---
title: "Ajanlı İş Akışları"
source: "https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1"
wiki: "systems-analysis.info/int"
article: "Ajanlı_İş_Akışları"
language: "tr"
categories:
  - "Category:AI Agents"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Turkish"
revision_id: 262
wiki_created_at: 2026-09-06T22:31:12Z
wiki_modified_at: 2026-09-06T22:31:12Z
downloaded_at: 2026-09-07T22:39:01Z
---

# Ajanlı İş Akışları

**Ajanlı iş akışları** (**Agentic Workflows**) — büyük dil modellerine (LLM) dayanan özerk AI ajanlarının minimum insan müdahalesiyle bağımsız olarak kararlar aldığı, eylemler gerçekleştirdiği ve görevleri koordine ettiği dinamik çok adımlı süreçlerdir<sup>[\[1\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-ibm_what_is-1)</sup>. Bu tür sistemlerde LLM yalnızca tek bir sorguya yanıt üretmek için değil, aynı zamanda eylem dizilerini planlamak, harici araçlarla etkileşime girmek ve sonucu yinelemeli olarak iyileştirmek için de kullanılır.

Katı kurallara dayanan geleneksel otomasyonun aksine, ajanlı yaklaşımlar esneklik sunar — yeni verilere ve öngörülemeyen koşullara uyum sağlayabilirler. Ajanlı bir iş akışı, basit bir LLM çağrısından (örneğin metin özetleme) şu açıdan ayrılır: ajana eylem seçiminde özerklik tanınır; bu da planlama, araç kullanımı ve öz-düzeltmeyi kapsar<sup>[\[2\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-weaviate_blog-2)</sup>.

## Ajanlı Workflow'un Bileşenleri ve Mimarisi

Ajanlı iş akışı, hedefe ulaşmak için birkaç temel bileşeni bir araya getirir.

### AI Ajan ve LLM

Sürecin merkezinde **AI ajan** yer alır — kullanıcı veya sistem adına hareket eden özerk bir program. Ajanın temel bileşeni, doğal dil talimatlarının anlaşılmasını ve gerekli akıl yürütmenin üretilmesini sağlayan büyük dil modelidir. Ajanın çalışma kalitesi, prompt mühendisliğine büyük ölçüde bağlıdır — farklı prompt şemaları (örneğin Chain-of-Thought) LLM'yi istenen çalışma tarzına yönlendirmeye yardımcı olur<sup>[\[1\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-ibm_what_is-1)</sup>.

### Araçlar (Harici Eylemlere Erişim)

LLM'nin bilgisi eğitim verileriyle sınırlı olduğundan, ajana yeteneklerini genişleten harici **araçlar** sağlanır. Araçlar; bilgi tabanlarına, arama motorlarına, API'lara, kod yorumlayıcılara ve diğer uygulamalara erişimi kapsayabilir. Bu araçlar sayesinde ajan güncel bilgilere ulaşır veya modelin kendisinin dışında gerçek eylemler gerçekleştirir<sup>[\[2\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-weaviate_blog-2)</sup>.

### Bellek ve Bağlam

Ajanlı workflow'ların ayırt edici özelliği, ajanın önceki deneyimlerini ve bağlamı dikkate almasına olanak tanıyan bir bellek mekanizmasının varlığıdır.

- **Kısa süreli bellek**, mevcut oturum kapsamında yakın zamanlı bilgileri (örneğin diyalog geçmişini) tutar.
- **Uzun süreli bellek**, birçok çalıştırma boyunca biriktirilen bilgi ve sonuçları saklar; bunun için genellikle harici depolama alanları (örneğin vektör veritabanları) kullanılır<sup>[\[3\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-ibm_autogpt-3)</sup>.

### Geri Bildirim ve Düzeltme

Geri bildirim mekanizmaları, güvenilirliğin artırılmasında kritik bir rol oynar. Ajan; görev yürütme ortamından, yardımcı bir "eleştirmen" modelden veya bir insandan (*human-in-the-loop* modu) *feedback* alabilir. Örneğin **Reflexion** sistemi dahili öz-geri bildirim uygular: ajan kendi hatalarını analiz eder ve sonraki denemeleri iyileştirmek amacıyla "düşüncelerini" bellekte saklar<sup>[\[4\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-reflexion_paper-4)</sup>.

### Çok Ajanlı Yapılandırmalar

Karmaşık senaryolarda, birden fazla uzmanlaşmış ajanın birbirleriyle etkileşime girdiği çok ajanlı mimari kullanılır. Örneğin bir "planlayıcı" ajan alt görevleri belirlerken, birden fazla "uygulayıcı" ajan kendi dar görevlerini (veri arama, hesaplama vb.) yerine getirir<sup>[\[1\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-ibm_what_is-1)</sup>.

## Ajanların Tipik Çalışma Örüntüleri ve Algoritmaları

LLM tabanlı ajanlı sistemler için henüz evrensel bir standart mimari geliştirilmemiş olsa da 2023–2024 yılları arasında tekrar eden örüntüler ortaya çıkmaya başlamıştır<sup>[\[5\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-vellum_guide-5)</sup>.

- **Adım Adım Planlama (Prompt Chaining)**. Görev, bir LLM çağrıları zinciri aracılığıyla bir dizi aşamaya bölünür. Her adım, bir öncekinin çıktısını girdi olarak alır ve genel görevin bir bölümünü gerçekleştirir. Bu yaklaşım yorumlanabilirliği artırır ancak daha az esnektir.
- **Yönlendirme ve Araç Seçimi (Router Pattern)**. Ajan önce gelen görevin türünü sınıflandırır, ardından bir dağıtıcı gibi davranarak çözüm için uygun bir süreç veya araç seçer.
- **Paralel Çözüm Arama**. Tek bir doğrusal düşünce akışı yerine birden fazla çözüm seçeneği aynı anda keşfedilir. Buna örnek olarak Tree-of-Thoughts yaklaşımı gösterilebilir; ajan bir ağaç gibi dallanarak her adımda birden fazla "düşünce" adayı üretir ve en umut verici olanları seçer<sup>[\[6\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-tot_paper-6)</sup>.
- **Yansıma ve Öz-Düzeltme**. Ajan kendi kararlarını eleştirel biçimde değerlendirir ve hatalardan öğrenir. Reflexion yönteminde ajan, her denemeden sonra sonucu analiz eder ve sonraki döngülerde kullandığı çıkarımları saklar<sup>[\[4\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-reflexion_paper-4)</sup>.

## Öne Çıkan Yaklaşım Örnekleri

- **ReAct** (*Reasoning and Acting*) — akıl yürütmeyi ve eylemi birleştiren temel bir yöntemdir (2022). LLM, araçlar aracılığıyla yürütülen mantıksal çıkarımları (*thoughts*) ve somut eylem adımlarını (*actions*) dönüşümlü olarak üretir<sup>[\[7\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-react_paper-7)</sup>.
- **Reflexion** (2023) — ajanların model ağırlıklarını güncellemeden metin tabanlı geri bildirim yoluyla kendi hatalarından öğrenmesine olanak tanıyan bir öz-yansıma framework'üdür<sup>[\[4\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-reflexion_paper-4)</sup>.
- **Tree-of-Thoughts (ToT)** (2023) — modelin birden fazla gelişme senaryosunu düşünebilmesi için Chain-of-Thought fikrini bir ağaç biçiminde çözüm aramasına genelleştiren bir framework'tür<sup>[\[6\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-tot_paper-6)</sup>.
- **Auto-GPT** (2023) — tamamen özerk ajanlı bir workflow sergileyen ilk yaygın açık kaynak projelerinden biridir. Sistem, kullanıcı tarafından belirlenen üst düzey bir hedefe ulaşmak için adımları birlikte planlayan ve yürüten bir grup uzmanlaşmış GPT-4 ajanı oluşturur<sup>[\[3\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-ibm_autogpt-3)</sup>.

## Uygulama Alanları ve Etkisi

Ajanlı yaklaşımlar, akıllı otomasyonun ve esnekliğin gerektiği pek çok alanda uygulama bulmaktadır.

- **İş Süreçleri**: Ajanlı sistemler, teknik destek sohbet botlarının yeteneklerini genişletir; bu botlar sorunları bağımsız olarak teşhis edip çözümler bulabilir. Ayrıca finans, insan kaynakları yönetimi ve pazarlama alanlarında da kullanılmaktadır<sup>[\[1\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-ibm_what_is-1)</sup>.
- **Üretken Simülasyonlar**: Özerk LLM ajanları, toplulukların veya karakterlerin karmaşık davranışlarını modelleyebilir. "Generative Agents" (Park ve ark., 2023) çalışmasında, farklı kişiliklere sahip onlarca GPT ajanı, simüle edilmiş bir kasabadaki sosyal yaşamı gerçekçi biçimde taklit etmiştir.

Gartner analistlerinin değerlendirmesine göre ajanlı yapay zeka (*Agentic AI*), 2025 yılının stratejik teknoloji trendleri arasında yer almaktadır<sup>[\[1\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-ibm_what_is-1)</sup>.

## Sorunlar ve Gelişim Perspektifleri

Elde edilen başarılara karşın, ajanlı LLM sistemleri hâlâ yeni ve karmaşık bir teknolojidir.

- **Kaynak Maliyetleri**: Her ek planlama, arama veya öz-analiz adımı ayrı bir LLM çağrısı anlamına gelir; bu da yürütme süresini ve maliyeti artırır.
- **Davranış Öngörülemezliği**: Ajana ne kadar fazla özgürlük tanınırsa, hangi yolu seçeceğini garanti etmek o kadar zorlaşır. Bu durum, kısıtlamaların ve koruyucu mekanizmaların (*guardrails*) uygulanmasını zorunlu kılar.
- **Kalite Değerlendirmesi ve Hata Ayıklama**: Hataları bulmak amacıyla çok adımlı sistemlerin kapsamlı günlüklerini analiz etmek basit bir görev değildir.
- **Güvenlik ve Etik**: Yapay zekanın özerkliğinin artmasıyla birlikte, ajanların kullanıcı ve toplum çıkarları doğrultusunda hareket etmesini garanti etme gerekliliği ortaya çıkmaktadır.

Gelecekteki araştırmalar, evrensel araç kullanım araçlarının oluşturulmasına, birleşik uçtan uca workflow'ların geliştirilmesine ve ajanlı sistemlerin verimliliğinin optimize edilmesine yöneliktir<sup>[\[8\]](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_note-survey_li_2024-8)</sup>.

## Literatür

- 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.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366.
- 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*. DOI:10.1126/science.ade9097.
- Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432.
- Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. arXiv:2406.05804.
- Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. arXiv:2407.18370.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110.
- He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. arXiv:2502.01390.
- Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. arXiv:2402.02716.
- Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. arXiv:2305.14564.

## Kaynakça

- IBM'den ajanlı iş akışlarına genel bakış
- Anthropic'ten etkili AI ajanları oluşturma rehberi

## Notlar

1.  <span id="cite_note-ibm_what_is-1">↑ <sup>[1.0](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-ibm_what_is_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-ibm_what_is_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-ibm_what_is_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-ibm_what_is_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-ibm_what_is_1-4)</sup> «What are Agentic Workflows?». *IBM*. <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-weaviate_blog-2">↑ <sup>[2.0](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-weaviate_blog_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-weaviate_blog_2-1)</sup> «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. <a href="https://weaviate.io/blog/what-are-agentic-workflows" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-ibm_autogpt-3">↑ <sup>[3.0](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-ibm_autogpt_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-ibm_autogpt_3-1)</sup> «What is AutoGPT?». *IBM*. <a href="https://www.ibm.com/think/topics/autogpt" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-reflexion_paper-4">↑ <sup>[4.0](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-reflexion_paper_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-reflexion_paper_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-reflexion_paper_4-2)</sup> Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. <a href="https://arxiv.org/abs/2303.11366" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-vellum_guide-5">[↑](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. <a href="https://www.vellum.ai/blog/agentic-workflows-emerging-architectures-and-design-patterns" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-tot_paper-6">↑ <sup>[6.0](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-tot_paper_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-tot_paper_6-1)</sup> Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-react_paper-7">[↑](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-survey_li_2024-8">[↑](https://systems-analysis.info/int/Ajanl%C4%B1_%C4%B0%C5%9F_Ak%C4%B1%C5%9Flar%C4%B1#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. <a href="https://arxiv.org/html/2406.05804v1" class="external autonumber" rel="nofollow">[8]</a></span>