sınırlıdır.
Ayrıca, LangChain Araçlarının Google veya Wikipedia gibi harici bilgi kaynaklarını kontrol edebilme kabiliyeti, modelin bilgi tabanını büyük ölçüde zenginleştirir. Bu, bilgi yüklemeyi destekleyen ancak daha küçük ölçekte yapan GPT’lere karşı önemli bir avantaj sunar.
Sonuç olarak, LangChain Araçları, benim görüşüme göre, modelin yeteneklerini artırmak ve yaygın olarak erişilebilen kamuya açık verileri kullanarak kendi örneklerimizi özelleştirmek için en güçlü özelliklerdir. Özel veritabanımız ile Araçları birleştirmenin gücünü şimdi hayal edebiliyor musunuz?
LLM dünyasında yeni misiniz? Hız kazanmak için Büyük Dil Modelleri Kavramları kursumuza göz atın!
Konular
