Birleştirilebilir Desenlerle Yapay Zeka Ajanları Oluşturma

Anthropic ve OpenAI'un etkili yapay zeka ajanları oluşturma kılavuzlarını takip ederek, n8n'de iş akışları ve ajan işlem hatları üzerinde 3 gün boyunca denemeler yaptık. ^{1 2}

Yapay zeka ajanı bileşenlerinin temelini keşfedin, doğru bileşenleri ve araçları nasıl seçeceğinizi öğrenin ve ayrıca Anthropic'ün istem zincirleme, yönlendirme, paralelleştirme, düzenleyici çalışanlar ve değerlendirici-optimize edici gibi basit, birleştirilebilir kalıplarına dayalı ajan iş akışları oluşturmayı öğrenin:

Yapay zekâ ajanlarının bileşenlerini anlamak

Ajan oluşturma, modeller, araçlar, bilgi ve bellek, güvenlik önlemleri gibi çeşitli alanlardaki bileşenleri birbirine bağlamayı içerir. OpenAI bunların her biri için birleştirilebilir temel öğeler sağlar:

Kaynak: OpenAI ³

Açıkçası, OpenAI öncelikle kendi ürünlerini listeliyor, ancak geniş bir alternatif ekosistemi mevcut. Kullanım durumunuza bağlı olarak, LangChain, LlamaIndex, CrewAI gibi çerçeveler veya hatta özel olarak oluşturulmuş orkestrasyon katmanları kullanarak ajanlar oluşturabilirsiniz .

Bu bileşenlerin her biri hakkında daha detaylı bilgi vereceğim:

Modeller

Öncelikle, modeller bileşenine sahibiz. Bunlar, akıl yürütme, karar verme ve farklı yöntemleri işleme yeteneğine sahip temel zeka olan büyük dil modelleriniz, yani yapay zeka modellerinizdir. Elbette, OpenAI'un bize verdiği örnekler GPT-5 vb.'dir.

Oluşturduğunuz ajanın türüne bağlı olarak, OpenAI ekosistemi içinde farklı bir model seçmek isteyeceksiniz.

GPT-5 amiral gemisi modelinizdir. Akıl yürütme, çok adımlı problem çözme konusunda güçlü ve özellikle çoğu soruyu yanıtlamada etkili bir düşünme modelidir.

OpenAI ekosisteminin dışında, Claude 4.5 Sonnet genellikle çok fazla kodlama, mantık yürütme ve STEM tabanlı görevler yapan kişiler için tercih edilen modeldir, ancak Gemini 2.5 Pro şu anda bu durumu zorluyor.

Ancak, OpenAI, GPT-5.2-Codex'in geliştiricilerin karmaşık, gerçek hayattaki yazılım mühendisliği sorunlarını çözmeleri için en gelişmiş kodlama modeli olduğunu iddia ediyor. OpenAI'un GPT-5.2-Codex'i, TerminalBench ve SWE-bench gibi kodlama kıyaslama testlerinde karşılaştırılabilir performans gösteriyor. ⁴

En iyi yapay zeka modellerini karşılaştırmalı olarak değerlendirdik ve her birinin mantık yürütme, hız ve maliyet açısından nasıl performans gösterdiğini anlamanıza yardımcı olduk, böylece hedeflerinize en uygun olanı seçebilirsiniz.

Aletler

Sırada, modelin yeteneklerini genişleten araçlar var; örneğin, web'de arama yapmasını veya diğer sistemlerle etkileşim kurmasını sağlayan araçlar.

Hemen hemen her uygulama yapay zekanız için bir araç haline gelebilir. Gmail, Takvim, Drive veya Slack, Discord, YouTube ve Zapier gibi uygulamalara bağlayabilirsiniz. Hatta kendi özel araçlarınızı bile oluşturabilirsiniz.

OpenAI'un Agents SDK'sı (biraz kodlama gerektirir) ile, web araması, dosya araması ve bilgisayar kullanımı gibi araçlar tanımlayabilir veya yerleşik olanları kullanabilirsiniz. ⁵

Anthropic tarafından geliştirilen MCP (Model Bağlam Protokolü), modellerin araçlara erişim şeklini standartlaştırarak araç entegrasyonunu da basitleştirir. 2026 yılında, iş değeri giderek artan bir şekilde, Model Bağlam Protokolü (MCP) tarafından desteklenen, birden fazla ajanın uçtan uca süreçleri yürüttüğü, insan yönlendirmeli, çok adımlı iş akışları olan “dijital montaj hatlarından” elde edilecektir.

Kodlama konusunda yetenekli değilseniz, n8n gibikodsuz platformlar, araçları modelinizle bağlantı kurmak için sürükle bırak yöntemiyle kullanmanıza olanak tanır.

Bilgi ve hafıza

Belleğin iki ana türü vardır: bilgi tabanı (statik bellek) ve kalıcı bellek .

• Bilgi tabanı, yapay zekânızın nispeten değişmeden kalan statik gerçeklere, politikalara ve belgelere erişmesini sağlar. Bu, referans materyallerinin tutarlı kalması gereken politika odaklı veya şirkete özgü görevleri yerine getiren yapay zekâ ajanları için çok önemlidir.
  
• Kalıcı bellek , yapay zekanın oturumlar arası geçmiş etkileşimleri hatırlamasını sağlar. Bu, önceki konuşmaları hatırlaması gereken sohbet robotları veya kişisel asistanlar için çok önemlidir.

OpenAI, bellek yönetimi için vektör depoları , dosya arama ve gömme işlemleri gibi barındırılan hizmetler sunar.

Açık kaynak çözümlerini tercih ediyorsanız, Pinecone (bulut tabanlı ve vektör arama için optimize edilmiş) ve Weaviate popüler seçeneklerdir.

Kodsuz araçlar kullananlar için bellek yönetimi genellikle n8n ve Creatio gibi platformlara entegre edilmiştir.

Daha fazla bilgi için: Hafızalı bir yapay zeka araştırma ajanı oluşturma

Korkuluklar

Güvenlik önlemleri, temsilcinizin amaçlandığı gibi davranmasını ve alakasız, zararlı veya uygunsuz yanıtlar vermesini önler. Örneğin, bir müşteri hizmetleri botu, hizmetle ilgili konulara odaklanmalı, ilgisiz konulara kaymamalıdır.

OpenAI'un ekosisteminin dışında, popüler araçlar arasında Guardrails AI ve LangChain Guardrails yer almaktadır. Birçok kodsuz platformda zaten yerleşik güvenlik önlemleri özellikleri bulunmaktadır, ancak ajanlarınızda kontrolü ve uyumluluğu sağlamak için bunların nasıl çalıştığını anlamak yine de önemlidir.

Orkestrasyon

Son bileşen ise orkestrasyondur. Bu, birden fazla alt ajanın birlikte nasıl çalıştığını yönetmeyi, bunları üretime dağıtmayı ve performanslarını izlemeyi içerir.

Ajanlar devreye alındıktan sonra sürekli gözetim altında tutulmaları gerekir. Modeller, veriler ve davranışlar değiştiği için sürekli güncellemeler ve iyileştirmeler çok önemlidir.

Orkestrasyonu destekleyen çeşitli platformlar/çerçeveler şunlardır:

• Düşük kodlu/kodsuz platformlar :
  • Stack AI
  • Microsoft Copilot Studio Ajan Oluşturucu
  • Alaka düzeyi yapay zekası, vb.
• Açık kaynaklı çerçeveler :
  • Çoklu ajan sistemleri için tasarlanmış Crew AI
  • LangChain, ajan etkileşimlerini yönetmek ve dağıtmak için yaygın olarak kullanılan bir araçtır.
  • LlamaIndex, özellikle belge ağırlıklı ajanlar ve bilgi tabanı uygulamaları için oldukça güçlüdür.

Otomasyonun temel taşları: İş akışları ve ajanlar

Yapay zekâ ajanı , çevresini algılayan, bilgiyi işleyen ve belirli hedeflere ulaşmak için otonom olarak eylemler gerçekleştiren bir sistemdir; örneğin, Cursor veya Windsurf gibi kodlama ajanları , Claude Sonnet 4.5 gibi modelleri kullanarak otonom olarak kodlama görevlerini gerçekleştirebilen “ajan modlarına” sahip yapay zekâ destekli kod editörleri. Bir diğer yaygın örnek ise birçok şirketin soruları yanıtlamak için kullandığı müşteri hizmetleri temsilcileridir .

İş akışının karmaşıklığına ve gereken özerklik derecesine bağlı olarak, bu aracıları tasarlamanın ve devreye almanın birçok farklı yolu vardır.

Özetlemek gerekirse, bir yapay zeka ajanı genellikle her biri belirli görevleri yerine getiren alt ajanlardan oluşan bir koleksiyondur. Bu alt ajanlar, çoklu ajan sistemleri içinde birlikte koordine olarak, bizim tek bir yapay zeka ajanı olarak algıladığımız şeyi sunarlar.

Bunlar temelde iş akışlarından farklıdır. İş akışları, her zaman aynı sırayı izleyen bir yemek tarifi gibi, önceden tanımlanmış adımların düzenlenmiş dizileridir:

Yapay zekâ ajanlarını ne zaman kullanmalı?

Yapay zekâ ajanları oluşturmak için iş akışı uygulama örneklerine dalmadan önce, hızlı bir gerçeklik kontrolü yapmakta fayda var. Yapay zekâ ajanları katı çerçeveler değildir. Birçok ekip, ajanların teorik olarak uygulanabileceği senaryolarda bile geleneksel iş akışlarının iyi performans gösterdiğini düşünüyor.

Bunu düşünmenin en açık yollarından biri, Anthropic'ün blogunda açıklandığı gibi şöyledir:

Bununla birlikte, esneklik, muhakeme ve uyum yeteneği gerektiren görevlerde ajanların geleneksel iş akışlarından daha iyi performans gösterdiği gerçek durumlar da vardır:

Uyarlama gerektiren dinamik konuşmalar :

Para iadesi veya parola sıfırlama talepleri gibi bazı etkileşimler iş akışlarına sorunsuz bir şekilde uyum sağlar. Ancak diğerleri, bağlama ve karşılıklı akıl yürütmeye büyük ölçüde bağlı olan kişiselleştirilmiş öneriler gibi incelikli değerlendirmeler veya bağlama duyarlı kararlar gerektirir.

Yüksek değerli, düşük hacimli karar verme:

Ajanların çalıştırılması maliyetli olabilir, ancak bazı durumlarda, destekledikleri kararlar yanlış alındığında çok daha büyük maliyetlere yol açabilir.

Örneğin, BCG'nin bildirdiğine göre, Almanya'daki önde gelen bir enerji sağlayıcısı, ödeme incelemelerini otomatikleştirmek için GenAI tabanlı bir ajans aracı kullandı. ⁶

Mühendislik tasarımlarını optimize etmek gibi büyük ölçekli altyapı planlıyorsanız, hesaplama maliyeti ihmal edilebilir düzeydedir. Bu yüksek riskli durumlarda, yapay zeka ajanları değer katarlar çünkü yanlış olmanın maliyeti, modeli çalıştırmanın maliyetinden çok daha fazladır.

Çok adımlı, öngörülemeyen iş akışları:

Bazı iş akışları o kadar karmaşıktır ki, sonsuz "eğer bu olursa, o zaman şu olur" kuralları yazmak başlı başına bir proje haline gelir.

Bu durumlarda, aracı döngüler karmaşayı basitleştirir. Her olası yolu sabit kodlamak yerine, model gerçek zamanlı bağlam ve mantığa dayanarak bir sonraki adımı dinamik olarak belirler.

Bu yaklaşım, onlarca değişkeni işleyen teşhis sistemleri veya araçları için iyi sonuç verir.

İş akışları daha iyi olduğunda

Yüksek frekanslı, düşük karmaşıklıklı senaryolar :

Bazı görevler, mantıktan ziyade hız ve ölçeğe bağlıdır, örneğin:

• Veritabanından bilgi alma
• Yapılandırılmış mesajları veya e-postaları ayrıştırma
• Sıkça sorulan sorulara yanıt verme

Bir iş akışı, bir aracıya kıyasla daha öngörülebilir maliyet ve gecikmeyle bu isteklerin binlercesini işleyebilir.

Yapay zekâ ajanı iş akışlarına ve uygulamalarına giriş

Yapay zekâ ajanlarının iş akışlarını ve bu ajanları oluşturan bileşenleri ele aldığımıza göre, şimdi gerçek uygulamalara geçelim. Daha önce de belirtildiği gibi, yapay zekâ ajanları genellikle tek bir varlık değildir. Bunun yerine, birbirleriyle etkileşim kuran çeşitli alt ajanlardan oluşurlar. Yaygın iş akışları ve ajan sistemleri hakkında bulduğum en iyi kaynaklardan biri, Anthropic tarafından yazılan "Etkin Ajanlar Oluşturma" kılavuzudur. ⁷ Şimdi bunu adım adım inceleyelim.

Ajan sistemlerinin özünde, Anthropic'ün artırılmış LLM olarak adlandırdığı yapı yer alır. Bu yapı üç temel unsurdan oluşur:

• giriş,
• Büyük dil modeli (LLM),
• ve çıktı.

Kaynak: Anthropic ⁸

Geliştirilmiş LLM, kendi arama sorgularını oluşturma, ilgili araçları seçme ve bellekte hangi bilgileri saklayacağına karar verme yeteneğine sahiptir.

OpenAI'un bileşenleriyle (aşağıda belirtildiği gibi) bazı benzerlikler fark edebilirsiniz. Ancak bu sürüm daha basitleştirilmiş olup, güvenlik önlemleri ve orkestrasyon gibi unsurlardan yoksundur, ancak temel yapı aynı kalmıştır. Bu tamamen kabul edilebilir bir durumdur. Test ve dağıtım gibi görevler için OpenAI'un bileşenlerine başvurmak en iyisidir.

OpenAI'un yapay zeka ajanı bileşenleri listesi ⁹

Bu artırılmış LLM yapı taşları aynı zamanda alt ajanlar olarak da bilinir. Şimdi, bu alt ajanların nasıl bir araya geldiğini ve daha büyük bir yapay zeka ajanı oluşturmak için nasıl etkileşimde bulunduğunu inceleyelim. Daha basit iş akışlarıyla başlayıp kademeli olarak daha karmaşık, tamamen otonom sistemlere doğru ilerleyeceğiz:

1. Basit ajan tabanlı iş akışları (komut zincirleme)

En basit ajan tabanlı iş akışı, komut zincirleme olarak adlandırılır. Bu süreçte, bir görev bir dizi adıma bölünür ve her alt ajan bir öncekinin çıktısını işler.

Özünde bir montaj hattı gibi çalışır, ancak gerekirse akışı yeniden yönlendirmek için karar noktaları ekleyebilirsiniz. Genel model aynı kalır: bir girdi bir alt ajan tarafından işlenir, bu alt ajan sonucu daha fazla işlem için başka bir alt ajana iletir ve bu şekilde nihai çıktı üretilene kadar devam eder. Bu yöntem, daha küçük, ardışık alt görevlere kolayca bölünebilen görevler için özellikle kullanışlıdır.

Hızlı zincirleme iş akışı ¹⁰

Gerçek hayattan bir örnek: ¹¹

n8n'de komut zincirleme (taslak oluşturma, değerlendirme ve sayfalara yayınlama)

Yukarıdaki örnekte, kullanıcı n8n sohbet penceresine bir konu giriyor. Her LLM düğümü Azure OpenAI modelini kullanıyor.

İlk LLM ödevi, bir blog yazısı için yapılandırılmış bir taslak oluşturur. Taslak Yazarı için yönergeler şu şekildedir:

LLM anahat oluşturucuya ait komut isteminin ekran görüntüsü.

Burada {{ $json.chatInput }}, kullanıcının sohbet penceresine girdiği konuyu ifade eder.

{{ $json.chatInput }} değişkeni gri renktedir çünkü iş akışı henüz çalıştırılmamıştır. Eğer düğümü daha önce çalıştırmış veya test etmiş olsaydık, değişkenin geçerliliğine bağlı olarak yeşil veya kırmızı renkte olurdu.

Ardından, aşağıdaki LLM, sistem mesajı bölümündeki temel kriterlere göre taslağı değerlendirecektir. İstek aşağıda bulunabilir:

Son Blog Yazarlığı Yüksek Lisans Programı (LLM), önceki LLM tarafından oluşturulan taslağa dayanarak konuyla ilgili bir sayfaya bir satır ekleyecektir.

Blog Yazarlığı Yüksek Lisans Programı için hazırlanan soru formunun ekran görüntüsü.

Komut zincirleme ne zaman kullanılır:

• Görevler doğal olarak sabit, ardışık alt görevlere ayrıştırılabilir.
• Her adım, nihai sonuca anlamlı bir katkı sağlar.
• Adım adım akıl yürütme, doğrudan işlemeye kıyasla doğruluğu artırır.
• Süreç boyunca kalite kontrol noktalarına ihtiyaç duyulmaktadır.

2. Yönlendirme iş akışı

Yönlendirme, bir girdinin alındığı ve bir alt ajanın bu girdiyi uygun takip görevine yönlendirmekten sorumlu olduğu başka bir iş akışı türüdür. Her görev daha sonra o alanda uzmanlaşmış bir alt ajan tarafından ele alınır ve görevler tamamlandığında nihai çıktı oluşturulur.

Yönlendirmeye ilişkin klasik bir örnek, müşteri hizmetleri botlarında görülür. Bot, genel sorular, para iade talepleri veya teknik destek sorunları gibi çeşitli sorgular alabilir. İlk alt aracı, sorgunun niteliğini belirler ve onu, bu özel sorunu ele almada uzmanlaşmış alt aracıya yönlendirir.

Örneğin, bir geri ödeme ile ilgili bir soru, geri ödeme uzmanı alt temsilcisine yönlendirilirken, teknik destek sorusu teknik destek alt temsilcisine yönlendirilir.

Bir diğer örnek ise, soruları güçlü yönlerine göre farklı modellere yönlendirmektir. Daha karmaşık STEM ile ilgili sorular için, girdiyi Claude Sonnet 4.5 gibi bir modele yönlendirebilirsiniz. Daha basit ve hızlı sorgular için ise, hız için optimize edilmiş Gemini Flash gibi bir modele yönlendirmeyi tercih edebilirsiniz.

Gerçek hayattan bir örnek: ¹²

Yukarıdaki örnekte, aracı, dil modelinden gelen yapılandırılmış çıktıyı kullanarak kullanıcı girdisini uzmanlaşmış aracılara (Hatırlatma Aracısı, E-posta Aracısı vb.) yönlendirir.

Yönlendirici, GPT 4o mini'ye bağlıdır. Komut istemi ve kategoriler aşağıdaki gibidir:

Yapay zeka ajan düğümünün parametrelerinin ekran görüntüsü

Kullanım senaryosu örnekleri:

n8n sohbet penceresine bir sorgu girebilirsiniz, örneğin şöyle diyelim:

• Kullanıcı diyor ki: "Yarın annemi aramayı bana hatırlat."
  → Hatırlatma Aracısına Yönlendirildi
• Kullanıcı şöyle diyor: "İnsan kaynakları ekibine bir e-posta gönderin."
  → E-posta Temsilcisine Yönlendirildi
• Kullanıcı şöyle diyor: "Önümüzdeki hafta John ile bir toplantı planlayın."
  → Toplantı Temsilcisine Yönlendirildi

Yönlendirme ne zaman kullanılır:

• Çeşitli girdi türleri: Sisteminiz, özel işlemden fayda sağlayan çeşitli sorgu türleri alır.
• Kaynak optimizasyonu: Basit sorguları maliyet etkin işlemcilere atarken, karmaşık istekleri gelişmiş sistemlere yönlendirmek istiyorsunuz.
• Alan uzmanlaşması: Farklı girdi kategorileri, alana özgü uzmanlık veya işlem mantığı gerektirir.
• Performans optimizasyonu: Yükü dengelemeniz ve farklı sorgu türlerinde en uygun yanıt sürelerini sağlamanız gerekir.

3. Paralelleştirme iş akışı

Bir sonraki iş akışı paralelleştirmedir. Bu özel ajan tabanlı iş akışının genellikle iki ana varyasyonu vardır. Paralelleştirmede, birden fazla alt ajan aynı anda bir görev üzerinde çalışır ve çıktıları daha sonra birleştirilir.

• İlk varyasyon, bir görevin paralel olarak yürütülen bağımsız alt görevlere bölündüğü bölümlendirme olarak adlandırılır .
• İkinci varyasyon ise oylama yöntemidir ; burada aynı görev, farklı alt ajanlar tarafından birden fazla kez gerçekleştirilerek çeşitli çıktılar üretilir ve bunlar daha sonra bir araya getirilir.

Bu, özellikle büyük iş akışlarında daha hızlı modüler otomasyon elde etmeye yardımcı olur.

Sıralı iş akışı ile paralel iş akışının zamanlama karşılaştırması ¹³

Gerçek hayattan bir örnek: ¹⁴

n8n'de paralelleştirme iş akışı örneğinin ekran görüntüsü.

n8n'deki paralel yürütme örneği, iş akışının SERP API'sini kullanarak LinkedIn URL'lerini almak ve bunları bir Sayfaya kaydetmek için Google sorgusu yaptığı bir görevi göstermektedir. İlk kurulumda, iş akışı her görevi sırayla, bir seferde bir web sitesi işleyerek gerçekleştirir:

1. İş akışı tetiklendi.
2. Get aracı, web sitesini Google sayfasından alır.
3. Yapay zeka ajanı, SERP API'sini kullanarak Google adresini arar ve LinkedIn URL'sini getirir.
4. Ardından LinkedIn URL'si Google Sayfasında güncellenir.

Bu aşamada görevler art arda işlenir; bu da büyük veri kümeleriyle çalışırken yavaşlığa yol açabilir.

n8n'de, düğümleri seçip tıklayabileceğiniz ve ardından "Seçilen bu düğümleri bir alt iş akışına dönüştürmek istiyorum" diyebileceğiniz bir özellik var.

Ve olan şu ki, bu butona tıkladığınızda, iş akışıma bir isim verilecek. Onayladığınızda, tüm bunlar bir alt iş akışına dönüşecek ve zaten burada bağlantılı olarak bu kişi tarafından çağrılacak.

Oluşturulan alt iş akışı

Yani n8n bunu bir alt iş akışına dönüştürdü, ancak henüz paralelleştirme gerçekleşmedi çünkü tüm işlem hala buradan geçecekti.

Bunun gerçekten paralel olarak çalışması için, tüm öğelerin ayrı ayrı yürütülmesi gerekir. Bu nedenle, düğüme tıkladığınızda her öğe için bir kez çalıştır seçeneğini belirleyebilirsiniz; bu, alt iş akışının her öğe için ayrı ayrı çağrılacağı anlamına gelir.

Ve bunu değiştirdikten sonra, alt iş akışına gidip yürütmeler seçeneğine tıklayabilirsiniz. Ve üç öğenin de tam olarak aynı anda çalıştığını göreceksiniz.

Paralelleştirme ne zaman kullanılır: Paralelleştirme, görevlerin eş zamanlı olarak çalıştırılabilen daha küçük, bağımsız alt görevlere bölünebildiği durumlarda en etkilidir; bu da hem hızı hem de verimliliği artırır.

Birden fazla bakış açısı veya tekrarlanan denemeler gerektiğinde, sonuçlara daha yüksek güven duyulması açısından da değerlidir. Birkaç boyutu veya değerlendirme kriterini içeren karmaşık problemler için, büyük dil modelleri, her bir özel yönün ayrı bir model çağrısı ile ele alınması durumunda daha iyi performans göstermeyi amaçlar; bu da görevin her bir bölümü için daha odaklı ve doğru bir akıl yürütmeyi mümkün kılar.

4. Orkestratör çalışanlarının iş akışı

Bir sonraki iş akışı, daha karmaşık bir yapıya sahip olup, düzenleyici-çalışan modelidir.

Orkestratör-işçi mimarisi, n8n iş akışlarınızı modüler, ölçeklenebilir ve uyarlanabilir hale getirerek, tek bir katı otomasyonu, işbirliği yapan aracıların bir araya getirilebilir bir sistemine dönüştürür.

İlk bakışta, birden fazla alt ajanın aktif olabileceği için paralelleştirmeye benzer görünebilir, ancak temel fark esnekliktir. Paralelleştirmeden farklı olarak, düzenleyici-işçi kurulumu sabit bir alt görev listesine dayanmaz . Bunun yerine, düzenleyici hangi görevlerin yerine getirilmesi gerektiğine dinamik olarak karar verir, bunları işçi ajanlara atar ve süreç boyunca koordinasyonlarını yönetir.

Gerçek hayattan bir örnek: ¹⁵

n8n'de orkestratör-çalışanlar iş akışı örneğinin ekran görüntüsü.

Yukarıdaki örnekte, brifing bir kez toplanır ve bir koordinatör işi birden fazla uzman temsilciye yönlendirir.

CEO Temsilcisi, LLM'nin orkestratörü olarak görev yapar. Girdi özetini işler, her departman için iyileştirir, hangi çalışan temsilcilerinin etkinleştirileceğini seçer ve çıktılarının nasıl entegre edileceğini belirler. Bağlama ve kısıtlamalara bağlı olarak bir, iki veya tüm çalışanları çağırmaya karar verebilir.

CEO Temsilcisi düğümünün ekran görüntüsü

Aşağıda, Pazarlama, Operasyon ve Finans olmak üzere üç çalışan ajan, her biri ayrı bellek ve araç yapılandırmalarıyla kendi OpenAI Sohbet Modelini çalıştırır. Bu, departmana özgü istemlere ve yapılandırılmış çıktı için JSON şemalarına olanak tanır.

Üç işçi ajan düğümünün ekran görüntüsü

Orkestratör, departmana özgü talimatları hazırladıktan sonra, girdilere dayalı çıktılar üretmek için her bir çalışanı bir araç olarak görevlendirir.

Örneğin, Pazarlama Temsilcisi kampanyalar oluşturur (ad, kanal, KPI).

Yapay zeka araç düğümü (Pazarlama Temsilcisi)

Çalışanların çıktıları oluşturulduktan sonra, CEO Temsilcisi departman yanıtlarını derleyip tek bir tutarlı plana birleştirir. Ardından iş akışı planı bir Google Doc dosyasına yazar, meta verileri ekler, PDF'ye dönüştürür ve paylaşım veya inceleme için otomatik olarak yükler.

Belge oluşturma, dönüştürme ve yükleme düğümlerinin ekran görüntüsü.

Yürütüldüğünde, düzenleyici hangi ajanların etkinleştirileceğine karar verir, işbirliklerini koordine eder ve çıktılarını kapsamlı bir raporda birleştirerek, düzenleyici-çalışan iş akışlarının nasıl esnek, modüler ve birleştirilebilir yapay zeka sistemlerini mümkün kıldığını gösterir.

Orkestratör çalışanları iş akışını ne zaman kullanmalısınız: Bu yaklaşım, özellikle gerekli adımların önceden bilinemediği, ucu açık veya sürekli değişen sorunların çözümü için son derece değerlidir.

Orkestratör-çalışan iş akışının faydalı olduğu örnekler:

• Kodlama görevleri: Birden fazla dosyada koordineli değişiklikler gerektiren karmaşık yazılım ürünlerinin geliştirilmesi veya hata ayıklanması sırasında, tam dosyaların ve düzenlemelerin yürütme sırasında belirlenebildiği durumlardır.
• Araştırma ve bilgi toplama: İlgili bilgilerin önceden tam olarak belirlenemediği ve dinamik olarak keşfedilmesi gereken, birden fazla kaynaktan veri arama, toplama ve analiz etmeyi içeren görevler.

5. Değerlendirici optimizasyon iş akışı

Değerlendirici-optimize edici iş akışı daha da karmaşıktır. Bu kurulum, daha özerk bir davranışa doğru ilerler ve alt ajana veya yapay zekâ ajanına hangi eylemleri gerçekleştireceğine ve kendi çıktılarını nasıl iyileştireceğine karar verme konusunda daha fazla özgürlük tanır.

Bir girdi ile başlarsınız ve ilk alt ajan önerilen bir çözüm üretir. Bu çıktı daha sonra sonucu inceleyen bir değerlendirici alt ajana iletilir. Değerlendirici sonucu tatmin edici bulursa, çıktı kesinleştirilir. Ancak sonucun yeterince iyi olmadığına karar verirse, iyileştirme için özel geri bildirimlerle birlikte ilk alt ajana geri gönderir.

Bu, değerlendirici gerekli kalite standartlarını karşıladığını belirleyene kadar optimizasyon aracının çıktısını yinelemeli olarak iyileştirdiği sürekli bir geri bildirim döngüsü oluşturur.

Gerçek hayattan bir örnek: ¹⁶

Bu örnekte, değerlendirme şemalarını, özel mantığı ve yinelemeli döngüleri doğrudan göstermek için kodsuz bir araç yerine Python simülasyonu üzerinden ilerledim.

Bu tam bir kurulum değil. Değerlendirici-optimize edici iş akışını baştan sona çalıştırmak için uygun ortam yapılandırmasına, model başlatılmasına ve şema kurulumuna vb. ihtiyacınız olacak.

Değerlendirme düğümlerini destekleyen iş akışı otomasyon araçlarını kullanarak da bir değerlendirici-optimize edici döngüsü uygulayabilirsiniz.

Python ile değerlendirici-optimize edici iş akışı:

Öz-yansıtıcı yapay zeka sistemlerinde veya ajan tabanlı iş akışlarında sık görülen bir model olan Değerlendirici-Optimize Edici döngüsüne bir örnek.

Bu iş akışı, iki bileşenin iş birliği yaptığı otomatik bir içerik oluşturma ve değerlendirme döngüsünü temsil eder: biri içerik oluşturur, diğeri ise inceler. Son haline getirilmeden önce çıktıların kalite standartlarını karşılamasını sağlar.

Adım adım açıklama:

• Girişi başlat: initial_state = {“content_topic”: topic} oluşturun.
• Döngüyü çalıştırın: evaluator_optimizer_workflow.invoke(initial_state) komutunu çağırın, bu komut şu işlemleri yinelemeli olarak gerçekleştirir:
  • İçerik oluşturur/iyileştirir,
  • kaliteyi değerlendirir,
  • Onaylanana veya maksimum yineleme sınırına ulaşılana kadar tekrarlanır.
• Günlük kaydı sonucu: Tamamlama mesajını ve onaylanmış oluşturulan içeriği yazdırın.
• Sonuçları döndürün: final_state sözlüğü (örneğin, content_topic, generated_content, quality_assessment).

İş akışı görselleştirmesi:

Python sonuçlarıyla değerlendirici-optimize edici döngüsü : Her döngü, içeriği iyileştirmek için önceki geri bildirimleri kullanır. Döngü sonunda kalite standardını karşılayan içerik üretir:

Değerlendirici optimizasyon iş akışı ne zaman kullanılır: Bu iş akışı, özellikle net değerlendirme kriterleri olduğunda ve yinelemeli iyileştirmenin kalitede anlamlı gelişmelere yol açabileceği durumlarda kullanışlıdır.

Değerlendirici-optimize edici iş akışının faydalı olduğu örnekler:

• Örneğin, edebi bir çeviri görevinde, ilk denemede bazı dilsel nüanslar veya duygusal tonlar gözden kaçabilir. Değerlendirici, çeviri orijinal metnin amaçlanan anlamını ve inceliklerini tam olarak yakalayana kadar geri bildirimde bulunur ve revizyonlar ister.
• Bir diğer örnek ise karmaşık araştırma toplama işlemidir; burada optimizasyon aracı bilgileri toplar ve özetlerken, değerlendirici derinlik, eksiksizlik ve doğruluk açısından kontrol yapar. Değerlendirici araştırmayı yetersiz bulursa, nihai rapor tüm gereksinimleri karşılayana ve gerekli bilgileri etkili bir şekilde sentezleyene kadar daha fazla çalışma için geri gönderir.

6. Gerçekten özerk ajan uygulaması

Ve son olarak, tamamen otonom ajan uygulaması var. Bu tür sistemler kavramsal olarak basittir ancak pratikte oldukça çeşitli ve karmaşık davranışlar üretebilir.

Ajan, minimum insan müdahalesiyle, genellikle tek bir talimat veya hedefle çalışmaya başlar. Görev tanımlandıktan sonra, bağımsız olarak çalışır, eylemler gerçekleştirir ve bunların çevre üzerindeki etkilerini gözlemler.

Bu yaklaşımın temel özelliklerinden biri öz değerlendirmedir: Ajan, çevresel geri bildirimlere dayanarak, eylemlerinin onu hedefe yaklaştırıp yaklaştırmadığını belirlemelidir. Örneğin, kod çalıştırıyorsa veya harici araçlar kullanıyorsa, bu eylemlerin ilerlemeye katkıda bulunup bulunmadığını veya ayarlamalar gerekip gerekmediğini değerlendirmelidir. Bu geri bildirim odaklı döngü, ajan hedefe ulaşıldığını veya daha fazla ilerlemenin mümkün olmadığını belirleyene kadar devam eder.

Gerçek hayattan bir örnek:

Yapay zekâ kodlama araçlarına yönelik kıyaslama çalışmamızda, Windsurf ve Cursor'ın, dosya yapılarını otonom olarak oluşturarak, birden fazla dosyayı düzenleyerek ve Heroku'da API'leri dağıtmak için terminal komutlarını çalıştırarak ajansal yetenekler sergilediğini gözlemledik.

Windsurf son platform değişikliklerine bile uyum sağladı; PostgreSQL Hobby Dev eklentisinin kullanım dışı bırakıldığını keşfettiğinde, dağıtımı doğru bir şekilde PostgreSQL Essential 0 kullanacak şekilde yeniden yapılandırdı.

Özet

Yapay zekâ ajanları oluşturmak, tam özerkliğe ulaşmaktan ziyade, amaçlı, şeffaf ve güvenilir sistemler yaratmakla ilgilidir. n8n'deki deneylerimizden ve Anthropic ve OpenAI'un kılavuzlarından elde ettiğimiz bilgilerden, etkili ajanların tasarım tercihlerinden kaynaklandığını bulduk.

Aracıları uygularken üç temel ilkeye odaklanıyoruz:

• Mimariyi basit tutun. Küçük başlayın, modüler olarak inşa edin ve performansı veya esnekliği açıkça iyileştirdiğinde karmaşıklığı ekleyin.
• Akıl yürütme sürecini görünür hale getirin. Kullanıcıların ve geliştiricilerin ajanın nasıl planlama yaptığını ve kararlar aldığını görmelerini sağlayarak yorumlanabilirliği ve kontrolü iyileştirin.
• Araçlar arası etkileşimlerin güvenilirliğini sağlayın. Ajanların gerçek dünya ortamlarında tutarlı bir şekilde davranabilmesi için, kapsamı net, iyi belgelenmiş ve test edilmiş araçlar tasarlayın.

Referans Linkleri

1.

Building Effective AI Agents \ Anthropic

2.

OpenAI Platform

3.

OpenAI Platform

4.

Terminal-Bench

5.

OpenAI Agents SDK

6.

How Four Companies Use AI for Cost Transformation | BCG

BCG Global

7.

Building Effective AI Agents \ Anthropic

8.

Building Effective AI Agents \ Anthropic

9.

OpenAI Platform

10.

Building Effective AI Agents \ Anthropic

11.

Generate blogs with GPT-4o prompt chaining: outline, evaluate & publish to Sheets | n8n workflow template

12.

Route user requests to specialized agents with GPT-4o Mini | n8n workflow template

13.

n8n Parallel Execution and Sub Workflows for Faster Modular Automation - YouTube

14.

n8n Parallel Execution and Sub Workflows for Faster Modular Automation - YouTube

15.

Collaborative sales planning with multi-agent AI, Google Docs, and Slack | n8n workflow template

16.

Agentic AI Workflow Patterns: Evaluator-Optimizer (4/4) | by Piyush Agnihotri | The Advanced School of AI | Medium

The Advanced School of AI

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. 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 uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 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 yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder