AI ajanları, soru yanıtlamanın ötesine geçip görevleri baştan sona ele almaya başladıkça daha kullanışlı hale geliyor. LangChain Deep Agents, ajanların işi parçalara ayırmasına, farklı araçlar kullanmasına, bilgiyi yönetmesine ve daha küçük görevleri koordine etmesine yardımcı olarak daha fazla kontrol ve esneklik sağlar. Bu da, sürekli yönlendirme gerektirmeden gerçek dünya iş akışlarını yönetebilen ajanlar oluşturmayı kolaylaştırır. LangChain Deep Agents'ın nasıl çalıştığını ve onlarla neler oluşturabileceğinizi inceleyelim.
LangChain Deep Agents nedir?
LangChain Deep Agents, LangChain'in temel yapı taşları ve LangGraph çalışma zamanı üzerine inşa edilmiş bir ajan çerçevesidir. Dosya sistemi erişimi, alt ajan görevlendirmesi, planlama, bellek ve insan gözetimi desteği gibi yerleşik yetenekler ile standart ajan iş akışlarını genişletir. Deep Agents, akıl yürütme, araç çağırma ve tekrarlı yürütmeyi birleştiren bir ajan döngüsü kullanır; bu da onları birden fazla adım, büyük miktarda bağlam ve koordineli iş akışları gerektiren karmaşık görevler için uygun kılar.
Araçları basit bir döngü içinde çağıran temel ajanların aksine, Deep Agents uzun süren görevleri yönetmek için ek altyapı sağlar. Dosyaları yönetebilir, işi uzmanlaşmış alt ajanlara devredebilir, karmaşık iş akışları boyunca bağlamı koruyabilir ve gerektiğinde insan müdahalesine izin verebilir. Bu yerleşik yetenekler, gelişmiş ajan sistemleri oluştururken gereken özel mühendislik miktarını azaltır.
LangChain Deep Agents nasıl çalışır
Bir Deep Agent bir görev aldığında, isteği analiz eder ve onu tamamlamak için gereken adımları planlar. Ardından bilgi toplamak ve eylemler gerçekleştirmek için arama, kod yürütme veya dosya sistemi işlemleri gibi mevcut araçları kullanır.
Yürütme sırasında Deep Agents, dosyaları okuyup yazarak bağlamı yönetir. Tüm ara sonuçları konuşma geçmişinde tutmak yerine, büyük miktarda bilgiyi dışarıda saklayabilir ve gerektiğinde geri alabilirler. Bu yaklaşım, ajanların bağlam penceresi boyutundan kaynaklanan sınırlamaları azaltarak daha uzun iş akışlarını yönetmesine yardımcı olur.
Birden fazla çalışma alanını içeren karmaşık görevlerde Deep Agents, belirli alt görevleri uzmanlaşmış alt ajanlara devredebilir. Her alt ajan tanımlı bir hedefe odaklanır ve ilgili sonuçları ana ajana döndürür. Ana ajan ardından alt ajan çıktılarını, alınan bilgiyi ve saklanan dosyaları birleştirerek eksiksiz ve tutarlı bir yanıt oluşturur.
Planlama, araç kullanımı, dosya sistemi yönetimi, alt ajan iş birliği ve insan gözetimi gibi özelliklerle LangChain Deep Agents, çok adımlı, gerçek dünya görevlerini yönetebilen daha yetenekli AI sistemleri oluşturmak için bir temel sağlar.
Deep Agents'ın temel yetenekleri: Planlama, araçlar ve yürütme
Deep Agents, birden fazla adım, karar ve eylem gerektiren görevleri yönetebilir. Temel özellikleri, işi planlamalarına, doğru araçları kullanmalarına ve her adımı daha az manuel girdiyle verimli bir şekilde tamamlamalarına yardımcı olur. Bu yetenekleri ayrıntılı olarak inceleyelim:
Görev planlama
Görev planlama, ajanların yürütme sırasında yapılandırılmış bir görev listesi oluşturup yönetmesini sağlar. Karmaşık bir hedefi tek bir talimat olarak ele almak yerine ajanlar, onu daha küçük adımlara bölebilir, ilerlemeyi takip edebilir ve iş akışı boyunca görev durumunu güncelleyebilir.
Planlama ne zaman kullanılır
Uzun veya karmaşık, çok adımlı görevler
Açık ilerleme takibinden ve yapılandırılmış yürütmeden fayda sağlayan görevler
Ajan durumundan ilerlemeyi akış olarak gösteren kullanıcı arayüzleri
Nasıl etkinleştirilir
middleware parametresine TodoListMiddleware'i geçirin. Bu, ajana durum takibiyle (pending, in_progress, completed) yapılandırılmış bir görev listesi tutmak için bir write_todos aracı verir.
from deepagents import create_deep_agent
from deepagents.middleware import TodoListMiddleware
agent = create_deep_agent(
model="your-model",
middleware=[TodoListMiddleware()],
)Görevler ajan durumunda saklanır ve bu da ajanlara uzun süren işleri organize etmek için hafif bir planlama katmanı sağlar.
Sanal dosya sistemi araçları
Deep Agents, takılabilir arka uçlarla desteklenen yapılandırılabilir bir sanal dosya sistemi sağlar: bellek içi durum, yerel disk, LangGraph deposu, birleşik yönlendirme veya izin kurallarına sahip özel arka uçlar.
Yerleşik dosya sistemi araçları
| Araç | Açıklama |
|---|---|
ls | Bir dizindeki dosyaları meta verilerle (boyut, değiştirilme zamanı) listeler |
read_file | Dosya içeriğini satır numaralarıyla okur; büyük dosyalar için offset/limit destekler; ayrıca görüntü, video, ses ve belgeler için çok modlu içerik blokları döndürür |
write_file | Yeni bir dosya oluşturur veya mevcut bir dosyanın üzerine yazar |
edit_file | Dosyalarda tam eşleşen dize değiştirmeleri yapar (genel değiştirme modu ile) |
delete | Bir dosyayı veya dizini özyinelemeli olarak siler |
glob | Belirli kalıplarla eşleşen dosyaları bulur (örneğin, **/*.py) |
grep | Dosya içeriğinde birden çok çıkış modu ile arama yapar |
execute | Ortamda shell komutları çalıştırır (yalnızca sandbox arka uçlarında) |
Desteklenen çok modlu dosya uzantıları
Görüntü:
.png,.jpg,.jpeg,.gif,.webp,.heic,.heifVideo:
.mp4,.mpeg,.mov,.avi,.flv,.mpg,.webm,.wmv,.3gppSes:
.wav,.mp3,.aiff,.aac,.ogg,.flacBelge:
.pdf,.ppt,.pptx
Dosya sistemi izinleri
Harness, agent'ın hangi dosya ve dizinleri okuyabileceğini veya yazabileceğini kontrol eden bildirimli izin kurallarını destekler. Kurallar yukarıdan aşağıya, ilk eşleşme kazanır mantığıyla değerlendirilir.
from deepagents import create_deep_agent
agent = create_deep_agent(
model="anthropic:your-model",
permissions=[
{"operations": ["read", "write"], "paths": ["/workspace/**"], "mode": "allow"},
{"operations": ["read"], "paths": [".env", "**/secrets/**"], "mode": "deny"},
],
)from deepagents import create_deep_agent
agent = create_deep_agent(
model="anthropic:your-model",
permissions=[
{"operations": ["read", "write"], "paths": ["/workspace/**"], "mode": "allow"},
{"operations": ["read"], "paths": [".env", "**/secrets/**"], "mode": "deny"},
],
)Bu, agent'ları belirli dizinlerle sınırlamanıza, hassas dosyaları korumanıza ve alt agent'lara üst agent'tan daha kısıtlı erişim vermenize olanak tanır.
Araç erişimini kısıtlama
FilesystemMiddleware'e bir tools izin listesi (allowlist) vererek dosya sistemi araçlarının yalnızca bir alt kümesini açığa çıkarabilirsiniz. read_file her zaman dahil edilmelidir.
from deepagents import create_deep_agent
from deepagents.middleware import FilesystemMiddleware
# Read-only agent
agent = create_deep_agent(
model="your-model",
middleware=[
FilesystemMiddleware(backend=backend, tools=["read_file", "ls", "glob", "grep"]),
],
)from deepagents import create_deep_agent
from deepagents.middleware import FilesystemMiddleware
# Read-only agent
agent = create_deep_agent(
model="your-model",
middleware=[
FilesystemMiddleware(backend=backend, tools=["read_file", "ls", "glob", "grep"]),
],
)Alt Agent'lar (Devretme)
Harness, ana agent'ın izole, uzun süreli, çok adımlı veya paralel görevler için geçici alt agent'lar oluşturmasına izin veren yerleşik bir task aracı içerir.
Temel özellikler
Yeni bağlam: Her çağrı, kendi bağlamına sahip yeni bir agent örneği oluşturur
Otonom yürütme: Alt agent, tamamlanana kadar bağımsız olarak çalışır
Tek devir: Ana agent'a tek bir nihai rapor döndürür
Yapılandırılabilir strateji: Varsayılan
general-purposealt agent'ı kullanın veya özel alt agent'lar tanımlayınBağlam verimliliği: Yoğun alt görev çalışması izole tutulur ve kompakt bir sonuca sıkıştırılır
Alt agent'ları devre dışı bırakma
Bir agent'ı task aracı olmadan çalıştırmak için, otomatik eklenen alt agent'ı harness profili üzerinden devre dışı bırakın ve subagents= ile senkron alt agent geçirmeyin. SubAgentMiddleware'i excluded_middleware ile kaldırmaya çalışmayın; bu bilinçli olarak reddedilir.
Araç çağırma yetenekleri
Deep Agent'lar üç kategori araç destekler:
Özel fonksiyonlar ve LangChain araçları
Özel fonksiyonları veya LangChain araçlarını tools= parametresi ile doğrudan geçirin:
MCP (Model Context Protocol)
Deep Agent'lar, standart bir arayüz üzerinden veritabanlarına, API'lere, dosya sistemlerine ve daha fazlasına bağlanmanızı sağlayan MCP'yi tam olarak destekler.
Kod çalıştırma
Sandbox arka uçları: İzole bir ortamda kabuk komutları için bir
executearacı sunarYorumlayıcılar: Hafif programlanabilir katmanlar için sınırlı kapsamlı bir QuickJS çalışma zamanında JavaScript çalıştıran bir
evalaracı ekler
Bu yetenekler bir araya geldiğinde, agent'ı güçlendiren dil modeli genel kurulumun önemli bir parçası haline gelir. Yetenekli bir model, Deep Agents'ların talimatları anlamasına, görevler üzerinde akıl yürütmesine ve kullanabilecekleri araçları daha iyi kullanmasına yardımcı olabilir. Kimi API bu model katmanını sağlayabilir, bu da onu daha yetenekli Deep Agent iş akışları oluşturmak için doğal bir sonraki adım haline getirir.
Kimi API'yi LangChain Deep Agents'a 6 Adımda Bağlama
Yetenekli bir model, Deep Agent'ınıza görevleri etkili bir şekilde ele almak için gereken dil anlama ve akıl yürütme becerisini kazandırır. Kimi API, agent araçlarla çalışırken, görevleri yönetirken ve karmaşık talimatları ele alırken bu yetenekleri sağlayabilir. Model katmanı yerine oturduğunda, kurulum doğal olarak Kimi API'yi LangChain Agents ile bağlamaya geçebilir. Kimi API'yi LangChain Deep Agents'a şu şekilde bağlayabilirsiniz:
Adım 1: Kimi API Anahtarınızı Alın
Kimi API platformuna giriş yapın ve yeni bir API anahtarı oluşturun. Anahtarı kopyalayıp güvenli bir şekilde saklayın, çünkü Deep Agents kurulumunuza eklemeniz gerekecek. Bu API anahtarı isteklerinizi doğrular ve LangChain'in Deep Agents'ının API üzerinden Kimi modellerine erişmesini sağlar.
Adım 2: Ortam Değişkenlerini Ayarlayın
Kimi API anahtarınızı bir ortam değişkeni olarak ayarlayın. Kimi API, Moonshot API uç noktasını kullanır, bu nedenle şu değişkeni yapılandırın:
export MOONSHOT_API_KEY="your-api-key-here"export MOONSHOT_API_KEY="your-api-key-here"API taban URL'si:
https://api.moonshot.ai/v1https://api.moonshot.ai/v1Adım 3: Bağımlılıkları Yükleyin
Deep Agents'ı ve gerekli LangChain bağımlılıklarını yükleyin:
pip install deepagents langchain-openai
``````bash
pip install deepagents langchain-openaiKimi API, OpenAI ile uyumlu olduğundan, langchain-openai LangChain'in OpenAI uyumlu arayüz üzerinden Kimi modellerine bağlanmasını sağlar.
Deep Agent'ınıza web arama yetenekleri eklemek isterseniz, isteğe bağlı olarak Tavily'yi yükleyebilirsiniz:
pip install tavily-pythonpip install tavily-pythonTavily platformundan bir Tavily API anahtarı oluşturduktan sonra, bunu bir ortam değişkeni olarak ayarlayın:
export TAVILY_API_KEY="your-tavily-api-key"export TAVILY_API_KEY="your-tavily-api-key"Tavily'ye sadece agent'ınıza web arama araçları eklemeyi planlıyorsanız ihtiyacınız vardır.
Adım 4: Kimi API ile bir Deep Agent Yapılandırın
Kimi API, OpenAI API formatıyla uyumlu olduğundan, init_chat_model aracılığıyla LangChain Deep Agents'a bağlayabilirsiniz.
Aşağıdaki örnek, Kimi ile çalışan temel bir Deep Agent oluşturur. İsteğe bağlı olarak bunu web arama gibi araçlarla genişletebilirsiniz.
Temel Kimi Destekli Deep Agent
Web arama yeteneklerini ekleme (isteğe bağlı)
Web aramayı etkinleştirmek için Tavily gibi bir arama aracı bağlayın:
Bu yapılandırmayla, Deep Agents akıl yürütme modeli olarak Kimi'yi kullanabilirken Tavily üzerinden dış arama yeteneklerine de erişebilir.
Adım 5: Kimi Destekli Deep Agent'ınızı Çalıştırın
Deep Agent'ınız Kimi ile yapılandırıldıktan sonra, görevleri ve araç çağrılarını nasıl ele aldığını test etmek için agent'ı çalıştırın.
result = agent.invoke(
{"messages": [{"role": "user", "content": "What is LangGraph?"}]}
)
print(result["messages"][-1].content)result = agent.invoke(
{"messages": [{"role": "user", "content": "What is LangGraph?"}]}
)
print(result["messages"][-1].content)Adım 6: LangSmith İzlemeyi Etkinleştirin (isteğe bağlı)
LangSmith izleme, araç çağrıları, ara adımlar ve model yanıtları dahil olmak üzere agent yürütmesini izlemenize yardımcı olur.
Aşağıdaki ortam değişkenleriyle izlemeyi etkinleştirin:
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"Agent iş akışlarına daha derinlemesine görünürlük, hata ayıklama veya performans analizi gerektiğinde LangSmith'i kullanın.
Kimi API kullanmanın avantajları
Kimi API'yi Deep Agents ile bağlamak, karmaşık iş akışlarını daha yetenekli ve yönetimi daha kolay hale getirebilir. Bu kombinasyon, agent'lara araçları kullanma, dosyaları işleme ve birden fazla görevi yürütme imkanı sağlarken daha güçlü akıl yürütme yeteneği kazandırır. Bu kurulumun sunabileceği temel avantajlara bakalım:
Agent akıl yürütmesini ve görev yürütmesini iyileştirin
Kimi modelleri güçlü dil anlama ve akıl yürütme yetenekleri sunarak Deep Agents'ların karmaşık talimatları analiz etmesine, görevleri parçalara ayırmasına ve daha doğru yanıtlar üretmesine yardımcı olur. Bu, agent'ların çok adımlı iş akışlarını daha az manuel yönlendirmeyle daha etkili bir şekilde ele almasını sağlar.
Daha yetenekli AI iş akışları oluşturun
Kimi API'nin Deep Agents'a bağlanmasıyla geliştiriciler, Kimi'nin model yeteneklerini LangChain tarafından desteklenen araçlar, dosya sistemleri ve dış entegrasyonlarla birleştirebilir. Bu, agent'ların araştırma, belge işleme, kod analizi ve veri işleme gibi görevleri birleşik bir iş akışı içinde gerçekleştirmesini sağlar.
Otonom agent'larla karmaşık görevleri ölçeklendirin
Kimi destekli Deep Agents, planlar oluşturarak, araçları kullanarak ve gerektiğinde alt görevleri devrederek uzun süreli görevleri yönetebilir. Bu, tekrarlayan manuel işlemleri azaltırken karmaşık iş akışlarını tamamlayabilen AI uygulamaları oluşturmayı kolaylaştırır.
Sonuç
Güvenilir yapay zeka agent'ları oluşturmak, karmaşık iş akışları için doğru temeli seçmekle başlar. LangChain Deep Agents, planlama yapabilen, araç kullanabilen, bağlamı yönetebilen ve çok adımlı görevleri daha az manuel çabayla ele alabilen agent'lar oluşturmak için gereken araçları ve yapıyı sağlar. Doğru model ve yapılandırmayla geliştiriciler, ileri düzey agent fikirlerini pratik uygulamalara dönüştürebilir. Kimi API'yi entegre ederek Deep Agent iş akışlarınızı güçlü akıl yürütme ve uzun bağlam kapasiteleriyle daha da geliştirebilirsiniz. Kimi API'yi keşfetmeye başlayın ve yapay zeka agent'larıyla neler inşa edebileceğinizi görün.