Etkili AI Ajanları Nasıl Kurulur? Anthropic'in Sade Tasarım Rehberi
Anthropic'in başarılı ajan implementasyonları üzerine yaptığı analizden çıkan tek mesaj: karmaşık framework'ler değil, sade ve birleştirilebilir desenler kazanıyor.
Anthropic'in araştırma blogundaki Building Effective AI Agents yazısı, ajanlar üzerine çıkmış en çok atıf alan kaynaklardan biri. Yazının ana mesajı şaşırtıcı biçimde sade: en başarılı ajan implementasyonları karmaşık framework'ler değil, sade ve birleştirilebilir desenler kullanıyor.
Tavsiye, yazıdan birebir alıntıyla: "start with simple prompts, optimize them with comprehensive evaluation, and add multi-step agentic systems only when simpler solutions fall short."
Bu yazıda Anthropic'in çerçevesini, Shobi gibi e-ticaret AI platformlarının perspektifinden ele alıyoruz.
Önce kavram netliği: "agent" ve "workflow" aynı şey değil
Sektörde "AI agent" terimi gevşek kullanılıyor. Anthropic net bir ayrım koyuyor:
- Workflow: LLM'ler ve araçlar, önceden tanımlanmış kod yolları üzerinden orkestre ediliyor. Belirli, tekrarlayan görevler için öngörülebilirlik sunuyor.
- Agent: LLM kendi sürecini ve araç kullanımını dinamik olarak yönlendiriyor. Açık uçlu görevler için esneklik sunuyor.
Bu ayrım pratikte önemli çünkü "AI agent kuruyoruz" diye sunulan birçok ürün aslında bir workflow. İkisinin maliyet, hata profili ve test gereksinimi farklı.
E-ticaret bağlamında örnek:
- "Her gece yarısı tüm pazaryerlerinden siparişleri çek, fiyat anomalisi olanları işaretle, slack'e bildir" → workflow (akış belli)
- "Kullanıcı 'rakiplerime göre fiyat stratejim ne olmalı?' diye sordu, gerekli verileri kendin topla, analiz et, öneri sun" → agent (adımlar önceden belli değil)
Yapı taşı: Augmented LLM
Anthropic'in tüm desenlerin temeli olarak gösterdiği birim: Augmented LLM. Üç eklenti ile zenginleştirilmiş bir model:
- Retrieval — ihtiyaç anında bilgi çekme
- Tools — dış sistemlerle etkileşim
- Memory — önceki adımları hatırlama
Yazı bu noktada bir mimari önerisi getiriyor: bu eklentilerin arayüzünü iyi belgele, üçüncü taraf araçlar için ise MCP kullan. Tutarlı bir önerme — Anthropic kendi blog ekosisteminde MCP'yi sürekli bir omurga olarak konumlandırıyor.
Beş temel desen
Yazıdan damıttığımız beş workflow deseni:
1. Prompt Chaining
Görev sıralı LLM çağrılarına bölünüyor. Her çağrı bir önceki çıktıyı işliyor. E-ticaret örneği: "Ürün açıklamasını çek → SEO başlığı üret → meta description üret → JSON-LD schema üret." Latency artar ama her adım daha doğru olur.
2. Routing
Girdi sınıflandırılıp uzmanlaşmış alt-akışa yönlendiriliyor. E-ticaret örneği: Müşteri sorusu geliyor → "iade", "kargo", "ürün soru-cevap" diye sınıflandır → her sınıf için optimize edilmiş prompt'a yönlendir.
3. Parallelization
Bağımsız alt-görevleri eşzamanlı çalıştırma, ya da aynı görevi birden fazla kez çalıştırıp oylama. E-ticaret örneği: "Bu üründe rakip fiyatlarını topla" — Trendyol, Hepsiburada, N11 için eşzamanlı çağrı.
4. Orchestrator-Workers
Merkezi bir LLM görevleri bölüp worker LLM'lere dağıtıyor. E-ticaret örneği: "Yıllık reklam performans raporu çıkar" — orkestratör Meta, Google ve TikTok için ayrı worker'lar başlatır, sonuçları birleştirir.
5. Evaluator-Optimizer
Bir LLM üretiyor, başka bir LLM eleştirip iyileştirme öneriyor, döngüde ilerliyor. E-ticaret örneği: Ürün açıklamasını üret → SEO/dilbilgisi açısından değerlendir → düzelt. Net değerlendirme kriteri olunca güçlü.
Hangi durumda ajan, hangi durumda workflow?
Yazının pratik tavsiyesi şu çerçeveye oturuyor:
| Durum | Tercih |
|---|---|
| Görev tahmin edilebilir, adımları biliniyor | Workflow |
| Görev açık uçlu, adım sayısı önceden belli değil | Agent |
| Hatanın maliyeti yüksek, denetim şart | Workflow |
| Esneklik ve özerklik kritik | Agent |
Agent kurmak workflow'a göre daha pahalı, daha hata yapmaya açık, daha çok test gerektiriyor. Sandboxed ortamlar, guardrail'ler ve iyi gözlemlenebilirlik şart.
Üç temel prensip
Yazı sonunda Anthropic'in üç altın kuralı:
- Sadelik — Mümkün olduğunca basit tut.
- Şeffaflık — Ajanın planlama adımlarını açıkça görünür kıl.
- Araç dokümantasyonu ve testi — Agent-Computer Interface (ACI), HCI tasarımı kadar ciddiye alınmalı.
Üçüncü madde özellikle altı çizilmesi gereken bir nokta. Bir tool'un dökümantasyonu, parametre isimleri, hata mesajları — bunlar artık birer "UX" meselesi, çünkü kullanıcısı insan değil, model.
Shobi açısından sonuç
Türkiye'de "AI agent" terimi son bir yılda inflasyona uğradı. Birçok ürün, aslında bir workflow olduğu hâlde, pazarlama için ajan diye sunuluyor. Bu yanıltıcı çünkü iki yapının kullanım profili farklı.
Çoklu pazaryeri otomasyonu için gerçek dünyada işe yarayan resim şuna benziyor:
- Tekrarlayan operasyonel akışlar (sipariş çekme, fiyat senkronizasyonu, stok güncelleme) → workflow olarak yaz, predictable tut.
- Anomali yorumlama, öneri üretimi, sorgu-cevap → agent kullan, ama dar bir scope ve net guardrail'lerle.
- Karmaşık raporlama, çoklu kaynaklı analiz → orchestrator-worker deseni en uygun olanı.
Anthropic'in yazısının nihai dersi şu: "En sofistike sistem değil, ihtiyaca uygun sistem kazanır." Bu cümle özellikle KOBİ pazarına AI ürün geliştirenler için altın değerinde.
