“Agentic AI” 2026’nın en çok konuşulan terimi ve Türkçe yazılan içeriğin büyük kısmı aynı yerden bakıyor: kurumsal dijital dönüşüm, verimlilik artışı, otomatik müşteri hizmetleri. Hepsi doğru ama hiçbiri şu soruyu cevaplamıyor: bu şey teknik olarak nasıl çalışıyor?
Bu yazı oradan bakıyor. Döngünün nasıl döndüğünü, hangi bileşenin gerçekte araç kodunu çalıştırdığını, belleğin neden 2026’da ayrı bir mimari katman haline geldiğini ve bu sistemlerin nerede kırıldığını anlatıyorum 🤖
Agentic AI Nedir?
Yapay zeka ajanı, tanımlı bir hedefe ulaşmak için çok adımlı eylemler planlayan ve bunları araçlar kullanarak, adımlar arasında minimum insan müdahalesiyle gerçekleştiren sistemdir.
Farkı en iyi karşılaştırarak anlaşılıyor:
| Geleneksel otomasyon | Üretken yapay zeka | Agentic AI | |
|---|---|---|---|
| Ne yapar | Sabit kuralları izler | İstek üzerine içerik üretir | Görevi baştan sona tamamlar |
| Karar verir mi | Hayır, dallanma önceden yazılı | Hayır, tek atışlık yanıt | Evet, her adımda |
| Araç kullanır mı | Sabit entegrasyonlar | Genelde hayır | Evet, hangisini seçeceğine kendi karar verir |
| Bellek | Durum makinesi | Sadece bağlam penceresi | Kısa ve uzun vadeli, yönetilen |
| Girdi değişince | Kırılır | Yeni çıktı üretir | Planı uyarlar |
Kısaca: üretken yapay zeka soruyu cevaplar, agentic AI işi bitirir.
Gartner’a göre 2026 sonuna kadar kurumsal uygulamaların %40’ında göreve özgü bir yapay zeka ajanı gömülü olacak. Bu oran 2025’te %5’in altındaydı.
Bir yılda bu kadar hızlı yayılan teknoloji az bulunur.
Ajan Döngüsü
Bir ajanı ajan yapan şey model değil, döngü. En yaygın gösterimi PRAO: Perceive, Reason, Act, Observe.
Genişletilmiş hali şöyle işliyor:
Döngü üç durumdan birinde biter: hedefe ulaşılır, bir durdurma koşulu sağlanır, ya da ajan insan girdisi olmadan devam edemeyeceğine karar verir.
Buradaki kritik nokta şu: bu döngü uzun bir ufukta çalışır. Model, adımlar arasında tutarlı davranabilmek için yeterli bağlamı ya korumak ya da yeniden inşa etmek zorunda. Ajan mimarisinin zor kısmı da tam olarak burası, akıl yürütme değil.
Mimari Yığın
Hemen her ajan aynı temel yığına dayanıyor:
| Bileşen | Görevi |
|---|---|
| LLM | Karar verme çekirdeği. Ne yapılacağına karar verir |
| Orchestrator | Döngüyü çalıştıran kontrol programı. Araç kodunu çalıştıran budur |
| Araçlar | Açıklamalarıyla birlikte tanımlanmış fonksiyonlar |
| Bellek | Kısa vadeli (çalışma) ve uzun vadeli (kalıcı) |
Araç kodunu model çalıştırmaz. Model yalnızca “şu aracı şu argümanlarla çağır” diyen yapılandırılmış bir çıktı üretir.
Orchestrator o çağrıyı yakalar, kodu gerçekten çalıştırır, sonucu bağlama geri enjekte eder ve durdurma koşullarını izler. Kritik bileşen modelin kendisi değil, orchestrator’dır.
Bu ayrımı kavramak, ajan sistemlerinde hata ayıklarken en çok işinize yarayacak şey. Bir ajan “yanlış şey yaptığında” sorun genelde modelin akıl yürütmesinde değil, orchestrator’ın döngü, hata ve durdurma yönetimindedir.
ReAct Deseni
2026’da üretimdeki kurumsal sistemlerin çoğu ReAct desenli bir döngü çalıştırıyor: açık araç entegrasyonu, yapılandırılmış bellek ve giderek artan oranda çok ajanlı devretme.
ReAct, “Reasoning” ve “Acting” kelimelerinin birleşimi. Model akıl yürütme ile eylem arasında gidip geliyor:
- Düşünce: Sırada ne yapmam gerektiğine dair bir düşünce formüle eder
- Eylem: Bir aracı çağırır
- Gözlem: Sonucu okur
- Uyarlama: Planını buna göre günceller
Sonra baştan. Desenin gücü, planın baştan tamamen belirlenmemesi. Ajan her gözlemden sonra planı revize edebiliyor, bu da gerçek dünyanın öngörülemezliğine dayanmasını sağlıyor.
Bunun modelin kendi içindeki karşılığı da var. Claude’da adaptive thinking, modelin araç çağrıları arasında düşünmesini sağlıyor (interleaved thinking). Ayrıntısı extended thinking ve adaptive thinking yazısında.
Bellek: Artık Birinci Sınıf Bir Katman
2026’nın en belirgin mimari değişimi bu. Bellek artık “bağlam penceresine ne sığarsa” meselesi değil, üzerine ayrıca çalışılan bağımsız bir katman.
En yaygın yöntem kaydırmalı pencere artı özetleme: bağlam dolmaya yaklaşınca eski turlar özetlenip sıkıştırılıyor ve ham geçmişin yerine bu özet konuyor.
İki bellek tipini ayırmak gerekiyor:
| Tip | Nedir | Ne zaman kaybolur |
|---|---|---|
| Kısa vadeli / çalışma belleği | Mevcut görevin bağlamı, son turlar, araç sonuçları | Görev bitince veya sıkıştırılınca |
| Uzun vadeli bellek | Kalıcı bilgi, önceki oturumlardan öğrenilenler, kullanıcı tercihleri | Açıkça silinene kadar kalır |
Uzun soluklu ajan görevlerinde asıl kalite farkını yaratan şey genelde daha iyi bir model değil, daha iyi bellek yönetimi oluyor.
Araç Katmanı ve MCP
Ajanın araçlara nasıl bağlandığı ayrı bir problem. Her entegrasyonu elle yazarsanız her araç için her ajan çerçevesinde ayrı kod yazmanız gerekir.
MCP (Model Context Protocol) bu problemi çözmek için çıktı. Entegrasyonu bir kez yazarsınız, protokolü konuşan her ajan kullanır. Ajanın araç katmanını standartlaştırdığı için agentic AI yığınının doğal parçası haline geldi.
Ekosistem tarafındaki büyüme de bunu doğruluyor: MCP’nin aylık SDK indirmesi Mart 2026’da 97 milyona ulaştı ve MCP sunucularının en yoğun olduğu kategori geliştirici araçları, yani ilk dalga tam olarak ajansal geliştirme araçları oldu.
Tam Otonomi Diye Bir Şey Yok
Pazarlama dilinin en çok yanılttığı yer burası. 2026’da üretime alınmış agentic sistemler tamamen denetimsiz çalışacak şekilde tasarlanmıyor. Tasarım hedefi kalibre edilmiş insan denetimi: insan en çok önem taşıyan noktalarda müdahale eder, geri kalanında döngünün dışında kalır.
Pratikte bu şu demek:
- Geri dönüşü olmayan eylemler (ödeme, silme, dağıtım, mesaj gönderme) onaya bağlanır
- Ajanın araç erişimi görevin gerektirdiği minimumla sınırlanır
- Durdurma koşulları açıkça tanımlanır, “hedefe ulaşana kadar” yeterli bir koşul değildir
- Adım sayısı ve maliyet için tavan konur
Bunun somut bir örneğini görmek isterseniz Claude Code’un hook mekanizması tam olarak bu işi yapıyor: bir kuralı modelin insafına bırakmak yerine deterministik kodla dayatıyor. Claude Code özelleştirme rehberinde anlattım.
Ajanlar Nerede Kırılır?
Deneyimden ve literatürden çıkan tekrar eden başarısızlık kalıpları:
1. Bağlam çürümesi. Uzun görevlerde ajan başlangıçtaki hedefi kaybediyor. Sıkıştırma sırasında kritik kısıt özet dışında kalıyor ve ajan yasak olan şeyi yapıyor.
2. Döngüye girme. Aynı aracı aynı argümanlarla tekrar tekrar çağırma. Orchestrator’da tekrar tespiti yoksa ajan bütçeyi tüketene kadar döner.
3. Araç açıklaması belirsizliği. İki aracın açıklaması benzerse model yanlış olanı seçer. Sorun modelde değil, araç tanımlarında.
4. Sessiz başarısızlık. Araç hata döner, ajan hatayı okur, görmezden gelir ve sanki başarılı olmuş gibi devam eder. Hata yollarının bağlama nasıl enjekte edildiği kritik.
5. Durdurma koşulu eksikliği. “Hedefe ulaşınca dur” ölçülebilir bir koşul değil. Ajan hedefe ulaştığını sanır ya da hiç ulaşamaz.
6. Maliyet patlaması. Her döngü turu token yakar. Adım tavanı ve bütçe kontrolü olmadan uzun görevler beklenmedik faturalar üretir. Kendi iş yükünüzü LLM maliyet hesaplayıcısıyla kabaca çıkarabilirsiniz.
Sıkça Sorulan Sorular (SSS)
Agentic AI nedir? Agentic AI, tanımlı bir hedefe ulaşmak için çok adımlı eylemler planlayan ve bunları araçlar kullanarak, adımlar arasında minimum insan müdahalesiyle gerçekleştiren sistemleri ifade eder. Sabit kuralları izleyen geleneksel otomasyondan ve istek üzerine içerik üreten üretken yapay zekadan farkı, akıl yürütme, bellek ve araç kullanımını birleştirerek görevi baştan sona tamamlamasıdır.
Yapay zeka ajanı nasıl çalışır? Ajan bir döngü üzerinde çalışır: hedefi alır, durumu algılar, ne yapması gerektiğine dair akıl yürütür, adımı planlar, bir aracı çağırır, sonucu gözlemler, belleğini günceller ve akıl yürütmeye geri döner. Döngü hedefe ulaşılınca, bir durdurma koşulu sağlanınca veya ajan insan girdisi olmadan devam edemeyeceğine karar verince biter.
Ajan mimarisinde orchestrator ne yapar? Orchestrator, döngüyü çalıştıran kontrol programıdır ve araç kodunu gerçekte çalıştıran bileşendir. Model yalnızca hangi aracın hangi argümanlarla çağrılacağını belirten yapılandırılmış bir çıktı üretir. Orchestrator bu çağrıyı yakalar, çalıştırır, sonucu bağlama geri enjekte eder ve durdurma koşullarını izler.
ReAct deseni nedir? ReAct, Reasoning ve Acting kelimelerinin birleşimidir ve modelin akıl yürütme ile eylem arasında gidip gelmesini tanımlar. Model önce sırada ne yapacağına dair bir düşünce formüle eder, sonra bir aracı çağırır, gözlemi okur ve planını buna göre günceller. 2026’da üretimdeki kurumsal sistemlerin çoğu bu deseni kullanır.
Ajan belleği neden önemli? Uzun soluklu görevlerde model adımlar arasında tutarlı davranabilmek için yeterli bağlamı korumak veya yeniden inşa etmek zorundadır. 2026’da bellek kendi kıyaslama paketi ve araştırma literatürü olan ayrı bir mimari bileşen haline geldi. Yaygın stratejilerden biri, bağlam bir eşiğe yaklaştığında eski turları özetleyip sıkıştıran kaydırmalı penceredir.
Agentic AI ile MCP arasındaki ilişki nedir? MCP, ajanın araç katmanını standartlaştıran açık bir protokoldür. Her entegrasyonu her ajan çerçevesi için ayrı yazmak yerine MCP sunucusu bir kez yazılır ve protokolü destekleyen her ajan kod değişikliği olmadan kullanır. Bu yüzden agentic AI yığınının doğal bir parçası haline gelmiştir.
Yapay zeka ajanları tamamen otonom mu çalışıyor? Hayır. 2026’da üretime alınmış agentic sistemler tamamen denetimsiz çalışacak şekilde tasarlanmıyor, kalibre edilmiş insan denetimiyle çalışıyor. İnsan en çok önem taşıyan noktalarda müdahale eder, geri kalanında döngünün dışında kalır. Geri dönüşü olmayan eylemler onaya bağlanır ve araç erişimi görevin gerektirdiği minimumla sınırlanır.
Ajan sistemleri en çok nerede hata yapar? Tekrar eden başarısızlık kalıpları şunlardır: uzun görevlerde bağlam sıkıştırılırken kritik kısıtların kaybolması, aynı aracı tekrar tekrar çağırarak döngüye girme, benzer araç açıklamaları yüzünden yanlış araç seçimi, araç hatalarının görmezden gelinerek sessiz başarısızlık, ölçülebilir durdurma koşulu tanımlanmaması ve adım tavanı olmaması nedeniyle maliyet patlaması.
Özet
Bir ajanı ajan yapan şey model değil, etrafındaki altyapı: araçlar, bellek ve eylem ile gözlem döngüsünü çalıştıran orchestrator.
Ajan sistemi kuracaksanız enerjinizi doğru yere harcayın:
- Araç açıklamalarını net ve birbirinden ayırt edilebilir yazın
- Durdurma koşulunu ölçülebilir tanımlayın
- Bağlam sıkıştırmada kritik kısıtların kaybolmadığını doğrulayın
- Hata yollarının bağlama nasıl döndüğünü açıkça tasarlayın
- Adım sayısı ve maliyet için tavan koyun
- Geri dönüşü olmayan eylemleri kodla koruyun, prompta güvenmeyin
Araç katmanının nasıl standartlaştığı için MCP yazısına, bunları günlük bir kodlama ajanında pratikte nasıl kuracağınız için Claude Code rehberine bakabilirsiniz 👀