Microsoft Agent Framework (.NET) ile AI Agent Geliştirme Eğitimi

Bu eğitim, Microsoft Agent Framework ve .NET ile uçtan uca agentic sistemler geliştirmek isteyen geliştiriciler için tasarlanmıştır. Generative AI/LLM temellerinden başlayarak token, embedding ve prompt engineering konularını; ardından tools (function calling), MCP ve human-in-the-loop onayı, oturum ve bağlamsal bellek, middleware, çok-etkenli iş akışları (workflow) ve desenleri, A2A ile entegrasyon, OpenTelemetry ile izleme/loglama/sağlık kontrolleri ve son olarak semantic search + RAG mimarisini uygulamalı şekilde ele alırsınız. Böylece eğitim sonunda, kurumsal dokümanlarla beslenen, izlenebilir ve ölçeklenebilir production-ready agent’lar tasarlayıp geliştirebilir hale gelirsiniz.

Bu Eğitimde Neler Öğreneceksiniz?

Bu bölüm, müfredattaki oturumların sonunda katılımcıların hangi bilgi ve becerileri kazanacağını özetler. Kazanımlar oturumlar ilerledikçe adım adım inşa edilir ve her konu bir öncekinin üzerine konumlanır.

• Generative AI ve LLM’lerin temel çalışma prensiplerini (token, bağlam penceresi, çıktı üretimi) açıklamak
• Embedding, semantic search ve vektör veritabanı kavramlarını; veri alma (ingestion), chunking ve indeksleme adımlarıyla birlikte uygulamak
• Prompt engineering, zero-shot/few-shot yönlendirme ve yapılandırılmış çıktı (JSON şeması) yaklaşımlarını kullanmak
• Microsoft Agent Framework’ün mimarisini, temel soyutlamalarını (Agent, IChatClient, Thread, Memory, Middleware, Workflow) ve çalışma modelini açıklamak
• Azure OpenAI, OpenAI, Anthropic ve yerel modeller (Ollama) gibi farklı LLM sağlayıcılarına güvenli şekilde bağlanmak (kimlik doğrulama, ortam ayrımı)
• Fonksiyon araçları (tools), OpenAI function calling, MCP sunucuları ve human-in-the-loop onayı gibi yetenekleri bir agent’a entegre etmek
• Konuşma geçmişi ve oturum yönetimini; bellek içi ve hizmet yönetimli seçeneklerle tasarlamak, bağlamsal bellek sağlayıcılarıyla kişiselleştirme yapmak
• Middleware ile loglama, güvenlik, yeniden deneme, kısa devre (terminate) ve yanıt dönüştürme gibi çapraz-kesit yeteneklerini uygulamak
• Grafik tabanlı çok-etkenli iş akışları tasarlamak; ardışık, paralel, el değiştirme ve yönetici (manager) desenlerini kurgulamak
• A2A protokolü ile agent’ları dış sistemlere yayınlamak, uzak agent’lara bağlanmak ve streaming/uzun süreli görev senaryolarını yönetmek
• OpenTelemetry ile dağıtık izleme (traces), metrikler ve yapılandırılmış loglamayı kurmak; sağlık denetimi (health checks) eklemek
• RAG (Retrieval-Augmented Generation) mimarisi kurarak agent yanıtlarını kurumsal dokümanlarla zenginleştirmek; gerekirse hybrid search ve re-ranking ile kaliteyi artırmak

Eğitim İçeriği

Generative AI ve LLM Temelleri

• How generative AI and LLMs work (GenAI ve LLM’ler nasıl çalışır?)
• Agents: Agent kavramı, agent vs. chatbot, agent runtime döngüsü
• Tokens: tokenizasyon, context window, maliyet ve performansa etkisi
• Embeddings: anlamsal temsil, embedding vs. text generation farkı
• Vector databases: vektör indeksleri, benzerlik araması, filtreleme ve metadata
• Data ingestion: doküman toplama, temizleme, chunking, indeksleme
• Prompt engineering: rol, talimat, kısıtlar, formatlama ve test etme
• Chain-of-thought prompting: ne zaman faydalı/zararlı, yapılandırılmış düşünce yerine alternatifler
• Zero-shot ve few-shot learning: örnekle yönlendirme, prompt içinde örnek tasarımı
• Retrieval-augmented generation (RAG): retrieval + generation akışı ve temel mimari
• OpenAI function calling: tool seçimi, parametre şeması, tool-result mesajlaşma modeli

Microsoft.Extensions.AI ile .NET’te Yapay Zeka

• Microsoft.Extensions.AI nedir?
  • .NET uygulamalarında AI servislerini tek bir API ile entegre etme
  • OpenAI, Azure OpenAI, Hugging Face, Ollama gibi farklı sağlayıcılarla çalışma
• Temel Abstraction’lar
  • IChatClient: Chat tabanlı AI modelleriyle etkileşim
  • IEmbeddingGenerator: Metin veya veri için embedding üretimi
  • Middleware ve Telemetry entegrasyonu
• Provider Seçimi ve Konfigürasyon
  • Farklı AI sağlayıcılarını kolayca değiştirme
  • Bağımlılık enjeksiyonu ile provider ekleme
• Uygulama Senaryoları
  • Chatbot, metin üretimi, embedding tabanlı arama, görsel ve ses işleme
  • Otomatik tool çağırma ve izlenebilirlik

Framework Mimarisi ve İlk Agent

• AIAgent temel sınıfı ve runtime yürütme modeli (giriş işleme -> model -> araç döngüsü)
• İki temel katman: bireysel Agent’lar ve grafik tabanlı Workflow’lar
• Kurucu yapı taşları: model istemcileri, oturum, bağlamsal bellek, middleware, MCP istemcisi
• Agent mi, Workflow mu? Karar kriterleri ve kullanım örnekleri
• Hızlı başlangıç: NuGet kurulumu, Azure OpenAI bağlantısı, ilk sorgu

LLM Sağlayıcılar ve SDK Entegrasyonu

• Sağlayıcı destek matrisi: Azure AI Foundry, Azure OpenAI, OpenAI, Anthropic, Ollama, GitHub Copilot
• SDK seçim tablosu: Azure OpenAI SDK, OpenAI SDK, Azure AI Inference SDK, Anthropic SDK
• ChatCompletion vs. Responses API: özellik farkları ve ne zaman ne kullanılır
• Kimlik doğrulama: DefaultAzureCredential (geliştirme) vs. ManagedIdentityCredential (üretim)
• Ollama ile yerel model çalıştırma: maliyet sıfır, internet bağlantısı yok
• Özel sağlayıcı: IChatClient / SupportsChatGetResponse uygulama

Agent Tipleri ve Çalışma Modeli

• ChatClientAgent (C#)
• Hizmet yönetimli geçmiş vs. bellek içi geçmiş: fark ve tercih kriterleri
• Streaming yanit: RunStreamingAsync ve AgentResponseUpdate
• Yapılandırılmış çıktı: JSON şema tanımlama, varlık çıkarma ve sınıflandırma

Araçlar (Tools): Fonksiyon, MCP ve Onay

• Fonksiyon aracı tanımı: AIFunctionFactory.Create()
• Çoklu araç kaydı ve araç setleri
• Fonksiyon çağrı döngüsü: agent nasıl, ne zaman ve neden araç çağırır?
• İnsan onayı (Human-in-the-Loop): onay modu ile hangi eylemler onay ister
• Yerleşik servis araçları: Kod Yorumlayıcı, Dosya Arama, Web Arama
• MCP (Model Context Protocol): hosted ve yerel MCP sunucuları
• Agent bileşenlemesi: bir agent'i başka bir agent'a araç olarak vermek

Konuşma, Oturum ve Bağlamsal Bellek

• ChatMessage yapısı: roller (system, user, assistant, tool) ve içerik tipleri
• AgentThread: oturum soyutlaması ve çoklu çalışma arasında durum koruma
• Hizmet yönetimli oturum (bulut depolaması) vs. bellek içi oturum
• Bağlamsal bellek sağlayıcıları: kullanıcı profili, geçmiş ve dışarıdan veri enjekte etmek
• Özel bağlamsal sağlayıcı yazmak ve enjeksiyon sırası kontrolü
• Uzun konuşma stratejileri: özet, kayan pencere, bağlam penceresi yönetimi

Middleware: Loglama, Güvenlik ve Dönüşüm

• Üç middleware tipi: Agent Çalışma, Fonksiyon Çağrı, IChatClient
• Middleware zinciri: next() çalışma sırası ve zincirleme mantığı
• Çalışma düzeyinde kayıt: agent-düzeyi (kalıcı) vs. çalışma-düzeyi (per-request)
• Middleware sonlandırma: context.terminate ile agent çalışmasını engellemek
• Yanıt geçersiz kılma: streaming ve streaming-dışı senaryolarda özel yanıt döndürmek

Çok-Etkenli İş Akışları: Temel Kavramlar

• İş akışı (Workflow) vs. agent orkestrasyonu: otonom vs. açık kontrol
• Dört temel kavram: Executor'lar, Edge'ler, Event'ler, Workflow Builder
• Executor: AI agent veya özgül mantık birimini grafik düğümü olarak tanımlamak
• Edge: düğümler arası mesaj akışını ve koşullu yönlendirmeyi tanımlamak
• Superstep yürütme modeli: grafik ilerlemesinin çalışma şekli
• Kontrol noktası (Checkpointing): uzun süreçler için durum kaydetme ve geri yükleme

İş Akışı Desenleri: Ardışık, Paralel, El Değiştirme

• Ardışık (Sequential) desen yapısı
• Paralel (Concurrent) desen: birden fazla agent'in aynı anda çalıştırılıp sonuçların birleştirilmesi
• El Değiştirme (Hand-off) desen: bir uzman agent'in işlemi devralıp tamamlaması
• Yönetici (Manager) desen: merkezi yönetici agent'in işçileri koordine etmesi
• Koşullu edge'ler: mesaj içeriğine veya tipine göre farklı dallara yönlendirmek
• Fan-out ve fan-in: tek çıktıyı çoğa, çoklu çıktıyı teke dönüştüren düğümler

Gözlemlenebilirlik: İzleme, Log ve Sağlık

• Gözlemlenebilirlik üçlüsü: Logs, Metrics, Traces
• IChatClient middleware ile token kullanımı ve gecikme takibi
• OpenTelemetry .NET SDK: otomatik araç (HTTP, EF Core, ASP.NET Core)
• Özel span ve aktivite oluşturma: ActivitySource ile agent çalışma izleme
• OTLP protokolü ile Jaeger, Zipkin veya Azure Monitor'a gönderme
• Yapılandırılmış loglama: Serilog ile korelasyon kimlikli JSON logu
• Sağlık denetim endpoint'leri: veritabanı, LLM servisi ve MCP bağlantısı

Semantic Search ve RAG (Retrieval-Augmented Generation)

• RAG (Retrieval-Augmented Generation) nedir? Framework mimarisindeki yeri
• Neden RAG? Halüsinasyon azaltma, kaynaklı cevap üretme ve kurumsal bilgiye erişim
• Semantic search temelleri: embedding, vektör uzayı, benzerlik (cosine/dot) ve top-k alma
• Vektör veritabanı seçenekleri: Azure AI Search, PostgreSQL/pgvector, Qdrant, Milvus
• Embedding üretimi: Azure OpenAI / OpenAI / yerel (Ollama) modeller
• Belge hazırlama ve indeksleme: temizleme, metadata, chunking stratejileri (sabit boyut, anlamsal bölme)
• RAG pipeline: indexer → retriever → augmentation → generation
• Gelişmiş RAG: hybrid search (keyword+vector), re-ranking, query rewriting, citation/alıntı ekleme
• Agent Framework’te RAG entegrasyonu: bağlamsal bellek sağlayıcısı, tool/middleware ile kaynak çekme
• Multi-agent RAG senaryoları: arama uzmanı agent, özetleyici agent, doğrulayıcı agent ve hand-off
• Operasyonel konular: cache, erişim kontrolü, PII maskeleme, gözlemlenebilirlik (retrieval metrikleri)

Model Context Protocol (MCP) ile AI Entegrasyonu

• MCP nedir?
  • AI uygulamalarının dış veri kaynakları ve araçlarla standart şekilde entegrasyonu
  • Açık protokol, dil ve platform bağımsızlığı
• MCP mimarisi
  • Host, Client, Server kavramları
  • JSON-RPC üzerinden iletişim
• Araç ve kaynak keşfi
  • Sunucudan araç, kaynak ve prompt listesini dinamik olarak çekme
  • Şema tabanlı giriş/çıkış ve güvenli entegrasyon
• .NET ve C# SDK ile uygulama
  • NuGet paketleri ve hızlı entegrasyon
  • Microsoft.Extensions.AI ile derin entegrasyon
  • Elicitation: Kullanıcıdan interaktif veri toplama
• C# MCP SDK ile MCP geliştirme
  • MCP SDK ile kendi Host, Client veya Server bileşenlerini yazma
  • Özelleştirilmiş araç ve veri kaynakları ekleme
  • Protokol binding ve endpoint yapılandırma
  • Test ve debugging için SDK araçları
• Kazanımlar
  • AI uygulamalarında dış kaynaklarla güvenli, ölçeklenebilir ve otomasyon dostu entegrasyon
  • Araçların ve veri kaynaklarının dinamik keşfi ve kullanımı
  • MCP SDK ile kendi entegrasyonlarını geliştirme ve özelleştirme

Agent to Agent (A2A) Entegrasyonu

• Agent‑to‑Agent (A2A) nedir?
  • Agent’ların servis olarak dışa açılması
  • Yerel ve uzak agent farkı
• A2A mimarisi
  • A2A protokolü ve Agent Card kavramı
  • Framework/dil bağımsız agent entegrasyonu
• Uzak agent kullanımı
  • Uzak agent’ı standart AIAgent olarak sarmalama
  • RunAsync ve RunStreamingAsync ile çağırma
• Agent discovery yöntemleri
  • .well-known/agent-card.json
  • Registry / katalog tabanlı keşif
  • Doğrudan endpoint tanımı
• Çok‑agent senaryoları
  • Manager agent → uzak uzman agent
  • Organizasyonlar arası agent iş birliği

Dağıtım (Deployment): Container ve Microsoft Foundry

• Container'a alma: Dockerfile ile AI uygulamasını paketleme, multi-stage build ve imaj optimizasyonu
• Konfigürasyon ve sırlar: ortam değişkenleri, API anahtarları
• Container registry: imajı Docker hub’a gönderme ve sürümleme
• Microsoft Foundry'ye dağıtım: Azure AI Foundry'de agent ve model yayınlama, endpoint yapılandırma
• Model ve endpoint yönetimi: Foundry'de model dağıtımı, sürüm yönetimi ve maliyet/kota takibi
• Production gözlemlenebilirliği: dağıtık izleme, sağlık denetimi (health check) ve loglama
• CI/CD: GitHub Actions ile otomatik build, test ve dağıtım hattı