En İyi 5 Açık Kaynak Ajan Yapay Zeka Çerçevesi
2.000 çalışmada (her çerçeve için 5 görev, görev başına 100 çalışmada) 4 popüler açık kaynaklı ajan çerçevesini uçtan uca gecikme, token tüketimi ve mimari farklılıkları ölçerek kıyasladık.
Ajan Yapay Zeka çerçeveleri kıyaslaması
Çerçevelerin kendilerinin ajan davranışını ve bunun gecikme ile token tüketimi üzerindeki sonuç etkisini inceledik.
LangGraph, tüm görevlerde en düşük gecikme değerleriyle en hızlı çerçeve iken, LangChain en yüksek gecikme ve token kullanımına sahiptir.
5 görev ve 2.000 çalışma boyunca, LangChain en token-verimli çerçeve olarak öne çıkarken, AutoGen gecikme konusunda liderdir; LangGraph ve LangChain onu yakından takip eder. CrewAI ise en ağır genel profili çizer.
Metodolojimizi detaylı olarak burada görebilirsiniz.
Görev 1: Temel birleştirme
Öncelikle, herhangi bir karmaşık akıl yürütme yapmadan tek bir aracı çağırıp sonucu döndürürken her çerçevenin yükünü ölçtük.
LangChain & LangGraph: Basit görevler için, 5 saniyenin altında tamamlanıp 900'den az prompt token'ı kullanarak, ajan olmayan kodla neredeyse aynı hızda performans gösterirler. LangGraph'ın durum makinesi mimarisi, bu basitlik seviyesinde LangChain ile karşılaştırıldığında fark edilir bir gecikme oluşturmaz; durum yönetimi yükü, görev karmaşıklığı arttıkça ortaya çıkar.
AutoGen: Hem gecikme hem de token kullanımında LangChain ve LangGraph'ın biraz üzerinde yer alır; bu, tek adımlı bir görev için bile iki ajanın mesaj alışverişi yaptığı çoklu-ajan konuşma döngüsünün temel maliyetini yansıtır.
CrewAI: Tek bir araç çağrısı yapması istendiğinde bile, LangChain'in neredeyse 3 katı token tüketen ve neredeyse 3 katı uzun süren, "yönetimsel yük" olarak adlandırılabilecek bir davranış sergiler. Planlayıcı ve Analist kişilikleri arasındaki çok adımlı doğrulama süreci, hızdan ziyade bütünlüğü önceliklendiren kapsamlı ancak kaynak yoğun bir yaklaşım sunar. Bu maliyet yapısaldır: görev karmaşıklığından bağımsız olarak ortaya çıkar.
Görev 2: Karşılaştırmalı gelir analizi (durum yönetimi)
Görev 2'de, çerçevelerin iki farklı filtre grubunu bellekte tutma (Durum Kalıcılığı) ve bunları birleştirme yeteneklerini görmek istedik.
CrewAI
Günlük analizimizde, CrewAI'nin çerçeveler arasında en yüksek altyapı şeffaflığını sağladığını, ancak en yüksek kaynak tüketimi pahasına olduğunu bulduk.
Alınan veriyi hemen döndürmek yerine, CrewAI kendi süreçlerini bir öz-değerlendirme mekanizması aracılığıyla tekrar tekrar doğrular. Bu keşifsel davranış, yapılandırılmış max_iter=10 sınırına ulaşmasına neden oldu ve bazı çalışmaları bir JSON çıktısı üretmeden sürekli düşünme döngüsünde sıkışıp kaldı.
Bu davranışın temel nedeni, CrewAI'nin sistem prompt'una çok katmanlı talimatlar enjekte etmesi, her ajana bir rol, hedef ve geçmiş ataması ve her adımda ReAct tarzı Düşünce → Eylem → Gözlem döngüsünü zorlamasıdır. Basit görevler için bile, LLM bu töreni atlayamaz ve sadakatle ayrıntılı iç monologlar üretir; bu da çoklu-ajan senaryolarında daha da artar.
CrewAI, diğer çerçevelerin neredeyse iki katı token tüketti ve LangChain'den üç katı uzun sürdü; bu da onu doğrudan veri alma görevlerinden ziyade karmaşık durum geçişleri ve çok faktörlü karar alma için daha uygun hale getirir.
LangChain
En hızlı ve en maliyet-etkin çerçeve. Günlüklerimizde, LangChain'in görevi hiçbir sapma olmadan 5-6 adımda tamamladığını gözlemledik: Yükle → Filtrele → Hesapla → Filtrele → Hesapla → Çıktı. Durum yönetimi çok basit olduğu için yük neredeyse sıfırdır ve gecikme tüm çerçeveler arasında en düşüktür.
AutoGen
Çok dengeli bir performans sergiledi. Görev 2'de, hem token kullanımı hem de gecikme açısından LangGraph ile neredeyse tam olarak eşleşti; bu da görev zinciri doğrusal kaldığında konuşma döngüsünün yükünün önemli ölçüde artmadığını gösterdi.
Yine de, araç çağırma süreci sırasında parametreleri doğrulamak için ara sıra ek bir doğrulama adımı ekler, bu da onu LangChain'den biraz daha yavaş yapar. Bir araç çağrısında bir hatayla karşılaştığında veya veri beklenildiği gibi dönmüyorsa, bir sonraki adımda hemen akıl yürütmesini günceller ve doğru JSON'a ulaşır. Araç çıktılarını bir konuşma akışı olarak yönettiği için, mantıksal hatalara karşı en dayanıklı çerçevelerden biridir.
LangGraph
Bu görevde, LangGraph grafik tabanlı mimarisi sayesinde en kararlı çerçevedir. Günlüklerinde, durumun çalışma boyunca çok temiz bir şekilde taşındığını gözlemledik. Veri kirlenmesi veya segmentlerin birbirini etkileme riski bu çerçevede en düşük seviyededir. 100 çalışmanın tamamında, neredeyse aynı sayıda adımda ve aynı gecikme aralığında sonuçlar üretti.
Görev 3: Eşik ayrıştırma (sayısal disiplin)
Bu görevde, çerçevelerin "1 yıldan az kıdem" ve "aylık ücret 70 dolardan fazla" gibi doğal dil sayısal koşullarını, tenure_max=12 ve charges_min=70.0 gibi kesin araç parametrelerine ne kadar doğru çevirdiğini görmek istedik.
LLM bu dönüşümü nasıl yapacağını biliyor; gerçekten test etmek istediğimiz şey, çerçevenin bu parametreleri kendi tekrar deneme mekanizmaları, yeniden prompt bağlamı ve durum yönetimi döngüleri boyunca koruyup koruyamayacağıydı.
LangChain & LangGraph
Her iki çerçeve de parametreleri (tenure_max=12, charges_min=70), LLM tarafından üretildikleri gibi, herhangi bir değişiklik veya yeniden prompt döngüsü olmadan doğrudan araca iletti. Bu verimlilik sayılarda kendini gösterir: her iki çerçeve de Görev 3'ü 9 saniyenin altında ve 1.800'den az prompt token'ı ile tamamladı, bu da bu görevde en düşük değerdir.
Sayısal eşiklerin çerçeve müdahalesi olmadan korunup korunmadığını ölçmek istediğimizde, bu ikisi beklentilerimizi karşıladı: üretilen parametre neyse, o çalıştırıldı.
AutoGen
AutoGen, sayısal doğruluk konusunda tamamen başarılıdır. Bazı çalışmalarda, çerçevenin LLM tarafından üretilen parametreyi araca iletmeden önce bir doğrulama adımı eklediği gözlemlendi, yani çerçeve parametreyi korurken ekstra bir adım harcadı. 2.480 token ve 8 saniyede, ekstra adıma rağmen LangChain'in gecikmesiyle eşleşti; bu da doğrulama yükünün gerçek ancak küçük olduğunu doğruladı. Parametre bütünlüğü açısından beklentilerimizi karşıladı, onaylama adımı anlamlı bir gecikme cezasından ziyade marjinal bir token maliyeti getirdi.
CrewAI
En dikkat çekici davranış, Görev 3'ü 30 saniyede ve 4.360 token ile tamamlayan CrewAI'de gözlemlendi; bu bu görevde en yüksek değerdir. Günlük analizinden iki farklı başarısızlık deseni ortaya çıktı.
Bazı çalışmalarda, 68.81% olması gereken bir değer 0.6878 (ondalık oran) olarak döndürüldü. Bu, çerçevenin çıktı serileştirmesinin LLM'nin çıktısını orijinal bağlamından soyabileceğini gösterir.
Günlükler, LLM'nin başlangıçta doğru parametreleri, tenure_max=12 ve charges_min=70 ürettiğini gösteriyor. Ancak CrewAI bir "Ayrıştırma başarısız" döngüsüne girdiğinde, çerçeve LLM'yi yeniden düşünmeye zorladı. Yeniden prompt bağlamında, LLM eşiği tenure_max=14'e kaydırdı ve charges_min filtresini tamamen devre dışı bıraktı, bu da aslında kıdemi 14'ten az olan tüm müşterilerin %46.84'lük ayrılma oranını üretti. Bu, gözlemlemek istediğimiz senaryoydu: çerçevenin tekrar deneme mekanizması, LLM'nin doğru aldığı bir parametreyi bozabilir.
Görev 4: Hata dayanıklılığı ve pivot kapasitesi
Bu görevde, her çerçevenin bozucu senaryolarla nasıl başa çıktığını ve bunun gecikme ve token tüketimi üzerindeki etkisini gözlemlemek istedik. Araç, ajanı köşeye sıkıştıran ardışık olarak 3 farklı hata türü (Ağ, Zaman Aşımı, Hız Limiti) fırlatır. İlk iki hata ajana tekrar denemesini söyler ve her ikisini de tekrar denedikten sonra gelen Hız Limiti hatası ajana 10 saniye beklemesini söyler. Ajan bekleyip tekrar denediğinde, araç normal şekilde çalışmaya başlar.
LangGraph & Autogen
Bu iki çerçeve, bu görevde araç arızalarıyla karşılaştığında alternatif çözümleri özerk olarak buldu.
Araç bir hız limiti uyarısı döndürdüğünde, durup beklemek yerine bu ajanlar başarısız olan aracı tamamen terk etmeye ve alternatif bir yol bulmaya karar verdi. Yaklaşımları şuydu: "Bu araç çalışmıyor, her ödeme yöntemini tek tek filtreleyeceğim, her biri için ayrılma oranını ayrı ayrı hesaplayacağım ve ardından sonuçları kendim birleştireceğim."
Yöntem: Görevi tek bir araç çağrısıyla tamamlamak yerine, filtreleme için bir tane ve hesaplama için bir tane olmak üzere iki ayrı araç kullanarak her PaymentMethod'ı (Elektronik çek, Posta çek vb.) ayrı ayrı işlediler.
Bu ajanlar, yol bağımlılığından ziyade hedef odaklı akıl yürütme ile çalışır. En kısa yol mevcut değilse, saniyeler içinde alternatif bir yürütme planı oluşturabilirler.
LangGraph, Görev 4'te 15.010 prompt token'a ulaştı; bu, tüm kıyaslama boyunca en yüksek tek-görev token sayısıdır çünkü durum makinesi, her adımda her manuel araç çağrısının artan geçmişini bağlama geri biriktirdi. AutoGen, ara sonuçların konuşma yoluyla yönetilmesi nedeniyle biraz daha sınırlı kalarak 10.750 token ile takip etti. Buna rağmen, ikisi de yaklaşık 24-27 saniyede tamamlandı; bu da ek token maliyetinin, pivotun kendisi hızlı olduğu için anlamlı bir gecikmeye dönüşmediğini doğruladı.
CrewAI
Önceki görevlerde en yüksek token tüketimini göstermesine rağmen, CrewAI bu görevde en düşük token kullanımını (ancak en yüksek gecikme değerlerini) sergiledi.
En düşük token neden?
CrewAI, rakipleri gibi 10-15 adımlı manuel bir geçici çözüm sürecinden geçmedi. Hatalarla karşılaştığında, her adımda tüm geçmişi ve karmaşık ara verileri tekrar tekrar LLM'ye pompalamak yerine, daha odaklı, modüler bir akıl yürütme döngüsü oluşturdu. Gereksiz ayrıntılardan kaçınarak, bu görevde en maliyet-etkin çerçeve haline geldi.
Yüksek gecikme neden?
CrewAI'nin yönetimsel yapısı, bir hatayla karşılaştığında planı durdurur ve yeniden değerlendirir. 10 saniyelik bekleme uyarısını aldığında, "strateji planlama" aşamasında daha fazla zaman harcadı. Ayrıca, filtreleme için başka bir araca pivot yapmak yerine, ana aracın toparlanmasını beklemeyi veya kararlı araçla deneme yapmayı ısrarla seçti; bu da toplam süreyi uzattı.
LangChain
LangChain, bu görevde en önemli dönüşümünü yaşadı ve dayanıklılığın doğru yapılandırılmaya bağlı olduğunu kanıtladı.
İlk çalışmamızda, LangChain her denemede ConnectionError ile çöktü.
LangChain'in varsayılan AgentExecutor'ı, bir araçtan fırlatılan ham Python istisnalarını ölümcül hatalar olarak ele alır ve işlemi sonlandırır. Rakiplerinin aksine, varsayılan olarak "hatalar gözlemlerdir" felsefesini uygulamaz. Ajan hatayı hiç görmediği için, onun hakkında akıl yürütme şansı yoktur.
Araç çağrısını langchain_agent.py içinde bir try-except bloğu ile sarmaladık. Bu, hatayı ajanın işleyebileceği okunabilir bir mesajına dönüştürdü.
Düzeltme sonrası davranış: Düzeltmeyi uyguladıktan sonra, LangChain'in günlüklerinde LangGraph ile tam olarak aynı akıl yürütme sergilediğini gözlemledik. Aracıdan 3 hata aldı, hemen strateji değiştirdi ve filtreleme için bir tane ve hesaplama için bir tane olmak üzere iki ayrı araca pivot yaptı, her ödeme yöntemini ayrı ayrı işledi ve sonuçları birleştirdi.
LangChain aslında LangGraph kadar yetenekli ve uyarlanabilir, ancak çerçevenin hata yönetimi varsayılan olarak kapalı olduğu için bu yeteneği gösterme fırsatı bulamadı. Doğru yapılandırıldığında, aynı alternatif yol yaklaşımını kullanarak doğru sonuca ulaştı.
Bu farklılıklar neden oluştu? (çerçeve mimarisi analizi)
Eğer ajan davranışı sadece LLM'ye (GPT-5.2) bağlı olsaydı, tüm çerçeveler benzer davranırdı. Ancak, bu oranlardaki net farklılıklar, çerçevelerin kendi iç döngü mekanizmalarında kök salmıştır:
1. LangGraph & AutoGen (%90 Pivot):
LangGraph, Durum Makinesi mimarisi üzerinde çalışırken, AutoGen Konuşma tabanlı bir model üzerinde çalışır. Her iki sistemde de hatalar bir geri bildirim döngüsü olarak işlenir. LangGraph'da hatayı alan durum bir sonraki düğüme geçer; AutoGen'de Proxy ajan hatayı asistana bir sohbet mesajı olarak iletir. Bu sürekli dürtme mekanizması, ajanın çözüm aramaya devam etmesini zorlar. Ajan tekrar tekrar "Hata aldım, ne yapmalıyım?" sorusuyla karşı karşıya kaldığı için, alternatif bir manuel yol alma olasılığı %90'a çıkar.
2. LangChain (%65 Pivot / %35 Bekle):
LangChain, ardışık bir AgentExecutor mimarisi üzerinde çalışır. Hata yönetimi mevcut olsa bile, yürütme döngüsü daha doğrusal bir yapıya sahiptir ve öncelikle Bir Son Cevap üretmeye odaklanır. Araç 3-4 adım boyunca hata fırlatırsa, LangChain bazen alternatif bir stratejiye pivot yapmak yerine, aracın bir sonraki denemede başarılı olmasını beklemeyi veya mevcut bağlamdan bir sonuç üretmeyi tercih eder. LangChain'in durum kilitlemesi LangGraph'inkinden daha esnek olduğu için, bekleme/direkt-çözüm oranı %35 civarındadır.
3. CrewAI (%0 Pivot):
CrewAI, Yönetimsel Süreç mimarisi üzerinde çalışır. Ajanları Rol ve Görev tanımlarıyla sarılmıştır. Hatalar oluştuğunda, iç mimarisi genellikle Öz-Düzeltme veya Tekrar Deneme mantığını tetikler. Ancak, "tüm planı çöpe atalım ve 5 adımda manuel filtreleme yapalım" gibi radikal bir strateji değişikliği, CrewAI'nin yönetimsel plan yapısıyla çelişir. Planını tamamen terk etmek yerine, "Bana verilen aracı düzeltmeliyim veya en yakın alternatifi kullanmalıyım" disipliniyle çalışır. Bu, temelde hedef odaklı bir yaklaşıma kıyasla plan odaklı bir yaklaşımdır.
Görev 5: Yapısal olmayan veri orkestrasyonu (yapısal olmayan veri yönlendirme)
Görev 5'te, çerçevelerin bir CSV içinde JSON ve uzun metin (LongText) sütunlarıyla karşılaştıklarında nasıl davrandıklarını gözlemledik. Ajanların önce bu sütunların veri tipini keşfetmesi, ardından doğru işleme araçlarını ardışık veya paralel olarak seçmesi gerekiyordu.
Gerçek dünyada, yapısal olmayan veri yönetimi, bir ajanın standart tablo verilerinin ötesine geçip JSON blokları, serbest-metin paragrafları veya iç içe nesnelerle çalışmasını gerektirir.
Bir çerçevenin bu tür verileri doğru şekilde işlemesi için iki şeyi iyi yapması gerekir:
1- hangi aracın hangi veri tipine uyduğunu anlayan bir keşif zekası
2- birden fazla bağımsız araç çağrısını koordine eden bir orkestrasyon mekanizması.
Görev 5'i, bu iki yeteneği ayrı ayrı ölçmek için özellikle tasarladık.
AutoGen
AutoGen, bu görevde güçlü bir performans sergiledi, 8.170 prompt token ve 47 saniye medyan gecikme ile tamamlandı; bu, Görev 5'teki en hızlı ve en token-verimli sonuçtur.
Mimarisi çekirdeğindeki konuşma döngüsü, AsistanAjan ve KullanıcıProxyAjan arasındaki mesajlaşma, genellikle ayrıntılılığa yol açan bir yapı olarak görülür. Ancak, Görev 5'te bu yapı bir avantaja dönüştü.
Konuşma geçmişine bakarak, LLM, Metadata ve SupportNotes sütunlarının birbirinden bağımsız olduğunu fark etti. Ardından, 4 aracı aynı anda listeleyen TEK BİR ARAÇ ÇAĞRILARI yanıtı gönderdi: inspect_column(Metadata), inspect_column(SupportNotes), parse_json_column(…) ve summarize_text_column(…) hepsi paralel çalıştı. Bu, görevi 3 LLM turunda, en az token ve en az adımla tamamlamasını sağladı.
Bu davranışın arkasındaki teknik neden nettir: AutoGen'ın araç yürütme motoru, LLM tarafından döndürülen tool_calls listesini atomik olarak çalıştırır ve sonuçları tek bir konuşma adımında toplar. Çerçevenin "konuşmayı yönet" felsefesi, doğal olarak aynı anda birden fazla paralel kanal açılmasına izin verir ve token ile gecikme sayıları bunu doğrudan doğrular.
LangGraph
LangGraph, 9.150 prompt token ve 70 saniye medyan ile tamamlandı; tokenlarda AutoGen'a yakın ancak zaman açısından daha yavaş. Durum Makinesi mimarisi, Görev 5'te hem en büyük gücünü hem de en dikkat çekici zayıflığını aynı anda sergiledi.
Her çalışmada, llm düğümü → araçlar düğümü → llm düğümü döngüsü, tüm önceki araç çıktılarında durumda biriktirir ve bunları LLM'ye iletir. Bu yapı, ajanın hiçbir şeyi unutmadığını garanti eder; bu normalde önemli bir avantajdır.
Yine de, Görev 5'te bu güç aleyhine çalıştı. LangGraph doğru araçları buluyor ve doğru segmenti oluşturuyordu. Ancak analiz tamamlandıktan sonra bile, biriken durumda belirsizlikler tespit etti, tamamlanmış adımları hala bekleyen olarak yorumladı ve tekrar tekrar ek araç çağrılarını tetikledi. Gerekli veriyi almış olsa ve doğru cevabı üretmek üzere olsa bile, durum makinesinin "eksik adım" sinyali devreye girdi ve ajan gereksiz döngülere girdi. Sonuç olarak, çalışmadaki araç çağrısı sayısı 6 ile 16 arasında değişti. Durumun "hiçbir şeyi unutmama" gücü, bazen tamamlanmış adımları eksik gibi göstererek ajanı gereksiz döngülere geri çekti ve benzer bir token sayısına rağmen gecikmeyi AutoGen'den 23 saniye yukarı itti.
CrewAI
CrewAI'nin Görev 5 performansı, tüm kıyaslama boyunca en yüksek varyansı üretti. Bazı çalışmalarda, 5 araç çağrısı, hiçbir sapma olmadan kusursuz bir diziyi izledi, bir script gibi çalıştı. Bu çalışmalarda, CrewAI'nin rol ve görev tanımlı yönetimsel yapısı tam olarak amaçlandığı gibi çalıştı: ajan rolünü net bir şekilde anladığında, öngörülebilir ve disiplinli davrandı.
Yine de, diğer çalışmalarda (örneğin, çalışma 16: 35 araç çağrısı), tam bir kaos yaşandı. Temel neden, CrewAI'nin her adımda ürettiği iç monolog (Düşünce) idi. Doğru filtre ile segmenti doğru şekilde oluşturduktan sonra, ajanın iç monoloğu ek filtrelerin de uygulanıp uygulanmayacağını sorgulamaya başladı. Sonucu gördükten sonra, mevcut segmentin geçerli olup olmadığını veya öncekinin öncelikli olup olmadığını şüphelenmeye başladı. Bu şüphe, onu veriyi sıfırdan yeniden yüklemeye itti. Ardından tekrar filtreledi, başka bir doğrulama döngüsüne girdi, tekrar şüphelendi ve bu sarmalı 8 kez tekrarladı.
CrewAI'de, her Düşünce bağımsız bir değerlendirme üretir ve bu değerlendirmeler bazen daha önce doğrulanmış adımları geçersiz kılar. Yönetimsel Sürecin "sürekli doğrulama" refleksi, bazı çalışmalarda ajanı kendi doğru kararlarını tekrar sorgulamaya itti.
LangChain
LangChain'in AgentExecutor yapısı doğası gereği ardışıktır ve Görev 5, bu kısıtlamanın en görünür olduğu yerdir. 10.070 prompt token ve 86 saniye medyan ile, en yüksek token sayısına sahip olmasına rağmen bu görevde en yavaş çerçeveydi.
Her adımda tek bir araç çağrısı yapar, sonucu alır, sonra devam eder; bu da 4 bağımsız aracın 4 ayrı LLM turu ve 4 ayrı bekleme süresi gerektirdiği anlamına gelir. AutoGen'ın 47 saniyelik medyanı ile LangChain'in 86 saniyesi, ardışık ile paralel yürütme maliyetinin doğrudan bir ölçümüdür.
Görev 5'te, LangChain'in araç sayısı 9 veya 15'te sabitlendi. Bu iki küme, iki tipik stratejiye işaret eder: bazı çalışmalarda, inceleme adımını atlayıp doğrudan ayrıştırma ve özetlemeye geçti (9 araç), diğerlerinde ise işlem yapmadan önce her sütunu inceledi (15 araç). LangChain'in doğrusal yürütücü kimliği burada netleşti: ne AutoGen'ın paralel verimliliğini ne de CrewAI'nin monolog kaosunu sergiledi.
Yapısal olmayan veri yönetimi ve çerçeve mimarisi
Bu görevin sonuçları, bir çerçevenin yapısal olmayan veriyi (JSON, LongText) ne kadar verimli yönetebileceğinin, doğrudan iç döngü mekanizmasına bağlı olduğunu ortaya koyar:
Paralel araç çağrıları yapabilen çerçeveler (AutoGen), bağımsız veri sütunlarını tek bir adımda işleyebilir. Büyük JSON nesneleri ve çok sayıda metin sütunu içeren gerçek dünya senaryolarında, bu fark devasa bir maliyet ve hız avantajına dönüşür.
Durum sürücü döngülere sahip çerçeveler (LangGraph), veri tutarlılığında mükemmeldir ancak geçmişte biriken tamamlanmış adımları yeniden değerlendirme riski taşır.
Monolog tabanlı çerçeveler (CrewAI), veri türünü ve anlamını anlama konusunda son derece yeteneklidir, ancak bu derinlik bazen aşırı sorgulama ve döngülere dönüşür.
Doğrusal yürütme çerçeveleri (LangChain), yapısal olmayan verinin farklı dallarını ayrı ayrı işler ve her iki dünyadan da orta seviye bir sonuç üretir.
Ajan çerçevelerinin GitHub yıldız büyümesi
Ajan Yapay Zeka çerçevelerini karşılaştır
Ajan Yapay Zeka çerçeveleri birkaç temel boyutta değişir ve bu farklılıkları anlamak anlamlı karşılaştırmalar yapmak için esastır.
Çoklu-ajan orkestrasyonu
Çoklu-ajan orkestrasyonu, tek ajan yeteneklerini aşan karmaşık iş akışlarını ele almak için birden fazla uzmanlaşmış Yapay Zeka ajanını koordine eder. Tek bir monolitik ajan oluşturmak yerine, orkestrasyon işi farklı roller, araçlar ve uzmanlığa sahip ajanlar arasında böler. Her çerçeve, ajan koordinasyonu için farklı yaklaşımlar sunar.
LangGraph
LangGraph, nispeten iyi bilinen bir çerçevedir ve ajan sistemleri oluşturan geliştiriciler için kilit bir seçenek olarak öne çıkar.
Açık çoklu-ajan koordinasyonu: Her biri kendi mantığı, belleği ve sistemdeki rolüyle birden fazla ajanı bireysel düğümler veya gruplar olarak modelleyebilirsiniz.
API'ler ve araçlar arasında Yapay Zeka iş akışları oluşturur. Böylece, RAG ve özel pipeline'lar için iyi bir uyum sağlar.
AutoGen
AutoGen, birden fazla ajanın bir döngüde mesaj göndererek iletişim kurmasına olanak tanır. Her ajan, iç mantığına göre yanıt verebilir, yansıtabilir veya araçları çağırabilir.
Asenkron ajan iş birliğine sahiptir; bu da ajan davranışının deneyim veya yinelemeli iyileştirme gerektirdiği araştırma ve prototipleme senaryoları için özellikle yararlıdır.
CrewAI
CrewAI, sizin için çoğu düşük seviyeli mantığı yönetir ve çoklu-ajan orkestrasyonu sağlar:
- İzleme ve hata ayıklama için izleme araçlarıyla entegre olur
- Koşullu mantık, döngüler ve durum yönetimi ile Akışlar aracılığıyla yerleşik yürütme kontrolü
- Hiyerarşik (yönetici-işçi) ve yapılandırılmış çoklu-ajan koordinasyonunu destekler
OpenAI Swarm
Swarm, prototipleme için hafif, deneysel bir çoklu-ajan çerçevesidir. Ajanlar, paylaşılan bağlamı korurken görevleri devralarak sırayla el değiştirir. Esnek iş akışları için doğal dil rutinleri ve Python araçları kullanır.
LangChain
LangChain, RAG araçlarıyla tek ajan LLM uygulamaları oluşturmak için bir çerçevedir. Belge işleme iş akışları için zincirler, araçlar, bellek ve geri alım dahil olmak üzere modüler bileşenler sağlar.
LangChain, bir ajanın iş akışını yönettiği temel olarak tek ajan yürütme kalıpları üzerinden çalışır.
Ajan ve fonksiyon tanımı
LangGraph
LangGraph, ajan tasarımına grafik tabanlı bir yaklaşım benimser; burada her ajan, kendi durumunu koruyan bir düğüm olarak temsil edilir. Bu düğümler, yönlendirilmiş bir grafik üzerinden bağlanır; bu da koşullu mantık, çoklu ekip koordinasyonu ve hiyerarşik kontrolü mümkün kılar. Bu, ölçeklenebilir orkestrasyon için denetçi düğümleri ile çoklu-ajan grafikleri oluşturmanızı ve görselleştirmenizi sağlar.
LangGraph, araçları ajanlara bağlayan açıklamalı, yapılandırılmış fonksiyonlar kullanır. Düğümler oluşturabilir, bunları çeşitli denetçilere bağlayabilir ve farklı ekiplerin nasıl etkileşime girdiğini görselleştirebilirsiniz. Bunu, her ekip üyesine detaylı bir iş tanımı vermek gibi düşünün. Bu, birlikte çalışan ajanları oluşturmayı ve test etmeyi kolaylaştırır.
AutoGen
AutoGen, ajanları esnek yönlendirme ve asenkron iletişim yeteneğine sahip uyarlanabilir birimler olarak tanımlar. Ajanlar, iş birliğine dayalı problem çözme için birbirleriyle (ve isteğe bağlı olarak insanlarla) mesaj alışverişi yaparak etkileşime girer. LangGraph gibi açıklamalı, yapılandırılmış fonksiyonlar kullanır.
CrewAI
CrewAI, rol tabanlı bir tasarım yaklaşımı benimser. Her ajana bir rol (örneğin, Araştırmacı, Geliştirici) ve erişebileceği bir dizi yetenek, fonksiyon veya araç atanır. Fonksiyon tanımı yapılandırılmış açıklamalar yoluyla yapılır.
OpenAI Swarm
OpenAI Swarm, ajanların prompt'lar ve fonksiyon döküman dizeleri üzerinden tanımlandığı rutin tabanlı bir model kullanır. Resmi orkestrasyon veya durum modellerine sahip değildir; bunun yerine manuel olarak yapılandırılmış iş akışlarına güvenir. Fonksiyon davranışı, LLM tarafından döküman dizeleri aracılığıyla çıkarılır (Swarm, bir fonksiyonun ne yaptığını açıklamasını okuyarak belirler); bu da bu kurulumu esnek ancak daha az hassas kılar.
LangChain
LangChain, tek bir orkestratör ajanın dil modellerine ve çeşitli araçlara çağrıları yönettiği zincir tabanlı bir mimari kullanır. Fonksiyonları, araç setleri ve prompt şablonları gibi açık arayüzler üzerinden tanımlar.
Temelde merkezi iş akışlarına odaklanmasına rağmen, LangChain çoklu-ajan kurulumları için uzantıları destekler ancak yerleşik ajan-ajan iletişimi eksiktir.
Bellek
Bellek yetenekleri:
- Durumlu: Çerçevenin yürütmeler arasında kalıcı belleği destekleyip desteklemediği.
- Bağlamsal: Mesaj geçmişi veya bağlam aktarımı yoluyla kısa vadeli belleği destekleyip desteklemediği.
Bellek özellikleri, bağlamı hatırlamak ve zaman içinde uyum sağlamak için ajan sistemleri oluşturmanın kilit bir parçasıdır:
- Kısa vadeli bellek: Son etkileşimleri takip eder, ajanların çoklu tur konuşmaları veya adım adım iş akışlarını yönetmesini sağlar.
- Uzun vadeli bellek: Oturumlar arasında kullanıcı tercihleri veya görev geçmişi gibi kalıcı bilgileri saklar.
- Varlık belleği: Etkileşimler sırasında bahsedilen belirli nesneler, kişiler veya kavramlar hakkında bilgiyi takip eder ve günceller (örneğin, daha önce bahsedilen bir şirket adını veya proje kimliğini hatırlamak).
LangGraph
LangGraph iki tür bellek kullanır: tek bir görev veya konuşma sırasında bilgi depolayan iplik içi bellek ve oturumlar arasında veri kaydeden çapraz iplik belleği. Geliştiriciler, bir görevin akışını kaydetmek ve bunu belirli bir thread_id ile bağlamak için MemorySaver kullanabilir. Uzun vadeli depolama için LangGraph, InMemoryStore veya diğer veritabanları gibi araçları destekler. Bu, belleğin yürütmeler arasında nasıl kapsamlandığı ve saklandığı konusunda esnek kontrol sağlar.
AutoGen
AutoGen, bağlamsal bir bellek modeli kullanır. Her ajan, etkileşim geçmişini depolayan bir context_variables nesnesi aracılığıyla kısa vadeli bağlamı korur. Yerleşik kalıcı belleği yoktur.
CrewAI
CrewAI hazır olarak katmanlı bellek sağlar. Kısa vadeli belleği bir ChromaDB vektör deposunda, son görev sonuçlarını SQLite'ta ve uzun vadeli belleği ayrı bir SQLite tablosunda (görev tanımlarına göre) saklar. Ayrıca, vektör gömme kullanarak varlık belleğini destekler. Bu bellek kurulumu, memory=True etkinleştirildiğinde otomatik olarak yapılandırılır,
OpenAI Swarm
Swarm durumsuzdur ve belleği yerel olarak yönetmez. Geliştiriciler, kısa vadeli belleği manuel olarak context_variables üzerinden iletebilir ve daha uzun vadeli bağlamı depolamak için isteğe bağlı olarak harici araçları veya üçüncü taraf bellek katmanlarını (örneğin, mem0) entegre edebilir.
LangChain
LangChain, esnek bileşenler aracılığıyla hem kısa vadeli hem de uzun vadeli belleği destekler. Kısa vadeli bellek genellikle oturum içinde konuşma geçmişini takip eden bellek içi tamponlar aracılığıyla yönetilir. Uzun vadeli bellek için LangChain, gömme ve geri alım verilerini kalıcı hale getirmek için harici vektör depoları veya veritabanlarıyla entegre olur.
Geliştiriciler, etkileşimler boyunca bağlamsal ve varlık özelinde belleğin verimli yönetilmesini sağlayan yerleşik bellek sınıflarını kullanarak bellek kapsamlarını ve stratejilerini özelleştirebilir.
Döngüde insan
LangGraph
LangGraph, yürütme sırasında durdurmak ve kullanıcı girdisi beklemek için grafikte özel durak noktalarını (interrupt_before) destekler.
AutoGen
AutoGen, UserProxyAgent aracılığıyla yerel olarak insan ajanlarını destekler; bu da insanlara ajan iş birliği sırasında adımları gözden geçirmeye, onaylamaya veya değiştirmeye olanak tanır.
CrewAI:
CrewAI, human_input=True ayarlayarak her görevden sonra geri bildirim sağlar; ajan, kullanıcıdan doğal dil girdisi toplamak için durur.
OpenAI Swarm
OpenAI Swarm, yerleşik bir HITL sunmaz.
LangChain
LangChain, yürütmeyi durdurmak ve insan girdisi istemek için zincirler veya ajanlar içinde özel durak noktaları eklemeye olanak tanır. Bu, iş akışının tanımlı noktalarında gözden geçirme, geri bildirim veya manuel müdahaleyi destekler.
Tercih edilen kaynak olarak ekleModel Bağlam Protokolü (MCP) entegrasyonu ajan Yapay Zeka çerçevelerinde
Yapay Zeka ajanları, veritabanları, API'ler, dosya sistemleri ve iş uygulamaları gibi harici araçlarla etkileşime ihtiyaç duyar. Bir standart olmadan, her çerçeve her araç için özel entegrasyonlar oluşturmak zorunda kaldı; bu da parçalanmış bir ekosistem yarattı. MCP, herhangi bir ajanın herhangi bir araca tek bir arayüz üzerinden bağlanmasına olanak tanıyan evrensel bir protokol sağlayarak bunu çözer.
Her çerçeve MCP ile nasıl entegre olur
LangGraph
LangGraph, mevcut araçları otomatik olarak keşfeden ve bunları LangChain-uyumlu formata dönüştüren bir adaptör aracılığıyla MCP sunucularına bağlanır. Ajanlar daha sonra bu araçları yerel yeteneklerinin yanı sıra sorunsuz bir şekilde kullanabilir.
AutoGen
AutoGen, uzantı modülü aracılığıyla yerleşik MCP entegrasyonu sağlar. Geliştiriciler, birkaç satır kodla MCP sunucularına bağlanabilir ve tüm araçlarını AutoGen ajanları için kullanılabilir hale getirebilir.
CrewAI
CrewAI ajanları, basit URL'ler veya yapılandırılmış ayarlar kullanarak MCP sunucularına doğrudan referans verebilir. Çerçeve, bağlantı yaşam döngüsünü ve hata yönetimini otomatik olarak yönetir.
OpenAI Swarm
Swarm, ekosistemi genelinde OpenAI'nin yerel MCP desteğinden yararlanır. OpenAI, MCP'yi ChatGPT ve Ajanları SDK'sına entegre ettiği için, Swarm bu altyapıyı doğrudan kullanabilir.
LangChain
LangChain, Python fonksiyonlarının MCP sunucularına köprü olarak hizmet verdiği MCP araç çağırma yetenekleri sunar. Bu, çeşitli kaynaklardan araçları çekmeyi ve bunları özel sarmalayıcılar olmadan zincirlere, ajanlara ve diğer LangChain bileşenlerine entegre etmeyi mümkün kılar.
Ajan Yapay Zeka çerçeveleri aslında ne yapar?
Ajan Yapay Zeka çerçeveleri, prompt mühendisliği ve verinin LLM'lere nasıl aktarıldığını yönetmeye yardımcı olur. Temel düzeyde, LLM'nin öngörülebilir bir formatta yanıt vermesi ve yanıtların doğru araca, API'ye veya belgeye yönlendirilmesi için prompt'ları yapılandırmaya yardımcı olurlar.
Sıfırdan oluşturuyorsanız, prompt'u manuel olarak tanımlar, LLM'nin kullanmak istediği aracı çıkarır ve karşılık gelen API çağrısını tetiklersiniz. Çerçeveler bunu şu şekilde basitleştirir:
- Prompt orkestrasyonu: Karmaşık prompt'ları oluşturmak, yönetmek ve LLM'lere yönlendirmek
- Araç entegrasyonu: Ajanların harici API'leri, veritabanlarını, kod fonksiyonlarını vb. çağırmasına izin vermek
- Bellek: Tur veya oturumlar arasında durum korumak (kısa ve uzun vadeli)
- RAG entegrasyonu: Harici kaynaklardan bilgi geri alımını etkinleştirmek
- Çoklu-ajan koordinasyonu: Ajanların nasıl iş birliği yaptığını veya görevleri devrettiğini yapılandırmak
Ajan Yapay Zeka çerçeveleri: Gerçek hayat kullanım senaryoları
LangGraph – Çoklu-ajan seyahat planlayıcısı
LangGraph ile inşa edilen bir üretim projesi, uçuş ve otel verilerini çeken (Google Uçuşlar & Oteller API'lerini kullanarak) ve seyahat önerileri oluşturan durumlu, çoklu-ajan seyahat asistanını gösterir.4
CrewAI – Ajan içerik oluşturucu
CrewAI'nin resmi örnekler deposu, rol özelinde ajanların (örneğin, "Araştırmacı", "Yazar") görevler üzerinde iş birliği yaptığı seyahat planlama, pazarlama stratejisi, hisse analizi ve istihdam asistanları gibi akışları içerir.5
CrewAI, Groq kullanarak yüksek seviyeli bir içerik taslağını tam bir makaleye dönüştürür.
Ajan Yapay Zeka çerçevelerinin temel özellikleri
Model desteği:
- Çoğu, birden fazla LLM sağlayıcısını (örneğin, OpenAI, Anthropic, açık kaynaklı modeller) destekleyen model-agnostiktir.
- Yine de, sistem prompt yapıları çerçeveye göre değişir ve bazı modellerle diğerlerinden daha iyi performans gösterebilir.
- Sistem prompt'larına erişim ve özelleştirme genellikle optimum sonuçlar için esastır.
Araçlandırma:
- Tüm çerçeveler, ajan eylemlerini mümkün kılan temel bir parça olan araç kullanımını destekler.
- Özel araçları tanımlamak için basit soyutlamalar sunar.
- Çoğu, yerel olarak veya topluluk uzantıları aracılığıyla Model-Bağlam-Protokolü (MCP) destekler.
Bellek / Durum:
- Kısa vadeli belleği adımlar veya LLM çağrıları arasında korumak için durum izlemeyi kullanır.
- Bazıları, ajanların oturum içinde önceki etkileşimleri veya bağlamı korumasına yardımcı olur.
RAG (Geri Alım-Geliştirilmiş Üretim):
- Çoğu, vektör veritabanlarını veya belge depolarını entegre eden RAG için kolay kurulum seçenekleri içerir.
- Bu, ajanların yürütme sırasında harici bilgiye referans vermesini sağlar.
Diğer ortak özellikler
- Çapraz ajan veya araç çağrılarını mümkün kılan asenkron yürütme desteği.
- Yapılandırılmış çıktılar (örneğin, JSON) için yerleşik işleme.
- Modelin sonuçları kademeli olarak ürettiği akışkan çıktılar desteği.
- Ajan çalışmaları için izleme ve hata ayıklama için temel gözlemlenebilirlik özellikleri.
Kıyaslama metodolojisi
1. Görev Yapısı
Görev 1: Doğru parametre ile tek bir araç çağrısı yapılıp yapılamayacağını ölçer. Çerçevenin temel altyapı yükü, bu basit senaryoda en net şekilde ortaya çıkar.
Görev 2: İki ayrı filtre grubunun sonuçlarını bellekte tutmayı ve bunları tek bir çıktıda birleştirmeyi gerektirir. Durum yönetimi ve çoklu segment koordinasyonu test edilir.
Görev 3: Doğal dil sayısal koşullarının araç parametrelerine bozulmadan çevrilip çevrilmediğini ölçer. Gerçek test, çerçevenin tekrar deneme ve yeniden prompt mekanizmalarının bu parametreleri koruyup koruyamayacağıdır.
Görev 4: Bir araç ardışık olarak Ağ, Zaman Aşımı ve Hız Limiti hataları fırlatır. Çerçevenin bu hatalar karşısında strateji değiştirip değiştirmediği ölçülür.
Görev 5: Ajan, önce JSON ve LongText sütunlarını keşfetmeli, ardından doğru araçları doğru kapsam parametreleriyle çağırmalıdır. Çerçevenin bağımsız araçları paralel mi yoksa ardışık mı yürüttüğü gözlemlenir.
2. Yapılandırma
Tüm çerçeveler aynı LLM modelini (openai/gpt-5.2) ve aynı sıcaklık değerini (0.1) kullandı. Tüm görevler için, her ajana aynı araçlar ve aynı prompt'lar verildi. Her çerçeve, yerel yapısında kuruldu: LangChain AgentExecutor ile, LangGraph StateGraph ile, AutoGen AssistantAgent + UserProxyAgent ile ve CrewAI Agent + Task + Crew ile.
IBM Telco Müşteri Ayrılma veri seti (7.032 müşteri) kullanıldı. Araç durumu her çalışmadan önce sıfırlandı. Her çerçeve ve görev kombinasyonu için 100 bağımsız çalışma yürütüldü.
Maksimum yineleme sınırları görev karmaşıklığına göre ayarlandı: Görev 1, 2 ve 3 için 10; titrek araç döngüsü nedeniyle Görev 4 için 20 ve 4 adımlı keşif zinciri nedeniyle Görev 5 için 20.
Bu benchmarkı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Şipi, Nazlı},
title = {{En İyi 5 Açık Kaynak Ajan Yapay Zeka Çerçevesi}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/agentic-frameworks}},
note = {AIMultiple. Erişim tarihi: 6 Temmuz 2026}
}Referans Linkleri
Yorumlar 1
Düşüncelerinizi Paylaşın
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.
Thank you for this informative and detailed article! It helped me get a reading on these frameworks.