LangChain ve LangGraph ile Production AI Uygulamaları Geliştirme Eğitimi

Bu eğitim, LangChain ekosistemini multi-provider abstraction ve framework-driven yaklaşımla kullanarak production-grade agentic AI uygulamaları geliştirmek isteyen senior yazılım mühendisleri, AI engineer'lar, ML engineer'lar ve platform geliştiriciler için tasarlanmıştır. Programın merkezinde şu yaklaşım yer alır: LangChain'i öğrenmek, basitçe 'chain' veya 'agent' örnekleri kopyalamak değildir. Gerçek mühendislik değeri; LCEL ile composable runnable mimarisini ustalaşmak, multi-provider abstraction'ı vendor lock-in karşıtı strateji olarak kullanmak, LangGraph'ın stateful execution paradigmasını cycle, channel ve reducer mantığıyla derinlemesine kavramak, supervisor / hierarchical / network gibi multi-agent desenlerini gerçek production senaryoları üzerinde tasarlamak, LangSmith ile observability + evaluation framework kurmak, LangServe ile FastAPI-tabanlı deployment yapmak ve caching + async patterns ile cost-aware production performansı sağlamakla oluşur.

LangChain ekosistemi son üç yılda hızla olgunlaştı ve 2026 itibarıyla beş ana ürün etrafında yapılandı: LangChain Core (chain primitif'leri ve Runnable interface), LangChain Integrations (model, embedding, vector store, tool entegrasyonları), LangGraph (stateful multi-actor uygulamalar), LangSmith (observability + evaluation), LangServe (FastAPI deployment) ve LangChain Hub (prompt + agent paylaşımı). Bu eğitim, söz konusu beş ürünü ayrı silolar olarak değil, bütünleşik bir AI application engineering framework'ü olarak ele alır. Türkiye'de LangChain kursları mevcut ancak büyük çoğunluğu LangChain Core temellerinde kalıyor; LangGraph multi-agent mimarisi, LangSmith evaluation framework ve LangServe production deployment gibi kritik bileşenleri uçtan uca işleyen eğitim neredeyse yoktur. Bu program söz konusu boşluğu Türkiye'nin en kapsamlı production-grade LangChain referans eğitimi olarak doldurmak üzere tasarlanmıştır.

Programın stratejik bir boyutu, LangChain'in agentic AI ekosistemindeki yerini diğer framework ve SDK'larla karşılaştırarak konumlandırmasıdır. Anthropic Claude Agent SDK, OpenAI Agents SDK, AutoGen ve CrewAI gibi alternatiflerle birebir karşılaştırma yapılır; her yaklaşımın güçlü ve zayıf yönleri, hangi proje türü için doğru tercih olduğu detaylı analiz edilir. LangChain'in temel farklılaştırıcısı multi-provider abstraction'dır: OpenAI, Anthropic, Google, Mistral, AWS Bedrock, Vertex AI, Azure OpenAI ve self-hosted modeller (Ollama, vLLM, LM Studio) arasında tek tip arayüzle çalışmak; with_fallbacks ve init_chat_model gibi modifier'larla vendor lock-in karşıtı multi-provider routing kurmak. Bu yaklaşım, kurumsal AI mühendislik ekipleri için stratejik bir avantaj sunar.

Eğitimin teknik omurgasını oluşturan LCEL (LangChain Expression Language) ve Runnable mimarisi modülü, framework'ün composability disiplinini derinden kavramayı sağlar. invoke, batch, stream, ainvoke, abatch, astream gibi standart metodlar; RunnablePassthrough.assign(), RunnableParallel, RunnableBranch gibi composition pattern'ları; with_fallbacks, with_retry, with_config gibi reliability modifier'ları uygulamalı şekilde işlenir. Bu mimari sayesinde karmaşık AI uygulamaları, küçük composable parçalardan inşa edilen, type-safe ve test-friendly bir kod tabanına dönüşür. Pipe operatörünün sadece syntactic sugar olmadığı; chain'in introspectable, observable ve runtime-configurable hale gelmesinin temeli olduğu detaylı şekilde gösterilir.

Embeddings, vector stores ve retriever modülü, LangChain'in en güçlü olduğu RAG patterns katmanını işler. OpenAIEmbeddings, VoyageAIEmbeddings ve Türkçe-optimize multilingual-e5, jina-embeddings-v3, bge-m3 modellerinin karşılaştırması; Qdrant, Pinecone, Weaviate, pgvector ve Chroma vector store entegrasyonlarının doğru tercih kriterleri; MultiQueryRetriever, EnsembleRetriever, ContextualCompressionRetriever, ParentDocumentRetriever gibi retriever desenleri detaylı işlenir. RAG modülünde ise document loader'lar (PDF, Notion, Confluence), text splitter stratejileri (recursive, semantic, markdown header), ileri seviye RAG pattern'ları (HyDE, Self-RAG, Corrective RAG, Adaptive RAG) ve RAGAS framework ile RAG evaluation uçtan uca ele alınır.

Programın belkemiği LangGraph'a ayrılan üç modüldür. LangGraph, klasik LangChain chain mimarisinin ötesinde, stateful, cyclic ve multi-actor uygulamalar için tasarlanmış bir framework'tür. Eğitim StateGraph yapısını TypedDict state schema'sından add_node / add_edge / add_conditional_edges API'sine; Annotated[list, add_messages] ile message accumulation'dan custom reducer'lara; cycle detection ve infinite-loop prevention'a kadar uçtan uca işler. Multi-agent pattern'ları olarak Supervisor (create_supervisor helper'ı dahil), Hierarchical team-of-teams, Network peer-to-peer, Plan-and-Execute ve ReAct agent uygulamalı olarak işlenir. Prebuilt create_react_agent ile hızlı prototipleme ve subgraph composition ile modular agent design da bu modülün parçasıdır.

Checkpointing, persistence ve human-in-the-loop modülü, LangGraph'ın production-grade stateful execution mimarisini olgunlaştırır. SqliteSaver, PostgresSaver ve RedisSaver gibi checkpointer implementasyonları; thread ve thread_id ile conversation persistence; get_state_history ile time-travel debugging ve state branching; update_state ile retroaktif düzeltme; interrupt mekanizması ile human-in-the-loop approval flow; Slack veya web UI ile insan onayı entegrasyonu; resumable execution ve state restoration uygulamalı işlenir. Bu disiplin, agent uygulamalarını sadece çalışan prototipler olmaktan çıkarıp dayanıklı, denetlenebilir ve operasyonelleştirilebilir sistemlere dönüştürür.

LangSmith ile observability ve evaluation modülü, eğitimin production discipline boyutunu temsil eder. LANGSMITH_TRACING konfigürasyonu, run ve trace anatomisi (inputs, outputs, metadata, feedback), custom metadata ve tags ile production debugging, dataset oluşturma ve gold answer set yönetimi, built-in evaluator'lar (LLM-as-judge, exact match, regex, embedding similarity), regression testing ve A/B experiment kurulumu, online evaluation ve continuous monitoring konuları uçtan uca işlenir. LangSmith, LangChain ekosisteminin observability omurgasıdır ve production AI uygulamalarında 'körü körüne deploy etme' alışkanlığını terk etmenin temel aracıdır.

LangServe ile production deployment modülü, LangChain runnable'larını ve LangGraph agent'larını FastAPI-tabanlı production endpoint'lere dönüştürme disiplinini öğretir. add_routes ile FastAPI app'e runnable bağlama; Pydantic input/output schema ve type safety; stream, batch ve playground endpoint'lerinin yapılandırılması; JWT, API key, OAuth2 authentication; rate limiting, CORS, gzip compression; OpenTelemetry distributed tracing; multi-tenant deployment ve thread-aware routing; Vercel, AWS, GCP, Kubernetes topolojileri detaylı şekilde işlenir. Cost optimization modülünde ise LLM caching (InMemoryCache, RedisCache, SQLiteCache), embedding caching, semantic cache, async batching, parallel execution ve model routing ile production performance optimizasyonu uçtan uca öğretilir.

Capstone projesinde her katılımcı, kendi kullanım senaryosuna özel uçtan uca production-grade bir LangGraph multi-agent uygulaması tasarlar: end-to-end stack (Core + Graph + Smith + Serve), RAG ve tool calling entegrasyonu, memory ve human-in-the-loop, LangSmith eval framework, LangServe deployment topolojisi ve 90 günlük operasyonel roadmap. Eğitim sonunda katılımcılar; LangChain ekosistemini bütünleşik bir framework olarak yönetebilecek, LCEL ile composable runnable mimarisi tasarlayabilecek, LangGraph ile stateful multi-agent sistemler kurabilecek, LangSmith ile observability + evaluation disiplini uygulayabilecek, LangServe ile production deployment yapabilecek ve provider-agnostic AI uygulamalarını kurumsal ölçekte yönetebilecek seviyede teknik ve mimari yetkinliğe ulaşır. Eğitim 3 gün, 12 modül ve 80'in üzerinde uygulamalı ders içerir.