Şimdiye kadar modelleri "cevap veren" sistemler olarak gördük: soru girer, metin çıkar. Ama son bir yılın en büyük dönüşümü, bu resmi kökten değiştirdi. Artık modeller sadece konuşmuyor, iş yapıyor. Arama yapıyor, kod çalıştırıyor, e-posta gönderiyor, adım adım plan kurup uyguluyor. İşte bu yeni nesle "ajan" (agent) diyoruz.
Bu yazıda o kaymayı anlatıyoruz: bir modeli ajana dönüştüren nedir, nasıl çalışır ve neden bu kadar güçlü ama bir o kadar da riskli? Türkiye açısından işin güzel yanı: bu alanda somut bir sahne bile var; sonda ondan bahsedeceğiz.
Model ile ajan arasındaki fark
Basit bir benzetme: sıradan bir dil modeli, kavanozdaki bir beyin gibidir. Çok şey bilir, akıl yürütür, konuşur, ama elleri yoktur. Dünyaya dokunamaz; sadece metin üretir.
Bir ajan, o beyne eller, hafıza ve bir görev verir. Ajan; hedefi anlar, adımlara böler, gereken araçları kullanır, sonucu görür ve gerekirse planını değiştirir. Yani "cevap ver" ile "bu işi hallet" arasındaki fark. Model düşünür; ajan düşünür ve yapar.
Tek cümlede ajan: Ajan = bir dil modeli + hafıza + planlama + araç kullanımı; hepsini birbirine bağlayan bir "döngü" içinde, bir hedefe ulaşana kadar çalışan sistem.
Bir ajanı ajan yapan dört bileşen
Bu dördü tek başına yeni değil. Ajanı özel kılan, bunları bir döngü içinde birleştirmesi: modelin bir adım atıp sonucu görmesi, sonra bu yeni bilgiye göre bir sonraki adıma karar vermesi. Asıl sihir bu döngüde.
Ajan döngüsü: düşün, eyle, gözlemle
Ajanların klasik çalışma biçimine ReAct denir (Reason + Act: akıl yürüt + eyle). Model önce "ne yapmalıyım ve neden?" diye düşünür, bir araç çağırır, sonucu görür ve bu sonuca göre yeniden düşünür. Bu döngü, hedefe ulaşılana kadar döner.
Bu döngünün güzelliği, ajanın akıl yürütmesini şeffaf kılmasıdır: her adımda ne düşündüğünü ve neden o aracı seçtiğini görebilirsiniz. 2026'da endüstri, bu serbest döngüden biraz uzaklaşıp daha yapılandırılmış, öngörülebilir orkestrasyonlara (adımların net tanımlandığı akışlara) yöneliyor; çünkü üretimde sürpriz sevilmez.
Araç kullanımı
Ajanların asıl gücü araç kullanımından gelir. Hatırlayın, "LLM ne zaman kullanılır" yazımızda demiştik: model yorumlar, deterministik araçlar hesaplar. Ajan tam da bunu kurumsallaştırır. Model kendi başına yapamayacağı işleri araçlara havale eder:
- Arama: güncel bilgi için internete veya belgelere bakar (RAG da bir araçtır!).
- Hesaplama: matematiği bir koda/hesap makinesine bırakır; kendi uydurmaz.
- Veritabanı & API: gerçek verilere erişir, işlem yapar.
Yeni bir standart: MCP (Model Context Protocol) Ajanların araçlara ve verilere nasıl bağlanacağını standartlaştıran MCP, her araç için ayrı entegrasyon yazma zahmetini ortadan kaldırıyor. Bir nevi "ajanlar için ortak fiş".
Ama otonomi iki ucu keskin bir bıçak
Şimdi dürüst kısım. Bir ajana "kendi kararıyla eyleme geçme" yetkisi vermek güçlüdür, ama tehlikelidir. Çünkü artık hata, sadece yanlış bir cümle değil; yanlış bir eylem olabilir. Ve bunu düzeltmek için araya girecek bir insan her zaman olmayabilir.
Rakamlar temkinli olmayı gerektiriyor. Adım sayısı arttıkça güvenilirlik düşer; halüsinasyonlar kaybolmaz, sadece eyleme dönüşür. Çoklu ajan sistemlerinde iş daha da zor: koordinasyon maliyeti hızla büyür: 4 ajan 6, 10 ajan 45 olası hata noktası yaratır.
Bu yüzden ciddi ajan sistemleri, "korkuluklar" (guardrails) olmadan üretime alınmaz: bütçe sınırı, döngü sonlandırma, doğrulanmış araç sözleşmeleri ve her zaman bir "acil durdurma" düğmesi. Ajan tasarımının yarısı yetenek, yarısı disiplindir.
Türkiye için: hem tez hem sahne
Ajanlar, küçük-model tezimizle de örtüşüyor: pahalı devasa modeller yerine, belirli araçlarla donatılmış küçük ve verimli modeller çoğu ajanik işi görebiliyor; hatta bazı araştırmalar küçük modelleri "ajanik yapay zekânın geleceği" olarak tanımlıyor. Kaynağı kısıtlı bir ekosistem için bu, yeni bir kapı.
Türkiye'de bu alanda doğrudan bir yarışma var: TEKNOFEST Yapay Zekâ Dil Ajanları Yarışması. Büyük dil modelleri, doğal dil işleme ve akıllı ajan teknolojilerini geliştirmeyi teşvik eden ulusal bir yarışma. Ajanları sadece okumak değil, kurmak isteyenler için bulunmaz bir başlangıç.
lleaderboard açısından: yeni bir ölçme sınırı
Bir soruya doğru cevap vermek ile bir görevi baştan sona tamamlamak farklı şeyler. Ajanları ölçmek, klasik benchmark'ların ötesinde yeni bir alan: sadece "doğru mu bildi" değil, "görevi bitirebildi mi, kaç adımda, ne maliyetle, güvenilir miydi?" lleaderboard için ajan değerlendirmesi, Türkçe modellerin gerçek dünyadaki değerini ölçmenin bir sonraki adımı olabilir.
Özet: Ajan = düşünen bir modele eller (araçlar), hafıza ve plan eklemek; bir döngüde hedefe kadar çalıştırmak. Çok güçlü ama otonom olduğu için riskli; korkuluklar şart. Türkiye için hem tez hem de somut bir yarışma sahnesi.
Yapay zekânın "konuşan" çağından "yapan" çağına geçiyoruz. Bu geçiş, hem büyük fırsatları hem de büyük sorumlulukları beraberinde getiriyor. Ve bu yeni çağı Türkçe'de kuracak olanlar, belki de tam şu an okuyanlar.
Kaynaklar
- AI Agents Explained: What Is a ReAct Loop? — Towards Data Science
- What Is the AI Agent Loop? — Oracle Developers
- Towards a Science of AI Agent Reliability — arXiv
- The $47K Agent Loop: Multi-Agent Economic Guardrails — Revenium
- Small Language Models are the Future of Agentic AI — arXiv
- TEKNOFEST — Yapay Zekâ Dil Ajanları Yarışması