Agentic AI Developer Programı
LLM okuryazarlığından multi-agent SDLC pipeline'ına uzanan, eval-driven ana program. Bu sayfa herkese açıktır — incelemek için giriş gerekmez.
9
AŞAMA
68
MICRO DERS
28
PRATİK PROJE
26–33 hafta
SÜRE
8
EVAL & OBS DERSİ
evalobservabilityher ikisi
Aşama 2Eval mindset2.7
İlk golden dataset, basit metrikler, TDD köprüsü
Aşama 5Dev-time tracing5.10
Structured logging, trace format, step-through debug
Aşama 7Multi-agent obs7.7
Distributed tracing, correlation ID, audit trail
Aşama 8Offline eval8.1
Golden dataset, LLM-as-judge, assertion-based eval
Aşama 8Online eval & HITL8.2
Production feedback, A/B test, shadow mode
Aşama 8Production obs stack8.3
Metrics, alerting, anomaly detection, dashboards
Aşama 8CI/CD + eval gate8.9
Eval-gated deployment, canary release, rollback
Aşama 9Pipeline eval & obs9.8
SDLC metrikleri, pipeline tracing, bottleneck tespiti
Neden omurga? Eval, Aşama 2'de refleks olarak başlar; her agent projesinde golden dataset ve metrik beklenir. Observability, Aşama 5'te development-time tracing ile başlar, Aşama 7'de distributed tracing'e genişler, Aşama 8'de production-grade olgunlaşır, Aşama 9'da SDLC pipeline özelinde derinleşir. Sonuç: eval ve obs son aşamada öğrenilen bir eklenti değil, müfredatın her katmanında var olan bir disiplin.
yenigüncellendiyeni aşamaeval & obs
◆ Micro dersler◆ Aşama çıktısı
1.1
Generative AI ve LLM: ne, neden, neden şimdi?yeni
AI → ML → deep learning → generative AI → LLM kavram haritası. LLM'lerin ne yapabildiği ve yapamadığı, somut örneklerle. ChatGPT anı: neden 2022'de kırılma oldu (scale, instruction tuning, arayüz). Hype vs gerçeklik, yazılım geliştirme pratiğine etkisi. Deterministic yazılımdan probabilistic sistemlere geçişin anlamı.
1.2
Transformer mimarisi ve LLM'in doğasıgüncellendi
Attention mekanizması, next-token prediction, training vs inference farkı. Modelin nasıl bu hale geldiği: pretraining → instruction tuning → RLHF (kavramsal düzeyde). Matematiksel detay değil, sezgisel anlama.
1.3
Tokenizasyon, context window ve vektör sezgisigüncellendi
BPE tokenizer çalışma mantığı, token ≠ kelime, context window limitleri ve doluluk stratejileri. "Token'lar sayıya, sayılar vektöre": embedding sezgisine ilk dokunuş. Tiktoken ile hands-on token sayma, Türkçe vs İngilizce tokenizasyon farkı.
1.4
İlk API çağrısıgüncellendi
Claude/OpenAI API kurulumu, messages formatı, streaming response, error handling. cURL → SDK geçişi. Bu noktadan sonra tüm dersler canlı deneyle desteklenir.
1.5
Model parametreleri ve non-determinismgüncellendi
Temperature, top-p, top-k, max_tokens, stop sequences. Her parametrenin output'a etkisini API üzerinden deney yaparak gözlemleme. Non-determinism'in açıkça isimlendirilmesi: aynı input → farklı output. "LLM probabilistic bir bileşendir" zihinsel modeli.
1.6
Hallucination anatomisi
Neden oluyor (training data, probability distribution), türleri (factual, logical, contextual), tespit ve azaltma teknikleri, grounding konsepti. Önceki derslerdeki deneylerde gözlemlenen davranışların analizi.
1.7
◆ Pratik uygulamalarModel landscape ve model seçimiyeni
Frontier vs küçük modeller, capability tiers, fiyat/performans dengesi, context window ve hız farkları, açık kaynak vs API modelleri. "Bu görev için hangi model?" karar çerçevesi: görev karmaşıklığı, latency, maliyet, veri gizliliği.
Token maliyet hesaplayıcıbireysel
CLI aracı: girdi metnini tokenize et, model bazında maliyet hesapla, context window doluluk yüzdesi göster. Türkçe vs İngilizce token verimliliğini karşılaştır.
Model karşılaştırma lab'ıbireyselgüncellendi
Aynı 10 prompt'u Claude, GPT-4o ve Gemini'ye gönder. Yanıt kalitesi, hız, token maliyeti ve hallucination oranını tablo halinde karşılaştır. Sonuçları 1.7'deki karar çerçevesiyle yorumla.
Hallucination dedektörüikili
LLM output'unu ikinci bir LLM ile doğrula. Factual accuracy skorlama sistemi oluştur. Ground truth karşılaştırma pipeline'ı kur. (LLM-as-judge tohumunu atar.)
Minimum Viable Skill: API çağrısı yapıp streaming response alabilir · token maliyetini hesaplayabilir · model parametrelerini amaca göre ayarlayabilir · hallucination'ı tespit edip raporlayabilir · görev için uygun modeli gerekçeli seçebilir. — Kavramsal kazanım: LLM'in probabilistic doğasını, limitlerini ve güçlü yanlarını deneyimle kavramış, deterministic yazılımdan probabilistic sistemlere geçiş zihniyetini edinmiş olur.
◆ Micro dersler◆ Aşama çıktısı
2.1
System prompt mimarisi
Rol tanımı, kısıtlar, output formatı. Prompt'u bir spesifikasyon dokümanı gibi yapılandırma. XML tag kullanımı, section'lara ayırma.
2.2
Few-shot ve chain-of-thought
Örnek vererek öğretme, adım adım düşündürme, "düşün sonra cevapla" pattern'i. Ne zaman zero-shot yeter, ne zaman few-shot gerekir kararı.
2.3
Structured output alma
JSON mode, XML çıktı, markdown formatı. LLM'den parse edilebilir, güvenilir veri yapıları çıkarma teknikleri.
2.4
Schema validation entegrasyonugüncellendi
Zod (TypeScript) ve Pydantic (Python) ile LLM output'unu tip-güvenli hale getirme. Nested/complex schema'lar, parse → validate → retry döngüsü, function calling ile structured output entegrasyonu.
2.5
Prompt chaining ve adım-arası validationyeni
Tek çağrının yetmediği görevler: çok adımlı iş akışları. Bir adımın çıktısını sonraki adımın girdisi yapma, ara adımlarda schema validation gate'leri, hata durumunda fallback stratejileri. Tool use ve agent loop'larına geçişin kavramsal köprüsü.
2.6
Prompt iteration döngüsü
Sistematik prompt iyileştirme: baseline ölç, değişken izole et, A/B karşılaştır, regresyon izle. Prompt versiyonlama.
2.7
◆ Pratik uygulamalarEval mindset: ölçmeden iyileştiremezsinyenieval & obs
Prompt kalitesini sezgiyle değil metrikle değerlendirme. İlk golden dataset oluşturma (10-20 test case yeter), basit skorlama (exact match, contains, LLM-as-judge). "Her prompt değişikliği bir regresyon riski" refleksini kazandırma. TDD bilen developer için doğal köprü.
Otomatik code reviewerbireysel
Git diff alan, PR bazında code review yapan asistan. System prompt ile review standartlarını tanımla, structured JSON output ile sorunları severity/category/line bazında raporla.
Bug triage asistanıikili
Bug report metnini analiz et, Pydantic/Zod schema ile priority, component, estimated_effort, suggested_assignee döndür. Retry on validation failure.
Eval'li README üreticibireyselgüncellendi
Repo analiz edip README üreten araç. Fark: 15 repo'luk golden dataset oluştur, her prompt değişikliğinde eval çalıştır, skoru düşürmeyen değişiklikleri kabul et. Prompt versiyonlama ile kaliteyi sistematik artır.
Minimum Viable Skill: system prompt yazıp tutarlı structured JSON output alabilir · Zod/Pydantic ile output'u validate edebilir · çok adımlı prompt chain'i validation gate'leriyle kurabilir · 10+ test case'lik golden dataset oluşturup eval suite çalıştırabilir. — Kavramsal kazanım: "Her prompt değişikliği bir regresyon riski" refleksini kazanmış, eval-driven prompt geliştirme disiplinini edinmiş olur.
◆ Micro dersler◆ Aşama çıktısı
3.1
Function calling kavramı
LLM'in tool'u nasıl seçtiği ve argüman ürettiği. Tool call → execution → result → LLM response döngüsü.
3.2
Tool tanımı yazma sanatı
JSON schema ile tool açıklaması, parametre tipleri, required/optional ayrımı. İyi vs kötü tool description'ın LLM seçimine etkisi.
3.3
Çoklu tool orkestrasyonu
Birden fazla tool'un aynı conversation'da sunulması, LLM'in sıralama kararı. Parallel vs sequential tool calling.
3.4
Error handling ve fallback
Tool çağrısı başarısız olduğunda ne olur? Retry stratejileri, graceful degradation, kullanıcıya anlamlı hata mesajı üretme.
3.5
Güvenlik: input/output validation
Prompt injection via tool results, sandbox'lama, tehlikeli tool'ların korunması. LLM'in ürettiği argümanları doğrulama.
3.6
RAG temelleriyeni
Embedding konsepti, vektör veritabanı (ChromaDB/Pinecone), document chunking stratejileri, semantic search vs keyword search. Retrieval → augmentation → generation pipeline'ı.
3.7
◆ Pratik uygulamalarWeb search ve evidence groundingyeni
Agent'a web arama yeteneği kazandırma, gürültülü sonuçları filtreleme, yanıtları kanıtla destekleme, hallucination'ı grounding ile azaltma.
DB sorgulayan asistanbireysel
Doğal dilde soru sor → LLM SQL üretsin → tool olarak çalıştır → sonucu LLM'e döndür → insan-okunur yanıt üret. Read-only kısıtı, SQL injection koruması.
Multi-API asistanikili
Hava durumu + takvim + e-posta API'lerini tool olarak tanımla. Zincirleme kullanım senaryosu ile tek soruda 3 API birden kullan.
RAG dokümantasyon asistanıbireyselyeni
Şirket dokümanlarını chunk'la, embed et, ChromaDB'ye yükle. Doğal dilde soru sor, ilgili chunk'ları retrieve et, LLM ile yanıt üret. Relevance skorlama ekle.
Güvenlik lab'ıtakım
Kendi tool-use asistanına prompt injection saldırıları dene. Tool result üzerinden injection. Savunma katmanlarını kodla ve test et.
Minimum Viable Skill: custom tool tanımlayıp function calling ile çalıştırabilir · çoklu tool'u orkestre edebilir · basic RAG pipeline (chunk → embed → retrieve → generate) kurabilir · tool input/output'unu güvenlik açısından validate edebilir. — Kavramsal kazanım: Agent'ın dış dünyayla güvenli etkileşim altyapısını kurmuş, LLM'i izole bir metin üreticiden aksiyon alan bir sisteme dönüştürmüş olur.
◆ Micro dersler◆ Aşama çıktısı
4.1
Agentic use-case seçimi ve problem framingyeni
Hangi problemler agentic çözüm ister (belirsizlik, çok adımlılık, karar verme), hangileri klasik otomasyon veya basit LLM çağrısıyla çözülmeli? Karar ağacı: rule-based → single LLM call → prompt chain → single agent → multi-agent. Human-in-the-loop boundary tasarımı. ROI çerçevesi: development maliyeti, token maliyeti, hata maliyeti vs kazanılan zaman/kalite. Problem decomposition ve gerçek dünya case study'leri.
4.2
Agent anatomisi, workflow modelleme ve görselleştirmegüncellendi
Bir agent'ın yapısal bileşenleri: persona (system prompt), knowledge (context/RAG), tools (function calling), interaction model. Agent tiplerinin taksonomisi. Workflow'u kodlamadan önce diagram olarak tasarlama, building block'larla görsel modelleme. Legacy developer'ların UML alışkanlığına köprü.
4.3
Agentic chaining patterngüncellendi
2.5'teki saf prompt chaining'in üstüne inşa: zincirin her adımında tool call olabilir, bir adım dinamik olarak routing'e veya parallelization'a kayabilir. Conditional branching, chain'i bir agent state machine'in parçası olarak tasarlama.
4.4
Routing patternyeni
Gelen isteği classify et → doğru uzman agent'a yönlendir. Router agent tasarımı, classification stratejileri, fallback routing, dynamic dispatch.
4.5
Parallelization patternyeni
Birden fazla agent'ı concurrent çalıştırma. Task decomposition (sharding, aspect-based), threading/async, result aggregation ve synthesis.
4.6
Evaluator-optimizer patternyeni
Creator + Critic döngüsü: üret → değerlendir → geri bildirim → tekrar üret. Clear evaluation criteria, actionable feedback, çıkış koşulu tasarımı.
4.7
◆ Pratik uygulamalarOrchestrator-workers patterngüncellendi
Merkezi orchestrator dinamik plan yapar, worker'lara dağıtır, sonuçları birleştirir. Plan kalitesinin execution'a etkisi, re-planning mekanizması. Burada worker'lar tek process içinde prompt chain adımları — 7.1'de aynı pattern gerçek multi-agent bağlama taşınır.
Akıllı destek router'ıbireyselyeni
Müşteri mesajını classify et (teknik/fatura/şikayet/genel), doğru uzman agent'a yönlendir. Her uzman farklı system prompt ve tool set'e sahip. Fallback ve escalation.
Paralel doküman analizciikiliyeni
Uzun dokümanı 3 uzman agent paralel analiz etsin (teknik kalite, iş etkisi, risk). Threading ile concurrent çalıştır, synthesizer agent birleştirsin.
İteratif kod üreticibireyselyeni
Creator agent kod yazar → Critic agent unit test çalıştırır ve feedback verir → Creator düzeltir → tüm testler geçene kadar döngü. Max iteration limiti.
Minimum Viable Skill: bir iş probleminin agent gerektirip gerektirmediğini analiz edip gerekçelendirebilir · ROI tahmini yapabilir · 5 workflow pattern'den probleme uygun olanı seçip implement edebilir · workflow'u önce diagram olarak tasarlayabilir. — Kavramsal kazanım: "Her problem agent gerektirmez" pragmatizmini ve "önce tasarla, sonra kodla" disiplinini edinmiş olur.
◆ Micro dersler◆ Aşama çıktısı
5.1
ReAct pattern
Reason → Act → Observe döngüsü. LLM düşünür, aksiyon seçer, sonucu gözlemler, tekrar düşünür. While-loop implementasyonu, çıkış koşulları.
5.2
Plan-and-execute pattern
Önce tam plan oluştur, sonra adım adım çalıştır. Re-planning ne zaman tetiklenir? Plan kalitesinin execution kalitesine etkisi.
5.3
Reflection ve self-correction
Agent kendi çıktısını değerlendirir, hataları saptar, düzeltir. Inner critic pattern'i. Sonsuz döngü riski ve korunma.
5.4
Agentic RAG: retrieval'dan reasoning'eyeni
3.6'daki basic RAG pipeline'ına reflection ve self-correction ekleme. Retrieval kalitesi değerlendirmesi, query reformulation, retry loop, yeterlilik kararı. ReAct + evaluator-optimizer pattern'lerinin RAG'e uygulanması. 7.4'teki multi-agent RAG'e köprü.
5.5
State management ve state machine'leryeni
Agent state'ini explicit olarak yönetme. State machine tanımlama, transition kuralları, multi-turn state tracking. Schema-driven state management.
5.6
Kısa süreli hafıza
Conversation buffer, sliding window, summarization. Context window yönetimi, ne zaman özetle ne zaman at kararı.
5.7
Uzun süreli hafıza ve vektör DByeni
Semantic memory (ne biliyorum), episodic memory (ne yaşadım), procedural memory (nasıl yapıyorum). Vektör DB ile kalıcı hafıza, session persistence.
5.8
Framework tour: LangGraph ve CrewAI
Graph-based agent orkestrasyonu (LangGraph), rol-tabanlı multi-agent (CrewAI). Her framework'ün trade-off'ları, soyutlama maliyeti.
5.9
Sıfırdan agent loop yazma
Framework'süz, sadece API çağrısı + while loop + tool dispatch ile agent yaz. Framework'ün perde arkasında ne yaptığını bizzat kodlayarak anlama.
5.10
◆ Pratik uygulamalarAgent debugging ve development-time tracingyenieval & obs
Agent loop'unda her adımı structured log'a yaz: LLM input/output, tool seçimi, argümanlar, sonuç, karar gerekçesi. Trace formatı tasarımı. "Agent neden bu yolu seçti" sorusuna trace ile cevap verme. Step-through replay ile debugging.
Research agentbireysel
Konu → web ara → kaynak oku → not çıkar → eksik bilgi tespit → tekrar ara → özet rapor üret. ReAct loop + reflection ile kalite kontrolü. Max 10 iterasyon.
Sıfırdan vs framework yarışıikili
Aynı görevi hem sıfırdan agent loop ile hem LangGraph ile çöz. Kod karmaşıklığı, debug edilebilirlik, esneklik, geliştirme süresi karşılaştırması.
Traced stateful coding agenttakımgüncellendi
Doğal dil → plan → kod → test → düzelt. State machine ile durumları yönet. Long-term memory ile önceki session'lardan öğren. Her adımı trace'e yaz, trace viewer ile debug et. 20 test case'lik eval suite ile agent kalitesini ölç.
Minimum Viable Skill: ReAct agent loop yazabilir (framework ile ve sıfırdan) · agentic RAG pipeline kurabilir · agent state'ini state machine ile yönetebilir · kısa ve uzun süreli hafıza implement edebilir · agent'ın her adımını structured trace log'a yazıp debug edebilir. — Kavramsal kazanım: Framework sihrine güvenmek yerine altta dönen mekanizmayı anlayan, gözlemlenemeyen agent'a güvenmeyen mühendislik refleksini edinmiş olur.
◆ Micro dersler◆ Aşama çıktısı
6.1
MCP protokolü temelleri
Model Context Protocol nedir, neden var? REST API'den farkı, server-client modeli, transport katmanları (stdio, SSE). Tool/resource/prompt kavramları.
6.2
MCP server geliştirme
TypeScript SDK ile MCP server yazma: tool tanımlama, resource expose etme, input validation. @modelcontextprotocol/sdk kullanımı.
6.3
MCP client entegrasyonu
Claude Desktop, Claude Code ve custom client'larda MCP server bağlantısı. Config dosyaları, auth flow, server discovery.
6.4
◆ Pratik uygulamalarEkosistem ve best practices
Mevcut MCP server registry, popüler connector'lar (GitHub, Slack, DB), güvenlik best practice'leri, rate limiting.
Custom MCP serverbireysel
Şirketin internal API'si için MCP server yaz. Ör: JIRA ticket'ları listele/oluştur, internal wiki'de arama yap. Claude Desktop'ta test et.
MCP gatewayikili
Birden fazla MCP server'ı tek gateway arkasında birleştir. Unified auth, request logging, rate limiting. Kullanım dashboard'u.
Minimum Viable Skill: MCP server geliştirip deploy edebilir · mevcut agent'ı MCP client olarak şirket iç araçlarına bağlayabilir · MCP ekosistemindeki mevcut server'ları keşfedip entegre edebilir. — Kavramsal kazanım: Tool entegrasyonunu vendor-specific SDK'lardan standart bir protokole taşımış, agent-tool iletişimini ölçeklenebilir hale getirmiş olur.
◆ Micro dersler◆ Aşama çıktısı
7.1
Multi-agent sistem tasarımı ve supervisor-worker patterngüncellendi
Tek agent workflow'dan multi-agent'a geçiş: ne zaman, neden? Problem → rol ayrıştırma, agent interface contract tasarımı, iletişim topolojisi seçimi (hub-spoke, peer-to-peer, hierarchical), bağımlılık haritası. Supervisor-worker pattern: 4.7'deki orchestrator-workers'ın multi-agent bağlama taşınması — artık worker'lar ayrı LLM çağrıları, iletişim overhead'i gerçek, failure yayılabilir.
7.2
Agent arası iletişim
Message passing, shared blackboard, event-driven communication. Hangi pattern ne zaman uygun? İletişim overhead'inin performansa etkisi.
7.3
Shared state, izolasyon ve conflict resolutiongüncellendi
State paylaşımı vs izolasyon. Git worktree pattern'i. Concurrent access, race condition, conflict detection ve resolution mekanizmaları.
7.4
Multi-agent RAGyeni
Her agent farklı veri kaynağında uzman (dokümanlar, API'ler, DB). Specialized retrieval agent'lar + synthesis agent. Query reformulation ve retry loop'lar.
7.5
Failure mode'lar ve dayanıklılık
Error cascading, token cost explosion, sonsuz delegasyon döngüsü, agent tartışması. Circuit breaker, timeout, cost ceiling pattern'leri.
7.6
Tek agent mi, çok agent mı?
Multi-agent overhead'i analizi. Karmaşıklık vs fayda eğrisi. Karar matrisi: ne zaman tek agent + iyi tool'lar yeter?
7.7
Multi-agent observabilityyenieval & obs
Distributed tracing: her agent'ın trace'ini birleştirip uçtan uca görme. Agent-to-agent mesaj logları, shared state değişiklik geçmişi (audit trail). Correlation ID ile request takibi.
7.8
Multi-agent SDLC'ye girişyeni
Requirements → Design → Code → Test → Deploy sürecinde agent rolleri. Hangi SDLC aşamasında agent'lar değer katar, hangileri riskli? Human-in-the-loop noktaları. Mevcut araçlarla (Cursor, Claude Code, Copilot) karşılaştırma.
7.9
◆ Pratik uygulamalarSDLC agent prototiplemeyeni
Basit bir requirements-to-test pipeline'ı: doğal dil spec → kod üret → test üret → çalıştır. Tek agent vs multi-agent yaklaşım karşılaştırması. Prototip üzerinden trade-off analizi.
Code review pipelinetakım
3 agent: Planner (PR analiz, strateji), Reviewer (dosya incele, sorun raporla), Summarizer (birleştir, nihai review). Supervisor orkestrasyonu.
Multi-source RAG sistemiikiliyeni
3 specialized retrieval agent (doküman DB, web search, SQL) + 1 synthesis agent. Paralel retrieve → birleştir → tutarlı yanıt üret.
Traced agent debate sistemiikiligüncellendi
Advocate + critic + judge ile teknik karar. Her agent'ın reasoning trace'i kaydedilir. Debate sonrası trace viewer ile "hangi argüman judge'ı ikna etti" analizi. End-to-end distributed trace.
Mini SDLC pipelineikiliyeni
2 agent'lık basit pipeline: Spec agent (doğal dil → structured requirements) + Coder agent (requirements → implementasyon + test). Handoff protokolü tasarla, kaliteyi ölç.
Minimum Viable Skill: multi-agent sistem tasarlayabilir (rol ayrıştırma, interface contract, iletişim topolojisi) · 3+ agent'lı çalışan sistem kurabilir · distributed trace ile multi-agent debug yapabilir · tek agent vs multi-agent kararını gerekçelendirebilir · basit SDLC agent prototipi kurabilir. — Kavramsal kazanım: Multi-agent sistemlerin hem gücünü hem maliyetini (complexity, failure modes, overhead) bilerek bilinçli mimari kararlar verebilir hale gelmiş olur.
◆ Micro dersler◆ Aşama çıktısı
8.1
Offline eval: golden dataset ve metriklergüncellendieval & obs
Deterministic eval (exact match, regex, JSON schema validation), LLM-as-judge (rubric tasarımı, judge prompt kalibrasyonu), assertion-based eval. Golden dataset curation: edge case seçimi, class balance, veri zehirlenmesi riski. Eval suite'i CI'da çalıştırma.
8.2
Online eval ve human-in-the-loopyenieval & obs
Production'da eval: kullanıcı feedback toplama, implicit signals (retry, abandon, thumbs down), sampling-based human review. Annotation workflow, inter-annotator agreement. A/B testing, shadow mode.
8.3
Production observability stackgüncellendieval & obs
Development tracing'den (5.10) production'a geçiş: structured logging, metrics (latency p50/p95/p99, token usage, error rate), distributed tracing (OpenTelemetry), dashboard tasarımı. Alerting ve alert fatigue, anomaly detection.
8.4
Guardrails ve safety katmanlarıgüncellendi
3.5'teki prompt injection farkındalığını production-grade katmanlı sisteme taşıma. Input guardrails, output guardrails (PII, toxicity, factual grounding), tool guardrails (tehlikeli operasyon onayı, rate limiting). Defence in depth.
8.5
AI governance ve enterprise riskyeni
Model kullanım politikaları, veri gizliliği ve compliance (KVKK/GDPR, PII, data residency). Audit trail ve accountability. Vendor risk, data retention, vendor lock-in. İç politika tasarımı: acceptable use policy, model onay süreci. Teknik guardrails + kurumsal governance = defence in depth.
8.6
Agent serving ve deployment mimarisiyeni
Agent'ı service olarak sunma: REST API, WebSocket (streaming), async queue. Serverless vs long-running trade-off'lar (cold start, timeout, stateful agent'lar). Horizontal scaling (session affinity, shared memory), rate limiting. Klasik web service deployment'tan farklar.
8.7
Cost optimization
Token bütçesi yönetimi, prompt caching (semantic cache), model routing (kolay görev → küçük model), batch processing. Cost-per-task analizi, real-time token bütçe dashboard'u.
8.8
Error handling ve degradation
API timeout, rate limit, model downtime senaryoları. Fallback model, cached response, human escalation. SLA tanımlama ve izleme.
8.9
◆ Pratik uygulamalarCI/CD for agentsgüncellendieval & obs
Prompt deployment pipeline: eval gate (her PR eval'den geçmeli), canary release, rollback mekanizması. Eval regression → otomatik blok. Prompt/config versiyonlama, infrastructure as code.
End-to-end eval pipelinebireyselgüncellendi
Önceki agent'lardan birini seç. 50+ test case golden dataset yaz. Offline eval (deterministic + LLM-as-judge) + online eval (shadow mode simülasyonu). Eval CI'da çalışsın, prompt değişikliğinde otomatik regresyon raporu.
Full-stack observabilityikiligüncellendi
Multi-agent sisteme production-grade observability ekle. Structured logging, OpenTelemetry tracing, Grafana dashboard (latency, token, error rate, cost). Alert kuralları, anomaly detection ile davranış kayması tespiti.
Production-ready agent (capstone)takım
Tüm aşamaların birleşimi: gerçek iş problemi çözen agent. Eval pipeline (offline + online), full observability, guardrails, cost ceiling, fallback, CI/CD with eval gate. Demo + post-mortem analiz.
Minimum Viable Skill: eval pipeline (offline + online) kurup CI'a entegre edebilir · production observability stack deploy edebilir · guardrails katmanı implement edebilir · governance checklist'i hazırlayabilir · agent'ı service olarak deploy edebilir · cost ceiling ve fallback kurabilir. — Kavramsal kazanım: SW engineering disiplini (CI/CD, monitoring, SLA) ile agentic sistemleri tam olarak buluşturmuş, production-grade agent operasyonu yapabilir hale gelmiş olur.
◆ Micro dersler◆ Aşama çıktısı
9.1
SDLC pipeline mimarisiyeni
Requirements agent → Design agent → Coder agent → Reviewer agent → Tester agent → Deployer agent. End-to-end orchestration stratejisi, agent sorumluluk sınırları, handoff protokolü tasarımı.
9.2
Requirements agentyeni
Doğal dil → structured spec. Belirsizlik tespiti ve soru sorma, acceptance criteria üretimi, edge case çıkarımı. Spec kalitesinin downstream etkisi.
9.3
Design agentyeni
Spec → teknik tasarım dokümanı. API contract üretimi, data model tasarımı, component breakdown. Mevcut codebase context'ini kullanarak uyumlu tasarım.
9.4
Coder agentyeni
Tasarım → implementasyon. Context-aware kod üretimi, mevcut codebase ile uyum, incremental generation. Büyük dosyalarda edit vs rewrite stratejisi. Code style consistency.
9.5
Reviewer + Tester agent pipelineyeni
Otomatik code review + test generation + test execution. Review agent'ın review standartlarını structured uygulaması. Tester agent'ın unit/integration test üretmesi. Feedback loop ile düzeltme döngüsü.
9.6
CI/CD entegrasyonu ve deployer agentyeni
Agent pipeline'ını CI/CD'ye bağlama. Automated PR oluşturma, merge gate konfigürasyonu, deployment validation. Git workflow entegrasyonu, branch stratejisi.
9.7
End-to-end pipeline orkestrasyonuyeni
Tüm agent'ların koordinasyonu: handoff protokolü, state management, failure recovery, re-planning. Pipeline konfigürasyonu ve customization. Human-in-the-loop gate'leri.
9.8
◆ Pratik uygulamalarPipeline observability ve evalyenieval & obs
SDLC pipeline'a özel metrikler: code quality skoru, test coverage, review accuracy, spec-to-code fidelity. Pipeline-level tracing ile bottleneck tespiti. Eval suite: pipeline output kalitesini sistematik ölçme.
Feature factorytakımyeni
Doğal dil feature request → PR-ready kod. End-to-end pipeline ile 5 farklı feature implement et. Her feature için spec → design → code → review → test → PR akışı. Üretilen kodu manual review ile karşılaştır.
Pipeline benchmarkikiliyeni
Aynı 10 feature'ı manual geliştirme vs SDLC pipeline ile geliştir. Kalite (bug sayısı, test coverage), hız, maliyet (token usage) karşılaştırması. Hangi feature türlerinde pipeline başarılı?
SDLC pipeline capstonetakımyeni
Gerçek repo üzerinde production-grade SDLC pipeline. Eval suite (code quality, test coverage, spec fidelity), full observability, guardrails (dangerous op blocking, cost ceiling), human-in-the-loop gates. Demo + ROI analiz.
Minimum Viable Skill: requirements → design → code → review → test → deploy SDLC pipeline'ını multi-agent olarak tasarlayıp uçtan uca çalıştırabilir · pipeline çıktı kalitesini eval ile ölçebilir · manual vs agent-assisted karşılaştırması yapabilir. — Kavramsal kazanım: Tüm müfredat boyunca edinilen becerileri tek bir gerçek dünya pipeline'ında sentezlemiş, agent-assisted development'ın güçlü ve zayıf yönlerini deneyimle anlamış olur.