Gerçek Yapay Zeka Ajanları Nasıl Tasarlanır? — Seviye 0'dan Seviye 7'ye Adım Adım Kılavuz

Gerçek Yapay Zeka Ajanları (Agents) Nasıl Tasarlanır?

"Persona"lardan Araç Kullanan (Tool-Using) Karar Mekanizmalarına Geçiş
Seviye 0'dan Seviye 7'ye adım adım senior düzeyde AI Engineer rehberi.

Yayınlanma: Haziran 2026 | Okuma süresi: ~25 dk | Kategori: Yapay Zeka Mühendisliği

🎯 Giriş: Neden "Sen Dünyanın En İyi YZ Mühendisisin" Yetersizdir?

İnternetteki eğitimlerin %90'ı size bir ajan yaratmak için şunu yazmanızı söyler:

"Sen dünyanın en iyi yazılım mühendisisin..."

Eğer production'a, yani canlıya bir uygulama çıkacaksanız, sadece persona vererek yazdığınız promptlar sisteminizi bir halüsinasyon bombasına çevirir.

Agent'ların asıl gücü onlara verdiğiniz rollerdan değil; Tool Kullanımı (Araç Kullanımı), Grounding (Temellendirme) ve Açıklanabilirlik (Explainability)'dir.

💡 Bu Yazıda Ne Öğreneceksiniz?

Bu yazıda basit bir problem olan "iki metnin benzerliğini ölçme" görevini alacağız ve acemi bir yaklaşımdan, senior bir YZ mühendisinin tasarlayacağı otonom seviyeye kadar adım adım nasıl geliştireceğimizi göreceğiz. Her seviyede prompt, mimari ve maliyet karşılaştırması yapacağız.

🎬 Video ile Öğrenin: Murat Karakaya Akademi

Bu eğitimi Murat Karakaya Akademi YouTube kanalında da izleyebilirsiniz. Adım adım canlı demo, kod açıklaması ve mimari analiz ile Seviye 0'dan Seviye 7'ye aynı yolculuğu video olarak da takip edebilirsiniz.

▶ YouTube'da İzle — Murat Karakaya Akademi

📌 Seviye 0 — Acemi Yaklaşım: Kara Kutu & Halüsinasyon

Başlangıç

Senaryo: Uygulamamızda üretilen Metin 1 ile Metin 2'nin ne kadar benzer olduğunu 0–100 arasında bulmamız gerekiyor. (Örneğin bir RAG sisteminde, üretilen cevabın referans metne ne kadar sadık olduğunu ölçüyoruz).

Acemi Prompt:
"Sen bir metin analistisin. Sana verilen Metin 1 ve Metin 2'yi karşılaştırıp ne kadar benzer olduklarına karar ver. Benzerliği 0–100 arasında bir sayısal değer ile döndür. 0: Hiç benzemiyorlar, 100: Tamamen kelime kelime aynılar."

Neden Kötü?

Kara Kutu (Black Box): Model sadece "75" döndürdü. Neden 75? 74 veya 80 değil? Bilmiyoruz.
Subjektiflik: Aynı metinlere bir gün 60, ertesi gün 85 verebilir.
Halüsinasyon Riski: LLM'ler matematiksel ölçüm yapamaz; kelime tahmin eder. "75" uydurulmuş bir değerdir.

📌 Seviye 1 — Yapılandırılmış Çıktı & Düşünce Zinciri

İyileştirme

İstediğimiz ilk şey Açıklanabilirlik (Explainability). Modele "bana sadece sonuç verme, düşünme sürecini de ver" diyoruz.

"Sen bir metin analistisin. Amacın iki metnin anlamsal benzerliğini ölçmektir. Çıktını KESİNLİKLE geçerli bir JSON object olarak vermelisin. Markdown veya ek metin kullanma. Zorunlu JSON alanları: - reasoning: Bu iki metne özel benzerlik ve farklılık gerekçesi. - similarity_score: 0-100 arası bir tam sayı. Beklenen JSON şeması: { "type": "object", "required": ["reasoning", "similarity_score"], "properties": { "reasoning": {"type": "string"}, "similarity_score": {"type": "integer", "minimum": 0, "maximum": 100} } }"

Neden Daha İyi?

Chain of Thought (Düşünce Zinciri): Modelden önce skoru istemedik. Önce reasoning alanını doldurmasını istedik. Model açıklamayı yazarken kendi çıkarımını temellendirir.
Hata Ayıklama (Debugging): Skor 40 geldiğinde, "Model şu detayı kaçırmış, o yüzden düşük vermiş" diyebiliriz.
Entegrasyon: JSON çıktısı uygulama kodu tarafından parse edilebilir.

⚠️ Eksik Kalan: Skor hâlâ subjektif. 0–100 arası skala bir LLM için çok geniştir ve kuralsızdır.

📌 Seviye 2 — Rubrik ve Objektivite (Divide & Conquer)

Özerklik Artışı

Agent'ın "benzerlik" gibi soyut bir kavramı kendi başına yorumlamasına izin vermiyoruz. Ona kurallar (rubrik) veriyoruz. Problemi parçalara bölüyoruz.

Rubrik:

1. Ana Fikir (0-20): İki metin aynı ana mesajı mı veriyor?
2. Ton ve Üslup (0-20): İki metnin resmiyeti ve duygusu aynı mı?
3. Varlıklar / Entities (0-20): Metinlerde geçen isimler, tarihler, sayılar eşleşiyor mu?
4. Eksik Bilgi (0-20): Metin 2, Metin 1'deki önemli bir detayı atlamış mı?
5. Akıcılık (0-20): Metin 2 yapısal olarak ne kadar tutarlı?

"Sen uzman bir değerlendiricisin. İki metni yukarıdaki 5 kritere göre değerlendir. Her kriter 0-20 puan arasındadır. Çıktını KESİNLİKLE geçerli bir JSON object olarak üret. Zorunlu JSON alanları: - evaluations: 5 öğeli liste [criterion, score, explanation] - total_score: Beş kriter skorunun toplamı. Beklenen JSON şeması: { "type": "object", "required": ["evaluations", "total_score"], "properties": { "evaluations": { "type": "array", "minItems": 5, "maxItems": 5, "items": { "type": "object", "required": ["criterion", "score", "explanation"], "properties": { "criterion": {"type": "string"}, "score": {"type": "integer", "minimum": 0, "maximum": 20}, "explanation": {"type": "string"} } } }, "total_score": {"type": "integer", "minimum": 0, "maximum": 100} } }"

Neden Daha İyi?

Grounding (Temellendirme): Modeli soyut 100 üzerinden değerlendirmeden kurtardık.
Objektiflik: Farklı zamanlarda çalıştırsanız bile skorlar çok daha tutarlı olur (varyans azalır).
Karşılaştırılabilirlik: Farklı promptları aynı rubrik üzerinden değerlendirebiliriz.

📌 Seviye 3 — Örnekli Rubrik Kalibrasyonu (One-Shot / Few-Shot)

Kalibrasyon

Seviye 2'de rubrik verdik; fakat bu hâlâ sıfır-örnekli prompting (zero-shot prompting) idi. Model kriterleri okudu ama "20 puan ne zaman verilir?", "10 puan hangi sınır durumu?" gibi karar sınırlarını örneklerden görmedi.

Bu seviyede her kriter için küçük ve temsil gücü yüksek örnekler veriyoruz.

Puanlama Kalibrasyonu Örnekleri:

Ana Fikir — 20 puan: "Veri temizliği model başarısı için kritiktir" ve "Model kalitesi büyük ölçüde temiz veriye bağlıdır" aynı ana fikri verir.
Ana Fikir — 10 puan: İki metin de veri kalitesinden söz eder ama biri güvenlik risklerine, diğeri model performansına odaklanır.
Ana Fikir — 0 puan: Biri veri temizliğini, diğeri spor müsabakası sonucunu anlatır.
Ton ve Üslup — 20 puan: İki metin de akademik ve resmi bir dille yazılmıştır.
Ton ve Üslup — 10 puan: Biri resmi, diğeri daha konuşma dilindedir ama anlam korunmuştur.

Neden Daha İyi?

Tutarlılık: Model aynı puan aralıklarını daha kararlı kullanır.
Öğretilebilirlik: Rubrik artık yalnızca soyut bir liste değil, davranış örnekleriyle desteklenmiştir.
Maliyet: Few-shot örnekler giriş tokenını artırır — bu yüzden örnekler kısa ve net seçilir.

Beklenen JSON şeması:

{
  "type": "object",
  "required": ["evaluations", "calibration_note", "total_score"],
  "properties": {
    "evaluations": {
      "type": "array",
      "minItems": 5,
      "maxItems": 5,
      "items": {
        "type": "object",
        "required": ["criterion", "score", "explanation"],
        "properties": {
          "criterion": {"type": "string"},
          "score": {"type": "integer", "minimum": 0, "maximum": 20},
          "explanation": {"type": "string"}
        }
      }
    },
    "calibration_note": {"type": "string"},
    "total_score": {"type": "integer", "minimum": 0, "maximum": 100}
  }
}

📌 Seviye 4 — Araç Kullanımı (Tool Calling) ve İş Akışı (Workflow)

Temellendirme Başlıyor

Seviye 3'te rubriği örneklerle kalibre ettik; fakat değerlendirme hâlâ yalnızca LLM yorumuna dayanıyor. Şimdi dış sistemlerden gelen deterministik metrikleri kanıt olarak ekliyoruz.

Kullanılan Metrikler:

ROUGE-L F1: Kelime dizisi örtüşmesini ölçer.
Hafif Benzerlik Skoru: Token cosine + Token Jaccard + Karakter 3-gram cosine + Sequence ratio birleşimi.

Metrik Yorumlama Kuralları:

ROUGE-L F1 düşükse kelime örtüşmesinin düşük olduğunu gösterir; tek başına düşük anlamsal benzerlik kanıtı değildir.
Hafif Benzerlik Skoru ROUGE-L'ye göre daha yüksekse, metinler farklı kelimelerle benzer mesaj veriyor olabilir.
Hafif Benzerlik Skoru gerçek semantik embedding değildir; karar destek sinyali olarak kullanılmalı, tek karar verici yapılmamalıdır.

🌍 Gerçek Dünyada Neden Bu Kullanılır?

Güvenilirlik: ROUGE ve hafif benzerlik skorları deterministiktir — aynı metin çiftine her zaman aynı skorları verir.
İzlenebilirlik: LLM yorumu dış kanıta dayandığı için değerlendirme daha denetlenebilir olur.
Maliyet Kontrolü: Hafif metrikler hızlıdır ve ağır model bağımlılığı gerektirmez.

🔬 Deney Hijyeni Notu

Seviye 4, Seviye 3 ile aynı rubrik metnini kullanır. Bu bilinçli bir karar: iki seviye arasındaki fark rubrik değişikliği değil, yalnızca dış metrik bağlamıdır.

Seviye 4'te eklenen Zorunlu JSON alanları:

metric_interpretation: ROUGE-L F1 ve Hafif Benzerlik Skoru değerlerini nasıl yorumladığını açıkla.
calibration_note: Rubrik kalibrasyon örneklerinin puanlamanı nasıl etkilediğini açıkla.

Beklenen JSON şeması (Seviye 4):

{
  "type": "object",
  "required": ["evaluations", "metric_interpretation", "calibration_note", "total_score"],
  "properties": {
    "evaluations": { /* Seviye 3 ile aynı 5 öğeli liste */ },
    "metric_interpretation": {"type": "string"},
    "calibration_note": {"type": "string"},
    "total_score": {"type": "integer", "minimum": 0, "maximum": 100}
  }
}

📌 Seviye 5 — ReAct ve Ollama Tool Calling ile Gerçek Ajan Döngüsü

Gerçek Agentic Loop

Seviye 4'te güçlü bir iş akışı kurduk ama kurduğumuz sistem gerçek bir ajan mıydı? Tam olarak hayır. Çünkü metrikleri Python ile biz hesapladık. Gerçek ajan davranışında model hangi kanıta ihtiyaç duyduğunu belirler, yazılım katmanı aracı çalıştırır ve sonuç tekrar modele döner.

ReAct Döngüsü:

Reasoning (Muhakeme): Model hangi dış kanıta ihtiyaç duyduğunu belirler.
Action (Eylem): Model düz metin yazmak yerine Ollama'nın native tool_calls alanını üretir.
Observation (Gözlem): Python ilgili fonksiyonu çalıştırır, sonucu role="tool" olarak modele geri verir.
Final Answer (Nihai Cevap): Model tool sonuçlarını kullanarak rubrik temelli JSON değerlendirmesini üretir.

Ollama Native Tool Calling Akışı:

Fonksiyonlar `tools=[...]` listesiyle modele tanıtılır.
Model gerekiyorsa `response.message.tool_calls` üretir.
Python bu tool call'ları çalıştırır.
Sonuçlar `role="tool"` mesajları olarak konuşmaya eklenir.
Model tool sonuçlarına dayanarak nihai cevabı üretir.

Tool Tanımları (Python):

def calculate_rouge_tool(reference_text: str = "", candidate_text: str = "") -> str:
    """ROUGE skorlarını hesapla."""
    return json.dumps(calculate_rouge(METIN_1, METIN_2), ensure_ascii=False)

def calculate_lightweight_similarity_tool(reference_text: str = "", candidate_text: str = "") -> str:
    """Notebook'taki sabit Metin 1 ve Metin 2 için hafif benzerlik skorunu hesapla.
    
    Args:
        reference_text: Eğitim demosunda dikkate alınmaz; tool sabit METIN_1 kullanır.
        candidate_text: Eğitim demosunda dikkate alınmaz; tool sabit METIN_2 kullanır.
    
    Returns:
        Token cosine, token Jaccard, karakter 3-gram cosine, sequence ratio 
        ve birleşik skoru içeren JSON string.
    """
    return json.dumps(calculate_lightweight_similarity(METIN_1, METIN_2), ensure_ascii=False)

Tool Calling Loop (Pseudo-Python):

messages = [
    {"role": "system", "content": TOOL_CALLING_SYSTEM_PROMPT},
    {"role": "user", "content": "Metin 1: ..., Metin 2: ..."},
]

while True:
    response = client.chat(
        model=MODEL,
        messages=messages,
        tools=[calculate_rouge_tool, calculate_lightweight_similarity_tool],
    )
    messages.append(response.message)

    if not response.message.tool_calls:
        print(response.message.content)  # Final cevap
        break

    for tool_call in response.message.tool_calls:
        tool_name = tool_call.function.name
        result = available_tools[tool_name](**tool_call.function.arguments)
        messages.append({
            "role": "tool",
            "tool_name": tool_name,
            "content": str(result),
        })

Neden Bu Ustalık Sınıfıdır?

ReAct yalnızca Thought / Action / Observation yazdırmak değildir; düşünceyi gerçek araç yürütmeye bağlamaktır.
Ajan; prompt, tool calling, execution loop, grounding ve hata kontrolü katmanlarının birlikte tasarlanmasıdır.
Model araç ihtiyacını belirler, Python aracı gerçekten çalıştırır, nihai değerlendirme dış kanıtla desteklenir.

📊 Seviye 5 Token Maliyeti:

"Seviye 5 çok turlu (multi-turn) bir ajan loop'u olduğu için giriş tokenı (input token), yalnızca ilk kullanıcı promptunun uzunluğu değildir. Her client.chat çağrısında sistem mesajı, kullanıcı mesajı, önceki asistan mesajları ve tool sonuçları yeniden bağlama girer. Bu nedenle Seviye 5'teki input token toplamı, tekil token sayısı değil, kümülatif işlenen token / maliyet göstergesidir."

🛡️ Gerçek Dünyada: Üretim Ortamı Koruma Katmanları

Gerçek üretimde şu korumalar eklenir: şema doğrulama (schema validation), maksimum adım sayısı (max step limit), tool izin listesi (tool allowlist), yeniden deneme (retry) ve izleme/günlükleme (tracing/logging).

Seviye 5 Tool Calling JSON şeması:

{
  "type": "object",
  "required": ["evaluations", "metric_interpretation", "calibration_note", "total_score"],
  "properties": {
    "evaluations": {
      "type": "array",
      "minItems": 5,
      "maxItems": 5,
      "items": {
        "type": "object",
        "required": ["criterion", "score", "explanation"],
        "properties": {
          "criterion": {"type": "string"},
          "score": {"type": "integer", "minimum": 0, "maximum": 20},
          "explanation": {"type": "string"}
        }
      }
    },
    "metric_interpretation": {"type": "string"},
    "calibration_note": {"type": "string"},
    "total_score": {"type": "integer", "minimum": 0, "maximum": 100}
  }
}

📌 Seviye 6 — Rubrik Bazlı Sub-Agentlar ve Python Aggregator

Modüler Mimarisi

Seviye 5'te tek bir ajan hem araç çağırdı hem de bütün rubriği tek başına yorumladı. Bu seviyede farklı bir mimari deniyoruz: tek büyük prompt yerine, her rubrik kriterini ayrı bir alt ajana (sub-agent) veriyoruz.

Mimari:

1 generic sub-agent fonksiyonu yazılır.
Bu fonksiyon 5 farklı rubrik konfigürasyonu ile 5 kez çağrılır.
Her sub-agent yalnızca kendi kriterini değerlendirir.
Python aggregator sonuçları doğrular, sıraya koyar ve toplam skoru hesaplar.
Aggregator LLM çağrısı yapmaz — deterministiktir.

Bu Seviyenin Pedagojik Mesajı:

✅ "Her şeyi agent yapmayın!"
LLM yorumsal değerlendirme içindir. Python doğrulama, toplama, formatlama ve deterministik hesaplama içindir.

Sınırları:

5 sub-agent = 5 LLM çağrısı = Seviye 5'ten daha pahalı.
Her durumda gerekli değildir; rubrik büyüdüğünde veya denetlenebilirlik kritik olduğunda anlam kazanır.

Seviye 6 - Sub-Agent JSON Çıktısı (tek kriter için):

{
  "criterion": "Ana Fikir",
  "score": 18,
  "explanation": "Bu kritere özel değerlendirme",
  "evidence": "Metinden veya metriklerden dayanak"
}

Python Aggregator Toplam Çıktısı (tüm kriterler):

{
  "evaluations": [
    {"criterion": "Ana Fikir", "score": 18, "explanation": "...", "evidence": "..."},
    {"criterion": "Ton ve Üslup", "score": 16, "explanation": "...", "evidence": "..."},
    {"criterion": "Varlıklar", "score": 17, "explanation": "...", "evidence": "..."},
    {"criterion": "Eksik Bilgi", "score": 15, "explanation": "...", "evidence": "..."},
    {"criterion": "Akıcılık", "score": 14, "explanation": "...", "evidence": "..."}
  ],
  "metric_interpretation": "ROUGE ve hafif benzerlik metrikleri her sub-agent'a bağlam olarak verildi; her kriter kendi uzman alt ajanı tarafından yorumlandı.",
  "aggregation_note": "Toplam skor Python aggregator tarafından deterministik olarak hesaplandı; LLM orchestrator kullanılmadı.",
  "total_score": 80
}

Seviye 6 Python aggregator fonksiyon örneği:

def aggregate_sub_agent_results(sub_agent_results, metrics_context):
    expected_criteria = [config['criterion'] for config in RUBRIC_AGENT_CONFIGS]
    actual_criteria = [result['parsed'].get('criterion') for result in sub_agent_results]

    if actual_criteria != expected_criteria:
        raise ValueError(f"Sub-agent kriter sırası beklenenle aynı değil.")

    evaluations = []
    for result in sub_agent_results:
        parsed = result['parsed']
        score = parsed.get('score')
        if not isinstance(score, int) or not 0 <= score <= 20:
            raise ValueError(f"Geçersiz score: {parsed}")
        evaluations.append({
            'criterion': parsed['criterion'],
            'score': score,
            'explanation': parsed['explanation'],
            'evidence': parsed['evidence'],
        })

    total_score = sum(item['score'] for item in evaluations)
    return {
        'evaluations': evaluations,
        'metric_interpretation': '...',
        'aggregation_note': 'Toplam skor Python ile deterministik olarak hesaplandı.',
        'total_score': total_score,
    }

Seviye 6 — Token Maliyeti:

5 sub-agent = 5 bağımsız LLM çağrısı
Her çağrı sistem promptu + kullanıcı promptu + metrik bağlamını içerir
Toplam input token = 5 × (sistem + kullanıcı promptu uzunluğu)
Aggregator token maliyeti = 0 (Python kodu çalışır)

Seviye 6 — Sub-Agent JSON Şeması (build_sub_agent_system_prompt içinde):

{
  "type": "object",
  "required": ["criterion", "score", "explanation", "evidence"],
  "properties": {
    "criterion": {"type": "string"},
    "score": {"type": "integer", "minimum": 0, "maximum": 20},
    "explanation": {"type": "string"},
    "evidence": {"type": ["string", "array", "object"]}
  }
}

📌 Seviye 7 — Orkestratör Ajanlar ve Ne Zaman Gerekli Olmadıkları

Mimari Karar

Seviye 6'dan sonra doğal soru: "Bu alt ajanları bir de orkestratör ajan yönetse daha iyi olmaz mı?"

Orkestratör Ajan (Orchestrator Agent) gerçek hayatta güçlü bir mimaridir. Görevi parçalara ayırabilir, hangi sub-agent'ın çalışacağına karar verebilir, araç seçebilir, eksik veya çelişkili sonuçlarda yeniden deneme başlatabilir ve farklı ajanlardan gelen sonuçları nihai karara dönüştürebilir.

Ancak bu örnekte buna bilinçli olarak gerek duymuyoruz, çünkü:

5 rubrik kriteri önceden belli.
Her kriterin mutlaka çalışması gerekiyor.
Her sub-agent yalnızca kendi kriterini değerlendiriyor.
Eksik kriter kontrolü, sıralama ve toplam skor Python ile güvenilir biçimde yapılabiliyor.

🏗️ Orkestratör Ajan Ne Zaman Anlamlıdır?

Hangi sub-agent'ların çalışacağı görevden göreve değişiyorsa.
Araç seçimi, veri kaynağı seçimi veya iş akışı dallanması gerekiyorsa.
Alt ajan cevapları arasında çelişki varsa ve yorumlayıcı uzlaştırma gerekiyorsa.
Kalite kontrol, yeniden deneme, eksik bilgi tamamlama veya insan onayı gibi dinamik adımlar varsa.

Seviye 7'nin Mesajı: Orkestratör + sub-agent mimarileri vardır ve önemlidir; fakat her problemde gerekli değildir. Bu örnekte Python aggregator doğru, sade ve öğretici tercihtir.

💡 Seviye 7 Notu: Bu seviye yeni bir LLM çağrısı çalıştırmaz. Mimari karar verme ve sınır çizme bölümüdür. Performans grafikleri Seviye 0-6 deneylerinin maliyetini gösterir.

📊 Tüm Seviyelerin Karşılaştırması

Seviye	Yaklaşım	Eklenen Katman	Kazanım	Sınır / Ders
Lvl 0	Persona / Kara Kutu	Basit sistem promptu	Hızlı başlangıç	Tutarsız, açıklanamaz, halüsinasyona açık
Lvl 1	JSON + Açıklama	Yapılandırılmış çıktı	Cevap parse edilebilir	Hâlâ subjektif
Lvl 2	Rubrik	Kriter bazlı değerlendirme	Daha objektif skor	Dış kanıt yok, hâlâ LLM yorumu
Lvl 3	One-Shot / Few-Shot Kalibrasyon	Kriter bazlı örnekler	Tutarlı skorlar	İşlem tokenı artar
Lvl 4	Workflow + Tools	ROUGE + hafif benzerlik metrikleri	Grounded, kanıta dayalı	Tool seçimini yazılımcı yapar
Lvl 5	ReAct + Tool Calling	Otomatik tool çağrısı + execution loop	Gerçek agent davranışı	Yüksek maliyet, loop yönetimi gerekli
Lvl 6	Sub-Agentlar + Python Aggregator	Generic sub-agent + deterministic toplama	Görev ayrıştırma, sorumluluk ayrımı	5× LLM çağrısı, daha pahalı
Lvl 7	Orkestratör Ajan Kararı	Mimari karar verme	İleri mimari anlayışı	Her yerde orkestratör gerekmez

🎓 Son Mesaj: Prompt Mühendisliği, Sistem Mühendisliğine Dönüşür

Bir ajana yalnızca güçlü görünen bir prompt verip doğru çalışmasını beklemek yeterli değildir.
Gerçek Yapay Zeka Ajanı, yalnızca cevap üreten bir model değil; düşünme biçimi, araç kullanımı, muhakeme adımları ve veriye dayalı kanıtları birlikte yönetilen bir yazılım sistemidir.

Seviye 0'dan Seviye 7'ye ilerlerken aslında aynı fikri katman katman inşa ettik. Önce çıktıyı yapılandırdık, sonra değerlendirmeyi rubrikle parçaladık, ardından örneklerle kalibre ettik. Daha sonra metriklerle temellendirme ekledik ve ReAct fikrini gerçek araç yürütmeye bağladık. Sonunda orkestratör ajan gibi daha ileri mimarilerin var olduğunu, fakat bu örnekte ek LLM orchestrator kullanmamanın daha doğru mühendislik kararı olduğunu gördük.

Bir YZ Mühendisi olarak değerimiz burada ortaya çıkar: Modelden mucize beklemek yerine, modelin güçlü ve zayıf yönlerini anlayıp etrafına doğru mimariyi kurmak. İyi ajan tasarımı; prompt yazmak kadar, veriyle kanıtlama, araçlarla destekleme, muhakemeyi görünür kılma ve çıktıyı ölçülebilir hale getirme işidir.

📝 Eğitimde Kullanılan Test Metinleri

Bu iki metin özellikle seçilmiştir: kelime örtüşmesi düşük (düşük ROUGE), ancak anlamsal olarak benzer mesaj vermektedirler.

Metin 1 (Referans):
"Yapay zeka modellerinin eğitilmesi sürecinde, yüksek kaliteli veri setlerinin kullanılması kritik bir öneme sahiptir. Eğer veri seti hatalı, yanlı veya eksik bilgiler içeriyorsa, modelin üreteceği sonuçlar da kaçınılmaz olarak kusurlu ve güvenilmez olacaktır. Bu nedenle veri temizliği, model mimarisinin karmaşıklığından bile daha öncelikli bir adımdır."

Metin 2 (Sistemden Gelen Çıktı):
"Makine öğrenmesi algoritmalarının başarısı, büyük ölçüde beslendikleri bilginin kalitesine bağlıdır. Kirli, önyargılı ya da noksan verilerle beslenen algoritmalar, doğal olarak yanlış ve itimat edilemez çıktılar verecektir. Dolayısıyla, verilerin filtrelenmesi ve düzenlenmesi, sistemin altyapısını kurmaktan çok daha elzem bir süreçtir."

🏷️ Etiketler & Hashtagler

#YapayZeka #AI #MachineLearning #DeepLearning #LLM #LargeLanguageModel #PromptMühendisliği #PromptEngineering #AgentDesign #ArtificialIntelligence #Ollama #ToolCalling #ReAct #SubAgent #Orchestrator #StructuredOutput #Rubric #FewShot #Grounding #Explainability #RAG #ROUGE #TokenMaliyeti #MuratKarakayaAkademi #YZMühendisliği #YZ #AIEngineering #AIAgents #TechEducation #YouTubeEğitim #Blogger

Friday, June 19, 2026

Yapay Zeka Ajanınız Neden Başarısız? Seviye 0'dan Seviye 7'ye Ajan Mimarisi

Gerçek Yapay Zeka Ajanları (Agents) Nasıl Tasarlanır?

🎯 Giriş: Neden "Sen Dünyanın En İyi YZ Mühendisisin" Yetersizdir?

💡 Bu Yazıda Ne Öğreneceksiniz?

🎬 Video ile Öğrenin: Murat Karakaya Akademi

📌 Seviye 0 — Acemi Yaklaşım: Kara Kutu & Halüsinasyon

📌 Seviye 1 — Yapılandırılmış Çıktı & Düşünce Zinciri

📌 Seviye 2 — Rubrik ve Objektivite (Divide & Conquer)

📌 Seviye 3 — Örnekli Rubrik Kalibrasyonu (One-Shot / Few-Shot)

📌 Seviye 4 — Araç Kullanımı (Tool Calling) ve İş Akışı (Workflow)

🔬 Deney Hijyeni Notu

📌 Seviye 5 — ReAct ve Ollama Tool Calling ile Gerçek Ajan Döngüsü

ReAct Döngüsü:

🛡️ Gerçek Dünyada: Üretim Ortamı Koruma Katmanları

📌 Seviye 6 — Rubrik Bazlı Sub-Agentlar ve Python Aggregator

Mimari:

📌 Seviye 7 — Orkestratör Ajanlar ve Ne Zaman Gerekli Olmadıkları

🏗️ Orkestratör Ajan Ne Zaman Anlamlıdır?

📊 Tüm Seviyelerin Karşılaştırması

🎓 Son Mesaj: Prompt Mühendisliği, Sistem Mühendisliğine Dönüşür

📝 Eğitimde Kullanılan Test Metinleri

🏷️ Etiketler & Hashtagler

Social Media Icons

Total Pageviews