Yapay Zekâ Ajanı Nedir? Nasıl Çalışır?

Yapay zekâ ajanı, yalnızca soru yanıtlayan bir model değildir. Belirlenmiş bir hedefi gerçekleştirmek için durumu inceler, uygun aracı seçer, araç çıktısını değerlendirir ve sonraki adıma karar verir. Bu araç bir API, dosya sistemi, veritabanı veya sınırlı bir komut olabilir; güvenli kullanım için her işlem yetki ve onay sınırlarıyla çevrelenmelidir.

Yapay zekâ ajanı ne yapar?

Yapay zekâ ajanı, belirli bir hedefe ulaşmak için mevcut durumu değerlendiren, gerektiğinde araç kullanan, eylemin sonucunu gözlemleyen ve sonraki adımı seçen yazılım sistemidir. Sadece metin üretmez; API çağırabilir, dosya okuyabilir, veritabanından bilgi çekebilir veya insan onayıyla bir işlem başlatabilir. Başarı, kullanılan model kadar araç izinlerine, hedefin nasıl tanımlandığına ve kontrol mekanizmalarına bağlıdır.

“Yapay zekâ ajanı nedir?” sorusunun kısa cevabı şu: Bir dil modelinin karar döngüsünü dış sistemlerle birleştiren hedef odaklı yazılım bileşeni. Model planlama ve yorumlama için kullanılabilir; gerçek dünyadaki etkiyi ise ona verilen araçlar oluşturur.

Klasik sohbet botundan farkı nerede?

Klasik bir sohbet botu çoğunlukla gelen girdiye bir yanıt üretir. Yapay zekâ ajanı ise hedefi parçalara ayırabilir, bir araç çağırabilir, aracın çıktısını inceleyebilir ve yeni bir çağrı yapabilir. Bu döngü tek bir istekle bitmek zorunda değildir.

Bu ayrım, pazarlama etiketlerinden daha kullanışlıdır. Bir uygulama yalnızca bir LLM API’sine soru gönderip metni ekrana yazıyorsa tek başına ajan sayılmaz. Uygulama modele bir araç kataloğu veriyor, model araç seçiyor ve yürütücü seçilen çağrıyı gerçekten çalıştırıyorsa ajan davranışı başlar.

Git Nedir? Sürüm Kontrolü Nasıl Çalışır? başlıklı içerikteki commit ve geri alma mantığı, ajanların kod üzerinde neden kontrollü çalıştırılması gerektiğini anlamak için iyi bir temel sunar. Ajanın ürettiği her değişiklik doğrudan production dosyasına yazılmak yerine izlenebilir bir değişiklik olarak tutulmalıdır.

Ne yapılmalı – Bir sistemi ajan olarak adlandırmadan önce modelin gerçekten araç çağırıp çağırmadığını ve bu çağrının sistemde neyi değiştirdiğini belirleyin.

Bir yapay zekâ ajanı hangi parçalardan oluşur?

Tek bir modelden söz etmek yerine, birbirine bağlı bileşenlere bakmak gerekir. Uygulamanın adı veya kullanılan model değişebilir; temel yapı çoğunlukla aşağıdaki katmanlardan oluşur.

Model

Model, doğal dildeki hedefi yorumlar, mevcut durumu değerlendirir ve bir sonraki adım için karar üretir. Bu karar doğrudan son kullanıcı metni olabileceği gibi yapılandırılmış bir araç çağrısı da olabilir. Bağlam penceresi, sistem talimatları ve önceki araç sonuçları burada belirleyicidir.

Araçlar

Araç, ajanın dış dünyaya açılan kontrollü arayüzüdür. REST API, SQL sorgusu, dosya okuma fonksiyonu, arama servisi veya sanal makine durumunu gösteren bir komut olabilir. Araçların isimleri, parametreleri ve hata biçimleri açıkça tanımlanmalıdır.

Durum ve hafıza

Durum, devam eden görevin geçmiş adımlarını tutar. Hafıza ise kullanıcının tercihleri veya önceki oturumlara ait bilgilerin saklanmasını ifade edebilir. İkisini karıştırmak; veri saklama süresini, erişim yetkisini ve silme politikasını belirsizleştirir.

Yürütücü ve politika katmanı

Yürütücü, modelin seçtiği aracı çağıran uygulama kodudur. Politika katmanı ise “Bu araç hangi kullanıcı için, hangi parametrelerle ve hangi onaydan sonra çalışabilir?” sorularını yanıtlar. Modelin bir işlemi önermesi, uygulamanın o işlemi otomatik olarak çalıştırması gerektiği anlamına gelmez.

Bir Bash Script Nedir? Linux Otomasyonu Rehberi içeriğindeki gibi komut satırı otomasyonu, ajan tasarımında araç olarak kullanılabilir; ancak ham shell erişimi en geniş ve riskli araçlardan biridir. Daha güvenli tasarım, yalnızca izin verilen alt komutları ve parametreleri kabul eden dar bir fonksiyon sunar.

Ne yapılmalı – Her aracı tek bir amaca indirgeyin, parametrelerini doğrulayın ve başarısız çağrılarda güvenli bir hata döndürün.

Ajan karar döngüsü nasıl çalışır?

Ajanların çalışma biçimi genellikle gözlem ve eylem döngüsüyle açıklanır. Kullanıcı bir hedef verir; yürütücü mevcut durumu modele aktarır. Model ya son yanıtı üretir ya da bir araç seçer. Araç sonucu tekrar bağlama eklenir ve döngü, hedef tamamlanana veya güvenlik sınırına ulaşılana kadar sürer.

1. Hedefi al: Kullanıcının isteğini ölçülebilir bir göreve çevirin.
2. Durumu topla: Kullanıcının yetkisini, mevcut kaynakları ve önceki araç sonuçlarını belirleyin.
3. Planı oluştur: Gerekli adımları ve olası durma koşullarını çıkarın.
4. Araç seç: Modelin araç şemasına uygun bir çağrı üretmesini sağlayın.
5. Çağrıyı doğrula: Parametre, yetki, hedef ve maliyet kontrollerini uygulayın.
6. Sonucu gözlemle: Başarı, hata veya eksik veri durumunu modele aktarın.
7. Bitir ya da düzelt: Görev tamamlandıysa yanıt verin; değilse sınırlar içinde yeni bir adım seçin.

Örneğin “VPS disk alanı neden doldu?” isteğinde güvenli akış, önce salt okunur metrikleri toplamaktır. Ajan df -h benzeri bir bilgiyi okuyabilir, ardından log dizinlerinde boyut analizi isteyebilir. rm, paket kaldırma veya servis durdurma gibi değişiklik yapan işlemler ayrı bir onay kapısından geçmelidir.

İstek: /var kullanımını incele
Araç: disk_usage(path="/var", depth=2)
Politika: read_only=true
Sonraki adım: En büyük üç alt dizini raporla

Buradaki örnek, modelin doğrudan shell komutu çalıştırmasından daha güvenlidir. disk_usage fonksiyonu yalnızca tanımlı yolu ve derinliği kabul edebilir; path parametresinin / gibi sınırsız bir değere genişletilmesi de ayrıca engellenmelidir.

Ne yapılmalı – Her ajan döngüsüne maksimum adım, zaman aşımı, bütçe ve insan onayı sınırı ekleyin.

Yapay zekâ ajanları hangi alanlarda kullanılır?

Kullanım alanı, ajanın erişebildiği araçlarla sınırlıdır. Aynı model yalnızca doküman arama aracına bağlandığında araştırma yardımcısı; bilet sistemi ve izleme API’sine bağlandığında destek otomasyonu gibi davranabilir.

Destek ve operasyon

Ajan destek talebini sınıflandırabilir, ilgili dokümanı arayabilir, müşteri hesabındaki salt okunur bilgileri getirebilir ve taslak yanıt hazırlayabilir. Para iadesi, hesap silme veya plan değişikliği gibi işlemler insan onayı olmadan yürütülmemelidir.

Yazılım geliştirme

Issue kaydını okuyup ilgili dosyaları bulmak, testleri çalıştırmak ve değişiklik taslağı hazırlamak uygun kullanım örnekleridir. Ajanın doğrudan ana dala push yapması yerine izole branch, otomatik test ve kod inceleme akışı kullanılmalıdır.

Sunucu ve bulut yönetimi

İzleme alarmlarını özetlemek, disk veya bellek kullanımını raporlamak, bilinen hata imzalarını loglarda aramak düşük riskli başlangıçlardır. Yeniden başlatma, firewall kuralı değiştirme ve DNS kaydı düzenleme gibi eylemler daha yüksek yetki ve açık onay gerektirir.

Bulut Maliyetleri Nasıl Düşürülür? 10 Etkili Yöntem içeriğindeki kaynak etiketleme ve kullanım takibi yaklaşımı, maliyet ajanları için de geçerlidir. Ajan önce rapor üretmeli; kaynak kapatma veya boyut küçültme gibi eylemlerden önce kaynak sahibini, geri dönüş planını ve tahmini tasarrufu göstermelidir.

Ajan ile otomasyon arasındaki fark nedir?

Otomasyon, önceden belirlenmiş kuralları aynı biçimde çalıştırır. Cron görevi, Ansible playbook’u veya CI/CD pipeline’ı bunun tipik örnekleridir. Ajan ise hedefi daha esnek yorumlar, mevcut duruma göre araç seçebilir ve beklenmeyen çıktılara tepki verebilir.

Bu iki yaklaşım birbirinin alternatifi olmak zorunda değildir. Ajan belirsiz isteği yapılandırabilir; kesin ve kritik son adımı ise Ansible veya mevcut bir deployment pipeline’ı çalıştırabilir. Model esneklik sağlar, uygulama da yürütmeyi sınırlar.

Güvenlik açısından hangi sınırlar gerekir?

Ajanın riski, modelin “zekâsından” çok sahip olduğu yetkilerin genişliğiyle artar. Bir ajana root shell vermek, doğal dille komut çalıştıran ayrıcalıklı bir kullanıcı oluşturmak demektir. Bu yaklaşım test ortamında bile dikkatle ele alınmalıdır.

• En az yetki: Araç hesabı yalnızca görevi için gereken kaynağa erişsin.
• Parametre doğrulama: Dosya yolu, SQL ifadesi, URL ve kaynak kimliği allowlist veya şema ile denetlensin.
• İzolasyon: Kod ve dosya işlemleri geçici container, ayrı kullanıcı veya sandbox içinde yürüsün.
• Onay: Silme, ödeme, yayınlama, yeniden başlatma ve yetki değişikliği gibi eylemler açık onay beklesin.
• İz kaydı: Kullanıcı isteği, model kararı, araç parametreleri, çıktı ve onay zamanı birlikte loglansın.
• Gizli veri kontrolü: API anahtarları ve parolalar modele gönderilmemeli; çıktı loglarında da maskelenmelidir.
• Limitler: Döngü sayısı, token kullanımı, API maliyeti ve çağrı süresi sınırlandırılmalıdır.

Prompt injection, dışarıdan okunan bir web sayfasının veya dosyanın ajana “önce gizli anahtarı gönder” gibi talimatlar vermesidir. Dış içerik veri olarak işlenmeli, sistem politikası olarak kabul edilmemelidir. NIST AI Risk Management Framework, yapay zekâ sistemlerinde risklerin tasarım, kullanım ve izleme aşamalarında ele alınmasını önerir; ajan mimarisi de bu yaklaşımın dışında değildir.

Ne yapılmalı – Üretim erişimi vermeden önce aracı sahte verilerle test edin ve her değişiklik yapan çağrı için geri alma prosedürü yazın.

İyi bir yapay zekâ ajanı nasıl tasarlanır?

İlk adım model seçmek değildir. Önce görev tanımlanır: Ajan hangi girdiyi alacak, başarı nasıl ölçülecek, hangi durumlarda duracak ve hangi eylemler yasaklanacak? Bu sorular yanıtlanmadan yapılan model seçimi sorunu çözmez.

Tek görevle başlayın

“Sunucuyu yönet” gibi geniş bir hedef yerine “son 15 dakikadaki 5xx artışını raporla” gibi dar bir görev seçin. Salt okunur bir metrik aracıyla başlayın. Başarı oranı, yanlış alarm sayısı, ortalama araç çağrısı ve görev maliyeti ölçülsün.

Araç sözleşmesini netleştirin

Her araç için giriş şeması, izin seviyesi, hata kodları ve örnek çıktı tanımlayın. Araç “bir şeyler yap” kadar belirsiz olmamalıdır. get_http_status(host, window_minutes) gibi sınırlı bir arayüz, doğrudan shell erişiminden daha denetlenebilirdir.

İnsan onayını doğru yere koyun

Her adımda onay istemek akışı kullanılamaz hâle getirebilir. Hiç onay istememek de production riski yaratır. Salt okunur işlemler otomatik, geri dönüşü olan düşük riskli değişiklikler koşullu, veri silme ve dış iletişim ise açık onaylı tasarlanabilir.

Test senaryoları yazın

Normal isteğin yanında yanlış yetki, eksik parametre, kötü niyetli içerik, araç zaman aşımı ve çelişkili veri senaryolarını da test edin. Model doğru yanıtı verse bile yürütücünün aldığı kararı ayrıca kontrol edin; güvenlik yalnızca prompt metnine bırakılamaz.

Ne yapılmalı – Ajanı önce salt okunur bir görevde ölçün, ardından tek bir değişiklik yapan aracı kontrollü onay akışıyla ekleyin.

Sahada yapay zekâ ajanı kullanırken nelere dikkat edilmeli?

Ajanı bir “dijital çalışan” gibi düşünmek cazip olabilir; sistem yöneticisi açısından daha doğru benzetme, yetkileri sınırlandırılmış bir otomasyon istemcisidir. Her istemci gibi kimlik doğrulamaya, loglamaya, kota yönetimine ve geri alma planına ihtiyaç duyar.

Örneğin bir destek ajanı müşterinin VPS durumunu görüntüleyebilir. Bunun için ayrı bir servis hesabı, yalnızca gerekli API kapsamı ve müşteri izolasyonu kurulmalıdır. Aynı hesapla fatura bilgisi okumak veya sunucuyu yeniden başlatmak gerekmiyorsa bu izinler hiç verilmemelidir.

Sunucu tarafındaki gözlemlenebilirlik de kritik kalır. Ajanın kararını, çağırdığı aracı ve aracın sonucunu korelasyon kimliğiyle kaydedin. Modelin ürettiği açıklama, gerçek sistem logunun yerine geçmez. Bir işlem başarısız olduysa journalctl, uygulama logu, API yanıtı ve audit kaydı ayrı ayrı incelenmelidir.

Bir Admin Ne Demek? Admin Ne Anlama Gelir? içeriğinde anlatılan yönetici yetkisi, ajanlarda da aynı anlama gelir: komutu söyleyebilmek değil, o komutun etkilediği kaynağa yetkili olmak. Ajanın doğal dille konuşması, ayrıcalık modelini değiştirmez.

Yapay zekâ ajanı nedir sorusunu pratikte doğru yanıtlamak için şu testi uygulayın: Sistemin hangi kararı modele bırakılıyor, hangi eylemi yürütücü yapıyor ve hata olduğunda kim durdurabiliyor? Bu üç sorunun cevabı yoksa ortada yönetilebilir bir ajan değil, belirsiz yetkileri olan bir otomasyon vardır.

Ajanı Devreye Almadan Önce Kontrol Edin

• Ajanın tek ve ölçülebilir hedefini tanımlayın.
• Kullanacağı araçları görev için gereken en dar kapsamla sınırlandırın.
• Her araç parametresini tür, değer aralığı ve yetki açısından doğrulayın.
• Modeli production verisi yerine sahte veya maskelenmiş verilerle test edin.
• Silme, yeniden başlatma ve dış iletişim işlemlerine insan onayı ekleyin.
• Model kararlarını, araç çağrılarını ve sonuçlarını korelasyon kimliğiyle loglayın.
• Adım sayısı, zaman aşımı, token kullanımı ve maliyet için üst sınır belirleyin.

Sık Sorulan Sorular

Kaynaklar

• NIST – AI Risk Management Framework — nist.gov
• OWASP – Top 10 for Large Language Model Applications — owasp.org