4 Agentic AI Tasarım Deseni & Gerçek Dünyadan Örnekler

Agentic AI tasarım desenleri, büyük dil modelleri (LLM's) gibi Llama, Claude veya GPT'nin özerkliğini araç kullanımı, karar verme ve problem çözme yoluyla artırır. Bu, çeşitli kullanım durumlarında otonom ajanlar oluşturmak ve yönetmek için yapılandırılmış bir yaklaşım getirir.

Ajan iş akışları nedir?

Bir ajan, hedef fonksiyonuyla daha uyumlu sonuçlara yol açan eylemleri sürekli olarak seçtiğinde daha zeki kabul edilir.

Otomatik iş akışları (kural tabanlı, yapay zeka olmayan)

Önceden tanımlanmış kuralları ve süreçleri takip eder, genellikle sabit talimatlara dayanır. Tekrarlayan görevleri verimli bir şekilde ele almak üzere tasarlanmıştır, çoğunlukla robotik süreç otomasyonu (RPA) gibi sistemler aracılığıyla, karar verme çok az veya hiç gerekmez.

Yapay zeka iş akışları (ajan olmayan)

LLM's ve araçların önceden tanımlanmış kod yolları aracılığıyla, minimum düşünme ile yönetildiği sistemlerdir. Ajan olmayan bir iş akışında, bir LLM bir istemden çıktı üretir, örneğin girdiye dayalı bir öneri listesi oluşturur.

Ajan iş akışları

Otonom ajanların kararlar aldığı, eylemlerde bulunduğu ve minimum insan girdisiyle görevleri koordine ettiği yapay zeka odaklı süreçlerdir. Bu iş akışları, karmaşık görevleri ele almak için muhakeme, planlama ve araç kullanımı gibi ana bileşenleri kullanır.

Sabit kuralları ve tasarımları izleyen RPA gibi geleneksel otomasyonla karşılaştırıldığında, ajan iş akışları daha “dinamik ve esnektir”, gerçek zamanlı verilere ve beklenmeyen koşullara uyum sağlar.

Bu iş akışında, yapay zeka ajanı kullanıcı sorusunu yanıtlıyor (Örnek: “2024'te EURO'yu kim kazandı?”)

1. Kullanıcı sorgusu: Kullanıcı bir soru sorar.
   
2. LLM analizi: LLM bunu yorumlar ve harici verilere ihtiyaç olup olmadığını belirler.
   
3. Harici araç etkinleştirme: Bir arama aracı gerçek zamanlı bilgi alır.
   
4. Yanıt oluşturma: LLM verileri birleştirir ve yanıtlar:
   “İspanya, EURO 2024'ü Temmuz 2024'te Berlin'deki finalde İngiltere'ye karşı 2-1'lik skorla kazandı.”

5 tür Agentic AI tasarım deseni

Yansıma deseni

Yansıma deseni, ajan iş akışlarını sürekli kendini geliştirme ile iyileştirir.

→ Bu desen, bir yapay zeka ajanının yanıtını tamamlamadan veya daha ileri bir eylemde bulunmadan önce çıktılarını veya kararlarını değerlendirdiği bir öz-geribildirim mekanizması içerir.

→ Ajanın kendi çalışmasını analiz etmesine, hataları veya eksiklikleri tespit etmesine ve yaklaşımını iyileştirmesine olanak tanıyarak daha iyi sonuçlar elde edilmesini sağlar. Bu süreç tek bir yinelemeyle sınırlı değildir, ajanlar sonraki etkileşimlerde yanıtlarını ayarlayabilir.

Gerçek dünyadan örnek:

Örneğin GitHub Copilot gibi yapay zeka ajanları, çalışma zamanında kendi yapısını ve davranışını inceleyerek ve değiştirerek kodu yansıma yoluyla iyileştirebilir:

• İlk yanıt: GitHub Copilot, bir isteme dayalı olarak bir kod parçacığı oluşturur.
  
• Yansıma süreci: Oluşturulan kodu hatalar, verimsizlikler veya iyileştirmeler açısından inceler. Hataları tespit etmek için kodu bir sandbox ortamında çalıştırmak gibi bir geri bildirim döngüsü kullanabilir.
  
• Kendini yineleme: Oluşturulan kodun beklendiği gibi çalışıp çalışmadığını değerlendirir, mantığını iyileştirir ve optimizasyonlar önerir.

Araç kullanımı deseni

Araç kullanımı deseni, agentic YZ'da büyük dil modellerinin (LLM's) harici araçlar ve kaynaklarla dinamik olarak etkileşime girmesini sağlayarak yeteneklerini artırır.

Protokoller gibi Model Bağlam Protokolü (MCP), araç kullanım sürecini standartlaştırmaya yardımcı olur.²

Araç kullanımının MCP ile standartlaştırılması, ajan tasarımını özel API entegrasyonlarından birleşik bir bağlam katmanına taşır. Ajanlar, bireysel bağlayıcıları yönetmek yerine, model ile yerel veya kurumsal ortam arasında güvenli bir veri akışı sağlamak için MCP'yi kullanır. Araç kullanım protokolleri ve ajan modelleriyle, ajanlar şunları yapabilir:

• gerçek zamanlı bilgilere erişmek (API'ler aracılığıyla), web'de arama yapmak
• yanıtları işlemek ve oluşturmak için API'lerle etkileşime girmek
• bilgi alım sistemleriyle etkileşime girmek
• belirli veri kümelerini almak
• veri analizi için betikler çalıştırmak
• özel algoritmalar çalıştırmak için makine öğrenimi modellerinden yararlanmak

Popüler yapay zeka ajanlarının araç kullanım yeteneklerini test ettik.

Gerçek dünyadan örnek:

Görsel-metinsel sentez projesi, karmaşık görevleri tamamlamak için GPT-4'ü hem harici araçlarla (örneğin görüntü analizi için CLIP ve muhakeme için GPT-4 gibi) hem de harici kaynaklarla (örn. tasarım araçları, e-ticaret platformları) dinamik olarak etkileşime girmek için kullanır.³

Planlama deseni

Planlama deseni, LLM'lerin büyük görevleri alt görevlere ayırmasını 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 dünyadan örnek:

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

Yaklaşıma, makine öğrenimi topluluklarındaki çeşitli yapay zeka modellerini (örneğin Hugging Face) yapay zeka görevlerini çözmek için bağlamak üzere LLM'leri (ör. ChatGPT) kullanan, LLM destekli bir ajan olan HuggingGPT adı verildi.⁴

Günümüz iş akışlarında, planlama deseni giderek model düzeyinde muhakeme ile entegre edilmektedir. Çerçeveler üst düzey görev delegasyonunu ele alırken, muhakeme modelleri planları yürütmeden önce doğrulamak için dahili işleme yapar. Bu dahili değerlendirme:

• görev ayrıştırma sırasında mantık hatalarını azaltır
• çok adımlı prompt'lar mühendisliğine olan ihtiyacı en aza indirir
• ajanın bir eylem başlatmadan önce kendi kendini düzeltmesini sağlar

Çoklu ajan deseni

Çoklu ajan desenleri, farklı sorumlulukları ele almak üzere tek bir LLM'ye (veya birden çok LLM'ye) prompt'lar göndererek oluşturulabilen farklı ajanların farklı görevlere atanmasını içeren görev delegasyonuna odaklanır.

Örneğin, bir yazılım geliştirici ajanı oluşturmak için LLM'ye şu prompt'lar gönderilebilir: “Verimli, temiz kod yazma konusunda uzmansın. [specific task] görevini gerçekleştirecek kodu yaz.”.

Çoklu ajan sistemlerinde, ajanlar aralarındaki bilgi akışını tanımlayan Ajanlar Arası (A2A) protokollerini kullanarak iletişim kurar. Örneğin, Google’ın A2A protokolü, ajanlara yapılandırılmış bağlam ve araçlar sağlayan açık bir çerçevedir.⁵

Güncel çoklu ajan çerçeveleri:

• LangGraph: Geri bildirim döngülerine ihtiyaç duyan ajanlar için döngüsel iş akışlarını ve durum yönetimini kolaylaştırır.
• PydanticAI: Tip güvenli, üretim hazır ajan orkestrasyonuna odaklanan bir çerçeve.
• CrewAI: Ajanları belirli roller ve işbirlikçi görev dizileri atayarak yönetir.
• OpenAI Swarm: Uzmanlaşmış modeller arasındaki geçişleri yönetmek için hafif bir protokol.

Daha fazlası için: Açık kaynaklı agentic YZ oluşturucuları & çerçeveler.

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

İnsan-Döngüde (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: Bir insan veya ikincil bir denetleyici model, süreç tamamlanmadan önce kalite kontrol katmanı sağlamak için ajanın çıktısını değerlendirir.

Ajan iş akışı kullanım durumları

1. Geri Getirme ile Güçlendirilmiş Üretim (RAG)

Agentic tasarım desenleri, ajanları RAG boru hattına dahil etmek için RAG sistemlerinde kullanılabilir.

Daha fazlası için bakınız:

→ En İyi Agentic RAG Sistemlerini Keşfedin

→ En İyi Geri Getirme ile Güçlendirilmiş Üretim Araçlarını Karşılaştırın

2. Yazılım geliştirme

• Kod oluşturma ve tamamlama:
  
  • Cursor: Doğal dil açıklamalarına dayanarak otomatik olarak kod parçacıkları ve tüm fonksiyonları oluşturur.
  • Devin: Bir tarayıcı veya komut satırı arayüzü kullanarak minimum insan gözetimiyle sıfırdan uygulamalar oluşturur.
    
• Otomatik yazılım testi:
  
  • Diffblue: Java kodu için otomatik olarak birim testleri yazar, kapsamı ve kod doğruluğunu sağlar.
    
  • Snyk: Bağımlılıklardaki güvenlik açıklarını insan müdahalesi olmadan tespit eder ve düzeltir.

3. Oyun

• Otonom NPC'ler:
  • YZ Dungeon: Tamamen otonom metin tabanlı NPC'ler oluşturmak için bir LLM kullanır, oyuncu eylemlerine tepki verir ve anlatı olayları yaratır.
  • AgentRefine: Yapay zeka ajanlarının ve modellerinin hataları tespit etmesini ve otonom olarak düzeltmesini sağlayarak genel görevlerdeki performanslarını artırır.
• Otonom keşif:
  • Spore (Yapay zeka kontrollü evrim): Yapay zeka ajanları, insan müdahalesi olmadan çoğalır, mutasyona uğrar ve evrimleşir; her nesilde giderek daha zeki ve çeşitli hale gelir.
• Yol bulma:
  • NavMesh YZ: Oyunlarda, ajanların dinamik ortamlarda gezinebildiği otonom yol bulma sistemi.

4. Multimedya oluşturma

• Üretken yapay zeka 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 prodüksiyonu
  • Pictory metin tabanlı içeriği otonom olarak videoya dönüştürür.

5. Araştırma ve veri analizi

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

6. Bilgisayar kullanımı

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

• web'de arama yapmak ve masaüstü yazılım arayüzleriyle etkileşime girmek
• yapılandırılmış API'lerden yoksun dahili ERP sistemlerinde gezinmek
• platformlar arası yönetimsel iş akışlarını yürütmek
• çevrimiçi formları doldurmak ve seyahat düzenlemeleri yapmak

7. Müşteri hizmetleri

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

• Zendesk YZ
• Intercom’s Fim
• Kore.YZ Agent

8. Sağlık hizmeti otomasyonu

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

Genel amaçlı sağlık hizmeti otomasyonu:

• Sully.ai
• Hippocratic YZ
• Innovacer
• Beam YZ Healthcare agent
• Notable Health

Hasta desteği:

• Amelia YZ
• Cognigy

Daha fazla okuma

• En iyi yapay zeka ajan araçları
• Yapay Zeka Ajanları: Operator vs Browser Use vs Project Mariner

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 Deseni & Gerçek Dünyadan Örnekler}},
  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'da baş analisttir. AIMultiple, her ay Fortune 500'ün %60'ı dahil olmak üzere (similarWeb'e göre) yüz binlerce işletmeyi bilgilendirmektedir.

Cem'in çalışmaları Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır.

Cem, kariyeri boyunca teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımlamıştır.

CEO'ya rapor verirken bir telekomünikasyon şirketinin teknoloji stratejisini ve satın alımını yönetmiştir. Ayrıca, 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alınmıştır.

Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun olmuş ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Hazal Şimşek

Endüstri Analisti

Takip Et

Hazal, AIMultiple'da endüstri analisti olup süreç madenciliği ve BT otomasyonuna odaklanmaktadır.

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