Yapay Zeka Ajanı Nedir? AI Agent Nasıl Çalışır, Chatbot ile Farkı Ne?

Kısaca: Yapay zeka ajanı (AI agent), verdiğiniz bir hedefi sizin adınıza adım adım yürüten yazılımdır. İçindeki dil modeli sıradaki adımı kendisi seçer, arama, veritabanı ya da e-posta gibi araçları çağırır, sonucu okur ve iş bitene ya da bir sınıra takılana kadar devam eder. Chatbot ise çoğunlukla soruyu yanıtlar ve sıradaki adımı size bırakır.

Türkçede "yapay zeka ajanı" ile "AI agent" aynı şeyi anlatıyor, eğitim ve ürün adlarında daha çok "agent" geçiyor. Chatbot sorunuzu yanıtlayıp bekler. Ajan ise bir iade talebini sonuçlandırmak gibi bir işi üstlenir ve bitirmek için gereken adımları kendisi atar.

Yapay zeka ajanı, bir görevi sizin adınıza büyük ölçüde bağımsız olarak tamamlayan ve kararlarını bir dil modeline verdiren sistemdir. OpenAI'ın Nisan 2025'te yayımladığı A practical guide to building agents rehberindeki tanım bu kadar kısa: ajanlar, görevleri sizin adınıza bağımsız olarak tamamlayan sistemlerdir. Rehber buna iki temel özellik ekliyor.

• Dil modeli işi yönetir: Ajan, işin akışını yürütmek ve karar vermek için bir dil modeli kullanır. İşin bittiğini fark eder, gerekirse yaptığını düzeltir, başaramazsa durur ve kontrolü kullanıcıya geri verir.
• Araç kullanır: Ajan, bilgi toplamak ve işlem yapmak için dış sistemlere bağlanan araçlara erişir ve hangi aracı çağıracağını işin o anki durumuna göre seçer. Bunu her zaman açıkça tanımlanmış korkuluklar (guardrails) içinde yapar.

Anthropic'in Aralık 2024'te yayımladığı Building effective agents yazısı da benzer bir çizgi çekiyor. Ona göre ajan, dil modelinin kendi sürecini ve araç kullanımını dinamik olarak yönettiği ve işi nasıl yapacağının kontrolünü elinde tuttuğu sistemdir. Anthropic sonradan sayfanın başına, yazıda anlatılan araç ekosisteminin büyük kısmının Aralık 2024'ten bu yana değiştiğini belirten bir not ekledi ve güncel yaklaşımı için Claude Managed Agents'ı nasıl kurduğunu anlatan yazıya ve Managed Agents belgelerine yönlendiriyor. Ajan tanımı ile iş akışı ve ajan ayrımı ana metinde aynen duruyor.

Ajanın merkezindeki parça büyük dil modeli (LLM). Modelin metni nasıl ürettiğini ve bir uygulamaya API üzerinden nasıl bağlandığını LLM nedir yazımızda anlattık.

Yapay zeka ajanı, bir dil modelini araçlar ve talimatlarla birlikte bir döngü içinde çalıştırarak iş görür. OpenAI rehberine göre en temel haliyle bir ajanın üç parçası var.

• Model: Akıl yürütmeyi ve kararları veren dil modeli.
• Araçlar: Ajanın işlem yapmak için kullandığı dış fonksiyonlar ya da API'ler. Modelin bu araçları çağırmasına araç kullanımı (tool calling) deniyor.
• Talimatlar: Ajanın nasıl davranacağını belirleyen açık yönergeler ve korkuluklar.

Bu parçalar bir döngü içinde çalışır. Bir müşterinin iade talebini sonuçlandırmakla görevlendirilmiş bir ajan düşünün.

1. Ajan hedefi alır: bu müşterinin iade talebini sonuçlandırmak.
2. Model ilk adımı seçer ve gerekiyorsa bir araç çağırır, örneğin sipariş kaydını okur.
3. Aracın döndürdüğü sonucu okur. Anthropic, ajanın ilerlemesini ölçmek için her adımda ortamdan gerçek bilgi (ground truth) almasını şart görüyor. Araç çağrısının sonucu ya da çalıştırılan kodun çıktısı bu türden bilgidir.
4. Sonuca göre bir sonraki adımı seçer. Plan, yolda öğrendiklerine göre değişebilir.
5. İş bitince ya da bir durma koşuluna ulaşınca durur. Anthropic'e göre görev çoğunlukla tamamlanınca bitiyor, ama kontrolü elde tutmak için en fazla yineleme (adım) sayısı gibi durma koşulları koymak da yaygın. Ajan kontrol noktalarında ya da takıldığı yerde insandan geri bildirim isteyebilir.

Bir modeli tek seferlik bir soruyla çağırmak bu döngüyü kurmaz. Ajanı ajan yapan, sıradaki adımı modelin seçmesi ve bunu sonucu görene kadar tekrarlamasıdır. OpenAI rehberi de döngüyü ajanın çalışmasının merkezine koyuyor: ajan, bir çıkış koşuluna ulaşana kadar döngüde çalışır.

Yapay zeka ajanı ile chatbot arasındaki fark, işin akışını kimin yönettiğinde. OpenAI rehberi bunu açıkça yazıyor: dil modelini kullanan ama işin akışını ona yönettirmeyen uygulamalar ajan değildir. Rehberin örnekleri basit chatbotlar, tek turluk model çağrıları ve duygu analizi sınıflandırıcıları.

Bugün birçok sohbet uygulaması araç da çağırabiliyor. Bu durumda ayrımı arayüz belirlemiyor. Asıl soru, birden fazla adımlık bir işte sıradaki adımı kimin seçtiği. Adımları siz yönetiyorsanız elinizdeki bir chatbot, model yönetiyorsa bir ajanla çalışıyorsunuz.

Chatbot mu yapay zeka ajanı mı seçeceğiniz işin türüne bağlı.

• Chatbot: Kullanıcı bilgi istiyor ve işlemi kendisi yapacaksa chatbot yeterli. Sık sorulan sorular, ürün bilgisi ve belge özeti bu gruba girer.
• Yapay zeka ajanı: İş birden fazla sistemde işlem gerektiriyor ve adımların sırası duruma göre değişiyorsa ajan gerekir.
• İkisi birlikte: Ön yüzde kullanıcıyla bir chatbot konuşur, arka plandaki işlemleri bir ajan yürütür. Geri alınamayan adımlara insan onayı koyun.

Bu ayrımı netleştirmek ilk ajan projesinin de başlangıç noktası. RuneLab'ın Yapay Zeka Agent Temelleri eğitimi chatbot, iş akışı otomasyonu ve agent arasındaki farklarla açılıyor, ardından kurum için doğru ilk use case'i değer, risk ve uygulanabilirliğe göre seçmeyi çalışıyor.

İş akışında adımlar önceden kodla belirlenir, ajanda ise model sürecini ve hangi aracı kullanacağını kendisi yönetir. Anthropic'in Building effective agents yazısı ikisini de "agentic sistem" başlığı altında topluyor ve aralarına bu mimari çizgiyi çekiyor.

Aynı yazı önce mümkün olan en basit çözümü aramayı, karmaşıklığı ancak gerektiğinde artırmayı öneriyor. Bu bazen hiç ajan kurmamak demek. Anthropic'e göre agentic sistemler daha iyi sonuç için gecikme ve maliyetten taviz veriyor. İyi tanımlanmış işlerde iş akışları öngörülebilirlik ve tutarlılık sağlıyor, esneklik ve modelin karar vermesi gereken yerlerde ise ajanlar daha iyi bir seçenek. Birçok uygulama için bilgi getirme (retrieval) ve örneklerle güçlendirilmiş tek bir model çağrısı genellikle yetiyor.

• İş akışı: Adımları önceden yazabiliyorsanız iş akışı yeterli. Örneğin gelen her faturayı okumak, alanları çıkarmak ve muhasebe sistemine yazmak.
• Ajan: Adımların sayısı ve sırası girdiye göre değişiyorsa ve bunu kurallarla yazmak çok dallı bir yapıya dönüşüyorsa ajan daha uygun.
• Tek model çağrısı: Bir metni özetlemek ya da sınıflandırmak gibi tek adımda biten işlerde tek bir model çağrısı yeter.

Gerçek süreçlerde ikisi çoğu zaman yan yana duruyor. RuneLab'ın Agentic İş Akışı Tasarımı eğitimi bu ayrımdan yola çıkıyor: bir süreçte hangi adımın kural, hangisinin model kararı gerektirdiğini ayırıyor, sonra prompt chaining, routing ve evaluator-optimizer gibi kalıplarla n8n ya da Power Automate üzerinde çalışan bir akış kuruyor.

Yapay zeka ajanı en çok, kurallarla otomatikleştirmenin zorlandığı işlerde değer katıyor. OpenAI rehberi bunu ödeme dolandırıcılığı analiziyle anlatıyor. Geleneksel bir kural motoru bir kontrol listesi gibi çalışıp işlemleri önceden belirlenmiş ölçütlere göre işaretliyor. Bir LLM ajanı ise deneyimli bir müfettiş gibi bağlamı ve ince örüntüleri değerlendiriyor, açık bir kural çiğnenmediğinde bile şüpheli işlemi fark edebiliyor. Rehber, daha önce otomasyona direnen işler arasında üç türe öncelik vermeyi öneriyor.

• İnce yargı ve istisna isteyen kararlar: Bağlama göre değişen, istisnası bol kararlar. Rehberdeki örnek, müşteri hizmetlerinde iade onayı.
• Bakımı zorlaşmış kural setleri: Kural sayısı arttıkça güncellemesi pahalılaşan ya da hataya açık hale gelen sistemler. Rehberdeki örnek, tedarikçi güvenlik incelemesi.
• Yapılandırılmamış veriye dayanan işler: Doğal dili yorumlamak, belgeden anlam çıkarmak, kullanıcıyla sohbet etmek. Rehberdeki örnek, konut sigortası hasar dosyası.

Anthropic de müşterileriyle çalışmasında öne çıkan iki alanı sayıyor: müşteri desteği ve kodlama ajanları. Kendi uygulamalarından verdiği örnekler, bir görev tanımına bakıp birçok dosyada değişiklik yapan bir kodlama ajanı ve Claude'un bir bilgisayarı kullanarak iş yaptığı "computer use" örneği.

Müşteri hizmetlerinde yapay zeka ajanı sohbeti yürütürken müşteri verisine, sipariş geçmişine ve bilgi tabanı makalelerine araçlarla ulaşıyor, iade ya da kayıt güncelleme gibi işlemleri yapıyor. Anthropic müşteri desteğini bu yüzden ajanlara doğal olarak uyan bir alan olarak görüyor.

Ajanın her işi kendisinin çözmesi de beklenmiyor. OpenAI rehberi, ajan bir işi tamamlayamadığında kontrolü devretmesini, müşteri hizmetlerinde bunun konuyu bir insan temsilciye aktarmak anlamına geldiğini yazıyor. RuneLab'ın sesli müşteri temsilcisi RuneVoice bu devri telefonda uyguluyor. Kurumun belgelerinden, RuneDesk'in kullandığı kaynaktan yanıt veriyor, kaynağın kapsamadığı bir soruya yanıt uydurmuyor ve çağrıyı canlı bir temsilciye aktarıyor. Her çağrıdan sonra bir özet ve sonucu kaydediyor, çağrıları Türkçe ya da İngilizce karşılıyor.

Kurum belgelerinden yanıt bulmanın yaygın yolu RAG (retrieval-augmented generation). Modelin yanıtı belgelerinizde nasıl bulduğunu RAG nedir yazımızda anlattık.

Yapay zeka ajanı kod yazarak da kodsuz araçlarla da kurulabilir, hangi yolu seçerseniz seçin aynı adımlar geçerli. OpenAI rehberi ve Anthropic yazısı bu adımlarda büyük ölçüde örtüşüyor.

1. İşi seçin. OpenAI rehberi, ajan kurmaya karar vermeden önce işin yukarıdaki ölçütlere açıkça uyduğunu doğrulamayı öneriyor, aksi halde deterministik bir çözüm yetebilir. Kurallarla çözülebilen bir iş için ajan kurmayın.
2. Tek ajanla başlayın. OpenAI rehberine göre tek bir ajan, araçlar adım adım eklenerek birçok işi üstlenebiliyor ve bu yol karmaşıklığı yönetilebilir tutuyor. Birden fazla ajana ne zaman geçileceğini Tek ajan mı, çok ajan mı? yazımızda anlattık.
3. Araçları dar ve açık tanımlayın. Her aracın ne yaptığını, hangi girdiyi aldığını ve ne döndürdüğünü yazın. Anthropic yazısının bir ekini yalnızca araç tanımlarına ayırmış ve bu tanımlara prompt'un geneli kadar özen gösterilmesini öneriyor. Aynı yazı, araçları modele bağlamanın bir yolu olarak Model Context Protocol'ü gösteriyor (nasıl işlediği MCP nedir yazımızda). RuneLab'ın Araç Kullanabilen Agent'lar eğitimi bu adımı uygulamalı çalışıyor: JSON Schema ile araç şeması ve açıklama tasarımı, parametre doğrulama ve OpenAI, Claude ve Gemini API'leriyle çalışan bir agent.

4. Talimat ve korkuluk yazın. OpenAI rehberi talimatları mevcut çalışma prosedürlerinden, destek metinlerinden ve politika belgelerinden türetmeyi öneriyor. Ajanın neyi yapmayacağını da yazın ve her işlemi bir yetki listesiyle sınırlayın. Rehbere göre korkuluklar tek başına yetmiyor, sağlam kimlik doğrulama, yetkilendirme ve sıkı erişim kontrolüyle birlikte kullanılmalı.
5. Durma koşulu ve insan onayı koyun. OpenAI rehberi insanı devreye sokan iki durum sayıyor. Biri ajanın deneme ya da işlem sınırını aşması, örneğin birkaç denemeden sonra müşterinin ne istediğini hala anlayamaması. Diğeri hassas, geri alınamayan ya da yüksek riskli işlemler. Rehberin örnekleri kullanıcı siparişini iptal etmek, büyük tutarlı iade onaylamak ve ödeme yapmak. RuneLab'ın İnsan Onaylı Agent'lar eğitimi bu eşiği tasarlamayı çalışıyor: araç çağrılarını geri alınabilirlik ve etki düzeyine göre sınıflandırmak, tutar, güven skoru ve müşteri segmentine göre risk bazlı onay eşikleri koymak ve insan yanıt verene kadar bekleyen onay akışları kurmak.
6. Yalıtılmış ortamda test edin ve ölçün. Anthropic, ajanları yalıtılmış test ortamlarında (sandbox) kapsamlı biçimde test etmeyi ve uygun korkuluklarla çalıştırmayı öneriyor. OpenAI rehberi de model seçerken önce değerlendirme (eval) kurup bir performans tabanı çıkarmayı öneriyor. Ajan çıktılarını bir dil modeliyle puanlamak için LLM as a judge yazımıza bakabilirsiniz.

Yapay zeka ajanlarının başlıca riskleri biriken hatalar, artan maliyet, dolaylı prompt injection ve geri alınamayan işlemler.

• Biriken hatalar: Anthropic, ajanların özerkliğinin daha yüksek maliyet ve birbirine eklenen hatalar anlamına geldiğini yazıyor. Erken bir yanlış adım, sonraki her adımı etkileyebilir.
• Maliyet ve gecikme: Döngü uzadıkça model çağrısı sayısı artar. Bir ajanın bir sohbete göre ne kadar fazla token harcadığına dair rakamlar çok ajanlı sistemler yazımızda yer alıyor.
• Dolaylı prompt injection: OWASP'ın LLM01:2025 Prompt Injection sayfasına göre dolaylı prompt injection, model web siteleri ya da dosyalar gibi dış kaynaklardan girdi aldığında ortaya çıkıyor. Bu içerik, model tarafından yorumlandığında modelin davranışını istenmeyen ya da beklenmedik biçimde değiştirebiliyor. Araç kullanan bir ajan tam da bu tür içeriği okuduğu için risk ajanlarda daha belirgin. Saldırı örneklerini ve korunma yollarını prompt injection nedir yazımızda anlattık. RuneLab'ın Agent Yetkilendirme ve Güvenlik eğitimi bu senaryodan yola çıkıyor: dolaylı prompt injection ile tetiklenen yetkisiz araç çağrılarını politika katmanında engellemek, OAuth On-Behalf-Of (OBO) ile kullanıcı adına dar kapsamlı yetki vermek ve kod çalıştıran ajanları sandbox içinde yalıtmak.
• Geri alınamayan işlemler: Kayıt silme ve dışarıya mesaj gönderme gibi geri alınamayan işlemleri insan onayına bağlayın. OpenAI rehberi de sipariş iptali, büyük tutarlı iade ve ödeme gibi yüksek riskli işlemlerin, ajana güven oluşana kadar insan denetimini tetiklemesini öneriyor.

Hermes Agent, Nous Research'ün geliştirdiği, MIT lisanslı ve açık kaynak bir yapay zeka ajanı. Projenin GitHub deposundaki README'si onu kendini geliştiren yapay zeka ajanı olarak tanıtıyor. README'ye göre ajan karmaşık görevlerden sonra kendi becerilerini (skills) oluşturuyor ve kullandıkça geliştiriyor, oturumlar arasında hafıza tutuyor, zamanlanmış görevler çalıştırabiliyor ve işleri paralel çalışan alt ajanlara bölebiliyor. Telegram, Discord, Slack, WhatsApp, Signal ve komut satırından kullanılabiliyor. Model seçimi serbest: Nous Portal, OpenRouter, OpenAI ya da kendi uç noktanız (endpoint) bağlanabiliyor.

Hermes Agent yazılımı ücretsiz. Projenin LICENSE dosyasına göre yazılım MIT lisanslı ve telif hakkı 2025 tarihli olarak Nous Research'e ait. Çalışması için ise en az bir model sağlayıcısı gerekiyor, Hermes Agent belgelerindeki Providers sayfası bunu açıkça yazıyor. Nous Portal abonelikle çalışıyor. OpenRouter ya da OpenAI gibi bir sağlayıcının API anahtarını kullanırsanız o sağlayıcının fiyatı geçerli. Ollama ile kendi bilgisayarınızda çalışan yerel bir model ise anahtar istemiyor.

4 Kasım 2026 itibarıyla Hermes Agent'ın son sürümü v0.22.7 ve resmi Hermes Agent kurulum sayfası önce Hermes Desktop paketlerini öneriyor. Masaüstü paketleri macOS ve Windows için. macOS'taki DMG paketi yalnızca Apple Silicon işlemcili Mac'lerde çalışıyor, Windows'ta ise paket Windows App Installer ile kuruluyor.

Masaüstü uygulaması olmadan, yalnızca komut satırından kurmak için Linux, macOS ve WSL2'de şu komutlar yeterli.

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.bashrc
hermes

macOS'un varsayılan kabuğu olan zsh'de ikinci satır source ~/.zshrc olur. Windows 10 ve 11'de Hermes Agent WSL2 olmadan çalışıyor. README, yerel Windows desteğinin tam olduğunu yazıyor, belgelerin Platform Support sayfası da Windows 10 ve 11'i öncelikli desteklenen platformlar arasında sayıyor. Kurulum için PowerShell'de şu komutu çalıştırın.

iex (irm https://hermes-agent.nousresearch.com/install.ps1)

Kurulumdan sonra hermes model ile model sağlayıcısını ve modeli, hermes tools ile açık olacak araçları seçiyorsunuz. hermes setup ise bütün ayarları tek bir sihirbazda adım adım soruyor.

İnternetten indirilen bir betiği çalıştırmadan önce içeriğini okuyun. Ajanı ilk denemede iş verilerinize erişemeyeceği ayrı bir ortamda çalıştırın, çünkü dolaylı prompt injection ve geri alınamayan işlem riskleri kişisel bir ajan için de geçerli.

AI agent, Türkçede yapay zeka ajanı demek. Bir hedefi sizin adınıza adım adım yürüten, sıradaki adımı ve kullanacağı aracı kendisi seçen yazılımı anlatıyor.

Chatbot çoğunlukla soruyu yanıtlar ve sıradaki adımı kullanıcıya bırakır. Yapay zeka ajanı ise bir hedefi sonuca götürmek için sıradaki adımı ve aracı kendisi seçer. OpenAI'ın tanımına göre dil modelini kullanan ama işin akışını ona yönettirmeyen basit chatbotlar ajan sayılmaz.

OpenAI'ın rehberindeki örnekler müşteri hizmetlerinde iade onayı, tedarikçi güvenlik incelemesi ve konut sigortası hasar dosyası. Anthropic ise birçok dosyada değişiklik yapan kodlama ajanlarını ve bilgisayarı kullanarak iş yapan computer use örneğini veriyor. Anthropic müşteri desteğini de ajanlar için öne çıkan alanlardan biri olarak sayıyor.

Önce işin gerçekten ajan gerektirip gerektirmediğine bakın, kurallarla çözülebiliyorsa bir iş akışı yeterli. Sonra tek bir ajanla başlayın, araçlarını dar ve açık tanımlayın, talimat ve korkuluk yazın. Geri alınamayan işlemlere insan onayı koyun ve ajanı yayına almadan önce yalıtılmış bir ortamda test edin.

Hermes Agent, Nous Research'ün geliştirdiği MIT lisanslı, açık kaynak bir yapay zeka ajanı ve README'si onu kendini geliştiren yapay zeka ajanı olarak tanıtıyor. Ajan deneyimden beceri oluşturuyor, oturumlar arasında hafıza tutuyor ve Telegram, Slack ya da komut satırından kullanılabiliyor. Model sağlayıcısı serbestçe seçilebiliyor.

Hermes Agent yazılımı MIT lisanslı ve ücretsiz, ama çalışması için en az bir model sağlayıcısı gerekiyor. Nous Portal abonelikle çalışıyor, OpenRouter ya da OpenAI anahtarı kullanırsanız o sağlayıcının fiyatı geçerli. Ollama ile bilgisayarınızda çalışan yerel bir model anahtar istemiyor.

Hermes Agent, macOS ve Windows için Hermes Desktop paketleriyle ya da komut satırından kurulabiliyor. Linux, macOS ve WSL2'de resmi kurulum betiği tek bir curl komutuyla, Windows 10 ve 11'de bir PowerShell komutuyla çalışıyor. Kurulumdan sonra hermes model ile model, hermes tools ile araçlar seçiliyor.

OpenAI rehberi önce tek bir ajanın kapasitesini sonuna kadar kullanmayı öneriyor, çoğu zaman araçlarıyla tek bir ajan yetiyor. Talimatlar çok sayıda koşullu dal içerdiğinde ya da ajan birbirine benzeyen araçlar arasında sürekli yanlış aracı seçtiğinde işi birden fazla ajana bölmek gerekebilir.

• OpenAI, A practical guide to building agents: ajan tanımı ve iki temel özelliği, ajanın üç parçası, ajan sayılmayan uygulamalar, ödeme dolandırıcılığı örneği ve üç kullanım türü, tek ajanla başlama, talimatlar, korkuluklar ve insan müdahalesi
• Anthropic, Building effective agents: ajan ve iş akışı ayrımı, ajan ne zaman kurulmalı, ajan döngüsü ve durma koşulları, ajan örnekleri, araç tanımları, sandbox içinde test ve sayfadaki editör notu
• OWASP Gen AI Security Project, LLM01:2025 Prompt Injection: dolaylı prompt injection tanımı
• Nous Research, hermes-agent GitHub deposu: README'deki tanım ve özellikler, desteklenen kanallar ve model sağlayıcıları, yerel Windows desteği
• Nous Research, hermes-agent LICENSE: MIT lisansı
• Nous Research, Hermes Agent v0.22.7 sürüm sayfası: son sürüm
• Hermes Agent belgeleri, Installation: Hermes Desktop paketleri, komut satırı kurulumu ve kurulum sonrası komutlar
• Hermes Agent belgeleri, Platform Support: Windows 10 ve 11 desteği
• Hermes Agent belgeleri, Providers: model sağlayıcısı gerekliliği, Nous Portal aboneliği ve anahtarsız yerel Ollama

• Tek ajan mı, çok ajan mı?
• RAG nedir? Yapay zeka yanıtları belgelerinizde nasıl bulur?
• LLM as a Judge nedir? Yapay zeka hakemi
• MCP (Model Context Protocol) nedir?
• LLM nedir? Yapay zekada büyük dil modeli
• Eğitim: Yapay Zeka Agent Temelleri