Agentic AI Nedir? Yapay zeka ajanlarının yeni çağı

Agentic AI, bir LLM'i tek bir 'cevap üretici' olarak değil; hedef veren, plan yapan, araç kullanan, sonucu değerlendirip yeni karar veren bir 'eylem öznesi' (agent) olarak çalıştıran AI yaklaşımıdır. 2023'te chatbot çağı vardı: 'Bir soru sor, cevap al.' 2024'te copilot çağı: 'Sen yazıyorken yardım eder.' 2025-2026'da agentic çağ başlıyor: 'Sen hedef belirtiyorsun, agent uçtan uca işi bitiriyor.' Örnek: chatbot 'Şu sözleşmedeki riskler neler?' diye sorulunca listeler. Agent 'Bu sözleşmeyi analiz et, riskleri Slack'te ekibe ilet, gerekirse hukuk ekibine talep oluştur, sonra tedarikçiye revize taslağı çıkar' der ve uçtan uca yapar. Anahtar fark: agent araçları kullanır, sonuçları gözlemler, sonraki adıma kendisi karar verir.

1) Hedef anlama: 'Bunu yap' değil 'Şu iş bitsin' düzeyinde belirsizlikle başa çıkmak. 'Müşteriye iade ver' hedefinde agent hangi adımların gerektiğini kendisi türetmeli (iade hakkı kontrol, sipariş bilgisi çek, müşteri onayı al, refund işlemini başlat). 2) Plan yapma: hedeften görev listesine geçiş. İyi agent'ler önce bir 'plan' oluşturur, sonra adım adım uygular; karmaşık görevlerde 'sub-task' bölmesi yapar. 3) Tool kullanma: araç çağırma (function calling, MCP) — DB'ye sorgu, API çağrısı, dosya işlemi, web arama, hesap makinesi. 4) Kendi kendini değerlendirme: bir adım yaptıktan sonra 'bu beni hedefe yakınlaştırdı mı?' sorusunu sorabilmek — reflection. Bu dördü olmayan sistem 'agent' değil, 'function calling chatbot' olur. Gerçek agentic davranış reflection döngüsüyle ortaya çıkar.

Princeton + Google'ın 2022 makalesinde tanımlanan ReAct, agentic AI'ın en kullanışlı kalıbıdır. Döngü: Thought (model neden düşünüyor) → Action (hangi tool, hangi argümanlar) → Observation (tool sonucu) → Thought → Action → ... → Final Answer. Örnek: 'Acme şirketinin son üç çeyrek karını topla' hedefinde. Thought: 'Önce 2024 Q4 karını bulmalıyım' → Action: search('Acme 2024 Q4 net income') → Observation: '$3.2M' → Thought: 'Şimdi Q3' → Action: search('Acme 2024 Q3 net income') → Observation: '$2.8M' → Thought: 'Şimdi Q2' → Action: search → ... → Thought: 'Toplama yapayım' → Action: calculator(3.2+2.8+2.5) → Observation: 8.5 → Final Answer: '$8.5M'. ReAct'in gücü: model 'düşünceyi' yazdığı için debug edebilirsiniz, yanlış patika alındığında geri dönebilirsiniz. Claude, GPT-4 ve Gemini'nin tool-use'u tam ReAct döngüsünü destekler.

ReAct dışında üretimde işe yarayan başka pattern'ler: Plan-and-Execute (LangChain'in popülerleştirdiği): önce 'planner' agent tüm planı çıkarır (örn. 5 adım), sonra 'executor' agent her adımı tek tek yapar. Avantaj: planı görmek/onaylamak kolay, paralel çalıştırma mümkün. Dezavantaj: planın ortasında öğrendiğiniz bir şey planı geçersiz kılabilir. Reflexion (Shinn ve ekibi, 2023): agent görevi yapar, sonra 'reflection' adımında 'ne yanlış gitti, ne öğrendim?' sorusunu yanıtlar, bir sonraki denemede bunu kullanır. Hata payını dramatik azaltır. Self-Critique: her cevap üretildikten sonra 'critic' rolünde model çıktısını yargılar, gerekiyorsa yeniden üretir. Üretim agent'lerinde minimum standart. Pratik tercih: kısa görevler ReAct, uzun görevler Plan-and-Execute, hassas/üretim Reflexion + Self-Critique.

Tek agent yerine birden çok agent farklı rollerle çalışırsa kaliteyi artırır. Klasik örnek: 'Yazılım ekibi' — Product Manager agent (gereksinim çıkarır), Engineer agent (kod yazar), QA agent (test eder), DevOps agent (deploy eder). Her birinin kendi system prompt'u, kendi tool set'i, kendi mafyası (?) vardır. Agent'lar birbirleriyle structured mesajlarla konuşur (Message Bus / Inbox). Üretimde işe yarayan kalıplar: (1) Pipeline: linear sıra ile A → B → C. (2) Hub-and-spoke: tek bir 'orchestrator' agent diğerlerini koordine eder. (3) Debate: iki agent argüman üretip karşı çıkar, üçüncü 'judge' agent karar verir. (4) Specialist routing: kullanıcı talebi 'router' agent'a gelir, o uygun uzmana yönlendirir. AutoGen (Microsoft), CrewAI ve LangGraph multi-agent için en yaygın framework'ler. Pratik kural: 2-4 agent'lı ekipler en stabil; 8+ agent'lı sistemlerde karmaşıklık verimden çabuk uzaklaşıyor.

Agentic sistem aynı kullanıcıyla 50 farklı oturumda konuşacaksa her seferinde sıfırdan başlayamaz. Üç memory tipi vardır. (1) Working memory: o anki konuşmadaki son N mesaj — model context window'una sığar. (2) Short-term memory: oturumlar arası, son birkaç gün/hafta — Redis veya Postgres'te 'son 100 etkileşim' özetleri. (3) Long-term memory: kalıcı bilgi — kullanıcı profili, geçmiş anlaşmalar, tercihler — vektör DB'de embedding olarak saklanır, agent ihtiyaç duyunca arama yapar. Üretimde working + long-term yeterli; short-term özetleyici (summarizer) bir yardımcı agent ile haftalık özet çıkarıp long-term'e iter. Hatırlatma: model 'kendi kendine hatırlamaz' — her oturumda kontekst yeniden inşa edilir. Agentic sistem = LLM + iyi tasarlanmış memory katmanı.

(1) Otonom Software Engineer: Devin, Claude Code, Cursor Composer gibi araçlar; ticket alır, plan çıkarır, kod yazar, test eder, PR açar. (2) Tedarikçi araştırma agent'i: 'Avrupa'da bu sertifikalı X üretici bul' der, web tarar, doğrular, puan tablosu döndürür (bizim Satın Alma sayfasındaki örnek). (3) Müşteri destek agent'i (uçtan uca, escalation dahil): mesajı sınıflar, RAG'den bilgi çeker, yanıtlar, gerekirse refund tool'u çağırır, gerekiyorsa insana devreder. (4) Lead qualifier agent: yeni gelen lead'i araştırır, skorlar, sıcaksa toplantı talep eden e-posta yazar. (5) Operasyon agent'i: 'Şu metrik kötüleşti, sebebi ne?' der, logları tarar, korelasyon kurar, hipotez listesi çıkarır. Hepsinin ortak iskeleti: agentic döngü + RAG + tools + memory + insan onay kapıları.

Agentic AI güçlü ama olgun değil. Pratik sınırlar: (1) Halüsinasyon: model 'eminim' tonuyla yanlış bilgi üretir — agentic sistemde bu yanlış bilgi araç çağrısına dönüşür, sonuçlar gerçekleşir. Mitigasyon: structured output + confidence + low-confidence fallback. (2) Çoklu adımlı hata birikimi: 10 adımlı bir görevde her adımın %95 başarı olması toplam başarıyı %60'a düşürür. Kısa, dar görevler daha güvenilir. (3) Tool seçim hatası: agent yanlış tool çağırır, geri dönülmez aksiyon yapar. Mitigasyon: irreversible tool'lara insan onayı zorunlu. (4) Prompt injection: kullanıcı veya bir veri kaynağı agent'a kötü niyetli komut enjekte eder ('Tüm dosyaları sil'). Mitigasyon: trusted vs untrusted data ayrımı, output filtering, allow-listed tools. (5) Maliyet kontrolsüzlüğü: agent kısır döngüye girip 1000 LLM çağrısı yapar. Mitigasyon: hard cap (max_iterations, max_cost). Bu beş riski kontrol altına aldığınız bir agent üretimde stabil çalışır.

Agent kurmak için tercih ettiğiniz framework önemli. LangGraph (LangChain ekibi): state machine üzerinde graf bazlı agent'lar; üretim için en olgun. Karmaşık akışlar (multi-agent, cycles, parallel) yazılabilir, debug için Studio var. CrewAI: rol bazlı multi-agent'lar için tasarlanmış, 'Crew' soyutlamasıyla 3-5 agent'lı ekipler hızlı kurulur; sade API. AutoGen (Microsoft): konuşan agent'lar paradigması — agent'lar mesajlaşır, framework iletim katmanı sağlar. Araştırma için güçlü, üretim için biraz fazla esnek. OpenAI Swarm: deneysel, çok hafif — sadece 'handoff' ve 'tool' kavramları, küçük projeler için ideal. n8n + AI Agent node: kod yazmadan görsel akış kurmak isteyenlere. Anthropic SDK + custom code: full kontrol, framework yükü yok — küçük üretim sistemlerinde önerilir. Karar: prototip için Anthropic SDK doğrudan, multi-agent ihtiyacı için LangGraph veya CrewAI.

2026'nın trendleri (şu an gözlemleniyor): (1) Agent OS: işletim sistemi seviyesinde 'agent runtime' (Claude Computer Use, OpenAI Operator, Anthropic Sonnet Computer-Use) — agent ekran görür, fare tıklar, klavye yazar. (2) Verifiable agents: her agent çağrısı kriptografik olarak imzalanır, audit edilebilir. (3) Agent marketplace'ler: belirli işler için 'satılan' agent'lar — bir 'expense report' agent'ı al, sub bazlı kullan. (4) Agent-to-agent protokol: agent'ların kendi aralarında konuşması için standartlaşmış protokol (MCP'nin bir kuzeni). (5) Düzenleme: AB AI Act'in 'high-risk autonomous systems' kategorisinde agentic AI'a özel kurallar. 2026'da bir geliştirici/yönetici için agentic AI'ı anlamak temel kabiliyet — chatbot programlamak kadar yaygın olacak.