Yapay zekâ ajanı geliştirirken üç temel kural: Barry Zhang’dan sade ve güvenilir sistem rehberi

Yapay zekâ ajanı geliştirmek, bir modele mümkün olduğunca fazla araç vermekten ibaret değil. Anthropic’ten Barry Zhang, AI Engineer Summit 2025’teki konuşmasında başarılı bir sistem için üç temel yaklaşım öneriyor: ajanı doğru problemde kullanmak, mimariyi sade tutmak ve dünyayı ajanın görebildiği bilgiler üzerinden değerlendirmek.

Dji Banner Inside Article - 728x90

Kayda ilişkin not: Sosyal medyada yeniden paylaşılan bu sunum, 2025 tarihli bir konferans kaydıdır. Özgün video AI Engineer kanalında 4 Nisan 2025’te yayımlandı. Aşağıdaki makale, konuşmanın ana fikirlerini başlıklara ayıran editoryal bir anlatımdır; kelimesi kelimesine çeviri değildir.

Videoyu Türkçe otomatik altyazıyla izleyin

Altyazı bilgisi: Özgün oynatıcıda Türkçe otomatik çeviri kontrol edildi. Türkçe açılmazsa oynatıcıdaki Ayarlar → Altyazılar → Otomatik çevir → Türkçe yolunu seçin. Çeviri otomatik üretildiği için teknik terimlerde hata olabilir; örneğin “agent” sözcüğü bazı satırlarda “temsilci” olarak çevrilebilir.

1. İlk soru: Bu iş gerçekten bir ajan gerektiriyor mu?

Zhang’ın başlangıç noktası, her yapay zekâ uygulamasını otonom bir ajana dönüştürmemek. Özetleme veya sınıflandırma gibi sınırlı görevlerde tek model çağrısı yeterli olabilir. Adımları önceden belli süreçlerde ise açıkça tanımlanmış bir iş akışı, maliyet ve davranış üzerinde daha fazla kontrol sağlar.

Ajanın farkı, bir sonraki adımı ortamdan gelen geri bildirime göre seçmesidir. Bu esneklik, çözüm yolu baştan tam çizilemeyen problemlerde değerlidir. Ancak daha fazla özerklik; daha çok işlem, daha uzun bekleme ve hatanın daha geniş etkiler yaratması anlamına da gelebilir.

2. Görevin değeri kadar hatanın bedelini de hesaplayın

Bir ajanın ekonomik olup olmadığını yalnızca modelin birim fiyatıyla ölçmek yeterli değil. Deneme sayısı, başarısız adımlardan toparlanma süresi ve işi tamamlamak için gereken toplam kaynak birlikte düşünülmeli. Sık tekrarlanan, düşük bütçeli görevlerde belirli senaryoları kapsayan bir akış daha uygun olabilir.

Aynı zamanda kritik yetenekler sınanmalı: Sistem gerekli araçları kullanabiliyor mu, hatayı fark edebiliyor mu, yanlış bir adımdan sonra toparlanabiliyor mu? Sonucun doğrulanması zorsa özerklik kararı daha dikkatli verilmeli. Kodlama örneğinde testler ve sürekli entegrasyon, çıktıyı sınamak için somut geri bildirim sağlar.

3. Sade bir çekirdek kurun: Ortam, araçlar ve talimatlar

Konuşmadaki mimarinin merkezinde, araç kullanan ve sonuçları değerlendirerek devam eden bir model döngüsü var. Bu döngüyü üç unsur biçimlendiriyor: ajanın çalıştığı ortam, kullanabildiği araçlar ve hedefleriyle sınırlarını açıklayan sistem talimatları.

İlk sürümü gereksiz katmanlarla büyütmek, hangi parçanın işe yaradığını anlamayı zorlaştırabilir. Önce küçük bir sistemle doğru davranışı elde etmek; ardından gözlenen ihtiyaca göre hız ve maliyet iyileştirmeleri yapmak daha sağlıklı bir geliştirme sırası sunar.

4. Ajanın bildiğini varsaymayın; gördüğü bağlamı inceleyin

İnsan geliştirici ekranı, geçmişi ve görevin amacını birlikte değerlendirebilir. Model ise yalnızca kendisine sağlanan bağlam üzerinden karar verir. Önemli bir bilgi bu bağlamda yoksa, insan için açık olan bir adım ajan açısından belirsiz kalabilir.

Zhang bunu bilgisayar kullanımıyla örneklendiriyor: Ajan bir görüntü alır, eylem seçer ve sonraki görüntüde ne değiştiğini anlamaya çalışır. Ekran ölçüleri, açık araç açıklamaları ve geçerli sınırlamalar bu nedenle işlevseldir. Hataları incelerken yalnızca son cevaba değil, karara giden adımlara da bakmak gerekir.

5. Hızlandırmayı, çalışan davranışın üzerine ekleyin

Temel döngü güvenilir çalıştıktan sonra uygun işlemleri paralelleştirmek veya tekrar kullanılan adımlardan yararlanmak gibi iyileştirmeler değerlendirilebilir. Kullanıcının ilerlemeyi anlayabilmesi de önemlidir: Sistem hangi işi tamamladı, neyi kontrol ediyor ve nerede takıldı?

Buradan geliştirici için çıkarılabilecek pratik ders, ölçülebilir bir hedefle başlamaktır. Örneğin bir belge inceleme aracında önce gerekli bilgileri doğru bulma ve kaynağı gösterme davranışı doğrulanabilir; kapsamı daha sonra genişletmek, başarısızlığın nedenini ayırmayı kolaylaştırır.

6. Bütçe ve çoklu ajanlar: Sunumdaki açık sorular

Zhang, zaman ve maliyet bütçelerinin nasıl uygulanacağını, araçların nasıl geliştirileceğini ve birden fazla ajanın nasıl iletişim kuracağını konuşmanın açık araştırma ve mühendislik soruları arasında ele alıyor. Bu bölüm, kaydın yapıldığı dönemin değerlendirmesidir; bugün için otomatik olarak geçerli bir ürün vaadi sayılmamalıdır.

Sunumun geliştiricilere bıraktığı odak nettir: Problemin gerektirdiği kadar özerklik verin, küçük bir sistemle başlayın ve modelin gerçekten erişebildiği bilgileri inceleyerek geliştirin.

Videoda bölüm bölüm

• 00:23: Konuşmanın amacı ve üç temel fikir.
• 01:04: Tek model çağrısı, iş akışı ve ajan arasındaki fark.
• 02:31: Hangi görevlerde ajan tercih edilmeli?
• 04:00: Kritik yetenekler, hata maliyeti ve doğrulama.
• 05:38: Ortam, araçlar ve sistem talimatlarından oluşan sade mimari.
• 08:03: Ajanın bakış açısından bağlamı değerlendirmek.
• 11:29: Bütçeler, araçlar ve çoklu ajan iletişimi üzerine açık sorular.
• 13:38: Üç temel fikrin yeniden bir araya getirilmesi.

Kaynaklar: AI Engineer: özgün Barry Zhang sunumu; Konferansın konuşma sayfası; Anthropic: Building effective agents. İncelemeye konu olan X paylaşımı.

Kapak: Barry Zhang’ın AI Engineer konuşmacı portresi ile yapay zekâyla hazırlanmış temsili ajan görselinin birleşimi.