B\u00fcy\u00fck Dil Modelleri (LLM’ler) hayat\u0131m\u0131z\u0131n vazge\u00e7ilmez bir par\u00e7as\u0131 haline gelse de, ger\u00e7ek d\u00fcnyayla etkile\u015fim kurma yetenekleri s\u0131n\u0131rl\u0131d\u0131r. \u0130\u015fte tam bu noktada “Ara\u00e7 \u00c7a\u011f\u0131ran Yapay Zeka” (Tool-Calling AI) devreye giriyor. Bu makalede, s\u0131f\u0131rdan bir Tool-Calling AI in\u015fa etme maceram\u0131 ve bu s\u00fcre\u00e7te kar\u015f\u0131la\u015ft\u0131\u011f\u0131m hatalar\u0131n bana \u00f6\u011frettiklerini samimi bir dille aktaraca\u011f\u0131m.<\/p>\n
D\u00fc\u015f\u00fcn\u00fcn ki, bir yapay zeka sadece sizinle sohbet etmekle kalm\u0131yor, ayn\u0131 zamanda randevu planlayabiliyor, hava durumunu kontrol edebiliyor veya hatta karma\u015f\u0131k bir finansal analizi an\u0131nda ger\u00e7ekle\u015ftirebiliyor. \u0130\u015fte Tool-Calling AI’lar tam olarak bunu m\u00fcmk\u00fcn k\u0131l\u0131yor. Temelde, bir B\u00fcy\u00fck Dil Modeli’nin (LLM) d\u0131\u015f d\u00fcnyadaki \u00e7e\u015fitli fonksiyonlar\u0131, API’leri veya harici sistemleri kullanabilmesi yetene\u011fini ifade eder. LLM, kullan\u0131c\u0131n\u0131n talebini anlar, bu talebi yerine getirmek i\u00e7in hangi araca (fonksiyona) ihtiyac\u0131 oldu\u011funu belirler, gerekli parametreleri \u00e7\u0131kar\u0131r ve arac\u0131 \u00e7a\u011f\u0131r\u0131r. Ard\u0131ndan, arac\u0131n d\u00f6nd\u00fcrd\u00fc\u011f\u00fc sonucu yorumlayarak kullan\u0131c\u0131ya do\u011fal bir dille sunar. Bu mekanizma, LLM’lerin kendi s\u0131n\u0131rl\u0131 bilgi setlerinin \u00f6tesine ge\u00e7mesini sa\u011flayarak onlara ger\u00e7ek zamanl\u0131 bilgi eri\u015fimi, karma\u015f\u0131k hesaplamalar yapma ve fiziksel d\u00fcnyada eylemler ger\u00e7ekle\u015ftirme g\u00fcc\u00fc verir.<\/p>\n
Peki, bu neden bu kadar \u00f6nemli? \u00d6ncelikle, do\u011fruluk ve g\u00fcncellik<\/strong> sa\u011flar. LLM’ler e\u011fitildikleri veri setleriyle s\u0131n\u0131rl\u0131d\u0131r ve bu veriler genellikle birka\u00e7 ay veya y\u0131l \u00f6ncesine aittir. Bir Tool-Calling AI, g\u00fcncel finansal piyasa verilerini, spor sonu\u00e7lar\u0131n\u0131 veya hava durumu bilgilerini do\u011frudan kaynaklardan \u00e7ekerek LLM’in “hal\u00fcsinasyon” yapma (yani yanl\u0131\u015f veya uydurma bilgi \u00fcretme) olas\u0131l\u0131\u011f\u0131n\u0131 azalt\u0131r. \u0130kincisi, yetkinlik alan\u0131n\u0131 geni\u015fletir<\/strong>. LLM’ler metin \u00fcretmede harikad\u0131r ancak matematiksel i\u015flemler, veri analizi veya veritaban\u0131 sorgulama gibi konularda yetersiz kalabilirler. Bu t\u00fcr ara\u00e7larla entegrasyon, yapay zekan\u0131n \u00e7ok daha geni\u015f bir g\u00f6rev yelpazesini yerine getirmesini sa\u011flar. \u00dc\u00e7\u00fcnc\u00fcs\u00fc, eylem yetene\u011fi kazand\u0131r\u0131r<\/strong>. Sadece bilgi vermekle kalmaz, eyleme ge\u00e7ebilir. Bir takvime etkinlik eklemek, bir e-posta g\u00f6ndermek veya bir sistemi otomatize etmek gibi g\u00f6revler, Tool-Calling AI’lar sayesinde m\u00fcmk\u00fcn hale gelir. Bu yetenek, i\u015f s\u00fcre\u00e7lerinde otomasyonu h\u0131zland\u0131r\u0131r ve kullan\u0131c\u0131 deneyimini zenginle\u015ftirir. \u00d6rne\u011fin, bir m\u00fc\u015fteri hizmetleri botu, sadece sorular\u0131 yan\u0131tlamakla kalmay\u0131p, do\u011frudan sipari\u015f verebilir veya iade talebi olu\u015fturabilir. Bu da hem verimlili\u011fi art\u0131r\u0131r hem de kullan\u0131c\u0131 memnuniyetini y\u00fckseltir.<\/p>\n Bu yeteneklerin birle\u015fimi, Tool-Calling AI’lar\u0131 sadece bir teknolojik yenilik olmaktan \u00e7\u0131kar\u0131p, yapay zekan\u0131n ger\u00e7ek d\u00fcnyadaki problem \u00e7\u00f6zme kapasitesini k\u00f6kten de\u011fi\u015ftiren bir paradigmaya d\u00f6n\u00fc\u015ft\u00fcr\u00fcyor. Kullan\u0131c\u0131lar\u0131n ihtiya\u00e7lar\u0131na daha dinamik, do\u011fru ve etkile\u015fimli yan\u0131tlar verebilen sistemler olu\u015fturmak i\u00e7in bu teknoloji, art\u0131k l\u00fcks de\u011fil, bir zorunluluktur. Kendi Tool-Calling AI’\u0131m\u0131 in\u015fa ederken, bu temel prensipleri anlad\u0131k\u00e7a, kar\u015f\u0131la\u015ft\u0131\u011f\u0131m her hatan\u0131n asl\u0131nda sistemin daha sa\u011flam ve yetenekli hale gelmesi i\u00e7in bir f\u0131rsat oldu\u011funu fark ettim. \u00d6rne\u011fin, ba\u015flang\u0131\u00e7ta LLM’in s\u00fcrekli “Bunu yapamam” yan\u0131tlar\u0131 vermesi, ara\u00e7 tan\u0131mlar\u0131m\u0131n yeterince a\u00e7\u0131k olmad\u0131\u011f\u0131n\u0131 veya LLM’in ba\u011flam\u0131 do\u011fru bir \u015fekilde anlamad\u0131\u011f\u0131n\u0131 g\u00f6steriyordu. Bu t\u00fcr aksakl\u0131klar, beni daha iyi prompt m\u00fchendisli\u011fi ve ara\u00e7 tasar\u0131m\u0131 \u00fczerine d\u00fc\u015f\u00fcnmeye itti. G\u00fcn\u00fcm\u00fcz rekabet\u00e7i dijital ortam\u0131nda, s\u0131radan bir sohbet botundan \u00f6te, ger\u00e7ek katma de\u011fer sa\u011flayan, ak\u0131ll\u0131 asistanlar ve otomasyon sistemleri geli\u015ftirmek isteyen herkes i\u00e7in Tool-Calling AI’lar, mutlaka ustala\u015f\u0131lmas\u0131 gereken bir alan haline gelmi\u015ftir.<\/p>\n Bir Tool-Calling AI sistemi in\u015fa etmek, sadece bir LLM’i API’lere ba\u011flamaktan \u00e7ok daha fazlas\u0131n\u0131 gerektiren katmanl\u0131 bir s\u00fcre\u00e7tir. Bu s\u00fcrecin kalbinde, LLM’in “hangi arac\u0131 ne zaman ve hangi parametrelerle kullanaca\u011f\u0131na” karar vermesini sa\u011flayan bir orkestrasyon mekanizmas\u0131 yatar. Temel mimariyi ad\u0131m ad\u0131m inceleyelim:<\/p>\n 1. Kullan\u0131c\u0131 Girdisi ve Prompt M\u00fchendisli\u011fi:<\/strong> Her \u015fey kullan\u0131c\u0131n\u0131n bir taleple ba\u015flamas\u0131yla ba\u015flar. “Bana yar\u0131n \u0130stanbul’daki hava durumunu s\u00f6yle” veya “Son \u00fc\u00e7 aydaki sat\u0131\u015f raporunu \u00f6zetle” gibi. Bu talep, LLM’e iletilmeden \u00f6nce genellikle bir sistem prompt’u ile birle\u015ftirilir. Sistem prompt’u, LLM’e onun bir Tool-Calling ajan\u0131 oldu\u011funu, hangi ara\u00e7lara sahip oldu\u011funu ve bu ara\u00e7lar\u0131 nas\u0131l kullanmas\u0131 gerekti\u011fini anlat\u0131r. Bu, LLM’in do\u011fru kararlar almas\u0131 i\u00e7in kritik bir talimat setidir.<\/p>\n 2. Ara\u00e7 Tan\u0131mlar\u0131 (Tool Definitions):<\/strong> Bu, sistemin kalbindeki en \u00f6nemli bile\u015fenlerden biridir. Her bir arac\u0131n (fonksiyonun) ne i\u015fe yarad\u0131\u011f\u0131, hangi parametreleri ald\u0131\u011f\u0131 ve bu parametrelerin veri tipleri a\u00e7\u0131k\u00e7a tan\u0131mlan\u0131r. Bu tan\u0131mlar, genellikle bir JSON \u015femas\u0131 veya benzeri yap\u0131land\u0131r\u0131lm\u0131\u015f bir formatla LLM’e sunulur. \u00d6rne\u011fin, bir hava durumu arac\u0131 i\u00e7in “\u015fehir” ve “tarih” parametreleri gerekebilir. Bu tan\u0131mlar, LLM’in kullan\u0131c\u0131 girdisini analiz edip hangi arac\u0131n uygun oldu\u011funu ve o ara\u00e7 i\u00e7in hangi bilgileri \u00e7\u0131karmas\u0131 gerekti\u011fini anlamas\u0131na yard\u0131mc\u0131 olur.<\/p>\n <\/code><\/p>\n 3. LLM (Large Language Model) ve Ara\u00e7 Se\u00e7imi:<\/strong> Kullan\u0131c\u0131n\u0131n talebi ve ara\u00e7 tan\u0131mlar\u0131 LLM'e g\u00f6nderildi\u011finde, LLM bu bilgileri i\u015fler. Kendi i\u00e7 mant\u0131\u011f\u0131na ve e\u011fitim verilerine dayanarak, kullan\u0131c\u0131n\u0131n niyetini anlar ve bu niyetle en iyi e\u015fle\u015fen arac\u0131 belirlemeye \u00e7al\u0131\u015f\u0131r. E\u011fer bir ara\u00e7 gerekiyorsa, LLM, bu arac\u0131 \u00e7a\u011f\u0131rmak i\u00e7in gerekli parametreleri \u00e7\u0131kar\u0131r ve genellikle yap\u0131land\u0131r\u0131lm\u0131\u015f bir JSON \u00e7\u0131kt\u0131s\u0131 olarak sunar. Bu \u00e7\u0131kt\u0131, asl\u0131nda LLM'in \"\u015eu arac\u0131, bu parametrelerle \u00e7a\u011f\u0131r!\" komutudur.<\/p>\n <\/code><\/p>\n 4. Orkestrat\u00f6r (Orchestrator):<\/strong> Bu, sistemin beynidir. LLM'den gelen ara\u00e7 \u00e7a\u011fr\u0131s\u0131 iste\u011fini al\u0131r, do\u011frular ve ilgili arac\u0131 (fonksiyonu) ger\u00e7ekte \u00e7al\u0131\u015ft\u0131r\u0131r. E\u011fer LLM'in \u00e7\u0131kt\u0131s\u0131 yanl\u0131\u015f bir formatta ise veya eksik parametreler i\u00e7eriyorsa, orkestrat\u00f6r bunu yakalar ve LLM'e geri bildirim sa\u011flayabilir veya hata mesaj\u0131 d\u00f6nd\u00fcrebilir. Ba\u015far\u0131l\u0131 bir \u00e7a\u011fr\u0131 durumunda, arac\u0131n d\u00f6nd\u00fcrd\u00fc\u011f\u00fc sonucu al\u0131r.<\/p>\n 5. Ara\u00e7 Y\u00fcr\u00fctme (Tool Execution):<\/strong> Orkestrat\u00f6r taraf\u0131ndan tetiklenen ara\u00e7, d\u0131\u015f d\u00fcnyaya ger\u00e7ek API \u00e7a\u011fr\u0131s\u0131n\u0131 yapar. \u00d6rne\u011fin, bir hava durumu API'sine \"\u0130stanbul\" ve \"2024-11-15\" parametreleriyle bir HTTP iste\u011fi g\u00f6nderir. Bu API'den gelen yan\u0131t (\u00f6rne\u011fin, \"\u0130stanbul'da 15 Kas\u0131m'da par\u00e7al\u0131 bulutlu ve 12 derece olacak\"), araca geri d\u00f6ner.<\/p>\n 6. Sonu\u00e7 Yorumlama ve Kullan\u0131c\u0131 Yan\u0131t\u0131:<\/strong> Arac\u0131n d\u00f6nd\u00fcrd\u00fc\u011f\u00fc sonu\u00e7, tekrar LLM'e iletilir. LLM, bu ham veriyi al\u0131r, yorumlar ve kullan\u0131c\u0131ya do\u011fal, anla\u015f\u0131l\u0131r bir dilde bir yan\u0131t olu\u015fturur. \"\u0130stanbul'da 15 Kas\u0131m 2024 tarihinde beklenen hava durumu par\u00e7al\u0131 bulutlu ve s\u0131cakl\u0131k 12 santigrat derece olacak.\" gibi bir c\u00fcmle, kullan\u0131c\u0131n\u0131n orijinal sorusuna verilen nihai yan\u0131tt\u0131r.<\/p>\nMimariyi Kurmak: Bir Tool-Calling AI Nas\u0131l \u0130\u015fler ve Bile\u015fenleri Nelerdir?<\/h2>\n
\n{\n \"name\": \"hava_durumu_getir\",\n \"description\": \"Belirtilen \u015fehir ve tarih i\u00e7in hava durumu bilgisini getirir.\",\n \"parameters\": {\n \"type\": \"object\",\n \"properties\": {\n \"sehir\": {\n \"type\": \"string\",\n \"description\": \"Hava durumu \u00f6\u011frenilmek istenen \u015fehir ad\u0131\"\n },\n \"tarih\": {\n \"type\": \"string\",\n \"format\": \"date\",\n \"description\": \"Hava durumu \u00f6\u011frenilmek istenen tarih (YYYY-MM-DD)\"\n }\n },\n \"required\": [\"sehir\", \"tarih\"]\n }\n}\n<\/pre>\n\n{\n \"tool_calls\": [\n {\n \"function\": {\n \"name\": \"hava_durumu_getir\",\n \"arguments\": {\n \"sehir\": \"\u0130stanbul\",\n \"tarih\": \"2024-11-15\"\n }\n }\n }\n ]\n}\n<\/pre>\n