LangChain ve LlamaIndex Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, büyük dil modeli tabanlı uygulamalar geliştiren yazılım ekiplerinin LangChain, LlamaIndex ve LangGraph çerçeveleriyle bilgi erişimi destekli üretim (RAG) sistemleri ve durum yönetimli ajanlar kurması için tasarlanmış üç günlük uygulamalı bir programdır. Katılımcılar veri alımından değerlendirmeye, izlemeden servislemeye kadar uçtan uca bir kurumsal asistan geliştirir.

Neden Bu Eğitim?

Doğru Çerçeve Seçimi. LangChain, LlamaIndex ve LangGraph'ın güçlü yönlerini aynı problem üzerinde görerek projeye uygun aracı seçin.

RAG'den Ajana. Doküman sorgulayan asistandan araç kullanan, durum yöneten ve insan onayı isteyen çok adımlı ajanlara ilerleyin.

Ölçülebilir Kalite. LangSmith izleme ve Ragas değerlendirmesiyle uygulama kalitesini sezgiyle değil metriklerle yönetin.

“Çerçeveler hızı sağlar; kalıcı değeri ise doğru veriyle beslenen, ölçülen ve sınırları iyi çizilmiş uygulamalar yaratır.”

Ön Koşullar

Python Geliştirme — Sınıf, fonksiyon, async kullanımı ve paket yönetimiyle Python kodu yazabilmek.
LLM API Deneyimi — OpenAI, Anthropic veya benzeri bir LLM API'sine istek gönderip yanıt işlemiş olmak.
Temel Kavramlar — Token, bağlam penceresi, gömme (embedding) ve istem kavramlarına genel aşinalık.
Çalışma Ortamı — Python 3, VS Code ve Jupyter kurulu bilgisayar; eğitim için API anahtarları sağlanır.

Eğitim İçeriği

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

Günün hedefiLLM uygulama mimarisini ve çerçeve ekosistemini tanımak, LangChain bileşenleriyle yapılandırılmış çıktı ve araç kullanan akışlar kurmak ve uygulamayı LangSmith ile izlemek.

Modül 1

LLM Uygulama Mimarisi ve Çerçeve Ekosistemi

LLM uygulama katmanları: model, veri, orkestrasyon, arayüz
LangChain, LangGraph, LangSmith ve LlamaIndex rolleri
Çerçeve kullanmak mı, doğrudan SDK mı? Karar kriterleri
Paket yapısı ve sağlayıcı entegrasyon paketleri
Sürüm değişikliklerini ve bağımlılıkları yönetme
Demo: Aynı asistanın SDK ve çerçeveyle karşılaştırması

Modül 2

LangChain Çekirdek Bileşenleri

Sohbet modeli arayüzü ve sağlayıcı değiştirme
İstem şablonları, mesaj rolleri ve mesaj yapıları
Runnable arayüzü ve LCEL ile bileşen birleştirme
Toplu çağrı, akış ve eşzamansız çalıştırma
Hata yönetimi, yeniden deneme ve yedek model
Laboratuvar: Çok adımlı metin işleme zinciri

Modül 3

Yapılandırılmış Çıktı ve Araç Kullanımı

Pydantic şemalarıyla yapılandırılmış çıktı alma
Araç (tool) tanımlama ve modele bağlama
Araç çağrısı sonuçlarının akışa geri beslenmesi
Doküman sınıflandırma ve bilgi çıkarım desenleri
Çok modlu girdiler: görsel ve PDF işleme
Laboratuvar: Sözleşmeden alan çıkaran uygulama

Modül 4

LangSmith ile İzleme ve Hata Ayıklama

İzleme (tracing) kavramı ve çalışma ağacı
LangSmith projeleri, izler ve meta veri etiketleri
Gecikme, token kullanımı ve maliyet analizi
İstem sürümleme ve karşılaştırmalı deneme
Laboratuvar: Hatalı zincirin izlerle teşhis edilmesi
Günün değerlendirmesi ve RAG gününe köprü

Günün hedefiKurumsal dokümanları ayrıştırıp dizinlemek, LlamaIndex ve LangChain ile gelişmiş erişim teknikleri uygulamak ve RAG kalitesini sistematik değerlendirme ile iyileştirmek.

Modül 1

LlamaIndex ile Veri Alımı ve Dizinleme

Document ve Node yapıları, meta veri yönetimi
Veri bağlayıcıları ve LlamaParse ile karmaşık PDF ayrıştırma
Parçalama stratejileri: sabit, cümle ve anlamsal
IngestionPipeline ile dönüşüm ve tekrar önleme
VectorStoreIndex ve harici vektör veritabanı bağlantısı
Laboratuvar: Politika dokümanları için dizin oluşturma

Modül 2

Gelişmiş Erişim Teknikleri

Anahtar kelime ve vektör aramasını birleştiren hibrit erişim
Yeniden sıralama (reranking) ile bağlam kalitesi
Sorgu yeniden yazma, alt sorular ve HyDE yaklaşımı
Meta veri filtreleme ve yetkiye göre erişim
Ebeveyn doküman ve cümle penceresi erişimi
Laboratuvar: Hibrit erişim ve yeniden sıralama

Modül 3

Sorgu Motorları ve LangChain ile RAG

LlamaIndex sorgu motoru ve sohbet motoru
Yanıt sentezi modları ve kaynak gösterme
LangChain retriever arayüzü ve RAG zinciri
İki çerçevenin birlikte kullanımı: dizin ve orkestrasyon
Konuşma geçmişini dikkate alan soru yeniden yazımı
Laboratuvar: Kaynak gösteren kurumsal bilgi asistanı

Modül 4

RAG Değerlendirmesi ve İyileştirme

Erişim metrikleri: isabet oranı, MRR ve bağlam kesinliği
Yanıt metrikleri: kaynağa bağlılık ve yanıt ilgisi
Laboratuvar: Ragas ile RAG yapılandırmalarını ölçme
Altın soru-cevap seti hazırlama ve sentetik veri
LangSmith deneyleriyle yapılandırma karşılaştırması
Günün değerlendirmesi ve ajanlar gününe köprü

Günün hedefiLangGraph ve LlamaIndex Workflows ile durum yönetimli ajanlar geliştirmek, bellek ve insan onayı eklemek, güvenlik önlemlerini uygulamak ve asistanı servis olarak sunmak.

Modül 1

LangGraph ile Durum Yönetimli Ajanlar

Ajan kavramı: planlama, araç kullanımı ve döngü
LangGraph durum, düğüm ve kenar yapıları
Koşullu yönlendirme ve döngü sınırları
Kontrol noktası (checkpoint) ile kalıcı durum ve bellek
İnsan onayı (human-in-the-loop) için kesme noktaları
Laboratuvar: İade talebini işleyen onaylı ajan

Modül 2

Çok Ajanlı Yapılar ve LlamaIndex Workflows

Yönetici-çalışan ve uzman ajan mimarileri
RAG aracını ajanın araç setine ekleme
LlamaIndex Workflows ile olay tabanlı akışlar
LlamaIndex ajanları ve çok ajanlı iş akışları
MCP araçlarını LangChain ajanlarına bağlama
Laboratuvar: Araştırma ve raporlama yapan ajan ekibi

Modül 3

Güvenlik, Maliyet ve Servisleme

İstem enjeksiyonu ve dolaylı enjeksiyon riskleri
Girdi ve çıktı koruma kuralları (guardrails)
Araç yetkilerinin sınırlandırılması ve denetim izi
Önbellek, model yönlendirme ve maliyet optimizasyonu
FastAPI ile ajanı akışlı API olarak sunma
Demo: Asistanın izleme ile birlikte yayına alınması

Modül 4

Uçtan Uca Asistan Projesi ve Kapanış

Proje: RAG ve araç kullanan kurumsal asistan
Değerlendirme sonuçlarıyla proje sunumları
Kod ve mimari inceleme geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Çerçeve Seçimi — LangChain, LlamaIndex ve LangGraph'ı proje ihtiyacına göre tek başına veya birlikte konumlandırabileceksiniz.
LangChain Bileşenleri — Runnable, istem şablonu, araç ve yapılandırılmış çıktı bileşenleriyle bakımı kolay akışlar kurabileceksiniz.
Veri Alımı — LlamaIndex ve LlamaParse ile karmaşık dokümanları ayrıştırıp meta verili ve güncellenebilir dizinler oluşturabileceksiniz.
Gelişmiş Erişim — Hibrit arama, yeniden sıralama ve sorgu dönüşümleriyle RAG sistemlerinin erişim kalitesini artırabileceksiniz.
Değerlendirme — Ragas ve LangSmith ile RAG ve ajan uygulamalarını metriklerle ölçüp yapılandırmaları karşılaştırabileceksiniz.
Ajan Geliştirme — LangGraph ile durum yöneten, bellek kullanan ve kritik adımda insan onayı isteyen ajanlar geliştirebileceksiniz.
Güvenli Uygulama — İstem enjeksiyonu, araç yetkisi ve maliyet risklerine karşı koruma katmanları uygulayabileceksiniz.
Üretime Alma — Asistanınızı FastAPI ile akışlı API olarak sunup izleme ile birlikte kullanıma hazır hale getireceksiniz.

Kimler İçin Uygundur?

Python geliştiricileri
yapay zeka ve makine öğrenmesi mühendisleri
üretken yapay zeka ürün ekipleri
çözüm mimarları ile kurumsal asistan projelerinde çalışan veri bilimciler.

Sıkça Sorulan Sorular

LangChain ve LlamaIndex eğitimi kimler için uygundur?

Program; Python geliştiricileri, yapay zeka ve makine öğrenmesi mühendisleri, üretken yapay zeka ürün ekipleri, çözüm mimarları ve kurumsal asistan projelerinde görev alan veri bilimciler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün LangChain temelleri ve izleme, ikinci gün LlamaIndex ve LangChain ile RAG ve değerlendirme, üçüncü gün LangGraph ile ajanlar, güvenlik ve servisleme işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ile geliştirme deneyimi ve daha önce bir LLM API'sini kullanmış olmak beklenir. Token, gömme ve istem kavramlarına aşinalık faydalıdır. Laboratuvarlar için gerekli API erişimleri eğitimde sağlanır.

LangChain mi LlamaIndex mi tercih edilmeli?

İkisi birbirinin alternatifi olmaktan çok tamamlayıcıdır. LlamaIndex veri alımı ve dizinlemede, LangChain ve LangGraph ise orkestrasyon ve ajan akışlarında öne çıkar. Eğitimde aynı problem iki çerçeveyle çözülerek seçim kriterleri netleştirilir.

Çerçevelerin hızlı değişen sürümleri eğitimi etkiler mi, sertifika veriliyor mu?

Laboratuvarlar eğitim tarihindeki güncel kararlı sürümlerle hazırlanır ve sürüm geçişlerinin nasıl yönetileceği ayrıca işlenir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım 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

LANGCHAIN VE LLAMAINDEX İLE UYGULAMA GELİŞTİRME EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

LLM Uygulama Mimarisi ve Çerçeve Ekosistemi

LangChain Çekirdek Bileşenleri

Yapılandırılmış Çıktı ve Araç Kullanımı

LangSmith ile İzleme ve Hata Ayıklama

LlamaIndex ile Veri Alımı ve Dizinleme

Gelişmiş Erişim Teknikleri

Sorgu Motorları ve LangChain ile RAG

RAG Değerlendirmesi ve İyileştirme

LangGraph ile Durum Yönetimli Ajanlar

Çok Ajanlı Yapılar ve LlamaIndex Workflows

Güvenlik, Maliyet ve Servisleme

Uçtan Uca Asistan Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi