Çoklu Ajan Çerçeveleriyle Yapay Zeka İş Akışları Oluşturmak

Yapay zeka ajanı oluşturmaya çalışan çoğu geliştirici, tek bir büyük dil modeli döngüsüyle başlar — bir sistem istemi ve belki bir veya iki araç — ve küçük görevler için bu yeterlidir.

Ancak bir kez yapı istediğinizde, sistem bozulmaya başlar. Çıktılar öngörülemez olur, iş akışlarını hata ayıklamak zorlaşır ve ilerleme yerine tekrar için token harcarsınız.

Çoklu ajan iş akışları, yapay zeka ajanları oluşturmanıza olanak tanır; böylece net rollere sahip bir ekip gibi davranır, kararların nasıl alındığını görebilir ve aynı hedefe birlikte çalışırlar.

Çoklu Aracılı Çerçeve Nedir?

Çoklu ajan çerçevesi, birden fazla yapay zeka ajanını koordineli şekilde oluşturmak, çalıştırmak ve yönetmek için kullandığınız altyapıdır.

Bu, ajanların nasıl iletişim kurduğunu ve görevlerin aralarında nasıl aktarıldığını yöneten altyapıdır.

Çoklu ajan sistemleri ile çalışıyorsanız, onları çalışır hale getiren şey çerçevedir.

Temelde, ham büyük dil modellerini (LLM) belirli rollere ve öngörülebilir çalışma şekillerine sahip ajanlara dönüştürür.

Orkestrasyon mantığını sıfırdan yazmak yerine, framework size yapı, kontrol ve tekrarlanabilirlik sağlar.

Çoklu Aracılı Çerçeveler: Temel Kavramlar

Çoklu Aracılı Çerçeveler Nasıl Çalışır?

Çoklu ajan çerçeveleri, ajanların nasıl tetiklendiğine, verileri nasıl aktardıklarına ve sistemin ilerlemeyi nasıl takip ettiğine yapı kazandırır.

Ajanları karmaşıklıkla ölçeklenebilecek ve gerçek dünya uygulamalarında kullanılabilecek şekilde koordine etmek için yapı taşları sağlarlar.

Bunun bir örneği, bir WhatsApp sohbet botunu çalıştırmak için çoklu ajan kurulumunun kullanılmasıdır. Bu durumda, farklı ajanlar rezervasyon, iade işlemleri veya doğrulama gibi görevleri üstlenebilir ve sahne arkasında birlikte çalışarak tek bir büyük bot yapısına ihtiyaç duymazlar.

Ajanlar, sistemde çağrılabilir bileşenler olarak kaydedilir

Bir ajanın herhangi bir işlem yapabilmesi için, sistemin onun varlığından haberdar olması gerekir. Bu da sisteme ajanın adını, sorumluluklarını ve erişebileceği araçları veya bilgileri bildirmek anlamına gelir.

Çoğu framework'te bu kurulum bir yapılandırma dosyası veya kod aracılığıyla yapılır; burada her ajanın rolünü ve nasıl etkinleştirileceğini tanımlarsınız. Örneğin, sisteme şunu söyleyebilirsiniz:

“Bu planlayıcıdır. Kullanıcı girdisini okur ve bir sonraki adımı belirler.”
“Bu doğrulayıcıdır. Kullanıcı bilgisini alır ve booking_id ile kullanıcı bilgisini döndürür.”

Kayıt olduktan sonra, framework bu ajanları isimleriyle 'çağırabilir', yani iş akışında sırası geldiğinde her birini nasıl çalıştıracağını bilir.

Yönlendirme ajanı, sıradaki hangi ajanın çalışacağına karar verir

Bir planlayıcı ajan veya kontrolcü işlevi, Yapay zekâ ajanı yönlendirmesini yönetir. Son bot çıktısına, mevcut sohbet geçmişine ve bazen de orijinal kullanıcı girdisine bakarak bir sonraki adımın ne olması gerektiğine karar verir.

Bazı planlayıcılar istem tabanlıdır — bir sistem mesajı alır ve çalıştırılacak bir sonraki ajanın adını çıktılar.

Bazıları, kullandığınız yapay zeka temsilci çerçevelerine bağlı olarak, sabit kodlu mantık veya akış diyagramları kullanır.

Çerçeve, bu çıktıyı alır ve bir sonraki ajana iletmek için kullanır. Görevi kimin yapacağına karar veren yönlendirici, işi kendisi yapmaz.

Veriler, temsilciler arasında mesajlar aracılığıyla iletilir

Ajanlar belleği doğrudan paylaşmaz. Bir ajan çalışmayı bitirdiğinde, çıktısı genellikle bir mesaj — çoğunlukla bir sözlük veya JSON nesnesi — olarak paketlenir ve bir sonraki ajana girdi olarak iletilir.

Çerçeve, aktarımı yönetir. Mesajı ya paylaşılan bir hafıza alanında saklar ya da sistemin yapısına bağlı olarak doğrudan bir sonraki ajanın giriş arayüzüne iletir.

Mesajlar genellikle sadece içerikten fazlasını içerir:

• Kim gönderdi (ajan mı kullanıcı mı)
• İş akışında nereden geldi
• Nasıl kullanılmalı (ör. tetikleyici, giriş, karar)
• Token sayısı veya zaman damgaları gibi isteğe bağlı metrikler

Bu bağlam, sistemin görevleri düzgün şekilde yönlendirmesine yardımcı olur ve ajanların birbirinden bağımsız kalmasını sağlar.

İş akışının durumu ve tetikleyicilerle yürütme izlenir

Çerçeve, şimdiye kadar neler olduğunu — hangi temsilcilerin çalıştığını, ne döndürdüklerini ve nelerin yapılması gerektiğini — takip eder. Bu bilgiler bir durum nesnesinde saklanır ve her adımda güncellenir.

Tetikleyiciler bir sonraki adımı belirler. Akışta dallanma yapmak için çıktı değerlerini veya koşulları kullanırlar.

Bu, sistemin her ajana ayrı ayrı mantık kodlamadan ilerlemesini sağlar. İş akışını yönlendiren ajanlar değil, durumun kendisidir.

Çoklu Aracılı Çerçeveler Kullanmanın Temel Faydaları

Tek bir ajana aşırı yük bindirmeden mantığı ölçeklendirin

Tek bir yapay zeka ajanı, çok fazla iş yüklenirse karmaşık istemler, araçlar ve belirsiz sorumluluklarla dolu bir yapıya dönüşebilir. Çoklu ajan çerçeveleri, bu mantığı her biri belirli bir görevi üstlenen odaklanmış ajanlara bölebilmenizi sağlar.

Tek bir ajanı çok fazla zorlamak yerine, belirli adımları — örneğin veri çekme, doğrulama veya yürütme — ayrı ajanlara atayabilir ve sistemi parça parça büyütebilirsiniz.

Tam görünürlük ile ajan iş birliğini hata ayıklama

AI ajanları birlikte çalıştığında, sorunları izlemek zor olabilir. Çerçeveler, her ajanın ne aldığını, ne döndürdüğünü ve nerede takıldığını gösterir.

Ne bozulduğunu tahmin etmek yerine, devretmeleri incelersiniz ve doğrudan düzeltirsiniz. Bu tür bir görünürlük, AI ajanlarının iş birliğini yönetilebilir kılar.

Ajanları iş akışları arasında tekrar kullanın

Bir ajan işe yarıyorsa, tekrar kullanın. Çerçeveler, aynı ajanı farklı akışlara yeniden yazmadan takmanıza olanak tanır. Bu, tutarlılığı korur ve testleri hızlandırır.

Örneğin, kullanıcı girişlerini doğrulayan veya kimlik doğrulama yapan bir doğrulama ajanı, aynı mantığın geçerli olduğu her yerde müşteri hizmetleri sohbet botlarında ve rezervasyon sohbet botlarında kullanılabilir.

Hataları ve yeniden denemeleri otomatik olarak yönetin

Bir ajan başarısız olduğunda, çerçeve tekrar deneyebilir, atlayabilir veya devam edebilir. Bu mantığı kendiniz yazmanıza gerek yok.

Yerleşik yedekleme, iş akışlarını ekstra çaba gerektirmeden daha güvenilir hale getirir ve bu tür bir güvenilirlik gerçek dünya sistemlerini mümkün kılar.

Kolayca değiştirilebilen ajan akışları oluşturun

Görevleri temsilciler arasında böldüğünüzde, her değişiklikte tüm sistemi baştan yapmak zorunda kalmazsınız.

Bir planlayıcıyı yürütme kısmına dokunmadan güncelleyebilir veya bir ajanın yanıt verme şeklini değiştirebilir, diğerlerini yeniden yazmak zorunda kalmazsınız.

Bu kolay erişim büyük fayda sağlar—Salesforce, ajanik yapay zeka kullanan ekiplerin haftada çalışan başına 11 saat tasarruf ettiğini bildiriyor; bunda iş akışlarının uyarlanabilirliği de etkili.

En İyi 5 Çoklu Aracılı Çerçeve

Çoklu ajan çerçevesi seçimi, ne inşa ettiğinize ve ajanların nasıl davranacağı, iletişim kuracağı ve hatalardan nasıl kurtulacağı üzerinde ne kadar kontrol istediğinize bağlıdır.

En iyi frameworkler farklı avantajlar sunar — bazıları yapılandırılmış iş akışları için harikadır, bazıları ise daha fazla esneklik sağlar ancak bu netlikten ödün verebilir.

Ekibinizin ihtiyaçlarına ve sistemi ne kadar ileri götürmeyi planladığınıza uygun bir şey seçmek isteyeceksiniz.

1. Botpress

Botpress, adımlar, roller ve kanallar arasında koordinasyon sağlayabilen yapay zeka ajanları oluşturmak için görsel bir geliştirme platformudur.

Mantığı kodda yazmak yerine, ajanların nasıl davranacağını akışlar, hafıza, koşullar ve araç çağrılarıyla tanımlarsınız.

Çoklu ajan davranışı, talimatlar, iş akışları ve harici araçlar etrafında şekillenir. Botpress akışındaki her düğüm, kendi talimatları ve kapsamı olan odaklanmış bir birim olarak hareket eder.

Muhakemeyi birden fazla Otonom ve Statik Düğüm arasında bölebilir, doğrulama katmanları ekleyebilir veya her şeyi tek bir adımda işlemek yerine kullanıcı girdisini araç tabanlı karar mantığıyla yönlendirebilirsiniz.

Bellek her akışa özel olarak tanımlanır, böylece ajanlar yalnızca ihtiyaç duyduklarını kullanır. Girdiler ve çıktılar net şekilde tanımlanır ve araç çağrıları yerleşik entegrasyonlar ile doğrudan eklenebilir.

Temel Özellikler

• Akışlar ve düğümlerle görsel ajan orkestrasyonu
• Düğümler arasında kapsamlı bellek alanı ve değişkenlerin kontrolü
• Çoklu dönüş hafızası, yedekleme mantığı ve yeniden denemeler
• API çağrıları, webhooklar ve fonksiyon girdisiyle araç kullanımı

2. LangChain

LangChain, istem zincirleri, araçlar ve hafızayı birleştirerek LLM tabanlı uygulamalar geliştirmek için geliştirici odaklı bir framework'tür.

Başlangıçta, LLM çağrılarını arama ve hesap makinesi gibi araçlarla yapılandırmanın bir yoluydu, ancak zamanla geniş bir ekosisteme dönüştü.

Bir sürümde önce “ajanlar”, sonra “asistanlar”, ardından “çalıştırılabilirler” önceliklendirildi. Sonuçta neredeyse her şeyi yapabilen güçlü bir araç seti ortaya çıktı, ancak gezinmek bazen zaman alabiliyor.

Araç setleri atayabilir ve ajanlar arasında yönlendirme mantığı oluşturabilirsiniz. En güçlü yanı modülerliktir — bileşenler tekrar kullanılabilir, karıştırılıp eşleştirilebilir ve harici API'lerle iyi entegre olur.

Ancak beklediğinizden daha fazla birleştirici kod yazmanız gerekecek. Soyutlamalar hızla değiştiği için kullandığınız yöntemin hâlâ tercih edilen yöntem olup olmadığını kontrol etmekte fayda var.

Temel Özellikler

• İstemlerin, araçların ve hafızanın modüler zincirleme kullanımı
• LLM'ler, vektör depoları ve API'lerle entegre olur
• LangSmith ile isteğe bağlı izleme ve değerlendirme

3. CrewAI

CrewAI, her ajanın belirli bir rol ve göreve sahip olduğu çoklu ajan iş akışları oluşturmayı kolaylaştırır. Bir ekip oluşturur, hedefler atar ve ajanlar ortak bir yönetici aracılığıyla koordinasyon sağlar.

Ajan işbirliğini sıfırdan orkestrasyon mantığı yazmadan modellemenin en hızlı yollarından biridir.

Planlayıcı-yürütücü ikilileri, araştırma-inceleme akışları veya görevlerin net şekilde bölündüğü ekip tabanlı işler için idealdir.

Ancak karmaşıklık eklemeye başladığınızda, soyutlama sıkılaşır. Ajanların nasıl ve ne zaman çalışacağı konusunda daha az esneklik olur ve davranışı değiştirmek genellikle çerçevenin varsayılanlarının dışına çıkmayı gerektirir.

Temel Özellikler

• İsim, hedef ve hafıza ile role dayalı ajan kurulumu
• Sıralı ve paralel ajan yürütme desteği
• Ajan iş birliği için paylaşılan ekip hafızası
• Araçlar, fonksiyonlar ve özel komutlarla kolay entegrasyon

4. AutoGPT

AutoGPT, bir GPT sohbet botuna bir hedef verip çalışmasına izin verdiğinizde — planlama, düşünme, araştırma ve sürekli insan girdisi olmadan yürütme — nasıl göründüğünü ilk gösteren projeydi.

Hedefi siz belirlersiniz, AutoGPT ise akıl yürütme adımlarını tekrarlar, alt hedefler oluşturur, araçları çağırır ve stratejisini yol boyunca ayarlar.

Ajan davranışını özerk ve dinamik hissettirmek için büyük bir adımdı. Ancak hassasiyet için tasarlanmadı.

Görev döngüsü kırılgandır ve ajanlar genellikle aynı planı tekrar tekrar yazmakta veya alakasız alt görevlere takılıp kalmaktadır.

Bellek, araçlar ve API'leri entegre edebilirsiniz — ancak her şeyi bir araya getirmek genellikle tahmin edilemeyen ve yönetilmesi zor akışlara yol açar.

Temel Özellikler

• Kendi kendine yönlendirme ve görev planlaması yapan hedef odaklı ajan
• Otomatik alt görev oluşturma ve yürütme döngüsü
• Eklentiler ve API çağrılarıyla araç kullanımını destekler
• Özel betikler, fonksiyonlar ve entegrasyonlarla genişletilebilir

5. Autogen

Autogen, Microsoft tarafından geliştirilen açık kaynaklı bir çerçevedir ve çoklu temsilci sohbetlerine odaklanır; burada temsilciler yapılandırılmış, sıralı mesajlarla etkileşir.

Her etkileşimi kontrol etmek istediğinizde, örneğin planlama – yürütme döngülerinde veya insan-döngüde sistemlerde özellikle iyidir.

Autogen şeffaflık konusunda öne çıkar. Konuşmanın ortasında fonksiyon ekleyebilir, kararları özel mantıkla yönlendirebilir ve her ajanın ne söylediğini ve neden söylediğini tam olarak izleyebilirsiniz.

Ancak bunu ölçeklendirmek emek ister. Mesaj orkestrasyonu esnektir, ancak soyut değildir — geçmişleri, ajan yapılandırmalarını ve adım mantığını hâlâ kendiniz yönetirsiniz.

Araştırma kurulumları, kontrollü testler veya tekrarlanabilir ajan davranışı için, mevcut en hassas çerçevelerden biridir.

Temel Özellikler

• Sıra tabanlı çoklu ajan iletişim çerçevesi
• İnsan müdahalesiyle çalışan ve fonksiyon çağrısı yapabilen ajanları destekler.
• Şeffaf mesaj izleme ve özel mantık ekleme

Bir Çoklu Aracılı Çerçeve ile Nasıl Geliştirilir?

Başlamak için en kolay yol, zaten tek bir ajan için fazla karmaşık olan gerçek bir iş akışını seçip bunu birkaç basit parçaya ayırmaktır.

Bir potansiyel müşteri oluşturma sohbet botu, rezervasyon akışı veya mantık, doğrulama ve eylemlerin iç içe geçtiği herhangi bir süreç düşünün.

Her adımı kendi ajanına verin, ardından framework'ün yönlendirme ve mesaj araçlarıyla bunları birbirine bağlayın.

Adım 1: Tek ajanlı mantığınızın nerede yetersiz kaldığını belirleyin

Botunuzda veya sisteminizde, uzun istemler veya birbirine eklenmiş araç çağrıları gibi karmaşıklaşmaya başlayan bir yer arayın. İşte kolayca fark edilebilecek bazı yaygın örnekler:

1. Kullanıcı girdisini analiz eden, uygunluğu kontrol eden, iade işlemini gerçekleştiren ve onay gönderen, tüm bu adımları tek bir döngüde gerçekleştiren bir iade akışı
2. Veri toplayan, formları doğrulayan, kullanıcı türlerini atayan ve tek bir istem zincirinde e-posta tetikleyen bir başlangıç dizisi

Tüm sistemi yeniden tasarlamak yerine, zaten sorun çıkaran iş akışını izole ediyorsunuz.

Adım 2: Çerçeveye başlamadan önce rolleri tanımlayın

Karmaşık mantığı bulduğunuzda, onu gerçek sorumluluklara ayırın.

Bir şey girdi doğruluyorsa, bu bir ajandır. Bir şey harici bir işlemi yönetiyorsa, bu da başka bir ajandır.

Açık ve sade bir dille yazın — sadece devir noktalarını ortaya çıkarmak için yeterli olsun.

Her şey önünüzde olduğunda, neyin ayrılması gerektiğini ve neyin birleştirilebileceğini göreceksiniz. Ayrıca, ne tür bir çerçeveye ihtiyacınız olduğunu da daha iyi anlarsınız.

Her rol, kendi başına test edilebilecek şekilde olmalıdır.

Adım 3: Çerçeveyi seçin

Çalışma tarzınıza uygun bir platform seçin.

• Görsel: Düğüm tabanlı akışlar ve kapsamlı bellek istiyorsanız Botpress.
• Kod odaklı: Python'da mantık kurmaya alışkınsanız LangChain veya CrewAI.

Çerçeve, ajanların nasıl kaydedileceğine, tetikleneceğine ve birbirine bağlanacağına karar verir.

Adım 4: İlk iş akışını oluşturun

Şimdi bu rolleri ajanlara dönüştürün. Onları çerçevenizin içine tanımlayın — her birine bir isim, görevi ve ihtiyaç duyduğu araç veya API erişimini verin.

Yerleştirdikten sonra, onları birbirine bağlayın. Bir ajanı diğerine geçirmek için çerçevenin sunduğu yönlendirmeyi kullanın.

Buradaki amaç, baştan sona çalışan eksiksiz bir iş akışını, kendi alanında kalan ajanlarla birlikte elde etmektir.

Adım 5: Sistemi çalıştırın ve tüm devretmeleri inceleyin

Tüm iş akışını baştan sona tetikleyin ve neler olduğunu izleyin. Her ajanın ne aldığını, ne döndürdüğünü ve akışın aralarında sorunsuz ilerleyip ilerlemediğini gözlemlemelisiniz.

Bir ajan beklenmedik bir giriş alıyorsa, muhtemelen kapsamı yanlış belirlediniz. Mantık beklenmedik şekilde atlıyorsa, yönlendirme akışınızı düzeltmeniz gerekir.

Aktarımlar düzgün olduğunda, çalışan bir sisteminiz olur.

Çoklu Aracılı Çerçeveleri Kullanırken En İyi Uygulamalar

Bir çerçeve seçmek sadece başlangıçtır. Asıl önemli olan, onunla oluşturduğunuz iş akışlarını nasıl tasarladığınız, test ettiğiniz ve yönettiğinizdir.

Yapay zeka sistemleri daha modüler ve otonom hale geldikçe, izlenebilirlik zorlaşıyor.

Temel mantığı merkezi tutun

Kritik kararları birden fazla ajana yaymaktan kaçının. Temel mantığın tek bir yerde olması, gevşek bağlı parçalara bölünmesinden daha kolay test edilir ve yönetilir.

Ajan giriş ve çıkışlarını baştan tanımlayın

Her ajanın net bir sözleşmesi olmalı — ne alır, ne döndürür. Bu, ajanların akış mantığını bozmadan kolayca değiştirilebilmesini veya yeni iş akışlarına eklenebilmesini sağlar.

Ajanlar arasında iletilen her mesajı kaydedin

Ajanların birbirine ne söylediğini göremiyorsanız, hiçbir şeyi hata ayıklayamazsınız. Her giriş ve çıkışın, akışta geriye dönük izlenebilecek kadar bağlamla kaydedildiğinden emin olun.

Gürültüyü ve maliyetleri azaltmak için scoped memory (sınırlı bellek) kullanın

Her ajana yalnızca ihtiyacı olan bağlamı verin. Tam bellek erişimi, şişkin istemlere, daha fazla token kullanımına ve odaklanması gereken ajanlarda öngörülemeyen davranışlara yol açar.

Koordine Olabilen Yapay Zeka Geliştirmeye Başlayın

Çoğu sistem, gerçek koordinasyon gerektiğinde çöker. Botpress, ajanların görev devrini nasıl yaptığı üzerinde size kontrol sağlar — tanımlı roller ve mantık ile test edebilir ve anlayabilirsiniz.

Ayrıca verileri akışlar arasında sorunsuzca aktarmanıza olanak tanır. Hangi aracın çağrıldığını, neden çalıştığını ve iş akışında nasıl kullanıldığını gösteren çok adımlı günlüklerle her adımı izleyebilirsiniz.

Komut ayarı ve halüsinasyon kontrolü yerine, gerçek işlevselliğe odaklanırsınız — yazılım gibi davranan ajanlar oluşturursunuz.

Hemen oluşturmaya başlayın — ücretsizdir.

Sıkça Sorulan Sorular

Yapay zeka projemin gerçekten çoklu ajan çerçevesine ihtiyacı olup olmadığını veya tek bir ajanın yeterli olup olmadığını nasıl anlarım?

Eğer tek bir ajanın istemleri veya iş akışları çok uzadıysa ya da hata ayıklaması zorlaştıysa, özellikle birden fazla farklı görevi yönetirken, muhtemelen çoklu ajan çerçevesine ihtiyacınız vardır; oysa basit Soru-Cevap veya tek amaçlı botlar gibi daha basit kullanım durumlarında tek bir ajan yeterli olabilir.

Çoklu ajanlı bir çerçeveyle geliştirme yapmak sadece büyük kurumsal projeler için mi, yoksa küçük girişimler için de uygun mu?

Çoklu ajan çerçevesiyle geliştirme sadece büyük işletmeler için değildir — küçük girişimler de fayda görebilir, çünkü karmaşık görevler tek bir büyük ve yönetilmesi zor döngüye yığmak yerine uzmanlaşmış ajanlara bölündüğünde hata ayıklama çok daha kolay olur.

Çoklu ajan sistemi kullanmak, her şeyi ayrı ajanlara bölmek zorunda olduğum anlamına mı geliyor, yoksa tekli ve çoklu ajan mantığını karıştırabilir miyim?

Çoklu ajan sistemi kullanmak, her şeyi ayrı ajanlara bölmeniz gerektiği anlamına gelmez; basit görevler için tek ajan mantığını kullanabilir, karmaşık iş akışları için çoklu ajan orkestrasyonunu ayırabilirsiniz.

Çoklu ajan sistemi, uygulamanızda birden fazla API veya mikroservis kullanmaktan nasıl farklıdır?

Çoklu ajan sistemi, birden fazla API veya mikro hizmet kullanmaktan farklıdır; çünkü burada, farklı rollere ve muhakeme yeteneklerine sahip özel yapay zeka ajanları, yapılandırılmış mesajlar ve durum bilgisi aktararak koordineli şekilde çalışır. API'ler ve mikro hizmetler ise yalnızca belirli işlevleri yerine getirir ve karmaşık iş akışlarını bağımsız olarak düzenlemez.

Çoklu temsilci sistemlerini çalıştırmanın maliyeti, tek bir büyük LLM çalıştırmanın maliyetiyle nasıl karşılaştırılır?

Çoklu ajan sistemlerini çalıştırmanın maliyeti, tek bir büyük LLM çalıştırmaktan daha düşük olabilir çünkü daha küçük, uzmanlaşmış ajanlar belirli görevleri verimli şekilde yerine getirir ve uzun istemler veya tekrar eden bağlamlar için gereksiz token harcamaz; ancak bu, orkestrasyon ve ajanlar arası iletişim yönetimi için ek yük getirir, bu nedenle tasarruflar kullanım senaryonuzun karmaşıklığına bağlıdır.