Yapılandırılabilir Desenlerle AI Ajanları Oluşturma

3 gün boyunca, Anthropic ve OpenAI'ın etkili AI ajanlar oluşturma kılavuzlarını takip ederek n8n'de iş akışları ve ajan boru hatlarıyla deneyler yaptık.^{1 2}

Temel AI ajan bileşenlerini, doğru bileşenleri ve araçları nasıl seçeceğinizi ve Anthropic'ın basit, yapılandırılabilir desenlerine dayanan ajan iş akışlarını oluşturma konularını keşfedin: prompt'lar zincirleme, yönlendirme, paralelleştirme, düzenleyici çalışanlar ve bir değerlendirme-iyileştirici:

AI ajan bileşenlerini anlama

Ajanlar oluşturmak, modeller, araçlar, bilgi ve hafıza, güvenlik önlemleri gibi çeşitli alanlardaki bileşenleri birbirine bağlamayı içerir. OpenAI, her biri için yapılandırılabilir temel yapılar sağlar:

Kaynak: OpenAI³

Açıkçası, OpenAI burada kendi ürünlerini ilk sıraya koyar, ancak geniş bir alternatif ekosistemi vardır. Kullanım durumunuza bağlı olarak, LangChain, LlamaIndex, CrewAI veya özel geliştirilmiş düzenleme katmanları gibi çerçeveleri kullanarakajanlar oluşturabilirsiniz.

Bu bileşenlerin her biriyle ilgili daha ayrıntılı bilgi vereceğim:

Modeller

İlk olarak, modeller bileşeniniz var. Bunlar akıl yürütme, karar verme ve farklı modaliteleri işleme yeteneğine sahip temel zekânız olan AI modellerinizdir. OpenAI'ın kendi örnekleri, GPT-5 serisi modellerine işaret eder.

Ne tür bir ajan oluşturduğunuz duruma bağlı olarak, OpenAI ekosistemi içinde farklı bir model seçmek istersiniz. GPT-5.5, OpenAI'ın mevcut bayrak gemisi modelidir. Çok adımlı görevleri planlar, araçları kullanır, kendi işini kontrol eder ve görev tamamlanana kadar devam eder. Günlük sorular için, daha hafif GPT-5.5 modelleri daha hızlı yanıt verir ve daha az maliyetlidir.

OpenAI ekosistemi dışında, yoğun kodlama, akıl yürütme ve STEM işleri için Claude Opus 4.7 yaygın bir tercihtir. Google'ın Gemini 3.1 Pro, büyük kod tabanları ve uzun belgeler için 1 milyon belirteçlik bir bağlam penceresiyle yakın rekabet eder.

Özellikle kodlama ajanları için, OpenAI'ın GPT-5.3-Codex en yetenekli kodlama modelidir. Araştırma, araç kullanımı ve yürütme karışımından oluşan uzun görevleri çalıştırır ve çalışırken onu yönlendirebilirsiniz. Gerçek yazılım mühendisliği ve komut satırı işlerini test eden SWE-Bench Pro ve Terminal-Bench 2.0 gibi kıyaslama testlerinde liderdir.

Her birinin akıl yürütme, hız ve maliyet açısından nasıl performans gösterdiğini anlamanıza yardımcı olmak ve hedeflerinize en uygun olanı seçmenize yardımcı olmak için en iyi AI modellerini kıyasladık ve karşılaştırdık.

Araçlar

Sıradaki, modelin yeteneklerini genişleten, webde arama yapmasını veya diğer sistemlerle etkileşim kurmasını sağlayan araçlardır.

Neredeyse her uygulama, AI'nız için bir araç haline gelebilir. Gmail, Takvim, sürücünüz veya Slack, Discord, YouTube, Salesforce ve Zapier gibi uygulamalara bağlanabilirsiniz. Kendi özel araçlarınızı bile oluşturabilirsiniz.

OpenAI'ın Agents SDK'sı (biraz kodlama gerektirir) ile araç tanımlayabilir veya web araması, dosya araması ve bilgisayar kullanımı gibi yerleşik araçları kullanabilirsiniz.⁴

MCP (Model Context Protocol), Anthropic tarafından modellere nasıl erişildiğini standartlaştırarak araç entegrasyonunu kolaylaştırır. 2026 yılında, iş değeri, Model Context Protocol'u (MCP) sayesinde mümkün kılınan, insan tarafından yönlendirilen, çok adımlı iş akışları olan "dijital montaj hatlarından" artmaktadır.

Kodlamaya meraklı değilseniz, n8n gibi no-code platformlar ile araçları sürükleyip bırakarak modelinizle bağlamanızı sağlar.

Bilgi ve hafıza

İki ana hafıza türü vardır: bilgi tabanı (statik hafıza) ve kalıcı hafıza.

• Bilgi tabanı, göreceli olarak değişmeyen statik gerçeklere, politikalara ve belgelere AI'nızın erişim sağlamasını sağlar. Referans materyallerinin tutarlı kalması gereken politikaya dayalı veya şirkete özel görevleri gerçekleştiren ajanlar için bu esastır.
  
• Kalıcı hafıza, AI'nın oturumlar arasında önceki etkileşimleri hatırlamasını sağlar. Önceki konuşmaları hatırlaması gereken chatbot'lar veya kişisel asistanlar için bu çok önemlidir.

OpenAI, hafızayı işlemek için vektör depoları, dosya araması ve gömülmeler gibi barındırılan hizmetler sunar.

Açık kaynak çözümleri tercih ederseniz, Pinecone (bulut-yerli ve vektör aramaya optimize edilmiş) ve Weaviate popüler seçeneklerdir.

No-code araçlar kullananlar için hafıza yönetimi genellikle n8n ve Creatio. gibi platformlara dahil edilmiştir.

Güvenlik önlemleri

Güvenlik önlemleri, ajanınızın amaçlandığı gibi hareket etmesini, alakasız, zararlı veya uygunsuz yanıtlardan kaçınmasını sağlar. Örneğin, bir müşteri hizmetleri botu, ilgisiz konulara kaymak yerine hizmetle ilgili konulara odaklanmalıdır.

OpenAI'ın ekosistemi dışında, popüler araçlar arasında Guardrails AI ve LangChain Guardrails yer alır. Birçok no-code platformunun zaten güvenlik önlemleri özelliği vardır, ancak ajanlarınızda kontrolü ve uyumluluğu korumak için bunların nasıl çalıştığını anlamak yine de önemlidir.

Beceriler

Araçlar, bir ajanın dış dünyada hareket etmesini sağlar. Beceriler, ajanın belirli bir işi iyi yapmayı öğrenmesini sağlar.

Bir Beceri, talimatlar ve dosyaların küçük bir klasörüdür. Bir rapor şablonunu doldurmak veya şirketin tarz kılavuzunu takip etmek gibi bir görev için adımları, kuralları ve örnekleri içerir. Ajan, görev gerektirdiğinde bir Beceri'yi yükler, böylece bağlam penceresini doldurmaz.

Anthropic, 2025'in sonlarında Agent Skills'i tanıttı ve Mart 2026'da formatı paylaşılan bir standart olarak açtı.⁵ Beceriler, Claude.ai, Claude Code ve API'de çalışır. Ana faydası tutarlılıktır: her seferinde aynı uzun prompt'lar yeniden yazmak yerine, bir ekip bir Beceri'yi bir kez tanımlar ve yeniden kullanır. Bu, üretimde, geçici istemlerin zamanla sapmaya eğilimli olduğu yerde önemlidir.

Becerilerin diğer bileşenlerden nasıl farklı olduğu:

• Araçlar, ajanı dış sistemlere (e-posta, veritabanları, arama) bağlar.
• Bilgi ve hafıza, ajanın okuması için gerçekler sağlar.
• Beceriler, ajanın bir görev için tekrarlanabilir bir yöntem sağlar.

Düzenleme

Son bileşen düzenleme olur. Bu, birden fazla alt ajanın birlikte nasıl çalıştığını yönetmeyi, üretimde dağıtmayı ve performansını izlemeyi içerir.

Dağıtıldıktan sonra, ajanlara sürekli denetim gereklidir. Modeller, veriler ve davranışlar zamanla değişir, bu yüzden ajanlara düzenli güncellemeler gereklidir.

Düzenlemeyi destekleyen birkaç platform ve çerçeve vardır, bunlara örnek olarak:

• Düşük kod/no-code platformlar:
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance AI, vb
• Açık kaynak çerçeveler:
  • LangGraph (parçası LangChain): bir ajanı dallanma, yeniden denemeler ve insan kontrol noktaları üzerinde açık kontrolle adımların bir grafiği olarak modeller.
  • CrewAI: ajanları araştırmacı, yazar ve inceleyici gibi bir "ekip" rolü olarak düzenler. İş açık roller halinde bölündüğünde hızlı bir şekilde prototip oluşturmak için uygundur.
  • LlamaIndex: belgeleri ve iç bilgi tabanlarını arayan ajanlar için en güçlüsüdür.
  • Satıcı SDK'ları: OpenAI'ın Agents SDK'sı ve Anthropic'ın Claude Agent SDK'sı, her sağlayıcının modelleri üzerinde ajanlar oluşturmak için resmi araç setleridir. Claude Agent SDK'sı, Claude Code'u güçlendiren aynı mimariye sahiptir.

Otomasyonun yapı taşları: İş akışları vs ajanlar

Bir AI ajanı, çevresini algılayan, bilgiyi işleyen ve belirli hedeflere ulaşmak için bağımsız olarak eylemlerde bulunan bir sistemdir, örneğin Cursor veya Windsurf gibi Claude Opus 4.7 gibi modelleri kullanarak kodlama görevlerini bağımsız olarak gerçekleştirebilen "ajan modları" olan AI destekli kod düzenleyicileri gibi kodlama ajanları. Başka bir yaygın örnek, birçok şirketin sorguları işlemek için kullandığı müşteri hizmetleri ajanlarıdır.

Bu ajanları tasarlama ve dağıtmanın birçok farklı yolu vardır ve bu, iş akışının karmaşıklığına ve gereken otonomi derecesine bağlıdır.

Hızlı bir önizleme olarak, bir AI ajanı genellikle belirli görevleri gerçekleştiren alt ajanların bir koleksiyonudur. Birlikte, bu alt ajanlar, tek bir AI ajanı olarak algıladığımız şeyi teslim etmek için çoklu ajan sistemleri içinde koordine olur.

Bunlar temelde iş akışlarından farklıdır. İş akışları, her zaman aynı sırayı takip eden bir tarife benzeyen önceden tanımlanmış adımların düzenlenmiş dizileridir:

AI ajanlarını ne zaman kullanmalısınız

İş akışı örneklerinden önce, hızlı bir gerçek kontrolü yapalım. Ajanlar her zaman cevap değildir. Birçok ekip, teoride bir ajanın çalışabileceği görevlerde bile, sadece iş akışlarıyla iyi sonuçlar elde eder. Birçok ekip, ajanların teoride uygulanabileceği senaryolarda bile, geleneksel iş akışlarının iyi performans gösterdiğini bulur.

Anthropic'ın blogunda anlatıldığı gibi, bunu düşünmenin en açık yollarından biri şu şekildedir:

Bununla birlikte, esneklik, akıl yürütme ve uyarlama gerektiren görevlerde geleneksel iş akışlarını aşan gerçek durumlar vardır:

Uyarlamalar gerektiren dinamik konuşmalar:

Temel iade veya parola sıfırlama istekleri gibi bazı etkileşimler iş akışlarına tam olarak uyar. Ancak kişiselleştirilmiş öneriler gibi bağlama ve karşılıklı akıl yürütme heavily dayanan durumlar için nüanslı yargılama veya bağlama duyarlı kararlar gerektiren diğerleri vardır.

Yüksek değerli, düşük hacimli karar verme:

Ajanların çalıştırılması maliyetli olabilir, ancak bazı durumlarda yanlış yapılan kararlar çok daha maliyetlidir.

Örneğin, BCG, Almanya'daki önde gelen bir enerji sağlayıcının ödeme incelemelerini otomatikleştirmek için GenAI destekli ajan tabanlı bir araç kullandığını bildirdi.⁶

Mühendislik tasarımlarını optimize etmek gibi büyük ölçekli altyapıyı planlıyorsanız, hesaplama maliyeti önemsizdir. Bu yüksek riskli durumlarda, ajanlar yanlış davranmanın maliyeti modelin çalıştırılma maliyetini aştığı için değer katıyor.

Çok adımlı, öngörülemeyen iş akışları:

Bazı iş akışları çok karmaşıktır ve sonsuz "bunu yap, o zaman şunu yap" kuralları yazmak kendi başına bir proje haline gelir.

Bu durumlarda, ajan döngüleri kaosa basitlik kazandırır. Her olası yolu sabit kodlamak yerine, model gerçek zamanlı bağlama ve akıl yürütme temelinde bir sonraki adımı dinamik olarak kararlaştırır.

Bu yaklaşım, teşhis sistemleri veya onlarca değişen değişkeni işleyen araçlar için iyi çalışır.

İş akışlarının daha iyi olduğu durumlar

Yüksek sıklıkta, düşük karmaşıklık senaryoları:

Bazı görevler, akıl yürütmeden çok hız ve ölçekle daha çok ilgilidir, örneğin:

• Bir veritabanından bilgi alma
• Yapılandırılmış mesajları veya e-postaları ayrıştırma
• SSS tarzı sorgulara yanıt verme

Bir iş akışı, bir ajanınkinden daha tahmin edilebilir maliyet ve gecikmeyle bu tür isteklerin binlercesini işleyebilir.

Google Arama'da daha fazla kıyaslamamızı ve veri odaklı içgörülerimizi görün.

Tercih edilen kaynak olarak ekle

AI ajan iş akışlarına ve uygulamalarına giriş

AI ajanları genellikle tek bir varlık değildir. Bunun yerine, birbiriyle etkileşen çeşitli alt ajanlardan oluşur. Ortak iş akışları ve ajan sistemleriyle ilgili bulduğum en iyi kaynaklardan biri, Anthropic'ın Etkili Ajanlar Oluşturma kılavuzudur.⁷

Ajan sistemlerinin merkezinde, Anthropic'ın geliştirilmiş LLM olarak adlandırdığı şey vardır. Bu yapı, üç temel öğeden oluşur:

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

Kaynak: Anthropic⁸

Geliştirilmiş LLM, kendi arama sorgularını oluşturabilir, ilgili araçları seçebilir ve hafızada hangi bilgilerin saklanacağını kararlaştırabilir.

OpenAI'ın bileşenleriyle (aşağıda belirtildiği gibi) bazı benzerlikler fark etmiş olabilirsiniz. Ancak bu sürüm daha basitleştirilmiştir ve güvenlik önlemleri ve düzenleme gibi unsurları eksik olmakla birlikte, temel yapı aynı kalır. Bu tamamen kabul edilebilir. Test ve dağıtım gibi görevler için OpenAI'ın bileşenlerine başvurmak en iyisidir.

OpenAI'ın AI ajan bileşenleri listesi⁹

Bu alt ajanların nasıl bir araya geldiğini ve daha büyük bir AI ajanı oluşturmak için nasıl etkileşime girdiğini anlamak için daha basit iş akışlarıyla başlayıp daha karmaşık, tamamen otonom sistemlere doğru ilerlerim:

1. Basit ajan iş akışları (prompt'lar zincirleme)

En basit ajan iş akışı, prompt'lar zincirleme olarak adlandırılır. Bu süreçte, bir görev, her alt ajanın bir öncekinin çıktısını işlediği bir dizi adıma ayrılır.

Temel olarak, bir montaj hattı gibi işler, ancak gerekirse akışı yeniden yönlendirmek için karar noktaları ekleyebilirsiniz. Genel desen aynı kalır: bir giriş bir alt ajan tarafından işlenir, sonuç başka bir alt ajan tarafından daha fazla işleme için iletilir ve böylece son çıktı üretilene kadar devam eder. Bu yöntem, daha küçük, sıralı alt görevlere kolayca bölünebilen görevler için özellikle uygundur.

İstem zincirleme iş akışı¹⁰

Gerçek dünya örneği:¹¹

n8n'de prompt'lar zincirleme (taslak, değerlendirme ve sayfalara yayımla)

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

İlk LLM, bir blog yazısı için yapılandırılmış bir taslak oluşturur. Taslak Yazarı için prompt'lar şu şekildedir:

Taslak oluşturucu LLM için prompt'lar ekran görüntüsü

{{ $json.chatInput }} değişkeni, sohbet penceresine kullanıcı tarafından girilen konuya atıfta bulunur.

Değişken {{ $json.chatInput }} gri renktedir çünkü iş akışı henüz çalıştırılmadı. Düğümü zaten çalıştırmış veya test etmiş olsaydık, değişkenin geçerliliğine bağlı olarak yeşil veya kırmızı olurdu.

Sonra, aşağıdaki LLM, sistem mesajı bölümündeki ana kriterlere göre taslağı değerlendirecektir. İstem aşağıda bulunabilir:

Son Blog Yazarı LLM, önceki LLM tarafından oluşturulan taslağa dayanarak bir sayfada bir satır ekleyecektir.

Blog Yazarı LLM için prompt'lar ekran görüntüsü

İstem zincirlemeyi ne zaman kullanmalısınız:

• Görevler, sabit, sıralı alt görevlere doğal olarak ayrıştırılabilir
• Her adım, nihai çıktıya anlamlı bir şekilde katkıda bulunur
• Adım adım akıl yürütme, doğrudan işleme göre doğruluğu artırır
• Süreç boyunca kalite kontrol noktalarına ihtiyaç vardır

2. Yönlendirme iş akışı

Yönlendirme, başka bir iş akışı türüdür. Bu iş akışında bir giriş alınır ve bir alt ajan, bu girişi uygun takip görevine yönlendirmekten sorumludur. Her görev daha sonra bu alanda uzmanlaşmış bir alt ajan tarafından işlenir ve görevler tamamlandıktan sonra nihai çıktı üretilir.

Yönlendirme, müşteri hizmetleri botlarında görülen klasik bir örnektir. Bot, genel sorgular, iade istekleri veya teknik destek sorunları gibi çeşitli türde sorgular alabilir. İlk alt ajan, sorgunun doğasını belirler ve onu bu belirli sorunu ele almakla uzmanlaşmış alt ajana yönlendirir.

Örneğin, sorgu bir iadeyle ilgiliyse, iade uzmanı alt ajanına yönlendirilir, teknik destek sorusu ise teknik destek alt ajanına yönlendirilir.

Başka bir örnek, sorguları güçlerine göre farklı modellere yönlendirmektir. Daha karmaşık STEM soruları için, Claude Opus 4.7 gibi güçlü akıl yürütme modeline giriş yönlendirilebilir. Basit, hızlı sorgular için ise hız için tasarlanmış Gemini 3.5 Flash gibi daha hafif bir modele yönlendirilebilir.

Gerçek dünya örneği:¹²

Yukarıdaki örnekte, ajan kullanıcı girdisini özel ajanlara (bir Hatırlatıcı Ajan, E-posta Ajanı, vb.) yönlendirir ve bunu bir dil modelinden yapılandırılmış çıktı kullanarak yapar.

Yönlendirici GPT 4o mini'ye bağlıdır. İstem ve kategoriler şu şekildedir:

AI ajan düğümünün parametrelerinin ekran görüntüsü

Kullanım senaryosu örnekleri:

n8n sohbet penceresine bir sorgu girebilirsiniz. Örneğin:

• Kullanıcı diyor: “Yarın annemi aramayı unutma.”
  → Hatırlatıcı Ajan'a yönlendirilir
• Kullanıcı diyor: “HR ekibine bir e-posta gönder.”
  → E-posta Ajanı'na yönlendirilir
• Kullanıcı diyor: “John ile önümüzdeki hafta bir toplantı ayarla.”
  → Toplantı Ajanı'na yönlendirilir

Yönlendirmeyi ne zaman kullanmalısınız:

• Çeşitli giriş türleri: Sisteminiz, uzmanlaşmış işlemeden faydalanacak çeşitli türde sorgular alır
• Kaynak optimizasyonu: Basit sorguları maliyet açısından uygun işlemcilere atamak ve karmaşık istekleri gelişmiş sistemlere yönlendirmek istersiniz
• Alan uzmanlığı: Girişlerin farklı kategorileri, alan özelinde uzmanlık veya işleme mantığı gerektirir
• Performans optimizasyonu: Farklı sorgu türleri arasında yükü dengelemek ve optimal yanıt sürelerini sağlamak istersiniz

3. Paralelleştirme iş akışı

Sonraki iş akışı paralelleştirme olur. Bu özel ajan iş akışı genellikle iki ana varyanta sahiptir. Paralelleştirme sırasında, birden fazla alt ajan aynı anda bir görev üzerinde çalışır ve çıktıları daha sonra birleştirilir.

• İlk varyant, bölümleme olarak adlandırılır, burada bir görev bağımsız alt görevlere ayrılır ve paralel olarak çalışır.
• İkinci varyant, oylama olur, burada aynı görev farklı alt ajanlar tarafından farklı çıktılar üretmek için birden fazla kez gerçekleştirilir ve daha sonra birleştirilir.

Bu, bağımsız görevleri aynı anda çalıştırarak büyük iş akışlarını hızlandırır.

Sıralı iş akışı vs. paralel iş akışı: bir zamanlama karşılaştırması¹³

Gerçek dünya örneği:¹⁴

n8n'de paralelleştirme iş akışı örneğinin ekran görüntüsü

n8n'deki paralel yürütme örneği, iş akışının Google aramasını SERP API'sini kullanarak LinkedIn URL'lerini almak ve bunları bir Google Sayfasında depolamak için sorguladığı bir görevi gösterir. Başlangıçta, iş akışı her görevi sırayla, bir web sitesini bir seferde işler:

1. İş akışı tetiklenir.
2. Get aracı, Google Sayfasından web sitesini alır.
3. AI ajanı, SERP API'sini kullanarak Google'da arama yapar ve LinkedIn URL'sini alır.
4. LinkedIn URL'si daha sonra Google Sayfasında güncellenir.

Bu noktada, görevler birbirinin ardından işlenir ve bu büyük veri kümeleriyle uğraşırken yavaş olabilir.

n8n'nin düğümleri seçip tıklayıp bu seçili düğümleri bir alt iş akışına dönüştürmek istediğinizi söyleyebileceğiniz bir özelliği vardır.

Ve bu düğmeye tıkladığınızda, iş akışımı adlandıracaktır. Onayladığınızda, tümünü bir alt iş akışına dönüştürür ve burada zaten bağlantılıdır ve bu kişi tarafından çağrılır.

Oluşturulan alt iş akışı

Yani n8n bunu bir alt iş akışına dönüştürdü, ancak henüz paralelleştirme yok çünkü hala buradan geçerek çalışır.

Bunu aslında paralel olarak çalıştırmak için, tüm öğelerin ayrı ayrı yürütülen işlemler olarak çalışması gerekir. Bu yüzden düğüme tıkladığınızda, her öğe için bir kez çalıştır'ı seçebilirsiniz, bu da alt iş akışını her öğe için ayrı ayrı çağıracağı anlamına gelir.

Ve bir kez bunu değiştirdikten sonra, alt iş akışına gidip yürütülenlere tıklayabilirsiniz. Ve üç öğenin tam olarak aynı anda çalıştığını göreceksiniz.

Paralelleştirme ne zaman kullanılmalı: Paralelleştirme, görevler daha küçük, bağımsız alt görevlere bölünebildiğinde ve aynı anda çalıştırılarak hem hız hem de verimlilik artırıldığında en etkilidir.

Ayrıca, sonuçlarda güven oluşturmak için birden fazla bakış açısı veya tekrarlı girişimler gerekiyorsa değerlidir. Birkaç parçası veya puanlama kriteri olan problemler için modeller genellikle her parçanın kendi çağrısını aldığında daha iyi performans gösterir. Bu, her çağrıyı odaklanmış tutar, böylece akıl yürütme daha doğru olur.

4. Düzenleyici çalışanlar iş akışı

Sonraki iş akışı, daha karmaşık hale gelen, düzenleyici–çalışan desenidir.

Düzenleyici–çalışan mimarisi, n8n iş akışlarınızı modüler, ölçeklenebilir ve uyarlanabilir hale getirir ve tek bir katı otomasyonu işbirliği yapan ajanların yapılandırılabilir bir sistemine dönüştürür.

İlk bakışta, birden fazla alt ajanın aktif olabileceği için paralelleştirmeye benzer görünebilir, ancak temel fark esnekliktir. Paralelleştirmenin aksine, düzenleyici–çalışan kurulumu sabit bir alt görev listesine dayanmaz. Bunun yerine, düzenleyici dinamik olarak hangi görevlerin yapılması gerektiğini kararlaştırır, bunları çalışan ajanlara atar ve süreç boyunca koordinasyonlarını yönetir.

Gerçek dünya örneği:¹⁵

n8n'de düzenleyici–çalışanlar iş akışı örneğinin ekran görüntüsü

Yukarıdaki örnekte, özet bir kez toplanır ve bir düzenleyici, birden fazla uzman ajan için işi yönlendirir.

CEO Ajanı, düzenleyici LLM görevi görür. Giriş özetini işler, her departman için onu düzeltir, hangi çalışan ajanların etkinleştirileceğini seçer ve çıktılarının nasıl entegre edileceğini belirler. Bağlam ve kısıtlamalara bağlı olarak birini, ikisini veya tüm çalışanları çağırmaya karar verebilir.

CEO Ajanı düğümünün ekran görüntüsü

Aşağıda, Pazarlama, Operasyon ve Finans olmak üzere üç çalışan ajan, ayrı hafıza ve araç yapılandırmalarıyla kendi OpenAI Sohbet Modelini çalıştırır. Bu, departmana özel prompt'lar ve yapılandırılmış çıktı için JSON şemalarına izin verir.

Üç çalışan ajan düğümünün ekran görüntüsü

Düzenleyici, departmana özel talimatları hazırladıktan sonra, çıktıları girdilere dayalı olarak oluşturmak için her çalışanı bir araç olarak çağırır.

Örneğin Pazarlama Ajanı kampanyalar oluşturur (isim, kanal, KPI).

AI araç düğümü (Pazarlama Ajanı)

Çalışan çıktıları oluşturulduktan sonra, CEO Ajanı departman yanıtlarını tek bir tutarlı plana birleştirir ve birleştirir. İş akışı daha sonra planı bir Google Belgesine yazar, meta veri ekler, PDF'ye dönüştürür ve paylaşım veya inceleme için otomatik olarak yükler.

Belge oluşturma, dönüştürme ve yükleme düğümlerinin ekran görüntüsü

Çalıştırıldığında, düzenleyici hangi ajanların etkinleştirileceğini belirler, işbirliklerini koordine eder ve çıktılarını tek bir kapsamlı raporda birleştirir, böylece düzenleyici–çalışan iş akışlarının esnek, modüler ve yapılandırılabilir AI sistemlerinin nasıl mümkün olduğunu gösterir.

Düzenleyici çalışanlar iş akışını ne zaman kullanmalısınız: Bu yaklaşım, gerekli adımların önceden bilinemeyeceği açık uçlu veya gelişen problemleri çözmede özellikle değerlidir.

Düzenleyici–çalışan iş akışının faydalı olduğu örnekler:

• Kodlama görevleri: Birden fazla dosyada koordine değişiklikler gerektiren karmaşık yazılım ürünlerini geliştirirken veya hata ayıklarken, tam dosyaların ve düzenlemelerin yürütme sırasında belirlenebileceği durumlar.
• Araştırma ve bilgi toplama: Birden fazla kaynaktan arama, toplama ve veri analizi içeren görevlerde, ilgili bilgilerin önceden tam olarak belirlenemeyeceği ve dinamik olarak keşfedilmesi gereken durumlar.

5. Değerlendirici-iyileştirici iş akışı

Daha da karmaşıktır, değerlendirici–iyileştirici iş akışı. Bu kurulum, alt ajan veya AI ajanına hangi eylemleri yapacağına ve kendi çıktılarını nasıl iyileştireceğine karar verme konusunda daha büyük özgürlük vererek daha otonom davranışlara doğru ilerler.

Bir girişle başlarsınız ve ilk alt ajan önerilen bir çözüm üretir. Bu çıktı daha sonra bir değerlendirme alt ajanına iletilir, sonuç incelenir. Değerlendirici, sonucu tatmin edici bulursa çıktı nihai hale getirilir. Ancak sonucun yeterince iyi olmadığını belirlerse, iyileştirme için belirli geri bildirimlerle ilk alt ajana geri gönderir.

Bu, değerlendirici, gerekli kalite standartlarını karşıladığını belirleyene kadar iyileştiricinin çıktısını tekrar tekrar düzelttiği sürekli bir geri bildirim döngüsü oluşturur.

Gerçek dünya örneği:¹⁶

Bu örnek için, doğrudan değerlendirme şemalarını, özel mantığı ve yinelemeli döngüleri göstermek için bir no-code aracı yerine bir Python simülasyonu yaptım.

Bu tam bir kurulum değildir. Değerlendirici–iyileştirici iş akışını uçtan uca çalıştırmak için, uygun ortam yapılandırmasına, model başlatmaya ve şema kurulumuna vb. ihtiyaç vardır.

Değerlendirme düğümlerini destekleyen iş akışı otomasyon araçlarını kullanarak bir değerlendirici–iyileştirici döngüsü de uygulayabilirsiniz.

Değerlendirici–iyileştirici iş akışı ile Python:

Öz-yansıtmalı AI sistemlerinde veya ajan iş akışlarında yaygın bir desen olan bir Değerlendirici–İyileştirici döngüsünün bir örneği

Bu iş akışı, biri oluşturur, diğeri inceler iki bileşenin işbirliği yaptığı otomatik içerik oluşturma ve değerlendirme döngüsünü temsil eder. Çıktıların nihai hale gelmeden önce kalite standartlarını karşıladığından emin olur.

Adım adım açıklama:

• Giriş başlat: initial_state = {“content_topic”: topic} oluşturun.
• Döngüyü çalıştır: evaluator_optimizer_workflow.invoke(initial_state) çağrısı, tekrar tekrar:
  • içeriği oluşturur/düzeltir,
  • kaliteyi değerlendirir,
  • onaylanana veya maksimum yineleme sınırına ulaşana kadar tekrar eder.
• Sonucu kaydet: Tamamlanma mesajını ve onaylanan generated_content'ı yazdırın.
• Sonuçları döndür: final_state sözlüğü (örneğin, content_topic, generated_content, quality_assessment).

İş akışı görselleştirme:

Değerlendirici–İyileştirici döngüsü Python sonuçları ile: Her döngü, önceki geri bildirimi kullanarak içeriği iyileştirir. Döngü sonunda, kalite standardını karşılayan içeriği üretir:

Değerlendirici iyileştirici iş akışını ne zaman kullanmalısınız: Bu iş akışı, açık değerlendirme kriterleri olduğunda ve yinelemeli düzeltme kalitede anlamlı iyileştirmelere yol açabildiğinde özellikle faydalıdır.

Değerlendirici–iyileştirici iş akışının faydalı olduğu örnekler:

• Örneğin, edebi bir çeviri görevinde, ilk deneme belirli dilbilimsel nüansları veya duygusal tonları kaçırabilir. Değerlendirici geri bildirimde bulunur ve çevirinin orijinal metnin amacını ve inceliklerini tam olarak yakalayana kadar revizyonlar ister.
• Başka bir örnek, iyileştiricinin bilgiyi toplayıp özetlediği ve değerlendiricinin derinlik, eksiksizlik ve doğruluk açısından kontrol ettiği karmaşık araştırma biriktirmedir. 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 otonom ajan uygulaması

Ve son olarak, gerçekten otonom ajan uygulaması vardır. Bu tür sistem kavramsal olarak basittir ancak uygulamada oldukça çeşitli ve karmaşık davranışlar üretebilir.

Ajan, genellikle tek bir talimat veya hedefle en az insan girdisiyle işlevini başlatır. Görev tanımlandıktan sonra, bağımsız olarak hareket eder ve çevre üzerindeki etkilerini gözlemler.

Bu yaklaşımın temel bir özelliği, kendi kendini değerlendirme: ajan, hareketlerinin hedefe daha yakın olup olmadığını, çevreden gelen geri bildirime dayanarak belirlemelidir. Örneğin, kod yürütür veya harici araçlar kullanırsa, bu hareketlerin ilerleme sağlayıp sağlamadığını veya ayarlamalar gerekip gerekmediğini değerlendirmelidir. Bu geri bildirim odaklı döngü, ajan amacın başarılmasına veya daha fazla ilerleme mümkün olmamasına karar verene kadar devam eder.

Gerçek dünya örneği:

AI kodlama araçları kıyaslamamızda, Windsurf ve Cursor'un Heroku'da API'leri dağıtmak için dosya yapıları oluşturmayı, birden fazla dosyayı düzenlemeyi ve terminal komutlarını çalıştırarak ajan yeteneklerini sergilediğini gözlemledik.

Windsurf, PostgreSQL Hobby Dev eklentisinin kullanım dışı olduğunu keşfettiğinde, dağıtımını PostgreSQL Essential 0'ı kullanacak şekilde doğru şekilde yeniden yapılandırdı.

Özet

AI ajanları oluşturmak, tam otonomiyi elde etmekten çok amaçlı, şeffaf ve güvenilir sistemler yaratmakla ilgilidir. n8n'de yaptığımız deneylerden ve Anthropic ile OpenAI'ın kılavuzlarından edindiğimiz içgörülerden, etkili ajanların tasarım seçimlerinden geldiğini bulduk.

Ajanlar uygularken, üç rehber prensibe odaklanıyoruz:

• Mimariyi basit tutun. Küçük başlayın, modüler olarak inşa edin ve performansı veya esnekliği açıkça iyileştiriyorsa karmaşıklık ekleyin.
• Akıl yürütme sürecini görünür kılın. Kullanıcıların ve geliştiricilerin ajanın nasıl plan yaptığını ve kararlar verdiğini görmesine izin verin, yorumlanabilirliği ve kontrolü artırın.
• Güvenilir araç etkileşimlerini sağlayın. Ajanların gerçek dünya ortamlarında tutarlı bir şekilde hareket edebilmesi için açıkça kapsamlı, iyi belgelenmiş ve test edilmiş araçlar tasarlayın.

Bu araştırmayı kaynak gösterin

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

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Yapılandırılabilir Desenlerle AI Ajanları Oluşturma}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Erişim tarihi: 20 Mayıs 2026}
}

Referans Linkleri

1.

Building Effective AI Agents \ Anthropic

2.

OpenAI Platform

3.

OpenAI Platform

4.

OpenAI Agents SDK

5.

PurpleBox Website

PurpleBox Security

6.

How Four Companies Use AI for Cost Transformation | BCG

Boston Consulting Group

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. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder