Kurumsal yapay zeka demolarında en sık karşılaştığım tablo, slaytta agentic AI platformu yazarken ekranda SharePoint’teki prosedür dokümanlarına soru soran bir sohbet penceresinin açık olması. LLM, RAG, AI agent ve agentic AI birbirinin yerine kullanılınca, basit bir doküman arama ihtiyacına pahalı bir çoklu ajan projesi imzalanabiliyor.
Bu yazıda dört katmanı sırayla açıp her birinin neye mal olduğuna ve hangi işe yettiğine bakacağız.
Dört kelime, üst üste dört kat
Dört kavram rakip ürünler gibi pazarlanıyor ama üst üste binen katmanlar halinde çalışıyor. Her biri alttakine bir yetenek ekliyor, o yetenekle birlikte de bir fatura.
Şöyle bir benzetme yapayım: çok okumuş ama şirketinizi henüz tanımayan, işe yeni başlamış bir çalışan düşünün. Dört katman, ona ne kadar erişim ve yetki verdiğinizi anlatıyor.
Anthropic ise Building effective agents yazısında alanın tamamına agentic systems diyor, içini sabit yollu workflow’lar ve kendi adımına karar veren agent’lar diye ayırıyor.
LLM ne biliyor, ne bilmiyor?
LLM, eğitiminde öğrendiklerinden yola çıkıp bir sonraki kelimeyi tahmin ede ede cevap üretir. Yeni çalışan gibi kendinden emin konuşur ama geçen ay değişen izin prosedürünüzü bilemez, boşluğu da çoğu zaman makul bir tahminle doldurur.
Metin özetlemek ya da bir PowerShell hatasını açıklatmak için bu katman yeter. Modelin elindeki tek şey eğitim verisi ve o an önüne koyduğunuz bağlam, bunu prompt ve context üzerine yazdığım yazıda anlatmıştım.
RAG, modeli bizim verimizle eğitmiyor mu?
RAG’de bir retriever soruya en alakalı belge parçalarını indeksten buluyor, model de cevabını bu parçalara dayandırıyor. Benzetmedeki çalışan cevaptan önce arşivden ilgili klasörü çekiyor. Model aynı model, değişen yalnızca masasına gelen klasör.
Terim 2020’de Lewis ve arkadaşlarının makalesiyle çıktı, orada retriever ile model birlikte ince ayardan geçiyordu. Azure AI Search ile kurduğunuz bugünkü RAG’de ise eğitim adımı yok. Doküman değişince indeks güncelleniyor, model yerinde duruyor. Microsoft’un RAG genel bakış sayfası gerekçeyi sayıyla veriyor. Model yaklaşık 128 bin token alıyor, on bin sayfalık doküman yığını buna sığmıyor.
Benim en sade örneğim yerel Supermemory hafıza katmanı, soru geldiğinde ilgili notlarımı bulup modele bağlam olarak veriyor. AI, context ve kalıcı hafıza yazısında anlattığım bu geri getirme adımı, RAG’deki R’nin ta kendisi.
İki uyarım var. RAG doğruluk garantisi vermez, yanlış klasör gelirse cevap da yanlış olur, üstelik kaynağa dayanıyormuş gibi görünür. İkincisi yetki. Kullanıcı yalnızca görmeye yetkili olduğu belgeyi getirebilmeli, Microsoft’un RAG kurgusunda SharePoint ve Entra izinleri bu yüzden devralınabiliyor. Bu kurulmazsa sohbet penceresi, yetkiniz olmayan İK dosyalarını özetleyen bir sızıntı kapısına döner.
Ajan ne zaman ajan oluyor?
AI agent bir hedef alır, hangi aracı çağıracağına karar verir, sonucu gözler ve hedefe varana kadar döngüyü sürdürür. Benzetmede bu, çalışana arşivin yanında takvimin, e-postanın ve terminalin anahtarlarını da vermek demek.
Farkı her gün kullandığım Copilot CLI ve Claude Code’da net görüyorum. Sohbet penceresi hatayı nasıl çözeceğinizi anlatıyor, ajan ise dosyayı okuyup komutu çalıştırıyor, çıktıya bakıyor, gerekirse düzeltip yeniden deniyor. Evdeki Windows sunucuda çalışan Hermes Agent da aynı döngüyle her sabah WhatsApp’a bakmam gereken e-postaları getiriyor.
Aracı model çalıştırmıyor, hangi aracın hangi parametrelerle çağrılacağını söylüyor, çalıştıran uygulama. Yetki ve log bu yüzden uygulama tarafında kuruluyor, ajanları Intune ve Defender ile kontrol altında tutmak üzerine yazdığım yazı da bu noktadan başlıyordu.
Microsoft’un orkestrasyon desenleri sayfası araçlı tek ajanı çoğu durumda doğru başlangıç noktası sayıyor. Araç çağırmayan sohbet penceresi ise adı ne olursa olsun LLM ya da RAG’dir.
Tek çalışan yetmeyince bir ekip kurulur
Son katmanda tek çalışanın yerini, ortak bir panoyu okuyup yazan ve sorun çıkınca planı değiştiren ajan ekibi alıyor. Şemadaki orkestrasyon katmanı görevleri dağıtıyor; değerlendirme sonuçları ortak görev durumuna yazılıyor ve sonraki adım buna göre seçiliyor. IBM de agentic AI’ı ajanları orkestrasyonla koordine eden ve sınırlı gözetimle bir hedefe yürüyen sistem olarak tanımlıyor.
Okuduğunuz yazı da böyle bir hattan geçti, orkestratör ajan kaşiften son okuyucuya yedi ajanı sırayla çağırıyor. Her aşamanın sonunda önce kapi.ps1 kontrol scripti çalışıyor, ardından bağımsız bir gatekeeper ajanı çıktıyı okuyup GEÇTİ ya da RED diyor.
Bu yazının geçtiği içerik hattı. Orkestratör ajanları sırayla çağırıyor, ortak durum pipeline.json dosyasında tutuluyor, her aşamanın arkasında kapi.ps1 ve gatekeeper kontrolü var, yayın kararı ise bende kalıyor.
RED gelen aşama gerekçesiyle düzeltmeye dönüyor, iki RED’den sonra iş bana kalıyor. Sistem hiçbir yazıyı canlıya almıyor, yalnızca taslak açıyor.
Aşamaların sırası kodda sabit, yani Anthropic’in diliyle araya kapı konmuş bir workflow, Microsoft’un diliyle sequential orchestration. Microsoft çoklu ajanda koordinasyon yükü ve gecikme konusunda uyarıyor, IBM de bir ajanın hatasının diğerlerine zincirleme yayılabileceğini söylüyor.
Hangi işe hangi katman yeter?
Her kat maliyet ve gecikme eklediği için Anthropic de Microsoft da en basit çözümle başlamayı öneriyor. Anthropic’e göre birçok uygulamada iyi bağlamla beslenmiş tek bir model çağrısı yetiyor.
Bir işe, onu çözen en alttaki katmandan fazlasını vermeyin.
Projelerde kararı hep aynı sırayla veriyorum. Model işi zaten biliyorsa LLM yetiyor, cevap şirket dokümanlarına dayanmak zorundaysa RAG ekliyorum. Sistemde işlem yapılacaksa ajana geçiyorum, birden fazla uzmanlık ve kontrol noktası gerekiyorsa orkestrasyon kuruyorum. Bu sırayla bakınca demodaki sohbet penceresi düpedüz RAG, ona agentic AI fiyatı ödemek de tek bir arşiv sorusu için ekip kurmak gibi.
Etiketin altına bakın
- LLM eğitimde öğrendikleriyle cevap verir, sizin dokümanlarınızı bilmez.
- RAG cevaptan önce ilgili belgeyi getirir, modeli eğitmez ve doğruluğu garanti etmez.
- AI agent hedef alır, araç çağırır, sonuca bakıp yeniden dener.
- Agentic AI birden fazla ajanı ortak durum ve kontrol noktalarıyla yönetir, en pahalı kat da budur.
Bir dahaki demoda slayttaki etiketi bir kenara bırakıp sistemin hangi araca dokunduğunu ve hatayı kimin yakaladığını sorun.
Sorularınız olursa yorumlarda buluşalım.
