LangChain ve LlamaIndex Rehberi

Avantajları:

• Hızlı prototipleme — basit RAG 30 satır kodla.
• LLM/Vector DB sağlayıcı bağımsızlığı — Claude’dan GPT’ye geçiş bir parametre.
• Hazır integrasyonlar — 100+ LLM, 50+ vector DB, 200+ tool.
• Topluluk örnekleri ve dokümanı zengin.

Dezavantajları:

• Soyutlama maliyeti — basit görevde fazla katman.
• Hızlı değişen API — güncel olmak iş.
• Hata ayıklama zor — hata mesajları derinlerden gelir.

Pratik öneri: prototip için framework, üretim için “sadece SDK + birkaç yardımcı fonksiyon” kalıbı yaygın. Anthropic ve OpenAI’ın resmi SDK’ları + Pydantic/Zod yapı doğrulayıcısı çoğu projeye yeter.

LangChain (Python ve JS), “chain” (zincir) kavramı etrafında kuruludur: bir LLM çağrısının çıktısını başka bir çağrıya/işlemine bağlamak için LCEL (LangChain Expression Language) kullanılır. LangGraph alt-projesi karmaşık agentic akışlar için graf-tabanlı orchestration sunar.

# Python örnek — basit zincir
from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template(
  "Şu konuyu Türkçe 3 madde halinde özetle: {topic}"
)
chain = prompt | ChatAnthropic(model="claude-sonnet-4-5") | StrOutputParser()
print(chain.invoke({"topic": "Konut kredisi 2026"}))

LlamaIndex, RAG ve veri-yoğun LLM uygulamalarına odaklanmış framework. “Index” (vector store + metadata + sorgu motoru) yapı taşı. LangChain’den daha kıdemli RAG soyutlamaları ve veri yükleyiciler (200+ format) sunar.

# Python örnek — basit RAG
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.llms.anthropic import Anthropic
from llama_index.embeddings.openai import OpenAIEmbedding

documents = SimpleDirectoryReader("./tr-belgeler").load_data()
index = VectorStoreIndex.from_documents(
  documents,
  embed_model=OpenAIEmbedding(model="text-embedding-3-small")
)
qe = index.as_query_engine(llm=Anthropic(model="claude-sonnet-4-5"))
print(qe.query("KDV oranlarındaki son değişiklikler nelerdir?"))

• RAG ana iş ise: LlamaIndex daha kısa kodla profesyonel sonuç verir.
• Karmaşık agent / tool zincirleri: LangGraph veya LangChain LCEL daha esnek.
• Hızlı prototip / öğrenme: LangChain’in örnek havuzu ve YouTube kaynağı geniş.
• Üretim hazırlığı: Üretim için tipik kalıp framework prototipi → kritik yolu sade SDK ile yeniden yazma.

Alternatifler: Microsoft Semantic Kernel (.NET + Python), Haystack (Almanca araştırma kökenli, kurumsal RAG için güçlü), Anthropic’in resmi SDK’sı + tool-use (en sade, en şeffaf).

• Embedding modeli: çoklu-dilli olsun (text-embedding-3, BGE-M3, Qwen3-Embedding). Türkçe-only embedding karışık veride kayıp yapar.
• Text splitter: LangChain’inRecursiveCharacterTextSplitter’ı Türkçe cümle/paragraf sınırlarını korur. tiktoken tabanlı token-bazlı bölme da iyi.
• Metadata filtre: kaynak, tarih, kategori metadatalarını kullanın; “sadece 2026 mevzuatı” filtresi RAG kalitesini artırır.
• Trace / observability: LangSmith veya LangFuse ile trace tutun. Halüsinasyon ve gecikme analizi kritik.