1. Chatbot vs AI Agent: Temel Paradigma Değişimi
Pek çok şirket yapay zeka dönüşümünü ChatGPT benzeri bir sohbet penceresini web sitesine gömmekten ibaret sanıyor. Ancak bu yaklaşım işletmeye gerçek bir verimlilik kazandırmaz. Çünkü standart bir LLM (Büyük Dil Modeli) dış dünyadan izoledir; veritabanınızı göremez, fatura kesemez, kargo takip numarasını sorgulayamaz.
AI Agent (Yapay Zeka Ajanı) ise şu dört temel bileşenin birleşimidir:
- Algılama (Perception): Gelen e-posta, webhook, kullanıcı mesajı veya veritabanı tetikleyicisini okuma.
- Mantık Yürütme (Reasoning): Hedefe ulaşmak için hangi adımların sırayla atılması gerektiğini planlama.
- Araç Kullanımı (Tool Calling): SQL çalıştırma, REST API çağırma, PDF ayrıştırma gibi harici sistem fonksiyonlarını yürütme.
- Hafıza ve Durum Yönetimi (Memory & State): Çok adımlı akışlarda bağlamı kaybetmeme.
2. ReAct ve Tool Calling Mimarisi Nasıl Çalışır?
AI agent sistemlerinin kalbinde ReAct (Reasoning + Acting) deseni bulunur. Bu döngü modelin bir problemi tek bir tahminde çözmek yerine adım adım düşünmesini sağlar:
[Girdi] -> Müşteri: "Dün verdiğim 48192 numaralı siparişim kargoya verildi mi?"
├── 1. Düşünce (Thought): "Kullanıcı sipariş durumunu soruyor. Veritabanından 48192 numaralı siparişi bulmam gerek."
├── 2. Aksiyon (Action): get_order_details(order_id=48192) çağrısı yap.
├── 3. Gözlem (Observation): {"status": "shipped", "carrier": "Yurtiçi Kargo", "tracking_no": "YK-98213"}
├── 4. Düşünce (Thought): "Kargo takip numarası var. Kargo takip API'sinden son konumu da alabilirim."
├── 5. Aksiyon (Action): get_tracking_info(carrier="Yurtiçi", tracking_no="YK-98213")
├── 6. Gözlem (Observation): {"location": "Transfer Merkezinde", "eta": "Yarın 14:00"}
└── 7. Yanıt (Final Answer): "Siparişiniz kargoya verildi, transfer merkezinde görünüyor. Tahmini teslimat: Yarın 14:00."
3. Model Context Protocol (MCP) Neden Oyunun Kurallarını Değiştirdi?
Önceden her yazılım ekibi kendi fonksiyon çağrı şemalarını ve API bağlayıcılarını sıfırdan yazmak zorundaydı. Anthropic tarafından yayınlanan Model Context Protocol (MCP), yapay zeka ajanlarının harici sistemlerle konuşması için evrensel bir USB standardı yarattı.
MCP sayesinde şirketler; PostgreSQL veritabanı, Google Drive, Jira veya dahili ERP sistemleri için tek bir MCP sunucusu yazar. Bu sunucuya bağlanan herhangi bir LLM ajanı (Claude, GPT-4o vb.) yetkilendirilmiş araçları otomatik olarak keşfeder ve güvenli biçimde kullanır.
4. Uygulamalı Vaka: Otonom E-Ticaret Destek ve Fatura Ajanı
Shaz Vision olarak hayata geçirdiğimiz bir projede, ayda 15.000'den fazla destek talebi alan bir e-ticaret markasının müşteri operasyonlarını agent mimarisine taşıdık.
Eski sistemde 8 kişilik destek ekibi gelen mailleri okuyup Trendyol ve Shopify panellerinden tek tek sorgulama yapıyordu. Kurulan agent sistemi:
- Gelen e-postanın niyetini (fatura talebi, adres değişikliği, iade) %98.4 doğrulukla sınıflandırıyor.
- Fatura talebi ise e-Arşiv portalına bağlanıp PDF faturayı çekiyor ve müşteriye 45 saniye içinde otomatik yanıt olarak ekliyor.
- Adres değişikliği talebinde kargo henüz çıkmadıysa Shopify API üzerinden adresi güncelleyip Slack kanalına bilgi geçiyor.
Sonuç: Ortalama ilk yanıt süresi 4 saatten 42 saniyeye düştü, insan ekibinin manuel yükü %74 azaldı.
5. Python ile Hızlı Bir Tool Calling Ajanı Örneği
Bir LLM'e araç tanımlamanın ne kadar temiz ve modüler olabileceğini gösteren sade bir FastMCP / Function Calling örneği:
from pydantic import BaseModel, Field
import requests
class OrderLookupInput(BaseModel):
order_id: int = Field(description="Müşterinin sorguladığı 5 haneli sipariş numarası")
def lookup_order_status(order_id: int) -> dict:
"""Veritabanına bağlanıp sipariş durumunu ve kargo bilgisini döner."""
# Gerçek senaryoda dahili veritabanı veya Shopify/WooCommerce API çağrılır
response = requests.get(f"https://api.internal-store.com/v1/orders/{order_id}", headers={"Authorization": "Bearer SECRETS"})
if response.status_code == 200:
data = response.json()
return {
"status": data["status"],
"items_count": len(data["line_items"]),
"tracking_url": data.get("tracking_url")
}
return {"error": "Sipariş bulunamadı"}
# LLM bu aracı JSON şeması olarak görür ve gerektiğinde parametreleri üreterek çağırır.
6. Kritik Mühendislik Zorlukları: Sonsuz Döngüler, Maliyet ve İnsan Onayı
AI agent sistemlerini üretim ortamına (production) alırken göz ardı edilmemesi gereken 3 hayati mühendislik kuralı vardır:
Ajanlar bazen belirsiz bir hata durumunda aynı API'yi tekrar tekrar çağırarak sonsuz döngüye girebilir. Her ajan çağrısına kesinlikle max_iterations=6 gibi sert bir sınır konmalı ve sınır aşımında akış güvenli fallback moduna geçmelidir.
2. Human-in-the-Loop (İnsan Onay Mekanizması)
Bilgi sorgulama (Read-only) işlemleri tamamen otonom bırakılabilirken; veritabanından satır silme, para transferi yapma veya 5.000 TL üzeri iade onayı verme gibi geri döndürülemez işlemlerde sistem insan operatörün Telegram veya Slack üzerinden "Onayla / Reddet" butonuna basmasını beklemelidir.
3. Token ve Gecikme Optimizasyonu
Her adımda tüm geçmişi devasa bir prompt olarak modele basmak hem maliyeti uçurur hem de yanıt süresini 10+ saniyelere çıkarır. Ara adımların özetlenmesi (context compression) ve hızlı kararlar için küçük modellerin (örn: Claude 3.5 Haiku), karmaşık mantık için amiral gemisi modellerin (Claude 3.7 Sonnet) hibrit kullanılması şarttır.
7. Shaz Vision ile Kurumsal Agent Dönüşümü
Geleceğin başarılı şirketleri, çalışan başına en fazla otonom agent koşturan ve operasyonel sürtünmeyi sıfıra indiren ekipler arasından çıkacak. Süreç sayfamızdan çalışma metodolojimizi inceleyebilir veya mevcut iş akışlarınızı otonom hale getirmek için doğrudan ekibimizle görüşebilirsiniz.
Veritabanlarınıza, CRM'inize ve e-posta akışlarınıza entegre çalışan akıllı otomasyon sistemleri geliştirmek için bizimle bir keşif görüşmesi planlayın.
8. Sıkça Sorulan Sorular
AI Agent sistemlerinin kurulumu ne kadar sürer?
Belirli bir iş akışına odaklanan (örneğin müşteri faturası veya stok uyarısı) MVP seviyesinde bir ajan mimarisi ortalama 1-2 hafta içinde devreye alınabilir. Kapsamlı kurumsal entegrasyonlar ise sistem karmaşıklığına göre 4-6 hafta sürmektedir.
Ajanların halüsinasyon (yanlış bilgi) üretmesi nasıl engellenir?
Ajanın sadece kendisine verilen Tool Calling sonuçlarından beslenmesi (RAG mimarisi) sağlanır. Modelin serbest yorum yapması sistem komutlarıyla kısıtlanır ve sadece veritabanından dönen deterministik veri kullanıcıya aktarılır.
Mevcut CRM ve muhasebe yazılımlarımızla uyumlu mu?
REST API, GraphQL veya doğrudan SQL desteği sunan tüm modern sistemlerle (HubSpot, Salesforce, Shopify, Paraşüt, Logo, SAP vb.) entegrasyon sağlanabilir.