25 Aralık 2025
KoçDigital
• Blogger
Yapay zekâ ve IoT teknolojilerinde Türkiye’nin öncü şirketlerinden KoçDigital, Üretken Yapay Zekâ (Generative AI – GenAI) teknolojisini kurumlarla buluşturmaya, dijital dönüşüm ve büyüme yolculuklarını hızlandırmaya devam ediyor.
Üretken Yapay Zekâ ile birlikte hayatımıza pek çok yeni kavram giriyor. Bu kavramların bazıları kısa sürede gündemden düşerken bazıları kalıcı bir dönüşümün parçası hâline geliyor. Büyük Dil Modeli (LLM) tabanlı yapay zekâ ajanları (LLM-Agent) da bir süredir farklı alanlarda kendine yer bulan ve çeşitli uygulamalarda başarılı sonuçlar sunan yaklaşımlar arasında yer alıyor. Bu yazıda, LLM-Agent kavramını daha yakından ele alıyor, kullanım alanlarını inceliyor ve hangi durumlarda ne ölçüde fayda sağladığını değerlendiriyoruz.
Büyük Dil Modelleri (LLM), ilk ortaya çıktıklarında etkileyici yetenekleriyle büyük ilgi gördü. Ancak zaman içinde bazı sınırlılıkları da belirginleşti. Gerçek dışı veya hatalı bilgiler üretebilmeleri (halüsinasyon), güncel ve ilgili bilgilere erişimde yetersiz kalmaları, çok adımlı ve farklı yaklaşımlar gerektiren görevlerde performanslarının sınırlı olması bu zorlukların başında geliyor. LLM-Agent yaklaşımı, bu sınırlılıkların üstesinden gelmek amacıyla geliştirilen bir çerçeve sunuyor. Temel yaklaşım, belirli ve tanımlı görevleri yerine getiren birden fazla LLM'nin birlikte çalışarak daha karmaşık süreçleri yönetebilmesine dayanıyor.
Ajan tabanlı akıl yürütme ve problem çözme yaklaşımları, bilişsel bilimler alanında uzun süredir araştırılıyor. LLM-Agent çerçeveleri de bu çalışmalardan yararlanıyor. Her bir ajan, belirli bir görevi yerine getirmek üzere yapılandırılmış ve özel talimatlarla yönlendirilmiş bir LLM olarak düşünülebilir. Bu ajanlar; kod yorumlayıcıları, web arama araçları ve API erişimi gibi farklı araçlardan yararlanarak bilgi sorgulayabilir ve çeşitli işlemleri gerçekleştirebilir.
Aşağıdaki şema, genel bir LLM-Agent yapısını göstermektedir. Bu yapının temel bileşenlerinden biri olan “Planlama”, ajanın bir görevi yerine getirirken izleyeceği adımları belirlemesini sağlar. Bu süreçte kendi çıktısını değerlendirme, problemi alt görevlere ayırma ve çözüm yollarını planlama gibi yöntemlerden yararlanılır. Birden fazla adımdan oluşan görevlerin başarıyla tamamlanabilmesi için ajanın süreç boyunca belirli bilgileri hatırlaması da gerekir. “Bellek” bileşeni, bu bilgilerin saklanmasını ve gerektiğinde yeniden kullanılmasını sağlar.

Kullanım senaryosuna bağlı olarak, tüm araçlara erişebilen ve kapsamlı talimatlarla yönlendirilen tek bir LLM-Agent kullanılabileceği gibi farklı yetkinliklere ve hedeflere sahip birden fazla ajan birlikte de çalıştırılabilir. LangChain, LlamaIndex, Microsoft AutoGen ve CrewAI gibi araçlar, LLM-Agent uygulamalarının geliştirilmesi için gerekli teknolojik altyapıyı sunmaktadır.
Andrew Ng, ajan tabanlı iş akışlarının (agentic workflows) güçlü savunucularından biri olarak bu alanda farklı yaklaşımlar ortaya koymaktadır. Bu yaklaşımların öne çıkan kullanım alanlarından biri, yazılım geliştirme süreçlerinde kullanılan kodlama asistanlarıdır. LLM-Agent yapıları, bu alanda önemli performans iyileştirmeleri sağlayabilmektedir. Özellikle kodun çalıştırılması ve test edilmesi gibi süreçlerin otomatikleştirilebilmesi, ajanların daha başarılı sonuçlar üretmesine olanak tanımaktadır. Diğer kullanım alanlarında ise henüz benzer ölçekte bir sıçrama görülmese de LLM-Agent yaklaşımı kademeli iyileştirmeler sunmaktadır.
Gerçek iş uygulamalarında ise birbiriyle ilişkili çok sayıda iş kuralı, kısıt ve hedef bulunur. Bu karmaşık yapılar çoğu zaman doğru kurgulanmış komutlarla (prompt) yönetilebilse de yalnızca bu yönteme dayalı çözümlerin bakımı zorlaşabilir. Ayrıca elde edilen uzmanlığın farklı projelere aktarılması da zaman ve emek gerektirebilir.
KoçDigital olarak edindiğimiz deneyim, bir projenin tüm LLM-Agent yetkinliklerine ihtiyaç duymadığı durumlarda dahi bu çerçevelerden yararlanmanın önemli avantajlar sağlayabildiğini gösteriyor. LLM-Agent yaklaşımı sayesinde daha sistematik, sürdürülebilir, bakımı kolay ve farklı projelere uyarlanabilir çözümler geliştirebiliyoruz.
LLM-Agent yaklaşımının sunduğu bir diğer önemli fırsat ise büyük dil modellerinin kendisini yeniden eğitmeye gerek kalmadan yeni çözümler geliştirebilmek. Model seviyesinde yenilik geliştirmek; yüksek işlem gücü, büyük miktarda veri ve uzmanlık gerektirdiğinden oldukça maliyetli bir süreçtir. LLM-Agent yapıları ise belirli bir alandaki uzmanlığı ve bilgi birikimini mevcut modellerle bir araya getirerek güçlü sonuçlar elde edilmesini sağlar. Böylece kurumlar, kendi alanlarına özgü ihtiyaçlara yönelik çözümler geliştirirken büyük dil modellerini yeniden eğitme maliyetine katlanmak zorunda kalmaz.

