Blog'a Dön
Teknik Eğitim15 Mart 202515 dk oku

Multi-Agent AI Sistemi Kurma: Tam Teknik Rehber

Üretime hazır multi-agent AI sistemlerinin mimarisini, uygulamasını ve ölçeklenmesini öğren. Bu kapsamlı rehber yönetici tasarım desenlerini, yönetici arası iletişimi, orkestrasyonu stratejilerini ve gerçek dünya dağıtım hususlarını kapsar.

Sistem Mimarisi Özeti

Multi-agent AI sistemi, karmaşık sorunları çözmek için birlikte çalışan birden fazla otonom yönetici içerir. Her ajandın özel kapasiteleri vardır ve diğer ajanlarla koordine etmek için iletişim kurabilir.

Temel Bileşenler:

  • yönetici Katmanı: Belirli roller (CEO, CFO, CTO, vb.) olan bireysel AI yöneticilerı
  • Orkestrasyonu Katmanı: yönetici etkileşimlerini ve workflow yürütülmesini koordine eder
  • İletişim Veri Yolu: yöneticiler arasında mesaj geçişini etkinleştirir
  • Durum Yönetimi: Sistem durumunu ve yönetici belleğini korur
  • Araç Entegrasyonu: yöneticilerı harici API'lere ve hizmetlere bağlar

yönetici Tasarım Deseni

Her yönetici, şu temel bileşenleri içeren tutarlı bir tasarım deseni izler:

base_agent.py
class BaseAgent:
    def __init__(self, role, capabilities, tools):
        self.role = role                    # Ajandı rolü (CEO, CFO, vb.)
        self.capabilities = capabilities    # Ajandı ne yapabilir
        self.tools = tools                  # Mevcut harici araçlar
        self.memory = AgentMemory()         # Konuşma geçmişi
        self.llm = LLMProvider()           # AI modeli arayüzü

    async def process_task(self, task):
        # 1. Görevi anla
        context = await self.analyze_task(task)

        # 2. Yaklaşımı planlama
        plan = await self.create_plan(context)

        # 3. Planı yürüt
        result = await self.execute_plan(plan)

        # 4. Sonucu doğrula ve geri dön
        return await self.validate_result(result)

    async def communicate(self, target_agent, message):
        # Diğer ajana mesaj gönder
        return await self.message_bus.send(
            from_agent=self.role,
            to_agent=target_agent,
            message=message
        )

Orkestrasyonu Stratejileri

1. Hiyerarşik Orkestrasyonu

CEO ajandı diğer yönetici yöneticilerını koordine eder. Karmaşık stratejik görevler için en iyisidir.

orchestrator.py
class CEOOrchestrator:
    async def delegate_task(self, task):
        # Görev karmaşıklığını analiz et
        analysis = await self.analyze_task(task)

        # Gerekli yöneticilerı belirle
        required_agents = self.determine_agents(analysis)

        # Yürütülme planı oluştur
        plan = {
            "cfo": ["finansal_analiz", "bütçe_incelemesi"],
            "cto": ["teknik_uygulanabilirlik", "kaynak_tahmini"],
            "cmo": ["pazar_araştırması", "konumlandırma"]
        }

        # Paralel veya sıralı olarak yürüt
        results = await asyncio.gather(*[
            self.agents[agent].execute(tasks)
            for agent, tasks in plan.items()
        ])

        # Sonuçları sentez et
        return await self.synthesize_results(results)

2. Eşler Arası İletişim

yöneticiler merkezi koordinatör olmaksızın doğrudan iletişim kurar. Basit workflow'lar için daha iyidir.

yönetici Arası İletişim Protokolü

yöneticiler iletişim kurmak için standartlaştırılmış bir yönteme ihtiyaç duyar. Mesaj tabanlı bir protokol kullanırız:

communication.py
class AgentMessage:
    def __init__(self,
                 from_agent: str,
                 to_agent: str,
                 message_type: str,
                 content: dict,
                 priority: int = 0):
        self.from_agent = from_agent
        self.to_agent = to_agent
        self.message_type = message_type  # İSTEK, YANIT, BİLDİR
        self.content = content
        self.priority = priority
        self.timestamp = datetime.now()
        self.message_id = uuid.uuid4()

# Örnek kullanım
message = AgentMessage(
    from_agent="ceo",
    to_agent="cfo",
    message_type="İSTEK",
    content={
        "task": "finansal_tahmini",
        "parameters": {"period": "Q4", "detail_level": "high"}
    },
    priority=1
)

Durum Yönetimi & Bellek

yöneticiler bağlamı hatırlaması ve geçmiş etkileşimleri hatırlaması gerekir:

  • Kısa Vadeli Bellek: Son konuşma bağlamı (Redis/bellek içi)
  • Uzun Vadeli Bellek: Tarihsel veriler ve öğrenmeler (PostgreSQL/Vector DB)
  • Paylaşılan Durum: Sistem genelinde bilgiler (Redis pub/sub)

Üretime Ölçekleme

Performans Optimizasyonu:

  • • Eşzamanlı yönetici işlemleri için async/await kullan
  • • Sık kullanılan veriler için LRU önbelleğe alma uygula
  • • Uzun süreli görevleri Celery/RQ ile sıraya koy
  • • Yük dengeleyicilerle yatay ölçekleme
  • • Veritabanı bağlantı havuzu

İzleme & Gözlemlenebilirlik:

  • • yönetici performans ölçümlerini takip et
  • • Tüm yönetici arası iletişimleri günlükle
  • • Hatalar için uyarılar ayarla
  • • LLM API maliyetlerini ve gecikme sürelerini izle

Gerçek Dünya Örneği: Finansal Analiz

CEO ajandının bir finansal analiz görevi nasıl devrettiğine dair tam bir örneği izleyelim:

1. Kullanıcı Sorgusu:

"Q4 finansmanımıza dayanarak Avrupa'ya genişlememiz gerekir mi?"

2. CEO Ajandı Analizi:

Finansal veri, pazar araştırması ve risk değerlendirmesi ihtiyacını tanımlar

3. yönetici Devri:

• CFO: Finansal sağlık analizi
• CMO: Avrupa pazarı araştırması
• CLO: Yasal/düzenleme gereklilikleri

4. Paralel Yürütülme:

Her üç yönetici görevlerinde aynı anda çalışır

5. Sonuç Sentezi:

CEO içgörüleri kapsamlı öneriye dönüştürür

En İyi Uygulamalar

  • 1. Açık yönetici Sınırları: Her yöneticiın iyi tanımlanmış sorumlulukları olmalıdır
  • 2. İdempotent İşlemler: yöneticiler aynı girdiler için aynı sonuçları üretmelidir
  • 3. Hata Yönetimi: yöneticiler başarısız olduğunda grasiyal yükseltme
  • 4. Sürüm Kontrolü: yönetici davranış değişikliklerini zaman içinde takip et
  • 5. Test Etme: yöneticiler için birim testleri, workflow'lar için entegrasyon testleri
  • 6. Güvenlik: yöneticilerı doğrula, hassas iletişimleri şifrele

Sonuç

Multi-agent AI sistemi kurması dikkatli mimari planlama, sağlam iletişim protokolleri ve üretime hazır altyapı gerektirir. Basit bir hiyerarşiden başla, kapsamlı olarak test et ve sistem davranışını öğrendikçe kademeli olarak ölçekle.

Burada gösterilen desenler ve kod örnekleri üretime hazırdır ve günlük milyonlarca yönetici etkileşimini işleyen sistemleri destekler.

Uygulamayı Atla - Procux AI Kullan

Aylar yerine dakikalar içinde üretime hazır multi-agent sistemi al