# Yapay Zeka Ajan Örnekleri: Bir Haftasonunda Build Et

URL: https://whatshouldibuildnext.com/tr/journal/yapay-zeka-ajan-ornekleri
Type: blog
Locale: tr
Published: 2026-09-05
Updated: 2026-09-06

---

> Bir haftasonunda build edilebilecek yapay zeka ajan örnekleri: e-posta sıralama, standup üreticisi, rakip istihbarat ajanı. LangChain, CrewAI ve Claude ile pratikte nasıl çalışır.

Şu an üretimdeki en iyi yapay zeka ajan örnekleri araştırma demoları değil. Bunlar halihazırda çalışan e-posta sıralama pipeline'ları, PR açılmadan önce sorunları yakalayan kod inceleme botları ve biletlerin %70'ini insan müdahalesi olmadan kapatan müşteri destek ajanları. Yalnız çalışan devler, LangChain, Claude ve bir Postgres veritabanı kullanarak bir haftasonunda ajan shiplıyor. Bu buildler nasıl görünüyor, 500 kullanıcıda ne tutuyor ve çoğu solo-built ajanın nerede çöktüğünü aşağıda bulacaksın.

## Bir chatbot ile yapay zeka ajanı arasındaki temel fark

Chatbot, mesajını bekler, bir yanıt üretir, durur. Yapay zeka ajanı planlar, hangi araçları çağıracağına karar verir ve her adımı sen izlemeden sistemler üzerinde işlem yapar. 2026'da bu kategoriyi ilginç kılan tek şey bu fark.

Somut olarak: bir chatbot "hesap bakiyem ne?" sorusunu yanıtlar. Ajan onu yanıtlar, sonra bakiyenin alışılmadık biçimde düşük olduğunu fark eder, son işlemleri kontrol eder, şüpheli bir harcamayı işaretler ve bir itiraz e-postası taslağı oluşturur. Aynı temel LLM, tamamen farklı mimari.

Mimarinin üç hareketli parçası var. Modelin bir sonraki adımda ne yapacağına karar verdiği bir akıl yürütme döngüsü. Modelin çağırabileceği bir araç seti: API'lar, veritabanları, arama, kod yürütme. Ve bellek: ya konuşma bağlamında kısa vadeli ya da bir vektör veritabanında veya ilişkisel depoda uzun vadeli. Deseni bir kez gördüğünde, kaç tane sıkıcı iş akışının yalnızca build edilmeyi bekleyen ajanlar olduğunu fark etmeye başlarsın.

Bu üç parçanın birleşimi, ajanı chatbottan ayıran şeyin ne olduğunu da açıklıyor: araç seti ve bellek olmadan elimizde yalnızca bir akıl yürütme döngüsü var, yani bir chatbot. İkisini de ekleyince, modelin kendi kendine çalışabileceği bir sistem elde ediyorsun.

## Devlerin bir haftasonunda shiplediği en basit yapay zeka ajan örnekleri

48 saatte gerçekten buildlenebilir, kolaydan zora dört başlangıç noktası.

**E-posta sıralama ajanı.** Gmail API üzerinden bağlanır, gelen mesajları okur, onları acil / takip gerektirir / arşiv olarak sınıflandırır ve klasörlere taşır. LangChain ve Gmail API ile build edilir. Zor kısım LLM çağrısı değil, OAuth akışı ve iletilmiş thread'leri doğru işlemek. İki haftasonun sonunda artık fark etmezsin çünkü sadece çalışıyor.

**Günlük standup üreticisi.** Google Takvim'ini ve Jira panonunu okur, dünden beri nelerin değiştiğini özetler ve sabah 9'da Slack'e biçimlendirilmiş bir güncelleme gönderir. Bunu senden kimse istemedi. Ekibindeki herkes sessizce minnettar. Stack: bir cron job, Jira REST API, bir Claude çağrısı ve bir Slack webhook.

**Rakip istihbarat ajanı.** CrewAI desenini kullanan çok adımlı bir pipeline: bir ajan rakiplerle ilgili haberleri arar, ikinci bir ajan makaleleri okuyup öne çıkan iddiaları çıkarır, üçüncüsü haftalık bir brifing taslağı oluşturur. Searcher ve Analyst rol ayrımı, sorumluluklar apaçık ortada olduğu için başlamak için en temiz çok-ajan deseni.

**Yerel haber özetleyici.** Beş şehre özgü kaynaktan RSS beslemelerini toplar, anlamsal benzerlik kullanarak haber tekrarını giderir, temaya göre kümelenir ve tek sayfalık bir özet üretir. İstanbul, Ankara veya İzmir'deysen, Türkçe yerel beslemeler bunu App Store'da mevcut herhangi bir şeyden daha kullanışlı kılar.

Dördü için de şunu söyleyebiliriz: GPT-4o-mini API maliyetlerini o kadar düşük tutuyor ki bunun hakkında düşünmeyeceksin. Gecikme önemliyse Groq daha hızlı. İkisi de sunucu kiralamanı gerektirmiyor; Vercel cron job'ları bu listedeki her şey için yeterli.

Hangisini seçersen seç, yapının aynı kaldığını göreceksin: bir tetikleyici (webhook, cron, kullanıcı girdisi), bir akıl yürütme adımı, bir veya birkaç araç çağrısı ve bir çıktı. Bu yapıyı kafanda oturtmak, sonraki build'leri çok daha hızlı başlatmanı sağlıyor. Dört projeden herhangi biriyle pratik yaptıktan sonra, farklı alanlardaki ajanları neredeyse aynı iskelet üzerine inşa edebileceğini anlıyorsun.

## Çok-ajan mimarileri: tek bir LLM yetmediğinde

Tek ajanlı buildler, görevin aynı pipeline içinde farklı uzmanlık gerektirdiği noktada bir duvara çarpıyor. Hem araştırma yapması, hem metin yazması hem de sosyal paylaşımları planlaması gereken bir araştırma ajanı üç farklı şey olmaya çalışıyor. Üçünde de vasat olacak.

Çözüm daha iyi bir prompt değil. Sorumlulukları bölmek.

Ciddi bir şey build etmeden önce öğrenmek için iki desen:

**Orkestratör-işçi.** Bir ajan görevi alt görevlere ayırır ve onları uzman işçilere atar. Orkestratör işi kendisi asla yapmaz. Bu, LangGraph'ın ikiden fazla adım içeren her şeyi yapılandırmanı önerdiği yöntem. Durum makinesi modeli kurulumu uzun sürer ama yanlış hata ayıklamak neredeyse imkansızdır, bu da kulağa göründüğünden daha önemli.

**Paralel fan-out.** Alt görevler bağımsız olduğunda, bunları eş zamanlı olarak çalıştır. Ardışık yerine aynı anda beş rakip web sitesini kontrol eden rekabetçi analiz ajanı, duvar saati süresini %80 ve API maliyetini yaklaşık aynı oranda düşürüyor. Python'un asyncio'su, görevlerin IO'ya bağlı olması halinde herhangi bir ek çerçeve olmadan bunu yapıyor.

![Birbirine bağlı işlem düğümleriyle çok-ajanlı yapay zeka pipeline'ının soyut görselleştirmesi](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/whatshouldibuildnext/2026-09/bc36ed-inline2.webp)

CrewAI, ilk build için Searcher/Analyst desenini erişilebilir kılıyor. Pydantic AI, ajanlar arasındaki veri sözleşmeleri konusunda daha katı, bu da çıktıyı sadece senin okumadığın an önemli hale geliyor. İkisi de zorunlu değil. LangChain ve iyi isimlendirilmiş birkaç Python fonksiyonu, grafik karmaşıklaşana kadar gayet iyi çalışıyor.

İlk denemende atla: ilk girişiminde tamamen özerk bir ajan build etmeye çalışma. Üretimdeki ilginç yapay zeka ajan örnekleri tam özerk değil. Ajanın devam etmeden önce insanın incelediği kontrol noktaları var. Bu tasarım seçimi bir koltuk değneği değil, onları altı ay sonra güvenilir biçimde çalıştıran şey.

## Üretimdeki yapay zeka ajanları: gerçek rakamlar ne diyor

Klarna'nın müşteri destek ajanı, devreye girmesinin ilk ayında müşteri hizmetleri konuşmalarının üçte ikisini yönetti. Bu başlık. Daha az haberi olan kısım: hata oranı canlıya geçecek kadar düşük hale gelmeden önce Klarna'ya özgü veriler üzerinde aylarca ince ayar gerektirdi. "Bir haftasonunda shiplendi" çerçevesi prototip için doğru, gerçek müşteri isteklerini ölçekte işleyen bir üretim sistemi için değil.

Solo devler için gerçekçi rakamlar farklı görünüyor. İyi build edilmiş bir e-posta sıralama ajanı, iki haftalık kullanım içinde kişisel bir gelen kutusunda %85-90 doğruluğa ulaşıyor çünkü örüntü uzayı küçük ve bireysel bir hatanın maliyeti düşük. 1.000 kullanıcılı bir SaaS ürünü için müşteri destek ajanının güvenli biçimde deploy edilebilmesi için açık yükseltme yolları, kullanıcı başına geçmiş ve insan inceleme kuyruğuna ihtiyacı var.

![Gece yapay zeka ajan projesi üzerinde çalışan, birden fazla terminal penceresiyle çalışan geliştirici](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/whatshouldibuildnext/2026-09/6ca776-inline1.webp)

Yayınlanan örneklerde geçerli olan desen: net başarı kriterleriyle yapılandırılmış, tekrarlayan görevleri yürüten ajanlar, açık uçlu karar çağrılarını yürüten ajanlardan daha iyi performans gösteriyor. Destek biletlerini kategoriye göre sınıflandıran ajan, onlara nasıl yanıt verileceğine karar veren ajandan daha güvenilir. Önce birincisini build et. İkincisi aşama 2 problemi.

Kullanışlı bir kıstas: ajanının beklenen çıktıları için bir test paketi yazamıyorsan, görev kapsamı çok geniş. Yazabilene kadar daralt. Bu kısıtlama tek başına, internette bulacağın yapay zeka ajan örneklerinin %80'inden ilk buildini daha kullanışlı yapacak.

## Solo build ajanların tutarlı biçimde çöktüğü yerler

Neredeyse her post-mortem'de üç hata modu tekrar ediyor.

**Bağlam penceresi varsayımı.** Ajanı, LLM'nin üç araç çağrısı önce söylenenleri hatırlayacağını varsayarak build ediyorsun. Konuşma yeterince uzun olduğunda hatırlamayacak. Çözüm açık durum yönetimi: temel bilgileri kısa vadeli bir depoya yaz (Python dict, SQLite tablosu) ve her akıl yürütme adımının başında bunları enjekte et. Can sıkıcı. Bunu atlarsın ve ajan bilmesi gereken gerçekleri güvenle uydurur.

**Araç çağrıları için yeniden deneme mantığı yok.** Dış API'lar başarısız oluyor. Gmail API bir 500 döndürüyor. Jira REST uç noktası zaman aşımına uğruyor. Yeniden deneme mantığı olmayan ajan, bu ilk gerçekleştiğinde çalışmayı durduruyor, genellikle Salı sabahı 02:00'de sen bakmazken. Üç satır üstel geri çekilme kodu bunu önlüyor.

**"Devam et" hata modu.** Bazı ajanlar beklenmedik bir durumla karşılaştıklarında durup hatayı ortaya çıkarmıyorlar. Öne doğru mantık yürütüyorlar, makul görünen bir karar veriyorlar ve yanlış yönde güvenle ilerliyorlar. Çözüm açık kontrol noktaları: her büyük adımdan sonra, devam etmeden önce çıktının beklentilerle örtüşüp örtüşmediğini doğrula. Örtüşmüyorsa dur ve bir insanın üzerinde işlem yapabileceği bir hata döndür.

Bunlar uç durumlar değil. Hata ayıklama sürenin büyük çoğunluğunu harcayacağın üç şey bunlar.

Bir de pratik kural var: her şeyi logla. Ajanın her araç çağrısını, her ara çıktıyı, her karar noktasını bir yere yaz. Üretimde hata ayıklamak, yeterli loglama olmadan neredeyse imkansız. Bazen bir ajan üç adım sonra çöküyor ama ikinci adımdaki sessiz hata olmasa üçüncü adım hiç başarısız olmazdı. Log olmadan bunu asla göremezsin.

![Yapay zeka ajanı build eden mekanik klavyede yakın çekim eller](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/whatshouldibuildnext/2026-09/723f52-inline3.webp)

## Kendi ajanını mı build edeceksin yoksa hazır platforma mı bağlanacaksın

Bir satır kod yazmadan önce sormaya değer soru bu.

Lindy, Devin ve Manus gibi mevcut platformlar altyapıyı hallederek görev tanımına odaklanmanı sağlıyor. Teknik olmayan kullanıcılar için veya mantığın basit olduğu iş akışları için doğru yanıt bunlar. Ajanın temelde "bu gelen kutusunu izle, bu veriyi çıkar, şuraya gönder" ise sıfırdan build etmene gerek yok.

Sıfırdan build et: görev, hazır platformların kaldıramayacağı alana özgü akıl yürütme gerektirdiğinde. Özel bir sistemle sıkı entegrasyona ihtiyaç duyduğunda. İki yıllık platform kilitlenme maliyeti, kendin build etme maliyetini aştığında. Pratikte bu, çoğu iç araç ajanının build etmeye değer olduğu, çoğu genel amaçlı iş akışı ajanının olmadığı anlamına geliyor.

Üç yıllık side project shipleme deneyiminden kullanışlı bir kıstas: iş akışı tek cümlede açıklanabiliyorsa ve içinden geçen veriler yapılandırılmışsa mevcut bir platform kullan. Ajanın ne karar vereceğini ve neden karar vereceğini açıklamak için birden fazla paragrafa ihtiyaç duyuyorsan, özel bir şey build ediyorsun demektir. Bu sorun değil, sadece baştan dürüst ol ki süreyi küçümsemeyesin.

## Bu hafta build etmek istiyorsan

Yukarıdaki dört haftasonu projesinden birini seç. Katı bir kısıtlama koy: ilk versiyon için maksimum dört saat. Amaç çalışan bir ajan değil, düzeltecek kadar iyi anladığın bir kırık ajan.

E-posta sıralama ajanıyla başla. En kısa geri bildirim döngüsüne, en affedici hata modlarına ve en net başarı ölçütüne sahip. Bu çalışmaya başladıktan sonra, Searcher/Analyst çok-ajan deseni soyut hissetmek yerine anında pratik anlam kazanacak.

Altı ay sonra ya haftada iki saat kazandıran bir şeyin olacak, ya da tam olarak o iş akışı için ajan build etmek istemediğini öğrenmiş olacaksın. Her iki sonuç da kullanışlı. İkisi de mükemmel bir ilk versiyon gerektirmiyor.

## FAQ

### Yapay zeka ajan ile chatbot arasındaki fark nedir?

Chatbot mesaj bekler, yanıt verir, durur. Yapay zeka ajanı planlar, araçları çağırır ve insan denetimi olmadan sistemler üzerinde işlem yapar. Aynı temel LLM, tamamen farklı mimari.

### Yapay zeka ajanı build etmek ne kadar sürer?

Basit bir e-posta sıralama ajanı veya standup üreticisi 48 saatte build edilebilir. 1.000 kullanıcılı bir SaaS ürünü için üretim düzeyinde ajan aylarca ince ayar ve yükseltme yolları gerektiriyor.

### LangChain mi, CrewAI mi kullanmalıyım?

İlk çok-ajan build için CrewAI, Searcher/Analyst deseniyle daha erişilebilir. Veri sözleşmeleri önemliyse Pydantic AI. LangGraph, karmaşık durum makineleri için tercih edilir.

### Yapay zeka ajanını ne zaman sıfırdan build etmeli, ne zaman platform kullanmalı?

İş akışı tek cümlede açıklanabiliyorsa Lindy veya Devin gibi platform kullan. Alana özgü akıl yürütme veya özel entegrasyon gerektiriyorsa sıfırdan build et.

### Solo build ajanlarda en yaygın hatalar neler?

Üç ana hata: bağlam penceresi varsayımı (LLM her şeyi hatırlamaz), araç çağrıları için yeniden deneme mantığı olmaması ve kontrol noktası olmadan devam eden ajanlar.

### Yapay zeka ajanlarının üretimdeki başarı oranı nedir?

Klarna'nın ajanı ilk ayda konuşmaların üçte ikisini yönetti; ancak aylarca ince ayar gerektirdi. İyi build edilmiş e-posta sıralama ajanları iki haftada %85-90 doğruluğa ulaşıyor.

### Hangi LLM yapay zeka ajanlar için en uygun?

GPT-4o-mini maliyet verimliliği için iyi. Gecikme önemliyse Groq daha hızlı. Uzun akıl yürütme zincirleri için Claude daha güçlü bağlam yönetimi sunuyor.