Gerçek Projeler ve Vaka Çalışmaları
Öğrenilenlerin tamamını birleştirmek: uçtan uca 3 gerçek proje (WhatsApp AI destek botu, lead scraper + CRM, RAG bilgi asistanı).
Bu bölümde
Müfredatı tamamladınız: trigger, expressions, mantık, loop, HTTP+webhook, DB, e-posta, AI Agent, RAG, hata yönetimi, self-host ve güvenlik. Şimdi öğrendiğiniz her şeyi birleştirip 3 gerçek üretim projesi kuracaksınız. Her proje uçtan uca anlatılır: mimari karar, node sırası, kritik incelikler, deploy notları, izleme. Bu projeleri kendi sektörünüze uyarlayıp portföyünüze, müşterinize veya kurum içi otomasyonunuza koyabilirsiniz. Birinden başlayıp tamamlayın — yarım kalan üç projeden tamamlanmış bir tanesi daha değerlidir.
Konular
- Proje 1: WhatsApp AI Destek Botu (mesaj → AI Agent → bilgi tabanı → yanıt)
- Proje 2: Lead Scraper + Zenginleştirme + CRM (web → AI skorlama → HubSpot)
- Proje 3: Şirket içi RAG Bilgi Asistanı (PDF → vektör → soru-cevap)
- Deploy, izleme, iyileştirme döngüsü
Proje 1 — WhatsApp AI Destek Botu: mimari ve karar matrisi
Senaryo: Bir e-ticaret veya hizmet işletmesinin WhatsApp Business numarasına gelen müşteri sorularını AI ile karşılamak, basit soruları otomatik yanıtlamak, karmaşık olanları temsilciye yönlendirmek. Kararlar: (1) WhatsApp Business Cloud API (Meta) vs unofficial wrapper — production'da SADECE Cloud API, diğerleri banlanır. (2) AI Agent için OpenAI gpt-4o-mini başlangıç — Türkçe iyi, ucuz. (3) Bilgi tabanı (ürün listesi, iade politikası, sıkça sorulanlar) için Bölüm 10'daki RAG — Supabase pgvector yeterli. (4) Konuşma sürekliliği için Postgres Memory + phone number = Session ID. (5) İnsana devir: 'temsilciye bağla', 'şikayet', 'iade' geçerse Slack'e bildir, bot durur.
Proje 1 — Adım adım workflow ve kritik incelikler
İki ayrı workflow: (A) Ingestion — Google Drive'da ürün PDF/SSS değişince webhook → splitter → embeddings → Supabase pgvector. (B) Conversation — WhatsApp Webhook → mesaj tipini ayır (text/audio/image): audio ise Whisper transcribe, image ise GPT-4o vision tanıma. → AI Agent (system prompt: 'Sen X şirketinin müşteri temsilcisisin, sadece context'teki bilgilere göre cevap ver, fiyat veya stok soruluyorsa ürünleri DB'den çek') → vector store ve 'order_lookup' tool'ları bağlı → cevap üret → WhatsApp Send. Kritik incelikler: (1) WhatsApp'ın 24 saat penceresi — müşteri yazmazsa template mesaj gerekir. (2) Mesaj sıralaması — kullanıcı 3 mesaj art arda atarsa Wait + Aggregate ile birleştir, agent'a tek seferde ver. (3) Maliyet kontrolü — kullanıcı başına günlük token limiti DB'de tut, aşılırsa 'sistem yoğun' mesajı.
Proje 1 — Deploy, test ve canlıya alma
Sıra: (1) Meta Business Manager'da WhatsApp Cloud API uygulaması oluştur, test numarası al. (2) n8n'de WhatsApp Trigger node'una webhook URL ve verify token gir. (3) Önce yalnızca senin telefonun ile test et — 20+ farklı soru sor (kolay/zor/tuzaklı). (4) Bölüm 13'teki güvenlik checklist'i uygula (Meta zaten HMAC imzalıyor, n8n'de Raw Body + signature verify ekle). (5) Limited beta: 5-10 dost müşteriye ver, 1 hafta logla, agent'ın 'bilmiyorum' dediği veya yanlış cevap verdiği soruları topla. (6) System prompt'u + RAG belgelerini bu loglara göre düzelt (en az 2-3 iterasyon). (7) Soft launch: müşterilerin %10'una, sonra %50, sonra tam. Her aşamada hata oranı, transfer oranı, müşteri memnuniyeti metriklerini takip et.
Proje 2 — Lead Scraper + AI Zenginleştirme + CRM: mimari
Senaryo: B2B satış ekibi için potansiyel müşteri (lead) bulma, zenginleştirme ve CRM'e aktarma. Sektör + lokasyon girdisinden günlük 50-100 nitelikli lead üretip skorlayarak HubSpot'a sokmak. Mimari kararlar: (1) Veri kaynağı: Apollo.io, Apify (LinkedIn scraper), Google Maps API, sektöre özel siteler (Yelp, sahibinden). (2) Zenginleştirme: Clearbit/Apollo enrichment API ile e-posta + telefon + şirket büyüklüğü + tech stack. (3) AI skorlama: OpenAI Agent'a 'ICP (Ideal Customer Profile) tanımı' + lead bilgileri ver, 0-100 arası skor + 1 cümlelik gerekçe iste. (4) CRM: HubSpot/Pipedrive — skor > 70 olanlar 'Hot Lead' listesine, 40-70 'Nurture', < 40 reddet. (5) Tetik: Her sabah 9'da Schedule Trigger, 100 lead/gün limit (rate + cost kontrolü).
Proje 2 — Skorlama prompt'u, deduplication ve maliyet
Skorlama prompt'u kalıbı: 'Sen B2B satış uzmanısın. ICP'miz: [şirket büyüklüğü, sektör, teknoloji, coğrafya]. Aşağıdaki lead'i 0-100 arası skorla. Çıktı JSON: { score: number, fit_reason: string (1 cümle), red_flags: string[] }'. Structured Output Parser kullan, agent'ı schema'ya zorla. Deduplication: HubSpot'a yazmadan önce 'company_domain' veya 'email' ile DB'de kontrol et — son 30 günde eklendiyse atla. Maliyet: 100 lead × 500 token = 50K token/gün × gpt-4o-mini ≈ 0.03$/gün — son derece ucuz. Apollo enrichment paid (lead başına ~0.05$) — sadece skor > 50 olanlar için zenginleştir, gereksiz zenginleştirme maliyetin %80'idir.
Proje 2 — Outreach otomasyonu ve dönüş ölçümü
Lead CRM'e girdikten sonra durmayın — outreach'i de otomatikleştirin. n8n workflow: HubSpot'ta yeni Hot Lead → AI Agent ile kişiselleştirilmiş ilk e-posta taslağı oluştur (şirket sitelerini scrap edip ne yaptıklarına dair 1 cümle dahil et) → onay için Slack'e gönder ('Approve / Edit / Reject' butonları) → temsilci onaylarsa Gmail ile gönder → 3 gün cevap yoksa otomatik follow-up. Dönüş ölçümü: her workflow'un sonunda Postgres'e log at (lead_id, sent_at, opened, replied, demo_booked). Haftalık Schedule Trigger ile bu tabloyu özetleyip Slack'e rapor at. ICP'yi bu verilere göre 3 ayda bir güncelle — AI skorlama prompt'u canlı bir belge olsun.
Proje 3 — Şirket İçi RAG Bilgi Asistanı: mimari
Senaryo: Şirketin 1000+ sayfa iç dokümantasyonu (politikalar, prosedürler, ürün manuelleri, sözleşmeler) var. Çalışan 'İK politikasında izin nasıl?' veya 'X ürününün API rate limiti?' diye sorduğunda saniyeler içinde kaynaklı cevap alıyor. Mimari: (1) Veri kaynakları: Google Drive klasörleri, Notion workspace, Confluence, Postgres tabloları, SharePoint. (2) Ingestion workflow: günlük Schedule + dosya değişikliği webhook (Drive/Notion) → text extract → splitter (1000 token + 150 overlap) → Cohere embed-multilingual (Türkçe için OpenAI'dan iyi) → Pinecone. (3) Erişim arayüzü: Slack bot — kullanıcı /sor komutuyla soru atar, n8n cevap verir. (4) Audit: her soru-cevabı user_id ile logla — kim ne sorduğu kayıtlı.
Proje 3 — Yetki yönetimi, kaynak gösterme ve halüsinasyon kontrolü
Şirket içi bilgi tabanında en büyük risk: bir çalışan kendisinin görmemesi gereken bilgiye erişir (örn. CFO seviyesi finansal belge). Çözüm: her chunk'a metadata olarak 'permission_level: hr|finance|engineering|public' yaz, Slack'te kullanıcının grup üyeliklerini kontrol et, sadece izinli chunk'ları retrieve et. System prompt'a koy: 'Sadece <context> içindeki bilgilere dayan, kaynakta yoksa "Bu konuda dokümanlarımda bilgi yok, İK'ya sorun" de. Her cevabın sonunda kaynakları liste halinde göster.' Structured output: { answer, sources: [{title, link}], confidence }. confidence < 0.7 ise fallback mesaj. Bu üç katman (yetki + 'bilmiyorum' diyebilme + zorunlu kaynak gösterme) halüsinasyonu pratikte sıfıra yakın getirir.
Üretime alma: izleme, iyileştirme döngüsü ve sürdürülebilirlik
Üç proje de canlıda kaldıktan sonra iş başlıyor. Haftalık ritm: (1) Pazartesi — geçen haftanın metrik raporu: kaç çalışma, kaç başarı, kaç hata, ortalama gecikme, toplam maliyet. (2) Salı — kullanıcı geri bildirim incelemesi: WhatsApp botunun 'bilmiyorum' dediği sorular, satış ekibinin reddettiği lead'ler, asistan'ın yanlış cevapladığı sorular. (3) Çarşamba — düzeltmeler: RAG belgesi güncelle, system prompt iyileştir, yeni edge case'i workflow'a ekle. (4) Aylık — bağımlılık güncellemeleri, model versiyon kontrolü (yeni Claude/GPT sürümü çıktıysa A/B test), maliyet optimizasyonu. (5) 3 ayda bir — güvenlik checklist'ini baştan geç, ICP'yi gözden geçir, RAG bilgi tabanını arşivle ve yeniden indexle. Sürdürülebilir AI otomasyonu = sürekli minik iyileştirmeler. Tek seferlik kurulumdan üretim çıkmaz.
Sonuç ve sonraki adımlar: artık ne yapmalı?
14 bölümlük bu yolu tamamlayan biri: n8n ile uçtan uca üretim otomasyonu kurabilir, AI agent ve RAG mimarisi tasarlayabilir, kendi sunucusunda güvenli şekilde çalıştırabilir. Sonraki adımlar: (1) Bu üç projeden BİRİNİ seç ve kendi gerçek senaryona uyarla — portföyüne 1 tamamlanmış proje, 10 yarımdan daha güçlüdür. (2) n8n Community Forum'a katıl — gerçek soru-cevaplar, edge case çözümleri burada. (3) n8n.io/workflows'tan 5-10 community workflow'u indir, incele, kendi versiyonunu yap. (4) Eğer SaaS/ajans kuruyorsan: 3 sektör seç (e-ticaret, gayrimenkul, eğitim gibi), her birine özelleşmiş paket workflow seti hazırla, fiyatlandır. (5) Yeni AI model çıkışlarını takip et (Claude, GPT, Gemini, Llama) — n8n bağladığında 3-4 satır config değişikliğiyle modeli güncelleyebilirsin. n8n öğrenme yolun burada bitiyor; n8n ile bir şey üretme yolun bugün başlıyor.
Bu bölümün workflow'u (n8n editör görünümü)