tag framework
Bu sayfada framework etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
DSPy (Declarative Self-improving Python), Stanford Üniversitesi'nden Omar Khattab ve ekibinin 2023 yılında geliştirdiği açık kaynak bir Python çerçevesidir. Temel amacı, büyük dil modellerini (LLM) manuel prompt yazmak yerine programatik olarak yönetmek ve optimize etmektir. Geleneksel yaklaşımda bir geliştirici, modele verilen talimatları (prompt) elle yazarak deneme yanılma yöntemiyle iyileştirir; bu süreç hem zaman alıcı hem de kırılgandır. DSPy bu sorunu şöyle çözer: siz yalnızca giriş ve çıkış türlerini tanımlarsınız (Signature), DSPy ise eğitim verisi ve belirlediğiniz metrikten yola çıkarak en uygun prompt'u otomatik üretir. Çerçevenin üç temel yapı taşı vardır: Signature, Modül ve Optimizer. Signature, bir modülün ne alıp ne üreteceğini tanımlar; örneğin question -> answer ya da document -> summary gibi. Modül, ChainOfThought, ReAct veya Predict gibi gerçek LLM çağrısını yapan bileşenlerdir; Python sınıfları olarak tanımlanır ve birbirleriyle zincirlenerek karmaşık pipeline'lar oluşturulur. Optimizer (eski adı Teleprompter) ise eğitim verisi ve metrik bilgisini kullanarak tüm pipeline'ın prompt'larını ve az sayıda örneğini (few-shot) otomatik olarak iyileştirir. 2026 itibarıyla en yaygın kullanılan optimizer'lar BootstrapFewShot, MIPROv2 ve COPRO'dur. BootstrapFewShot hızlı başlangıç sunarken MIPROv2, hem talimatları hem de few-shot örnekleri aynı anda Bayes optimizasyonuyla optimize eder. DSPy özellikle RAG sistemleri, çok adımlı soru cevaplama ve özetleme görevlerinde güçlü sonuçlar üretmektedir. LangChain ve LlamaIndex gibi çerçeveler geliştiriciyi prompt şablonlarını elle yapılandırmaya yönlendirirken DSPy bir üst katmanda çalışarak bu prompt içeriğini veri odaklı biçimde otomatik iyileştirir; iki yaklaşım rakip değil tamamlayıcıdır ve DSPy bu çerçevelerle birlikte kullanılabilir. Fine-tuning model ağırlıklarını değiştirirken DSPy yalnızca prompt ve few-shot örnekleri optimize eder; bu nedenle çok daha hızlı, ucuz ve esnektir. GitHub'da 23.000'den fazla yıldızla aktif geliştirilen proje MIT lisansıyla sunulmaktadır.
DSPy (DSPy)
DSPy (Declarative Self-improving Python), Stanford Üniversitesi'nden Omar Khattab ve ekibinin 2023 yılında geliştirdiği açık kaynak bir Python çerçevesidir. Temel amacı, büyük dil modellerini (LLM) manuel prompt yazmak yerine programatik olarak yönetmek ve optimize etmektir. Geleneksel yaklaşımda bir geliştirici, modele verilen talimatları (prompt) elle yazarak deneme yanılma yöntemiyle iyileştirir; bu süreç hem zaman alıcı hem de kırılgandır. DSPy bu sorunu şöyle çözer: siz yalnızca giriş ve çıkış türlerini tanımlarsınız (Signature), DSPy ise eğitim verisi ve belirlediğiniz metrikten yola çıkarak en uygun prompt'u otomatik üretir. Çerçevenin üç temel yapı taşı vardır: Signature, Modül ve Optimizer. Signature, bir modülün ne alıp ne üreteceğini tanımlar; örneğin question -> answer ya da document -> summary gibi. Modül, ChainOfThought, ReAct veya Predict gibi gerçek LLM çağrısını yapan bileşenlerdir; Python sınıfları olarak tanımlanır ve birbirleriyle zincirlenerek karmaşık pipeline'lar oluşturulur. Optimizer (eski adı Teleprompter) ise eğitim verisi ve metrik bilgisini kullanarak tüm pipeline'ın prompt'larını ve az sayıda örneğini (few-shot) otomatik olarak iyileştirir. 2026 itibarıyla en yaygın kullanılan optimizer'lar BootstrapFewShot, MIPROv2 ve COPRO'dur. BootstrapFewShot hızlı başlangıç sunarken MIPROv2, hem talimatları hem de few-shot örnekleri aynı anda Bayes optimizasyonuyla optimize eder. DSPy özellikle RAG sistemleri, çok adımlı soru cevaplama ve özetleme görevlerinde güçlü sonuçlar üretmektedir. LangChain ve LlamaIndex gibi çerçeveler geliştiriciyi prompt şablonlarını elle yapılandırmaya yönlendirirken DSPy bir üst katmanda çalışarak bu prompt içeriğini veri odaklı biçimde otomatik iyileştirir; iki yaklaşım rakip değil tamamlayıcıdır ve DSPy bu çerçevelerle birlikte kullanılabilir. Fine-tuning model ağırlıklarını değiştirirken DSPy yalnızca prompt ve few-shot örnekleri optimize eder; bu nedenle çok daha hızlı, ucuz ve esnektir. GitHub'da 23.000'den fazla yıldızla aktif geliştirilen proje MIT lisansıyla sunulmaktadır.
LlamaIndex (LlamaIndex)
LlamaIndex (eski adıyla GPT Index), büyük dil modellerini (LLM) özel veri kaynaklarıyla entegre etmek için tasarlanmış açık kaynaklı bir Python çerçevesidir. 2022 yılında Jerry Liu tarafından geliştirilen ve başlangıçta GPT Index adını taşıyan bu proje, LangChain ile birlikte LLM uygulama ekosisteminin iki temel taşından biri konumuna yükselmiştir. LlamaIndex üç temel katmandan oluşur. Veri konektörleri (data connectors), PDF ve Word belgelerinden SQL veritabanlarına, REST API'lerden Slack ve Notion gibi SaaS araçlarına kadar 160'tan fazla kaynaktan veri okur; bu katman LlamaHub platformu aracılığıyla sürekli genişleyen bir ekosisteme sahiptir. İndeksleme katmanı, ham veriyi Pinecone, Weaviate, Chroma ve pgvector gibi 20'den fazla vektör veritabanında saklanan vektör temsillerine dönüştürür ya da hiyerarşik ağaç indeksleri, anahtar kelime tabanlı indeksler ve bilgi grafikleri gibi alternatif yapıları kullanır. Sorgu motoru, kullanıcının doğal dil sorusunu gelen sorguya en uygun belgeleri getiren bir retrieval adımına, ardından LLM tabanlı bir yanıt sentez adımına dönüştürür. RAG (Retrieval-Augmented Generation) mimarisinin referans uygulaması olarak LlamaIndex, modelin bilgi kesim tarihini aşan veya kuruma özel gizli verileri kullanarak güvenilir yanıtlar üretmesini sağlar. Örneğin bir hukuk firması, binlerce sözleşme belgesini vektör indeksine ekleyerek çalışanların doğal dille sözleşme araması yapmasını mümkün kılabilir. Çok-ajan sistemleri için LlamaIndex, görev planlama ve araç seçimi yapan ajan mimarileri sunar. OpenAI Assistants API ile entegrasyon, ReAct ve function calling tabanlı ajan döngüleri ve ajan aktivite izleme (tracing) bu katmanın temel özelliklerindendir. LlamaIndex Workflows, etkinlik güdümlü (event-driven) asenkron iş akışlarını Python dekoratörleri aracılığıyla tanımlamaya olanak tanır. TypeScript/JavaScript geliştiricileri için LlamaIndex.TS paralel bir ekosistem oluşturur; böylece hem sunucu taraflı Node.js hem de tarayıcı ortamı desteklenmektedir. Üretim izleme ve değerlendirme için LlamaTrace ve LlamaCloud platformları, kurumsal müşterilere yönelik yönetilen altyapı çözümleri sunar.