Yapay Zeka Ajanı Nasıl Çalışır? Aynı Model, Farklı Sonuç

Yapay zeka ajanı bir döngüyle çalışır: hedefi alır, adımlara böler, bir araçla adım atar, sonucu okur ve sıradaki adımı seçer; iş bitince, bir sınıra gelince ya da takılınca durur, öyle kurulduysa geri dönüşü zor bir adımdan önce onay ister. Döngüde kararı model verir; adımı araçlar atar, bilgi ve hafıza modelin önüne konur, onay sınırı durulacak yeri belirler, hepsini harness çalıştırır. Tanımı Yapay Zeka Ajanı Nedir yazısında anlattım, konunun diğer yazıları Agentic AI Rehberi sayfasında.

Yapay zeka ajanı nasıl çalışır: adım adım döngü

Yapay zeka ajanı bir işi, hedefe ulaşana ya da bir sınıra gelene kadar tekrarlanan beş adımlık bir döngüyle yürütür. Akşam yemeği hazırlayan bir ajanda:

1. Hedefi alır. Akşam yemeği hazır olsun.
2. Plan yapar. Önce dolaba bak, eksik varsa tamamla, sonra pişir.
3. Bir araçla adım atar. Model dolabı kendisi açmaz; “dolaptakileri listele” diye bir istek yazar, çevresindeki yazılım bu isteği çalıştırır.
4. Sonucu okur. Yazılım sonucu modele geri verir: dolap boş.
5. Karar verir ya da onay ister. Menüyü değiştirmekle alışverişe çıkmak arasında seçer, planı günceller. Hedefe ulaştıysa durur; ödeme gibi geri dönüşü zor bir adımdaysa, öyle kurulduysa onay ister.

Bu döngü literatürde ReAct adıyla bilinir: düşün, yap, sonucu gör, yeniden düşün. İş akışında ise akış önceden yazılmıştır: model yazılmış dallar arasında seçebilir ama yazılmamış bir yol açamaz.

Yapay zeka ajanının parçaları: ne işe yarar, eksikse ne olur

Ajanın her parçası döngüde ayrı bir iş görür; eksik parça işi tam o adımda aksatır.

Sohbet uygulamasına yüklediğiniz dosya bilgiye, hafıza ayarı hafızaya, web araması bir araca karşılık gelir; yine de sıradan sohbet ajan değildir, işi adımlara bölüp uygulayan sizsiniz.

İş akışı mı ajan mı? Dolap boş çıkınca ne olur

Adımları baştan belli bir işte iş akışı, yolu iş sırasında belli olan bir işte ajan daha doğru seçimdir: iş akışı yazılmamış bir durumda takılır, ajan sonuca bakıp yeni bir yol seçer.

İş akışı ucuz ve öngörülebilirdir. Ajan daha pahalıdır, çünkü her tur yeni bir model çağrısıdır ve tur sayısı baştan belli değildir; her kararı bir sonrakini beslediği için hata da birikebilir.

Otomasyonda en sık gördüğüm hata, ilk işi en karmaşık süreçten seçmek: “madem yapıyoruz, en zorundan başlayalım.” Yapay zeka danışmanlığında bu refleks neredeyse her ilk görüşmede karşıma çıkıyor. Bu yüzden adımları baştan belli, sık tekrarlanan bir işte iş akışıyla başlamanızı öneririm.

Bu videoları üretirken ikisini birden kullanıyorum. Onaylı metnin sese, altyazıya ve görüntüye dönüşmesi iş akışı: sıra hiç değişmiyor. Kaynakları tararken bilgiler çelişirse yeni arama gerekiyor; orada ajan işe yarıyor, çünkü kaç tur döneceğini önceden kimse bilmiyor.

Araç ve MCP: işi yapan ve bağlayan

Araç, ajanın dış dünyada tek bir işi yapan parçasıdır; MCP ise modeli çalıştıran uygulamanın araçlara ve veri kaynaklarına bağlanma standardıdır: işi, bu standartla bağlanılan sunucudaki araç yapar.

Gerçek işte araçlar web’de arama, dosya okuma, bir API’ye istek atma ya da e-posta taslağı hazırlama gibi tek işlerdir. Anthropic’in Kasım 2024’te açık standart olarak ilk kez yayımladığı MCP (Model Context Protocol), her araca ayrı bağlantı yazmak yerine tek bir ortak dil sunar.

MCP olmayan aracı yaratmaz: kullandığınız sistemin (CRM, rezervasyon, muhasebe) API’si ya da MCP sunucusu yoksa o sisteme özel hazır bir araç da yoktur. MCP’yi her yerde kullanmıyorum: WordPress sitelerinde aynı işi SSH ve WP-CLI ile yaptırıyorum; MCP yolu işlem başına çok daha fazla token yakıyor. Araç, MCP ve skill farkını Agentic AI Skills vs Tools vs MCP yazısında tabloyla ayırdım.

Bilgi ve hafıza: tarif kitabı ile tutulan not

Bilgi, ajanın önüne baştan konan hazır kaynaktır; hafıza ise iş yaptıkça tutulan kayıttır ve model ikisini de okur.

Şirketin fiyat listesi ya da iade kuralı bilgidir; belgeleri modelin önüne getirmenin bir yolu RAG, yani belgelerden cevap üreten düzen. “Bu dükkân geç getiriyor” notu ise kitapta yazmaz, o işin geçmişinden çıkar. Bu notu ajan kendisi yazabilir, siz de yazıp düzeltebilirsiniz; birden çok ajan aynı notu okuyabilir.

İş sürerken önceki adımlar modelin bağlam penceresinde durur ve iş bitince gider; bu kısa süreli hafızadır. Dosyaya ya da veritabanına yazılıp sonraki işte okunan not ise uzun süreli hafızadır.

Hafızanın bir riski var: not eskir. Dükkân teslimatını düzeltmiş olsa da eski not ajanı o dükkândan uzak tutar ve ajan bunu hata olarak görmez. Bu yüzden kendi ajanlarımın okuduğu notlarda bir sayının yanına ne zaman ölçüldüğünü de yazıyorum; kararı etkileyen bir sayıyı eski nottan kopyalatmıyor, yeniden ölçtürüyorum.

Model öğreniyor mu? Benzetmenin bittiği yer

Yapay zeka ajanı çalışırken arkadaki model öğrenmez: eğitimle oluşmuş iç ayarları, yani ağırlıkları, iş boyunca aynı kalır; değişen, modelin etrafında biriken kayıtlar ve kurallardır.

Bazı rehberler ajanın topladığı verinin modelin ağırlıklarını güncellediğini yazıyor; bugünkü dil modeli tabanlı ajanlarda çalışma sırasında böyle bir şey olmaz, model notu yalnızca bağlam penceresine alır. Toplanan veri modele ancak ayrı bir eğitimle, sağlayıcının sonraki modelinde ya da bir ince ayar işinde girer; belgelerinizin ve konuşmalarınızın buna girip girmeyeceğini planınızın ayarı ve sözleşmesi belirler.

Bir ajanın zamanla daha iyi iş çıkarmasını bekliyorsanız önce notlarına, kurallarına ve bağlı araçlarına, sonra hangi modelin çalıştığına bakın.

Mutfak benzetmesi burada iki yerden kırılıyor: aşçının tecrübesi onun içinde kalır, model ise önceki işlerden yalnızca kaydedileni bilir; aşçı işi kendi eliyle yapar, model hiçbir şeye dokunmaz.

Çoklu ajan: daha çok aşçı, daha iyi yemek mi?

Çoklu ajan (multi-agent) düzeni ancak iş ayrı işlere bölünebiliyorsa sonucu hızlandırır; bölünemeyen bir işte yardımcı ajan eklemek çoğu zaman işi yavaşlatır ve pahalılaştırır.

Baş ajan işi böler ve yardımcılara paslar; yardımcılar aynı modeli de farklı modelleri de kullanabilir. Bölünemeyen işte ise iki aşçı da aynı tencereye tuz atar ve yemek kurtulmaz; gerçek işte bunun karşılığı, aynı dosyayı aynı anda değiştiren iki ajandır. Yardımcılar birbirini bekleyip aynı işi tekrarladığında koordinasyon masrafı kazancı aşabilir. Yardımcı eklemeden önce sorulacak soru: iş gerçekten ayrı işlere bölünüyor mu?

Onay sınırı: ajan ne zaman durur?

Ajan iş bitince, kendisine konan tur, süre ya da harcama sınırına gelince ya da takılınca durur; aynı adımı tekrarlayıp ilerlemiyorsa durdurulması gerekir. Bu sınırları ajanı kuran kişi koyar.

Benim için en önemli sınır onay sınırı: ödeme, yayın, silme ya da canlı sisteme yazma gibi geri dönüşü zor bir adımdan önce ajanın durup onay istediği yer. Bu durmayı modele yazılan bir ricaya bırakmak yetmez; iyi kurulmuş bir düzende onu çevresindeki yazılım uygular.

Ajan, yetkisi olan bir aracı yanlış bir kararla kullanabilir; okuduğu bir e-postadaki ya da web sayfasındaki talimatı da görev sanabilir. Bu yüzden okuma ile yazma yetkisi ayrılır, geri dönüşü zor adım onaya bağlanır; ayrıntısı AI ajanına erişim yazısında.

Reklam hesaplarında karar gerektiren istisnalara kendim bakıyorum; canlı sisteme yazan adımlar ya önceden yazdığım bir kurala uyuyor ya da tek tek onayımdan geçiyor. Bu videoları hazırlayan sistem videoyu YouTube’a gizli yüklüyor; herkese açma adımı bende.

Harness: bu düzeni çalıştıran katman

Harness, araç isteklerini yürütüp sonucu modele taşıyan, yani bu döngüyü çalıştıran yazılım katmanıdır. Hazır kodlama ajanları bunun tanıdık örneği: aynı model, içine konduğu harness’a göre farklı iş çıkarır. Döngü boyunca tur ve süre sınırını uygular, bağlam penceresi dolunca eski adımları özetler, izin verilmeyen aracı çalıştırmaz ve adımları kayda geçirir. Pratikte seçtiğiniz uygulama ya da platform harness’tır; içindeki model çoğu zaman değiştirilebilir.

Daha güçlü model yeter mi?

Daha güçlü bir model tek başına yetmez: model neyin mümkün olduğunu sınırlar, aynı model için sonucu ise etrafındaki düzen belirler.

Daha güçlü model çoğu adımda kararı iyileştirir ama eksik parçayı tamamlamaz; boş bir mutfakta en usta aşçı da tarif verir, yemek çıkaramaz. Sonuç beklenen gibi çıkmıyorsa modeli değiştirmeden önce sorulacak sorular:

• İşi yapacak araç bağlı mı?
• Doğru bilgi modelin önünde mi?
• Eski bir not yanıltıyor mu?
• Sınır doğru yerde mi?

Sıkça Sorulan Sorular

Yapay zeka ajanı zamanla öğrenir mi?

Çalışırken modelin ağırlıkları değişmez. Ajan zamanla daha iyi iş çıkarıyorsa sebep çoğu zaman etrafında biriken bilgi, notlar, araçlar ve kurallardır; arkadaki modelin yeni bir sürümle değişmesi ya da toplanan verinin ayrı bir ince ayar işinde kullanılması da olabilir.

MCP bir araç mı?

Hayır. Araç web’de arama gibi tek bir işi yapar; MCP ise modeli çalıştıran uygulamanın araçlara ve veri kaynaklarına bağlanma standardıdır ve olmayan bir aracı yaratmaz.

Her iş için ajan gerekir mi?

Gerekmez. Adımlar baştan belliyse iş akışı daha ucuz ve öngörülebilirdir. Kendi videolarımda metinden render’a giden sıra iş akışı; ajanı, bilgiler çeliştiğinde yeni arama gereken kaynak taramasında kullanıyorum.

Reaktif, hedef odaklı, öğrenen ajan ayrımı ne anlatıyor?

Bu ayrım klasik yapay zeka ders kitaplarından gelir ve ajanın nasıl karar verdiğini sınıflar: reaktif ajan o anki duruma kuralla tepki verir, hedef odaklı ajan adımını hedefe göre seçer, öğrenen ajan geri bildirimle iyileşir. Dil modeli ajanları bu sınıflara birebir oturmaz: hedefi alıp adımlarını kendileri seçerler, bazı akademik çalışmalar da onları öğrenen ajan sayar; bu ad, arkadaki modelin çalışırken değiştiği anlamına gelmez.