5 Agentic AI Tasarım Desenleri ve Gerçek Dünya Örnekleri

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

Agentic iş akışları nelerdir?

Bir ajan, hedef fonksiyonuyla daha uyumlu sonuçlara yol açan eylemleri tutarlı bir şekilde seçtiğinde daha zeki kabul edilir.

Otomatik iş akışları (kural tabanlı, AI olmayan)

Genellikle sabit talimatlara dayanan önceden tanımlanmış kuralları ve süreçleri izlerler. Robotik süreç otomasyonu (RPA) gibi sistemler aracılığıyla, karar vermenin çok az veya hiç gerekmediği tekrarlayan görevleri verimli bir şekilde ele almak üzere tasarlanmışlardır.

AI iş akışları (agentic olmayan)

LLM'lerin ve araçların önceden tanımlanmış kod yolları aracılığıyla, minimum düşünme ile düzenlendiği sistemler. Agentic olmayan bir iş akışında, bir LLM, girdiye dayalı bir öneri listesi oluşturmak gibi bir prompt'tan çıktı üretir.

Agentic iş akışları

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

Sabit kuralları ve tasarımları izleyen RPA gibi geleneksel otomasyonla karşılaştırıldığında, agentic iş akışları daha “dinamik ve esnektir”; 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 veriye ihtiyaç olup olmadığını belirler.
   
3. Harici araç etkinleştirme: Bir arama aracı gerçek zamanlı bilgiyi getirir.
   
4. Yanıt oluşturma: LLM verileri birleştirir ve yanıtlar:
   “İspanya, Temmuz 2024'te Berlin'deki finalde İngiltere'ye karşı 2–1'lik skorla Euro 2024'ü kazandı.”

5 tür agentic AI tasarım deseni

Reflection deseni

Reflection deseni, sürekli kendini geliştirmeyle agentic iş akışlarını güçlendirir.

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

→ Ajanın kendi çalışmasını analiz etmesine, hataları veya boşlukları belirlemesine ve yaklaşımını iyileştirmesine olanak tanıyarak daha iyi sonuçlara yol açar. 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 kodu öz yansıma yoluyla iyileştirebilir; örneğin:

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

Araç kullanımı deseni

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

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

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

• gerçek zamanlı bilgilere erişir (API'ler aracılığıyla), web'de arama yapar
• yanıtları işlemek ve üretmek için API'lerle etkileşim kurar
• bilgi erişim sistemleriyle etkileşim kurar
• belirli dataset'leri alır
• veri analizi için script'ler çalıştırır
• özel algoritmalar çalıştırmak için makine öğrenimi model'lerinden yararlanır

Popüler AI ajanlarının araç kullanım yeteneklerini test ettik.

Gerçek dünya örneği:

MM-REACT, bir Microsoft Azure AI sistemi, ChatGPT'yi görüntü altyazılama, nesne tespiti ve OCR gibi bir dizi görüntü uzmanı modeliyle eşleştirir. ChatGPT, düşünce–eylem–gözlem döngüsüyle çalışır: isteği değerlendirir, ihtiyaç duyduğu görüntü uzmanını çağırır, sonucu okur ve yanıtlayana kadar tekrarlar.

Örneğin, yüklenmiş birkaç fiş verildiğinde, her birinden tutarları extract edebilir ve ek bir multimodal eğitim olmadan toplam seyahat maliyetini hesaplayabilir.³

Planlama deseni

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

Planlama desenini kullanan bir LLM, alt hedefleri mantıksal bir sıraya göre düzenler. 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.

Yaklaşıma HuggingGPT adı verildi; bu, AI görevlerini çözmek için makine öğrenimi topluluklarındaki çeşitli AI model'lerini (ör. Hugging Face) bağlamak üzere LLM'lerden (ör. ChatGPT) yararlanan LLM destekli bir ajandır.⁴

Mevcut iş akışlarında planlama deseni, model düzeyinde akıl yürütmeyle giderek daha fazla entegre edilmektedir. Framework'ler üst düzey görev dağıtımını ele alırken, akıl yürütme model'leri yürütmeden önce planları doğrulamak için içsel işleme yapar. Bu içsel değerlendirme:

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

Çoklu ajan deseni

Çoklu ajan desenleri, tek bir LLM'ye (veya birden çok LLM'ye) farklı sorumlulukları ele alması için prompt verilerek oluşturulabilen farklı görevlere farklı ajanlar atamayı içeren görev dağıtımına odaklanır.

Örneğin, bir yazılım geliştirici ajanı oluşturmak için LLM'ye şunu prompt edebilirsiniz: “Verimli ve temiz kod yazma konusunda uzmansınız. Lütfen [specific task] işini gerçekleştirecek kodu yazın”.“

Çoklu ajan sistemlerinde 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 çoklu ajan framework'leri:

• LangGraph: Geri bildirim döngülerine ihtiyaç duyan ajanlar için döngüsel iş akışlarını ve durum yönetimini kolaylaştırır.
• PydanticAI: Tip güvenli, üretime hazır ajan orkestrasyonuna odaklanan bir framework.
• CrewAI: Belirli roller ve işbirliğine dayalı görev dizileri atayarak ajanları orkestre eder.
• OpenAI Swarm: Uzmanlaşmış model'ler arasındaki devir teslimleri yönetmek için hafif bir protokol.

Daha fazlası için: Açık kaynak agentic AI builder'ları 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, doğruluğu ve güvenliği sağlamak için 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 üzere bir insan veya ikincil bir denetmen model, ajanın çıktısını değerlendirir.

Agentic iş akışı kullanım alanları

1. Retrieval-augmented generation (RAG)

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

Daha fazlası için bakınız:

→ 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 tüm fonksiyonları üretir.
  • Devin: Minimum insan gözetimiyle bir 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: Bilinen güvenlik açıkları için bağımlılıkları tarar ve bunları yamalı sürümlere yükselten pull request'leri otomatik olarak açar; geliştiricilere incelenip birleştirilmesi bırakılır.⁶

3. Oyun

• Otonom NPC'ler:
  • Generative Agents (Stanford ve Google Research): Sims tarzı bir kasabadaki 25 LLM destekli karakter, günlerini hatırlar, üzerinde düşünür ve planlar. Tek bir prompt'tan kendi başlarına bir Sevgililer Günü partisi düzenlediler.⁷
  • AI Dungeon (Latitude): Bir LLM, sabit bir senaryo olmadan herhangi bir oyuncu eyleminin sonucunu anlatarak oyun yöneticisi olarak hareket eder.⁸
• Otonom keşif:
  • Voyager (NVIDIA, Caltech ve diğerleri): Bir GPT-4 ajanı Minecraft'ı keşfeder, yeni beceriler öğrenmek için kod yazar ve çalışan becerileri insan müdahalesi olmadan yeniden kullanılabilir bir kütüphaneye kaydeder.⁹
• Oyun esinli ajan eğitimi:
  • AgentRefine: LLM ajanlarını Dungeons & Dragons tarzı senaryolarla eğitir, böylece kendi hatalarını düzeltmeyi öğrenirler.¹⁰
• Yol bulma (klasik oyun AI'sı):
  • NavMesh: Unity gibi oyun motorları, karakterlerin engellerin etrafından gerçek zamanlı olarak yol bulabilmesi için navigasyon ağlarını kullanır.¹¹

4. Multimedya oluşturma

• GenAI arama sonuçlarını Wikipedia sayfalarına dönüştürme
  • Perplexity Pages: Bir kullanıcı bir 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: İlaç keşfi için simülasyonlar çalıştırır ve otonom önerilerde bulunur.
• AI2: Otonom sistemler aracılığıyla veri ambarı yönetimi sağlar.

6. Bilgisayar kullanımı

Modern ajanlar, insan kullanıcılara benzer şekilde Grafiksel Kullanıcı Arayüzleriyle (GUI'ler) etkileşime girebilir. Bilgisayar kullanımı yetenekleri sayesinde ajanlar ekran piksellerini yorumlar, imleçleri hareket ettirir ve çeşitli uygulamalara metin girer. Bu ajanlar şunları yapabilir:

• web'de arama yapar ve masaüstü yazılım arayüzleriyle etkileşim kurar
• yapılandırılmış API'lere sahip olmayan dahili ERP sistemlerinde gezinir
• platformlar arası yönetimsel iş akışlarını yürütür
• çevrimiçi formları doldurur ve seyahat düzenlemelerini rezerve eder.

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'i
• Kore.AI Agent

8. Sağlık hizmetleri otomasyonu

Sağlık hizmetleri için Agentic AI, klinik operasyonlardaki iş akışlarını otomatikleştirmek için sağlık sistemlerinden yararlanmayı amaçlar. Araç örnekleri şunlardır:

Genel amaçlı sağlık hizmetleri otomasyonu:

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

Hasta desteği:

• Amelia AI
• Cognigy

İleri okuma

• En İyi 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  = {{5 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}
}

Değişiklik günlüğü

1 güncelleme

2026

1. 2 Nis

   Onay kontrol noktalarını ve inceleme döngülerini kapsayan bir İnsan-Döngüde (HITL) desen bölümü eklendi.

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.

https://arxiv.org/abs/2303.11381

4.

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

5.

Announcing the Agent2Agent Protocol (A2A) - Google Developers Blog

6.

https://docs.snyk.io/scan-with-snyk/pull-requests/automatic-snyk-fix-prs-and-manual-fix-merge-requests

7.

https://arxiv.org/abs/2304.03442

8.

https://en.wikipedia.org/wiki/AI_Dungeon

9.

https://arxiv.org/abs/2305.16291

10.

https://arxiv.org/abs/2501.01702

11.

https://docs.unity3d.com/ScriptReference/AI.NavMeshAgent.html

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