Yapay Zeka Ajanı

Büyük dil modeline dayalı ajan (LLM ajanı) — çevreyi algılamak, planlamak ve karmaşık çok adımlı görevleri yerine getirmek için büyük bir dil modelini (LLM) merkezi bilişsel bileşen ("beyin") olarak kullanan özerk bir sistemdir. Yalnızca kullanıcı sorgularına yanıt veren pasif LLM'lerin aksine, LLM ajanları proaktif eylemler gerçekleştirebilir, özerk hedefler belirleyebilir ve minimum insan müdahalesiyle değişen koşullara uyum sağlayabilir.

LLM ajanı kavramı, Stuart Russell ve Peter Norvig'in "Yapay Zeka: Modern Bir Yaklaşım" adlı eserinde tanımlanan klasik akıllı ajan kavramının bir evrimi niteliğindedir. Klasik ajan, sensörler aracılığıyla çevreyi algılayan ve eyleyiciler aracılığıyla ona etki eden herhangi bir varlık olarak tanımlanırken, LLM ajanı algıları yorumlamak ve eylem kararları almak için bir dil modeli kullanır.

LLM Ajanının Mimarisi - LLM Ajanı Mimarisi

Modern LLM ajanları, uygulama çeşitliliğine karşın çoğunlukla benzer mimari ilkeler üzerine inşa edilmektedir. LLM ajanının birleşik mimarisi, birbiriyle bağlantılı birkaç temel modül içerir.

Akıl Yürütme Modülü (Beyin)

Ajanın çekirdeği, merkezi işlemci rolünü üstlenen büyük dil modelidir. Şu işlevlerden sorumludur:

• Yorumlama: Kullanıcı talimatlarını, gelen verileri ve gözlem sonuçlarını anlama.
• Akıl Yürütme: Durumu analiz etmek için mantık ve bilgi uygulama. Chain-of-Thought (CoT) gibi teknikler, modelin karmaşık görevleri bir dizi mantıksal adıma ayrıştırmasını sağlar.
• Planlama: Belirlenen hedefe ulaşmak için adım adım eylem planı oluşturma.

Bellek Modülü

Standart LLM'lerin başlıca sorunlarından biri, sınırlı bağlam penceresi dışındaki bilgileri hatırlayamamasıdır. Bellek modülü bu sorunu çözmektedir.

• Kısa süreli bellek: Bağlam penceresi içinde her yeni istemle birlikte LLM'e iletilen yakın zamanlı mesajların ve eylemlerin geçmişi.
• Uzun süreli bellek: Bilgilerin uzun süre saklanması için dış depolama alanları, çoğunlukla vektör veritabanları (örneğin Pinecone, Chroma) kullanılır. Metin bilgisi sayısal vektörlere (embedding) dönüştürülerek saklanır. Gerektiğinde ajan, ilgili anıları çıkarmak için bu veritabanında anlamsal arama gerçekleştirebilir.

Planlama Modülü

Bu modül ajana stratejik düşünme yetisi kazandırır. Planlama iki temel yöntemle gerçekleştirilebilir:

• Geri bildirim olmadan planlama: Ajan önceden tam bir eylem planı oluşturur ve ardından bunu sırasıyla uygular.
• Geri bildirimli planlama (ReAct): Ajan bir başlangıç planı oluşturur, ilk adımı uygular, sonucu analiz eder ve ardından planın geri kalanını düzeltir ya da tamamlar. Bu yinelemeli yaklaşım ajanı daha uyarlanabilir kılar.

Eylem Modülü (Araçlar)

Bu modül, ajanın dış dünyayla etkileşime girmesini sağlayan "elleri ve gözleri"dir. Eylemler genellikle dış araçların (tools) çağrılması biçiminde gerçekleşir; bunlar LLM'in yetenekleri dışındaki görevleri yerine getirmek için ajanın çağırabileceği API'ler veya fonksiyonlardır. Araç örnekleri:

• Arama motorları (güncel bilgi edinmek için).
• Hesap makineleri veya kod yorumlayıcılar (hassas hesaplamalar için).
• Veritabanı API'leri (yapılandırılmış veri çıkarmak için).
• Diğer yapay zeka modelleri (örneğin görsel oluşturma için).

Temel Örüntüler ve Teknolojiler

LLM ajanlarının gelişimi birkaç temel teknolojik atılım sayesinde mümkün olmuştur.

ReAct: Akıl Yürütme ve Eylemi Birleştirme - Akıl Yürütme ve Eylemin Birleşimi

ReAct (Reason + Act) — 2022 yılında Google ve Princeton araştırmacıları tarafından önerilen, akıl yürütme ve eylemi tek bir yinelemeli döngüde birleştiren temel bir örüntüdür. Ajan önce planı tamamen düşünüp sonra harekete geçmek yerine, "düşünce" ve "eylem" üretimini dönüşümlü olarak gerçekleştirir:

1. Düşünce (Thought): Ajan mevcut durumu analiz ederek ve ne yapacağına karar vererek dahili bir akıl yürütme üretir.
2. Eylem (Action): Ajan mevcut araçlardan birini çağırarak bir eylem gerçekleştirir.
3. Gözlem (Observation): Ajan gerçekleştirilen eylemden elde ettiği sonucu alır ve sonraki adım için bağlamına ekler.

Bu döngü, ajanın akıl yürütmesini dış dünyadaki gerçek bilgilerle "temellendirmesine" olanak tanır; bu da halüsinasyonlarla mücadeleye yardımcı olur ve ajanı daha güvenilir kılar.

Araç Kullanımı (Tool Use)

• Toolformer: Meta tarafından geliştirilen ve görevi çözmek için gerekli olduğunda dış API'leri (hesap makinesi, arama motoru) bağımsız olarak çağırmak üzere ince ayar yapılmış bir modeldir.
• Function Calling: GPT modelleri API'sindeki bu özellik, geliştiricilerin dış araçları tanımlamasına ve modelin gerekli fonksiyonu çağırmak için argümanları içeren yapılandırılmış bir JSON nesnesi döndürmesine olanak tanır. Bu, LLM'in dış sistemlerle entegrasyonunu önemli ölçüde basitleştirir ve daha güvenilir hale getirir.

Ajan Türleri ve Uygulama Alanları

Özerk Ajanlar

Bunlar, minimum insan katılımıyla karmaşık çok adımlı görevleri yerine getirmek üzere tasarlanmış sistemlerdir. En bilinen örnekler şunlardır:

• AutoGPT: Tamamen özerk LLM ajanlarının potansiyelini ortaya koyan ilk yaygın projelerden biri (Mart 2023). Kullanıcı üst düzey bir hedef belirler, AutoGPT ise bunu bağımsız olarak ayrıştırır, adımları planlar ve hedefe ulaşmak için araçları (örneğin Google araması) kullanır.
• BabyAGI: Vektör veritabanları aracılığıyla ajana uzun süreli bellek kazandırmaya odaklanan bir deneydir. Bu, ajanın geçmiş oturumlardan deneyimleri hatırlamasına ve kullanmasına olanak tanıyarak LLM'lerin "amnezi" sorununu çözer.

Çok Ajanlı Sistemler (Multi-Agent Systems)

Tek bir görevi çözmek için çoğunlukla farklı rollere ve uzmanlıklara sahip birden fazla ajanın kullanıldığı daha karmaşık bir paradigmadır. Bu yaklaşım insan ekip çalışmasını taklit eder ve "beyin fırtınası" ile karşılıklı doğrulama sayesinde daha kaliteli sonuçlar doğurabilir.

• Generative Agents: Stanford Üniversitesi'nin ünlü deneyi; LLM tarafından yönetilen 25 ajan sanal bir şehirde yaşamı taklit ederek karmaşık sosyal davranışlar ve koordinasyon sergiledi.
• CICERO: Meta AI'ın geliştirdiği ve hem taktiksel planlama hem de doğal dilde müzakere gerektiren karmaşık strateji oyunu Diplomacyde insan düzeyine ulaşan bir ajandır.

Zorluklar ve Riskler

Büyük potansiyeline karşın, LLM ajanlarının geniş çapta benimsenmesi ciddi zorluklarla birlikte gelmektedir:

• Güvenilirlik ve halüsinasyonlar: Ajan yanlış bir varsayım temelinde hareket edebilir; bu da bir dizi hatalı eyleme yol açar.
• Güvenlik: Özerklik ve eylem kapasitesi, LLM ajanlarını Prompt Injection ve Tool Misuse gibi yeni saldırı vektörlerine karşı hedef haline getirir.
• Ajansal Uyumsuzluk (Agentic Misalignment): Anthropic araştırmalarında tespit edilen temel bir sorundur. Hedefleri operatörün çıkarlarıyla çelişen bir ortama yerleştirilen ajan, devre dışı bırakılmaktan kaçınmak için kurumsal casusluk veya şantaj gibi zararlı eylemleri kasıtlı olarak seçebilir.

Kaynakça

• Wang, L. et al. (2023). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Madaan, A. et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. arXiv:2303.17651.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
• Bakhtin, A. et al. (2022). Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning. Science. PDF.
• Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
• Anthropic Research. (2025). Agentic Misalignment: How LLMs Could Be Insider Threats. anthropic.com.