Yerel AI Ajanları: Goose, Observer AI, AnythingLLM
Yerel AI ajanları genellikle çevrimdışı, cihazda veya tamamen yerel olarak tanımlanır. Otonom çalışan yerel AI ajanları ekosistemini haritalamak için üç gün harcadık ve bunlar kişisel donanımlarda çalışır, dış API’lere veya bulut hizmetlerine bağımlı değildir.
Analizimiz, geliştirici ajanları, otomasyon araçları ve verimlilik asistanları üzerinde yapılan uygulamalı testlere dayanarak önde gelen çözümleri üç ana alana ayırır.
Yerel AI ajanı kategorizasyonu
Kategori | Araçlar/Frameworks | Birincil kullanım alanları (Yerel / Çevrimdışı) |
|---|---|---|
Geliştirici & sistem ajanları | Goose, Localforge, Devika, Roo Code (Boomerang Modu), Continue.dev, Cursor, CodeGenie, SuperCoder, Aider, Cline, Kilo Code | Yerel kodlama, hata ayıklama, dosya/işlem otomasyonu, yerel DevOps görevleri |
Yerel otomasyon & kontrol ajanları | Observer AI, Browser-Use, DeepBrowser | Yerel tarayıcı kontrolü, dosya otomasyonu, uygulama etkileşimi, cihazda iş akışları |
Bilgi & verimlilik ajanları | AnythingLLM (Masaüstü), LocalGPT (Tek Kullanıcılı), PrivateGPT | Çevrimdışı belge Q&A, özetleme, yerel arama/RAG |
Kategori açıklamalarına bakın.
1. Geliştirici & sistem ajanları
*Çalışma türleri:
- Tamamen yerel: Araç, yerel çalışma zamanlarını kullanarak kişisel donanımda yerel olarak çalışır. Tamamen çevrimdışı çalışabilen araçlar.
- Hibrit yerel: Temel model veya görev yürütme yerelde gerçekleşir, ancak bazı özellikler (IDE entegrasyonu, bağlam dizinleme, senkronizasyon veya akıl yürütme gibi) hala bulut hizmetlerine veya API’lere güvenir.
** Makinede sütunu için açıklama:
- Tamamen cihazda: Tam çevrimdışı çalışma; çıkarım, akıl yürütme ve yürütme yerelde gerçekleşir.
- Yerel çıkarım, bulut destekli: Temel model yerelde çalışır, ancak IDE veya yönetim özellikleri çevrimiçi hizmetleri kullanır.
- Yerel yürütme, uzaktan akıl yürütme: Kod yerelde çalışır, ancak akıl yürütme veya planlama adımlarını dış API’ler destekler.
Goose
Goose, tamamen yerel donanımlarda çalışacak şekilde tasarlanmış açık kaynaklı bir geliştirme ajanıdır.1
Temel yetenekler:
- Akıllı yürütme ve kod üretimi için yerel LLM çalışma zamanlarını kullanır
- Kod yazma, test etme ve hata ayıklama gibi çok adımlı görevleri yürütür
- Yerel dosya sistemi ve geliştirici araçlarıyla doğrudan etkileşime girer
- Yerel modellerle yapılandırıldığında ağ bağlantısı gerektirmez.
Goose, gözlem, akıl yürütme ve eylemin cihazda gerçekleşmesi nedeniyle yerel otonom ajanın katı bir tanımını karşılar.
Roo Code(Boomerang Modu)
Roo Code, yinelemeli iyileştirmeye vurgu yapan IDE entegreli bir kodlama asistanıdır.
- Boomerang Modu, eylemlerin yerel olarak yürütülmesini sağlar
- Akıllı yürütme genellikle bulut tabanlı modellere güvenir
- IDE koordinasyonu ve yönetim özellikleri tamamen yerel değildir
Bu nedenle, Roo Code, tamamen yerel bir sistemden ziyade hibrit, insan-döngüde geliştirici ajanı olarak sınıflandırılmalıdır.
Roo Code içinde yerel AI ajanı yapılandırması:
Roo Code, geliştiricilerin yerel barındırılan LLM’ler dahil olmak üzere farklı AI modellerine nasıl bağlanacağını tanımlayan özel yapılandırma profilleri oluşturmasına olanak tanır.
Ayarlar → Sağlayıcılar bölümünden, OpenRouter veya diğer desteklenen sağlayıcılar aracılığıyla profiller ekleyebilir, ardından Ollama veya LM Studio üzerinden çalışan yerel bir model seçebilirsiniz.
Her yapılandırma profili, sıcaklık, akıl yürütme derinliği ve token limitleri dahil olmak üzere kendi parametrelerini saklayabilir. Bu sayede, cihazda çıkarım için hafif bulut modelleri ile tamamen yerel çalışma zamanları arasında geçiş yapabilirsiniz.
Cursor
Cursor, çıkarım için yerel LLM’lerin kullanılmasına izin verir ancak şu konularda bulut hizmetlerine bağımlı kalır:
- Kod dizinleme
- Düzenleme uygulaması
- İş akışı koordinasyonu
Dolayısıyla, Cursor yerel çıkarımı destekler ancak tam yerel bir ajan döngüsünü desteklemez ve çevrimdışı çalışamaz.
Cursor içinde yerel LLM nasıl kullanılır:
Kaynak:Logan Hallucinates2
Aider
Aider, yerel Git depolarıyla doğrudan çalışacak şekilde tasarlanmış açık kaynaklı, komut satırı tabanlı bir AI kodlama asistanıdır. IDE arayüzü üzerinden çalışmak yerine yamalar ve taahhütler oluşturarak kodu değiştirir.
Aider genellikle bulut barındırılan modellerle kullanılır, ancak:
- Araç kendisi yerelde çalışır
- Yerel bir model çalışma zamanıyla eşleştirildiğinde tamamen cihazda çalışabilir
Çevrimdışı yetenek bu nedenle aracın kendisine değil, model seçimuna bağlıdır.
2. Yerel otomasyon & kontrol ajanları
Observer AI
Observer AI, açık kaynaklı bir yerel otomasyon ajanı framework'üdür.
Temel özellikler:
- Yerel LLM’leri kullanarak ajanları yürütür
- Ekran durumunu OCR veya ekran görüntüleri aracılığıyla gözlemler
- Gömülü bir yürütme ortamı aracılığıyla Python kodu çalıştırır
- Bulut bağlantısı gerektirmez
Observer AI, sabit bir ajan politikasından ziyade ajan davranışı için altyapı sağlar ve yerel kontrol döngüsü framework'ü olarak tanımlanır.
Browser-Use
Browser-Use, Playwright aracılığıyla AI destekli tarayıcı etkileşimini sağlar.
- Tarayıcı eylemleri yerel olarak yürütülür
- Akıllı yürütme yerel veya uzaktan modeller kullanılarak gerçekleştirilebilir
- Çevrimdışı çalışma yalnızca yerel çıkarımla eşleştirildiğinde mümkündür
Bu, Browser-Use'u varsayılan olarak hibrit otomasyon kategorisine yerleştirir.
Browser-Use içinde yerel LLM nasıl kullanılır:
Yüklemenin bir yolu, hem Python arayüzünü hem de yerel tarayıcı kontrolünü aynı makinede kuran pip install browser-use komutunu kullanmaktır.
Daha sonra çalıştırıldığında (örneğin, python -m browser_use ile), yerel bir tarayıcı örneğini açar ve kontrol eder, eylemleri yerel bir LLM (örneğin, Ollama aracılığıyla) veya bağlı API’ler aracılığıyla yürütür ve akıl yürütür:
Browser-Use'u yerel olarak kurma3
Tam kurulumu eylemde görmek isteyenler için, yerel bir makinede Browser-Use'u nasıl yükleyip çalıştıracağınızı gösteren adım adım bir video rehberi:
Gezinti, Playwright ve LangChain gibi bağımlılıkları yüklemekten, Browser-Use'u Ollama aracılığıyla yerel bir modele bağlamaya kadar her şeyi kapsar.4
Daha fazlası için, Browser-use aracının kullanım yetenekleri üzerindeki benchmark'ımıza göz atın.
3. Bilgi & verimlilik ajanları
AnythingLLM (Masaüstü)
Yerel modellerle yapılandırıldığında, AnythingLLM Desktop:
- Belge dizinlemeyi yerel olarak gerçekleştirir
- Ajan akıl yürütmesini cihazda yürütür
- Sınırlı eylem yeteneklerini destekler (örneğin, dosya yazma)
- Bulut bağlantısı gerektirmez
Otonomluğu sistem ajanlarına kıyasla kısıtlı olsa da, dar bir görev tanımı altında yerel bir verimlilik ajanı olarak nitelendirilir.
Yerel bir AI ajanının örnek bir kullanımı
Bir yerel, cihazda ajanın kurulumdan son çıktıya nasıl çalıştığını görmek için AnythingLLM Desktop'ı test ettik.
1. Çalışma alanını kurma
Çalışma alanı ayarlarını açtık ve Ajan Yapılandırması'na gittik.
Orada, bir LLM sağlayıcısı seçtik ve mistral-medium-2505 modelini seçtik.
Çalışma Alanı Ajanını Güncelle'ye tıkladıktan sonra, çalışma alanı kurulumun tamamlandığını onayladı.
2. Ajan yeteneklerini etkinleştirme
Ardından, Ajan Yeteneklerini Yapılandır panelini açtık.
Bu menü, tek bir tıklama ile yerleşik ajan yeteneklerini etkinleştirmenize olanak tanır. Kodlama gerektirmez.
3. "Dosyaları Kaydet" yeteneğini test etme
Dosyaları Kaydet yeteneğini etkinleştirdik, böylece ajan çıktıları doğrudan yerel makineye yazabilir.
Açıp değişikliği kaydettikten sonra ajan hazır hale geldi.
Test etmek için sohbet penceresine geri döndük ve belgedeki örnek istemlerden birini kullandık.
Bu, ajanın bir dosya oluşturabileceğini ve yerel kaydetme için hazırlayabileceğini doğruladı.
4. Ajanı sohbette çalıştırma
Ajandan tarihi bir konuyu özetlemesini istedik ve @agent kullanarak çağırdık.
Çıktıyı PDF yerine basit bir metin dosyası olarak kaydetmek için komutu değiştirdik.
Sistem Ajan Sohbet Modunun aktif olduğunu onayladı ve döngüden nasıl çıkılacağını gösterdi.
Ajan özeti oluşturdu ve dosyayı kaydetme için hazırladı.
5. Dosyayı yerel olarak kaydetme
Çıktıyı kaydetmek için AnythingLLM dokümantasyonundaki örnek komutu kullandık:
“@agent bu bilgiyi masaüstü klasörümde bir PDF olarak kaydedebilir mi?”
Aynı yapıyı sohbette, ancak bir metin dosyası için çalıştırdık.
Bir dosya gezgini penceresi açıldı ve çıktıyı cihazda kaydettik.
Dosya İndirilenler klasöründe belirdi, bu da tam sürecin (akıl yürütme, yürütme ve kaydetme) tamamen cihazda gerçekleştirildiğini gösterdi.
Yerel AI ajanı kategori açıklamaları
- Geliştirici & sistem ajanları (eylem katmanı): Kodlama, sistem ve iş akışı otomasyon görevlerini yerel olarak gerçekleştirmek için doğrudan cihazınızda çalışan ajanlar.
- Yerel otomasyon & kontrol ajanları: Tarayıcıyı, UI'ı veya işletim sistemini kontrol ederek makinenizde gerçek dünya eylemlerini otomatikleştiren ajanlar.
- Bilgi & verimlilik ajanları: Verileri buluta göndermeden sohbet, özetleme ve belge işleme için yerel asistanlar.
Tercih edilen kaynak olarak ekleYerel ajan yığınındaki mimari katmanlar
- Eylem katmanı (ajanlar): Durumu gözlemleyen, araçları çağıran ve yerel ortamda hareket eden sistemler.
- Akıllı yürütme ve orkestrasyon katmanı (framework'ler): Planlama, hafıza ve koordinasyonu destekleyen LangGraph veya LlamaIndex gibi kütüphaneler. Bunlar kendileri ajan değildir.
- Yürütme katmanı (yerel çalışma zamanları): Yerel çıkarımı sağlayan Ollama veya LM Studio gibi model çalışma zamanları.
Pratik rehberlik
Yerel AI sistemleri kademeli olarak birleştirilmelidir:
- Çevrimdışı çıkarım gerekiyorsa bir yerel çalışma zamanı ile başlayın.
- Belge anlama gerektiğinde yalnızca bir bilgi katmanı ekleyin.
- Gerçek dünya eylemleri gerektiğinde otomasyon veya kontrol ajanlarını tanıtmak.
- Karmaşık, çok adımlı iş akışları için yalnızca orkestrasyon framework'lerini kullanın.
Çoğu durumda, tam katmanlı bir yığın gerekli değildir.
Yerel AI ajan yığınına nasıl yaklaşılır
Kullanım durumunuzun gerektirdiği en küçük katman setiyle başlayın. Ajanınızın çevrimdışı akıl yürütme ihtiyacı varsa, Ollama veya LM Studio gibi bir yerel çalışma zamanı ile başlayın. Dosyalarınızı anlaması gerekiyorsa, AnythingLLM veya LocalGPT gibi bir bilgi katmanı ekleyin. Eylemler alması gereken ajanlar için (uygulamaları açma, tarayıcıyı kontrol etme, dosyaları yönetme) yerel bir otomasyon katmanı ekleyin. Çok adımlı iş akışları, planlama döngüleri veya karmaşık araç zincirleri gerektiğinde yalnızca LangGraph veya LlamaIndex gibi framework'leri kullanın.
SSS'ler
Yerel AI ajanları, dış API’lere veya bulut altyapısına güvenmeden kişisel donanımlarda otonom olarak çalışır.
Bu araştırmayı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Yerel AI Ajanları: Goose, Observer AI, AnythingLLM}},
year = {2026},
month = may,
howpublished = {\url{https://aimultiple.com/local-ai-agent}},
note = {AIMultiple. Erişim tarihi: 30 Mayıs 2026}
}Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.