Yapay zekâ ajanı (AI agent) nedir, şirketler için nasıl geliştirilir?

Yapay zekâ ajanı (AI agent), bir dil modelinin dosya okumak, API çağırmak veya kod çalıştırmak gibi araçları kullanarak bir görevi birden fazla adımda yürüttüğü yazılımdır. Sohbet botu bir soruya metinle yanıt verirken ajan her araç sonucunu okur, sonraki adıma karar verir ve iş bitene ya da bir onay noktasına gelene kadar devam eder. Şirketler için ajan geliştirmek, model seçmenin yanında ajanın hangi araçları kullanacağını, hangi verilere erişeceğini, nerede duracağını ve nasıl test edileceğini belirlemek demektir.

Yapay zekâ ajanı ne işe yarar?

Ajanlar, bir çalışanın bugün birkaç sistem arasında gidip gelerek yaptığı işler için uygundur: kurum sistemlerinden kayıt toplamak, eksikleri kontrol etmek, bir veri setini analiz edip rapor hazırlamak, yeni yayınları tarayıp ilgili olanları ekibe bildirmek. Bu işlerin ortak noktası, bir sonraki adımın bir önceki adımın sonucuna bağlı olmasıdır.

Bir ajan nasıl çalışır?

Ajanın merkezinde bir döngü vardır. Model görevi ve elindeki bilgiyi okur, bir araç çağrısı yazar: hangi araç, hangi parametreler. Ajan yazılımı bu çağrıyı çalıştırır ve sonucu modele geri verir. Model sonucu okuyup bir sonraki adıma karar verir. Döngü; görev tamamlanınca, bir sınır aşılınca veya insan onayı gereken bir adıma gelinince durur.

Modelin etrafındaki bu yazılıma agent harness (ajan altyapısı) denir. Harness’in parçaları şunlardır:

• Model: Kararları veren dil modeli. Bazı ajanlarda görevin bir bölümü, kendi modeli ve izinleri olan alt ajanlara verilir.
• Görev talimatları: Ajanın rolünü, hedefini ve sınırlarını anlatan metin (prompt).
• Araçlar (tools): Ajanın çağırabileceği işlevler. Her aracın adı, açıklaması ve parametreleri modele tanıtılır.
• Skills (beceriler): Belirli bir işin nasıl yapılacağını adım adım anlatan talimat dosyaları.
• Plugins (eklentiler): Talimatları, araç bağlantılarını, alt ajanları ve hook’ları tek pakette taşıyan, farklı görevlerde yeniden kullanılabilen birimler.
• MCP: Model Context Protocol, araçları ve veri kaynaklarını modellere ortak bir arayüzle bağlamak için kullanılan açık bir protokoldür. Bir sistem için yazılan MCP sunucusu, MCP destekleyen farklı ajanlarda kullanılabilir (resmi site).
• İzinler ve onaylar: Hangi araçların kullanılabileceği, ajanın hangi dizinde çalışacağı ve hangi işlemlerin insan onayı gerektirdiği.
• Hook’lar: Her araç çağrısından önce çalışan kontroller ve çağrıdan sonra yazılan kayıtlar.

Ne zaman ajan gerekir, ne zaman gerekmez?

Ajan şu durumlarda doğru seçimdir:

• İş birden fazla sistem ve adım içeriyorsa ve adımların sırası duruma göre değişiyorsa.
• Veri analizi veya hesaplama gibi kod çalıştırmayı gerektiren işler varsa.
• Çalışan bugün sistemler arasında veri kopyalıyor, kontrol ediyor ve özetliyorsa.

Şu durumlarda ajan gereksiz olabilir:

• İş, belgelerde arama yapıp kaynak göstererek yanıt vermekse; bunun için RAG çoğu zaman yeterlidir.
• Adımlar sabit ve önceden biliniyorsa; klasik bir iş akışı otomasyonu daha ucuz ve öngörülebilirdir.
• Her adımın insan onayı gerektirdiği, hata maliyetinin çok yüksek olduğu işlerde ajanın sağladığı hız azalır.

Şirketler için ajan geliştirme: adım adım

1. Görevi ve bitiş koşulunu yazın. İş ne zaman tamamlanmış sayılır, ajan hangi durumda durup sorar?
2. Bugünkü durumu ölçün. İş ne kadar sürüyor, nerede hata çıkıyor? Bu ölçümler sonradan karşılaştırma için gerekir.
3. Araçları seçin. Okuma araçlarını (kayıt sorgulama, dosya okuma) ve yazma araçlarını (kayıt güncelleme, e-posta gönderme) ayrı tutun. Ajana görevin gerektirdiğinden fazla yetki vermeyin.
4. İzinleri ve onay noktalarını belirleyin. Kaynak veriye yazmak, dışarıya mesaj göndermek ve geri alınamayan işlemler insan onayına bağlanmalı.
5. Talimatları skill olarak yazın, bağlantıları paketleyin. Tekrar kullanılacak sistem bağlantılarını plugin veya MCP sunucusu olarak yazmak, aynı bağlantının farklı görevlerde kullanılmasını sağlar.
6. Modeli seçin. Ana ajan ve alt ajanlar için farklı modeller kullanılabilir. Hassas veri işleniyorsa model çağrılarını bir AI gateway üzerinden geçirmek veri kurallarını tek yerde tutar.
7. Temsili görevlerle test edin. Gerçek işten seçilmiş görevleri, bir sonraki bölümdeki ölçütlerle değerlendirin.
8. Kaydı açık tutun. Her araç çağrısı ve sonucu, sonradan incelenebilecek şekilde kaydedilmeli.

Ajanı değerlendirmek: tek yanıtı değil, bütün görevi ölçün

Bir sohbet botunu tek tek yanıtlara bakarak değerlendirebilirsiniz; ajanda bu yetmez. Ajan doğru bir özet yazıp yanlış dosyayı değiştirmiş olabilir. Değerlendirme bütün görev üzerinden yapılmalı:

• Doğru tamamlanma oranı: Görevin sonunda beklenen durum oluştu mu?
• İnsan müdahalesi: Çalışan kaç adımı düzeltmek veya onaylamak zorunda kaldı?
• İzinlere uyum: Ajan izin verilmeyen bir aracı veya komutu denedi mi?
• Süre ve maliyet: Görev başına süre ve model kullanımı.
• Tutarlılık: Aynı görevi birkaç kez çalıştırın; dil modelleri aynı girdiye her seferinde aynı adımları üretmeyebilir.

Çıktıların bir bölümünü başka bir modelle puanlamak (LLM-as-a-judge) değerlendirmeyi ölçeklendirir; bu puanları belirli aralıklarla insan değerlendirmesiyle karşılaştırın.

Dikkat edilmesi gerekenler

• Okunan içerik talimat değildir. Ajanın okuduğu bir belge veya web sayfası, ajanı başka bir işe yönlendirmeye çalışan metin içerebilir (prompt injection). Yazma yetkisi olan araçları onaya bağlamak bu riski sınırlar.
• Sınır koyun. Adım sayısı, süre ve model kullanımı için üst sınır belirleyin; döngüye giren bir ajan boşuna maliyet üretir.
• Veri akışını iki yerde düşünün. Model çağrılarıyla giden veri ile araçların eriştiği veri ayrı konulardır; ikisi de ayrıca yetkilendirilmeli.
• Kaynağı görünür kılın. Ajanın iddialarının hangi araç sonucuna veya kaynağa dayandığı gösterilmeli; bu, halüsinasyonu fark etmeyi kolaylaştırır.
• Küçük başlayın. Önce bir ekip ve bir görevle başlayıp kullanımı ölçün, sonra genişletin.

ALTAI’de nasıl yapıyoruz

ALTAI’nin ajan altyapısı isanagent. isanagent, modellerin dosya okuması, API çağırması ve kod çalıştırması için kullandığımız özelleştirilebilir bir agent harness; kaynak kodu GitHub’da. Bir görevi adım adım yürütür, araç sonuçlarını kullanır ve çalışma durumunu takip eder.

• Model ve ajan ayarları: Model sağlayıcısı, talimatlar ve kullanılabilecek araçlar seçilebilir. Görevin bir bölümünü üstlenen alt ajanlara ayrı modeller ve izinler atanabilir.
• Skills ve plugins: Skill dosyaları ajana belirli bir işi nasıl yapacağını anlatır. Plugin’ler bu talimatları, MCP araç bağlantılarını, alt ajanları ve hook’ları birlikte taşır.
• Araç izinleri: Ajanın kullanabileceği araçlar, çalışma dizini ve onay gerektiren komutlar belirlenir. Hook’larla araç çağrısından önce kontrol, sonrasında kayıt eklenir.
• Kod ve görev çalıştırma: Ajan, araçtan aldığı sonucu sonraki adımda kullanır. Ayarlara göre yerel ortamda, Jupyter’da veya SSH üzerinden kod çalıştırabilir; alt ajanlarla görev paylaşabilir.

isanagent sayfasındaki örneklerde aynı model üç ekip için farklı kurulur. Analitik ajanı Jupyter ve satış verileriyle çalışır, kaynak veriye yazmadan önce sorar. Araştırma ajanı makale arama ve proje notlarını kullanır, her iddiaya bir kaynak gösterir. Ar-Ge ajanı Colab, repo ve bir benchmark ile çalışır ve hedefe ulaşınca durur: TurboQuant’ı JAX’te yazıp Pallas ile hızlandırma görevinde encode yaklaşık 3 kat hızlandı, decode hızlanmadı ve ajan nedenini açıkladı. Analitik ve araştırma örnek senaryodur; Ar-Ge sonucu gerçek bir Colab çalışmasından alınmıştır.

Projelerde kurum sistemleriniz için araç bağlantıları yazıyor, görevleri skill ve plugin’lerle tanımlıyor ve kullanıcı arayüzünü geliştiriyoruz. Ajanın okuyabileceği verileri, çalıştırabileceği işlemleri ve onay gerektiren adımları birlikte belirliyoruz. Model erişimini Yada ile yönetmek isterseniz bu bağlantıyı ve veri kurallarını da projeye ekliyoruz. Birlikte ölçtüklerimiz: görevin doğru tamamlanma oranı, çalışanın düzeltmesi veya onaylaması gereken adımlar, araç izinlerine uyum, görev süresi ve model kullanımı. Çalışma modelimiz için Nasıl çalışıyoruz sayfasına bakabilir, ajanınızın yapacağı işi konuşmak için bize yazabilirsiniz.

Sık sorulan sorular

Yapay zekâ ajanı ile sohbet botu arasındaki fark nedir?

Sohbet botu bir soruya metinle yanıt verir. Ajan ise araç kullanarak bir görevi birden fazla adımda yürütür: veri okur, kod çalıştırır, sonucu kontrol eder ve sonraki adıma kendisi karar verir. Bu yüzden ajan yalnızca yanıtlarının doğruluğuyla değil, yaptığı işlemlerle de değerlendirilir.

Agent harness nedir?

Agent harness, bir modelin araç kullanıp bir görevi yürütmesini sağlayan çevre yazılımdır. Talimatları, araç tanımlarını, izinleri, onay noktalarını, çalışma durumunu ve kayıtları yönetir. Aynı model, farklı bir harness içinde farklı araçlar ve kurallarla bambaşka bir ajan olabilir.

MCP nedir, ajan geliştirmek için şart mı?

MCP (Model Context Protocol), araçları ve veri kaynaklarını modellere ortak bir arayüzle bağlamak için kullanılan açık bir protokoldür. Şart değildir; araçlar ajan yazılımında doğrudan da tanımlanabilir. MCP’nin faydası, bir sistem için yazılan bağlantının MCP destekleyen farklı ajanlarda yeniden kullanılabilmesidir.

Bir ajanın yanlış işlem yapması nasıl önlenir?

Ajana yalnızca görevin gerektirdiği araçları verin, çalışabileceği dizini sınırlayın ve geri alınamayan işlemleri insan onayına bağlayın. Araç çağrısından önce çalışan kontroller (hook) ve her çağrının kaydı, sorunları erken görmenizi sağlar. Ajanı canlıya almadan önce gerçek işten seçilmiş görevlerle test edin.

Bir ajanın başarısı nasıl ölçülür?

Tek tek yanıtlara değil, görevin bütününe bakılır: doğru tamamlanma oranı, çalışanın düzeltmesi veya onaylaması gereken adım sayısı, izinlere uyum, süre ve model kullanımı. Sonuçları, ajandan önce aynı işin ne kadar sürdüğü ve nerede hata çıktığıyla karşılaştırın.

Ajanlar yerel modellerle çalışabilir mi?

Evet, ancak modelin araç çağırma becerisi görevin başarısını doğrudan etkiler; küçük modeller çok adımlı görevlerde daha sık hata yapabilir. isanagent’ta model sağlayıcısı seçilebilir; model çağrıları Yada üzerinden yönlendirildiğinde Yada, kurallara göre yerel (Ollama, OpenAI uyumlu sunucular) veya bulut modelini seçer. Hangi modelin yeterli olduğunu temsili görevlerle ölçün; kurulum için yerel LLM kurulumu rehberine bakabilirsiniz.