CrewAI: Çoklu Yapay Zekâ Aracı Sistemlerine Örneklerle Bir Rehber

Yapay zekâ ajanları, görevleri yerine getirebilen ve dünyayla etkileşime girebilen asistanlardır. Sabit kuralları izleyen geleneksel sistemlerin aksine, yeni durumları öğrenip uyum sağlayabilirler. Onları, çevrelerini algılayıp eyleme geçebilen yazılım programları olarak düşünebilirsiniz.

Peki yapay zekâ ajanlarını, hepimizin adını sıkça duyduğu dil modelleri gibi diğer yapay zekâ varlıklarından ayıran nedir?

Bu yazıda bu soruyu ele alacak ve çoklu ajan yapay zekâ sistemlerinin geliştirilmesini basitleştirmek için tasarlanmış, ücretsiz ve açık kaynak bir Python çatısı olan CrewAI’yi tanıtacağım. Ajanlar ile dil modelleri arasındaki farkı inceleyecek, neden ajan çatılarına yapay zekâ uygulamaları geliştirmede ihtiyaç duyulduğunu tartışacak ve CrewAI’nin ajanların iş birliği yapmasına nasıl olanak tanıdığını göstererek etkileyici sonuçlara ulaşacağız.

Yapay Zekâ Ajanları vs. LLM’ler

Ajanlar ile büyük dil modelleri (LLM’ler) arasındaki farkla ilgili yaygın bir yanılgıyı giderelim. Her ikisi de yapay zekâ ailesine aittir ancak yetenekleri farklıdır.

ChatGPT ve Gemini gibi dil modelleri, dili kullanma konusunda son derece yetkindir. Büyük miktarda metin ve kod üzerinde yoğun bir eğitimden geçmişlerdir; bu sayede insan iletişimine çok benzeyen bir dil anlayıp üretebilirler.

LLM’ler, çeviriler, özetler, yaratıcı anlatılar hatta şiir de dahil olmak üzere geniş bir içerik yelpazesi üretebilen yapay zekânın usta söz işçileri gibidir. Kapsamları genellikle dil ile ilgili görevlere sınırlıdır.

Ajanlar ise öncelikle eyleme odaklanır. Gezinebilir, nesnelerle etkileşime girebilir ve algılarına dayalı kararlar verebilirler. 

Kısacası, dil modelleri beyin, ajanlar ise ellerdir. Birlikte güçlü bir ikili oluştururlar.

Öyleyse ajanlar yapay zekâ uygulamalarında bu kadar hayati bir rol oynarken, birden çok ajanın birlikte çalışması gerektiğinde ortaya çıkan karmaşıklığı nasıl yönetiriz? İşte burada ajan çatıları devreye girer.

Bir Ajan Çatısına Neden İhtiyaç Var?

Ajan çatılarına duyulan ihtiyaç, özellikle ortak bir hedefe ulaşmak için birlikte çalışan birden fazla ajanın yer aldığı yapay zekâ uygulamalarının artan karmaşıklığından kaynaklanır. Neden vazgeçilmez olduklarına bakalım.   

Oluşum ve koordinasyon

Yapay zekâ sistemleri ölçek büyüttükçe, çoğu zaman çeşitli yeteneklere sahip çok sayıda ajanı bünyelerine katarlar. Bu etkileşimleri yönetmek ve uyum içinde çalışmalarını sağlamak giderek zorlaşır.

Ajan çatıları, ajan faaliyetlerinin orkestrasyonuna, rollerinin ve sorumluluklarının tanımlanmasına ve iletişimin geliştirilmesine olanak tanıyan yapılandırılmış bir ortam sunar.

Çoklu ajanlı sistemlerde, görevlerin en uygun ajana verimli bir şekilde tahsis edilmesi ve ortak kaynakların etkin biçimde yönetilmesi kritik önemdedir. Ajan çatıları, görev tahsisi, kaynak müzakeresi ve çatışma çözümü için dinamik mekanizmalar sağlar.

Modülerlik ve yeniden kullanılabilirlik

Ajan çatıları, ajanların bağımsız bileşenler olarak tasarlanıp uygulandığı modüler bir yapay zekâ geliştirme yaklaşımını teşvik eder. Bu modülerlik daha iyi kod organizasyonu sağlar ve farklı projelerde ajan modüllerinin yeniden kullanılmasına imkân tanır; böylece karmaşık sistemlerin geliştirilmesini ve bakımını basitleştirir. Bu bileşen tabanlı yapıyla, yapay zekâ geliştiricileri daha geniş sistemi bozmadan tek tek ajanlara odaklanabilir.

Ayrıca ajan çatıları sıklıkla rol tabanlı bir mimari benimser; bu sayede geliştiriciler ajanlara yeteneklerini ve izinlerini tanımlayan belirli roller atayabilir. Bu rol tabanlı tasarım, ajanların genel mimariyi asgari düzeyde etkileyerek eklenip çıkarılabildiği veya değiştirilebildiği daha düzenli ve yönetilebilir bir sistem ortaya çıkarır. Bu esneklik, sistemlerin ciddi yeniden mühendislik çabaları olmadan yeni gereksinimlere uyum sağlamasına imkân tanır.

Uyarlanabilirlik ve öğrenme

Gerçek dünya ortamları çoğu zaman dinamik, öngörülemez ve sürekli değişir. Ajan çatıları, ajanların çevrelerindeki değişimleri algılamasını ve davranışlarını buna göre uyarlamasını sağlar. Bu uyarlanabilirlik, ajanların karmaşık ve sürekli değişen senaryolarda bile etkili şekilde çalışmasına imkân vererek gerçek dünya zorluklarıyla başa çıkmalarını kolaylaştırır.

Üstelik ajan çatıları sıklıkla, ajanların zaman içinde performanslarını geliştirmesine imkân tanıyan öğrenme mekanizmalarını da içerir. Geri bildirimlerden ve deneyimlerden öğrenerek, ajanlar karar verme süreçlerini sürekli olarak optimize edebilir ve ortaya çıkan yeni zorluklara uyum sağlayabilir. Bu sürekli iyileşme, ajanların daha etkili ve değerli hâle gelmesini sağlayarak uzun vadede sistem verimliliğine ve başarısına katkıda bulunur.

Madem ajan çatıları dedik, şimdi de yapay zekâ topluluğunda ses getiren bir tanesini tanıtalım: CrewAI.

CrewAI Nedir?

CrewAI, iki tamamlayıcı yapı taşı etrafında inşa edilmiş açık kaynaklı bir Python çatısıdır:

• Crew’ler — rol tabanlı karar alma yoluyla kendi kendine iş birliği yapan yapay zekâ ajanlarından oluşan takımlar — ve
• Flow’lar — otomasyonlar üzerinde size kontrol sağlayan, üretime hazır, olay güdümlü iş akışları.

Birlikte, basit bir araştırma hattından tamamen otonom çoklu ajan sistemine kadar her şeyi inşa etmenize olanak tanırlar.

Bu çatı; web arama motorları ve dil modelleri dâhil bir dizi araçtan oluşur; ajanların dış dünyayla etkileşime geçmesini, bilgi toplamasını ve hedeflerini yerine getirmek için harekete geçmesini sağlar.

CrewAI’nin tasarımı ve ölçeklenebilirliği, hem temel hem de karmaşık çoklu ajan uygulamalarının geliştirilmesi için idealdir; zorlukların üstesinden gelmede ve yapay zekâ sistemlerinde karar vermede iş birliğine dayalı bir yaklaşımı teşvik eder.

Şimdi, CrewAI’yi çoklu ajan sistemleri kurmak için güçlü bir araç hâline getiren bazı temel özelliklere bakalım.

• Ajan orkestrasyonu: CrewAI, her ajanın gösterideki rolünü bilmesini sağlar. Ajan davranışlarını tanımlayıp koordine etmek için araçlar sunar ve herkesin uyum içinde çalışmasını mümkün kılar.
• Rol tabanlı mimari: Nasıl ki müzisyenlere farklı enstrümanlar atanıyorsa, CrewAI de ajanlara belirli roller atamanıza izin verir; böylece yeteneklerini ve izinlerini tanımlarsınız. Bu, işler karmaşıklaştığında bile modüler ve iyi yapılandırılmış bir sistem oluşturur.
• Esnek iletişim: CrewAI, ajanların kesintisiz bilgi alışverişi yapmasını sağlayan çeşitli iletişim kanallarını destekler. Bunu, özel sohbet, grup tartışması ve bir megafonun tek bir yapıda toplandığı bir düzen gibi düşünün.
• Araç entegrasyonu: CrewAI, ajanların çeşitli araçlar aracılığıyla dünyayla etkileşime girmesini sağlar. Bu araçlar, ajanların web’de arama yapmasını, dili anlamasını, verileri analiz etmesini ve özel görevler yürütmesini mümkün kılar.
• Ölçeklenebilirlik: CrewAI, büyürken çoklu ajan sisteminizin duyarlı ve verimli kalmasını sağlayacak şekilde zahmetsizce ölçeklenecek biçimde tasarlanmıştır.

Peki CrewAI masaya ne gibi faydalar getiriyor? Avantajlarını inceleyelim.

CrewAI Flow’ları ve Crew’leri

CrewAI, basit ajan görevlerinden karmaşık üretim hatlarına kadar her şeyi yönetmek için birlikte çalışan iki tamamlayıcı yapı taşı etrafında inşa edilmiştir.

Crew’ler, kendi kendine iş birliği yapan yapay zekâ ajanı takımlarıdır. Bir Crew’deki her ajanın belirlenmiş bir rolü, hedefi ve geçmiş hikâyesi vardır — görevleri tamamlamak, birbirlerine delege etmek ve her adımı sizin betiklemenize gerek kalmadan kararlar almak için birlikte çalışırlar. Bir işi nasıl yapacağını ajanların keşfetmesini istediğinizde başvuracağınız yapı Crew’dir.

Flow’lar, Crew’lerin üzerinde yer alan orkestrasyon katmanıdır. Bir Flow, birden fazla Crew’ü birbirine zincirlemenize, adımlar arasında koşullu mantık eklemenize, işlem hattı genelinde durumu yönetmenize ve olaylara dayalı eylemler tetiklemenize imkân verir. Crew size özerklik sağlarken, Flow size kontrol verir.

Çoğu yeni başlayan için başlangıç noktası Crew’lerdir. Ancak üretim düzeyinde güvenilirliğe ihtiyaç duyduğunuzda Flow’ları kullanırsınız. Ölçek büyütmenin yolu Flow’lardan geçer.

CrewAI Kullanmanın Faydaları

CrewAI, birden fazla yapay zekâ ajanının iş birliği yapmasını, bilgi paylaşmasını ve ortak bir hedef doğrultusunda eylemlerini koordine etmesini sağlar.

Görev dağıtımını ve kaynak yönetimini otomatikleştirerek, CrewAI ajanların asgari ek yükle kendi özel rollerine odaklanmasına imkân tanır.

Çatı aynı zamanda uyarlanabilirliği destekler; ajanların değişen koşullara veya hedeflere göre davranışlarını ayarlamalarına imkân verir.

Ayrıca CrewAI, çoklu ajan sistemlerini oluşturmak ve yönetmek için kullanıcı dostu bir platform sunarak geliştirme sürecini basitleştirir.

CrewAI’nin bir diğer önemli gücü ise çok geniş bir araç yelpazesiyle entegrasyonudur. Bu, ajanların yeteneklerini genişleterek dış dünyayla etkileşime girmelerini ve bilgi toplamalarını sağlar.

CrewAI; web arama motorları, dil modelleri, veri analizi araçları ve hatta özel olarak geliştirilmiş işlevleri destekler. Bu sayede ajanlar, web’den bilgi getirme veya karmaşık veri analizi yapma gibi temel yeteneklerinin ötesinde görevleri yerine getirebilir.

Uygulamalı: CrewAI ile Bir Web Arama Aracı İnşa Etmek

Kolları sıvayalım ve CrewAI araçlarını kullanarak bir web sitesinin içeriğini kazıyıp ardından üzerinde RAG gerçekleştiren bir iş akışı kuralım. 

Aracı çalıştıracak kodu yazmamız gerekiyor. Başlamadan önce, pip kullanarak crewai-tools ve crewai paketlerini kuralım:

# Install CrewAI with tools support
pip install 'crewai[tools]'

# Or using uv (recommended by CrewAI for dependency management)
uv add 'crewai[tools]'

Paketleri yükledikten sonra aşağıdaki adımları izleyin. Bu örnekte üç farklı araç kullanacağız: web sitesini kazımak için ScrapeWebsiteTool, dosya yazmak için FileWriterTool ve RAG için bağlamda arama yapmak üzere TXTSearchTool. Hadi başlayalım.

Adım 1: Bir web sitesini kazımak

Önce gerekli kütüphaneleri içe aktarıp ScrapeWebsiteTool’ü başlatıyoruz. Bu araç, bir web sitesinden içerik çıkarmak için kullanılır. Bu durumda, Wikipedia’nın “Artificial Intelligence” sayfasından içerik kazıyacak şekilde ayarlanmıştır:

from crewai_tools import ScrapeWebsiteTool, FileWriterTool, TXTSearchTool
import requests

# Initialize the tool, potentially passing the session
tool = ScrapeWebsiteTool(website_url='https://en.wikipedia.org/wiki/Artificial_intelligence')  

# Extract the text
text = tool.run()
print(text)

Adım 2: Çıkarılan metni bir dosyaya yazmak

Şimdi çıkarılan metni ai.txt adlı bir dosyaya kaydetmek için FileWriterTool’ü kullanıyoruz. 

# Initialize the tool
file_writer_tool = FileWriterTool()

# Write content to a file in a specified directory
result = file_writer_tool._run(filename='ai.txt', content = text, directory = '', overwrite=True)
print(result)

Adım 3: Metin arama aracını kurmak

Az önce kaydettiğimiz ai.txt dosyasının içeriğinde arama yapmak için başka bir araç kuruyoruz. Ayrıca OpenAI API anahtarı için ortam değişkenini ayarlıyoruz.

import os
from crewai_tools import TXTSearchTool

os.environ['OPENAI_API_KEY'] = 'API-KEY'

# Initialize the tool with a specific text file, so the agent can search within the given text file's content
tool = TXTSearchTool(txt='ai.txt')

Adım 4: Görev için bir ajan oluşturup yürütmek

Bir eğitimci rolünde veri analisti ajanı oluşturuyoruz. Bu ajanın görevi, dosyada aradığımız metne dayanarak “Doğal Dil İşleme nedir?” sorusunu yanıtlamaktır.

from crewai import Agent, Task, Crew

context = tool.run('What is natural language processing?')

data_analyst = Agent(
    role='Educator',
    goal=f'Based on the context provided, answer the question - What is Natural Language Processing? Context - {context}',
    backstory='You are a data expert',
    verbose=True,
    allow_delegation=False,
    tools=[tool]
)

test_task = Task(
    description="Using the provided context, answer the question: What is Natural Language Processing?",
    tools=[tool],
    agent=data_analyst,
    expected_output='A clear, 2-3 paragraph explanation of Natural Language Processing, covering its definition, key techniques, and common applications.'
)

crew = Crew(
    agents=[data_analyst],
    tasks=[test_task]
)

output = crew.kickoff()

CrewAI, LangGraph ve AutoGen’e Kıyasla

CrewAI’nin başlıca alternatifleri LangGraph ve Microsoft’un AutoGen’idir. CrewAI’nin en büyük avantajı rol tabanlı ajan paradigmasıdır. Yani, ajanları roller, hedefler ve geçmiş hikâyelerle tanımladığınızda, insan ekiplerinin iş birliğini yakından yansıtan bir davranış elde edersiniz.

LangGraph, grafik tabanlı bir yaklaşımla yürütme akışı üzerinde daha fazla kontrol sunar; ancak yönlendirilmiş grafikler ve durum yönetimi kavramlarını anlamayı gerektirir. Çoklu ajan sistemlerine yeni başlayan çoğu geliştirici için, CrewAI çalışan bir prototipe giden daha hızlı yoldur.

Sonuç

CrewAI, çoklu ajan sistemlerini yönetmek için pratik bir platform sunar. İçerik kazımadan görev devrine kadar, bu çatı ajanlar arasında iş birliğini destekler ve onların uyum sağlayıp gelişmesine yardımcı olur.

Araçları entegre ederek ve düzenli bir yapı sağlayarak, CrewAI geliştiricilerin ajan etkileşimlerini yönetmesini, görevleri dağıtmasını ve en iyi performansı güvence altına almasını kolaylaştırır.