Yapay zeka ajanı türleri ve çalışma mantıkları

Yapay zeka ajanı türleri nelerdir

Yapay zeka ajanı türleri tek bir taksonomiden gelir: basit refleks, model tabanlı refleks, hedef tabanlı, fayda tabanlı ve öğrenen ajanlar. Her isim tek bir şeyi, yani ajanın ne kadar hatırladığını ve harekete geçmeden önce ne kadar ilerisini planladığını tanımlar. Çoklu ajan (multi-agent) ve hiyerarşik olmak üzere iki terim daha, tek bir ajanın nasıl karar verdiğinden ziyade, birden fazla ajanın birbirine nasıl bağlandığını açıklar.

Bu liste, kullandığınız tüm modellerden daha eskidir. Standart yapay zeka ders kitabından gelir ve büyük dil modellerinin ortaya çıkışından sonra da varlığını sürdürmüştür; çünkü tasarımınızı belirleyen o temel soruyu sormaya devam eder: bu şey harekete geçmeden önce neyi bilmelidir? Bir ajanın nerede bittiğini ve bir sohbet asistanının nerede başladığını hala çözmeye çalışıyorsanız, önce bir yapay zeka ajanı ile üzerinde çalıştığı LLM arasındaki fark konusunu okuyun. Bu sayfa, o çizgiden sonra başlar.

Basit refleks ajanları: tek koşul, tek eylem

Basit bir refleks ajanı, mevcut girdiyi bir eylemle eşleştirir ve geçmişe dair hiçbir veriyi belleğinde tutmaz. Sıcaklık 25 derecenin üzerindeyse fanı çalıştır. Mekanizmanın tamamı bundan ibarettir.

Muhtemelen daha önce bir tane çalıştırdınız. Bir form gönderimini okuyup veritabanına bir satır yazan bir n8n iş akışını tetikleyen webhook, basit bir refleks ajanıdır. Araya o satır için bir kategori seçen bir dil modeli girdiğinde bile bu durum değişmez. Ona bir saat önce ne yaptığını sorarsanız size cevap veremez, çünkü cevabı saklayan hiçbir şey yoktur.

Bu tür, insanların beklediğinden daha sık doğru sonuç verir. Çalıştırması ucuzdur ve hata durumu kolayca anlaşılır: koşul ya sağlanmıştır ya da sağlanmamıştır. İş gerçekten "X geldiğinde Y'yi yap" olduğunda, bellek eklemek sadece hata yapma yollarını çoğaltır ve hiçbir fayda sağlamaz. Webhook ile tetiklenen bir n8n ajanı, taksonominin bu satırının kullanıcı arayüzüne sahip bir örneğidir.

Doğru eylem geçmişe bağlı olduğu anda bu yapı bozulur. İş parçacığı durumu (thread state) olmayan bir yanıt botu, üçüncü mesajda kendisiyle çelişir; çünkü ilk iki mesaj hiçbir zaman girdisinin bir parçası olmamıştır.

Model tabanlı refleks ajanları: olaylar arasında durum koruma

Model tabanlı bir refleks ajanı, ortamına dair dahili bir resim tutar ve yeni girdi geldikçe bu resmi günceller. Buradaki "model" kelimesi, bir sinir ağını değil, dünyanın bir modelini ifade eder. Terim, güncel anlamından yaklaşık kırk yıl öncesine dayanır ve ilk okumada neredeyse herkesin kafasını karıştırır.

Yirmi dakika boyunca hareket algılanmadığında ışıkları kapatan bir ev otomasyon kuralı, model tabanlıdır. Öyle olmak zorundadır. "Şu anda hareket yok" ve "21:40'tan beri hareket yok" ifadeleri, basit bir refleks ajanı için aynı girdidir; bu yüzden onları yalnızca depolanmış durum ayırt edebilir.

LLM sürümü, arkasında bir bellek deposu bulunan herhangi bir ajandır: devam eden bir konuşma özeti veya ajanın her çalıştırmanın başında okuduğu düz bir markdown dosyası. Bir ajan için yerel bellek servisi, bu fikrin paketlenmiş halidir. Mekanizma değişmez. Ajanın dünya resmi, onu yaratan olaydan daha uzun süre varlığını korur.

Durumun bir bedeli vardır. Güncelliğini yitirmiş bir bilgi, hiç bilgiden daha kötüdür; çünkü ajan buna tam bir güvenle ve hiçbir uyarı olmaksızın göre hareket eder. Depoladığınız her şeyin bir son kullanma tarihi veya yeniden kontrol edilme yöntemi olmalıdır; aksi takdirde ajan, Mart ayında devreden çıkardığınız bir sunucu hakkında mantık yürütmeye devam edecektir.

Hedef tabanlı ajanlar: doğrulanabilir bir duruma yönelik planlama

Hedef tabanlı bir ajan, bir hedef durum alır ve bu duruma ulaşmak için bir eylem dizisi arar. Süreç, ulaşılması gereken noktadan geriye doğru işlediği için yol önceden yazılı değildir.

Kodlama ajanı, bizzat çalıştırabileceğiniz en net örnektir. "Başarısız olan testi geçecek hale getir" talimatı, herhangi bir dosya veya adım belirtmez. Ajan testi okur, bir plan oluşturur, bir değişiklik yapar, testi çalıştırır, hatayı okur ve tekrar dener. Döngü, ajanın fiilen yürütebileceği bir kontrol noktasında sona erer; bu talimatın işe yaramasının, "bu kodu iyileştir" talimatının ise yaramamasının nedeni budur. Ajanın değerlendirebileceği bir hedef, ajanın ulaşabileceği bir hedeftir. Ajanın değerlendiremediği bir hedef ise, beraberinde fatura getiren sonsuz bir döngüye dönüşür. Kendi VPS'nizde bir kodlama ajanı çalıştırmak, bu döngüyü dizüstü bilgisayarınızı meşgul etmeden çalışabileceği bir yere taşır.

Maliyet bu noktada ortaya çıkar. Her planlama adımı, o ana kadarki geçmişi taşıyan yeni bir model çağrısıdır; bu nedenle on adımlık bir görev, tek adımlık bir görevin on katı fiyatında değil, daha fazlasındadır. Önemli olan mühendislik, döngünün biçimi ve onu durduran koşuldur; bu da döngü mühendisliği konusunun temelidir.

Fayda tabanlı aracılar: birkaç iyi seçenek arasından seçim yapmak

Bir hedef ikilidir. Fayda ise bir puandır. Fayda tabanlı bir aracı, kabul edilebilir birkaç sonuçla karşılaşır ve sizin yazdığınız bir fonksiyona göre en yüksek puanı alanı seçer.

İş günü başlamadan önce, uplink hattını doyurmadan tamamlanması gereken bir yedekleme işi, bir fayda problemidir. Tek bir doğru cevap yoktur, sadece bir denge durumu vardır. Hangi modelin hangi isteği karşılayacağına karar veren, fiyat ile cevap kalitesini kıyaslayan bir yönlendirici de aynı yapıya sahiptir.

Zor olan kısım algoritma değildir. Dürüst bir fayda fonksiyonu yazmaktır. Sadece maliyet üzerinden puanlama yaparsanız, pahalı olan modele ihtiyaç duyan tek bir istek dahil olmak üzere her istekte en ucuz modeli alırsınız. Sistem, tam olarak ölçtüğünüz şeyi optimize eder; ölçtüğünüz şeyin seçilme nedeni sadece ölçülmesinin kolay olmasıysa bu bir problemdir.

Öğrenen ajanlar: çoğu kişinin hâlihazırda sahip olduğunu varsaydığı tür

Bir öğrenen ajan, geçmiş sonuçlardan gelen geri bildirimlere dayanarak kendi davranışını değiştirir. Bu süreç, sonucu değerlendiren bir mekanizmaya ve bu değerlendirmeye yanıt olarak politikayı değiştiren bir yapıya ihtiyaç duyar.

Self-hosted sistemlerin çok azı bu tanıma uyar. Geçen hafta yazdığı notları okuyan bir ajan, bellek dosyasına sahip model tabanlı bir ajandır. Ağırlıkları aynıdır. Politikası aynıdır. Veri geri çağırma (retrieval) öğrenme değildir; bu ayrım pratikte önemlidir: bellek tabanlı bir sistem, belleği düzenleyen bir müdahale olmadığı sürece hatayı sonsuza kadar tekrarlar; öğrenen bir sistemin ise bu hatayı yapmayı bırakması beklenir.

Öğrenme kısmını istiyorsanız, önce değerlendirme mekanizmasını oluşturun. Puanlanmış bir test seti, yaptığınız değişikliğin bu set üzerinde çalıştırılması ve değişikliğin korunup korunmayacağına dair bir karar süreci; sizin öğrenme bileşeni olduğunuz kapalı bir döngüdür. Bu süreç kulağa geldiğinden daha yavaştır ancak günümüzde self-hosted bileşenler üzerinde çalışan tek yöntem budur. Bir değerlendirme altyapısını self-host etmek bu işin başlangıç noktasıdır.

Çoklu etmenli ve hiyerarşik sistemler: türler değil, düzenlemeler

Bunlar altıncı veya yedinci bir tür değildir. Etmenlerin nasıl düzenlendiğini tanımlarlar.

Çoklu etmenli bir sistem, kuyruk veya git deposu gibi paylaşılan bir ortamda aynı anda birden fazla etmeni çalıştırır. Ortam paylaşıldığı için etmenler birbirleriyle çakışır. İki etmenin aynı dosyayı düzenlemesi standart bir hata durumudur; çözüm ise kilitleme mekanizması veya iş kuyruğudur. Hiçbir istem (prompt) bu sorunu tek başına çözemez.

Hiyerarşik bir sistem, çalışanların üzerinde bir denetleyici konumlandırır. Denetleyici görevi parçalara ayırır, bu parçaları dağıtır ve geri dönen sonuçları birleştirir. İnsanların iş bölümü yapma biçimiyle örtüştüğü için popülerdir; ancak denetleyicinin bağlamı (context) okuduğu her raporla birlikte büyüdüğü için maliyetlidir. Çoklu etmenli bir donanım, bu bağlantıların pratikte nasıl kurulduğunu gösterir.

Çoğunlukla çalışan dört etmenden, gerçekten çalışan bir etmen daha iyidir.

Her iş devri, bilginin kaybolabileceği bir noktadır. Tek bir döngü ile başlayın. Yalnızca darboğaz olan adımı net bir şekilde tanımlayabildiğinizde sistemi parçalara ayırın.

Neden neredeyse her gerçek sistem hibrittir

Kendi başınıza çalıştırabileceğiniz bir dağıtım aracını düşünün. Bir webhook aracı tetikler; bu refleksif bir davranıştır. Araç, mevcut sürüm durumunu okur; bu model tabanlıdır. Çalışan sürümden hedef sürüme geçiş adımlarını planlar; bu hedef tabanlıdır. Mevcut yük durumuna göre bir dağıtım penceresi seçer; bu fayda tabanlıdır. Kendi politikasını asla düzenlemez, dolayısıyla öğrenen bir sistem değildir.

Tek bir sistem, aynı anda taksonominin dört satırını birden kullanır. Taksonomi, bitmiş bir ürün için bir etiket değil, bir tasarım kontrol listesi olarak değerini kanıtlar. Sistem hatalı çalıştığında sorulması gereken faydalı soru, hangi katmanın yanlış olduğudur. Yanlış bir olayda tetiklenen bir tetikleyici, güncelliğini yitirmiş bir durum, asla geçilemeyecek bir hedef kontrolü ve yanlış sonucu ödüllendiren bir puanlama; dört farklı düzeltme gerektiren dört farklı hatadır.

Hangi tür hangi işe uygundur

• Sabit tetikleyici, sabit yanıt, geçmiş kaydı gerekmez: basit refleks.
• Doğru yanıt daha önce ne olduğuna bağlıdır: model tabanlı refleks.
• Bitiş durumu kontrol edilebilir ancak yol önceden bilinmiyor: hedef tabanlı.
• Aralarında gerçek bir ödünleşim (trade-off) bulunan birkaç kabul edilebilir sonuç: fayda tabanlı.
• Sonuçların zamanla iyileşmesi gerekir: bir değerlendirme döngüsü oluşturun ve öğrenen bileşenin siz olduğunuzu kabul edin.

Bu aracıları kendi sunucunuzda barındırabilir misiniz ve maliyeti nedir?

Evet, barındırabilirsiniz ve maliyet ikiye ayrılır. Orkestrasyon ucuzdur. Bir n8n örneği veya Python tabanlı bir aracı döngüsü, ömrünün büyük kısmını ağ çağrılarını bekleyerek geçirir; bu nedenle 2 vCPU ve 4 GB RAM bu iş için yeterlidir. Asıl maliyet model tarafında oluşur.

Aracı barındırılan bir API'yi çağırıyorsa, sunucu neredeyse hiçbir kaynak tüketmez ve fatura token kullanımıyla doğru orantılı olarak artar. Hedef odaklı bir aracı için bu, izin verdiğiniz planlama adımı sayısı kadar ölçekleneceği anlamına gelir; bu yüzden döngüye bir üst sınır koyun.

Modeli kendi donanımınızda çalıştırırsanız, neyi çalıştırabileceğinizi RAM miktarı belirler. Aşağıdaki rakamlar, Ağustos 2026 itibarıyla 4-bit kuantize edilmiş ağırlıklar için yayınlanmış tipik dosya boyutlarıdır. Yanlarındaki toplam RAM planlama rakamları, bağlam penceresinin (context window) ve çalışma zamanının (runtime) ağırlıkların ötesinde alana ihtiyaç duyması nedeniyle eklenmiştir.

[
  {
    "label": "3B model",
    "weights_gb": 2,
    "ram_needed_gb": 6
  },
  {
    "label": "8B model",
    "weights_gb": 4.9,
    "ram_needed_gb": 10
  },
  {
    "label": "14B model",
    "weights_gb": 9,
    "ram_needed_gb": 16
  },
  {
    "label": "32B model",
    "weights_gb": 20,
    "ram_needed_gb": 32
  },
  {
    "label": "70B model",
    "weights_gb": 43,
    "ram_needed_gb": 64
  }
]

4-bit seviyesinde 8B bir model yaklaşık 4.9 GB ağırlığa sahiptir ve 10 GB RAM'e sahip bir makine bunu takas (swap) yapmadan çalıştırır. Aynı kuantizasyon seviyesindeki 70B bir model 43 GB ağırlığındadır ve yaklaşık 64 GB RAM gerektirir. Bu rakamların neyi dışarıda bıraktığına dikkat edin: hız. GPU'su olmayan bir VPS üzerinde, 4-bit 8B bir model saniyede tek haneli token üretir. Bu, gece boyunca bir kuyrukta çalışan bir aracı için kabul edilebilir olsa da, bir insanın beklediği herhangi bir işlem için oldukça yavaştır. Yerel çıkarımı (inference) toplu işler için saklayın; etkileşimli kısımlar için ise bir GPU veya API kullanın. Kendi kendine barındırılabilir yapay zeka aracıları kısa listesi, hangi projelerin disk alanınıza değeceğini; 2026'da aracılar için çalışma yolu ise nelerin hangi sırayla öğrenilmesi gerektiğini ele alır.

Taksonominin yetersiz kaldığı noktalar

Bu sınıflandırma, araçlar veya izinler hakkında hiçbir bilgi sunmaz. Ders kitabı düzeyindeki ajanlar algılar ve eyleme geçer. Bu bölümü yazan hiç kimse, bir ajanın üretim ortamına ait bir API anahtarına sahip olmasıyla ilgilenmemiştir. Shell erişimi olan hedef odaklı bir ajan ile salt okunur bir veritabanı bağlantısına sahip hedef odaklı bir ajan, tablonun aynı satırında yer alsa da tamamen farklı riskler taşır. Bir ajanın ne kadar zeki olması gerektiğine karar vermeden önce, neleri değiştirebileceğine karar verin ve bir kimlik bilgisi vermeden önce yapay zeka ajanlarından gizli veriler nasıl korunur başlıklı içeriği okuyun.

Ayrıca bu sınıflandırma, bir adım başarısız olduğunda ne olacağı hakkında da bir şey söylemez. Gerçek ajanlar çalışma sürelerinin büyük kısmını hataları yöneterek geçirir: bir hız sınırı (rate limit) veya modelin beklemediği bir çıktı döndüren bir araç gibi. Sistemin kullanılabilir olup olmadığına karar veren şey bu koddur ve taksonominin hiçbir satırı bunu tanımlamaz.

FAQ

Yapay zeka ajanlarının beş türü nelerdir?

Basit refleks, model tabanlı refleks, hedef tabanlı, fayda tabanlı ve öğrenen ajanlar. Bu türler, ajanın harekete geçmeden önce sahip olduğu bilgi miktarına göre sıralanır. Basit refleks ajanı yalnızca mevcut girdiyi görür. Model tabanlı ajan, çevresi hakkında durum bilgisi tutar. Hedef tabanlı ajan, bir hedef duruma ulaşmak için plan yapar. Fayda tabanlı ajan, kabul edilebilir birkaç sonucu puanlar ve en yüksek olanı seçer. Öğrenen ajan ise geri bildirimlerden yola çıkarak kendi politikasını değiştirir; self-hosted kurulumların neredeyse hiçbiri bu özelliği barındırmaz.

Basit bir otomasyon için hangi tür yapay zeka ajanı kullanmalıyım?

Basit refleks ajanı; bu da pratikte sabit bir diziyi tetikleyen bir webhook veya zamanlanmış görev anlamına gelir. Eğer doğru yanıt yalnızca yeni gelen girdiye bağlıysa, bellek kullanımı hata payını artırır ve hiçbir ek yetenek sağlamaz. Daha önce ne olduğunu bilmeyi gerektiren tek bir karar dahi almanız gerektiğinde model tabanlı tasarıma geçiş yapın.

Bir VPS üzerinde kendi yapay zeka ajanlarımı çalıştırabilir miyim?

Evet. Orkestrasyon katmanı hafiftir; bu nedenle 2 vCPU ve 4 GB RAM, bir iş akışı motorunu veya ajan döngüsünü rahatlıkla çalıştırır. Asıl karar, modelin nerede çalışacağıdır. Barındırılan bir API, sunucuyu küçük tutar ve maliyeti token bazlı harcamalara kaydırır. Yerel bir model ise parametre sayısıyla orantılı RAM gerektirir ve GPU olmadan saniyede tek haneli token üretir; bu da sohbet penceresinden ziyade kuyruğa alınmış toplu işler için uygundur.

Büyük bir dil modeli tek başına bir yapay zeka ajanı mıdır?

Hayır. Bir model, girdi metnini çıktı metnine eşler ve durur. Model, dünya üzerinde işlem yapabilen ve sonucu geri besleyebilen bir döngü içine alındığında ajan haline gelir; bu da çağırabileceği araçlara ve döngünün ne zaman duracağını belirten bir koşula ihtiyaç duyar. Ajan, bu sarmalayıcı yapıdır. Model ise bu yapının içindeki bir bileşendir.

Çoklu ajan sistemine ihtiyacım var mı?

Genellikle hayır. Birkaç araca sahip tek bir döngü, çoğu işi halleder ve hata ayıklaması çok daha kolaydır. Çoklu ajanlar, bir görevin parçaları gerçekten bağımsız olduğunda ve aynı anda çalışabildiğinde ya da bir bölüm farklı bir model gerektirdiğinde yardımcı olur. Bunun maliyeti koordinasyondur: paylaşılan durum ve okuduğu her işçi raporuyla bağlamı büyüyen bir denetleyici. İkinci ajanı, yavaş olan adımı net bir şekilde belirleyebildiğinizde ekleyin.