Yapay zekâ ajanı (AI Agent) oluşturmak ilk bakışta ileri düzey programlama bilgisi gerektiren karmaşık bir işlem gibi görünebilir. Ancak günümüzde basit bir agent oluşturmak için mutlaka yazılım geliştiricisi olmak gerekmez. ChatGPT gibi gelişmiş yapay zekâ sistemlerinde amaç, görevler, çalışma kuralları ve kullanılabilecek araçlar doğru tanımlandığında oldukça basit agent benzeri iş akışları oluşturulabilir. Daha gelişmiş ve tamamen otonom sistemlerde ise programlama, API bağlantıları, veri tabanları ve güvenlik kontrolleri gerekli hâle gelir. Bir agent oluşturmanın temel mantığı aslında beş soruya cevap vermektir:
Amaç → Ne yapacak?
Bilgi → Hangi bilgileri kullanacak?
Karar → Hangi durumda ne yapacak?
Araç → Hangi araçları kullanabilecek?
Eylem → Sonuçta hangi işlemi gerçekleştirecek?
Uygulama: Akademik Makale Hakem Agent’ı
Bir araştırmacının kendisine gönderilen makaleleri ön değerlendirmeden geçiren bir yapay zekâ ajanı oluşturmak istediğini düşünelim.
Agent’ın amacı şöyle tanımlanabilir: “Sen bir Akademik Makale Hakem Agent’ısın. Sana verilen araştırma makalesini sistematik olarak incele. Önce araştırmanın amacı ve özgün katkısını belirle. Ardından giriş, literatür, yöntem, bulgular, tartışma ve sonuç bölümlerini ayrı ayrı değerlendir. İstatistiksel sonuçlarla metindeki yorumların tutarlı olup olmadığını kontrol et. Tespit ettiğin sorunları önem derecesine göre sınıflandır. Doğrulayamadığın kaynak veya bilgileri kesin doğru kabul etme. İnceleme sonunda major revision, minor revision veya accept seçeneklerinden uygun olanını gerekçelendir.” Bu talimat sıradan bir soru-cevap promptundan daha gelişmiş bir çalışma süreci tanımlar.
Agent’a bir makale verildiğinde sistem şu iş akışını takip edebilir:
Makale yüklenir
↓
Araştırma amacı belirlenir
↓
Literatür ve teorik çerçeve incelenir
↓
Yöntem kontrol edilir
↓
İstatistiksel analizler değerlendirilir
↓
Bulgular ile tablolar karşılaştırılır
↓
Tartışmanın literatürle ilişkisi incelenir
↓
Sorunlar sınıflandırılır
↓
Hakem raporu oluşturulur
Burada önemli olan agent’ın yalnızca “makaleyi oku ve özetle” komutunu almamasıdır. Bir hedefi, görevi yerine getirme prosedürü ve karar kuralları vardır.
Agent’ı Biraz Daha Akıllı Hâle Getirelim
Agent’a koşullu kurallar da eklenebilir: “Araştırmada regresyon analizi kullanılmışsa regresyon varsayımlarının raporlanıp raporlanmadığını kontrol et. Aracılık analizi yapılmışsa doğrudan ve dolaylı etkilerin güven aralıklarını incele. Yapısal eşitlik modeli kullanılmışsa model uyum indekslerini kontrol et. Nitel araştırmaysa nicel araştırma kriterlerini uygulama ve nitel araştırmaya uygun değerlendirme ölçütlerini kullan.” Böylece agent her makaleye aynı kontrol listesini mekanik biçimde uygulamak yerine karşılaştığı duruma göre izleyeceği yolu değiştirebilir.
Örneğin:
Makale nicel mi?
Evet → Nicel analizleri kontrol et.
Hayır → Nitel araştırma kriterlerine geç.
Aracılık modeli var mı?
Evet → Dolaylı etkileri ve bootstrap güven aralıklarını kontrol et.
Hayır → Bu kontrolü atla.
Bu noktada Conditional Prompting + Multi-step Prompting + Agentic Prompting birlikte kullanılmaktadır.
Araç Verildiğinde Ne Değişir?
Agentların asıl gücü dış araçlarla bağlantı kurduklarında ortaya çıkar. Örneğin akademik agent’a uygun sistemler aracılığıyla:
Web araması → Güncel bilgi doğrulama
Akademik veri tabanı → Kaynak kontrolü
Python/R → İstatistiksel hesaplama
Dosya okuma → PDF ve Word inceleme
Referans sistemi → Kaynakça kontrolü
gibi yetenekler kazandırılabilir.
Bu durumda agent yalnızca metin üreten bir model olmaktan çıkar; bilgi toplayan, araç kullanan, sonuçları değerlendiren ve görevi tamamlayan bir sisteme dönüşür.
Örneğin: “Makalede belirtilen DOI’leri kontrol et. Bulunamayan kaynakları işaretle. Tablolardaki yüzdeleri yeniden hesapla. Metinde verilen örneklem büyüklüğüyle tabloların toplamlarını karşılaştır. Tutarsızlık varsa raporla.” Böyle bir görevde agent uygun araçlara erişebiliyorsa farklı işlemleri art arda gerçekleştirebilir.
Daha Basit Bir Agent: İngilizce Öğretmeni
Agent oluşturmak akademik çalışma kadar karmaşık olmak zorunda da değildir.
Örneğin: “Sen benim İngilizce Öğretmeni Agent’ımsın. Önce seviyemi belirle. Her gün seviyeme uygun beş yeni kelime öğret. Ardından bu kelimelerle kısa bir diyalog yaptır. Yanlış cevap verirsem doğrudan cevabı söylemeden önce ipucu ver. Üç kez doğru cevap verirsem soruların seviyesini yükselt. Zorlanırsam seviyeyi düşür. Her ders sonunda en fazla üç hatamı açıklayarak kısa bir tekrar yaptır.” Burada agent:
Seviyeyi belirler → İçerik üretir → Cevabı değerlendirir → Karar verir → Zorluğu değiştirir → Sonucu takip eder.
Bu nedenle basit bir AI Agent tasarlamanın özü kod yazmaktan çok iyi bir görev mimarisi oluşturmaktır.
Agent Yazmak Gerçekten Kolay mı?
Basit agent: Evet, oldukça kolaydır. İyi hazırlanmış talimatlar ve mevcut yapay zekâ araçlarıyla kod yazmadan agent benzeri iş akışları kurulabilir.
Araç kullanan agent: Orta düzeydir. Web, e-posta, takvim, dosya sistemi veya farklı uygulamaların birbirine bağlanması gerekir.
Otonom profesyonel agent: Daha zordur. API’ler, programlama, kimlik doğrulama, bellek yönetimi, hata yönetimi, güvenlik, izinler, maliyet kontrolü ve insan onayı gibi konular devreye girer.
En önemli ayrım şudur: İyi yazılmış uzun bir prompt ≠ tam anlamıyla AI Agent
Gerçek bir agent sistemini farklılaştıran unsur, yalnızca talimat alması değil; hedef doğrultusunda durumu değerlendirmesi, gerektiğinde araç kullanması, sonuçlardan geri bildirim alması ve sonraki eylemini buna göre belirleyebilmesidir.
Bu nedenle başlangıç için en doğru yöntem, önce tek görevli ve insan denetimli basit bir agent tasarlamak; ardından buna araç kullanımı, bellek, koşullu kararlar ve otomasyon özellikleri eklemektir.
Yorumlar (0)