AI Agent Memory Sistemleri Mühendisliği Eğitimi (Letta / MemGPT + Mem0 + Zep + Cognee + Graphiti + LangMem)

Bu eğitim, klasik stateless LLM API çağrılarının ötesine geçerek, kullanıcısını hatırlayan, konuşma geçmişinden öğrenen, uzun süreli context'i sürdüren stateful AI agent paradigmasının temel yapı taşı olan agent memory disiplinini Türkçe olarak uçtan uca öğretmek üzere tasarlanmıştır. 2024-2026 dönemi agent memory ekosisteminin doğuşuna sahne oldu: Letta (eski MemGPT, Berkeley 2023, virtual context paginasyonu), Mem0 (YC W24, hybrid memory layer, 25K+ GitHub star), Zep (Series A 2024, temporal knowledge graph), Graphiti (Zep'in açık kaynak graph engine'i), Cognee (GraphRAG + memory hibrit), LangChain LangMem (native memory primitives), OpenAI Memory (ChatGPT cross-conversation), Claude Projects + Anthropic Memory Tool API (2025), Google Gemini Memory (2025). Türkiye'de bu disiplini bilişsel taksonomi + framework karşılaştırması + retrieval stratejisi + lifecycle management + production eval üçgeninde uçtan uca işleyen bir eğitim neredeyse yoktur — mevcut içerikler ya tek aracın kısa tutoriallerinde takılı kalıyor ya da akademik makalelerde donuyor. Bu program söz konusu boşluğu Türkiye'nin en kapsamlı production-grade agent memory referans eğitimi olarak doldurmak üzere tasarlanmıştır.

Programın stratejik omurgasını, stateless LLM API'sinden stateful agent paradigmasına geçişin gerekçesini ve 2024-2026'da hızla yükselen agent memory ekosistemini netleştiren ilk modül oluşturur. Klasik LLM API her çağrıyı bağımsız ele alır ve context window sınırı (8K-1M token) içinde kalmak zorundadır; agent ürünlerin (kişisel asistan, müşteri destek bot'u, satış CRM AI, kişisel tutor, personal trainer AI) ihtiyaçları persistent identity, long-term user knowledge, episodic recall, multi-session continuity gibi context window'a sığmayan boyutlar içerir. 'Sadece context window'u büyütmek yeter mi?' sorusuna kanıt-tabanlı yanıt: hayır — Gemini 2.5 Pro 10M token context dahi cost + latency + needle-in-haystack accuracy açısından memory layer ihtiyacını ortadan kaldırmıyor. 2026 ekosistem haritası — Letta + Mem0 + Zep + Graphiti + Cognee + LangMem + OpenAI Memory + Claude Memory + Gemini Memory — karşılaştırmalı sunulur. Karar çerçevesi: single-user persona vs multi-user SaaS memory ihtiyaçları; self-hosted vs SaaS + KVKK + EU AI Act + GDPR uyumluluk; memory cost (storage + retrieval + LLM call overhead) trade-off'u detaylandırılır.

İkinci modül bilişsel bilim ve nörobilimden alınan dört temel memory tipini (Tulving 1972 taksonomi'si) AI agent düzlemine uyarlar. Episodic memory (zaman + olay): 'kullanıcı dün hangi konuyu sordu, ne yanıt verdim' — temporal database / event log (Zep, Graphiti) ile eşlenir. Semantic memory (kavramsal bilgi): 'kullanıcı vegan, alerjisi gluten'a' — vector store + knowledge graph (Mem0, Cognee) ile eşlenir. Procedural memory (nasıl yapılır): 'bu tip soruda önce kullanıcı verisine bak, sonra dış API çağır' — workflow templates + tool calling pattern'ları olarak modellenir. Working memory (kısa süreli aktif context): in-context LLM prompt + structured state object ile yönetilir. Memory consolidation pipeline'ı (hot working → warm episodic → cold semantic) periodic background worker olarak LLM summarization + fact extraction + deduplication ile çalışır. Forgetting (TTL, importance-based pruning, exponential decay) lifecycle disiplini detaylı işlenir.

Üçüncü modül Berkeley'in 2023 sonu MemGPT makalesinden doğan ve 2024'te Letta olarak şirketleşen virtual context management framework'ünü detaylı işler. MemGPT mimarisi: main context (LLM prompt) + recall storage (yakın conversation) + archival storage (kalıcı uzun-vadeli memory) üç tier'lık hierarchical memory; OS-style memory paging mantığı; self-editing memory (core_memory_append, core_memory_replace tool'ları ile LLM kendi memory'sini günceller). Python letta SDK ile agent creation + memory configuration; PostgreSQL backend + archival memory persistence; Letta Cloud vs self-hosted Docker deployment. Persistent agent persona templates + shared memory blocks; multi-agent setup: agent-to-agent message passing + shared archival memory; Letta ADE (Agent Development Environment) ile debugging. Türkiye'de stateful chatbot kuran tüm ekipler için bilinmesi gereken referans framework.

Dördüncü modül YC W24 batch'inden çıkan ve 2024'te 25K+ GitHub star'a ulaşan Mem0'ı detaylı ele alır. Mem0'ın farkı: vector store + knowledge graph + chat history'i tek API arkasında birleştiren hybrid memory layer — add() / search() / get_all() / update() / delete() basit API; memory extraction pipeline (chat → LLM → fact → embedding); conflict resolution (yeni fact eski fact ile çakışırsa). user_id + agent_id + session_id ile multi-tenant memory isolation; LLM-based memory extraction + fact deduplication; Mem0 Platform (SaaS) vs self-hosted + Qdrant / Pinecone backend. LangChain + LangGraph + LlamaIndex + CrewAI + AutoGen entegrasyonları; Mem0 + OpenAI Assistants API + Claude Agent SDK production pattern'ları. Hibrit yaklaşım sayesinde tek bir memory layer'da semantic similarity + structured knowledge + conversation history birleşir.

Beşinci modül Zep'in (2024 Series A) ve onun open-source temporal graph engine'i Graphiti'nin detaylı analizini sunar. Zep'in farkı: episodic memory'i temporal knowledge graph olarak modelleme — her fact'in geçerlilik aralığı (valid_from, valid_to), event ordering, contradictory fact resolution, point-in-time queries ('kullanıcının dün dediği' vs 'kullanıcının bugün dediği'). Bi-temporal model: valid time (gerçek dünya zamanı) vs transaction time (sisteme yazıldığı zaman) ayrımı; Graphiti ile Neo4j + LLM kombinasyonu kullanarak dinamik graph extraction (conversation → entity + relationship nodes); Neo4j Cypher query'leri ile point-in-time retrieval; hybrid search (semantic similarity + BM25 + graph traversal). Zep SDK + session management + user fact graph; Zep Cloud vs self-hosted Docker + Neo4j community edition; customer support, sales CRM, personalized AI use case'leri pratik gösterilir.

Altıncı modül Cognee'nin (open-source, MIT lisanslı) GraphRAG ve agent memory'i tek pipeline'da birleştiren mimarisini detaylı işler. Cognee tasks: chunking → entity extraction → relationship inference → graph populate → summarization; default ontology vs custom Pydantic ontology tanımlama; Neo4j / Memgraph / Kuzu backend seçimi; vector store backend (Qdrant / pgvector / Weaviate). Async pipeline orchestration + batch processing; Cognee + LangChain agent memory integration; Cognee Cloud vs Docker self-hosted deployment. RAG'ı kalıcı agent memory'e dönüştürmek isteyen ekipler için ideal — özellikle kurumsal doküman + chat history'i tek knowledge graph'a entegre etmek isteyen senaryolarda.

Yedinci modül LangChain ekibinin 2024-2025'te lanse ettiği LangMem (memory primitives library) ve LangGraph içindeki Store + Checkpoint memory katmanlarını detaylı ele alır. LangMem primitives: semantic memory (fact extraction + storage + retrieval), episodic memory (event log + temporal queries), procedural memory (workflow templates + tool selection patterns). LangGraph BaseStore interface + memory namespace organization; InMemoryStore (development) vs PostgresStore vs RedisStore (production) backend'leri; Checkpoint (thread state) vs Store (cross-thread memory) ayrımı. create_manage_memory_tool ile agent kendi memory'sini yönetir; create_search_memory_tool semantic search integration; background memory consolidation (hot → cold tier). LangChain kullanan ekipler için en az friction'lı native memory yaklaşımı.

Sekizinci modül closed-source provider'ların 2024-2026 memory ürünlerini detaylı ele alır. OpenAI Memory: ChatGPT cross-conversation memory + Custom GPTs persistent context; Memory API endpoint'leri + read / write / delete operations; Assistants API thread + run + message persistence. Claude Projects: file knowledge base + conversation history; Anthropic Memory Tool API (2025 — file system memory + claudemd persistent context); Claude Skills + persistent memory pattern'ları. Google Gemini Memory (2025) overview. Closed-source vs self-hosted memory karar matrisi; data residency (us vs eu region) + KVKK Türkiye kullanımı; cost (provider memory pricing vs self-hosted maliyeti) karşılaştırması. KVKK + EU AI Act + GDPR uyumlu closed-source memory kullanım rehberi sunulur.

Dokuzuncu modül modern agent memory'nin temel retrieval mimarisini ele alır. Pure vector search'ün sınırlamaları: semantic similarity ≠ relevance ('aynı dilden bahsetme' problemi), Türkçe için optimal embedding model seçimi (BGE-M3, multilingual-e5-large-instruct, jina-v3, text-embedding-3-large, voyage-3); reranking ile relevance optimization (Cohere Rerank 3.5, BGE-reranker, Voyage rerank-2.5). Pure graph traversal'ın sınırlamaları (scale + fuzzy matching) ve hybrid yaklaşımın gücü: multi-hop reasoning ('X kişisinin patronunun ülkesi'), graph traversal + vector search hybrid query planning, Microsoft GraphRAG yaklaşımı ile community detection + summary. Hybrid scoring: time-decay (exp(-λ · age) ile zaman ağırlıklı skorlama), importance-weighted (LLM judge ile fact importance scoring), Reciprocal Rank Fusion (RRF) ile multi-strategy birleştirme.

Onuncu modül production agent memory'nin sürdürülebilirliğini sağlayan lifecycle disiplinini ele alır. Consolidation pipeline: background worker ile hot memory'den fact extraction + deduplication; contradiction resolution (yeni fact eski fact'i invalidate eder mi?); summarization ile uzun conversation'ları compress etme. Forgetting stratejileri: TTL (Time-To-Live) + LRU eviction; importance-based pruning (LLM judge ile her fact'in 'unutulabilir mi' kararı); exponential decay (1/(1 + λ · age) skoru ile zaman aşımı). Memory versioning: snapshot + rollback (yanlış update'leri geri alma); KVKK 'unutulma hakkı' uyumlu user data delete pipeline; audit log (kim hangi memory'i ne zaman okudu / yazdı). Bu disiplin olmadan production memory'si zamanla şişer ve cost + latency'de patlama yaşanır.

On birinci modül memory sistemlerinin kalitesini sistematik ölçen değerlendirme disiplinini ele alır. LoCoMo (Long Conversation Memory Benchmark, Mem0 ekibinin yayınladığı 600-turn diyalog benchmark'ı), LongMemEval (long-term memory comprehensive eval), MemoryBank; Türkçe için NaturalConv-tr benchmark üretimi. Memory quality metrikleri: Recall@k (retrieve edilen memory'lerin gerçek alakası oranı), faithfulness (cevap retrieve edilen memory ile destekleniyor mu?), LLM-as-judge ile memory citation kalitesi değerlendirme. Production memory monitoring: memory call latency overhead (typical 50-300ms), cost (memory retrieval token'ı + LLM consolidation cost'u), user continuity score ('agent beni hatırlıyor mu' NPS) — Langfuse + Phoenix + Arize entegrasyonu ile.

Capstone modülünde her katılımcı, kendi senaryosuna özel uçtan uca bir agent memory sistemi tasarlar: senaryo seçimi (personal AI assistant, kurumsal müşteri destek bot'u, satış CRM AI, kişisel tutor agent, sağlık asistanı, finansal danışman), memory framework (Letta / Mem0 / Zep / Cognee / LangMem), backend (PostgreSQL + Qdrant + Neo4j), retrieval stratejisi (vector + graph + hybrid), consolidation + forgetting pipeline, eval framework, KVKK uyumlu deployment, 90 günlük production roadmap. Eğitim sonunda katılımcılar; stateless LLM → stateful agent paradigma geçişini ustaca yönetebilecek; bilişsel memory taksonomi'sini agent mimarisine uygulayabilecek; Letta / Mem0 / Zep / Cognee / LangMem arasında ekibine uygun tercih yapabilecek; OpenAI / Claude / Gemini closed-source memory'leri ile self-hosted alternatifler arasında karar verebilecek; vector + graph + hybrid retrieval optimization yapabilecek; consolidation + forgetting + KVKK uyumlu delete pipeline kurabilecek; LoCoMo + LongMemEval + Türkçe benchmark ile memory sistem kalitesi ölçebilecek ve production agent memory'i Langfuse + Phoenix ile monitoring altına alabilecek seviyede teknik yetkinliğe ulaşır. Eğitim 3 gün, 12 modül ve 100'ün üzerinde uygulamalı ders içerir.