B\u00fcy\u00fck Dil Modelleri (LLM’ler) son y\u0131llarda hayat\u0131m\u0131z\u0131n her alan\u0131na s\u0131zarak metin yazma, kodlama ve bilgi sa\u011flama yetenekleriyle bizi b\u00fcy\u00fcledi. Ancak bu devasa modeller, t\u0131pk\u0131 bir \u00e7ocuk gibi, bazen basit talimatlar\u0131 dahi takip etmekte zorlan\u0131r veya ba\u011flam\u0131 tamamen kaybedebilir. Peki, bu k\u0131s\u0131tl\u0131 zekay\u0131 ger\u00e7ek anlamda otonom, g\u00f6rev odakl\u0131 “ajanlara” d\u00f6n\u00fc\u015ft\u00fcrmenin bir yolu var m\u0131? \u0130\u015fte tam da bu noktada, LLM’lerin perde arkas\u0131ndaki ger\u00e7ek potansiyelini ortaya \u00e7\u0131karan ve onlar\u0131 sadece bir metin \u00fcreticiden \u00f6teye ta\u015f\u0131yan “Agentic AI” (Ajansiyel Yapay Zeka) kavram\u0131 devreye giriyor. Bu makalede, LLM’lerin nas\u0131l daha ak\u0131ll\u0131, daha planl\u0131 ve daha yetenekli ajanlara d\u00f6n\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc, bu d\u00f6n\u00fc\u015f\u00fcm\u00fcn temel bile\u015fenlerini ve ger\u00e7ek d\u00fcnya uygulamalar\u0131n\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz. Haz\u0131r olun, \u00e7\u00fcnk\u00fc LLM’lerin sadece soru cevaplamaktan \u00e7ok daha fazlas\u0131n\u0131 yapabildi\u011fini ke\u015ffedece\u011fiz!<\/p>\n
Agentic AI’\u0131n derinliklerine dalmadan \u00f6nce, bir LLM’in temel \u00e7al\u0131\u015fma prensiplerini anlamak, bu ajanlar\u0131n nas\u0131l “d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcn\u00fc” kavramak a\u00e7\u0131s\u0131ndan kritik \u00f6nem ta\u015f\u0131r. \u00d6ncelikle, bir LLM, devasa bir metin veri k\u00fcmesi \u00fczerinde e\u011fitilmi\u015f, milyarlarca parametreye sahip derin bir sinir a\u011f\u0131d\u0131r. Bu parametreler, modelin dildeki kal\u0131plar\u0131, ili\u015fkileri ve anlamlar\u0131 \u00f6\u011frenmesini sa\u011flar. Peki, bu “\u00f6\u011frenme” s\u00fcreci tam olarak nas\u0131l i\u015fler?<\/p>\n
Her \u015fey tokenizasyon<\/strong> ile ba\u015flar. Bir metin, kelimelere, kelime par\u00e7ac\u0131klar\u0131na veya karakterlere b\u00f6l\u00fcnerek “token” ad\u0131 verilen birimlere ayr\u0131l\u0131r. \u00d6rne\u011fin, “yapay zeka” c\u00fcmlesi “yapay” ve “zeka” olarak iki tokene ayr\u0131labilir. Bu tokenlar daha sonra say\u0131sal temsilcilere d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ki bu s\u00fcrece embedding<\/strong> denir. Her token, \u00e7ok boyutlu bir vekt\u00f6r uzay\u0131nda belirli bir noktay\u0131 temsil eder ve anlamsal olarak benzer tokenlar bu uzayda birbirine yak\u0131n konumlan\u0131r. \u0130\u015fte bu sayede, LLM’ler kelimeler aras\u0131ndaki ili\u015fkileri ve ba\u011flam\u0131 anlayabilir.<\/p>\n LLM’lerin kalbinde Transformer mimarisi<\/strong> yatar. Transformer’lar, \u00f6zellikle de dikkat mekanizmas\u0131 (attention mechanism)<\/strong> sayesinde, bir c\u00fcmlenin veya metnin farkl\u0131 b\u00f6l\u00fcmleri aras\u0131ndaki uzun menzilli ba\u011f\u0131ml\u0131l\u0131klar\u0131 yakalayabilir. Bu, modelin sadece yak\u0131n\u0131ndaki kelimelere de\u011fil, metnin tamam\u0131ndaki \u00f6nemli bilgilere odaklanmas\u0131na olanak tan\u0131r. Diyelim ki model “Elma yemek istiyor.” c\u00fcmlesini i\u015fliyor. Dikkat mekanizmas\u0131, “yemek” kelimesinin “Elma” ile olan ili\u015fkisini kurarak c\u00fcmlenin anlamsal b\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc daha iyi kavrar. Bu mekanizma, paralel i\u015flemeye olanak tan\u0131d\u0131\u011f\u0131 i\u00e7in LLM’lerin devasa veri k\u00fcmeleri \u00fczerinde h\u0131zla e\u011fitilmesini de sa\u011flar.<\/p>\n E\u011fitim s\u00fcreci boyunca LLM, kendisine verilen bir sonraki token\u0131 tahmin etmeyi \u00f6\u011frenir. Milyarlarca \u00f6rnek \u00fczerinden bu tahmini defalarca yaparak, insan dilinin gramerini, s\u00f6zdizimini, hatta d\u00fcnya bilgisini i\u00e7selle\u015ftirir. Ancak, tek ba\u015f\u0131na bir LLM’in baz\u0131 \u00f6nemli s\u0131n\u0131rl\u0131l\u0131klar\u0131 vard\u0131r: g\u00fcncel bilgilere eri\u015fimi yoktur, karma\u015f\u0131k \u00e7ok ad\u0131ml\u0131 g\u00f6revleri planlayamaz, ge\u00e7mi\u015f etkile\u015fimleri hat\u0131rlayamaz ve kendi hatalar\u0131n\u0131 de\u011ferlendirip d\u00fczeltemez. Bir LLM, kendisine sunulan ba\u011flam penceresiyle s\u0131n\u0131rl\u0131d\u0131r; bu pencerenin d\u0131\u015f\u0131ndaki hi\u00e7bir \u015feyi “hat\u0131rlayamaz” veya “bilemez”. \u0130\u015fte tam da bu noktada, LLM’lere “ajan” yetenekleri kazand\u0131rmak, onlar\u0131 bu k\u0131s\u0131tlamalar\u0131n \u00f6tesine ta\u015f\u0131mak i\u00e7in Agentic AI devreye girer. Bir sonraki b\u00f6l\u00fcmde, bu d\u00f6n\u00fc\u015f\u00fcm\u00fcn temel bile\u015fenlerini ele alaca\u011f\u0131z. Modelin bu derinlikteki anlay\u0131\u015f\u0131, asl\u0131nda sadece istatistiksel olas\u0131l\u0131klar\u0131n bir sonucudur; ancak bu olas\u0131l\u0131klar\u0131n do\u011fru kombinasyonu, “zeka” olarak alg\u0131lad\u0131\u011f\u0131m\u0131z \u00e7\u0131kt\u0131y\u0131 \u00fcretir. E\u011fitim verisinin kalitesi ve \u00e7e\u015fitlili\u011fi, LLM’in genel yeteneklerini do\u011frudan etkileyen en \u00f6nemli fakt\u00f6rlerdendir. Bu temel anlay\u0131\u015f, Agentic AI’\u0131n \u00fczerine in\u015fa edildi\u011fi sa\u011flam zemini olu\u015fturur.<\/p>\n Tek ba\u015f\u0131na bir LLM, muazzam bir bilgi deposuna ve dil anlama yetene\u011fine sahip olsa da, asl\u0131nda sadece bir “beyin” gibidir; elleri, haf\u0131zas\u0131, planlama yetene\u011fi veya kendini geli\u015ftirme mekanizmas\u0131 yoktur. Agentic AI, bu “beyne” harici bile\u015fenler ekleyerek onu ger\u00e7ek anlamda g\u00f6rev odakl\u0131 bir “ajan” haline getirme sanat\u0131d\u0131r. Peki, bir LLM’i kendi ba\u015f\u0131na hareket edebilen, plan yapabilen ve hedeflere ula\u015fabilen bir ajana d\u00f6n\u00fc\u015ft\u00fcren bu sihirli bile\u015fenler nelerdir? Genellikle bir ajansiyel yapay zeka sistemi, a\u015fa\u011f\u0131daki \u00fc\u00e7 temel yetene\u011fi LLM’e kazand\u0131r\u0131r:<\/p>\n Bir insan gibi d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fczde, g\u00fcnl\u00fck g\u00f6revlerimizi yerine getirirken ge\u00e7mi\u015f deneyimlerimizden, \u00f6\u011frendiklerimizden ve an\u0131lar\u0131m\u0131zdan yararlan\u0131r\u0131z. Geleneksel LLM’ler ise sadece o anki ba\u011flam penceresi i\u00e7indeki bilgiyi i\u015fleyebilir; bu pencerenin d\u0131\u015f\u0131na \u00e7\u0131kan her \u015feyi “unutur”. \u0130\u015fte bu noktada, ajanlar i\u00e7in haf\u0131za y\u00f6netimi<\/strong> devreye girer. Ajanlar, t\u0131pk\u0131 insanlardaki gibi iki ana haf\u0131za t\u00fcr\u00fcne sahip olabilir:<\/p>\n Bir LLM, kendi ba\u015f\u0131na sadece metin \u00fcretebilir. Ancak, ger\u00e7ek d\u00fcnyada i\u015f yapmak i\u00e7in sadece konu\u015fmak yetmez; eyleme ge\u00e7mek gerekir. \u0130\u015fte ara\u00e7 kullan\u0131m\u0131 (tool usage)<\/strong> yetene\u011fi, LLM’lere bu “eylem” yetene\u011fini kazand\u0131r\u0131r. Ajanlar, spesifik g\u00f6revleri yerine getirmek i\u00e7in harici ara\u00e7lar\u0131 veya API’lar\u0131 kullanabilirler. Bu ara\u00e7lar \u015funlar olabilir:<\/p>\n Bir ajan, bir g\u00f6revi yerine getirirken, bu ara\u00e7lar\u0131 ne zaman ve nas\u0131l kullanaca\u011f\u0131na kendi ba\u015f\u0131na karar verir. \u00d6rne\u011fin, bir kullan\u0131c\u0131 “Yar\u0131nki hava durumu ne olacak?” diye sordu\u011funda, ajan bunu bir arama motoru API’s\u0131n\u0131 kullanarak cevaplamas\u0131 gereken bir soru olarak alg\u0131lar. \u0130\u015fte bu s\u00fcreci g\u00f6steren basit bir Python konsepti:<\/p>\n <\/code><\/p>\n Bu kod blo\u011fu, LLM'in harici bir arac\u0131 (hava durumu API'si) nas\u0131l kullanabilece\u011fine dair basit bir \u00f6rnek sunar. Ajan, bu t\u00fcr fonksiyonlar\u0131 ihtiya\u00e7 duydu\u011funda \u00e7a\u011f\u0131rarak g\u00f6revlerini geni\u015fletebilir ve ger\u00e7ek d\u00fcnya verileriyle etkile\u015fime girebilir. Bu, LLM'in yeteneklerini sadece metin \u00fcretmekten \u00e7ok daha \u00f6teye ta\u015f\u0131yan, onu ger\u00e7ek bir problem \u00e7\u00f6z\u00fcc\u00fcye d\u00f6n\u00fc\u015ft\u00fcren kilit bir \u00f6zelliktir.<\/p>\n Bir ajan\u0131 ak\u0131ll\u0131 k\u0131lan \u015fey, sadece ara\u00e7 kullanabilmesi veya haf\u0131zas\u0131 olmas\u0131 de\u011fil, ayn\u0131 zamanda karma\u015f\u0131k bir hedefi k\u00fc\u00e7\u00fck, y\u00f6netilebilir ad\u0131mlara ay\u0131rabilme ve bu ad\u0131mlar\u0131 mant\u0131kl\u0131 bir s\u0131rayla y\u00fcr\u00fctebilme yetene\u011fidir. Bu yetenek, planlama ve muhakeme<\/strong> olarak adland\u0131r\u0131l\u0131r. LLM'lere bu yetene\u011fi kazand\u0131rmak i\u00e7in \u00e7e\u015fitli teknikler kullan\u0131l\u0131r:<\/p>\n <\/code>\n <\/li>\n Bu planlama ve muhakeme yetenekleri sayesinde ajanlar, karma\u015f\u0131k hedefleri k\u00fc\u00e7\u00fck, daha basit alt g\u00f6revlere b\u00f6lebilir, her alt g\u00f6rev i\u00e7in uygun ara\u00e7lar\u0131 veya stratejileri belirleyebilir ve bu g\u00f6revleri s\u0131rayla veya paralel olarak y\u00fcr\u00fctebilirler. B\u00f6ylece, sadece bir soruya cevap vermek yerine, ger\u00e7ekten bir hedefe ula\u015fmak i\u00e7in ad\u0131mlar atabilen otonom sistemler ortaya \u00e7\u0131kar. Bu durum, LLM'lerin pasif bir bilgi kayna\u011f\u0131 olmaktan \u00e7\u0131k\u0131p, aktif bir problem \u00e7\u00f6z\u00fcc\u00fcye d\u00f6n\u00fc\u015fmesini sa\u011flar.<\/p>\n Uzman \u0130pucu:<\/strong> Ajan\u0131n planlama yetene\u011fini art\u0131rmak i\u00e7in, ona sadece g\u00f6revi vermek yerine, \"G\u00f6rev: X. Ad\u0131mlar: 1. Y, 2. Z, 3. A. Ba\u015far\u0131 Kriteri: B\" gibi yap\u0131land\u0131r\u0131lm\u0131\u015f promptlar sa\u011flamak, LLM'in daha tutarl\u0131 ve hedefe y\u00f6nelik bir plan olu\u015fturmas\u0131na yard\u0131mc\u0131 olur. Bu, ayn\u0131 zamanda ajan taraf\u0131ndan ger\u00e7ekle\u015ftirilecek ad\u0131mlar\u0131n daha \u00f6ng\u00f6r\u00fclebilir olmas\u0131n\u0131 sa\u011flar.<\/p>\n<\/p><\/div>\n Agentic AI, sadece teorik bir kavram olmaktan \u00e7ok, i\u015f d\u00fcnyas\u0131nda ve g\u00fcnl\u00fck hayatta devrim niteli\u011finde de\u011fi\u015fikliklere yol a\u00e7an somut uygulamalara sahiptir. Gelin, bu etkileyici teknolojinin ger\u00e7ek d\u00fcnyadaki baz\u0131 \u00f6rneklerini ve vaka analizlerini inceleyelim:<\/p>\n Yaz\u0131l\u0131m geli\u015ftirme s\u00fcreci, kod yazmaktan \u00e7ok daha fazlas\u0131n\u0131 i\u00e7erir: gereksinim analizi, tasar\u0131m, test etme, hata ay\u0131klama ve da\u011f\u0131t\u0131m. Agentic AI, bu s\u00fcre\u00e7leri otomatikle\u015ftirmek i\u00e7in kullan\u0131lmaktad\u0131r. \u00d6rne\u011fin, Auto-GPT veya GPT-Engineer gibi konseptler, bir geli\u015ftiricinin basit bir talimat\u0131n\u0131 alarak (\u00f6rne\u011fin, \"Kullan\u0131c\u0131dan iki say\u0131 alan ve toplam\u0131n\u0131 ekrana yazd\u0131ran bir Python uygulamas\u0131 yaz.\") \u015fu ad\u0131mlar\u0131 atabilir:<\/p>\n Bu t\u00fcr ajanlar, yaz\u0131l\u0131m geli\u015ftirme d\u00f6ng\u00fcs\u00fcn\u00fc h\u0131zland\u0131r\u0131r, geli\u015ftiricilerin rutin g\u00f6revlerden kurtulmas\u0131n\u0131 sa\u011flar ve potansiyel olarak yaz\u0131l\u0131m kalitesini art\u0131r\u0131r. Geli\u015ftiriciler art\u0131k sadece \u00fcst d\u00fczey gereksinimleri tan\u0131mlar, ajanlar ise detayl\u0131 implementasyonu \u00fcstlenir.<\/p>\n Geleneksel chatbot'lar genellikle \u00f6nceden tan\u0131mlanm\u0131\u015f senaryolarla s\u0131n\u0131rl\u0131d\u0131r. Ancak Agentic AI ile g\u00fc\u00e7lendirilmi\u015f m\u00fc\u015fteri hizmetleri ajanlar\u0131, \u00e7ok daha karma\u015f\u0131k ve dinamik durumlar\u0131 y\u00f6netebilir. \u00d6rne\u011fin, bir sigorta \u015firketindeki bir ajan:<\/p>\n Bu ajanlar, sadece basit sorular\u0131 yan\u0131tlamakla kalmaz, ayn\u0131 zamanda proaktif bir \u015fekilde m\u00fc\u015fteri sorunlar\u0131n\u0131 \u00e7\u00f6zebilir, ki\u015fiselle\u015ftirilmi\u015f yard\u0131m sunabilir ve hatta potansiyel sorunlar\u0131 \u00f6nceden tespit edebilir. Bu da hem m\u00fc\u015fteri memnuniyetini art\u0131r\u0131r hem de insan temsilcilerin i\u015f y\u00fck\u00fcn\u00fc hafifletir.<\/p>\n Bilimsel ara\u015ft\u0131rmalar, devasa veri setlerinin analizini, literat\u00fcr taramas\u0131n\u0131 ve hipotez testini gerektirir. Agentic AI, bu alanda da b\u00fcy\u00fck kolayl\u0131klar sunar. Bir biyoteknoloji \u015firketindeki ara\u015ft\u0131rma ajan\u0131, yeni bir ilac\u0131n potansiyel yan etkilerini de\u011ferlendirmek i\u00e7in \u015fu ad\u0131mlar\u0131 izleyebilir:<\/p>\n Bu \u00f6rnekler, Agentic AI'\u0131n sadece metin \u00fcretme yetene\u011finin \u00f6tesine ge\u00e7erek, ger\u00e7ek d\u00fcnya sorunlar\u0131na otonom ve ak\u0131ll\u0131 \u00e7\u00f6z\u00fcmler sunma potansiyelini g\u00f6zler \u00f6n\u00fcne seriyor. Bu teknolojinin yayg\u0131nla\u015fmas\u0131yla, bir\u00e7ok end\u00fcstri ve meslek dal\u0131nda verimlilik ve inovasyon art\u0131\u015f\u0131 ka\u00e7\u0131n\u0131lmaz olacakt\u0131r.<\/p>\n Agentic AI alan\u0131ndaki geli\u015fmeler sadece temel bile\u015fenlerle s\u0131n\u0131rl\u0131 de\u011fil; ara\u015ft\u0131rmac\u0131lar ve m\u00fchendisler, ajanlar\u0131n yeteneklerini daha da ileriye ta\u015f\u0131mak i\u00e7in s\u00fcrekli yeni stratejiler geli\u015ftiriyorlar. Daha ak\u0131ll\u0131, daha g\u00fcvenilir ve daha yetenekli ajanlar olu\u015fturmak i\u00e7in kullan\u0131lan baz\u0131 geli\u015fmi\u015f tekniklere g\u00f6z atal\u0131m:<\/p>\n \u00d6z-Yans\u0131tma ve \u0130yile\u015ftirme Mekanizmalar\u0131:<\/strong> Bir ajan\u0131n sadece g\u00f6revleri yerine getirmesi de\u011fil, ayn\u0131 zamanda kendi performans\u0131n\u0131 de\u011ferlendirebilmesi ve hatalar\u0131ndan ders \u00e7\u0131karabilmesi b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. \u00d6z-yans\u0131tma, ajan\u0131n bir g\u00f6revi tamamlad\u0131ktan sonra veya bir ara\u00e7 kullan\u0131m\u0131 sonucunda elde etti\u011fi \u00e7\u0131kt\u0131y\u0131 kritik bir \u015fekilde incelemesini i\u00e7erir. Ajan, bu \u00e7\u0131kt\u0131lar\u0131n hedeflenen sonuca uygun olup olmad\u0131\u011f\u0131n\u0131, daha iyi bir yakla\u015f\u0131m olup olmad\u0131\u011f\u0131n\u0131 veya hangi ad\u0131mlar\u0131n ba\u015far\u0131s\u0131z oldu\u011funu kendi kendine sorar. Bu s\u00fcre\u00e7, genellikle LLM'in kendisinden \u00f6nceki ad\u0131mlar\u0131 ve sonu\u00e7lar\u0131 analiz etmesini isteyen \u00f6zel prompt'lar arac\u0131l\u0131\u011f\u0131yla tetiklenir. \u00d6rne\u011fin, bir kod yazma ajan\u0131, testleri ge\u00e7emedi\u011finde, \"Bu kodu neden ge\u00e7emedim? Hangi sat\u0131rda hata var? Nas\u0131l d\u00fczeltebilirim?\" gibi sorular sorarak kendini iyile\u015ftirmeye \u00e7al\u0131\u015fabilir. Bu iteratif d\u00fczeltme d\u00f6ng\u00fcs\u00fc, ajanlar\u0131n zamanla daha sa\u011flam ve g\u00fcvenilir hale gelmesini sa\u011flar.<\/p>\n \u00c7oklu Ajan Sistemleri ve \u0130\u015fbirli\u011fi:<\/strong> Karma\u015f\u0131k g\u00f6revler bazen tek bir ajan\u0131n yeteneklerini a\u015fabilir. \u0130\u015fte bu noktada, birden fazla ajan\u0131n bir araya gelerek i\u015fbirli\u011fi yapt\u0131\u011f\u0131 \u00e7oklu ajan sistemleri<\/strong> devreye girer. Her ajan, belirli bir uzmanl\u0131k alan\u0131na veya rol\u00fcne sahip olabilir. \u00d6rne\u011fin, bir proje y\u00f6netiminde, bir ajan \"planlay\u0131c\u0131\" rol\u00fcn\u00fc \u00fcstlenirken, ba\u015fka bir ajan \"kodlay\u0131c\u0131\", bir di\u011feri \"test edici\" veya \"ara\u015ft\u0131rmac\u0131\" rol\u00fcn\u00fc \u00fcstlenebilir. Bu ajanlar, birbirleriyle ileti\u015fim kurarak ve g\u00f6revleri b\u00f6l\u00fc\u015ferek b\u00fcy\u00fck \u00f6l\u00e7ekli ve karma\u015f\u0131k projeleri daha verimli bir \u015fekilde y\u00f6netebilirler. \u0130leti\u015fim, genellikle ortak bir \"mesaj panosu\" veya birbirlerine do\u011frudan mesaj g\u00f6nderme yoluyla ger\u00e7ekle\u015fir. Bu, insan ekiplerinin \u00e7al\u0131\u015fma \u015fekline olduk\u00e7a benzer ve potansiyel olarak \u00e7ok daha g\u00fc\u00e7l\u00fc \u00e7\u00f6z\u00fcmler sunar.<\/p>\n Ajan G\u00fcvenli\u011fi ve Eti\u011fi:<\/strong> Ajanlar\u0131n otonom hale gelmesiyle birlikte, g\u00fcvenlik ve etik konular\u0131 da b\u00fcy\u00fck \u00f6nem kazan\u0131r. Bir ajan\u0131n istenmeyen veya zararl\u0131 eylemlerde bulunmas\u0131n\u0131 engellemek, sistemin kontrol alt\u0131nda tutulmas\u0131n\u0131 sa\u011flamak ve potansiyel riskleri minimize etmek esast\u0131r. Bu, \u015funlar\u0131 i\u00e7erir:<\/p>\n Bu geli\u015fmi\u015f stratejiler, Agentic AI'\u0131n sadece daha yetenekli olmas\u0131n\u0131 de\u011fil, ayn\u0131 zamanda daha g\u00fcvenli, kontrol edilebilir ve etik de\u011ferlere uygun \u00e7al\u0131\u015fmas\u0131n\u0131 da sa\u011flar. Bu sayede, ajanlar gelecekte daha fazla alanda g\u00fcvenle kullan\u0131labilir hale gelecektir.<\/p>\n Agentic AI sistemlerinin g\u00fcc\u00fc, kullan\u0131c\u0131lar\u0131n onlarla nerede olurlarsa olsunlar etkile\u015fim kurabilmesinden gelir. Bu da, kullan\u0131c\u0131 aray\u00fczlerinin ve web tabanl\u0131 uygulamalar\u0131n mobil cihazlara tam uyumlu olmas\u0131n\u0131 gerektirir. Mobil uyumluluk, kullan\u0131c\u0131 deneyiminin (UX) temel ta\u015flar\u0131ndan biridir ve Agentic AI'\u0131n eri\u015filebilirli\u011fini art\u0131r\u0131r.<\/p>\n Mobil uyumlu bir web sitesi veya uygulama tasarlarken, i\u00e7eri\u011fin ve etkile\u015fimli \u00f6\u011felerin farkl\u0131 ekran boyutlar\u0131na ve cihazlara (telefonlar, tabletler) otomatik olarak adapte olmas\u0131 esast\u0131r. Bu genellikle HTML, CSS ve JavaScript kombinasyonuyla ba\u015far\u0131l\u0131r. \u00d6zellikle CSS'teki media query'ler<\/strong>, bu adaptasyonun en g\u00fc\u00e7l\u00fc ara\u00e7lar\u0131ndan biridir.<\/p>\n Bir \u0130\u015fte basit bir Agentic AI’\u0131n Do\u011fu\u015fu: LLM’leri “Ajan” Yapan Temel Bile\u015fenler Nelerdir?<\/h2>\n
Haf\u0131za Y\u00f6netimi: Unutkan Olmayan Ajanlar Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h3>\n
\n
Ara\u00e7 Kullan\u0131m\u0131: LLM’ler D\u0131\u015f D\u00fcnya ile Nas\u0131l Etkile\u015fime Girer?<\/h3>\n
\n
\nimport requests\n\ndef get_weather(city: str) -> str:\n \"\"\"Verilen \u015fehir i\u00e7in mevcut hava durumunu \u00e7eker.\"\"\"\n api_key = \"YOUR_WEATHER_API_KEY\" # Ger\u00e7ek bir API anahtar\u0131 ile de\u011fi\u015ftirin\n base_url = f\"http:\/\/api.openweathermap.org\/data\/2.5\/weather?q={city}&appid={api_key}&units=metric\"\n try:\n response = requests.get(base_url)\n response.raise_for_status() # HTTP hatalar\u0131 i\u00e7in kontrol et\n data = response.json()\n if data[\"cod\"] == 200:\n main = data[\"main\"]\n weather_desc = data[\"weather\"][0][\"description\"]\n temp = main[\"temp\"]\n feels_like = main[\"feels_like\"]\n return f\"{city} \u015fehrinde hava durumu: {weather_desc}, s\u0131cakl\u0131k: {temp}\u00b0C, hissedilen: {feels_like}\u00b0C.\"\n else:\n return f\"Hava durumu bilgisi al\u0131namad\u0131: {data.get('message', 'Bilinmeyen Hata')}\"\n except requests.exceptions.RequestException as e:\n return f\"API iste\u011fi s\u0131ras\u0131nda hata olu\u015ftu: {e}\"\n\n# LLM'in bu fonksiyonu \u00e7a\u011f\u0131rabilece\u011fi bir mekanizma (\u00f6rne\u011fin LangChain veya LlamaIndex ile)\n# LLM: \"Bana \u0130stanbul'daki hava durumunu s\u00f6yle.\"\n# Ajan: (get_weather(\"\u0130stanbul\") fonksiyonunu \u00e7a\u011f\u0131r\u0131r)\n# LLM \u00e7\u0131kt\u0131s\u0131: \"\u0130stanbul \u015fehrinde hava durumu: az bulutlu, s\u0131cakl\u0131k: 22\u00b0C, hissedilen: 21\u00b0C.\"\n <\/pre>\nPlanlama ve Muhakeme: Ajanlar Karma\u015f\u0131k G\u00f6revleri Nas\u0131l \u00c7\u00f6z\u00fcmler?<\/h3>\n
\n
\n# Basit bir CoT \u00f6rne\u011fi prompt\n# LLM'e verilen g\u00f6rev: \"Bir restoranda yemek yedim. Fatura 50 TL, bah\u015fi\u015f %15. Toplam ne kadar \u00f6demeliyim?\"\n# LLM'den beklenen \u00e7\u0131kt\u0131:\n# D\u00fc\u015f\u00fcnce Ad\u0131mlar\u0131:\n# 1. Bah\u015fi\u015f miktar\u0131n\u0131 hesapla: 50 TL * 0.15 = 7.50 TL\n# 2. Toplam tutar\u0131 hesapla: 50 TL + 7.50 TL = 57.50 TL\n# Sonu\u00e7: Toplamda 57.50 TL \u00f6demeliyim.\n <\/pre>\nPratikte Agentic AI: Ger\u00e7ek D\u00fcnya Uygulamalar\u0131 ve Vaka Analizleri<\/h2>\n
Vaka Analizi 1: Otonom Kod Geli\u015ftirme Asistanlar\u0131<\/h3>\n
\n
Vaka Analizi 2: Ak\u0131ll\u0131 M\u00fc\u015fteri Hizmetleri Ajanlar\u0131<\/h3>\n
\n
Vaka Analizi 3: Bilimsel Ara\u015ft\u0131rma ve Veri Analizi Ajanlar\u0131<\/h3>\n
\n
\n
\n \nAjan Tipi<\/th>\n Kulland\u0131\u011f\u0131 Temel Bile\u015fenler<\/th>\n Sa\u011flad\u0131\u011f\u0131 Faydalar<\/th>\n<\/tr>\n<\/thead>\n \n Otonom Kod Geli\u015ftirici<\/td>\n Ara\u00e7 Kullan\u0131m\u0131 (Kod Yorumlay\u0131c\u0131), Planlama, \u00d6z-Yans\u0131tma<\/td>\n Yaz\u0131l\u0131m geli\u015ftirmeyi h\u0131zland\u0131r\u0131r, hata oran\u0131n\u0131 azalt\u0131r, geli\u015ftirici verimlili\u011fini art\u0131r\u0131r.<\/td>\n<\/tr>\n \n Ak\u0131ll\u0131 M\u00fc\u015fteri Hizmetleri<\/td>\n Haf\u0131za Y\u00f6netimi (Vekt\u00f6r DB), Ara\u00e7 Kullan\u0131m\u0131 (CRM API), Planlama<\/td>\n M\u00fc\u015fteri memnuniyetini art\u0131r\u0131r, insan temsilci y\u00fck\u00fcn\u00fc azalt\u0131r, ki\u015fiselle\u015ftirilmi\u015f deneyim sunar.<\/td>\n<\/tr>\n \n Bilimsel Ara\u015ft\u0131rma Asistan\u0131<\/td>\n Ara\u00e7 Kullan\u0131m\u0131 (Web Arama, Veri Analiz), Haf\u0131za Y\u00f6netimi (Bilgi Bankas\u0131), Planlama<\/td>\n Ara\u015ft\u0131rma s\u00fcrecini h\u0131zland\u0131r\u0131r, daha geni\u015f veri analizi, yeni ke\u015fiflere yol a\u00e7ar.<\/td>\n<\/tr>\n<\/tbody>\n<\/table><\/div>\n Geli\u015fmi\u015f Stratejiler ve Optimizasyon: Daha Yetenekli Ajanlar Nas\u0131l Olu\u015fturulur?<\/h2>\n
\n
Mobil Uyumlu Bir Agentic AI Deneyimi Nas\u0131l Sunulur?<\/h2>\n
media query<\/code>, taray\u0131c\u0131n\u0131n ekran geni\u015fli\u011fi, y\u00fcksekli\u011fi, cihaz\u0131n t\u00fcr\u00fc gibi \u00f6zelliklerine g\u00f6re farkl\u0131 CSS kurallar\u0131n\u0131n uygulanmas\u0131n\u0131 sa\u011flar. \u00d6rne\u011fin, bir masa\u00fcst\u00fc ekran\u0131nda \u00fc\u00e7 s\u00fctunlu bir d\u00fczen varken, k\u00fc\u00e7\u00fck ekranl\u0131 bir telefonda bu s\u00fctunlar\u0131n alt alta y\u0131\u011f\u0131lmas\u0131n\u0131 sa\u011flayabiliriz. Bu, Agentic AI ile etkile\u015fim kurulan aray\u00fczlerin (\u00f6rne\u011fin, bir ajan kontrol paneli veya sohbet penceresi) her cihazda okunabilir, kullan\u0131labilir ve estetik g\u00f6r\u00fcnmesini sa\u011flar.<\/p>\nmedia query<\/code> \u00f6rne\u011fi:<\/p>\n\n