Agentic AI'ın Haritası:
Çekirdekten Geleceğe 5 Katman
"Agentic AI" denince akla gelen her şey — token'dan MCP'ye, tek bir LLM çağrısından kendi kendini yöneten organizasyonlara kadar — aslında iç içe geçmiş halkalardan oluşan tek bir haritaya sığıyor. Brij Kishore Pandey'in çokça paylaşılan "Map of Agentic AI" görselini temel alıp, içten dışa 5 katmanı ve 45 kavramı tek tek, örnekleriyle açıyorum.
Kavram haritası · · ~34 dk okuma · İnteraktif
İçindekiler
Ana fikir & harita 1 · LLM çekirdeği 2 · Akıl yürütme & özerklik 3 · Agentic sistemler 4 · Kurumsal & operasyon 5 · Gelecek katmanı Olgunluk testi SonuçAna Fikir: Harita Neden İçten Dışa Okunur?
Agentic AI alanı son iki yılda o kadar hızlı büyüdü ki, terimler çorbası bir noktadan sonra kafa karıştırıyor: prompt mühendisliği, RAG, function calling, multi-agent, MCP, A2A, guardrails, observability… Hepsi gerçek, hepsi önemli — ama nereye oturuyorlar? İşte Brij Kishore Pandey'in haritasının değeri burada: tüm bu kavramları iç içe geçmiş beş halka olarak diziyor ve aralarındaki bağımlılığı görünür kılıyor.
Haritayı okumanın anahtarı şu: her halka, kendisinden içtekine yaslanır. Birbiriyle konuşan bir agent ekibi (3. katman) kurabilmek için önce tek başına yetenekli bir agent'a (2. katman) ihtiyacın var; o agent'ı kurabilmek için de sağlam bir LLM çekirdeğine (1. katman). Dışarı doğru çıktıkça mesele "model ne yapabilir"den "bunu güvenli, ölçekli ve kalıcı biçimde nasıl çalıştırırız"a kayar. Bir halkayı atlayıp dışarıdaki bir özelliği sağlam kuramazsın; en dıştaki "tam otonom organizasyon" hayali, en içteki tokenizasyon kadar somut bir temele muhtaç.
Aşağıdaki harita orijinal görselin etkileşimli bir yeniden kurgusu. Bir halkanın üzerine gel, ilgili katmana tıkla — seni o bölüme götürür. Hemen altında ise tüm 45 kavramı dalga dalga (katman katman) listeleyen genel görünüm var; her etiket, kavramın detaylı anlatımına bağlı.
Halkalara tıklayarak katmanlara atlayabilirsin. Renkler bütün yazı boyunca aynı kalır: amber çekirdek, gül akıl, indigo sistemler, teal ekosistem, mor gelecek.
Dalga dalga: haritanın tamamı
Orijinal görseldeki her kutu aşağıda. Sınırların bir miktar yumuşak olduğunu baştan söyleyeyim: birkaç kavramı (ör. orkestrasyon, denetim izleri, simülasyon) en mantıklı katmana yerleştirdim. Önce bütünü gör; sonra her dalgayı tek tek açacağız.
Ham dil modelini tek başına işe yarar kılan yapı taşları. "Gör, konuş, hatırla, yönlendir, eyleme geç, uzmanlaş, güvenli ol, verimli ol."
Bir LLM'i "düşünen, planlayan, araç kullanan, hatırlayan ve kendini düzelten" tek bir agent'a dönüştüren yetenekler.
Birden çok agent'ın birlikte çalışması: iletişim, müzakere, paylaşılan bellek, yönlendirme ve orkestrasyon.
Agent'ları kurumsal üretimde güvenilir biçimde çalıştırmak: güvenlik, gözlemlenebilirlik, uyum, maliyet ve yönetişim.
Alanın en hızlı değişen, en uç ucu: agent'lar arası protokoller, otonom iş akışları ve merkeziyetsiz ağlar.
Küçük bir uyarı: harita ≠ kesin sınıflandırma
Bu bir zihin haritası, katı bir taksonomi değil. Bazı kavramlar iki katmana birden uyar (örneğin "simülasyon ortamları" hem geliştirme hem operasyon işidir). Amaç kutuları ezberlemek değil, bağımlılık yönünü görmek: içeriden dışarıya.
LLM Çekirdeği
The Core — Large Language ModelsHaritanın tam ortasında dil modelinin kendisi var. Bu sekiz kavram, ham bir modeli tek başına işe yarar kılar; bir cümlede özetlersek: gör (tokenization), konuş (API), hatırla (embeddings), yönlendir (prompt), eyleme geç (function calling), uzmanlaş (fine-tuning), güvenli ol (guardrails) ve verimli ol (optimizasyon). Üstteki her katman bu çekirdeğin sağlamlığına yaslanır.
1.1 · Tokenization
Modeller harf ya da kelime değil, token denen alt-kelime parçalarını ve onların sayısal kimliklerini işler. Bir model çıktısı üretmeden önce metni token'lara böler (çoğunlukla Byte Pair Encoding ile). Agent dünyasında token doğrudan iki şeye eşittir: para ve bağlam bütçesi. Sistem promptu, konuşma geçmişi, araç tanımları ve modelin cevabı hep aynı context window'u paylaşır. Tokenizasyonu anlamadan ne maliyet hesaplanır ne de "bağlam neden doldu" çözülür.
Kritik sezgi: token ≠ kelime. Sayılar, tarihler ve İngilizce dışı diller beklenenden fazla parçalanır — Türkçe gibi eklemeli dillerde aynı metin İngilizceye göre daha çok token yer. Aşağıda birkaç örneği "tıklayıp" gör:
Yaklaşık gösterim (OpenAI o200k mantığıyla); gerçek bölme her modelin kendi tokenizer'ına bağlıdır. ␣ boşluğu temsil eder.
1.2 · LLM API'leri
Bir modeli HTTP üzerinden çağırmanın sözleşmesi: mesaj listesi + parametreler (model, sıcaklık, araçlar, çıktı formatı) gönderirsin; metin ya da bir araç çağrısı dönülür. Üç temel mod var: tek seferlik istek/yanıt, token token akan streaming ve şemaya zorlanan structured outputs. Bir agent aslında "bir API çağrı döngüsü"dür: her turda model çağrılır, çıktı parse edilir, araç çalışır, sonuç geri beslenir.
Önemli incelik: structured output yalnızca JSON'ın biçimsel geçerliliğini garanti eder, anlamsal doğruluğunu değil. "Kusursuz formatlı yanlış cevap" alabilirsin; uygulama tarafında ayrıca doğrulama şart.
1.3 · Embeddings & Vektör Arama
Embedding, metni (veya görseli) anlamını yakalayan sabit boyutlu bir sayı vektörüne çevirir. Vektör arama ise bu vektörleri saklayıp bir sorguya en yakın olanları getirir. İkisi birlikte semantik aramayı ve RAG'i (bilgi destekli üretim) mümkün kılar: içerik embed edilir → vektör veritabanına konur → sorgu embed edilip en benzerleri çekilir → modele bağlam olarak verilir. Modelin eğitim sonrası bilgisi donuktur; şirket dokümanına ya da geçmiş konuşmaya erişmenin yolu budur.
2025'te Matryoshka (matruşka) embedding'ler fiili standart oldu: tek bir vektör üret, sonra boyutunu kırp (ör. 3072 → 768), küçük bir kalite kaybıyla ~4 kat depolama tasarrufu. Gemini, Voyage, Cohere ve OpenAI modelleri bunu destekliyor; açık kaynak modeller (Qwen3-Embedding) artık API modellerini yakaladı.
1.4 · Prompt Engineering
Modelden istenen davranışı güvenilir biçimde almak için girdiyi (talimat, örnek, rol, çıktı formatı) tasarlama disiplini. Agent'larda en kritik kısım system prompt'tur: rol, kurallar, aracı ne zaman çağıracağı, hatadan nasıl döneceği, uzun vadeli hedefi nasıl takip edeceği hep buraya kodlanır. Aynı model, prompt'a göre işe yarar ya da yaramaz hâle gelir.
Klasik teknikler: few-shot (tatlı nokta 3–5 örnek), Chain-of-Thought ("adım adım düşün") ve agent'ların temeli olan ReAct (Düşünce → Eylem → Gözlem döngüsü). Ama 2025'te önemli bir kayma oldu: akıl yürütmesi yerleşik modellerde (o1, DeepSeek-R1) "her zaman adım adım düşün" demenin faydası neredeyse kayboldu — model bunu zaten içselleştirmiş, üstelik fazladan token harcatıyor. Yani "her zaman CoT ekle" tavsiyesi artık geçerli değil; seçici kullan ve ölç.
1.5 · Function Calling
Bir LLM'i "agent"a çeviren tam olarak budur. Modele JSON şemalı araç tanımları verirsin; model bir aracı çağırmaya karar verirse metin yerine yapılandırılmış bir çağrı tanımı (fonksiyon adı + argümanlar) üretir. Model çalıştırmaz — senin kodun çalıştırır, sonucu modele geri besler. Bu olmadan model yalnızca metin üretir, gerçek dünyada aksiyon alamaz.
2025'te paralel araç çağrısı üç büyük sağlayıcıda varsayılan oldu (tek yanıtta birden çok çağrı; üretimde 3–5 kat gecikme düşüşü raporlanıyor). Ayrıca araçların nasıl sunulduğunu standartlaştıran MCP (Model Context Protocol) patladı — bunu 5. katmanda detaylıca açacağız.
1.6 · Model Fine-Tuning
Önceden eğitilmiş bir modeli kendi verine, tonuna ya da görevine uyarlamak. Full fine-tuning tüm ağırlıkları günceller (bir 7B model için ~100+ GB VRAM — çoğu ekip için pahalı). LoRA/PEFT bunu erişilebilir kılar: taban ağırlıkları dondurur, her katmana küçük "düşük-rank" matrisler ekler; eğitilebilir parametreyi %99+ azaltır ama kalitenin çoğunu korur.
Ne zaman fine-tune? Kararlı bir format/ton, dar bir alan jargonu ya da gecikme/maliyet için küçük modeli "kendi görevinde büyük model gibi" yapmak istediğinde. Genel bilgi eklemek için çoğu zaman fine-tuning yerine RAG daha doğru ve ucuzdur.
1.7 · Guardrails & Alignment
İki katman: alignment eğitim zamanıdır (modeli RLHF, DPO ya da Anthropic'in Constitutional AI'ı gibi yöntemlerle insan değerlerine yöneltmek); guardrails ise çalışma zamanıdır (girdi/çıktıyı denetleyen programlanabilir kontroller: konu kısıtı, PII tespiti, jailbreak engelleme, RAG'in kaynağa sadık kalması). Üretimdeki bir agent araç çağırır ve dış veriyle konuşur — yani saldırı yüzeyi geniştir.
1.8 · Model Optimizasyonu & Sıkıştırma
Agent'lar çok adımlı ve çok çağrılıdır; her token gecikme ve maliyettir. Optimizasyon teknikleri modeli küçük/hızlı/ucuz çalıştırır: quantization (ağırlıkları INT8/INT4'te tutma), distillation (büyük "öğretmen"i küçük "öğrenci"ye damıtma), pruning (gereksiz ağırlıkları budama) ve speculative decoding (küçük bir taslakçı modelin tahminlerini büyük model doğrular → 2–3 kat hız).
Bu katmanın özeti: çekirdek ne kadar verimliyse, üstündeki tüm agentic davranışlar o kadar ucuz ve hızlı olur. Şimdi bir halka dışarı çıkıp bu çekirdeği "düşünen bir agent"a dönüştürelim.
Akıl Yürütme & Özerklik
Reasoning & Autonomy — the single agentÇekirdek bir modeli "soru-cevap kutusu" olmaktan çıkarıp kendi başına bir görevi yürütebilen tek bir agent'a dönüştüren katman. Burada üç kavram sık karışır, ayrımı baştan netleştirelim: akıl yürütme düşünmenin kendisidir; planlama büyük bir hedefi parçalara böler; prompt zincirleme ise bu parçaları bir boru hattı gibi birbirine bağlar.
2.1 · Agent Reasoning
Agent'ın bir eyleme geçmeden önce ara düşünme adımları üretmesi. Modelin "anlık, soldan sağa token üret" kısıtını aşıp "düşün, sonra cevapla" moduna geçmesidir. Akıl yürütme olmadan model çok adımlı mantık/matematik/planlama görevlerinde "akıcı ama yanlış" çıktı verir; ara adımları atlar ve kendini düzeltemez.
2026'da "reasoning model" artık nadir değil, neredeyse metalaştı (20+ seçenek). En büyük mimari kayma: akıl yürütme tek seferlik bir prompt değil, agentic döngünün içinde — araç çağrıları arasında düşünme — kullanılıyor. Düşünme derinliği bile ayarlanabiliyor (reasoning_effort, budget_tokens).
2.2 · Görev Planlama & Ayrıştırma
"AI agent'lar üzerine bir konferans planla: konuşmacı bul, lojistik ayarla, bütçe çıkar" gibi bir hedef tek çağrıyla çözülemez. Planlama, hedefi daha küçük ve uygulanabilir alt-görevlere böler ve genellikle planlayan (ne yapılacak) ile yürüten (nasıl yapılacak) rollerini ayırır. Ayrıştırma olmadan agent uzun görevlerde hedefini kaybeder.
2.3 · Dinamik Prompt Zincirleme
Bir görevi tek devasa prompt yerine, bir adımın çıktısının bir sonrakinin girdisi olduğu mantıksal bir diziye bölmek. Her prompt tek bir alt-işte uzmanlaşır; "dinamik" kısmı, zincirin çalışma anındaki duruma göre dallanması ya da döngülenmesidir. Tek dev prompt modeli boğar, ara çıktıları kontrol edemezsin ve hatayı en sonda fark edersin.
2.4 · Araç Kullanımı & API Orkestrasyonu
Agent'ın gerçek dünyada iş yapabilmesi için harici araçları/API'leri çağırması. Çekirdek mekanizma Düşünce → Eylem → Gözlem (ReAct) döngüsüdür: model düşünür, bir araç çağırır, sonucu gözlemler, entegre eder ve devam edip etmeyeceğine karar verir. Bu döngü her agent'ın motorudur — bütün orkestrasyon kütüphaneleri bunun üstüne kuruludur.
1.5'teki function calling bunun "tek adım" mekaniğiydi; orkestrasyon ise bu adımları güvenilir biçimde zincirlemek, paralel çağrıları yönetmek ve iterasyon limiti koymaktır (yoksa agent sonsuza dek döner). Araç sayısı önceden belli değildir; agent her gözlemden sonra yeniden karar verir. Akıl yürütmeyi araç çağrısıyla birleştirmek, ikisinin tek başınadan daha iyidir: düşünme, doğru aracı seçmeyi iyileştirir.
2.5 · Bellek & Durum Yönetimi (kısa vadeli)
LLM'ler temelde durumsuzdur — "hafıza" bir illüzyondur; uygulama her turda tüm geçmişi modele yeniden hatırlatır. İyi benzetme: LLM = CPU, context window = RAM. Asıl darboğaz pencerenin sonlu olması; yönetilmezse ya bilgi taşıp kaybolur ya da maliyet ve gürültü patlar.
2.6 · Uzun Vadeli Bellek Entegrasyonu
Oturumlar arasında kalıcı bellek: context window dışında yaşayan, gerektiğinde geri çağrılıp prompt'a enjekte edilen depolar. Durumsuz agent'ı, zamanla öğrenip biriktiren durumlu bir varlığa dönüştürür. Bilişsel bilimden ödünç iki tür: epizodik bellek (belirli olaylar — "geçen salı şu e-postayı istemiştin") ve semantik bellek (genel gerçekler/tercihler).
2.7 · Öz-Yansıma & Geri Besleme Döngüleri
Agent'ın kendi çıktısını eleştirip, hatalarından dilsel geri bildirimle ders çıkararak bir sonraki denemede düzeltmesi — model ağırlıklarını güncellemeden. İnsanın geçmiş başarısızlığa bakıp planını değiştirmesi gibi. Az sayıda denemede deneme-yanılmayla öğrenmeyi sağlar.
2.8 · Agent Rolleri & Uzmanlaşma
Tek bir genel modeli her işe zorlamak yerine, her biri kendi rolü, araçları ve belleğiyle uzmanlaşmış agent'lar/personalar tanımlamak. Tek bir sistem içinde bile geçerli: bir "araştırmacı", bir "analist", bir "yazar". İş bölümü kaliteyi ve hızı artırır; her agent yalnızca ihtiyaç duyduğu bağlamı taşır, böylece token şişkinliği ve odak kaybı azalır.
Bu madde, 2. katmanı 3. katmana bağlayan köprüdür: roller tek bir sistemde tanımlanır ama gerçek değerini birden çok agent birlikte çalışınca verir. Üretimde başarısızlığın önde gelen nedeni kötü rol tanımı olarak gösteriliyor — "her şeyi yap" diyen bir agent, hiçbir şeyi iyi yapmaz. Şimdi bu uzmanları bir ekibe dönüştürelim.
Agentic Sistemler
Collaboration Layer — multiple agents togetherTek bir agent bir yere kadar gider. Karmaşık işler birden çok uzmanlaşmış agent'ın birlikte çalışmasını gerektirir: birbirine iş devretmek, ortak bir belleği paylaşmak, kimin ne zaman çalışacağına karar vermek ve insanı doğru yerde döngüye sokmak. İlginç olan, bu katmandaki bazı fikirlerin 1980'lerin klasik yapay zekâsından (Contract Net, blackboard) LLM çağında yeniden dirilmesi.
3.1 · Agent'lar Arası İletişim
Agent'ların birbirini keşfedip, iç mantığını açığa vurmadan görev devredebilmesi ve mesajlaşması. Bu olmadan her agent çifti için elle özel entegrasyon yazmak gerekir; farklı satıcı/çerçeveden agent'lar güvenilir biçimde iş bölüşemez. Çözüm, standart bir iletişim protokolüdür.
3.2 · Müzakere Protokolleri
Agent'ların kaynak/görev paylaşımı için pazarlık ettiği, teklif verdiği ve uzlaşıya vardığı kurallı etkileşimler. Merkezî bir otorite olmadan görev tahsisi ve kaynak bölüşümü yapmanın yolu. Özellikle her agent'ın "bencil" hedefini sistemik sonuçla dengelemesi gerektiğinde kritik.
3.4 · Uyarlanabilir Agent Ekipleri
Görevin gereksinimine göre dinamik oluşan ekipler: bir süpervizör agent, işçi agent'ları koordine eder ve gerektiğinde çok katmanlı hiyerarşiler kurulur. İnsan organizasyonunu taklit eder — bir yönetici, uzmanlar ekibini yönetir. Düz bir "herkes herkese konuşur" yapısı ölçeklenmez: sorumluluklar bulanıklaşır.
3.5 · Durum Koordinasyonu
Paylaşılan durumun tüm agent'lar arasında tutarlı kalmasını sağlamak. Birden çok agent aynı durumu aynı anda güncellerse veri kaybı/çakışma olur (race condition). Uzun işlerde ara sonuçlar korunmazsa sistem tutarsızlaşır ve hata sonrası kurtarma imkânsızlaşır.
3.6 · Yönlendirme & Zamanlama
Bir router/süpervizörün hangi agent'ın hangi görevi alacağına (routing) ve görevlerin hangi sırayla çalışacağına (scheduling) karar vermesi. Hiçbir tek model her şeyde en iyi değildir; yönlendirme olmadan çoklu agent sistemleri tutarsız ve verimsiz davranır.
3.7 · Multi-Agent RAG
Klasik RAG tek bir "getir-üret" hattıdır ve statiktir. Multi-Agent RAG ise sorgu yeniden yazma, ayrıştırma, doküman filtreleme, kanıt çıkarma ve cevap sentezleme gibi alt-süreçleri uzmanlaşmış agent'lara dağıtır. Hangi getirme stratejisinin uygulanacağı, ek bağlam gerekip gerekmediği gibi üst düzey kararlar verebilir ve öz-yansıma yapabilir.
3.8 · Bilgi Grafiği Entegrasyonu
Agent'ı yapılandırılmış bir bilgi grafiğinde (varlıklar + ilişkiler) temellendirmek. Vektör benzerliğine dayalı RAG, dağınık veride bütünsel temaları yakalayamaz; bilgi grafiği ise doğrulanabilir, kaynağı izlenebilir cevaplar verir ve halüsinasyonu azaltır — graf "Ürün X" ile "Özellik Y" arasında ilişki içermiyorsa, model olmayan özelliği uydurmakta zorlanır (graf bir "olgusal kısıt" görevi görür).
3.9 · İnsan-Döngüde Kontroller
Agent iş akışına onay kapıları, eskalasyon ve müdahale ekleyen mekanizmalar. Agent gerçek araçlara eriştikçe (DB'ye yazma, e-posta gönderme, ödeme) her adım geri alınamaz sonuçlar doğurabilir — yanlış kaydı silmek, bozuk commit atmak, yüksek fatura tetiklemek. Amaç körü körüne güven değil, doğrulama.
interrupt() deseni yürütmeyi duraklatır; "onayla / düzenle / reddet / yanıtla" seçenekleri sunar ve thread aylarca beklese bile kaynak tüketmez. Olgun sistemler ek olarak zaman aşımı eskalasyonu ve güven skoruna göre uyarlanır onay kullanır.3.10 · Orkestrasyon Çerçeveleri
Çoklu agent sistemlerini tanımlamak, bağlamak ve çalıştırmak için kullanılan kütüphaneler. İletişim, durum, yönlendirme ve insan kontrolünün altyapısını sağlarlar; yoksa her şey sıfırdan elle yazılır. 2025'te dört baskın stil netleşti:
| Çerçeve | Model | Durum |
|---|---|---|
| LangGraph | Yönlü graf + koşullu kenarlar | Yerleşik checkpoint + time-travel |
| CrewAI | Rol tabanlı "ekip"ler | Görev çıktıları sırayla aktarılır |
| OpenAI Agents SDK | Açık "handoff"lar | Bağlam değişkenleri (varsayılan geçici) |
| Google ADK | Hiyerarşik agent ağacı | Oturum durumu (takılabilir backend) |
Microsoft'un Magentic-One'ı (orchestrator + WebSurfer, FileSurfer, Coder, Terminal) dinamik ekip oluşturmaya iyi bir örnektir. Ekosistem hızlı değişiyor: deneysel OpenAI Swarm → üretim için Agents SDK oldu; AutoGen ve Semantic Kernel ise birleşip Microsoft Agent Framework'e dönüştü (GA: Nisan 2026). Satıcı benchmark'larına temkinli yaklaş.
3.11 · Test için Simülasyon Ortamları
Agent'ları üretime almadan önce binlerce senaryoda güvenle denemeye yarayan sandbox'lar ve değerlendirme (eval) ortamları. Agent'lar deterministik değildir — aynı girdi farklı çıktı üretir, klasik QA yetersiz kalır. Üstelik kombinatoryal patlama var: 50 niyet × 10 persona = 500 temel senaryo. "Göndermeden önce simüle et."
Kurumsal & Operasyon
Agentic Ecosystem — Enterprise & Operations"Agent çalışıyor" ile "agent kurumsal üretimde güvenilir biçimde çalışıyor" arasında koca bir uçurum var. Bu katman o uçurumu kapatır. İki tema her şeyi birbirine bağlar: patlama yarıçapını kapsamak (agent hata yaptığında zararı sınırla) ve otonomi hesap verebilirliği aşmasın (her sonuçlu eylem bir insana ve bir politikaya bağlanabilsin). 2025, bu katmandaki pek çok parçanın "fiili standart"a oturduğu olgunlaşma yılı oldu.
4.1 · Güvenlik & Erişim Kontrolü
Agent'lara kimlik, yetki ve en az ayrıcalık ilkesini uygulamak. Klasik IAM'den farkı: agent, çalışma anında ne yapacağı tasarımda tam bilinemeyen otonom bir kimlik. Tek bir prompt injection ya da halüsinasyon, geniş yetkilerle birleşince patlama yarıçapı devasa olur.
Kritik kavramsal kırılma şu: prompt injection artık bir "model hatası" değil, bir güvenlik sınırıdır. LLM komutu ve veriyi aynı kanalda işlediği için, okunan bir dokümana gizlenmiş bir komut bile asıl talimatı ezebilir. Tam çözümü yok; yalnızca katmanlı savunma var.
4.2 · Hata Yönetimi & Retry
Agent tek bir API çağrısı değil, bir işlem zinciri çalıştırır. İkinci adım zaman aşımına uğrayıp tüm akış yeniden denenirse ama birinci adım zaten e-posta gönderdiyse → yinelenen yan etkiler. Anahtar ilke: LLM non-deterministik olabilir, ama tetiklediği yan etkiler deterministik olmalı.
4.3 · Gözlemlenebilirlik & Loglama
Agent çalıştırmalarını uçtan uca izlemek: LLM çağrıları, agent adımları, araç yürütmeleri, token/maliyet, gecikme ve kalite metrikleri. Agent otonom ve olasılıksal olduğu için "neden bunu yaptı?" sorusu izleme (tracing) olmadan cevaplanamaz; debug, maliyet kontrolü ve regülasyon kanıtı imkânsızlaşır.
model, llm.model, openai.model hepsi aynı şey); artık tek bir dilde sorgulanabiliyor.4.4 · Failover & Kurtarma
2025'te her büyük LLM sağlayıcısı en az bir ciddi kesinti yaşadı. Yedek (fallback) yoksa, ana sağlayıcı düşünce her istek başarısız olur. Bu madde yüksek erişilebilirlik için otomatik geçiş (çoklu sağlayıcı, devre kesici, daha basit modele "zarif düşüş") ve uzun akışları kesinti sonrası sürdüren checkpoint/resume sağlar.
4.5 · Üçüncü Taraf Entegrasyonları
Agent'ları SaaS uygulamalarına, API'lere ve veri kaynaklarına bağlayan katman. 2025'te bunun fiili standardı MCP sunucuları oldu — "AI için USB-C". Yoksa her araç için ayrı, kırılgan, özel entegrasyon (M×N problemi) yazmak gerekir.
4.6 · Uyum & Regülasyon
Agent'ların EU AI Act, GDPR gibi regülasyonlara ve ISO/IEC 42001 gibi yönetim standartlarına uygun çalışması: risk yönetimi, şeffaflık, insan denetimi ve kayıt tutma. Yüksek riskli alanlarda (kredi, işe alım, eğitim) uyum olmadan sistem yasal olarak konuşlandırılamaz.
4.7 · Denetim İzleri
Agent kararlarının ve eylemlerinin değiştirilemez, kurcalandığı belli olan kayıtları. Sıradan logdan farkı: "ne oldu ve neden" sorusunu bir denetçiye/regülatöre kanıtlayacak biçimde yapılandırılmıştır. Loglama ≠ denetim: log operasyonel/debug verisidir; denetim izi uyum odaklı ve değiştirilemezdir.
4.8 · Çoklu Bulut & Hibrit
Agent'ları birden çok bulut, on-prem ve egemen (sovereign) ortam arasında taşınabilir biçimde çalıştırmak; veriyi yerinde tutarken hesaplamayı en uygun yerde yapmak. Uyum mandatları ve veri egemenliği olmadan regüle sektörler (kamu, finans, sağlık) agent'ı konuşlandıramaz.
4.9 · Hız Sınırlama & Maliyet Yönetimi
Token maliyetini bütçeler, caching, maliyet-bazlı yönlendirme ve atıf ile yönetmek — "AI için FinOps". Çekirdek içgörü: bu bir fiyatlandırma değil, bir yönetişim problemidir. Agent iş akışları görev başına standart bir sorgudan 10–20 kat fazla token tüketir; yönetişim katmanı olmadan maliyetler üstel büyür.
4.10 · Yönetişim & Etik Katmanı
AI'ı sorumlu biçimde geliştirmek/konuşlandırmak için organizasyonel yapılar, politikalar, roller ve hesap verebilirlik mekanizmaları — yanlılık (bias), açıklanabilirlik ve zarar yönetimi dahil. Yönetişim olmadan "hesap verebilirlik boşluğu" oluşur: AI konuşlandırmalarının net bir sahibi olmaz.
4.11 · AI-Güdümlü Yönetişim & Politika
Politikayı, agent'ın yürütme yolunda otomatik uygulamak: policy-as-code (kod-olarak-politika) ile güvenlik/uyum/maliyet kurallarının, bir eylem gerçekleşmeden önce programatik değerlendirilmesi. Statik bir doküman ("şunu şifrelemelisiniz") yeterli değil; uygulama, agent'ın kararlarıyla aynı yolda yaşamalı.
4.12 · Sürdürülebilirlik & Yeşil AI
AI çıkarımının (inference) enerji, su ve karbon maliyetini ölçmek ve azaltmak. Çünkü uzun vadeli ayak izini eğitim değil çıkarım domine eder: bir model ömrü boyunca milyarlarca etkileşim yapar. Verimli algoritmalar (quantization, distillation, MoE), karbon-farkında zamanlama ve verimli soğutma bu ayak izini düşürür — 1.8'deki optimizasyonun çevresel yüzü.
Bu katmanı bir cümlede toplarsak: dış halkalardaki gösterişli yetenekler, ancak bu operasyonel disiplinlerle desteklendiğinde gerçek dünyada ayakta kalır. Şimdi haritanın en dış, en spekülatif halkasına geçelim.
Gelecek Katmanı
Agentic Future Layer — the frontierEn dış halka, alanın en hızlı değişen ve en çok abartılan ucu. Burada "bugün gerçekten var olan" ile "vizyon" arasındaki çizgiyi net çizmek önemli — her maddede bunu işaretleyeceğim. İyi haber: bu katmanın en somut parçası, aynı zamanda en önemlisi: agent'ları birbirine bağlayan açık protokoller.
5.1 · Agent-Agent Protokolleri (A2A, MCP)
Haritanın en dışta olmasının nedeni bu madde: her şeyi birbirine bağlayan tabaka. İki katmanı ayırmak şart. MCP (Anthropic, Model Context Protocol) agent'ı araçlara ve veriye bağlar — dikey. A2A (Google, Agent2Agent) agent'ı başka agent'lara bağlar — yatay. Rakip değil, tamamlayıcılar.
MCP · dikey
A2A · yatay
2025 bu alanın "protokol savaşları"ndan konsolidasyona geçtiği yıl oldu. OpenAI (Mart 2025) ve Google DeepMind (Nisan 2025) MCP'yi benimsedi; Google A2A'yı Haziran 2025'te Linux Foundation'a bağışladı; IBM kendi protokolü ACP'yi Ağustos 2025'te A2A'ya birleştirdi; Aralık 2025'te Anthropic MCP'yi Linux Foundation'ın yeni Agentic AI Foundation'ına bağışladı (kurucular Anthropic, Block, OpenAI). Yani 2025 sonu itibarıyla hem MCP hem A2A vendor-bağımsız topluluk altyapısı.
5.2 · Otonom Kurumsal İş Akışları
Uçtan uca iş süreçlerinin (talep → çözüm, aday → işe alım) minimum insan dokunuşuyla, planlayan-karar veren-eyleme geçen agent'lar tarafından yürütülmesi. RPA'dan farkı: RPA tek sistemli, kural-özdeş görevler içindir; agentic AI çok adımlı, çok sistemli, koşulların değiştiği süreçler için. Değer agent'ın kendisinde değil, iş akışının yeniden tasarımındadır.
5.3 · Sektörler Arası Standartlaşma
Agent'ların farklı sektör ve satıcılar arasında birlikte çalışabilmesi için standart kurumlarının yürüttüğü çabalar. Ortak kimlik, keşif, güvenlik ve iletişim standartları olmadan "agent'lar interneti" ölçeklenemez — bir analistin deyişiyle şu an "agentic çağın çevirmeli internet dönemi"ndeyiz. Aşağıda 2024–2025'in fiilî standartlaşma çizelgesi:
- Anthropic MCP'yi tanıttıAgent'ları araçlara bağlayan açık standart — "AI için USB-C".
- Google A2A'yı duyurdu50+ partnerle; agent'lar arası yatay iş birliği protokolü.
- OpenAI ve Google MCP'yi benimsediRakibin standardını benimsemek: ortak bir dile yöneliş.
- A2A → Linux FoundationGoogle protokolü bağışladı; AWS, Cisco, Microsoft, SAP, ServiceNow kurucu.
- IBM ACP, A2A'ya birleştiEn büyük rakip kendi isteğiyle tek standartta toplandı.
- MCP → Agentic AI FoundationAnthropic MCP'yi Linux Foundation'a bağışladı; hem MCP hem A2A artık aynı çatıda.
Buna paralel bir ödeme katmanı da doğdu: Google AP2 (Agent Payments Protocol, 60+ partner: Mastercard, PayPal, Amex…) ve Coinbase x402 agent'ların birbirine ödeme yapmasını standartlaştırıyor. W3C bir "AI Agent Protocol" topluluk grubu kurdu, NIST agent kimlik/yetkilendirme üzerine çalışıyor. Net mesaj: tek bir standart kazanmayacak; farklı katmanlarda (keşif, iletişim, araç, ödeme) çoklu protokol bir arada yaşayacak.
5.4 · Merkeziyetsiz Agent Ağları
Agent'ların merkezî bir platform olmadan birbirini keşfettiği, kiraladığı ve değer alışverişi yaptığı açık ağlar — federe kayıt defterleri, agent pazaryerleri ve zincir-üstü/eşler-arası ekonomiler. App-store benzeri kapalı modellere alternatif "agent'lar interneti" vizyonu.
5.5 · Yaşam Boyu Öğrenen Agent'lar
Statik modelin aksine, dağıtımdan sonra deneyimle sürekli öğrenip gelişen, eski bilgiyi korurken yenisini ekleyen agent'lar. Temel engel "catastrophic forgetting" (yeni öğrenince eskiyi unutma): bilgi milyarlarca ağırlığa dağılmıştır, ayrı bir "Fransızca modülü" yoktur; her yeniden eğitim tüm manzarayı değiştirir.
5.6 · Tam Otonom Organizasyonlar (DAO + Agent)
Kararların bir kısmının otonom agent'larca alınıp yürütüldüğü DAO'lar — hazine yönetimi, oylama, yatırım gibi işlevlerde zincir-üstü eyleme geçen "AI-öncülüğünde" organizasyonlar. DAO'ların eski darboğazı zincir-dışı işleri merkezî aktörlere bağımlı olmadan yürütememekti; agent'lar bunu trust-minimized yapabilirse gerçek otonomi mümkün olur.
Kurumunuz Hangi Katmanda? — Olgunluk Testi
Harita aynı zamanda bir yol haritası. Aşağıdaki 15 yetenekten kurumunuzda/projenizde kurulu olanları işaretleyin; hangi katmana ulaştığınızı ve bir sonraki eşiğin ne olduğunu görün. Her katmandan üç temsili yetenek var.
Yetenek envanteri
Bu sadeleştirilmiş bir öz-değerlendirmedir; kesin bir olgunluk denetimi değildir. Amaç, eksik halkayı görünür kılmak.
Hızlı test: haritayı yakaladın mı?
1. MCP ile A2A arasındaki temel fark nedir?
2. Haritayı "içten dışa" okumak ne anlama gelir?
3. LangChain'in 2025 raporuna göre agent'ları üretime almanın önündeki 1 numaralı engel nedir?
Sonuç: Haritayı Nasıl Kullanmalı?
Bu 45 kavramı ezberlemenize gerek yok. Haritanın asıl armağanı tek bir zihinsel alışkanlık: yeni bir agentic fikirle karşılaştığında, "bu hangi halkada?" diye sor. Bir "MCP sunucusu" mu duydun — o 1. ve 5. katmanı bağlayan bir entegrasyon meselesi. "Multi-agent" bir demo mu gördün — 3. katman, ama altında sağlam bir 2. ve 1. katman var mı? "Tam otonom şirket" vaadi mi — en dış halka, en spekülatif uç; altındaki dört halka olmadan anlamı yok.
Pratik bir okuma sırası önereyim: içeriden dışarıya kur, dışarıdan içeriye doğrula. İnşa ederken çekirdekten başla (önce function calling ve RAG'i sağlamlaştır, sonra tek agent, sonra ekip). Ama bir sistemi değerlendirirken dıştan içe bak: gözlemlenebilirlik, güvenlik ve denetim izleri yoksa, içerideki ne kadar zekâ olursa olsun üretimde güvenemezsin.
Tek cümlelik özet
Agentic AI bir özellik listesi değil, iç içe geçmiş bir bağımlılık zinciri: token'dan başlayıp protokollere uzanan; her halkanın bir altındakine borçlu olduğu bir mimari. Heyecan en dışta, sağlamlık en içte; ikisini birbirine karıştırmayan ekipler kazanır.
Haritayı katman katman gezdik; orijinaldeki her kutuya değindik. Bir sonraki adım senin: kendi projende eksik halkayı bul, içeriden dışarıya bir tane daha tamamla.