Yapay Zeka Ajanları (AI Agents) Nedir? Araç Kullanımı, MCP ve Agentic İş Akışları

Sohbet botları sorulara yanıt verir; ama bir işi baştan sona yapmaz. Yapay zeka ajanları (AI agents) tam bu noktada devreye girer: bir hedef verildiğinde planlama yapan, araçlar kullanan, ara sonuçları değerlendirip bir sonraki adıma kendisi karar veren yazılım sistemleridir. Klasik bir dil modeli "uçak bileti nasıl aranır" sorusunu açıklarken, bir ajan arama aracını çağırır, sonuçları karşılaştırır ve size somut seçenekler getirir. Bu yazıda ajanların çalışma mantığını, araç kullanımını, MCP protokolünü ve agentic iş akışlarını ele alıyoruz.

Yapay Zeka Ajanları Nasıl Çalışır?

Bir ajanın merkezinde büyük bir dil modeli bulunur; ancak modelin etrafına üç kritik yetenek eklenir:

• Planlama: Hedefi alt adımlara bölme ve sıralama
• Araç kullanımı: Dış dünyayla etkileşim (arama, dosya okuma, API çağırma, kod çalıştırma)
• Döngü ve öz-değerlendirme: Bir adımın sonucunu gözlemleyip planı güncelleme

Bu yapı genellikle bir döngü olarak işler: model durumu değerlendirir, bir eylem seçer, eylemin sonucunu gözlemler ve hedefe ulaşana kadar devam eder. Literatürde bu yaklaşımın bilinen örneklerinden biri, akıl yürütme ile eylemi dönüşümlü yürüten ReAct desenidir. Ajanı sıradan bir sohbetten ayıran şey, tek seferlik yanıt yerine bu gözlemle-düşün-eyle döngüsüdür.

Araç Kullanımı (Tool Use / Function Calling)

Ajanların dış dünyaya açılan kapısı araç kullanımıdır; API sağlayıcıları bunu function calling veya tool use adıyla sunar. Mantık şöyle işler:

• Geliştirici, modele kullanabileceği araçların listesini tanımlar: her aracın adı, açıklaması ve parametre şeması (genellikle JSON Schema formatında) verilir.
• Model, kullanıcının isteğini karşılamak için bir araca ihtiyaç duyduğunda, serbest metin yerine yapılandırılmış bir araç çağrısı üretir: örneğin get_weather(city="İstanbul").
• Uygulama bu çağrıyı gerçekten çalıştırır ve sonucu modele geri verir.
• Model, sonucu yorumlayarak ya kullanıcıya yanıt verir ya da yeni bir araç çağrısı yapar.

Burada kritik nokta şudur: modelin kendisi hiçbir kodu çalıştırmaz; yalnızca hangi aracın hangi parametrelerle çağrılacağını söyler. Çalıştırma sorumluluğu ve yetki denetimi her zaman uygulama tarafındadır. Bu ayrım, güvenlik sınırlarını çizmeyi mümkün kılar.

MCP: Model Context Protocol

Araç kullanımı yaygınlaştıkça yeni bir sorun doğdu: her uygulama, her veri kaynağı için kendi özel entegrasyonunu yazmak zorundaydı. Anthropic'in 2024 sonunda açık standart olarak duyurduğu MCP (Model Context Protocol), bu sorunu çözmeyi hedefler. MCP'yi yapay zeka uygulamaları için bir tür ortak bağlantı noktası olarak düşünebilirsiniz: tıpkı USB'nin farklı cihazları tek standartla bilgisayara bağlaması gibi, MCP de veri kaynaklarını ve araçları tek standartla yapay zeka uygulamalarına bağlar.

MCP, istemci-sunucu mimarisiyle çalışır:

• MCP sunucusu: Bir veri kaynağını veya servisi (dosya sistemi, veritabanı, GitHub, Slack vb.) standart arayüzle dışarı açar; araçlar, kaynaklar ve hazır istemler sunabilir.
• MCP istemcisi: Claude Desktop veya benzeri bir yapay zeka uygulaması, bu sunuculara bağlanarak sundukları araçları modelin kullanımına açar.

Bir kez yazılan MCP sunucusu, protokolü destekleyen her uygulamayla çalışır. Standardın açık olması sayesinde Anthropic dışındaki birçok araç ve geliştirici de ekosisteme katılmıştır; ayrıntılı dokümantasyon anthropic.com üzerinden ulaşılabilen kaynaklarda mevcuttur.

Agentic İş Akışları

Agentic iş akışı, bir işin tek bir dev istemle değil; planlama, üretme, değerlendirme ve düzeltme gibi adımlara bölünerek, gerektiğinde birden çok ajanın iş birliğiyle yürütülmesidir. Yaygın desenler şunlardır:

• Yansıtma (reflection): Ajanın kendi çıktısını eleştirip iyileştirmesi
• Planla-uygula: Önce adım listesi çıkarma, sonra adımları tek tek yürütme
• Çoklu ajan: "Araştırmacı", "yazar", "denetçi" gibi rollerin ayrı ajanlara verilip bir orkestratörle koordine edilmesi
• İnsan onayı (human-in-the-loop): Kritik adımlarda (ödeme, silme, gönderme) insandan onay beklenmesi

Agentic yaklaşım hâlihazırda birçok alanda kullanılmaktadır: müşteri destek ajanları sipariş durumunu sorgulayıp iade sürecini başlatabilir; araştırma ajanları onlarca kaynağı tarayıp derlenmiş bir rapor çıkarabilir; veri ekiplerinde ajanlar doğal dildeki bir soruyu SQL sorgusuna çevirip sonucu yorumlayabilir. Kodlama ajanları ise bir hata kaydını alıp ilgili dosyaları bulur, düzeltmeyi yazar ve testleri çalıştırır. Ortak nokta şudur: görev ne kadar net tanımlanır ve araç seti ne kadar isabetli seçilirse ajanın başarı oranı o kadar yükselir; ucu açık ve ölçütü belirsiz görevlerde ise insan denetimi hâlâ vazgeçilmezdir.

Bu desenleri kurmak için LangChain ve LangGraph, CrewAI ve Microsoft'un AutoGen'i gibi açık kaynak çerçeveler yaygın olarak kullanılır. Kod tarafında ise Claude Code ve benzeri kodlama ajanları, dosya okuma, test çalıştırma ve düzenleme araçlarını döngü içinde kullanarak agentic yaklaşımın somut bir örneğini sergiler.

Sınırlar ve Dikkat Edilmesi Gerekenler

Ajanlar güçlü olduğu kadar dikkat de ister:

Hata birikimi: Çok adımlı görevlerde küçük hatalar zincirleme büyüyebilir; adım sayısını sınırlamak ve ara kontroller koymak önemlidir.

Güvenlik: Ajana verilen her araç bir yetkidir. Silme, ödeme gibi geri alınamaz eylemler için insan onayı şarttır.

Maliyet ve gözlemlenebilirlik: Döngüler çok sayıda model çağrısı üretir; iyi bir izleme altyapısı olmadan üretime çıkmak risklidir.

Sağlam kural şudur: ajana, görevini yapabileceği en dar yetki kümesini verin ve kritik eylemleri her zaman onaya bağlayın.

Sonuç

Yapay zeka ajanları, dil modellerini pasif birer yanıt makinesinden, araç kullanan ve hedefe doğru adım adım ilerleyen aktif sistemlere dönüştürüyor. Araç kullanımı bu dönüşümün temel mekanizması, MCP ise entegrasyon karmaşasını azaltan açık standart olarak öne çıkıyor. Agentic iş akışlarına başlamanın en sağlıklı yolu, küçük ve düşük riskli bir görevi tek araçlı basit bir ajanla otomatikleştirip, güven kazandıkça kapsamı genişletmektir.