Herkes 2026'da yapay zeka ajanlarından bahsediyor.
Çoğu insanın gerçekte nasıl çalıştıkları hakkında hiçbir fikri yok.
Bu bugün değişiyor.
Haftalarımı her şeyi damıtarak geçirdim: kurslar, kitaplar, gerçek yapımlar, üretim başarısızlıkları.
İşte gerçekten bilmeniz gerekenler.
İster kendi iş akışınızı otomatikleştiriyor olun, ister bir şirket için üretim yapay zeka sistemleri kuruyor olun — bu sizin yol haritanız.
Bunu kaydedin. Uzun. Buna değer.
BÖLÜM 1: BAŞLANGIÇ Yapay zeka ajanları aslında nedir?
1. Yapay Zeka Ajanı Nedir?
Normal bir LLM tek bir şey yapar:
Sen sorarsın. O cevaplar. Bitti.
Tek atış. Doğrusal. Yineleme yok.
Bir yapay zeka ajanı farklı çalışır.
Zor görevlerde aslında senin çalışma şeklinle aynı şekilde çalışır:
→ Önce plan yap → Araştır → Taslak hazırla → Kendi çalışmasını gözden geçir → Revize et → Tekrarla
Buna ReAct döngüsü denir:
Muhakeme et → Harekete geç → Gözlemle → Tekrarla
Model, sırada ne yapması gerektiği konusunda akıl yürütür. Harekete geçer (genellikle bir aracı çağırarak). Sonucu gözlemler. Ardından ya sana cevabı verir ya da döngüye geri döner.
Bu neden önemli?
Her geçiş derinlik katar. Daha güçlü muhakeme. Daha az halüsinasyon. Daha iyi organizasyon.
Tek seferde yapmaya çalıştığında kaybettiğin her şeyi — ajanlar geri kazanır.
2. Ajanlar Gerçekten Neye İyi Gelir?
Her görevin bir ajana ihtiyacı yoktur.
Doğru zihinsel model: bir 2×2 matris.
Eksenler: Karmaşıklık vs Gereken Kesinlik.
→ Düşük karmaşıklık + yüksek kesinlik = sadece kod kullan → Düşük karmaşıklık + düşük kesinlik = sadece tek bir LLM istemi kullan → Yüksek karmaşıklık + yüksek kesinlik = ağır korkuluklara sahip ajanlar (vergi formları, yasal belgeler) → Yüksek karmaşıklık + düşük kesinlik = başlamak için en uygun nokta
Bu son çeyrek, en hızlı erken kazancındır.
Mükemmel ajan görevlerine örnekler:
→ Araştırma yap ve bir rapor yaz
→ Müşteri e-postalarını yanıtla (siparişi bul → taslak cevap hazırla)
→ Faturaları işle
→ veritabanına kaydet
→ Envanteri fiilen kontrol ederek "80 doların altında blue jean var mı?" sorusunu yanıtla
Ajanlar, görevin ihtiyaç duyduğu durumlarda parlar:
→ Birden çok adım
→ Harici bilgi
→ Yineleme ve kendi kendini düzeltme
Tek bir istemle çözebiliyorsan — ajan kurma.
3. Özerklik Yelpazesi
Bir ajan kurarkenki ilk büyük karar:
Ona ne kadar kontrol veriyorsun?
Bir yelpaze düşün.
Senaryolaştırılmış (sol uç)
Her adımı sen kodlarsın.
→ Arama terimleri oluştur → web aramasını çağır → sayfaları getir → makale yaz.
Model sadece metin üretimi yapar. Diğer her şeye sen karar verirsin. Öngörülebilir. Hata ayıklaması kolay. Sınırlı.
Yarı Özerk (orta)
Ajan, senin tanımladığın araçlardan seçim yapar. Senin belirlediğin korkuluklar içinde kararlar alır. Gerçek üretim sistemlerinin çoğu burada yaşar.
Tam Özerk (sağ uç)
LLM her şeye karar verir. Neyi arayacağına. Kaç sayfa getireceğine. Yansıtıp yansıtmayacağına. Yeni kod yazıp çalıştırmayacağına. Daha güçlü. Kontrol etmesi çok daha zor.
Nereden başlamalısın?
Yelpazenin ortası. Ona araçlar ver. Korkuluklar belirle. Özerkliği ancak güven kazandıkça ekle.
4. Bağlam Mühendisliği
İşte bir ajana gerçekten "zeki" yapan şey.
Bu sadece modelin kendisi değil.
Etrafında inşa ettiğin bağlamdır.
Bağlam mühendisliği = ajanın her an hangi bilgiye sahip olduğuna karar vermek.
Bu şunları içerir:
→ Arka plan — görev nedir, kullanıcı kimdir
→ Rol — "sen pazar analizinde uzmanlaşmış bir araştırma ajanısın"
→ Bellek — önceki adımlarda ne oldu
→ Mevcut araçlar — hangi işlevleri çağırabilir
→ Bilgi — başvurabileceği belgeler, veritabanları, PDF'ler
Bunu iyi mühendislik et → model tutarlı davranır.
Kötü mühendislik et → öngörülemez çöp.
Model her iki durumda da aynıdır.
Bağlam, harika bir ajandı kırık olandan ayıran şeydir.
5. Görev Ayrıştırması
Ajan kurmada en önemli beceri.
Şununla başla: bir insan bu görevi nasıl yapardı?
Ardından her adım için sor: bunu bir LLM yapabilir mi? Biraz kod? Bir API çağrısı?
Cevap hayırsa → mümkün olana kadar daha küçük parçalara böl.
Örnek — makale yazan ajan:
- Taslak → LLM yapıyı oluşturur
- Arama terimleri → LLM üretir, ardından arama API'sini çağırır
- Sayfaları getir → Araç çağrısı
- Taslağı yaz → LLM getirilen kaynakları kullanır
- Öz eleştiri → LLM boşlukları ve zayıflıkları listeler
- Revize et → LLM eleştiriye dayanarak yeniden yazar
Her adım: → Küçük → Kontrol edilebilir → Net bir girdi ve çıktıya sahip
Nihai çıktı kötü olduğunda, hangi adımı düzelteceğini tam olarak bilirsin.
Bu, ayrıştırmanın süper gücüdür.
BÖLÜM 2: ORTA DÜZEY Gerçekten çalışan çoklu ajan sistemleri kurmak
6. Değerlendirme (Profesyonelleri Hobicilerden Ayıran Sıkıcı Şey)
Kimse değerlendirmeler hakkında konuşmak istemez.
Gerçek sistemleri gönderen herkes yapar.
Ajanının çalışıp çalışmadığını nasıl ölçersin?
Basit görevler → doğru cevapları say. Müşteri hizmetleri botu envanter sorusunu doğru cevapladı mı? Evet/hayır.
Karmaşık görevler → bir LLM'yi yargıç olarak kullan. Sabit bir rubrik kullanarak ikinci bir modelin çıktıyı 1–5 arası puanlamasını sağla. Makalenin güçlü argümanları var mıydı? Doğru alıntılar? Doğru ton?
İhtiyacın olan iki seviye değerlendirme:
→ Bileşen seviyesi — her bir adım çalışıyor mu? (Arama sorguları yeterince spesifik mi? Eleştiri gerçek geri bildirim veriyor mu?)
→ Uçtan uca — nihai çıktı iyi mi? (Makale gerçekten iyi mi?)
Uçtan uca başarısız olursa ancak bileşen değerlendirmeleri geçerse → devir teslim sorunu. Belirli bir bileşen başarısız olursa → o ajanın üzerinde çalışılması gerekir.
Değerlendirmeye ilk günden başla. "Mükemmel" bir değerlendirme sistemi için bekleme. Hızlı bir şey gönder ve yinele.
7. Bellek ve Bilgi
İnsanların karıştırdığı birbirinden çok farklı iki şey.
Bellek = dinamik. Her çalıştırmada güncellenir.
→ Kısa vadeli: ajan çalışırken notlar alır. Diğer ajanlar bu notları okuyabilir. → Uzun vadeli: bir görevden sonra ajan yansıtır. Ne iyi gitti? Ne iyi gitmedi? Dersleri saklar.
Sonraki çalıştırma → bu dersleri yükler → uygular.
Ajanları ince ayar yapmadan "eğitme" yöntemin budur. Geri bildirim ver → ajan her çalıştırmada gelişir.
Bilgi = statik. Önceden yüklenir.
→ PDF'ler, CSV'ler, dahili belgeler, veritabanı erişimi → Ajanın referans kitaplığı → Bir kere ver. Doğru cevaplar için gerektiğinde ondan çeker.
Şöyle düşün:
Bellek = deneyimden öğrendiklerin. Bilgi = başvurabileceğin ders kitapları.
Her ikisi de önemlidir. Hiçbiri diğerinin yerini tutmaz.
8. Korkuluklar
Çalışan bir ajan, güvenli bir ajan değildir.
LLM'ler deterministik değildir.
Biçimi yanlış alabilir, yanlış bir gerçeği belirtebilir, görev dışına çıkabilir.
Korkuluklar, "ajan işin bittiğini söyler" ile "görev fiilen sonlandırıldı" arasındaki kalite kapısıdır.
Üç tür:
Tür 1 — Kod kontrolleri (hızlı + ucuz)Deterministik şeyler için kullan. → Çıktı doğru formatta mı? Doğru uzunlukta mı? Gerekli alanlar mevcut mu? Basit bir doğrulama işlevi yaz. Anında çalıştır. Mümkün olduğunda her zaman bunu tercih et.
Tür 2 — LLM yargıcıNüanslı kalite kontrolleri için kullan. → "Bu yanıt, kaynak belgelerle gerçekten tutarlı mı?" → "Ton profesyonel ve olumlu mu?" Yargıç hayır derse → nedenini açıklar → ajan revize eder → tekrar dener.
Tür 3 — Döngüde insanYüksek riskli kararlar için kullan. Ajan sonuçlandırmadan önce durur. İnceleme için çıktıyı insana gönderir. İnsan onaylar, reddeder veya değişiklik ister.
Çoğu üretim sistemi bu üçünden en az ikisini kullanır.
- Her Ajanı Güçlendiren 4 Tasarım Deseni
Bu dört desen, ajanları güvenilir bir şekilde daha iyi hale getirir.
Desen 1: Yansıtma
İlk taslakta durma.
Model çıktı üretir → eleştirir → eleştiriye dayanarak yeniden yazar.
E-posta v1: "Selam, gelecek ay buluşalım. Teşekkürler." Eleştiri: belirsiz tarih, imza yok, ton çok samimi. E-posta v2: "Merhaba Alex, 5–7 Ocak'ta buluşalım. Size uyan zamanı bana bildirin. Sevgiler, Sai."
Kodla daha da güçlenir — yaz, çalıştır, hataları yakala, geri besle, model düzeltir.
Şunlar için kullan: yapılandırılmış çıktılar, uzun metin yazma, kod, prosedürel adımlar.
Desen 2: Araç Kullanımı
LLM'ye çağırabileceği işlevlerden oluşan bir menü ver.
Model, ne zaman ve hangi aracı kullanacağına karar verir.
Web araması. Veritabanı sorgusu. Kod çalıştırma. Takvim. E-posta. API çağrıları.
LLM'ler bunların hiçbirini tek başına yapamaz. Araçlar, ajanların dünyayla etkileşime geçme şeklidir.
Desen 3: Planlama
Sabit bir boru hattı yerine, ajanın adımlara karar vermesine izin ver.
Ona bir araç seti ver. Bir plan yapması için istem ver. Adım adım yürüt.
Perakende örneği: "100 doların altında yuvarlak güneş gözlüğü var mı?" Ajan planlar: açıklamaları ara → envanteri kontrol et → fiyata göre filtrele → cevapla.
Bu kesin adımları sen betiklemedin. Ajan onları seçti.
Desen 4: Çoklu Ajan İşbirliği
Karmaşık işi uzmanlaşmış ajanlar arasında böl.
Araştırmacı → Tasarımcı → Yazar.
Her ajan kendi spesifik işinde harikadır. Çıktı daha iyidir çünkü tek bir ajan her şeyi yapmaya çalışmaz.
10. Çoklu Ajan Sistemi Tasarımı
Çoklu ajanlı bir sistemi fiilen nasıl yapılandırırsın?
En basitten en karmaşığa dört koordinasyon deseni.
Desen 1: SıralıHer ajan bitirir → çıktıyı sonraki ajana geçirir. Montaj hattı gibi. Araştırmacı → Tasarımcı → Yazar → Bitti. Hata ayıklaması kolay. Öngörülebilir. Buradan başla.
Desen 2: ParalelBağımsız ajanları aynı anda çalıştır. Araştırmacı + Tasarımcı aynı anda çalışır. Yazar çıktılarını birleştirir. Daha hızlı. Daha fazla koordinasyon karmaşıklığı.
Desen 3: Yönetici HiyerarşisiBir yönetici ajan, uzmanları koordine eder. Yönetici planlar, yetki devreder, inceler. Uzmanlar birbirlerine değil, yöneticiye rapor verir. Bugün gerçek üretim sistemlerinde en yaygın desen.
Desen 4: Herkese HerkesHerhangi bir ajan, diğer herhangi bir ajana mesaj gönderebilir. Kaotik. Tahmin etmesi zor. Yalnızca varyasyonun sorun olmadığı yaratıcı/düşük riskli işler için. Üretimde kullanma.
Altın kural: Sıralı başla. Karmaşıklığı yalnızca ihtiyacın olduğunda ekle.
BÖLÜM 3: ÜRETİM Prototipten Gönderime Gerçekten Ne Geçirir?
11. Gelişmiş Görev Ayrıştırması
Karmaşık çoklu ajan sistemlerinde, ayrıştırma şeklin çok önemlidir.
4 desen:
İşlevsel — teknik alana göre böl. Ön uç ajanı. Arka uç ajanı. Veritabanı ajanı. Mühendislik ekipleri için klasik.
Uzamsal — dosya veya dizin yapısına göre böl. Ajan 1, /services/users/ ile ilgilenir. Ajan 2, /services/orders/ ile ilgilenir. Büyük kod tabanları için harika. Çakışmaları en aza indirir.
Zamansal — sıralı aşamalara göre böl. Aşama 1: Araştırma. Aşama 2: Plan. Aşama 3: İnşa. Aşama 4: Yayınla. Bir sonraki başlamadan önce her aşama biter.
Veri odaklı — veri bölümlerine göre böl. Ajan 1, 1. Haftanın günlüklerini işler. Ajan 2, 2. Haftanın günlüklerini işler. Vb. Büyük veri kümeleri için güçlüdür. Analizi paralelleştirir.
Bunları karıştırabilirsin.
Ana yapı için işlevsel ayrıştırma + her ajanın içinde zamansal ayrıştırma.
Görevinin doğal sınırlarına uygun olanı kullan.
12. Üretimde Kaliteyi Artırmak
Sistem çalışıyor ancak yeterince iyi değil.
İki tür bileşen. İki farklı düzeltme stratejisi.
LLM olmayan bileşenler (web araması, RAG, OCR, kod yürütme):
→ Düğmeleri ayarla: arama tarih aralıkları, en iyi-k sonuçları, öbek boyutu, benzerlik eşikleri → Sağlayıcıları değiştir: farklı arama API'leri, görüntü modelleri, ayrıştırıcılar dene
LLM bileşenleri (üretim, muhakeme, çıkarma):
→ İstemi iyileştir: kısıtlamalar, örnekler, çıktı şemaları ekle → Farklı bir model dene: bazı modeller kodda daha iyidir, diğerleri talimatları takip etmede → Daha zor görevleri daha küçük parçalara ayır → İnce ayar yap (yalnızca son çare — maliyetli, son birkaç % için sakla)
Sıra önemlidir.
Önce istemleri düzelt. Farklı bir model dene. Daha fazla ayrıştır. Son olarak ince ayar yap.
Çoğu ekip, 2. adımda yeterince iyi kaliteye ulaşır.
13. Gecikme ve Maliyet
Önce kalite. Ardından hız ve maliyet.
Gecikmeyi azaltma:
- Her adımı ölç. Gerçek darboğazı bul.
- Başka bir adıma bağlı olmayan her şeyi paralelleştir.
- Modelleri doğru boyutlandır — basit adımlar için hızlı ucuz LLM, muhakeme için büyük model.
- Daha hızlı sağlayıcılar dene — token akış hızları çok değişir.
- Bağlamı kırp — daha kısa istemler daha hızlı kod çözer.
Maliyeti azaltma:
Tipik bir araştırma ajanı çalıştırması için gerçek maliyet dökümü:
→ LLM üretim çağrıları: ~$0.04 → Web arama API çağrıları: ~$0.02 → Yerleştirme çağrıları: ~$0.005 → Altyapı: ~$0.015 → Çalıştırma başına toplam: ~$0.08
Günde 1.000 çalıştırmada = 80$/gün = 2.400$/ay.
Nasıl kısılır:
→ Önce en büyük kovalara saldır → Modellerini kademelendir — kolay için ucuz, zor için pahalı → Sonuçları agresif bir şekilde önbelleğe al (arama sonuçları, yerleştirmeler, özetler) → Çıktıları sınırlandır ("JSON döndür. En fazla 5 alan.") → Mümkün olduğunda işlemleri toplu hale getir
14. Gözlemlenebilirlik: Ajanlarınızı Ölçekte İzlemek
Geleneksel yazılım: yürütme yolunu izle. A, B'yi çağırır. B, DB'yi çağırır. Sonucu döndürür.
Yapay zeka ajanları böyle çalışmaz.
Deterministik değillerdir. Aynı girdi → farklı çıktı. Dağıtılmış yürütme. Başarısız olabilecek harici bağımlılıklar.
İki tür görünürlüğe ihtiyacın var:
Yakınlaştırma metrikleri (tek çalıştırma hata ayıklaması)→ Tam izleme: her istem, her araç çağrısı, kullanılan her token → Ajan neden bu aracı seçti? → Her adım ne döndürdü? → Tam olarak nerede başarısız oldu?
Sadece ne olduğunu değil, neden olduğunu da günlüğe kaydet: "Ajan, sorgu 'son' içerdiğinden RAG yerine web aramasını seçti" "Yansıtma 3 sorun belirledi: eksik alıntı, belirsiz tarih, yanlış ton"
Uzaklaştırma metrikleri (birçok çalıştırmada sistem sağlığı)→ Zaman içinde kalite puanları → Halüsinasyon oranları → Başarı oranları → Değişiklikler yardımcı mı oluyor yoksa zarar mı veriyor?
Her izlemeyi ölçekte manuel olarak inceleyemezsin.
Kalite örneklemesi kullan — tüm çalıştırmaların bir yüzdesini değerlendir. Bir eğilim çizgisi oluştur.
Kullanıcılar yapmadan önce gerilemeleri bu şekilde yakalarsın.
15. Güvenlik: Kimsenin Hakkında Konuşmadığı (Ama Konuşması Gereken) Kısım
Yapay zeka ajanları için güvenlik, geleneksel uygulama güvenliği gibi değildir.
Sadece harici saldırganlara karşı koruma sağlamıyorsun.
KENDİ sisteminin tehlikeli kararlar almasına karşı da koruma sağlıyorsun.
Tehditler:
→ İstek enjeksiyonu — kullanıcı girdisindeki kötü niyetli içerik, ajanın talimatlarını ele geçirir → Güvensiz kod üretimi — ajan, hassas verilere erişen veya zararlı şeyler yapan kod yazar → Veri sızıntısı — PII veya tescilli bilgilerin çıktılar veya araç çağrıları yoluyla ifşa olması → Kaynak tükenmesi — ajanların sonsuz döngüler döndürmesi veya pahalı API çağrılarını yakması
Kod yürütme en riskli özelliktir.
Etkinleştirirsen, güvenli bir şekilde nasıl yapılacağı aşağıda açıklanmıştır:
→ Docker'da sanal alana al. Kapsayıcı her çalıştırmadan sonra yok edilir. → Sabit kaynak sınırları belirle: zaman aşımları, bellek sınırları, CPU sınırları → Yalnızca belirli güvenli kitaplıkları beyaz listeye al → Araca ulaşmadan önce tüm girdileri doğrula → Hassas veriler (API anahtarları, PII) için tüm çıktıları tara → Determinist G/Ç kullan — kod, kullanıcılara serbest biçimli metin değil, yapılandırılmış JSON döndürür
Çoğu ekip bu dersleri zor yoldan öğrenir.
Göndermeden önce bunu oku.
Eksiksiz kurs bu kadar.
ÖZET
BAŞLANGIÇ:→ Ajanlar yinelemeli çalışır — planla, harekete geç, gözlemle, tekrarla → ~%90 doğrulukla başa çıkabilen karmaşık çok adımlı görevler için en iyisi → Tam özerk değil, yarı özerk başla → Bağlam mühendisliği gerçek zekadır → Görev ayrıştırması en önemli beceridir
ORTA DÜZEY:→ İlk günden değerlendirme — karmaşık görevler için yargıç olarak LLM → Bellek (dinamik) ≠ Bilgi (statik) → Üç tür korkuluk: kod → LLM yargıcı → insan → Her zaman yardımcı olan 4 desen: yansıtma, araç kullanımı, planlama, çoklu ajan → Sıralı başla. Koordinasyon karmaşıklığını yalnızca gerektiğinde ekle.
ÜRETİM:→ 4 ayrıştırma deseni: işlevsel, uzamsal, zamansal, veri odaklı → İnce ayardan önce istemleri düzelt → Adım başına gecikme ve maliyeti ölç, ardından en büyük kovalara saldır → İki gözlemlenebilirlik modu: yakınlaştırma izlemeleri + uzaklaştırma sağlık metrikleri → Güvenlik = yalnızca saldırganlara karşı değil, kendi sistemine karşı koruma
Çoğu insan ajan kurmaya başlar.
Çok az insan ölçekte güvenilir şekilde çalışan ajanları gönderir.
Aradaki fark bu makaledeki her şeydir.
Bu faydalıysa:
→ Paylaşmak için tekrar gönder → Daha fazla böyle dökümler için @sairahul1'i takip et → Bunu yer imlerine ekle — inşa ederken başvuracaksın
AI sistemleri, ürünler oluşturmak ve siz uyurken çalışan otomasyon hakkında yazıyorum.
