4 Agentic AI Tasarım Desenleri ve Gerçek Dünya Örnekleri

Agentic AI tasarım desenleri; araç kullanımı, karar verme ve problem çözmeden yararlanarak büyük dil model'leri (LLM'ler) gibi Llama, Claude veya GPT model'lerinin özerkliğini artırır. Bu, çeşitli kullanım senaryolarında otonom ajanlar oluşturmak ve yönetmek için yapılandırılmış bir yaklaşım sunar.

Agentic iş akışları nelerdir?

Bir ajan, amacına (hedef fonksiyonu) daha yakın sonuçlara götüren eylemleri tutarlı biçimde seçtiğinde daha zeki kabul edilir.

Otomatik iş akışları (kural tabanlı, AI içermeyen)

Genellikle sabit talimatlara dayanan önceden tanımlı kuralları ve süreçleri izlerler. Tekrarlayan görevleri verimli şekilde ele almak üzere tasarlanmışlardır; genellikle çok az karar verme gerektiren veya hiç gerektirmeyen robotik süreç otomasyonu (RPA) gibi sistemler aracılığıyla çalışırlar.

AI iş akışları (ajan içermeyen)

LLM'lerin ve araçların önceden tanımlanmış kod yolları üzerinden orkestre edildiği, minimum düşünce içeren sistemlerdir. Ajan içermeyen bir iş akışında, bir LLM bir prompt'tan çıktı üretir; örneğin girdiye dayalı bir öneri listesi oluşturur.

Agentic iş akışları

Otonom ajanların minimum insan girdisiyle kararlar aldığı, eylemlerde bulunduğu ve görevleri koordine ettiği AI odaklı süreçlerdir. Bu iş akışları, karmaşık görevleri ele almak için akıl yürütme, planlama ve araç kullanımı gibi temel bileşenleri kullanır.

Geleneksel otomasyona, sabit kuralları ve tasarımları izleyen RPA gibi yaklaşımlara kıyasla agentic iş akışları daha "dinamik ve esnektir" ve gerçek zamanlı verilere ve beklenmedik koşullara uyum sağlar.

Bu iş akışında, AI ajanı kullanıcı sorgusunu yanıtlıyor (Örnek: “2024'te Euro'yu kim kazandı?”)

1. Kullanıcı sorgusu: Kullanıcı bir soru sorar.
   
2. LLM analizi: LLM bunu yorumlar ve harici veri gerekip gerekmediğini belirler.
   
3. Harici araç etkinleştirme: Bir arama aracı gerçek zamanlı bilgi alır.
   
4. Yanıt oluşturma: LLM verileri birleştirir ve yanıtlar:
   “İspanya, Temmuz 2024'te Berlin'deki finalde İngiltere'yi 2-1 yenerek Euro 2024'ü kazandı.”

5 tür agentic AI tasarım deseni

Yansıma deseni

Yansıma deseni, agentic iş akışlarını sürekli kendini geliştirmeyle güçlendirir.

→ Bu desen, bir AI ajanının yanıtını sonlandırmadan veya başka bir eylemde bulunmadan önce çıktılarını veya kararlarını değerlendirdiği bir öz geri bildirim mekanizması içerir.

→ Bu desen, ajanın kendi çalışmasını analiz etmesine, hataları veya eksikleri belirlemesine ve yaklaşımını iyileştirmesine olanak tanır; böylece daha iyi sonuçlar elde edilir. Bu süreç tek bir yinelemeyle sınırlı değildir; ajanlar sonraki etkileşimlerde yanıtlarını ayarlayabilir.

Gerçek dünya örneği:

GitHub Copilot gibi AI ajanları, çalışma zamanında kendi yapısını ve davranışını inceleyip değiştirerek öz yansıma yoluyla kodu iyileştirebilir; örneğin:

• İlk yanıt: GitHub Copilot, bir prompt'a dayalı olarak bir kod parçacığı üretir.
  
• Yansıma süreci: Üretilen kodu hatalar, verimsizlikler veya iyileştirmeler açısından inceler. Hataları belirlemek için kodu bir korumalı alan ortamında çalıştırmak gibi bir geri bildirim döngüsü kullanabilir.
  
• Kendini yineleme: Üretilen kodun beklendiği gibi çalışıp çalışmadığını değerlendirir, mantığını iyileştirir ve optimizasyonlar önerir.

Araç kullanım deseni

araç kullanım deseni, agentic AI'da büyük dil model'lerinin (LLM'ler) dış araçlarla ve kaynaklarla dinamik olarak etkileşime girmesini sağlayarak yeteneklerini artırır.

Protokoller, örneğin Model Context Protocol (MCP), araç kullanım sürecini standartlaştırmaya yardımcı olur.²

Araç kullanımını MCP aracılığıyla standartlaştırmak, agentic tasarımı özel API entegrasyonlarından birleşik bir bağlam katmanına taşır. Ajanlar, tek bağlayıcıları yönetmek yerine, model ile yerel veya kurumsal ortam arasında güvenli bir veri akışı sağlamak için MCP'yi kullanır. Araç kullanım protokolleri ve agentic model'ler sayesinde ajanlar şunları yapabilir:

• (API'ler aracılığıyla) gerçek zamanlı bilgilere erişin, web'de arama yapın
• yanıtları işlemek ve üretmek için API'lerle etkileşim kurun
• bilgi erişim sistemleriyle etkileşim kurun
• belirli dataset'leri alın
• veri analizi için script'ler çalıştırın
• özel algoritmalar çalıştırmak için makine öğrenmesi model'lerinden yararlanın

Popüler AI ajanlarının araç kullanım yeteneklerini test ettik.

Gerçek dünya örneği:

Görsel-metinsel sentez projesi, harici araçlarla (görüntü analizi için CLIP ve akıl yürütme için GPT-4 gibi) ve harici kaynaklarla (ör. tasarım araçları, e-ticaret platformları) dinamik olarak etkileşim kurmak için GPT-4 kullanır.³

Planlama deseni

Planlama deseni, LLM'lerin büyük görevleri alt görevlere ayırmasını sağlar.

Bir LLM, planlama desenini kullanarak alt hedefleri mantıksal bir sıraya koyar. Karmaşıklığa bağlı olarak ajan, eylemleri doğrusal bir sırayla planlayabilir veya paralel yürütme için dallar oluşturabilir.

Gerçek dünya örneği:

Bir grup araştırmacı, LLM ajanlarının karmaşık, daha büyük görevleri ele almak için Hugging Face gibi platformlardaki model'lerle nasıl işbirliği yaptığını gösterdi.

Yaklaşım, HuggingGPT olarak adlandırıldı; bu, LLM destekli bir ajandır ve LLM'lerden (ör. ChatGPT) yararlanarak makine öğrenmesi topluluklarındaki çeşitli AI model'lerini (ör. Hugging Face) AI görevlerini çözmek üzere bağlar.⁴

Güncel iş akışlarında planlama deseni, model düzeyindeki akıl yürütmeyle giderek daha fazla entegre ediliyor. Framework'ler üst düzey görev dağıtımını üstlenirken, akıl yürütme model'leri planları yürütmeden önce doğrulamak için dahili işlem gerçekleştirir. Bu dahili değerlendirme:

• görev ayrıştırma sırasında mantık hatalarını azaltır
• çok adımlı prompt mühendisliği ihtiyacını en aza indirir
• ajanın bir eylem başlatmadan önce kendini düzeltmesine olanak tanır

Çok ajanlı desen

Çok ajanlı desenler, farklı ajanların farklı görevlere atanmasını içeren görev dağıtımına odaklanır; bu görevler, farklı sorumlulukları üstlenmesi için tek bir LLM'e (veya birden çok LLM'e) prompt vererek oluşturulabilir.

Örneğin, bir yazılım geliştirici ajanı oluşturmak için LLM'e şu prompt'u verebilirsiniz: “Verimli ve temiz kod yazma konusunda uzmansınız. Lütfen [specific task]'i gerçekleştirecek kodu yazın”.“

Çok ajanlı sistemlerde ajanlar, aralarındaki bilgi akışını tanımlayan Agent-to-Agent (A2A) protokollerini kullanarak iletişim kurar. Örneğin, Google'ın A2A protokolü, ajanlara yapılandırılmış bağlam ve araçlar sağlayan açık bir framework'tür.⁵

Güncel çok ajanlı framework'ler:

• LangGraph: Geri bildirim döngüleri gerektiren ajanlar için döngüsel iş akışları ve durum yönetimi sağlar.
• PydanticAI: Tip güvenli, üretime hazır ajan orkestrasyonuna odaklanan bir framework'tür.
• CrewAI: Ajanlara belirli roller ve işbirliğine dayalı görev dizileri atayarak orkestrasyon yapar.
• OpenAI Swarm: Uzmanlaşmış model'ler arasındaki devir teslimleri yönetmek için hafif bir protokoldür.

Daha fazlası için: Açık kaynak agentic AI oluşturucuları ve framework'ler.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Human-in-the-Loop (HITL) deseni

HITL deseni, doğruluk ve güvenliği sağlamak amacıyla belirli karar noktalarında insan müdahalesini içerir. Temel uygulamalar şunlardır:

• Onay Kontrol Noktaları: Ajan, finansal işlemler veya veri silme gibi yüksek etkili eylemleri gerçekleştirmeden önce insan onayı için duraklar.
• İnceleme Döngüleri: Süreç sona ermeden önce kalite kontrol katmanı sağlamak için bir insan ya da ikincil bir denetçi model, ajanın çıktısını değerlendirir.

Agentic iş akışı kullanım örnekleri

1. Retrieval-augmented generation (RAG)

Agentic tasarım desenleri, ajanları RAG pipeline'ına dahil etmek için RAG sistemlerinde kullanılabilir.

Daha fazlası için bkz.:

→ En İyi Agentic RAG Sistemlerini Keşfedin

→ En İyi Retrieval-Augmented Generation Araçlarını Karşılaştırın

2. Yazılım geliştirme

• Kod üretimi ve tamamlama:
  
  • Cursor: Doğal dil açıklamalarına dayalı olarak otomatik olarak kod parçacıkları ve fonksiyonların tamamını üretir
  • Devin: Minimum insan gözetimiyle, tarayıcı veya komut satırı arayüzü kullanarak sıfırdan uygulamalar oluşturur.
    
• Otomatik yazılım testi:
  
  • Diffblue: Java kodu için otomatik olarak birim testleri yazar; kapsamı ve kod doğruluğunu sağlar.
    
  • Snyk: İnsan girdisi olmadan bağımlılıklardaki güvenlik açıklarını tespit eder ve düzeltir.

3. Oyun

• Otonom NPC'ler:
  • AI Dungeon: Oyuncu eylemlerine tepki veren ve anlatı olayları oluşturan tamamen otonom metin tabanlı NPC'ler üretmek için bir LLM kullanır.
  • AgentRefine: AI ajanlarının ve model'lerinin hataları belirlemesini ve otonom olarak düzeltmesini sağlayarak genel görevlerdeki performanslarını artırır.
• Otonom keşif:
  • Spore (AI kontrollü evrim): AI ajanları insan müdahalesi olmadan çoğalır, mutasyona uğrar ve evrimleşir; her nesilde giderek daha zeki ve çeşitli hale gelir.
• Yol bulma:
  • NavMesh AI: Ajanların dinamik ortamlarda gezinmesini sağlayan oyunlarda otonom yol bulma sistemidir.

4. Multimedya oluşturma

• GenAI arama sonuçlarını Wikipedia sayfalarına dönüştürme
  • Perplexity Pages: Bir kullanıcı arama sorgusu girdiğinde, Perplexity Pages arama sonuçlarını Wikipedia sayfalarına dönüştürmek için birden çok kaynaktan ilgili bilgileri toplar.
• Otomatik video üretimi
  • Pictory metin tabanlı içeriği otonom olarak videoya dönüştürür.

5. Araştırma ve veri analizi

• ChemCrow: Simülasyonlar çalıştırır ve otonom önerilerde bulunur.
  İlaç keşfi için.
• AI2: Otonom sistemler aracılığıyla veri ambarı yönetimi sağlar.

6. Bilgisayar kullanımı

Modern ajanlar, Grafik Kullanıcı Arayüzleri (GUI'ler) ile insan kullanıcılara benzer şekilde etkileşim kurabilir. Bilgisayar kullanımı yetenekleri sayesinde ajanlar ekran piksellerini yorumlar, imleçleri hareket ettirir ve çeşitli uygulamalarda metin girer. Bu ajanlar şunları yapabilir:

• web'de arama yapabilir ve masaüstü yazılım arayüzleriyle etkileşim kurabilir
• yapılandırılmış API'leri olmayan dahili ERP sistemlerinde gezinebilir
• platformlar arası yönetimsel iş akışlarını yürütebilir
• çevrimiçi formları doldurabilir ve seyahat düzenlemeleri yapabilir.

7. Müşteri hizmetleri

Müşteri hizmetleri için AI ajanları, müşteri sorgularına doğal dilde yanıt verir, bağlamı yorumlar ve insan benzeri yanıtlar üretir. Bu ajanlar genellikle çağrı merkezi otomasyonu için kullanılır. Bazı örnekler şunlardır:

• Zendesk AI
• Intercom'un Fim
• Kore.AI Agent

8. Sağlık hizmetleri otomasyonu

Sağlık hizmetleri için agentic AI, klinik operasyonlardaki iş akışlarını otomatikleştirmek için sağlık sistemlerinden yararlanmayı amaçlar. Araç örnekleri şunları içerir:

Genel amaçlı sağlık otomasyonu:

• Sully.ai
• Hippocratic AI
• Innovacer
• Beam AI Sağlık Hizmetleri ajanı
• Notable Health

Hasta desteği:

• Amelia AI
• Cognigy

Daha fazla okuma

• En iyi AI ajan araçları
• En İyi Agentic AI Şirketleri

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{4 Agentic AI Tasarım Desenleri ve Gerçek Dünya Örnekleri}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/agentic-ai-design-patterns}},
  note   = {AIMultiple. Erişim tarihi: 4 Ağustos 2026}
}

Referans Linkleri

1.

There is a lot of hype on AI Agents recently. | Dipanjan S. | 17 comments

2.

What is the Model Context Protocol (MCP)? - Model Context Protocol

Model Context Protocol

3.

[2307.11661] Enhancing CLIP with GPT-4: Harnessing Visual Descriptions as Prompts

4.

[2303.17580] HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face

5.

Announcing the Agent2Agent Protocol (A2A) - Google Developers Blog

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Hazal Şimşek

Endüstri Analisti

Takip Et

Hazal, AIMultiple'da süreç zekası (süreç madenciliği dahil) ve kurumsal otomasyon (BT otomasyonu ve düşük kodlu/kodsuz otomasyon dahil) konularına odaklanan bir endüstri analistidir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder