AI Agent vs LLM: Model ile Ajan Farkı
LLM (büyük dil modeli; GPT, Claude, Gemini gibi) metin üreten ve anlayan modeldir. AI ajanı, bu modeli araçlarla ve bir çalışma döngüsüyle donatıp bir işi uçtan uca yürüten sistemdir. LLM olmadan ajan olmaz, ama her LLM kullanımı ajan değildir. “Bu metni özetle” demek LLM kullanmaktır; “gelen kutumu tara, önemlileri özetleyip bana gönder” demek ajan kullanmaktır.
Bu sayfa Agentic AI Rehberi’nin bir parçası. Kavrama yeni başlıyorsanız önce Yapay Zeka Ajanı Nedir yazısına bakın.
Farkı tek tabloda görün
| LLM (model) | AI ajanı | |
|---|---|---|
| Ne yapar | Metin üretir, soruyu yanıtlar, özetler, çevirir | Bir hedef için birden çok adımı yürütür |
| Araç kullanımı | Kendi başına yok; yalnızca verdiğiniz metinle çalışır | Var: arama, kod çalıştırma, API çağırma, dosya okuma/yazma |
| Yol kimde | Her adımda siz yönlendirirsiniz | Adımların sırasına model kendisi karar verir |
| Hafıza | Yalnızca o konuşmanın bağlamı | Önceki adımların sonucunu sonraki karara taşır |
| Hata yaptığında | Yanlış cevap verir, konuşma biter | Yanlış adımı fark edip düzeltebilir; fark etmezse hatayı sonraki adımlara da taşır |
| Örnek | “Bu e-postayı Türkçeye çevir” | “Gelen kutumu tara, önemli e-postaları özetleyip bana rapor gönder” |
Anthropic bu ayrımı, ajanı “LLM’in kendi süreçlerini ve araç kullanımını dinamik olarak yönettiği sistem” diye tanımlayarak yapıyor; model yerine geliştiricinin yazdığı sabit kod yolu izleniyorsa o sistem ajan değil, “workflow” (Building effective agents, Ekim 2026 itibarıyla). Yani asıl soru “araç var mı” değil, adımların sırasına kimin karar verdiği. Sabit adımlı bir akışın ajan sayılıp sayılmayacağı ayrıca AI Agent vs Workflow yazısında.
Bir LLM ne zaman ajana dönüşür
Üç parça eklenince:
- Araç erişimi: web araması, kod çalıştırma, bir API’yi çağırma, dosya sistemine yazma.
- Döngü: model bir adım seçer, araç çağırır, sonucu görür, sonraki adıma karar verir; hedef bitene ya da durma koşulu gelene kadar tekrar eder.
- Hafıza: bir adımda öğrendiğini sonrakinde kullanır.
Bu parçaları birbirine bağlayan, araçları çalıştıran ve döngüyü yöneten yazılım katmanına harness deniyor; ayrıntısı Harness Nedir yazısında. Aynı LLM’i farklı bir harness içinde çalıştırırsanız ajan farklı davranır. Kavramın teorik tarafı için Agentic AI Nedir.
İki istek, iki farklı sistem
“Bu metni özetle.” Düz LLM kullanımı. Metni verirsiniz, özet gelir, iş biter. Araç yok, adım yok, takip yok.
“Gelen kutumu tara, önemli e-postaları özetleyip bana rapor gönder.” Ajan kullanımı. Sistem e-posta hesabına bağlanmalı (araç), hangilerinin “önemli” olduğuna karar vermeli (planlama), her birini okuyup özetlemeli (LLM burada devreye giriyor) ve raporu size ulaştırmalı (eylem). Tek istek, dört adım ve adımları sistem zincirliyor.
İki örnekte de motor aynı LLM olabilir. Fark, etrafına ne kurulduğunda.
Ajan her zaman daha iyi değil
Ajan LLM’den daha güçlü görünür ama daha pahalı, daha yavaş ve daha riskli. Anthropic’in kendi önerisi, önce en basit çözümle başlamak ve karmaşıklığı ancak gerektiğinde eklemek; birçok uygulamanın iyi kurulmuş tek bir LLM çağrısıyla yeterince iyi çalıştığını da aynı yazıda söylüyor. Ajanın özerkliği maliyeti artırıyor ve hataların adım adım birikme riskini getiriyor (aynı kaynak). Bu yüzden ajanda çıktıyı kontrol eden bir adım ve erişim sınırı önemli.
Kabaca karar ölçütü:
- Düz LLM yeter: tek seferlik, sonucunu hemen kendiniz kontrol edebileceğiniz işler. Metin yazma, özetleme, çeviri, fikir üretme.
- Sabit akış (workflow) yeter: adımları baştan belli, her seferinde aynı sırayla giden işler. Her gelen formu tabloya yazmak gibi.
- Ajan mantıklı: adımların duruma göre değiştiği, birden çok sistemi birbirine bağlayan, sizin sürekli araya girmenizi istemediğiniz işler. E-posta takibi, çok kaynaklı rapor toplama, fiyat ya da stok kontrolü gibi.
Kendi işinizde hangi görevin hangisine girdiğini kestirmek için kendi yapay zeka asistanınızı kurma sürecine bakabilirsiniz.
Sıkça Sorulan Sorular
AI agent bir LLM midir?
Hayır. Ajan, bir ya da birden fazla LLM’i araç kullanımı ve bir döngüyle çevreleyen sistemdir. LLM ajanın içindeki “beyin”dir, ajanın kendisi değildir.
ChatGPT bir ajan mı, yoksa düz bir LLM mi?
Sohbet uygulamaları artık salt model değil: arama, kod çalıştırma gibi araçları da kullanabiliyorlar. Dolayısıyla sınır bulanık. Basit ölçüt: uygulama adımların sırasını kendisi belirleyip birden çok araç çağırarak bir hedefe gidiyorsa o an ajan gibi davranıyor; tek bir cevap üretiyorsa düz LLM gibi.
LLM ajanı geliştirmek için ne gerekir?
En az üç şey: bir model, o modelin çağırabileceği araçlar ve “çağır, sonucu ver, tekrar karar ver” döngüsünü yöneten bir kod. Bu kod katmanı harness olarak anılıyor. Hazır bir SDK ya da kodlama aracı bu katmanı sizin için sağlayabilir; kendi katmanınızı yazmanız gereken durumlar harness yazısında.
Ajan kurmak LLM kullanmaktan daha mı pahalı?
Genellikle evet: araç entegrasyonu, hata yönetimi ve test gerekir; ayrıca ajan her işte birden çok model çağrısı yapar. Tekrar eden bir işi sizi saatlerce uğraştırmaktan kurtarıyorsa karşılığını verebilir, ama bunu işinize göre hesaplamak gerekir.