AI Agent ve Skılls

Yapay Zekâya Soru Sormayı Bırakıp Artık Ona İş Yaptırma Zamanı...

AI Agent / Skills / İş akışları

Bu yazı, Yapay Zekâyla Çalışmak: Bağlam, RAG ve Hafıza yazımızın devamıdır. İlk bölümde yapay zekânın ne bildiğini ele aldık. Şimdi ise bir işi nasıl yapacağını; agent’lar, skill’ler ve çalışma ortamı üzerinden inceliyoruz.

AI Agent Nedir? Cevap Vermekten İş Yapmaya

Öncelikle sıklıkla kullanacağımız “Agent”ın ne olduğunu öğrenelim. Agentı bir insan olarak düşünelim. Siz bir şirkete yazılım desteği için ticket açıyorsunuz. Sorun önce inceleniyor, gerekiyorsa başka bir uzmana aktarılıyor, çözülüyor ve ardından kontrol ediliyor. AI tarafında da benzer bir yapı kurulabiliyor. AI yalnızca cevap vermek yerine araştırabiliyor, plan yapabiliyor, araç kullanabiliyor ve yaptığı işi kontrol edebiliyor. Bütün bunları agent adını verdiğimiz bir çalışana yaptırıyor.

Agentı yalnızca cevap veren bir yapay zekâdan ayıran bu çalışma biçimini, iki çalışan üzerinden somutlaştıralım. İki kişiye aynı işi verdiğinizi düşünün. Birincisine “Sorun burada, çöz.” diyorsunuz, ikincisine hiçbir yönlendirme yapmıyorsunuz. O, önce gereksinimleri netleştiriyor, plan yapıyor, uyguluyor ve sonunda yaptığı işi kontrol ettiriyor. İkisi de aynı zekâya sahip olsa da fark, nasıl çalıştıklarında.

Bu nedenle yeni dönemde önemli olan yalnızca daha güçlü bir model kullanmak değil. Önemli olan işi doğru kişiye yaptırmak ve doğru beceriyi doğru zamanda kullanmak. Bazı sorunlarda sistematik hata ayıklama konusunda uzmanlaşmış bir yaklaşım daha değerli olabilir. Bazılarında önce fikrin neden başarısız olabileceğini araştıran bir agent gerekir. Bazılarında ise hazırlanan işin farklı bir gözle tekrar kontrol edilmesi gerekir.

İçindekiler

AI Skills Nedir? Tekrar Kullanılabilir Çalışma Yöntemleri

Agent dünyasında bunun karşılığı yavaş yavaş oluşuyor. Skills adı verilen yapılarla AI’a tekrar kullanılabilir çalışma yön-temleri eklenebiliyor. Bir skill, basitçe “bunu yap” demekten daha fazlası. AI’ın belirli bir işi yaparken izleyeceği yöntemi, gerekli talimatları, örnekleri ve bazen kullanacağı araçları bir araya getiriyor.

Superpowers ile Planlama, Uygulama ve Kontrol

Superpowers bu yaklaşımın iyi bir örneği. Codex veya Claude Code’a bir iş verdiğinizde doğrudan kod yazmaya başlamasını istemiyor. Önce problemi anlamasını, tasarım üzerinde düşünmesini, plan yapmasını ve uygulama sırasında gerektiğinde başka agentları kullanmasını sağlıyor. İş bittiğinde ise yaptığı işi kontrol ettiriyor. Bu noktadan sonra AI, yalnızca kendisine soru sorduğumuz bir sohbet penceresi olmaktan çıkıyor; sağladığınız bağlamı koruyarak çalışabilen bir sisteme dönüşüyor. Gerektiğinde bilgi kaynaklarına erişebiliyor. Belirli işleri nasıl yapacağını biliyor ve bunun için farklı araçlar kullanabiliyor.

Mesela bir satış teklifini hazırlayan AI’ın fiyat tablosunu, şirketin yazım biçimini ve geçmiş teklifleri bilmesi mümkündür. Bir proje önerisini inceleyen başka bir agent, “Bu iş nerede başarısız olabilir?” diye bakabilir. Bir diğeri müşterinin gözünden aynı metni okuyabilir.

Aslında burada yaptığımız küçük bir ekip kurmak ve iş bölümü yapmaktır. Bu ekipten biri hazırlıyor, biri eleştiriyor, biri de kontrol ediyor. Bu da bugün yapılabiliyor. Codex veya Claude Code içinde bir skill eklemek, modeli değiştirmek anlamına gelmiyor. Aynı AI’a yeni bir çalışma biçimi kazandırıyorsunuz. Superpowers’ın Codex ve Claude Code için eklenti olarak kurulabilmesi bu yaklaşımın güzel bir örneği.

AI Agent’larda Hafıza ve Deneyim: iEvo Yaklaşımı

Bu noktada yeni çalışanımıza tekrar dönelim. İlk gününde her şeyi anlattık. Peki bir süre sonra öğrendiklerini unutmak yerine, yaptığı işlerden de ders çıkarabilseydi hikâye nasıl ilerlerdi?

iEvo gibi yeni açık kaynak projeler tam olarak bu fikirle deneyler yapıyor. Agentların veya skillslerin çalışırken öğrendiği dersleri ayrı bir katmanda tutup sonraki görevlerde kullanmayı hedefliyor. Üstelik Claude Code ve Codex gibi farklı ortamları destekliyor. (Yazının sonunda bunun gibi etkili birkaç skill bulabilirsiniz)

Bu, yapay zekâ kullanımında önemli bir değişim. Önce hafıza veriyoruz, sonra ona belirli işleri nasıl yapacağını öğretiyoruz ve son olarak yaptığı işlerden ne öğrendiğini kaydediyoruz. Böylece her gün aynı noktadan başlamıyor.

Abonelik mi, API mı? n8n ile İş Akışları

Bu noktada maliyet konusu da önemli elbette. İnsanla birlikte çalışan bir iş için aylık sabit ücretli Codex veya Claude Code gibi araçlar çok mantıklı olabilir. Gün içinde yanınızda çalışan, araştırma yapan, dosyaları inceleyen bir yardımcı düşünün. Böyle bir kullanımda sürekli API maliyeti hesaplamak yerine abonelik üzerinden çalışmak daha rahat olabilir ama siz bilgisayar başında değilken her sabah araştırma yapacak bir sistem istiyorsanız durum değişiyor. Örneğin bir diğer açık kaynak platform olan n8n ile zamanlanmış bir iş akışı kurulabilir. Sabah belirli saatte başlayan agent kaynakları tarar, daha ucuz veya yerel bir model ilk eleme işlemini yapar. Yalnızca gerçekten önemli bulunan bilgiler daha güçlü bir modele gönderilir. Son agent ise sonucu kısa bir rapora dönüştürür.

İşte burada API tabanlı kullanım anlam kazanıyor. Her iş için en pahalı modeli çalıştırmak yerine, güçlü modeli yalnızca gerçekten gerektiği noktada kullanıyorsunuz. Basit işler için küçük modeller, hassas veriler için yerel modeller, karmaşık işler için güçlü bulut modelleri tercih edilebiliyor.

Ollama ve Yerel Modeller: AI Nerede Gerekli?

Ollama gibi açık kaynak araçların değeri de burada ortaya çıkıyor. Her şeyi dışarıdaki bir API’a göndermek zorunda kalmadan modelleri kendi bilgisayarınızda veya sunucunuzda çalıştırabiliyorsunuz fakat önemli bir noktayı unutmamak gerekiyor, her problemi bir grup agenta vermek zorunda değiliz. Her sabah aynı dosyayı kontrol edip e-posta göndermek için belki AI’a bile ihtiyaç yoktur. Basit bir otomasyon yeterlidir ancak “Bu verileri incele, geçen üç ayla karşılaştır, olağan dışı değişimleri bul, nedenlerini araştır ve yönetim için önemli olanları özetle” dediğinizde iş değişir. İyi AI kullanımı, her yere AI koymak değildir; nerede gerekli olduğunu bilmek ve doğru maliyetle kullanmaktır.

Yapay Zekâ İçin Doğru Çalışma Ortamını Kurmak

Önümüzdeki yıllarda fark yaratacak olanın da bu olduğunu düşünüyorum. Bir şirketin en pahalı AI aboneliklerine sahip olması tek başına çok şey ifade etmeyecek. Aynı şekilde her yeni aracı kurmak da çözüm olmayacak. Yüzlerce yeni açık kaynak proje çıkıyor. Bazıları birkaç ay sonra kaybolacak,bazıları ise insanların ve şirketlerin çalışma biçimlerinin önemli parçaları hâline gelecek.

Yeni çalışanımıza bir kez daha bakalım. Artık her sabah her şeyi yeniden anlatmıyoruz,şirketi tanıyor. Geçmişteki önemli bilgileri hatırlıyor,bazı işlerde nasıl çalışması gerektiğini biliyor. Emin olmadığı bir konuda başka bir uzmandan yardım isteyebiliyor. Bazı işleri kendisi yapıyor, bazılarını kontrol için insana getiriyor. Bu çalışan bir insan değil ama ondan ne beklediğimizi anlamaya başladık. Yapay zekânın bugün geldiği nokta belki de en iyi böyle anlatılabilir. Artık mesele ona iyi bir soru sormak değil. Mesele “yapay zekâya doğru işi, doğru hafızayı, doğru beceriyi ve doğru çalışma ortamını vermek.” bunu yapabildiğimizde AI sadece sohbet penceresinde bekleyen bir araç olmaktan çıkıyor ve gerçekten çalışmaya başlıyor.

İş Süreçleri İçin 12 Skill ve AI Agent Fikri

Araştırırken ve denerken ilgimi çeken bazı örnekleri de paylaşmak istiyorum. Bazıları doğrudan kullanılabilen araç veya skill, bazıları ise AI ile oluşturulabilecek agent fikirleri. Benim için ilginç olan, her birinin AI’a genel olarak “Bir şey yap.” demek yerine, belirli bir işi ve çalışma biçimini tanımlaması.

01

Ponytail

Resmi tanımıyla onu tanırsın. Uzun at kuyruğu, oval gözlükler ve şirkette sürüm kontrol sisteminden bile daha uzun süredir çalışmış bir geliştirici. Elli satır kod gösterirsiniz, bakar ve hepsini tek satırla değiştirir. Bence burada güzel olan şey, AI’ı kod üretmeye değil gereksiz karmaşıklığı bulmaya yönlendirmesi.

02

Pre-mortem

Bir projeye başlamadan önce AI’a “Bu planı değerlendir.” demek yerine, “Bu proje altı ay sonra başarısız oldu. Neden?” diyebilirsiniz. Böylece AI planı desteklemeye değil içindeki zayıf noktaları aramaya başlar.

03

Browser / UI Agent

AI tarayıcıyı açıp giriş yapabilir, form doldurabilir, sipariş oluşturabilir ve sonucu kontrol edebilir. Bunu ister yazılımı gerçekten test etmek için kullanın, ister kendinize ürün ve fiyat takip eden bir agent oluşturun.

04

Project Planner

“Bunun bir mobil uygulamasını da yapabilir miyiz?” gibi belirsiz bir isteği eksik bilgiler, etkilenecek sistemler ve riskleri ortaya çıkararak gerçek bir proje planına dönüştürmeye çalışır.

05

Anomaly Investigator

Bir raporda satışların %40 arttığını görmek kolaydır. Asıl ilginç olan, AI’ın “Neden arttı?” sorusunun peşine düşmesidir. Burada görevi sayıları tekrar etmek değil, bir dedektif gibi farkın kaynağını araştırmaktır.

06

Deal Risk Review

Bir satış teklifine sadece “Satış yapılır mı?” bakış açısıyla yaklaşmak yerine , “Verdiğimiz sözü gerçekten yerine getirebilir miyiz?” bakış açısını temele oturtması kıymetli olandır. Bence bazen satışı artırmaktan daha değerli olan şey, ileride çıkacak bir sorunu teklif aşamasında görmektir.

07

Design Critic

AI’dan sürekli yeni bir tasarım üretmesini istemek zorunda değiliz. Bazen sadece eleştirmesi daha değerli olabilir. “Kullanıcı burada ne yapacağını anlayacak mı?”,” Önemli bilgi gerçekten fark ediliyor mu?” vs. sorularıyla eleştiri kasını kullanabiliriz.

08

Process Mapper

Bir süreci AI ile iyileştirmeden önce o süreci anlaması gerekir. Sürecin nerelerde beklediğini ve nerelerde sorun çıktığını haritalandırabilir. Bazen sorun otomasyon eksikliği değil, yıllardır kimsenin fark etmediği bir darboğazdır.

09

Meeting Challenger

Toplantıyı özetlemek artık sıradan. Daha ilginç soru “Bu toplantıda gerçekten ne kararlaştırdık?” karar gibi görünen ama netleşmeyen noktaları ve sahibi belli olmayan işleri bulabilir.

10

Docs Sync

Bir bilgiyi güncellediğinizde, başka hangi dokümanların hâlâ eski bilgiyi kullandığını araştırır. “Bu dokümanı güncelle.” yerine, “Bu değişiklik başka nereleri etkiliyor?” diye sorar.

11

Internal Comms Pressure Test

“Teknik ekip ne anlıyor, satış ekibi ne anlıyor?” gibi sorularla bir duyuruyu farklı departmanların gözünden okuyabilir. Böylece metindeki belirsizlikler yayınlanmadan ortaya çıkabilir.

12

Company Brain

Bence en büyük fikir bu. Burada amaç, bütün şirket dokümanlarını AI’a yüklemek değil; hafıza, RAG, skill’ler ve agent’ları bir araya getirerek şirketi zamanla tanıyan bir çalışma ortamı oluşturmaktır.

Facebook
X
LinkedIn