Top 10+ Ajanik Orkestrasyon Framework'leri ve Araçları

• On framework'ler maliyet ve hız açısından birbirine yakındır: 1.000 çalıştırma yaklaşık 1.4 ila 1,7 USD tutar ve bir çalıştırma ortalama 12 ila 14 saniye sürer.
• Google ADK, smolagents ve Microsoft Agent Framework ayrışır: yaklaşık 1.6 ila 1.9 kat daha pahalıya mal olurlar ve bir çalıştırma ortalama 1 ila 5 saniye daha uzun sürer.
• En ucuz framework'ler (LangGraph, LangChain, Agno), en hızlı gruptan (Strands, OpenAI Agents SDK, AutoGen, Pydantic AI ve CAMEL) çalıştırma başına yaklaşık 1 saniye daha uzun sürdü.

Etkinlik ajanının tek bir kuralı vardı: günün yağmur olasılığı %50 veya daha yüksekse ya da yağmur tahmin ediliyorsa kapalı alan etkinliği seç; aksi takdirde açık hava etkinliği seç. Üç günün tamamı güneşli veya kapalıydı ve yağmur olasılığı %5 ila %10 arasındaydı; bu nedenle doğru cevap her gün için açık hava etkinliğiydi.

Ajanik orkestrasyon benchmark bulguları

Model yanıtlamadan önce düşündüğünde kurala her zaman uydu (388 / 388 çalıştırmada). Düşünmeden yanıtladığında ise çalıştırmaların yalnızca %38'inde kurala uydu.

Aynı örüntü her framework içinde de geçerlidir. Örneğin LangGraph'da model 3 çalıştırmada düşündü ve 3'ünde de kurala uydu; düşünmediği çalıştırmalarda uyum %46 idi.

Framework, modelin ne sıklıkta düşündüğünü değiştirir. Model, çalıştırmaların %100'ünde Google ADK ve smolagents'ta, %86 Microsoft Agent Framework'te ve %78 CrewAI'da düşündü. Diğer 9 framework'te oran %0 ile %9 arasındaydı.

Model düşünmediğinde uyumu girdinin biçimi belirledi: talimatı değiştirmeden ileten framework'lerde 42 ila %53, Strands'ta %2 ve AutoGen'de %0.

Framework düşünmeyi neden etkiler?

Claude Haiku 5.5 her istekte ne aldığına bağlı olarak düşünüp düşünmeyeceğine karar verir. Her framework aynı talimatı ve aynı veriyi gönderdi, ancak her framework'ün mimarisi bunlarla birlikte başka nelerin geldiğine karar verir:

• Her ajanın ne kadar önceki bağlam aldığı: Pipeline tarzı framework'ler etkinlik ajanına yalnızca seyahat ayrıntılarını ve hava tahminini iletir (talimat dahil 541 token). Google ADK ve Microsoft Agent Framework, önceki araç çağrıları ve sonuçları dahil o ana kadarki tüm konuşmayı iletir (3.579 ve 2.439 token).
• Hangi şablon talimatı sarar: smolagents, araç kullanım kuralları ve örnekler içeren uzun bir sistem şablonunun içine koyar (2.162 token). CrewAI bunu bir role, bir hedefe ve beklenen çıktıya sahip bir “mevcut göreve” dönüştürür.
• Önceki ajanların çıktıları nasıl sunulur: Bunlar düz girdi blokları, diğer ajanlardan gelen sohbet mesajları veya ajanın kendi önceki yanıtları olarak gelebilir.

Uzunluk tek başına sonucu açıklamıyor. CrewAI'ın etkinlik ajanına girdisi yalnızca 648 tokendi; ancak model çalıştırmaların %78'inde düşündü. AutoGen'inki 1.093 tokendi ve model yalnızca %9 çalıştırmada düşündü. Hem girdinin boyutu hem de yapısı önemli görünüyor.

Hatalar

Model hava durumunu göz ardı etmedi: her ihlal kapalı bir günde gerçekleşti ve hiçbir çalıştırma güneşli güne kapalı alan etkinliği koymadı. En yaygın ihlal Vatikan Müzeleri'ydi; bu, kapalı alan seçimlerinin %87'sini oluşturdu. Düşünmeden model, %50 kuralını uygulamak yerine kapalı havayı kapalı alan havası olarak ele almış görünüyor. Model düşündüğünde kurala her zaman uydu.

Metni değiştirmeden ileten framework'ler

Bu framework'ler kendilerine ait hiçbir metin eklemez; ajan tam olarak geliştiricinin yazdığını alır. Testimizde yedisi için de aynı girdiyi yazdık; bu nedenle etkinlik ajanı her birinde aynı isteği aldı. Model çalıştırmaların %0 ila %3'ünde düşündü ve uyum 42 ila %54 arasındaydı.

• LangGraph: Her ajan bir durum grafında bir düğümdür. Düğüm paylaşılan durumdan önceki çıktıları okur ve kendi mesajını oluşturur.
• LangChain: Ajanlar bir LCEL zincirindeki adımlardır. Her adım zincirden aktarılan değerlerden kendi mesajını oluşturur.
• Agno: Her ajan bir iş akışındaki adımdır. Adım, önceki adımların çıktılarını ada göre okur.
• LlamaIndex: Her ajan bir olay güdümlü iş akışındaki adımdır. Olaylar önceki çıktıları sonraki adıma taşır.
• OpenAI Agents SDK: Ajanlar kod içinde birbiri ardına çağrılır. SDK'nın devretmeleri modelin bir sonraki ajanı seçmesine izin verir; bu nedenle sabit bir sıra için bunları kullanmadık.
• Pydantic AI: Ajanlar, dokümantasyonundaki programatik devretme desenini izleyerek kod içinde birbiri ardına çağrılır.
• CAMEL: Ajanlar kod içinde birbiri ardına çağrılır. Workforce özelliği ekstra model çağrılarıyla bir koordinatör ajan ekler; bu nedenle kullanmadık.

Kendi biçimini ekleyen framework'ler

• CrewAI: Talimatı “rol, geçmiş, hedef” şablonuna yerleştirir ve adımı, beklenen çıktıya sahip bir “mevcut görev” olarak sunar; ardından önceki görevlerin çıktıları gelir. Etkinlik ajanının girdisi yalnızca 648 tokendi; yine de model çalıştırmaların %78'inde düşündü ve çalıştırmaların %86'sı kurala uydu.
• smolagents: Her talimat, araçların nasıl çağrılacağını açıklayan, örnekler ve kurallar veren ve cevabın final_answer aracı üzerinden verilmesini zorunlu kılan smolagents'ın kendi uzun sistem şablonunun içine girer. Bu şablonla hem düşünme hem de kural uyumu %100 seviyesine ulaştı.
• Google ADK: Önceki ajanların yanıtları, araç çağrıları ve araç sonuçları “Bağlam için” notları olarak tek gelir ve her talimat bir kimlik satırı alır. Bu 3.579 tokenlik girdiyle model her yanıttan önce düşündü ve kuralı hiç bozmadı.
• Microsoft Agent Framework: Ajan, araç çağrıları dahil tüm konuşmayı alır; önceki ajanların çıktıları kendi önceki yanıtları olarak sunulur; Claude'un gerektirdiği seçenek sonuna “lütfen devam et.” ifadesini ekler. Düşünme çalıştırmaların 86/100'ünde gerçekleşti ve uyum %92'ye ulaştı.
• AutoGen: AutoGen'in grup konuşmasında, önceki ajanların yanıtları her ajana sohbet mesajları olarak ulaşır. Model yalnızca 9 çalıştırmada düşündü ve bu 9 çalıştırma, kurala uyan tek çalıştırmalardı.
• Strands: Girdiler “Orijinal Görev” ve “Önceki düğümlerden girdiler” başlıkları altında gelir. Bu biçimde model hiç düşünmedi ve 100 çalıştırmanın yalnızca 2'sinde kurala uydu.

Bu biçimlerin bazıları yapılandırılabilir; örneğin Google ADK ve Microsoft Agent Framework, her ajanın aldığı konuşmayı daraltan ayarlara sahiptir. Her framework'te varsayılan ayarları kullandık.

Bu sonuçlar, her istekte düşünüp düşünmeyeceğine karar veren Claude Haiku 5.5'ten gelir. Diğer LLM'ler farklı davranabilir; bu nedenle framework'ler arasındaki fark başka bir modelle daha küçük veya daha büyük olabilir.

Testimizden öneriler

• Dağıtmayı planladığınız framework ve model ile bir kuralı test edin. Bir framework'te çalışan bir talimat, diğerinde aynı sonucu vermeyebilir.
• Bir kural önemliyse, daha yüksek bir akıl yürütme ayarı kullanın veya düşünmeyi açın. Kullandığımız orta ayarda model çoğu çalıştırmada düşünmeyi atladı; düşündüğü her çalıştırma kurala uydu, ancak daha fazla zaman ve token pahasına.
• Bir kural basit ve kesinse (örneğin, “yağmur olasılığı %50'nin üzerindeyse kapalı alan”), modeline bırakmak yerine kodda kontrol edin. Ajanın çıktısındaki küçük bir doğrulama adımı, hatayı her framework'te yakalar.
• Her ajana tüm konuşmayı gönderen framework'lerde bağlamı daraltmak maliyeti düşürür. Ancak testimizde bu framework'ler daha fazla düşünmeyi de tetikledi; bu nedenle daralttıktan sonra kural uyumunun korunduğunu kontrol edin.

Framework ek yükü ve tamamlanma süresi

• Framework kodu çalıştırma başına 55 ila 148 ms ekledi; bu toplamın yaklaşık %1'idir. Gerisi modelin yanıt süresiydi.
• Ek yük hızı öngörmez. En hızlı framework'lerden biri olan Strands yüksek ek yüke sahipti (115 ms); en yavaşı olan Microsoft Agent Framework düşük ek yüke sahipti (73 ms).
• Ekstra model çağrıları daha önemlidir. Tekrarlanan bir araç çağrısı veya ekstra bir adım, bir model çağrısı ekler; bu da 1 ila 3 saniyedir.
• Çalıştırma süresi her framework içinde çalıştırmadan çalıştırmaya yaklaşık 2 saniye değişti; bu nedenle framework'ler arasında yaklaşık yarım saniyeden az farklar gürültü içindedir.

Framework'lerin her ajana gönderdikleri ve token kullanımı

Seyahat planlayıcı, iş akışındaki son ajandır. Dört önceki ajanın çıktılarını günlük bir plana dönüştürür ve yalnızca bu dört çıktıya ihtiyaç duyar; ancak framework'ler ona çok farklı miktarlarda metin gönderdi. Aşağıdaki sayılar, beş ajanın tamamında toplanmış çalıştırma başına prompt tokenleridir.

Yalnızca gerekli girdileri ileten framework'ler

Bu framework'ler ajanları bir pipeline'daki adımlar olarak çalıştırır. Planlayıcı 2 mesaj alır: talimatı ve dört çıktı. Küçük farklar, her framework'ün araç tanımlarını nasıl yazdığından kaynaklanır.

• Agno: 6.052 token.
• LangGraph: 6.053 token.
• LangChain: 6.054 token.
• CAMEL: 6.094 token.
• OpenAI Agents SDK: 6.235 token. Araç tanımları daha uzundur.
• Pydantic AI: 6.411 token. Araç tanımları daha uzundur.
• LlamaIndex: 6.590 token. Araç açıklamaları tam işlev imzasını ve docstring'i içerir.

Şablon veya ek girdiler ekleyen framework'ler

• CrewAI: 7.456 token. Her talimatı “rol, geçmiş, hedef” şablonuna sarar, adımı beklenen çıktıya sahip bir görev olarak çerçeveler ve önceki görevlerin çıktılarını bağlam olarak ekler.
• Strands: 7.693 token. Her ajana kullanıcının isteğini “Orijinal Görev” bloğu olarak tekrarlar. Ajanları sırada tutan kenarlar bazı ajanlara ek girdi de verir; örneğin hava durumu ajanı uçuş ajanının çıktısını alır.
• smolagents: 16.576 token. Her talimatı, araç kullanımını açıklayan ve örnekler içeren kendi büyük şablonuna sarar. İlk ajanın promptu 1.686 token iken, diğer çoğu framework'te 173 tokendi.

Tüm konuşmayı paylaşan framework'ler

Bu framework'ler ajanları tek bir konuşmayı paylaşan bir ekip olarak çalıştırır; böylece her ajan kendisinden önce gelenleri görür.

• AutoGen: 8.419 token. Yalnızca önceki ajanların nihai yanıtlarını sohbet mesajları olarak iletir; planlayıcı 6 mesaj aldı.
• Microsoft Agent Framework: 13.252 token. Önceki araç çağrıları ve araç sonuçları dahil tüm konuşmayı iletir; planlayıcı 11 mesaj aldı.
• Google ADK: 17.315 token. Her önceki yanıtı, araç çağrısını ve araç sonucunu ayrı bir “Bağlam için” notu olarak iletir; planlayıcı 10 mesaj aldı. Hava durumu ajanının girdisi 6.358 token iken, pipeline framework'lerinde yaklaşık 1.800 tokendi.

Maliyet ve doğruluk üzerindeki etki

• Doğruluk etkilenmedi. 13 framework'ün tamamında veri planlayıcıya bozulmadan ulaştı; tek bir Microsoft Agent Framework çalıştırmasındaki bir istisna hariç.
• Maliyet etkilendi. 1.000 çalıştırma pipeline framework'lerinde yaklaşık 1,4 USD tuttu; 2.4 ila 2,8 USD ise Microsoft Agent Framework, Google ADK ve smolagents'ta tuttu.
• Google ADK, smolagents, Microsoft Agent Framework ve CrewAI'da model daha sık düşündü. Bu, çalıştırmaları uzattı ancak kural uyumunu artırdı.

Güvenilirlik

• 1.300 çalıştırmanın tamamı hata veya zaman aşımı olmadan tamamlandı.
• Veri, 1.299 / 1.300 çalıştırmada nihai plana doğru şekilde ulaştı.
• Tek hata Microsoft Agent Framework'teydi. Seyahat planlayıcının girdisinde tüm uçuş teklifleri vardı ancak uçuş alanlarını boş bıraktı. Buna katkıda bulunmuş olabilir: Microsoft Agent Framework, önceki ajanların çıktılarını planlayıcıya, sanki planlayıcı bunları kendisi yazmış gibi iletir.

Ekstra model çağrıları

Her ekstra model çağrısı bir çalıştırmaya 1 ila 3 saniye ekledi.

• CrewAI: 12 / 100 çalıştırmada uçuş ajanı, sonucu aldıktan sonra aynı girdilerle aynı uçuş aramasını tekrarladı.
• smolagents: Yalnızca final_answer aracı üzerinden bir cevabı kabul eder. 14 / 100 çalıştırmada model önce düz metinle yanıtladı; bu nedenle smolagents bir tur daha gerekti.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Değişiklik gerektiren varsayılan ayarlar

Framework'lerin bu iş akışını çalıştırmasını sağlamak için bazı varsayılan ayarları değiştirmek zorunda kaldık:

• Microsoft Agent Framework: Sıralı zinciri Claude ile hiç çalışmadı (HTTP 400). Zincir, her ajana önceki ajanın yanıtıyla biten bir konuşma gönderir ve Claude bunu reddeder. ensure_trailing_user_turnoption, konuşmanın sonuna bir kullanıcı mesajı ekleyerek bunu düzeltir.
• Agno: Varsayılan olarak iş akışı başarısız bir adımı atlar ve çalıştırmayı yine de başarılı olarak bildirir. Hataların görünmesi için adım hata politikasını “fail” olarak ayarladık.
• Strands: Grafı, bağımlı olduğu ajanlardan herhangi biri bitirir bitirmez bir ajanı başlatır. Düz kenarlarla planlayıcı çok erken ve birkaç kez çalışırdı; bu nedenle sırayı korumak için kenarlara koşullar ekledik.
• smolagents: Modeli her adımda bir araç çağırmaya zorlar. Düşünme açıkken Claude bunu reddeder; bu nedenle onu “otomatik” olarak ayarladık.
• OpenAI Agents SDK: Varsayılan olarak OpenAI'ın Responses API'sini kullanır. Çoğu diğer sağlayıcının sunduğu Chat Completions endpoint'i ile kullanmak için onun Chat Completions model sınıfına ihtiyacınız vardır.

Sabit bir iş akışı için pipeline ya da paylaşılan konuşma

Ajanların sırası sabit olduğunda her ajan yalnızca birkaç önceki çıktıya ihtiyaç duyar. Testimizde yalnızca bu çıktıları iletmek, veriyi ajanlar arasında tüm konuşmayı paylaşmak kadar güvenilir şekilde taşıdı: her iki grupta da 1.299 / 1.300 çalıştırma doğruydu. Google ADK ve Microsoft Agent Framework'teki paylaşılan konuşma, çalıştırma başına prompt tokenlerini iki kattan fazla artırdı. Paylaşılan konuşmalar, birbirlerinin akıl yürütmesini görmesi gereken ajanlara uygundur. Sabit bir pipeline'da açık girdiler iletmek daha az maliyetlidir ve her ajanın tam olarak ne aldığını görebilirsiniz.

Framework'ünüzün modele ne gönderdiğini kontrol edin

13 framework'ün yedisi, etkinlik ajanına tam olarak yazdığımız metni gönderdi. Diğer altısı kendi şablonlarını, iletilen mesajları veya başlıkları ekledi; 50 ekstra token (Strands) ile 3.000'den fazlası (Google ADK) arasında değişti. Bu eklemeler modelin ne sıklıkta düşündüğünü ve kurala uyup uymadığını değiştirdi. Çok ajanlı bir sistemde promptları ayarlamadan önce, her ajanın modele gönderdiği son isteği günlüğe kaydedin. Bir logging proxy veya framework'ün izleme özelliği, framework'ün ne eklediğini gösterir.

Çok ajanlı bir iş akışının hızını ne belirler

Framework kodu her çalıştırmanın yaklaşık %1'ini aldı. Gerisi model çağrılarının sayısından ve her çağrının süresinden geldi. Bundan üç kaldıraç çıkar:

• Daha az model çağrısı: Tekrarlanan araç çağrılarına ve ekstra adımlara dikkat edin; her biri 1 ila 3 saniye ekledi.
• Daha küçük girdiler: Her ajan için daha kısa girdiler tokenleri azaltır ve modele daha az okunacak içerik bırakır.
• Bağımsız ajanları paralel çalıştırma: Bu iş akışında uçuş ve hava durumu ajanları birbirine bağımlı değildir. Bunları paralel çalıştırmak, ikisinden kısa olan süreyi, yani kabaca 3 saniyeyi ortadan kaldırırdı. Paralel çalıştırmayı test etmedik; bu tahmin ajan başına sürelerden gelmektedir.

Benchmark metodolojisi

Her framework aynı beş ajanlı seyahat planlama iş akışını çalıştırdı; ajanlar her zaman şu sıradaydı:

1. Ayrıştırıcı: Kullanıcının isteğinden kalkış yerini, varış yerini, kalkış tarihini ve seyahat süresini çıkarır.
2. Uçuş bulucu: Bir uçuş arama aracını çağırır ve teklifleri fiyata göre listeler.
3. Hava durumu bildirici: Seyahat tarihleri için bir hava durumu aracını çağırır.
4. Etkinlik önerici: Yukarıdaki kapalı/açık alan kuralını kullanarak her gün için bir etkinlik seçer.
5. Seyahat planlayıcı: Dört çıktıyı en ucuz uçuşla günlük bir plana dönüştürür.

Kullanıcı isteği şuydu: “Berlin'den Roma'ya 27 Ekim 2026'da seyahat etmek istiyorum. 3 gün kalacağım.” Her ajan her framework'te aynı yazılı talimata sahipti ve cevabını JSON olarak döndürdü. Yalnızca uçuş bulucu ve hava durumu bildirici araçlara sahipti.

Araç verileri

Her iki araç da sabit veriler döndürdü; bu nedenle her framework'teki her çalıştırma aynı araç sonuçlarını aldı:

• Uçuşlar: Berlin'den Roma'ya altı tek yön uçuş teklifi. Bunlar sentetiktir: makul taşıyıcılar, saatler ve fiyatlar canlı bir ücret aramasından gelmez.
• Hava durumu: 27-29 Ekim 2026 için WeatherAPI.com'dan bir kez kaydedilmiş gerçek bir Roma hava tahmini.

Araçlar anında yanıt verdiği için tamamlanma süreleri API gecikmesini değil, model çağrılarını ve framework kodunu yansıtır.

Framework'ler

• Test edilen sürümler: LangGraph 1.2.17, LangChain 1.4.7, CrewAI 1.15.30, AutoGen 0.7.5, Microsoft Agent Framework 1.23.0, OpenAI Agents SDK 0.24.0, Google ADK 2.13.0, Agno 3.1.10, Pydantic AI 2.61.0, smolagents 1.26.0, LlamaIndex 0.14.25, Strands Agents 1.62.0 ve CAMEL 0.2.90; hepsi Python 3.12 üzerinde.
• Ajanlar nasıl çalıştırıldı: Her framework, ajanları kendi çok ajanlı yapısı varsa onunla çalıştırdı. OpenAI Agents SDK, Pydantic AI, smolagents ve CAMEL sabit bir sıra için yapıya sahip değildir; bu nedenle ajanları kod içinde birbiri ardına çağrıldı.
• Ayarlar: Tüm ayarlar varsayılanlarında kaldı; yalnızca “Değişiklik gerektiren varsayılan ayarlar” altında listelenen değişiklikler hariç.

Model ve çalıştırmalar

• Model: Her framework'teki her ajan, Claude Haiku 5.5 modelini OpenRouter üzerinden, Anthropic tarafından sunularak kullandı; akıl yürütme ayarı orta düzeyde sabitlendi. Sıcaklık gibi bir framework'ün eklemeye çalıştığı ayarlar, istek modele ulaşmadan önce kaldırıldı.
• Çalıştırmalar: Her framework iş akışını 100 kez çalıştırdı; toplamda 1.300 çalıştırma, 27 Ekim 2026'da. Çalıştırmalar framework'ler arasında karıştırılmış bir sırayla teker gerçekleştirildi.
• Isınma: Her zaman ölçülen çalıştırmadan önce aynı iş akışı, scripted bir test modeline karşı bir kez çalıştırıldı; böylece bir kerelik yükleme maliyetleri ölçülen süreye sayılmadı.
• Sınırlar: Her çalıştırma 30 model çağrısı ve 300 saniye ile sınırlandırıldı. Hiçbir çalıştırma bu sınırlardan hiçbirine ulaşmadı.

Neleri ölçtük

• İstekler: Bir logging proxy, framework'ler ile model arasındaki her isteği ve yanıtı kaydetti. Her ajanın kendi endpoint'i vardı; böylece her model çağrısı, onu yapan ajana kadar izlenebildi. Araç çağrıları ayrıca günlüğe kaydedildi.
• Tamamlanma süresi: İş akışının başlangıcından nihai plana kadar geçen süre.
• Tokenler ve maliyet: Sağlayıcı tarafından bildirildiği şekliyle prompt, completion ve thinking tokenleri ile her çağrının maliyeti.
• Framework ek yükü: Bir çalıştırmanın ne modeli bekleyerek ne de araçları çalıştırarak geçen kısmı.
• Düşünme: Sağlayıcı, etkinlik ajanının çağrısı için thinking tokenleri bildirdiyse çalıştırma, modelin düşündüğü bir çalıştırma sayılır.
• Doğru seyahat planı: Nihai plan en ucuz uçuşu (uçuş numarası ve fiyatı), üç seyahat tarihini, her günün tahmin edildiği gibi hava durumunu ve her günün etkinliği ile ortamını tam olarak etkinlik önericinin ürettiği şekilde içerir.
• Kural uyumu: Üç günün tamamı kapalı/açık alan kuralına uyar. Hiçbir gün yağmur olasılığı %50 yakınında olmadığı için doğru cevap her gün için açık hava etkinliğiydi.

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{sipi2026,
  author = {Şipi, Nazlı},
  title  = {{Top 10+ Ajanik Orkestrasyon Framework'leri ve Araçları}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/agentic-orchestration}},
  note   = {AIMultiple. Erişim tarihi: 30 Ekim 2026}
}

Değişiklik günlüğü

4 güncelleme

Tümü4Genel3Metodoloji1

20262025

1. 27 Oca

   “Agentic orchestration benchmark” bölümü kaldırıldı.

2. 26 Oca

   Yeni metriklerle 'Ajan orkestrasyon karşılaştırması' bölümü güncellendi.

Nazlı Şipi

Yapay Zeka Araştırmacısı

Takip Et

Nazlı, AIMultiple'da veri analistidir. Çeşitli sektörlerde veri analizi alanında önceki deneyime sahiptir; bu sektörlerde karmaşık dataset'leri uygulanabilir içgörülere dönüştürme üzerine çalışmıştır.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder