Türkçe altyazı Turkish subtitles
0:00 LangChain ve LangGraph, büyük dil modelleriyle uygulama geliştirmek isteyen geliştiricilere yardımcı olmak için tasarlanmış açık kaynak çerçevelerdir. LangChain and LangGraph are both open source frameworks designed to help developers build applications with large language models. 0:09 Peki, aralarındaki farklar nelerdir ve neden birini diğerine tercih edersiniz? So what are the differences and why use one over the other? 0:13 Bence iyi bir başlangıç noktası, bu iki şeyin ne olduğunu tanımlamaktır; o yüzden LangChain ile başlayalım. Well, I think a good place to start. Is to define what these two things are, and let's begin with LangChain. 0:20 Daha önce LangChain hakkında özel bir videomuz vardı ve şu anda kafamda belki bir pop-up çıkıp o videoyu izlemenizi öneriyordur. Now, we've done a dedicated video on LangChain, and my guess is there's probably a pop up somewhere over my head right now encouraging you to watch that video. 0:28 Ama henüz tıklamayın, bana LangChain'i özetlemek için bir dakikanızı verin. But don't click, not yet. Give me a moment to summarize LangChain. 0:33 Videonun sonunda daha fazlasını isterseniz, o videoyu tekrar izleyebilirsiniz. Then at the end of this video, if you want any more, you can go back and check that one out. 0:38 Tamam. Temelde LangChain, bir zincirde fonksiyonları sırasıyla çalıştırarak LLM destekli uygulamalar oluşturmanın bir yoludur. Okay. Now, at its core, LangChain is a way for building LLM powered applications by executing a sequence of functions in a chain. 0:48 Diyelim ki bir uygulama geliştiriyoruz ve ilk yapması gereken şey, bir web sitesinden veri çekmek. So let's say we're building an application and the first thing it needs to do is it needs to retrieve some data from a website. 1:00 Bunu yaptıktan sonra ikinci aşamaya geçiyoruz; ikinci aşama, çektiğimiz veriyi özetlemek. Once we've done that, we move on to stage two, And stage two is to summarize that data that we retrieved. 1:11 Ve sonunda bu özeti bir şey yapmak için kullanacağız; özellikle, kullanıcı sorularını yanıtlamasını sağlayacağız. And then finally, we're going to use this summary to do something, specifically, We're going to have it answer user questions. 1:21 Buradaki iş akışı: çek, özetle ve yanıtla. LangChain bu süreci bize kolaylaştırabilir. So the workflow here is retrieve, summarize, and answer Now we can use the LangChain to help us do this. 1:30 Şimdi çekme bileşeniyle başlayalım. So let's start with the retrieve component. 1:32 Çekme bileşeni, LangChain'in bir belge yükleyici (document loader) adlı bileşenini içerebilir. Now, the retrieve component might consist of a LangChain component called a document loader. 1:41 Belge yükleyicisi, çeşitli veri kaynaklarından içerik alıp yüklemek için kullanılır; eğer belgeler büyükse, metni daha küçük, anlamsal açıdan anlamlı parçalara bölmek için bir metin bölücü (text splitter) adlı başka bir LangChain bileşeni kullanabiliriz. Now a document loader is used to fetch and load content from various data sources, and if some of those documents are large, we might choose to use a text splitter, which is another LangChain component to split takes up into smaller, semantically meaningful chunks. 2:01 Tamam, bu çekme kısmı. Okay, that's retrieve. 2:03 Özetleme için bir zincir (chain) kullanırız ve bu zincir özetleme sürecini yönetir. Now To summarize, we would use a chain, and the chain will orchestrate the summarization process. 2:11 Bu, bir LLM'yi özeti yapması için yönlendiren bir istem (prompt) bileşeni oluşturmayı içerebilir. Now, that might include constructing a prompt component to instruct an LLM to perform the summarization. 2:21 Ve bu, seçtiğimiz büyük dil modeline isteği göndermek için bir LLM bileşeni de içerebilir. And that might also contain an LLM component to pass that request to the large language model of our choosing. 2:29 Tamam, ardından yanıt kısmı geliyor. Okay, and then answer. 2:31 Burada başka bir zincir oluştururuz ve bu zincir, konuşma geçmişi ve bağlamı depolamak için kullanılan bir hafıza bileşeni (memory component) içerebilir; bu da LangChain'in başka bir bileşenidir. Well, we would build another chain and this chain might include a memory component, so this is another component of LangChain, and that's used to store conversation, history and context, 2:46 Ve özet ve kayıt bağlamına dayanarak cevabı oluşturmak için bir başka prompt bileşeni ile bir başka LLM bileşeni ekleriz. And we'd throw in another prompt component and another LLM component to generate the answer based on the summary and the record context. 2:56 Buradaki güzel şey, cevap bileşeninde kullandığımız LLM'nin, özetleme bileşeninde kullandığımız büyük dil modelinden tamamen farklı olabilmesidir. And the cool thing here is that the LLM that we use for the answer component, may be a completely different large language model to the one we use in the summarize component. 3:08 LangChain'in modüler mimarisi, bu yüksek seviyeli bileşenleri birleştirerek karmaşık iş akışları oluşturmamıza olanak tanır. LangChain modular architecture let's build complex workflows by combining these high level components. 3:17 Tamam, şimdi LangGraph'i tanıtalım. Okay, now let's introduce LangGraph. 3:19 LangGraph, LangChain ekosisteminde yer alan ve karmaşık doğrusal olmayan iş akışlarını yönetebilen durumlu çok ajanlı sistemler oluşturmak için özel olarak tasarlanmış bir kütüphanedir. LangGraph is a specialized library within the LangChain ecosystem, specifically designed for building stateful multi-agent systems that can handle complex nonlinear workflows. 3:31 O halde bir görev yönetimi asistan ajanını düşünelim. So let's consider a task management assistant agent. 3:36 Şimdi burada iş akışı, kullanıcı girdisini işlemeyi içeriyor. Now, the workflow here involves processing user input. 3:40 Buradan başlayalım, girdileri işleyelim ve ardından bu iş akışına görev eklemeye, görevleri tamamlamaya ve görevleri özetlemeye izin vereceğiz. So let's start there, Process inputs, And then to this workflow we are going to allow to add tasks, we're going to be able to complete tasks, and we are also going to be able to summarize task. 4:05 İşte burada inşa etmeye çalıştığımız mimari bu. So this is the kind of the architecture of what we're trying to build here. 4:10 LangGraph, bu yapıyı bir grafik şeklinde oluşturmamıza yardımcı olur; burada her eylem bir düğüm olarak kabul edilir. Now, LangGraph helps us create this as a graph structure, where each one of these actions is considered as a node. 4:21 Görev ekleme, görev tamamlama ve özetleme hepsi düğümlerdir. So at tasks, complete tasks, summarize, they're all nodes. 4:25 Bu öğeler arasındaki geçişler ise kenarlar olarak adlandırılır. And then the transitions between these things, that's known as edges. 4:29 Şimdi merkezi düğüm, girdiyi işleme düğümüdür. Now the central mode is the process input node. 4:32 Kullanıcı girdisinin geldiği yer burasıdır ve burada bir LLM bileşeni kullanarak kullanıcı niyetini anlayıp uygun eylem düğümüne yönlendireceğiz. So that's where the user input comes in, and that's going to use an LLM component to understand the user intent and to route to the appropriate action node. 4:41 Burada ayrıca bu yapının merkezinde yer alan bir başka bileşen var; buna durum (state) bileşeni denir. Now there's another component here that's quite central to this called state, the state component. 4:49 Durum bileşeni, tüm etkileşimler boyunca görev listesini korumak için kullanılır. And the state component is used to maintain the task list across all the interaction. 4:55 Görev ekleme düğümü yeni görevleri duruma ekler, görev tamamlama düğümü görevleri bitmiş olarak işaretler ve özetleme düğümü bir LLM kullanarak mevcut görevlerin genel bir görünümünü oluşturur. So the adds task node adds new tasks to the state, the complete task node marks tasks as finished, and then the summarize node uses an LLM to generate an overview of current tasks. 5:12 Tüm düğümler, bağlamsal durumlu etkileşimlere izin verecek şekilde duruma erişebilir ve onu değiştirebilir. All nodes can access and modify the state allowing for contextual stateful interactions. 5:19 Grafik yapısı, asistanın çeşitli kullanıcı taleplerini herhangi bir sırayla ele almasını sağlar ve eylem tamamlandıktan sonra her zaman girdiyi işleme düğümüne geri döner. The graph structure allows the assistant to handle various user requests in any order, always returning back to the process input node after the action is complete. 5:33 LangGraph mimarisi, uzun süren etkileşimlerde bağlamı koruyabilen esnek durumlu ajanlar oluşturmamızı sağlar. LangGraph Architecture lets us create flexible stateful agents that can maintain context over extended interactions. 5:42 Şimdi, LangChain ve LangGraph'i çeşitli boyutlarda doğrudan karşılaştıralım. So let's directly compare, LangChain and LangGraph across a number of dimensions. 5:46 Öncelikle ana odak noktasına başlayalım. Let's start with the primary focus. 5:49 LangGraph'in temel odak noktası, çok ajanlı sistemler ve iş akışları oluşturmak ve yönetmektir. Now the Primary focus of LangGraph Is to create and manage what is known as multi agent systems and workflows. 6:02 LangChain'in odak noktası, LLM işlemlerini zincirleyerek büyük dil modeli uygulamalarına bir soyutlama katmanı sunmaktır. The focus of LangChain is to provide an abstraction layer for chaining LLM operations into large language model applications. 6:13 Bu, ikisi arasındaki farktır. That's the difference between the two. 6:15 Şimdi yapıya gelecek olursak, LangChain bir zincir yapısını benimser; bu sürpriz değildir. Now, as for. Structure, LangChain adopts no surprise here a chain structure. 6:24 Bu bir DAG (Directed Acyclic Graph) olarak çalışır, yani görevler belirli bir sırayla ve her zaman ileri doğru yürütülür. And that acts as a Dag, that is an acronym for directed acyclic graph, Which means that tasks are executed in a specific order always moving forward. 6:35 Örneğin, görev birle başlarız, ardından görev iki ve üç için bir dal oluştururuz ve daha sonra merkezi görev dört'e geri döneriz. So, for example, we start with task number one then we'd have a branch for maybe tasks number two and task three, and then we'd come back to the central task number four. 6:47 Bu süreç, gerekli adımların kesin sırasını bildiğiniz durumlarda harikadır. And this process is great where you know the exact sequence of steps that are needed. 6:54 Öte yandan, LangGraph'in grafik yapısı biraz farklıdır; çünkü döngülere ve önceki durumlara geri dönmeye izin verir. Now, LangGraph's graph structure, on the other hand, is a little bit different because it allows for loops and revisiting previous states. 7:05 Dolayısıyla, durum A'nın durum B ve C ile ileri geri hareket edebileceği bir senaryo olabilir; bu, sonraki adımın değişen koşullara veya kullanıcı girdisine bağlı olabileceği etkileşimli sistemler için faydalıdır. So we might have state A which can go backwards and forwards with state B and State C, and this is beneficial for interactive systems where the next step might depend on evolving conditions or user input. 7:19 Şimdi bileşenlere gelince, LangChain birçok bileşen kullanır ve bunların birçoğunu zaten bahsettik; bunlar arasında hafıza, prompt bileşeni ve LLM bileşeni bulunur. Now, when it comes to components, LangChain uses a bunch and we've mentioned many of these already, that includes memory, There's the prompt component as well, There's also the LLM component, 7:35 Bu, büyük dil modeline veri gönderme şeklimizdir ve ayrıca tüm bu bileşenler arasında zincirleme oluşturan bir ajan bileşeni de vardır. which is how we actually pass things to the large language model, And there's the agent component as well that forms, chains between all of these things. 7:46 Şimdi, LangGraph farklı bileşenler kullanır. Now, LangGraph uses a bunch of different components. 7:49 Dolayısıyla, düğümlerimiz, kenarlarımız ve durumlarımız vardır; bunların hepsi bir grafiğin parçasıdır. So we have nodes, we also have edges, And we have states, and these are all part of a graph. 8:02 Durumdan bahsetmişken, bu bizi güzel bir şekilde durum yönetimine götürüyor. And speaking of state. That brings us nicely to state management. 8:07 LangChain'in durum yönetimi yeteneklerinin biraz sınırlı olduğunu söyleyebiliriz. I don't think we can say that LangChain has somewhat limited state management capabilities. 8:15 Bilgiyi zincir boyunca aktarabilir, ancak birden fazla çalıştırma arasında kalıcı bir durumu kolayca koruyamaz. It can pass information forth through the chain, but it doesn't easily maintain a persistent state across multiple runs. 8:22 Bununla birlikte, LangChain'in etkileşimler arasında bazı durumları koruyabilen hafıza bileşenleri vardır. That said, LangChain does have these memory components that can maintain some state across interactions. 8:29 LangGraph'in durum yönetiminin daha sağlam olduğunu söyleyebilirim; çünkü durum, tüm düğümlerin erişip değiştirebileceği temel bir bileşendir. LangGraph's state management, I'm going to say, is more robust, And that's because state is a core component that all nodes can access and modify, 8:42 Daha karmaşık ve bağlama duyarlı davranışlara izin vererek. allowing for more complex, context aware behaviors. 8:46 Kullanım senaryolarını ele alalım. Let's say use cases. 8:48 LangChain gerçekten çok iyi, özellikle veri çekip işleyip sonuç üreten gibi sıralı görevlerde. Well, LangChain really excels, particularly at sequential tasks like a process that retrieves data and then processes it and then outputs a result. 8:58 Yine de, LangChain kendi ajan özelliğiyle sırasız görevleri bir ölçüde yönetebilir, ancak LangGraph gerçekten bu konuda uzman. Daha karmaşık doğaya sahip senaryolar. Again, that said, LangChain is able to handle non sequential tasks to some extent with its own agents feature, but LangGraph's wheelhouse that really is. Scenarios that have a much more complex nature to them. 9:15 Sürekli etkileşim ve uyum gerektiren karmaşık sistemler. Complex systems requiring ongoing interaction and adaptation. 9:19 Örneğin, uzun sohbetlerde bağlamı koruyan ve farklı türde istekleri yöneten bir sanal asistan. For example, a virtual assistant that needs to maintain context over long conversations and handle varying types of requests. 9:27 İşte LangChain ve LangGraph, büyük dil modellerini kullanan uygulamalar geliştirmek için iki güçlü çerçeve. So that LangChain and LangGraph, two powerful frameworks for building applications that make use of large language models. 9:38 Tamam, bu kadar söyledim. All right. That's all I got. 9:40 Şimdi o LangChain videosunu izleyebilirsin. You can go watch that LangChain video now. Altyazı bilgisayarımda üretildi ve videoyla ilerler; bir satıra tıklayın, o ana atlasın. Subtitles generated on my computer; they follow the video — click a line to jump there.
LangChain ve LangGraph arasındaki farkları ve her birinin ne zaman tercih edilmesi gerektiğini açıklıyor. It explains the differences between LangChain and LangGraph and when each should be preferred.
Bu video youtube.com üzerinde yayımlandı; buradaki oynatıcı YouTube’undur. Türkçe özet ve altyazı AiPulse için hazırlanmıştır. This video is published on youtube.com ; the player here is YouTube’s. The Turkish summary and subtitles are prepared for AiPulse .
YouTube’da izle Watch on YouTube AI Kritik → AI Critique →