Ender CAN
Ender CAN Solution Architect

LangGraph ile Reflection AI Agent Nasıl Yapılır?

Merhaba arkadaşlar! Bugün LangGraph kütüphanesini kullanarak, kendi kendini değerlendirebilen ve iyileştirebilen bir AI Agent geliştireceğiz.

Bu projemizde Reflection Design Pattern‘i kullanarak, agent’ımızın düşünme ve karar verme süreçlerini nasıl optimize edebileceğimizi detaylıca inceleyeceğiz.

Projemizde Streamlit ile basit bir arayüz oluşturacak, typing modülü ile tip güvenliğini sağlayacak ve LangChain‘in temel bileşenlerini kullanarak modüler bir sistem tasarlayacağz.

Geleneksel AI sistemlerinin aksine, Reflection Pattern kullanan bir agent, kendi kararlarını değerlendirebilir ve gerektiğinde stratejisini değiştirebilir. Bu, daha akıllı ve adaptif sistemler geliştirmemize olanak sağlar.

Hadi başlayalım ve birlikte adım adım geliştirelim!

Proje Kurulumu

1. Proje klasörü ve dosya yapısı

app.py dosyasını oluşturalım ve aşağıdaki kütüpahaneleri projeye dahil edelim:

1
2
3
4
5
6
7
8
9
10

import streamlit as st
from typing import Annotated
from typing_extensions import TypedDict

from langchain_core.messages import AIMessage, HumanMessage
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langgraph.checkpoint.memory import MemorySaver

2. State Tanımlamaları

Agent’ın durumunu tutacak State sınıfını oluşturalım:

1
2

class State(TypedDict):
    messages: Annotated[list, add_messages]

Burada messages attribute’unu bir Annotated olarak tanımladık. Yeni mesajların listeye eklenmesi için add_messages fonksiyonunu kullandık. Bu sayede, her yeni mesaj önceki mesajın üzerine yazılmayacak.

3. Graph Tanımlamaları

StateGraph oluşturalım ve State sınıfını parametre olarak verelim:

1

graph_builder = StateGraph(State)

4. Prompt Tanımlamaları

4.1. Generation Prompt

AI Agent’in metin üretmesi için bir prompt oluşturalım:

1
2
3
4
5
6
7
8
9
10
11

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are an essay assistant tasked with writing excellent 5-paragraph essays."
            " Generate the best essay possible for the user's request"
            " If the user provides critique, respond with a revised version of your previous attempts."
        ),
        MessagesPlaceholder(variable_name="messages"),
    ]
)

LLM modeli olarak GPT-4o kullanacağız:

1

llm = ChatOpenAI(model="gpt-4o")

Prompt ile modelin çıktısını oluşturalım:

1

generate = prompt | llm

4.2. Reflection Prompt

AI Agent’in üretimi değerlendirecek bir reflection prompt’u oluşturalım:

1
2
3
4
5
6
7
8
9
10

reflection_prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are a teacher grading an essay submission. Generate critique and recommendations for the user's submission."
            " Provide detailed recommendations, including requests for length, depth, style, etc."
        ),
        MessagesPlaceholder(variable_name="messages"),
    ]
)

Reflection modelini oluşturalım:

1

reflect = reflection_prompt | llm

5. Node Tanımlamaları

5.1. Generation Node

1
2

def generation_node(state: State):
    return {"messages": [generate.invoke(state["messages"])]}

5.2. Reflection Node

1
2
3
4
5
6
7
8

def reflection_node(state: State):
    cls_map = {"ai": HumanMessage, "human": AIMessage}
    translated = [state["messages"][0]] + [
        cls_map[msg.type](content=msg.content) for msg in state["messages"][1:]
    ]
    res = reflect.invoke(translated)

    return {"messages": [HumanMessage(content=res.content)]}

6. Graph Kenar ve Koşullarını Tanımlama

1
2
3
4

graph_builder.add_node("generate", generation_node)
graph_builder.add_node("reflect", reflection_node)

graph_builder.add_edge(START, "generate")

Koşul Tanımlama

1
2
3
4
5
6
7

def should_continue(state: State):
    if len(state["messages"]) > 6:
        return END
    return "reflect"

graph_builder.add_conditional_edges("generate", should_continue)
graph_builder.add_edge("reflect", "generate")

7. Memory Kaydedici ve Graph Derleme

1
2

memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)

8. Streamlit Arayüzü

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

def stream_graph_updates(user_input: str):
    for event in graph.stream({"messages": [HumanMessage(content=user_input)]}, config):
        state = graph.get_state(config)
        last_message = state.values["messages"][-1]
        st.text(ChatPromptTemplate.from_messages([last_message]).pretty_repr())

def main():
    st.title("Reflection Agent")
    st.write("Enter your task description below:")

    task_description = st.text_area("Task Description", height=200)

    if (st.button("Run Task")):
        with st.spinner("Running Task..."):
            stream_graph_updates(task_description)
            st.success("Task Completed!")

if __name__ == "__main__":
    main()

Bu yazıda LangGraph ile Reflection Design Pattern kullanarak, kendi kendini eleştiren ve iyileştiren bir AI Agent oluşturduk.

Beğendiyseniz videoyu beğenmeyi ve kanala abone olmayı unutmayın! 🚀