🤖 Bir AI Agent Nedir?
An AI agent büyük bir dil modelini akıl yürütme motoru olarak kullanan, çevresini otonom olarak algılayan, eylemler planlayan, araçlar kullanan ve bir hedefe doğru çok adımlı görevleri insan müdahalesi gerektirmeden yürüten bir AI sistemidir.
Standart bir LLM chatbot'tan temel farkı agency: dünyada sonuç doğuracak eylemler yapabilme yeteneği. Bir chatbot soruları yanıtlar. Bir agent uçuş rezervasyonu yapar, kod yazar ve dağıtır, e-postalar gönderir, veritabanlarını sorgular ve sonuçlar üzerinde yinelemeler yapar — tüm bunları kendi başına gerçekleştirir.
📊 Otonomi Seviyeleri (L0–L5)
Tüm "agent'lar" aynı düzeyde otonom değildir. Anthropic'in çerçevesi, tam insan kontrollü olandan tam otonoma kadar bir spektrum tanımlar:
| Level | Name | Description | Example |
|---|---|---|---|
| L0 | AI yok | Tamamen insan kontrollü yazılım | Geleneksel betikler, formlar |
| L1 | AI-assisted | AI önerir; insan karar verir ve eyleme geçer | GitHub Copilot autocomplete |
| L2 | AI-driven | AI eylemde bulunur; insan yürütmeden önce gözden geçirir | AI PR taslağı oluşturur; geliştirici onaylar |
| L3 | Semi-autonomous | AI seçici HITL kontrol noktaları ile yürütür | Kodlama agent'ı testleri otonom çalıştırır, birleştirmeden önce sorar |
| L4 | Autonomous | AI uçtan uca yürütür; insan izler | Agent insan adımı gerektirmeden tam özellikli bir şeyi dağıtır |
| L5 | Tam otonom | AI kendini yönlendirir, kendini düzeltir, kendini geliştirir | Sadece araştırma aşamasında; üretimde konuşlandırılmamış |
Bugün üretimdeki çoğu agent L2–L3 düzeyinde çalışır. L4 özel alanlarda (otomatik ticaret, veri boru hatları) mevcuttur. L5 teoriktir ve önemli hizalama soruları doğurur.
🧩 Bir AI Agent'in Çekirdek Bileşenleri
Her agent — framework veya sağlayıcı ne olursa olsun — dört temel bileşenden inşa edilir:
1. Algılama (Girdi)
Agent'in çevresini nasıl gözlemlediği. Buna kullanıcı mesajları, araç çağrısı sonuçları, dosya içerikleri, API yanıtları, sensör verileri ve bağlam penceresine beslenen diğer tüm bilgiler dahildir. Agent'in algılayabildiğinin kalitesi, yapabileceklerini doğrudan sınırlar.
2. Bellek
Agent'in neleri hatırlayabildiği ve ne kadar süreyle hatırladığı:
| Bellek Türü | Scope | Implementation |
|---|---|---|
| In-context | Sadece mevcut konuşma | Bağlam penceresindeki mesajlar |
| Harici (kısa vadeli) | Oturum veya görev süresi | Redis, bellek içi depolama, scratchpad dosyaları |
| Harici (uzun vadeli) | Oturumlar arasında kalıcı | Vector database (RAG), SQL, dosya sistemi |
| Model ağırlıkları | Modelin içine gömülü | Eğitim verileri, fine-tuning |
3. Araçlar (Eylem)
Agent'in dünyayı etkilemek için çağırabileceği fonksiyonlar. Araç tasarımı kritik — iyi tanımlanmış araçlar, net açıklamalar ve şemalar LLM'in onları doğru kullanmasını sağlar. Kötü tasarlanmış araçlar yanlış kullanım ve hatalara yol açar.
- Okuma araçları: search_web, read_file, query_database, get_weather
- Yazma araçları: write_file, send_email, create_pr, post_message
- Yürütme araçları: run_code, call_api, deploy_service
- Agent araçları: spawn_subagent, ask_human (HITL), delegate_task
4. Planlama & Muhakeme
Agent'in bir sonraki adımı nasıl belirlediği. Modern agent'ler bir veya daha fazla planlama desenini kullanır:
- ReAct (Reason + Act): Aynı bağlamda muhakeme ve araç kullanımını iç içe geçirmek
- Chain-of-Thought: Eylemden önce açık adım adım muhakeme
- Tree-of-Thought: Birden fazla muhakeme dalını keşfet, en iyisini seç
- Plan-and-Execute: Önce tam plan oluştur, sonra her adımı sırayla uygula
🔁 The Agent Loop
Çoğu agent, görev tamamlanana veya durdurma koşulu gerçekleşene kadar tekrarlanan bir algıla-planla-uygula döngüsünde çalışır:
- Gözlemle: Mevcut durumu oku (mesajlar, araç sonuçları, bellek)
- Planla: LLM bir sonraki adımı hakkında muhakeme yapar (scratchpad veya CoT oluşturabilir)
- Uygula: Bir araç çağır, çıktı üret veya insan girdisi iste
- Güncelle: Araç sonuçlarını al, belleği güncelle, bağlama ekle
- Değerlendir: Hedefin gerçekleştirilip gerçekleştirilmediğini kontrol et; değilse adım 1'e dön
Sonsuz döngüleri önlemek için durdurma koşulları kritiktir. Yaygın yaklaşımlar arasında: maksimum yineleme sınırları, açık "görev tamamlandı" araç çağrıları ve N adımdan sonra insan-dahil kontrol noktaları bulunur.
🛠️ Agent Frameworks & SDKs
AI agent ekosistemi hızla olgunlaştı. Nisan 2026 itibarıyla başlıca frameworkler şunlardır:
| Framework | Language | En iyi kullanım için | Model desteği |
|---|---|---|---|
| LangChain / LangGraph | Python, JS | Karmaşık çok adımlı pipeline'lar, stateful graph'ler | Herhangi (OpenAI, Anthropic, Ollama…) |
| AutoGen (Microsoft) | Python | Çoklu agent konuşmaları, kod yürütme | OpenAI, Azure, local models |
| CrewAI | Python | Role-based multi-agent teams | OpenAI, Anthropic, local |
| Claude Agent SDK (Anthropic) | Python, TS | Claude-native agents with MCP | Claude only |
| OpenAI Agents SDK | Python | OpenAI-native agents with handoffs | OpenAI only |
| Semantic Kernel (Microsoft) | Python, C#, Java | Enterprise, plugin architecture | Any |
Yeni projeler için, ağır bir framework benimsemeden önce hafif bir yaklaşımla (doğrudan API çağrıları + function calling) başlamayı düşünün. Framework'ler kolaylık sağlar ama aynı zamanda karmaşıklık ve vendor lock-in getirir.
💼 Gerçek Dünya Kullanım Örnekleri
Yazılım geliştirme
- Başarısız testleri okuyan, hataları tespit eden ve PR gönderen coding agent'lar (Devin, SWE-agent)
- Güvenlik açıkları ve stil ihlalleri için kontrol yapan code review agent'lar
- Kaynak kodunu okuyup API dokümantasyonu üreten documentation agent'lar
Araştırma & analiz
- Web'de arama yapan, makaleleri okuyan ve raporlar sentezleyen derin araştırma agent'ları
- Haberleri takip edip özetler üreten competitive intelligence agent'ları
- SQL/Python yazıp çalıştıran ve sonuçları yorumlayan data analysis agent'ları
İş otomasyonu
- Biletleri uçtan uca çözen customer support agent'ları (sadece yanıt taslağı değil)
- Potansiyel müşterileri araştıran, outreach taslakları hazırlayan ve aramalar planlayan sales agent'ları
- İşlemleri mutabakat eden ve istisna raporları üreten finance agent'ları
Kişisel verimlilik
- Yanıt taslakları hazırlayan, toplantıları planlayan ve gelen kutusunu yöneten email agent'ları
- Talep üzerine makale bulan, okuyan ve özetleyen research assistant'lar
- Özel entegrasyon gerektirmeden farklı araçları birbirine bağlayan workflow automation
🚫 Agent Kullanılmaması Gereken Durumlar
Agent'lar güçlüdür fakat her zaman doğru araç değildir. Basit bir çözüm varken agent kullanmak maliyet, gecikme ve öngörülemezlik ekler.
| Situation | Daha iyi yaklaşım |
|---|---|
| Net girdi/çıktıya sahip tek adımlı görev | Doğrudan LLM API çağrısı |
| Deterministik veri dönüşümü | Geleneksel kod (LLM gerekmez) |
| Büyük ölçekli geri dönüşü olmayan yüksek riskli eylemler | AI desteği ile insan iş akışı (L1–L2) |
| Gecikme hassas kullanıcı özellikleri | Doğrudan API çağrısı; agent'lar round-trip gecikmesi ekler |
| Sıkı düzenleyici/denetim gereksinimleri | Sadece agent taslağı ile insan dahil iş akışı |
Agent'ların harici araçlara nasıl bağlandığını öğrenmek için Model Context Protocol (MCP), ve otonom eylemin güvenlik risklerini anlamak için Prompt Injection.