Soru
2026 yapay zeka ekosisteminde tekil istem-cevap (prompt-response) dönemi yerini hedefe odaklı, kendi kendine karar alabilen ve araç (tool) kullanabilen çoklu otonom ajanlara (Multi-Agent Systems) bırakmıştır.
2026'da Otonom Yapay Zeka Ajanları (AI Agents) ve Multi-Agent Sistemler (CrewAI, LangGraph) Nasıl İnşa Edilir?
2026 yapay zeka ekosisteminde tekil istem-cevap (prompt-response) dönemi yerini hedefe odaklı, kendi kendine karar alabilen ve araç (tool) kullanabilen çoklu otonom ajanlara (Multi-Agent Systems) bırakmıştır.
Otonom Ajan Mimarisi Nelerden Oluşur?
- Planning (Planlama): ReAct (Reasoning + Acting) ve Tree of Thoughts algoritmalarıyla karmaşık hedefleri alt görevlere bölme.
- Memory (Hafıza): Kısa süreli hafıza (context window) ve uzun süreli hafıza (vektör veritabanları & episodik loglar).
- Tool Use (Araç Kullanımı): Dış API çağrıları, Python kod çalıştırma sandbox'ları ve SQL sorgulamaları.
- Multi-Agent Collaboration: Hiyerarşik ve eş düzeyli ajanların (örn: Araştırmacı, Yazılımcı, Eleştirmen, Güvenlik Denetçisi) ortak çalışması.
Modern bir kurumsal ajan mimarisi kurarken LangGraph, CrewAI veya AutoGen gibi kütüphanelerde state döngüleri, sonsuz döngü (infinite loop) koruması ve insan denetimi (Human-in-the-Loop) nasıl kurgulanmalıdır?
İbrahim Cingil
11.10.2026 07:54
0
2026 Standartlarında Çoklu Ajan (Multi-Agent) Mimari Kılavuzu
Modern otonom ajan sistemleri tek bir süper modele dayanmak yerine, rollere ayrılmış uzman ajanların etkileşimi üzerine kurulur.
1. Ajan Rol Dağılımı ve İş Akışı
| Ajan Rolü | Görevi | Kullanılan Model | Yetkilendirilen Araçlar |
|---|---|---|---|
| Router / Planner | Kullanıcı talebini analiz eder, iş planını çıkarır. | Claude 3.5 Sonnet / GPT-4o | JSON Schema Planlayıcı |
| Data Researcher | Dış web kaynaklarını ve dahili veritabanını tarar. | Llama 3.3 70B | Brave Search API, PostgreSQL |
| Execution / Coder | Kod yazar, veri analizi ve dosya işlemleri yapar. | DeepSeek-Coder / Qwen 2.5 | E2B Sandbox, Bash Shell |
| Evaluator / Critic | Çıktıyı güvenlik ve doğruluk kriterleriyle test eder. | GPT-4o mini / Haiku 3.5 | Linter, Guardrails AI |
2. LangGraph ile Durum Tabanlı (Stateful) Döngü Örneği
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
class AgentState(TypedDict):
task: str
plan: list[str]
current_step: int
draft_result: str
is_approved: bool
workflow = StateGraph(AgentState)
workflow.add_node("planner", plan_task_step)
workflow.add_node("executor", execute_task_step)
workflow.add_node("verifier", verify_task_step)
workflow.set_entry_point("planner")
workflow.add_edge("planner", "executor")
workflow.add_edge("executor", "verifier")
workflow.add_conditional_edges("verifier", lambda s: "approved" if s["is_approved"] else "retry", {
"approved": END,
"retry": "executor"
})
app = workflow.compile()3. Kritik Güvenlik Tavsiyeleri
Ajanların dosya silme veya ödeme yapma gibi geri döndürülemez işlemleri öncesinde kesinlikle Human-in-the-Loop (İnsan Onayı) kapısı yerleştirilmeli; maksimum iterasyon limiti (max_iterations = 15) ile döngü kilitlenmeleri engellenmelidir.
İbrahim Cingil
11.10.2026 10:32
0
Üretim ortamında 1 yıldan uzun süredir 20'den fazla mikro-ajan çalıştıran bir mimar olarak en büyük tecrübem şudur: "Ajanlarınıza sınırsız özgürlük vermeyin."
Başlangıçta yapılan en büyük hata, ajana "bana bu raporu hazırla" deyip web araması, kod çalıştırma ve dosya yazma yetkisini tek bir LLM'e vermektir. Model 4. adımda halüsinasyona girip sonsuz döngüde token yakabiliyor. Çözüm: Deterministik bir orkestratör (örneğin LangGraph state machine) kurmak, her ajana sadece tek bir iş vermek ve Pydantic ile yapılandırılmış katı JSON şeması zorunlu kılmaktır.
Özgür Taşdelen
12.10.2026 01:32
0
CrewAI ile şirket içi müşteri destek e-postalarını sınıflandıran 3 ajanlı bir sistem kurduk. İlk hafta en büyük sorun ajanların birbirine teşekkür edip durmasıydı! System prompt'a "Gereksiz nezaket ifadeleri kullanma, doğrudan çıktıyı ilet" yazdıktan sonra token tüketimimiz %40 düştü. Kesinlikle denenmesi gereken bir teknoloji.
