AI agent (yapay zeka ajanı) geliştirmek, bir dil modelinin döngü içinde çalıştığı bir yazılım kurmak demek: model hedefi okur, çağıracağı aracı seçer (bir API, bir veritabanı sorgusu, bir arama), sonuca bakar ve iş bitene ya da kodunuz onu durdurana kadar bir sonraki adıma kendisi karar verir. İşin kolay tarafı model. Asıl emek, az sayıda ve dar kapsamlı araç tasarlamaya, ajanın insan onayı olmadan neler yapabileceğini sınırlamaya ve canlıya çıkmadan önce onu gerçek vakalarla test etmeye gider.
Ajan kurmaya başlamadan önce, tek bir model çağrısı içeren sabit bir iş akışının işi görüp görmeyeceğine bakın. Çoğu zaman daha ucuzdur; bozulduğunda da nerede bozulacağını önceden kestirebilirsiniz.
Pratikte iş şu sırayla ilerler:
- Tek bir görev seçin ve bu görevin gerçekten bir ajana ihtiyacı olup olmadığına, yoksa sabit bir iş akışının yetip yetmeyeceğine karar verin.
- O görevden birkaç düzine gerçek vaka toplayın ve her biri için doğru sonucun ne olduğunu yazın. Bu liste hem test setiniz olur hem de "iş bitti" demenin ölçütü.
- Az sayıda, dar kapsamlı araç tasarlayın ve hangi işlemlerin insan onayı gerektirdiğini belirleyin.
- Döngüyü kendiniz yazın ya da bir framework seçin; en baştan bir adım sınırı koyun ve her çağrıyı loglayın.
- Prompt'ta, araçlarda ya da modelde yaptığınız her değişiklikten sonra test setini yeniden çalıştırın.
- Canlıya kademeli geçin: ilk aşamada ajan yalnızca ne yapılacağını önersin. Görev başına maliyeti de en baştan izleyin.
Ankara'da küçük bir yazılım ekibiyiz. Aşağıdaki önerilerden hangisinin müşteri projelerimizden (belgelerden veri çıkaran bir iş akışı, bir egzersiz programı üreticisi ve bir muhasebe asistanı için yaptığımız veri ve yapay zeka çalışması) geldiğini yeri geldikçe belirtiyoruz; geri kalanı sağlayıcıların dokümantasyonuna dayanıyor.
Önce karar verin: ajan mı, iş akışı mı?
Anthropic mühendisleri Building effective agents yazısında ayrımı net çiziyor. İş akışında model ve araçlar önceden yazdığınız kod yollarını izler. Ajanda ise hangi adımı atacağına ve hangi aracı kullanacağına model karar verir. Önerileri, işe yarayan en basit çözümle başlamak ve özerkliği ancak karşılığını verdiğinde eklemek; çünkü ajan esnekliği daha fazla gecikme ve maliyet pahasına sağlar. Microsoft'un Agent Framework dokümantasyonu daha da kestirip atıyor: iş düz bir fonksiyonla çözülüyorsa fonksiyonu yazın.
Çoğu projede kararı şu üç soru belirliyor:
- Adımları kâğıda dökebiliyor musunuz? Süreç her seferinde aynıysa (belgeyi oku, alanları çıkar, arşivle, ilgili kişiye haber ver) iş akışı kurun. Adımların sayısı ve sırası sistemin yol üstünde bulduğu bilgiye göre değişiyorsa ajan anlamlı olmaya başlar.
- Tek bir görev birkaç model çağrısına değer mi? Ajan, iş akışının tek çağrıda yaptığı işe birkaç çağrı harcar. Birinin bir saatini alacak bir destek talebi için bu makul, ürün fotoğrafı etiketlemek için israf.
- Hata yakalanıp geri alınabiliyor mu? Taslaklar, öneriler ve salt okunur araştırmalar başlamak için güvenli alanlar. Ödeme, müşteriye giden e-posta ve silme işlemlerinde ise model ne kadar iyi olursa olsun araya bir insan girmeli.
Kanada'daki bir petrol sahası hizmet şirketi için bir iş ortağımızla birlikte kurduğumuz saha fişi otomasyonu, akla önce "ajan" olarak gelen ama iş akışıyla rahatça çözülen işlere iyi bir örnek. Fişler Gmail üzerinden geliyor. Her akşam çalışan bir n8n iş akışı günün PDF'lerini alıyor, fatura alanlarını bir LLM'e JSON olarak çıkartıyor, her PDF'i JSON'uyla birlikte tarihli Google Drive klasörlerine kaydediyor ve faturalama ekibine birleştirilmiş bir raporu e-postayla gönderiyor. Akış Eylül 2025'ten beri her gün çalışıyor ve günde yaklaşık 100 belge işliyor. Yol hiç değişmediği için hiçbir adımda "sırada ne var" kararını modele bırakmak gerekmiyor. Ayrıntılar vaka çalışmasında.
Sık kullanılan bir orta yol da var: işin çoğunu sabit bir iş akışı yapar, yalnızca sıra dışı vakaları birkaç sorgulama aracı olan bir ajana devreder. Çalıştırmaların çoğu ucuz ve öngörülebilir kalır; fazladan model çağrılarının bedelini yalnızca gerçekten gereken vakalarda ödersiniz.
Ajan nasıl çalışır: döngü
Hangi framework'ü kullanırsanız kullanın, altta aynı döngü var. Kodunuz modele o ana kadarki konuşmayı ve bir araç listesini gönderir. Model ya cevap verir ya da bir aracın çağrılmasını ister. Kodunuz aracı çalıştırır, sonucu konuşmaya ekler ve modeli yeniden çağırır. Bu, 2022 tarihli bir makaleyle yaygınlaşan ReAct fikrinin (düşün, uygula, sonucu gözlemle, tekrarla) karşılığı; büyük model API'leri bunu bugün doğrudan araç çağırma (tool calling) olarak destekliyor.
Aşağıda bu döngü, Anthropic SDK ile düz Python'da yazılmış halde. Örnek, siparişlere bakabilen ve bir siparişi iade edebilen bir e-ticaret asistanı. Diğer sağlayıcıların SDK'ları da aynı yapıda.
import json
import anthropic
client = anthropic.Anthropic() # ANTHROPIC_API_KEY ortam değişkenini okur
MODEL = "claude-opus-5-5"
MAX_STEPS = 8 # model ne isterse istesin kesin sınır
NEEDS_APPROVAL = {"refund_order"} # veri değiştiren her işlemi bir insan onaylar
TOOLS = [
{
"name": "find_orders",
"description": "Salt okunur. Müşterinin son 10 siparişini JSON olarak döndürür "
"(id, tarih, tutar, durum). İadeden önce mutlaka çağır.",
"input_schema": {
"type": "object",
"properties": {"email": {"type": "string"}},
"required": ["email"],
"additionalProperties": False,
},
"strict": True,
},
{
"name": "refund_order",
"description": "Teslim edilmiş tek bir siparişin tutarının tamamını iade eder. "
"Başka durumdaki siparişlerde hata verir. Her çağrıyı bir insan onaylar.",
"input_schema": {
"type": "object",
"properties": {"order_id": {"type": "string"}, "reason": {"type": "string"}},
"required": ["order_id", "reason"],
"additionalProperties": False,
},
"strict": True,
},
]
def run_agent(task, handlers, approve):
messages = [{"role": "user", "content": task}]
for step in range(MAX_STEPS):
response = client.messages.create(
model=MODEL, max_tokens=16000, tools=TOOLS, messages=messages,
system="Bir e-ticaret sitesinin iade taleplerini yanıtlıyorsun. "
"Araçları kullan, sipariş bilgisini asla tahmin etme.",
)
messages.append({"role": "assistant", "content": response.content})
if response.stop_reason != "tool_use": # bitti, reddetti ya da token sınırına geldi
return next((b.text for b in response.content if b.type == "text"), "")
results = []
for call in [b for b in response.content if b.type == "tool_use"]:
print(f"adım {step}: {call.name} {json.dumps(call.input, ensure_ascii=False)}")
result = {"type": "tool_result", "tool_use_id": call.id}
if call.name in NEEDS_APPROVAL and not approve(call.name, call.input):
result |= {"content": "Bu işlemi bir insan reddetti.", "is_error": True}
else:
try:
result["content"] = handlers[call.name](**call.input)
except Exception as exc: # hatayı modele göster, başka yol denesin
result |= {"content": f"Hata: {exc}", "is_error": True}
results.append(result)
messages.append({"role": "user", "content": results})
raise RuntimeError(f"{MAX_STEPS} adımda cevap çıkmadı; işi bir insana devredin.")Çağırırken her araç için string döndüren kendi fonksiyonunuzu ve bir insana onay sormanın bir yolunu veriyorsunuz:
cevap = run_agent(
"ayse@example.com son siparişinin kırık geldiğini söylüyor, parasını geri istiyor.",
handlers={"find_orders": find_orders, "refund_order": refund_order},
approve=lambda ad, girdi: input(f"{ad} {girdi} onaylansın mı? [e/H] ") == "e",
)Koddaki önemli kısımların zekâyla pek ilgisi yok:
MAX_STEPSkesin bir sınır. Araç çağırmayı bırakmayan model para harcamayı da bırakmaz; Anthropic'in yazısı da tam bu yüzden en fazla adım sayısı gibi durma koşulları öneriyor.- Veri değiştiren işlemler
approveüzerinden geçiyor. İadeyi model isteyebilir, kararı bir insan verir. - Araç hataları çalışmayı çökertmiyor,
is_errorile modele geri dönüyor. Model başka bir yol deneyebilir ya da sorunu açıklayabilir. - Her araç çağrısı argümanlarıyla birlikte ekrana yazılıyor. Bir çalıştırma ters gittiğinde okuyacağınız şey bu kayıt olacak.
refund_ordertutarın tamamını iade ediyor ve teslim edilmemiş siparişi reddediyor. Araç tutar parametresi almadığı için model yanlış tutar seçemiyor.
Framework'ler bunun üstüne durum saklama, yeniden deneme, akış (streaming), izleme ve çoklu ajan yönetimi ekler. Alttaki döngü aynı kalır; bu yüzden framework seçmeden önce onu bir kez elle yazmak işinize yarar.
İşin çoğu araçlarda
Model, araçlar hakkında yalnızca adlarının, açıklamalarının ve şemalarının söylediğini bilir. Anthropic, araç tanımlarına prompt'a harcanan kadar emek verilmesini, araçların çok sayıda örnek girdiyle denenmesini ve hata yapmayı zorlaştıracak biçimde tasarlanmasını öneriyor. Pratikte bunun karşılığı şu:
- Daha az ve daha dar araç.
refund_order(order_id), model içinrun_sql(query)aracından hem daha güvenli hem daha anlaşılır. OWASP, bir LLM sisteminin zararlı işlemlere yönlendirilebilmesi riskine Excessive Agency adını veriyor ve ilk kök neden olarak gereğinden fazla işlevi, yani görevin ihtiyacından fazlasını yapabilen araçları sayıyor. - Ekibe yeni katılan birinin anlayacağı açıklamalar: araç ne yapar, ne zaman kullanılır, ne döndürür, neyi reddeder. Prompt yazarken dikkat ettiğiniz kurallar burada da geçerli.
- Küçük ve ilgili sonuçlar. Müşteri kaydının tamamı yerine ajanın ihtiyaç duyduğu beş alanı döndürün. Bağlam kısa kalır, kişisel veri de gitmesi gerekmeyen yere gitmez.
- Yetki kontrolü aracın arkasındaki sistemde. Araç, kullanıcının ya da dar yetkili bir servis hesabının haklarıyla çalışmalı; model ne isterse istesin, izin verilmeyen işlemi backend reddetmeli. OWASP bunu complete mediation (eksiksiz denetim) ilkesi olarak anıyor.
- Veri değiştiren araçlar idempotent olmalı: ajan iadeyi yeniden denerse ikinci çağrı hiçbir etki yaratmamalı.
Aynı araçları birden fazla ajan ya da yapay zeka istemcisi kullanacaksa, onları tek bir uygulamanın içine gömmek yerine bir Model Context Protocol (MCP) sunucusunun arkasına koyun. MCP artık Linux Foundation çatısı altında açık bir standart ve framework'lerin çoğu MCP araçlarını doğrudan kullanabiliyor. Şu sıralar bir müşterimizin emlak arama platformu için bir MCP sunucusu geliştiriyoruz; bir sunucunun nasıl kurulduğunu MCP yazımızda anlattık.
2026'da framework seçimi
Framework, çevresindeki araçlar ve sınırlar kadar belirleyici değil. Anthropic de ağır soyutlamaların, hata ayıklarken görmeniz gereken prompt'ları ve cevapları gizleyebileceği konusunda uyarıyor. Yine de ekiplerin bugün karşılaştırdığı seçenekler şunlar:
Seçenek | Nedir | Ne zaman uygun |
|---|---|---|
Sağlayıcı SDK'sı, kendi döngünüz | Yukarıdaki kod ya da SDK'nın beta aşamasındaki hazır araç döngüsü (tool runner) | Birkaç aracınız var ve her isteği görmek istiyorsunuz |
LangGraph | LangChain ekibinin graf tabanlı, durum tutan ajan altyapısı; Ekim 2025'ten beri 1.0 | Açık dallanmalara, kayıt noktalarına (checkpoint) ve insan onayı için duraklamalara ihtiyacınız var |
OpenAI Agents SDK | Ajanlar ve ajanlar arası devir (handoff) için hafif bir Python framework'ü; LiteLLM üzerinden başka sağlayıcıların modelleriyle de çalışıyor | Az soyutlama, hazır izleme ve devir istiyorsunuz |
Claude Agent SDK | Claude Code ajanının kütüphane hali; dosya, kabuk ve arama araçları hazır geliyor | Ajan dosyalar, kod ya da ona verdiğiniz bir makine üzerinde çalışacak |
Google ADK | Kod öncelikli bir framework; Gemini için ayarlanmış ama modelden bağımsız | Google Cloud ya da Gemini kullanıyorsunuz |
Microsoft Agent Framework | Python ve .NET, Go önizlemede; AutoGen ile Semantic Kernel'in devamı | .NET ya da Azure ağırlıklı çalışıyorsunuz veya taşınacak AutoGen kodunuz var |
CrewAI | Rol tabanlı ajan ekipleri (crew) ve olay güdümlü Flows; LangChain'den bağımsız | İş, araştırmacı ve denetçi gibi rollere doğal olarak bölünüyor |
Pydantic AI | Tip denetimli bir Python ajan framework'ü; birçok model sağlayıcısını destekliyor | Python kod tabanınızda girdi ve çıktıların tip kontrolünden geçmesini istiyorsunuz |
Yeni bir proje için AutoGen öneren bir yazıya denk gelirseniz yazı eskimiş demektir: Microsoft, Agent Framework'ü hem AutoGen'in hem de Semantic Kernel'in doğrudan halefi olarak tanımlıyor.
Hangisini seçerseniz seçin, modeli değiştirilebilir tutun. Müşteri işlerimizden iki örnek bunun nedenini gösteriyor. Saha fişi iş akışında en sık karşılaştığımız sorun LLM API'sinin istek sınırına takılmaktı (HTTP 429); çözüm, belgenin yine de işlenmesi için alternatif modellere geçen yedek yollar eklemek oldu. Jenesys AI'ın muhasebe asistanında ise geliştirdiğimiz özel modelleri bir süre sonra öncü (frontier) modeller geride bıraktı. Model adını koda değil yapılandırmaya yazın ve test setinizi ara sıra ikinci bir modelle de çalıştırın.
Güvenlik: ajanın kandırılacağını varsayın
Ajanın okuduğu her metin talimat taşıyabilir: bir müşteri e-postası, bir PDF, bir web sayfası, bir aracın döndürdüğü sonuç. Buna dolaylı prompt injection deniyor. OWASP'ın prompt injection maddesi, kesin bir önleme yöntemi olup olmadığının belirsiz olduğunu açıkça yazıyor. Filtreler ve özenle yazılmış prompt'lar riski azaltır, sıfırlamaz.
Bu yüzden tasarımı, modelin bir şeye ikna edildiği senaryoya göre yapın:
- Her ajana görevinin gerektirdiği en küçük araç ve yetki setini verin; mümkün olan her yerde salt okunur erişim kullanın.
- Sırları (API anahtarları, token'lar, parolalar) modelin bağlamından uzak tutun. Kimlik bilgilerini araçlar tutar, model yalnızca sonucu görür.
- Para harcayan, şirket dışına mesaj gönderen ya da veri silen her işlemden önce bir insanın onayını alın.
- Güvenilmeyen içeriği prompt içinde güvenilmeyen diye işaretleyin ve bu içeriğin hangi araçların kullanılabileceğini değiştirmesine asla izin vermeyin.
- Özel veriye erişen, güvenilmeyen girdi okuyan ve dışarıya veri gönderebilen (e-posta, web isteği, dosya yükleme) ajanlara özellikle dikkat edin. Tek bir ajanın gerçekten üçüne birden ihtiyacı varsa dışarıya giden adıma insan onayı koyun.
Loglama, izleme ve istek sınırları da tasarımda yer almalı. OWASP'ın Excessive Agency maddesi bunların rolünü açıkça yazıyor: hasarı sınırlar ve bir şey olduğunu size gösterirler, ama saldırıyı önlemezler.
KVKK: veri yurt dışındaki bir modele gidiyorsa
Ajanın modele gönderdiği metinde kişisel veri varsa ve model sağlayıcısı bu veriyi yurt dışında işliyorsa, bu kural olarak KVKK'nın 9. maddesindeki yurt dışına aktarım kapsamına girer. Madde 7499 sayılı Kanun'la değişti ve yeni hali 1 Haziran 2024'te yürürlüğe girdi. Aktarım için önce Kurul'un yeterlilik kararına bakılıyor. Yeterlilik kararı yoksa standart sözleşme, bağlayıcı şirket kuralları ya da Kurul izniyle yazılı taahhütname gibi uygun güvencelerden biri gerekiyor; standart sözleşme de imzalandıktan sonra beş iş günü içinde Kurum'a bildirilmeli. Bunların hiçbiri yoksa aktarım ancak arızi olarak ve kanunda sayılan hallerden biri varsa yapılabiliyor.
Ajan tasarımına yansıması şöyle: araçların döndürdüğü veriyi görevin gerektirdiği alanlarla sınırlayın, T.C. kimlik numarası gibi alanları modele göndermeden önce maskeleyin ve hangi sağlayıcıyla hangi güvenceye dayanarak çalıştığınızı hukuk danışmanınızla netleştirin. Veri ülke dışına hiç çıkmamalıysa kendi sunucunuzda çalışan açık kaynak bir model de seçenek. Örneğin Microsoft Agent Framework, Ollama üzerinden çalışan yerel modelleri destekliyor. Yalnız araç çağırma başarısı modelden modele çok değişiyor; test setinizle ölçmeden karar vermeyin.
Canlıya çıkmadan önce ve sonra test
Ajanlar demoda görünmeyen şekillerde hata yapar, o yüzden fazla kod yazmadan önce bir test seti kurun. Otomatikleştirdiğiniz süreçten birkaç düzine gerçek vaka toplayın, her biri için doğru sonucun ne olduğunu yazın ve prompt'ta, araçlarda ya da modelde yaptığınız her değişiklikten sonra ajanı bu vakaların hepsinde çalıştırın. Cevabın yanında izlenen yolu da kontrol edin: doğru cevabı veren ama iade aracını yanlış sipariş için çağıran ajan testi geçmiş sayılmaz.
Gerçek vakalar uydurma vakalardan iyidir. Saha fişi iş akışını canlıya almadan önce veri çıkarmayı bir ay boyunca gerçek fişler üzerinde test ettik. ABD'deki bir spor fizyoterapi kliniği için kurduğumuz sistemde ise bir LLM, 1.800'den fazla kayıtlık bir egzersiz kütüphanesi üzerinde arama yaparak kuvvet ve rehabilitasyon programı taslağı hazırlıyor. Antrenörler sonuçları beğendim/beğenmedim diye işaretliyor ve egzersizleri alternatifleriyle değiştirebiliyor. Bu yıl buna, yapay zekânın hazırladığı programlarla antrenörlerin programlarını karşılaştırıp saklayan bir yapı ekliyoruz; böylece sistemin seçimlerini geçmiş sporcuların verileriyle sınayabileceğiz (vaka çalışması).
Canlıya çıktıktan sonra:
- Her çalıştırmaya bir kimlik (run ID) verin ve her model çağrısını, araç çağrısını ve araç sonucunu bu kimlikle loglayın. Kötü giden bir çalıştırmayı ancak böyle adım adım yeniden izleyebilirsiniz.
- Hata alarmlarının yanına çıktı kontrolleri ekleyin. Jenesys AI'ın asistanında mühendisimiz, temel alanlar (kategori, KDV oranı, izleme kategorisi) boş geldiğinde uyarı üreten kontroller geliştirdi; eksik bir alan artık fark edilmeden geçip gitmiyor.
- Modelin anlattığı akıl yürütmeyi bir hata ayıklama ipucu olarak görün. Güncel akıl yürütme (reasoning) modelleri düşüncelerini çoğu zaman özetliyor ya da hiç göstermiyor; modelin ne yaptığını anlatması, neden öyle davrandığının güvenilir bir kaydı sayılmaz. Asıl kayıt, araç çağrıları ve sonuçları.
Canlıya kademeli geçin. İşe gölge modda (shadow mode) başlayın: ajan ne yapılacağını önersin, işi insanlar yapsın, siz de ikisini karşılaştırın. Sonra işlemleri ajanın yapmasına izin verin, ama veri değiştiren her adımda onay isteyerek. Onayı yalnızca düşük riskli ve kolayca geri alınabilen işlemlerde kaldırın, geri kalan her yerde tutun.
Ajanı çalıştırmanın maliyeti
Ajan da her LLM çağrısı gibi token başına faturalanır; fakat görev başına birkaç çağrı yapar ve her çağrıda o ana kadarki konuşmanın tamamını yeniden gönderir. Bu yüzden maliyet adım sayısından daha hızlı büyür.
Claude Opus 5.5 ile kaba bir hesap yapalım. Anthropic'in fiyat sayfasına göre bu modelde milyon girdi token'ı 4 dolar, milyon çıktı token'ı 20 dolar. Varsayımlar: sistem prompt'u ve araç tanımları 2.000 token, görev altı model çağrısında bitiyor, her adımda konuşmaya yaklaşık 1.000 token ekleniyor ve akıl yürütme dahil her çağrı 400 token çıktı üretiyor.
- Girdi: 2.000 + 3.000 + 4.000 + 5.000 + 6.000 + 7.000 = 27.000 token, yaklaşık 0,108 dolar
- Çıktı: 6 × 400 = 2.400 token, yaklaşık 0,048 dolar
- Toplam: görev başına yaklaşık 0,16 dolar; günde 1.000 görevde yaklaşık 156 dolar
Benzer büyüklükte, tek çağrılık bir iş akışı adımı (3.000 token girdi, 500 token çıktı) ise yaklaşık 0,02 dolar tutuyor; ajanın yedide biri kadar. Fiyatlar dolar cinsinden olduğu için TL bütçe yaparken kuru da hesaba katın. Kendi rakamlarınız farklı çıkacak ve en çok sapan kalem büyük ihtimalle çıktı olacak: modelin akıl yürütmesi (thinking) de çıktı token'ı olarak faturalanıyor ve Opus 5.5 her istekte ne kadar düşüneceğine effort ayarına bakarak kendisi karar veriyor. Her API cevabı, çıktının ne kadarının düşünmeye gittiği dahil, kullandığı token sayısını bildiriyor; bunu ilk prototipten itibaren çalıştırma bazında loglarsanız görev başına gerçek maliyeti görürsünüz.
Maliyeti düşürmenin bilinen yolları şunlar: prompt önbelleği (Opus 5.5'te önbellekten okunan girdi, temel girdi fiyatının yüzde 5'iyle faturalanıyor ve bir ajan çağrısının büyük kısmı zaten tekrar eden bir önek), basit alt adımlar için daha düşük bir effort ayarı ya da daha küçük bir model, daha yalın araç sonuçları ve daha düşük bir adım sınırı.
Bu işi birine yaptıracaksanız
Sözleşmeyi imzalamadan önce şunları sorun:
- Ajan bugün test setindeki hangi vakalarda başarısız oluyor ve bu sayının değiştiğini nasıl göreceğiz?
- İnsan onayı olmadan neler yapabiliyor?
- Model sağlayıcısı çöktüğünde ya da istek sınırına takıldığımızda ne oluyor?
- Proje bittiğinde prompt'lar, araç kodu ve loglar kimde kalıyor?
- Görev başına maliyeti nereden göreceğiz?
Sürecinizin gerçekten bir ajana ihtiyacı olup olmadığı konusunda ikinci bir görüş isterseniz birlikte bakabiliriz.
Sık sorulan sorular
AI agent ile chatbot arasındaki fark ne?
Chatbot konuşmanın içinde cevap verir. Ajan ise araçlar üzerinden iş yapabilir (siparişe bakmak, kayıt açmak, sorgu çalıştırmak) ve kaç adıma ihtiyacı olduğuna kendisi karar verir. Chatbot diye satılan ürünlerin bir kısmı aslında bir iki aracı olan küçük ajanlar.
Ajan geliştirmek için vektör veritabanı şart mı?
Yalnızca ajanın büyük bir metin yığını içinde arama yapması gerekiyorsa; o durumda arama (retrieval) da bir araç olur. Yukarıdaki fizyoterapi program üreticisi kliniğin egzersiz kütüphanesi üzerinde arama yapıyor, koddaki iade ajanının ise buna ihtiyacı yok.
Kod yazmadan ajan kurulabilir mi?
Basit işler için evet. Görsel iş akışı araçlarında ajan adımları var; örneğin n8n'in AI Agent node'u, bağladığınız araçları bir sohbet modelinin kullanımına açıyor ve hangisinin çağrılacağına model karar veriyor. Bu yazıdaki kurallar orada da geçerli: az ve dar kapsamlı araç, veri değiştiren işlemlerden önce onay, bir test seti ve her çağrının kaydı. Platformun ayakta kalacağından da emin olun: OpenAI, görsel ajan aracı Agent Builder'ı 30 Kasım 2026'da kapatıyor.
Bir AI agent geliştirmek ne kadar sürer?
İki üç araçlı bir prototip birkaç gün içinde çalışır hale gelebilir. Gerçek bir test setini geçmesi, onay adımları, loglama ve izlemeyle birlikte canlıya hazır olması daha uzun sürer. Gösterebileceğimiz en yakın örnek saha fişi iş akışı: proje Temmuz 2025'te başladı, akış Eylül 2025'te canlıya çıktı ve öncesinde bir ay boyunca gerçek fişlerle test edildi.
İlgili Makaleler
MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu
MLOps, bir modeli canlıya taşıyan ve orada işe yarar tutan pratiklerin toplamı. Hangi sırayla kurulacağını güncel MLflow ve DVC örnekleriyle anlattık, LLM tarafını da ekledik.
Devamını Oku: MLOps Nedir? ML Modelini Canlıya Almanın Pratik YoluBilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?
Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?MCP Nedir? Model Context Protocol Nasıl Çalışır, Sunucu Nasıl Yazılır
MCP, yapay zeka uygulamalarını araçlara ve verilere bağlayan açık protokol. Nasıl çalıştığını, hazır sunucu bağlamayı, Python ile sunucu yazmayı, güvenlik ve KVKK tarafını anlatıyoruz.
Devamını Oku: MCP Nedir? Model Context Protocol Nasıl Çalışır, Sunucu Nasıl Yazılır
