Agentic AI (Ajan Tabanlı Yapay Zeka)

Agentic (veya "agentic AI"), bir LLM'in yalnızca tek bir prompta bir kez yanıt vermediği, bunun yerine bir dizi adımı özerk şekilde planladığı, dünyada eylemler gerçekleştirdiği (araçları, API'leri veya diğer sistemleri çağırarak), bu eylemlerin sonuçlarını gözlemlediği ve öğrendiklerine göre bir sonraki adımlarını uyarladığı — tek bir istek/yanıt alışverişi yerine bir döngü içinde çalışan — bir AI sistem tasarımı sınıfını tanımlar. Genellikle "düşün, harekete geç, gözlemle" olarak özetlenen (ReAct prompting çerçevesini yansıtan) temel desen, bir LLM'in tek bir prompt-yanıt alışverişinin ele alamayacağı çok adımlı görevleri üstlenmesine izin verir: bir kullanıcının kendisi manuel olarak birden fazla AI çağrısını ve ara adımları zincirlemesi gerekmez; bir ajan kendi bir sonraki eylemine karar verir, bunu bir araç aracılığıyla yürütür, sonucu okur ve görev tamamlanana veya insan girdisine ihtiyaç duyulana kadar bir sonraki ne yapacağına karar vermeye devam eder. Bu, SaaS geliştiricileri için son derece önemlidir çünkü agentic tasarım, basit bir "verilerinizle sohbet edin" özelliğini gerçek işi tamamlayabilen gerçekten özerk bir asistandan ayıran şeydir: birden fazla takvimi kontrol ederek ve davetiye göndererek bir toplantı ayarlamak, hata günlüklerini okuyarak, kod düzenleyerek ve testleri geçene kadar yeniden çalıştırarak başarısız bir testte hata ayıklamak veya birden fazla kaynak boyunca bir konuyu araştırıp bir rapor derlemek — bunların her biri, doğru bir sonraki eylemin öncekinin sonucuna bağlı olduğu birden fazla bağımlı adım gerektirir; bunu tek başına tek bir LLM çağrısı yapamaz. Somut bir örnek: "`auth.test.js`'deki başarısız testi düzelt" görevi verilen agentic bir kodlama asistanı, tek seferde bir düzeltme tahmini üretmekle kalmaz — bir dizi planlar: (1) test dosyasını okumak ve neyin test edildiğini anlamak için bir araç çağırır, (2) testi çalıştırmak ve gerçek hata çıktısını okumak için bir araç çağırır, (3) testin çalıştırdığı ilgili kaynak dosyayı okumak için bir araç çağırır, (4) hata ve kaynak koduna dayanarak kök nedeni hakkında akıl yürütür, (5) kaynak dosyayı bir düzeltmeyle düzenlemek için bir araç çağırır, (6) testi yeniden çalıştırmak için bir araç çağırır ve (7) hâlâ başarısız olursa, yeni bilgiyle 3. adıma geri döner — yalnızca test geçtiğinde veya insan yardımına ihtiyaç duyduğunu belirlediğinde durur. Güvenilir agentic sistemler inşa etmek, dikkatli araç tasarımı (net, iyi kapsamlı fonksiyon tanımları), kontrolden çıkan döngülere veya maliyetli eylemlere karşı guardrail'ler ve genellikle yüksek riskli eylemler (bir e-posta göndermek veya ödeme yapmak gibi) gerçekten yürütülmeden önce insan-döngüde kontrol noktaları gerektirir. Maliyet ve güvenilirlik, agentic sistemlerde tek çağrılı özelliklerden farklı şekilde birikir ve geliştiricilerin her ikisini de planlaması gerekir: bir ajanın akıl yürütme döngüsündeki her ek adım, ek bir LLM çağrısıdır (döngü uzunluğuyla doğrusal olarak gecikme ve maliyet ekler) ve her ek araç çağrısı, ajanın kötü bir sonucu sessizce ileri taşımak yerine zarif bir şekilde tespit edip kurtarması gereken ek bir başarısızlık noktasıdır (zaman aşımına uğrayan bir API, beklenmeyen veri döndüren veya modelin yanlış çağırdığı bir araç). Üretim agentic sistemleri tipik olarak maksimum döngü yineleme sayısını sınırlar, hata ayıklama ve denetim amaçları için her ara akıl yürütme adımını ve araç çağrısını kaydeder ve yüksek riskli, geri alınması zor eylemleri (para göndermek, veri silmek, dış iletişimler göndermek) yürütmeden önce açık insan onayı gerektirir.