Sohbet Botu Konuşur, Ajan İş Yapar

Sıradan bir sohbet botunu, çok okumuş ama masasından hiç kalkamayan bir danışmana benzetebilirsiniz. Bir soru sorarsınız; hafızasındaki her şeyi tartar ve size derli toplu bir cevap yazar. Ama hikaye orada biter. Bir dosyayı açamaz, bir veritabanını sorgulayamaz, bir hesap yapıp sonucuna göre fikrini değiştiremez. Tek bir nefeste, zaten bildikleriyle konuşur ve susar. Teknik söyleyişle: bir sohbet botu, dil modeline yapılan tek bir çağrıdır. Girdi gider, metin geri gelir, iş biter.

Yapay zeka ajanı (AI agent) ise aynı danışmana telefon, internet bağlantısı ve küçük bir asistan ekibi vermek gibidir. Artık sadece düşünmüyor; düşündüğünü sınamak için dışarıya uzanabiliyor. Bir arama yapabilir, bir belge getirebilir, bir API'yi (yani başka bir yazılımın 'servis penceresini') çağırabilir, gelen sonuca bakıp 'hmm, bu beklediğim gibi değil' deyip planını değiştirebilir. Ajan tek bir cevapta donup kalmaz; bir hedefe ulaşana dek adım adım ilerler.

En sade tanımıyla: bir sohbet botu, dil modeline yapılan tek seferlik bir çağrıdır; bir ajan ise iş bitene kadar araçları bir döngü içinde çağıran bir dil modelidir. 'Döngü' kelimesinin altını çizin, çünkü ajanı ajan yapan tam olarak o döngüdür. Cevabı bir çırpıda vermek yerine ajan küçük adımlar atar, her adımdan sonra ne olduğuna bakar ve bir sonraki adıma yeni bilgiyle karar verir.

Bu fark sandığınızdan daha köktendir. Sohbet botu size 'bu davaya ilişkin Yargıtay içtihadı muhtemelen şöyle der' diye tahmin yürütür. Ajan ise gerçekten içtihat veritabanına gider, ilgili kararı bulur, metnini okur ve 'işte tam olarak bu karar, şu maddeye dayanıyor' der. Biri hatırlamaya çalışır, diğeri bakar; ve hukukta bu ikisi arasındaki uçurum bazen bir davanın kaderini belirler.

Döngünün Kalbi: Planla, Uygula, Gözlemle

Bütün ajanlar, ne kadar gösterişli olurlarsa olsunlar, basit bir ritimle çalışır: planla, uygula, gözlemle, tekrarla. Araştırmacılar buna sıkça 'ReAct döngüsü' der — İngilizce 'Reasoning' (akıl yürütme) ile 'Acting' (eylem) kelimelerinin birleşimi. Adı önemli değil; ritmi önemli. Bu döngü, neredeyse her ciddi yapay zeka ajanının altında atan kalptir.

Önce planlama gelir: model, eldeki hedefe bakar ve 'bir sonraki en mantıklı adım ne?' diye sorar. Bu bir iç sestir, bir niyet beyanıdır — 'Bu sorunun cevabı için önce ilgili kanun maddesini bulmam gerek.' Sonra uygulama gelir: model bu niyeti bir araç çağrısına (tool call) dönüştürür. 'Mevzuat arama aracını şu anahtar kelimeyle çalıştır.' Bu çağrıyı modelin etrafındaki sistem gerçekten yürütür ve sonucu modele geri verir.

Üçüncü adım, çoğu kişinin gözden kaçırdığı ama her şeyi belirleyen adımdır: gözlem. Model, araçtan dönen sonuca bakar. Aradığı maddeyi buldu mu? Sonuç boş mu geldi? Beklediğinden farklı bir şey mi çıktı? İşte bu gözlem, bir sonraki planı şekillendirir. Arama boş döndüyse model 'anahtar kelimeyi değiştireyim' der; doğru maddeyi bulduysa 'şimdi bu maddeyi yorumlayan içtihadı arayayım' der. Akıl yürütme ile eylem birbirini besler: model ne yapacağını düşünür, yaptığının sonucuna bakarak yeniden düşünür.

Bu döngü, hedefe ulaşılana ya da makul bir durma noktasına gelinene kadar tekrar eder. Tek bir görevde model belki üç, belki on beş kez bu çevrimden geçer. Ortada sihir yok; yalnızca küçük kararların üst üste konmasıyla büyük bir işin tamamlanması var. Tıpkı bir araştırmacının bir konuyu çözerken yaptığı gibi: bir kaynak oku, not al, eksiği gör, başka kaynağa git, parçaları bağla, sonuca var.

Araç Çağırma: Modelin Eli Ayağı

Dil modeli, ne kadar yetenekli olursa olsun, doğası gereği yalnızca metin üretir. Bir veritabanını kendi başına sorgulayamaz, bir e-posta gönderemez, gerçek bir hesap makinesi çalıştıramaz. Peki ajanlar bütün bunları nasıl yapıyor? Cevap, araç çağırma (tool calling; kimi yerde 'function calling', yani fonksiyon çağırma) denen zarif bir hilede gizli.

Şöyle işler: modele, kullanabileceği araçların bir menüsü verilir. Her araç için kısa bir tarif vardır — 'mevzuat_ara: bir anahtar kelime alır, ilgili kanun maddelerini döndürür.' Model bir aracı kullanmak istediğinde onu kendisi çalıştırmaz; yalnızca bir istek yazar: 'mevzuat_ara aracını, anahtar kelime = "kira artış oranı" ile çağırmak istiyorum.' Bu, garson çağırmaya benzer. Model siparişi verir; mutfak (yani çevredeki yazılım) yemeği pişirir ve tabağı geri getirir.

Bu ayrım kritik. Model 'ne yapılması gerektiğine' karar verir; gerçek işi, güvenli bir biçimde dış sistem yapar. Böylece modelin doğrudan veritabanına ya da internete sınırsız erişimi olmaz — yalnızca tasarlanmış, denetlenebilir bir araç setini kullanabilir. Bir araç banka bakiyesini gösterebilir ama para transfer etmesine izin verilmeyebilir; bu sınırları geliştiriciler çizer, model değil.

Araçların geri getirdiği sonuç, modelin gözlemi haline gelir ve döngü kapanır. Ajanları güçlü kılan da tam budur: model, kendi kafasındaki muhtemelen eskimiş ya da eksik bilgiyle yetinmek zorunda değildir. Canlı, gerçek, doğrulanabilir veriye uzanabilir. Bir hukuk asistanı için bu, 'sanırım kanun böyle' ile 'kanun aynen şöyle, işte resmi metni' arasındaki farktır.

Hatırlamak Değil, Bakmak: Erişim ve API'ler

Ajanların kullandığı araçlar genellikle iki büyük aileye ayrılır: erişim (retrieval) araçları ve eylem (action) araçları. Bu ikisini ayırmak, ajanların ne yapabileceğini anlamayı epeyce kolaylaştırır.

Erişim araçları bilgiyi içeri getirir. En yaygın örneği RAG'dir — açılımıyla 'erişimle güçlendirilmiş üretim' (Retrieval-Augmented Generation). Fikir basit ama dönüştürücü: modelin cevabı uydurmasına izin vermek yerine, önce konuyla ilgili gerçek belgeleri bir bilgi havuzundan çekersiniz — çoğunlukla bir 'vektör veritabanından', yani metinleri kelime benzerliğine değil anlam yakınlığına göre dizen bir depodan — ve sonra modelden cevabını yalnızca o belgelere dayandırmasını istersiniz. Sonuç: tahmin değil, kaynaklı bir cevap. Hukuk gibi yanlış bir cümlenin pahalıya patladığı alanlarda bu pazarlık konusu değildir.

Eylem araçları ise dünyada bir şey değiştirir ya da dış bir servisle konuşur. Çoğu API üzerinden çalışır. API'yi (Application Programming Interface) bir yazılımın dışarıya açtığı düzenli bir 'servis penceresi' gibi düşünün: doğru formatta istek gönderirsiniz, düzenli bir cevap alırsınız. Bir hava durumu API'si, bir ödeme API'si, bir takvim API'si... Ajan bir API çağrısını da diğer araçlar gibi yapar; tek fark, bu kez sonucun bir belge değil, bir işlem ya da canlı bir veri olmasıdır.

Bu ikisini birleştirmek ajana gerçek bir derinlik kazandırır. Bir ajan önce erişim aracıyla 'bu sözleşmede hangi madde geçerli?' sorusunu yanıtlar, sonra bir hesaplama aracıyla tutarı bulur, ardından başka bir araçla sonucu düzgün bir özet halinde sunar. Her adım küçük; ama zincirlendiğinde, tek bir sohbet botunun asla beceremeyeceği çok adımlı bir iş ortaya çıkar.

Çok Adımlı Görevler: Bir İşi Parçalara Bölmek

Ajanların asıl değeri, tek bir soruya cevap vermekte değil, birden çok adım gerektiren işleri baştan sona götürebilmektedir. Karmaşık bir görev düşünün: 'Şu kira sözleşmesini incele, güncel mevzuata göre artış oranının yasal olup olmadığını kontrol et, bir uyuşmazlık çıkarsa hangi içtihadın işe yarayacağını söyle.' Bu tek bir 'soru' değil; üst üste binen bir görevler zinciridir.

Bir ajan bu işi, bir insanın yapacağı gibi parçalara böler. Önce sözleşmeyi okur ve ilgili maddeyi çıkarır. Sonra mevzuat aracıyla yürürlükteki yasal tavanı bulur. Ardından sözleşmedeki oranla yasal tavanı karşılaştırır. Bir uyuşmazlık görürse içtihat arama aracına geçer ve emsal kararları getirir. Her adımın çıktısı, bir sonraki adımın girdisi olur. Döngünün gerçek gücü de budur: ajan, yol boyunca öğrendikçe planını canlı canlı günceller.

Pratikte iki yaygın yaklaşım vardır. Biri 'önce planla, sonra uygula': ajan baştan bütün adımları bir liste halinde çıkarır, sonra tek tek yürütür. Diğeri, daha esnek olan ReAct tarzıdır: ajan bir adım atar, sonucuna bakar, ona göre bir sonraki adıma karar verir. İkincisi, önceden kestirilemeyen ve yol boyunca şekillenen işlerde çok daha dayanıklıdır — çünkü gerçek dünya nadiren ilk plana uyar.

Burada önemli bir uyarı var: her ek adım, bir hata ihtimali de taşır. Bu yüzden iyi tasarlanmış ajanlar bir görevi gereksiz yere uzun zincirlere bölmez. En iyi mimariler, bir işi mümkün olan en az ama en sağlam adıma indirger; çünkü her fazladan halka, kopabilecek bir zayıf nokta demektir. Bir sonraki bölümde bunun neden bu kadar kritik olduğunu sayılarla göreceğiz.

Ortak Dil: MCP ve Araç Standartları

Ajanlar araç kullanmaya başlayınca hızla can sıkıcı bir sorun ortaya çıktı: her model her araca farklı biçimde bağlanıyordu. Beş ayrı yapay zeka modeliniz ve sekiz ayrı aracınız varsa, kırk ayrı entegrasyon yazıp bakımını yapmanız gerekiyordu. Mühendisler buna 'N çarpı M sorunu' der; ve bu, sektörü gerçekten yavaşlatan bir baş ağrısıydı.

Çözüm, ortak bir standart oldu: MCP, yani Model Context Protocol (Model Bağlam Protokolü). Kasım 2024'te Anthropic tarafından açık bir standart olarak ortaya atılan MCP'yi, 'yapay zeka için USB-C girişi' gibi düşünebilirsiniz. Nasıl USB-C sayesinde tek bir kabloyla telefonu, dizüstünü ve kulaklığı şarj edebiliyorsanız, MCP de modellerle araçların tek bir ortak şekilde konuşmasını sağlar. Bir aracı bir kez MCP'ye uygun yazarsınız; sonra onu hangi modele takarsanız çalışır.

Standart hızla benimsendi: 2025 boyunca OpenAI ve Google gibi büyük oyuncular da MCP'yi desteklediğini açıkladı ve Aralık 2025'te Anthropic protokolün yönetişimini bağımsız bir vakfa (Linux Foundation çatısı altındaki Agentic AI Foundation'a) devretti. Böylece 2026 itibarıyla MCP, tek bir şirkete bağlı olmayan, fiilî sektör standardı haline geldi. Pratikte üç temel parça sunar: araçlar (modelin çağırmaya karar verdiği çalıştırılabilir fonksiyonlar), kaynaklar (modelin okuyabildiği veri parçaları) ve istem şablonları (modele bir araçla nasıl etkileşeceğini gösteren hazır kalıplar). Bu üçlü, dağınık entegrasyonları temiz ve taşınabilir bir mimariye dönüştürür.

Bu, EcoFluxion'da soyut bir teori değil; günlük çalışma şeklimiz. İçtiHub'a güç veren motor bir MCP ajan sistemi üzerine kuruludur. Mevzuat arama, içtihat getirme ve kaynak doğrulama gibi yeteneklerin her biri, modelin disiplinli biçimde çağırabildiği birer araç olarak tanımlanır. Bu sayede sistem hem genişletilebilir kalır (yeni bir araç eklemek, her şeyi baştan yazmak değildir) hem de denetlenebilir: modelin tam olarak hangi araca, hangi parametreyle uzandığını görebiliriz.

Nerede Parlar, Nerede Çuvallar

Ajanlar her derde deva değildir; belirli işlerde olağanüstü, başka işlerde tehlikeli derecede güvenilmezdir. İkisini ayırt edebilmek, belki de yapay zekayı sağduyuyla kullanmanın en önemli becerisidir.

Ajanlar, işin net bir hedefi ve geri besleme veren güvenilir araçları olduğunda parlar. Bir belgeden bilgi çıkarıp doğrulamak, bir kod tabanında belirli bir hatayı avlamak, çok kaynaklı bir araştırmayı toparlamak, bir veri kümesini sorgulayıp özetlemek — bunlar tam onların alanıdır. Buralarda her adımın sonucu somuttur: arama bir şey buldu ya da bulmadı, test geçti ya da kaldı. Ajan bu sinyalleri okuyarak kendini düzeltebilir.

Çuvalladıkları yer ise tahmin edilebilir: uzun, çok adımlı zincirler. Burada sinsi bir matematik devreye girer. Diyelim ki model her adımda yüzde doksan dokuz isabetli olsun; kulağa kusursuz geliyor. Ama yüz adımlık bir görevde bu küçük hata payları birikir — 0,99'un yüzüncü kuvveti yaklaşık 0,37'ye iner, yani görevin baştan sona doğru gitme ihtimali üçte birin biraz üzerine düşer. Üstelik hatalar yalnızca toplanmaz, çoğalır: üçüncü adımda uydurulan yanlış bir 'gerçek', yedinci adımda kanıt diye kullanılır ve sonunda kendinden emin görünen, ama temelden çürük bir cevap çıkar.

Bir başka klasik tuzak da uydurma, yani 'halüsinasyon'dur. Bir model bazen bir aracı hiç çağırmadığı halde çağırmış gibi davranıp gerçekmiş süsü verilmiş bir sonuç üretebilir; kullanıcı ise aracın gerçekten çalışıp çalışmadığını çıplak gözle göremez. İşte bu yüzden ciddi sistemlerde her adımın izini sürmek — hangi aracın gerçekten çağrıldığını, ne döndürdüğünü kaydetmek — bir lüks değil, zorunluluktur. İçtihadın kaynağını gerçekten getirmekle getirmiş gibi yapmak arasındaki fark, bir hukuk ürününde her şey demektir.

Güvenlik: Otonomiyi Dizginlemek

Bir ajana otonomi — yani kendi başına karar verip eylemde bulunma yetkisi — verdiğiniz anda hem güç hem de risk artar. Yalnızca konuşan bir botun yapabileceği en kötü şey yanlış bir cümle kurmaktır. Eyleme geçebilen bir ajan ise yanlış bir e-posta gönderebilir, yanlış bir kaydı silebilir, yanlış bir tutarı onaylayabilir. Bu yüzden güvenlik, ajan tasarımında sonradan eklenen bir süs değil, en baştan kurulan bir iskelettir.

İlk ve en önemli ilke en az yetki ilkesidir: ajana yalnızca işini yapması için gereken araçları verin, fazlasını değil. Bir araştırma ajanının okuma araçlarına ihtiyacı vardır ama veri silme aracına asla. Bir araç parayı gösterebilir ama transfer edemez. Bu sınırları geliştirici çizer, model değil; ve model bu sınırları aşamaz, çünkü o araçlar menüde hiç yer almaz.

İkinci ilke insan denetimidir — sıkça 'insan döngüde' (human-in-the-loop) diye geçer. Geri alınamaz ya da maliyetli eylemlerden önce sistem durur ve bir insanın onayını ister. Yapay zeka bir taslak hazırlar, bir öneri sunar, bir hesap yapar; ama tetiği bir insan çeker. Hukuk gibi sonuçların ağır olduğu alanlarda doğru denge budur: ağır yükü ajan taşır, son sözü insan söyler. Mevcut sistemlerin uzun, çok adımlı işlerde ve ince muhakeme gerektiren durumlarda hâlâ kırılgan olduğunu unutmayın — denetim tam da bu yüzden vazgeçilmezdir.

Üçüncü ilke şeffaflıktır. İyi bir ajan sistemi, attığı her adımın izini bırakır: hangi aracı çağırdı, hangi parametreyle, ne sonuç aldı, o sonucu nasıl kullandı. Bu iz hem hata ayıklamayı mümkün kılar hem de güven inşa eder. İçtiHub felsefemizin özü tam da budur: yapay zekanın bir cevabı üretmesi yetmez; o cevabın hangi kaynağa dayandığını gösterebilmesi gerekir. Bir hukukçu mahkemeye çıkıp 'yapay zeka böyle dedi' diyemez; 'işte kanun, işte içtihat, işte kaynak' diyebilmelidir. Ajanları hem güvenli hem de gerçekten faydalı kılan şey budur.