LangChain Temel Bileşenleri Açıklaması
LLM'ler, istemler, zincirler ve aracılar dahil olmak üzere LangChain'in temel yapı taşlarını ve bunların nasıl etkileştiğini öğrenin.
LangChain Temel Bileşenleri Açıklaması, CoddyKit'te ücretsiz bir AI Agents with LangChain & Autonomous Workflows dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Agents with LangChain & Autonomous Workflows öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
Welcome to LangChain Core!
Now meet LangChain, a framework for building agents. It gives you modular components you snap together like LEGO bricks.
The Brain: Large Language Models (LLMs)
The agent's brain is the LLM — a model trained on vast text to understand and generate language. LangChain makes it easy to plug into GPT or open-source models.
LLM in Action: A Simple Call
Here's a basic LLM call in LangChain, using a fake model so it runs without any API key.
from langchain_core.llms import FakeListLLM
# Our 'brain' that gives predefined answers
llm = FakeListLLM(responses=[
"The capital of France is Paris.",
"Hello! How can I help you today?"
])
# Ask the LLM a question
response = llm.invoke("What is the capital of France?")
print(response)Guiding the Brain: Prompts
An LLM needs instructions, and those are your prompts — the input text you feed it. Good prompts are crucial for getting the output you want.
Dynamic Prompts: Prompt Templates
For input that changes, use a prompt template: a reusable blueprint with placeholders you fill in at runtime.
from langchain_core.prompts import PromptTemplate
# Define a template with a placeholder '{topic}'
qa_template = """
Answer the following question about {topic}:
Question: {question}
"""
# Create a PromptTemplate object
prompt = PromptTemplate.from_template(qa_template)
# Format the prompt with specific values
formatted_prompt = prompt.format(
topic="Python programming",
question="What is a variable?"
)
print(formatted_prompt)Connecting Steps: Chains
Most agent tasks take several steps. A chain is a predefined sequence that wires LLMs, prompts, and utilities together, passing each output into the next step.
Building a Simple Chain
Here's a simple chain: a prompt template piped into an LLM using LangChain's Runnable interface. The prompt's output feeds straight into the model.
from langchain_core.llms import FakeListLLM
from langchain_core.prompts import PromptTemplate
# 1. Our 'brain'
llm = FakeListLLM(responses=["A variable is a named storage location."])
# 2. Our prompt template
qa_template = """
Explain {concept} in simple terms.
"""
prompt = PromptTemplate.from_template(qa_template)
# 3. Combine them into a chain using '|' operator
# The prompt output goes into the LLM as input
chain = prompt | llm
# Invoke the chain with the input for the template
response = chain.invoke({"concept": "variable"})
print(response)The Orchestrator: Agents
Chains run fixed steps; agents are dynamic. An agent decides which action to take, runs it, observes the result, and repeats until the goal is met.
How Agents Use Components
Agents tie it all together: LLMs for reasoning, prompts to guide thinking, chains for multi-step work, and tools to act on the real world.
Putting it All Together
Picture a smart assistant: a prompt sets the task, the LLM reasons, a chain processes input, and the agent picks a weather tool — then the LLM formats the answer.
Quick Check: Core Components
Which LangChain component is primarily responsible for dynamic decision-making and tool selection in an AI application?
Recap & Next Steps
Recap: the four LangChain building blocks — LLMs (the brain), prompts (instructions), chains (sequences), and agents (dynamic deciders). Next: build one.
Sıkça Sorulan Sorular
“LangChain Temel Bileşenleri Açıklaması” dersi ücretsiz mi?
Evet — “LangChain Temel Bileşenleri Açıklaması” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Agents with LangChain & Autonomous Workflows kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.
“LangChain Temel Bileşenleri Açıklaması” dersinde ne öğreneceğim?
LLM'ler, istemler, zincirler ve aracılar dahil olmak üzere LangChain'in temel yapı taşlarını ve bunların nasıl etkileştiğini öğrenin. AI Agents with LangChain & Autonomous Workflows ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
AI Agents with LangChain & Autonomous Workflows öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te AI Agents with LangChain & Autonomous Workflows, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.
“LangChain Temel Bileşenleri Açıklaması” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu AI Agents with LangChain & Autonomous Workflows dersinde kod yazıp çalıştırabilir miyim?
Evet. Her AI Agents with LangChain & Autonomous Workflows dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Yapay Zeka Ajanlarını ve LLM'leri Anlamak
- LangChain Temel Bileşenleri Açıklaması
- İlk Basit Aracınızı Oluşturma
- Aracılara Bellek ve Konuşma Durumu Kazandırma