Birleştirilebilir Desenlerle Yapay Zeka Ajanları Oluşturma

n8n'de iş akışları ve ajan pipeline'larıyla 3 gün boyunca denemeler yaptık; etkili yapay zeka ajanları oluşturma konusundaki Anthropic'in ve OpenAI'ın rehberlerini izledik.

Temel yapay zeka ajanı bileşenlerini, doğru bileşenleri ve araçları nasıl seçeceğinizi; ayrıca Anthropic'in prompt chaining, yönlendirme, paralelleştirme, orkestratör çalışanları ve bir değerlendirici-iyileştirici gibi basit, birleştirilebilir desenlerine dayalı ajan iş akışları oluşturmayı keşfedin:

Yapay zeka ajanlarının bileşenlerini anlama

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

Kaynak: OpenAI¹

Elbette, OpenAI orada önce kendi öğelerini listeliyor; ancak geniş bir alternatif ekosistemi var. Kullanım durumunuza bağlı olarak, LangChain, LlamaIndex, CrewAI gibi framework'leri veya hatta özel olarak geliştirilmiş orkestrasyon katmanlarını kullanarak ajanlar oluşturabilirsiniz.

Bu bileşenlerin her birine daha ayrıntılı olarak değineceğim:

Modeller

İlk olarak modeller bileşeni var. Bunlar; muhakeme yapma, karar verme ve farklı modaliteleri işleme yeteneğine sahip çekirdek zeka olan yapay zeka modelleriniz, büyük dil modellerinizdir. OpenAI'in kendi örnekleri GPT-5 serisi modellerine işaret eder.

Oluşturduğunuz belirli ajan türüne bağlı olarak, OpenAI ekosistemi içinde farklı bir model türü seçmek istersiniz. GPT-5.5, OpenAI'in mevcut amiral gemisi modelidir. Çok adımlı görevleri planlar, araçları kullanır, kendi çalışmasını denetler ve görev tamamlanana kadar devam eder. Günlük sorular için daha hafif GPT-5.5 modları daha hızlı yanıt verir ve daha az maliyetlidir.

OpenAI ekosistemi dışında, Claude Opus 4.7 yoğun kodlama, akıl yürütme ve STEM çalışmaları için yaygın bir seçimdir. Google'ın Gemini 3.1 Pro'su, büyük kod tabanları ve uzun belgeler için 1 milyon token'lık bağlam penceresiyle yakından rekabet eder.

Özellikle kodlama ajanları için OpenAI'in GPT-5.3-Codex en yetenekli kodlama modelidir. Araştırma, araç kullanımı ve yürütmeyi harmanlayan uzun görevleri çalıştırır ve siz de çalışırken onu yönlendirebilirsiniz. Gerçek yazılım mühendisliği ve komut satırı çalışmalarını test eden SWE-Bench Pro ve Terminal-Bench 2.0 gibi benchmark'larda liderdir.

En iyi yapay zeka modellerini karşılaştırdık ve değerlendirdik; böylece her birinin muhakeme, hız ve maliyet açısından nasıl performans gösterdiğini anlayarak hedeflerinize en uygun olanı seçebilirsiniz.

Araçlar

Sırada, modelin yeteneklerini genişleten araçlar var; örneğin web'de arama yapmasını veya diğer sistemlerle etkileşime girmesini sağlamak gibi.

Neredeyse her uygulama yapay zekanız için bir araç haline gelebilir. Onu Gmail, Takvim, drive'ınız veya Slack, Discord, YouTube, Salesforce ve Zapier gibi uygulamalara bağlayabilirsiniz. Hatta kendi özel araçlarınızı bile oluşturabilirsiniz.

OpenAI'in Agents SDK'sı (biraz kodlama gerektirir) ile araçlar tanımlayabilir veya web arama, dosya arama ve bilgisayar kullanımı gibi yerleşik olanları kullanabilirsiniz.²

MCP (Model Context Protocol), Anthropic tarafından da araç entegrasyonunu basitleştirir; modellerin araçlara erişim şeklini standartlaştırır. 2026'da iş değeri; birden çok ajanın uçtan uca süreçleri yürüttüğü, insan rehberliğindeki çok adımlı iş akışları olan "dijital montaj hatları"ndan giderek daha fazla gelir ve bu, Model Context Protocol (MCP) ile mümkün olur.

Kodlama ile ilgilenmiyorsanız, n8n gibi no-code platformlar araçları sürükleyip bırakarak modelinizle bağlamanıza olanak tanır.

Bilgi ve bellek

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

• Bilgi tabanı yapay zekanıza nispeten değişmeden kalan statik olgulara, politikalara ve belgelere erişim sağlar. Bu, referans materyallerinin tutarlı kalması gereken politika odaklı veya şirkete özgü görevleri yerine getiren ajanlar için önemlidir.
  
• Kalıcı bellek, yapay zekanın oturumlar arasında geçmiş etkileşimleri hatırlamasını sağlar. Bu, önceki konuşmaları hatırlaması gereken chatbot'lar veya kişisel asistanlar için çok önemlidir.

OpenAI, belleği yönetmek için vektör depoları, dosya arama ve embedding'ler gibi barındırılan hizmetler sunar.

Açık kaynaklı çözümleri tercih ederseniz, Pinecone (bulut tabanlı ve vektör arama için optimize edilmiş) ve Weaviate popüler seçeneklerdir.

No-code araçlar kullananlar için bellek yönetimi genellikle n8n ve Creatio. gibi platformlara yerleşiktir.

Güvenlik Önlemleri

Güvenlik önlemleri, ajanınızın istendiği gibi davranmasını sağlayarak ilgisiz, zararlı veya uygunsuz yanıtları önler. Örneğin, bir müşteri hizmetleri botu hizmetle ilgili konulara odaklanmalı, ilgisiz konulara kaymamalıdır.

OpenAI ekosistemi dışında popüler araçlar arasında Guardrails AI ve LangChain Guardrails bulunur. Birçok no-code platformda guardrail özellikleri yerleşik olarak bulunur; ancak ajanlarınızda kontrolü ve uyumluluğu korumak için nasıl çalıştıklarını anlamak yine de önemlidir.

Beceriler

Araçlar, bir ajanın dış dünyada eylemde bulunmasını sağlar. Beceriler, ajana belirli bir işi iyi yapmayı öğretir.

Bir Beceri, talimatlar ve dosyalardan oluşan küçük bir klasördür. Rapor şablonu doldurmak veya bir şirketin stil rehberine uymak gibi tek bir görev için adımları, kuralları ve örnekleri barındırır. Ajan, görev gerektirdiğinde bir Beceri'yi yükler; böylece bağlam penceresini doldurmaz.

Anthropic, 2025 sonunda Agent Skills'i tanıttı ve Mart 2026'da formatı paylaşılan bir standart olarak açtı.³ Beceriler Claude.ai, Claude Code ve API genelinde çalışır. Temel fayda tutarlılıktır: ekip her seferinde aynı uzun prompt'u yeniden yazmak yerine bir Beceri'yi bir kez tanımlar ve onu yeniden kullanır. Bu, geçici prompt oluşturmanın sapma eğiliminde olduğu üretim ortamında önemlidir.

Becerilerin diğer bileşenlerden farkı:

• Araçlar ajanı dış sistemlere (e-posta, veritabanları, arama) bağlar.
• Bilgi ve bellek ajana okuyacağı bilgileri verir.
• Beceriler ajana bir görev için tekrarlanabilir bir yöntem verir.

Orkestrasyon

Son bileşen orkestrasyondur. Bu, birden çok alt ajanın birlikte nasıl çalıştığını yönetmeyi, onları üretime dağıtmayı ve performanslarını izlemeyi içerir.

Dağıtıldıktan sonra ajanların sürekli gözetimi gerekir. Modeller, veriler ve davranışlar değiştiği için ajanların düzenli güncellemelere ihtiyacı vardır.

Orkestrasyonu destekleyen çeşitli platformlar ve framework'ler şunlardır:

• Low-code/no-code platformlar:
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance AI, vb.
• Açık kaynak framework'ler:
  • LangGraph (LangChain'in parçası): bir ajanı adım grafiği olarak modeller; dallanma, yeniden denemeler ve insan onayları üzerinde açık kontrol sağlar.
  • CrewAI: ajanları araştırmacı, yazar ve denetleyici gibi rollerden oluşan bir "ekip" olarak düzenler. İş net rollere ayrıldığında prototip oluşturması hızlıdır.
  • LlamaIndex: belgeleri ve dahili bilgi tabanlarını arayan ajanlar için en güçlüdür.
  • Satıcı SDK'ları: OpenAI'nin Agents SDK'sı ve Anthropic'in Claude Agent SDK'sı, her sağlayıcının modelleri üzerinde ajan oluşturmak için resmi araç setleridir. Claude Agent SDK, Claude Code'a güç veren mimariyle aynıdır.

Otomasyonun yapı taşları: İş akışları ve ajanlar karşılaştırması

Bir yapay zeka ajanı, çevresini algılayan, bilgileri işleyen ve belirli hedeflere ulaşmak için özerk olarak eylemler gerçekleştiren bir sistemdir; örneğin Claude Opus 4.7 gibi modelleri kullanarak kodlama görevlerini özerk olarak yerine getirebilen "ajan modlarına" sahip AI destekli kod editörleri olan Cursor veya Windsurf gibi kodlama ajanları. Diğer yaygın bir örnek ise birçok şirketin talepleri yönetmek için kullandığı müşteri hizmetleri ajanlarıdır.

İş akışının karmaşıklığına ve gereken özerklik derecesine bağlı olarak, bu ajanları tasarlamanın ve dağıtmanın birçok farklı yolu vardır.

Hızlı bir ön izleme vermek gerekirse, bir yapay zeka ajanı genellikle her biri belirli görevleri yerine getiren alt ajanların bir koleksiyonudur. Together, bu alt ajanlar tek bir yapay zeka ajanı olarak algıladığımız şeyi sunmak için çok ajanlı sistemler içinde koordine olur.

Bunlar iş akışlarından temel olarak farklıdır. İş akışları, her zaman aynı sırayı izleyen bir tarif gibi, önceden tanımlanmış adımların orkestre edilmiş dizileridir:

Yapay zeka ajanları ne zaman kullanılmalı

İş akışı örneklerinden önce, hızlı bir gerçeklik kontrolü yapalım. Ajanlar her zaman çözüm değildir. Birçok ekip, teorik olarak bir ajanın çalışabileceği görevlerde bile düz iş akışlarıyla iyi sonuçlar elde etmektedir. Birçok ekip, ajanların teorik olarak uygulanabileceği senaryolarda bile geleneksel iş akışlarının iyi performans gösterdiğini görmektedir.

Bunu düşünmenin en açık yollarından biri, Anthropic'in blogunda şu şekilde açıklanmıştır:

Bununla birlikte, esneklik, akıl yürütme ve uyum sağlama gerektiren görevlerde ajanların geleneksel iş akışlarından daha iyi performans gösterdiği gerçek durumlar vardır:

Uyarlama gerektiren dinamik konuşmalar:

Temel iade veya parola sıfırlama talepleri gibi bazı etkileşimler iş akışlarına tam olarak uyar. Ancak diğerleri, kişiselleştirilmiş öneriler gibi bağlam ve karşılıklı akıl yürütmeye büyük ölçüde bağlı olan incelikli yargı veya bağlama duyarlı kararlar gerektirir.

Yüksek değerli, düşük hacimli karar verme:

Ajanların çalıştırılması maliyetli olabilir; ancak bazı durumlarda destekledikleri kararlar yanlış alındığında çok daha maliyetli olur.

Örneğin BCG, Almanya'da önde gelen bir enerji sağlayıcısının ödeme incelemelerini otomatikleştirmek için GenAI destekli bir ajan aracı kullandığını bildirdi.⁴

Mühendislik tasarımlarını optimize etmek gibi büyük ölçekli altyapı planlıyorsanız, hesaplama maliyeti ihmal edilebilir. Bu yüksek riskli durumlarda ajanlar değer katar; çünkü yanlış olmanın maliyeti modeli çalıştırmanın maliyetini çok aşar.

Çok adımlı, öngörülemeyen iş akışları:

Bazı iş akışları o kadar karmaşıktır ki, sonsuz "eğer şuysa, o zaman bu" kuralları yazmak başlı başına bir projeye dönüşür.

Bu durumlarda ajan döngüleri kaosu basitleştirir. Her olası yolu sabit kodlamak yerine model, gerçek zamanlı bağlam ve akıl yürütmeye dayanarak bir sonraki adımı dinamik olarak belirler.

Bu yaklaşım, düzinelerce değişkeni yöneten teşhis sistemleri veya araçlar için iyi çalışır.

İş akışları ne zaman daha iyidir

Yüksek frekanslı, düşük karmaşıklıklı senaryolar:

Bazı görevler akıl yürütmeden çok hız ve ölçeğe bağlıdır; örneğin:

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

Bir iş akışı, bir ajandan daha öngörülebilir maliyet ve gecikme ile bu tür binlerce talebi işleyebilir.

Yapay zeka ajanı iş akışlarına ve uygulamalarına giriş

Yapay zeka ajanları tipik olarak tek bir varlık değildir. Bunun yerine, birbirleriyle etkileşime giren çeşitli alt ajanlardan oluşurlar. Yaygın iş akışları ve ajan sistemleri hakkında bulduğum en iyi kaynaklardan biri, Anthropic tarafından hazırlanan Building Effective Agents rehberidir.⁵

Ajan sistemlerinin kalbinde Anthropic'in artırılmış LLM olarak adlandırdığı yapı yer alır. Bu yapı üç temel unsurdan oluşur:

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

Kaynak: Anthropic⁵

Artırılmış LLM kendi arama sorgularını oluşturabilir, ilgili araçları seçebilir ve bellekte hangi bilgileri saklayacağına karar verebilir.

OpenAI'nin (aşağıda özetlenen) bileşenleriyle bazı benzerlikler fark edebilirsiniz. Ancak bu sürüm daha basitleştirilmiştir ve guardrail'ler ile orkestrasyon gibi unsurları içermez; yine de çekirdek yapı aynı kalır. Bu tamamen kabul edilebilir. Test ve dağıtım gibi görevler için en iyisi OpenAI'nin bileşenlerine başvurmaktır.

OpenAI'nin yapay zeka ajanı bileşenleri listesi¹

Bu alt ajanların daha büyük bir yapay zeka ajanı oluşturmak üzere nasıl bir araya geldiğini ve etkileşime girdiğini anlamak için daha basit iş akışlarından başlayıp kademeli olarak daha karmaşık, tamamen özerk sistemlere doğru ilerliyorum:

1. Basit ajan iş akışları (prompt chaining)

En basit ajan iş akışına prompt chaining denir. Bu süreçte bir görev, her alt ajanın bir öncekinden gelen çıktıyı işlediği bir dizi adıma bölünür.

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

Prompt chaining iş akışı⁵

Gerçek dünya örneği:⁶

n8n'de prompt chaining (taslak oluştur, değerlendir ve sayfalara yayınla)

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. Outline Writer için prompt şu şekildedir:

Taslak oluşturucu LLM için promptun ekran görüntüsü

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

{{ $json.chatInput }} değişkeni gridir; çünkü iş akışı henüz çalıştırılmamıştır. Düğümü çalıştırmış veya test etmiş olsaydık, değişkenin geçerliliğine bağlı olarak yeşil veya kırmızı olurdu.

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

Son Blog Writer LLM, önceki LLM tarafından oluşturulan taslağa dayanarak sayfada konuyla ilgili bir satır ekleyecektir.

Blog Writer LLM için promptun ekran görüntüsü

Prompt chaining ne zaman kullanılır:

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

2. Yönlendirme iş akışı

Yönlendirme, bir girdinin alındığı ve bir alt ajanın bu girdiyi uygun sonraki göreve yönlendirmekten sorumlu olduğu başka bir iş akışı türüdür. Daha sonra her görev o alanda uzmanlaşmış bir alt ajan tarafından ele alınır ve görevler tamamlandığında nihai çıktı üretilir.

Yönlendirmenin klasik bir örneği müşteri hizmetleri botlarında görülür. Bot, genel sorular, iade talepleri veya teknik destek sorunları gibi çeşitli sorgu türleri alabilir. İlk alt ajan sorgunun niteliğini belirler ve onu bu belirli sorunu ele alma konusunda uzmanlaşmış alt ajana yönlendirir.

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

Bir diğer örnek, soruları güçlü yönlerine göre farklı modellere yönlendirmektir. Daha karmaşık STEM soruları için girdiyi Claude Opus 4.7 gibi güçlü bir muhakeme modeline yönlendirebilirsiniz. Basit ve hızlı sorgular için, hız için tasarlanmış Gemini 3.5 Flash gibi daha hafif bir modele yönlendirebilirsiniz.

Gerçek dünya örneği:⁷

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

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

AI ajan düğümünün parametrelerinin ekran görüntüsü

Kullanım senaryosu örnekleri:

n8n sohbet penceresine bir sorgu girebilirsiniz. Örneğin:

• Kullanıcı der: "Yarın annemi aramamı hatırlat."
  → Hatırlatıcı Ajan'a yönlendirildi
• Kullanıcı der: "İK ekibine bir e-posta gönder."
  → E-posta Ajanı'na yönlendirildi
• Kullanıcı der: "John ile gelecek hafta bir toplantı planla."
  → Toplantı Ajanı'na yönlendirildi

Yönlendirme ne zaman kullanılır:

• Çeşitli girdi türleri: Sisteminiz, uzmanlaşmış ele alım gerektiren çeşitli sorgu türleri alır
• Kaynak optimizasyonu: Basit sorguları düşük maliyetli işlemcilere atamak ve karmaşık talepleri gelişmiş sistemlere yönlendirmek istersiniz
• Alan uzmanlaşması: Farklı girdi kategorileri alana özgü uzmanlık veya işleme mantığı gerektirir
• Performans optimizasyonu: Yükü dengelemek ve farklı sorgu türlerinde en uygun yanıt sürelerini sağlamak istersiniz

3. Paralelleştirme iş akışı

Sıradaki iş akışı paralelleştirmedir. Bu özel ajan iş akışının tipik olarak iki ana varyasyonu vardır. Paralelleştirmede birden çok alt ajan bir görev üzerinde eşzamanlı çalışır ve çıktıları daha sonra birleştirilir.

• Birinci varyasyona bölümleme denir; burada bir görev paralel olarak çalışan bağımsız alt görevlere ayrılır.
• İkinci varyasyon oylamadır; burada aynı görev, farklı alt ajanlar tarafından çeşitli çıktılar üretmek için birden çok kez gerçekleştirilir ve bunlar daha sonra birleştirilir.

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

Sıralı iş akışı ve paralel iş akışı: zamanlama karşılaştırması⁸

Gerçek dünya örneği:⁸

n8n'deki paralelleştirme iş akışı örneğinin ekran görüntüsü

n8n'deki paralel yürütme örneği; iş akışının LinkedIn URL'lerini almak ve bunları bir Google Sheet'te saklamak için SERP API'sini kullanarak Google aramasını sorguladığı bir görevi gösterir. İlk kurulumda iş akışı her görevi sırayla, her seferinde bir web sitesi olacak şekilde işler:

1. İş akışı tetiklenir.
2. Get aracı web sitesini Google Sheet'ten alır.
3. AI ajan, Google'da arama yapmak ve LinkedIn URL'sini getirmek için SERP API'sini kullanır.
4. LinkedIn URL'si daha sonra Google Sheet'te güncellenir.

Bu noktada görevler birbiri ardına işlenir; bu, büyük veri setleriyle çalışırken yavaş olabilir.

n8n'de düğümleri seçip tıklayabileceğiniz ve ardından bu seçili düğümleri bir alt iş akışına dönüştürmek istediğinizi söyleyebileceğiniz bir özellik vardır.

Ve olan şey şudur: bu düğmeye tıkladığınızda iş akışımı adlandıracak. Onayladığınızda tüm bunları bir alt iş akışına dönüştürür; bu iş akışı tam burada bağlantılanır ve bu öğe tarafından çağrılır.

Oluşturulan alt iş akışı

Yani n8n bunu bir alt iş akışına dönüştürdü; ancak hâlâ paralelleştirme yok, çünkü yine de tümü buradan çalışır.

Bunu gerçekten paralel çalıştırmak için tüm öğelerin ayrı yürütmeler olarak çalışması gerekir. Yani düğüme tıkladığınızda, her öğe için bir kez çalıştır seçeneğini seçebilirsiniz; bu, alt iş akışını her öğe için ayrı ayrı çağıracağı anlamına gelir.

Ve bunu değiştirdikten sonra alt iş akışına girip yürütmelere tıklayabilirsiniz. Üç öğenin de tam olarak aynı anda çalıştığını göreceksiniz.

Paralelleştirme ne zaman kullanılır: Paralelleştirme, görevler aynı anda çalışabilen daha küçük, bağımsız alt görevlere bölünebildiğinde en etkilidir; bu hem hızı hem verimliliği artırır.

Sonuçlara güven oluşturmak için birden çok bakış açısı veya tekrarlanan deneme gerektiğinde değerlidir. Birkaç parçası veya puanlama kriteri olan problemlerde, her parça kendi çağrısını aldığında modeller genellikle daha iyi sonuç verir. Bu, her çağrıyı odaklı tutar; böylece akıl yürütme daha doğru olur.

4. Orkestratör-çalışan iş akışı

Daha karmaşık hale gelen sıradaki iş akışı, orkestratör–worker desenidir.

Orkestratör–worker mimarisi, n8n iş akışlarınızı modüler, ölçeklenebilir ve uyarlanabilir hale getirir; tek katı bir otomasyonu işbirliği yapan ajanlardan oluşan birleştirilebilir bir sisteme dönüştürür.

İlk bakışta paralelleştirmeye benzer görünebilir; çünkü birden çok alt ajan etkin olabilir, ancak temel fark esnekliktir. Paralelleştirmeden farklı olarak, orkestratör–worker kurulumu sabit bir alt görev listesine bağlı değildir. Bunun yerine orkestratör, hangi görevlerin gerçekleştirileceğine dinamik olarak karar verir, bunları worker ajanlara atar ve süreç boyunca koordinasyonlarını yönetir.

Gerçek dünya örneği:⁹

n8n'deki orkestratör-worker iş akışı örneğinin ekran görüntüsü

Yukarıdaki örnekte brief bir kez toplanır ve bir orkestratör işi birden çok uzman ajana yönlendirir.

CEO Ajan, orkestratör LLM olarak görev yapar. Girdi brief'ini işler, her departman için rafine eder, hangi worker ajanların etkinleştirileceğini seçer ve çıktılarının nasıl entegre edileceğini belirler. Bağlam ve kısıtlamalara bağlı olarak bir, iki veya tüm worker'ları çağırmaya karar verebilir.

CEO Ajan düğümünün ekran görüntüsü

Aşağıda Pazarlama, Operasyon ve Finans adlı üç worker ajan, her biri ayrı bellek ve araç yapılandırmalarıyla kendi OpenAI Chat Model'ini çalıştırır. Bu, departmana özgü prompt'lara ve yapılandırılmış çıktı için JSON şemalarına olanak tanır.

Üç worker ajan düğümünün ekran görüntüsü

Orkestratör departmana özgü talimatları hazırladıktan sonra, girdilere dayalı çıktılar üretmek için her worker'ı bir araç olarak çağırır.

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

AI araç düğümü (Pazarlama Ajanı)

Worker çıktıları üretildikten sonra CEO Ajan, departman yanıtlarını tek tutarlı bir planda derleyip birleştirir. İş akışı daha sonra planı bir Google Doc'a yazar, meta verileri ekler, PDF'ye dönüştürür ve paylaşım veya inceleme için otomatik olarak yükler.

Belge oluşturma, dönüştürme ve yükleme düğümlerinin ekran görüntüsü

Çalıştırıldığında orkestratör hangi ajanların etkinleştirileceğini belirler, işbirliklerini koordine eder ve çıktılarını kapsamlı tek bir rapor halinde birleştirir; bu da orkestratör–worker iş akışlarının esnek, modüler ve birleştirilebilir yapay zeka sistemlerini nasıl mümkün kıldığını gösterir.

Orkestratör-çalışan iş akışı ne zaman kullanılır: Bu yaklaşım, gerekli adımların önceden bilinemediği açık uçlu veya gelişen problemleri çözmek için özellikle değerlidir.

Orkestratör–worker iş akışının yararlı olduğu örnekler:

• Kodlama görevleri: Birden çok dosyada koordineli değişiklikler gerektiren karmaşık yazılım ürünlerini geliştirirken veya hata ayıklarken; kesin dosyaların ve düzenlemelerin yürütme sırasında belirlenebildiği durumlarda.
• Araştırma ve bilgi toplama: İlgili bilginin önceden tam olarak belirlenemediği ve dinamik olarak keşfedilmesi gereken, birden çok kaynaktan veri arama, toplama ve analiz etme içeren görevlerde.

5. Değerlendirici-iyileştirici iş akışı

Daha da karmaşık olanı değerlendirici–iyileştirici iş akışıdır. Bu kurulum, alt ajana veya yapay zeka ajanına hangi eylemleri gerçekleştireceğine ve kendi çıktılarını nasıl iyileştireceğine karar verme konusunda daha fazla özgürlük tanıyarak daha özerk davranışa doğru ilerler.

Bir girdiyle 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 sonlandırılır. Ancak sonucun yeterince iyi olmadığına karar verirse, iyileştirme için belirli geri bildirimlerle onu ilk alt ajana geri gönderir.

Bu, iyileştiricinin çıktısını değerlendirici gerekli kalite standartlarını karşıladığını belirleyene kadar yinelemeli olarak rafine ettiği sürekli bir geri bildirim döngüsü oluşturur.

Gerçek dünya örneği:¹⁰

Bu örnek için, değerlendirme şemalarını, özel mantığı ve yinelemeli döngüleri doğrudan göstermek amacıyla no-code bir araç yerine bir Python simülasyonu üzerinden yürüdüm.

Bu tam bir kurulum değildir. Değerlendirici–iyileştirici iş akışını uçtan uca çalıştırmak için uygun ortam yapılandırması, model başlatma ve şema kurulumu vb. gerekir.

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

Python ile değerlendirici–iyileştirici iş akışı:

Kendini yansıtan yapay zeka sistemlerinde veya ajan iş akışlarında yaygın bir desen olan bir Değerlendirici–İyileştirici döngüsü örneği

Bu iş akışı, iki bileşenin işbirliği yaptığı otomatik içerik üretimi ve değerlendirme döngüsünü temsil eder: biri oluşturur, diğeri inceler. Çıktıların sonlandırılmadan önce kalite standartlarını karşılamasını sağlar.

Adım adım açıklama:

• Girdiyi başlat: initial_state = {“content_topic”: topic} oluşturun.
• Döngüyü çalıştır: evaluator_optimizer_workflow.invoke(initial_state) çağırın; bu yinelemeli olarak:
  • içerik üretir/rafine eder,
  • kaliteyi değerlendirir,
  • onaylanana veya maksimum yineleme sınırına kadar tekrarlar.
• Sonucu günlüğe kaydet: Tamamlanma mesajını ve onaylanan generated_content'i yazdırın.
• Sonuçları döndür: final_state dict (ör. content_topic, generated_content, quality_assessment).

İş akışı görselleştirmesi:

Değerlendirici–İyileştirici döngüsü Python sonuçlarıyla: Her döngü, içeriği iyileştirmek için önceki geri bildirimi kullanır. Döngü sonunda kalite standardını karşılayan içerik üretir:

Değerlendirici-iyileştirici iş akışı ne zaman kullanılır: Bu iş akışı, net değerlendirme kriterleri olduğunda ve yinelemeli rafine etme kalitede anlamlı iyileştirmeler sağlayabileceğinde özellikle yararlıdır.

Değerlendirici–iyileştirici iş akışının yararlı olduğu örnekler:

• Örneğin, edebi bir çeviri görevinde ilk deneme belirli dilsel nüansları veya duygusal tonları kaçırabilir. Değerlendirici geri bildirim sağlar ve çeviri, orijinal metnin amaçlanan anlamını ve inceliklerini tam olarak yakalayana kadar revizyonlar ister.
• Bir başka örnek, iyileştiricinin bilgiyi toplayıp özetlediği, değerlendiricinin derinlik, eksiksizlik ve doğruluğu denetlediği karmaşık araştırma özetlemesidir. Değerlendirici araştırmayı yetersiz bulursa, nihai rapor tüm gereksinimleri karşılayana ve gerekli bilgiyi etkili bir şekilde sentezleyene kadar daha fazla çalışma için geri gönderir.

6. Gerçekten özerk ajan uygulaması

Ve son olarak, gerçekten özerk ajan uygulaması var. Bu sistem türü kavramsal olarak basittir; ancak pratikte çok çeşitli ve karmaşık davranışlar üretebilir.

Ajan, genellikle tek bir talimat veya hedef olmak üzere minimum insan girdisiyle çalışmaya başlar. Görev tanımlandıktan sonra, eylemler gerçekleştirerek ve bunların çevre üzerindeki etkilerini gözlemleyerek bağımsız olarak işlev görür.

Bu yaklaşımın temel bir özelliği öz değerlendirmedir: ajan, çevresel geri bildirimlere dayanarak eylemlerinin kendisini hedefe yaklaştırıp yaklaştırmadığını belirlemelidir. Örneğin, kod yürütür veya harici araçlar kullanırsa, bu eylemlerin ilerlemeye katkıda bulunup bulunmadığını veya ayarlamalar gerekip gerekmediğini değerlendirmelidir. Bu geri bildirim odaklı döngü, ajan hedefe ulaşıldığına veya daha fazla ilerlemenin mümkün olmadığına karar verene kadar devam eder.

Gerçek dünya örneği:

AI kodlama araçları benchmark'ımızda, Windsurf ve Cursor'un; dosya yapıları oluşturarak, birden çok dosyayı düzenleyerek ve Heroku'da API'leri dağıtmak için terminal komutları çalıştırarak ajan yetenekleri sergilediğini gözlemledik.

Windsurf yakın zamandaki platform değişikliklerine bile uyum sağladı; PostgreSQL Hobby Dev eklentisinin kullanımdan kaldırıldığını keşfettiğinde dağıtımı PostgreSQL Essential 0 kullanacak şekilde doğru biçimde yeniden yapılandırdı.

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

Özet

Yapay zeka ajanları oluşturmak, tam özerklik elde etmekten çok; amaçlı, şeffaf ve güvenilir sistemler oluşturmakla ilgilidir. n8n'deki deneylerimizden ve Anthropic'in ve OpenAI'in rehberlerinden edindiğimiz içgörülerden, etkili ajanların tasarım tercihlerinden kaynaklandığını gördük.

Ajanları uygularken üç yol gösterici ilkeye odaklanırız:

• Mimariyi basit tutun. Küçük başlayın, modüler olarak geliştirin ve karmaşıklığı yalnızca performansı veya esnekliği açıkça iyileştirdiğinde artırın.
• Akıl yürütme sürecini görünür kılın. Kullanıcıların ve geliştiricilerin ajanın nasıl planladığını ve karar verdiğini görmesine izin verin; bu, yorumlanabilirliği ve kontrolü iyileştirir.
• Güvenilir araç etkileşimlerini sağlayın. Ajanların gerçek dünya ortamlarında tutarlı davranabilmesi için açıkça kapsamlandırılmış, 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 and PhD., Ezgi Arslan,},
  title  = {{Birleştirilebilir Desenlerle Yapay Zeka Ajanları Oluşturma}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Erişim tarihi: 29 Temmuz 2026}
}

Değişiklik günlüğü

4 güncelleme

1. 202620 May

   Guardrails ile Orchestration bölümleri arasına Agent Skills konulu bir Skills bölümü eklendi.

2. 6 Şub

   Otomasyonun yapı taşları: İş akışları ve aracılar' bölümü kaldırıldı.

3. 5 Şub

   Girişteki model Claude Sonnet 4.5 olarak güncellendi.

4. 202524 Eki

   Orkestratör-işçi iş akışı bölümündeki orkestratör-işçi iş akışının açıklaması değiştirildi.

Referans Linkleri

1.

Agents SDK | OpenAI API

2.

OpenAI Agents SDK

3.

PurpleBox Website

PurpleBox Security

4.

How Four Companies Use AI for Cost Transformation | BCG

Boston Consulting Group

5.

Building Effective AI Agents \ Anthropic

6.

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

7.

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

8.

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

9.

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

10.

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 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

Ezgi Arslan, PhD.

Sektör Analisti

Takip Et

Ezgi, işletme alanında finans uzmanlığı içeren bir doktora derecesine sahiptir ve AIMultiple'da Sektör Analisti olarak görev yapmaktadır. Teknoloji ve iş dünyasının kesişiminde araştırma ve içgörü çalışmalarını yürütür; uzmanlık alanları arasında sürdürülebilirlik, anket ve duygu analizi, finanstaki AI ajan uygulamaları, yanıt motoru optimizasyonu, güvenlik duvarı yönetimi ve satın alma teknolojileri yer alır.

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