LangGraph ile Çoklu Ajanlı DEV Blog Yazımı: AWS Bedrock Nova Modeli

Teknoloji blogları için içerik üretmek hem zaman alıcı hem de uzmanlık gerektiren bir süreçtir. Peki, çoklu ajan sistemleri ve bellek yönetimiyle bu süreci otomatikleştirip verimliliği artırabilir miyiz? Yeni bir yaklaşımla, LangGraph çatısı altında çalışan çoklu ajanlar ve AWS Bedrock Nova modelini kullanarak, DEV topluluğu için otomatik blog yazma sistemini hayata geçirdik. Bu sistem, anahtar kelime çıkarımı, araştırma, içerik oluşturma ve değerlendirme adımlarını entegre ederek, kullanıcı dostu ve sürekli iyileştirilebilir bir içerik üretim hattı sunuyor.

Bu sistem, henüz üretim aşamasında olmasa da, çoklu ajan mimarilerinin ve bellek tabanlı akışların nasıl çalıştığını anlamak için mükemmel bir kanıt kavramı (POC) niteliğinde. Aynı zamanda, geliştiricilerin kendi projelerinde kullanabileceği açık kaynaklı bir temel oluşturuyor. Peki, bu sistem nasıl çalışıyor ve hangi bileşenleri içeriyor?

Çoklu Ajan Mimarisiyle İçerik Üretiminin Temelleri

Çoklu ajan sistemleri, karmaşık görevleri daha küçük ve yönetilebilir parçalara ayırarak çözmeyi hedefler. Bu yaklaşımda, her ajan belirli bir sorumluluğa sahip olur ve diğer ajanlarla etkileşimde bulunur. Örneğin, bir ajan anahtar kelime çıkarımı yaparken, başka bir ajan bu kelimelerle ilgili araştırmalar gerçekleştirebilir. Üçüncü bir ajan ise bu araştırmaların ışığında içerik üretirken, dördüncü bir ajan da üretilen içeriği değerlendirerek geri bildirimde bulunabilir.

Bu sistemde kullanılan üretici (generator) ve değerlendirici (evaluator) ajanları, içerik kalitesini doğal olarak artırıyor. Üretici ajan, araştırma sonuçlarını temel alarak bir blog yazısı taslağı oluştururken, değerlendirici ajan ise bu taslağı çeşitli kriterlere göre inceleyerek iyileştirme önerileri sunar. Bu döngü, içerik kalitesinin sürekli olarak artmasını sağlıyor. Ayrıca, sistemde kullanılan bellek dosyaları, her çalıştırmada elde edilen bilgilerin saklanmasını ve gelecekteki içerik üretimlerinde kullanılmasını mümkün kılıyor.

AWS Bedrock Nova Modeliyle Entegrasyon

AWS Bedrock Nova modeli, çoklu ajan sistemleri için güçlü bir temel sağlıyor. Bu model, özellikle içerik üretimi ve kodlama görevlerinde etkili olmasının yanı sıra, farklı bölgelerde de erişilebilir durumda. Sistemde Nova-Pro modelini kullanıyoruz, çünkü bu model geniş bir coğrafi alanda destekleniyor ve yüksek kaliteli çıktı üretme yeteneğine sahip.

AWS Bedrock’a erişim sağlamak için öncelikle model erişimini etkinleştirmek gerekiyor. Bunun için AWS konsolunda Bedrock Configuration bölümünden ilgili modelin (örneğin Nova-Pro) erişimini açmanız gerekiyor. Ardından, AWS IAM politikaları aracılığıyla AmazonBedrockFullAccess iznini atamanız gerekiyor. Bu adımlar, sistemin AWS hizmetlerine güvenli bir şekilde bağlanmasını sağlıyor.

Projede AWS kimlik bilgilerini yönetmek için iki farklı yöntem kullanılabilir:

• AWS Config aracılığıyla aws configure komutunu kullanarak yerel olarak kimlik bilgilerini ayarlamak.
• .env dosyası kullanarak doğrudan erişim anahtarlarını ve gizli anahtarları saklamak.

Bellek Yönetimi ve Araştırma Süreçleri

Sistemde kullanılan bellek, içerik üretim sürecinin kalbini oluşturuyor. Bellek dosyası, her çalıştırmada elde edilen araştırma sonuçlarını, üretilen içerikleri ve yapılan değerlendirmeleri saklıyor. Bu sayede, gelecekteki içerik üretimlerinde aynı konularla ilgili daha hızlı ve tutarlı sonuçlar elde etmek mümkün oluyor.

Bellek yönetimi için aşağıdaki fonksiyonlar kullanılıyor:

# Bellek dosyasını başlat
import datetime
from pathlib import Path

MEM = Path("memory.md")

def mem_init(topic: str) -> None:
    MEM.write_text(
        f"# Bellek — {topic} ({datetime.datetime.now():%Y-%m-%d %H:%M})\n\n---\n\n## Araştırma\n\n## Kaynaklar\n\n## Eleştiriler\n\n## Log\n",
        encoding="utf-8",
    )

def mem_read() -> str:
    return MEM.read_text(encoding="utf-8") if MEM.exists() else ""

def mem_append(section: str, content: str) -> None:
    text = mem_read()
    eol = text.index("\n", text.index(f"## {section}") + len(f"## {section}"))
    MEM.write_text(
        text[:eol+1] + "\n" + content.strip() + "\n" + text[eol+1:],
        encoding="utf-8",
    )

Araştırma süreci ise kullanıcıdan alınan konuyla ilgili anahtar kelimelerin çıkarılması ve bu kelimelerle ilgili içeriklerin toplanmasını içeriyor. Araştırma ajanları, ilk olarak konuyla ilgili 8 farklı arama sorgusu oluşturuyor ve ardından bu sorguları kullanarak DEV topluluğu içerisinde yer alan ilgili içerikleri buluyor. Bu içeriklerin özetleri ve doğrudan alıntıları belleğe kaydediliyor.

Üretici ve Değerlendirici Ajanların Rolü

Üretici ajan, araştırma sonuçlarını temel alarak bir blog yazısı taslağı oluşturur. Bu ajan, konuyla ilgili en alakalı bilgileri bir araya getirerek akıcı ve bilgilendirici bir içerik üretmeye çalışır. Üretilen içerik daha sonra değerlendirici ajana gönderilir. Değerlendirici ajan, içerik kalitesini çeşitli kriterlere göre değerlendirir ve geri bildirimde bulunur. Bu geri bildirimler, üretici ajana iletilerek içerik tekrar iyileştirilir.

Sistemde kullanılan durum yönetimi, ajanlar arasındaki iletişimi kolaylaştırıyor. Her ajan, sistemdeki diğer ajanlarla paylaşılan bir durum nesnesi aracılığıyla gerekli bilgilere erişiyor. Değerlendirici ajan tarafından yapılan değerlendirmeler ise EvalResult adı verilen bir veri modeliyle kaydediliyor. Bu model, içerik kalitesini ölçmek için kullanılan kriterleri ve sonuçları içeriyor.

Gelecekteki Gelişmeler ve Kullanım Alanları

Bu proje, henüz üretim aşamasında olmasa da, çoklu ajan sistemlerinin ve bellek tabanlı içerik üretim hatlarının potansiyelini gösteriyor. Gelecekte, sistemin daha da geliştirilmesiyle birlikte, hem bireysel geliştiricilerin hem de içerik üreten ekiplerin iş yükünü önemli ölçüde azaltması mümkün olabilir. Ayrıca, sistemin farklı platformlara ve dillere uyarlanması da gelecek çalışmalar arasında yer alıyor.

Bu sistemden ilham alarak, kendi projelerinizde çoklu ajan mimarilerini kullanabilir ve içerik üretim süreçlerinizi otomatikleştirebilirsiniz. Unutmayın, her büyük proje küçük bir adımla başlar — bu sistem de sizin için bir başlangıç noktası olabilir.