AI Agent'lar Nedir? Otonom Yapay Zeka Ajanlarının Yükselişi

AI Agent Nedir?

Bir "AI agent" (yapay zeka ajanı), sadece soruya cevap veren bir chatbot'tan farklı olarak, bir hedefe ulaşmak için birden fazla adımı kendi başına planlayıp yürütebilen bir sistem. Chatbot sana bilgi verir; agent, senin adına bir işi (araştırma yapma, kod yazıp çalıştırma, bir API'yi çağırma, bir dosyayı düzenleme) gerçekten yapar.

Fark şurada: klasik bir LLM etkileşimi tek turlu (sen sorarsın, model cevaplar). Bir agent ise döngüsel çalışır — bir görevi alır, bunu adımlara böler, her adımda bir "araç" (tool) kullanır, sonucu değerlendirir, gerekirse planını günceller, hedefe ulaşana kadar devam eder.

Temel Bileşenler

Bir AI agent'ın çalışması için genelde üç temel parça gerekiyor:

1. Planlama (Planning): Karmaşık bir görevi, yönetilebilir alt adımlara bölme yeteneği
2. Araç Kullanımı (Tool Use): Bir arama motoruna sorgu atma, bir dosya sistemine yazma, bir API'yi çağırma, kod çalıştırma gibi harici eylemler gerçekleştirebilme
3. Bellek/Durum Takibi (Memory): Önceki adımlarda ne yapıldığını, hangi bilgilerin toplandığını hatırlayıp bir sonraki adıma taşıma

Agent Döngüsü Nasıl İşler?

Tipik bir agent döngüsü şu şekilde ilerliyor:

1. Görevi al: "Şu üç rakip ürünün fiyatlarını karşılaştır ve bir tablo oluştur"
2. Planla: "Önce her ürünü ara, sonra fiyatları çıkar, sonra tabloyu oluştur"
3. Araç çağır: web_search("Ürün A fiyat")
4. Sonucu değerlendir: Fiyat bulundu mu? Yeterli mi?
5. Bir sonraki adıma geç veya planı revize et
6. ... (2-3 kez daha tekrar)
7. Tüm veriler toplandığında: tabloyu oluştur, kullanıcıya sun

Bu döngü, model her adımda "şu ana kadar ne biliyorum, hedefe ulaşmak için sırada ne var" sorusunu kendine sorarak ilerliyor — bu da onu statik bir script'ten ayıran temel özellik: önceden yazılmamış, dinamik olarak kararlaştırılan bir akış.

Araç Kullanımı (Tool Use) Nasıl Çalışır?

Modern LLM'ler, "function calling" veya "tool use" adı verilen bir mekanizmayla, bir görevi tamamlamak için hangi aracı ne zaman kullanacağına karar verebiliyor. Basitleştirilmiş bir örnek:

{
  "tool": "web_search",
  "input": {"query": "Türkiye 2026 enflasyon oranı"}
}

Model, bu formatta bir "araç çağrısı" üretir, uygulama bu çağrıyı gerçek bir fonksiyona (örneğin bir arama API'sine) yönlendirir, sonucu modele geri verir, model bu sonucu değerlendirip bir sonraki adıma karar verir. Bu döngü, agent'ın "dış dünyayla etkileşime girmesini" sağlıyor — model artık sadece kendi eğitim verisiyle sınırlı değil.

Gerçek Dünya Örnekleri

• Kod yazma agent'ları: Bir özellik isteğini alıp, ilgili dosyaları bulup, kodu yazıp, testleri çalıştırıp, hata varsa düzeltip tekrar deneyen sistemler (Claude Code, Cursor Agent gibi araçlar bu kategoride).
• Araştırma agent'ları: Bir konuyu derinlemesine araştırmak için birden fazla arama yapıp, sonuçları sentezleyip bir rapor oluşturan sistemler.
• Otomasyon agent'ları: Bir e-posta gelince otomatik yanıt taslağı hazırlayan, bir takvim etkinliği oluşturan, bir CRM'e veri giren iş akışı agent'ları.

Agent Mimarisinde Riskler ve Sınırlamalar

• Hata birikimi: Bir agent çok adımlı çalıştığı için, erken bir adımdaki küçük bir hata, sonraki adımlara taşınıp büyüyebilir ("hallucination cascade").
• Kontrol kaybı riski: Agent'a çok geniş yetkiler (dosya silme, ödeme yapma gibi) verildiğinde, beklenmeyen bir eylem gerçekleştirmesi ciddi sonuçlar doğurabilir — bu yüzden kritik eylemler için genelde bir "insan onayı" (human-in-the-loop) adımı ekleniyor.
• Maliyet ve süre: Çok adımlı bir agent döngüsü, tek bir LLM çağrısına göre çok daha fazla token/zaman tüketiyor — her görev için agent kullanmak her zaman en verimli çözüm olmayabilir.

Agent mi, Basit LLM Çağrısı mı?

Her görev bir agent gerektirmiyor. Basit bir soru-cevap veya tek adımlı bir dönüşüm (örneğin "bu metni özetle") için düz bir LLM çağrısı yeterli ve çok daha hızlı/ucuz. Agent mimarisi, görevin kendisi belirsiz sayıda adım gerektiriyorsa ve ilerlemenin yol boyunca değerlendirilmesi gerekiyorsa anlamlı hale geliyor.

Özet

AI agent'lar, LLM'lerin "sadece cevap veren" araçlardan "hedefe ulaşmak için eylem alan" sistemlere dönüşümünü temsil ediyor. Planlama, araç kullanımı ve durum takibinin bir araya gelmesiyle, çok adımlı, dinamik görevleri insan müdahalesi olmadan (veya minimal müdahaleyle) tamamlayabiliyorlar — ama bu güç, doğru sınırlar ve kontrol mekanizmalarıyla birlikte kullanılmalı.