İlk Yapay Zeka Ajanımı AWS AgentCore ile Geliştirdim: En Zor Kısım Yapay Zeka Değildi

Ne İnşa Edeceğimi Biliyordum, Kapsamını İse Yaşayarak Öğrendim

Udacity'nin AWS AI & ML bursu kapsamındaki Nanodegree programında, Amazon Bedrock AgentCore ve Strands SDK kullanarak uçtan uca çalışan bir müşteri destek yapay zeka ajanı geliştirdim. Kağıt üzerinde altı temel özellikten ibaret görünen bu sistem; arka planda AgentCore Runtime, AgentCore Gateway, AWS Lambda, API Gateway, Knowledge Base, Memory, Code Interpreter, Browser Tool, IAM ve CloudWatch bileşenlerini tek bir çatı altında koordine etmeyi gerektiriyordu.

Mimarinin büyüklüğü ilk başta korkutucu gelse de her şeyi aynı anda çözmeye çalışmak yerine "Şimdi anlamam gereken bir sonraki parça ne?" sorusuna odaklandığımda süreç çok daha yönetilebilir hale geldi. Bu pratik deneyimle birlikte "ajan" (agent) kavramı benim için içi boş bir pazarlama terimi olmaktan çıkıp somut bir yazılım mimarisine dönüştü.

Altı Yetenek, Altı Farklı Mühendislik Problemi

Ajanın yerine getirmesi gereken altı temel yetenek, yazılım tarafında çözülmesi gereken altı ayrı teknik probleme karşılık geliyordu:

Sipariş Takibi (Müşteriye Gerçek Veriyi Ulaştırmak): Modelin statik tahminlerde bulunması yerine harici Lambda fonksiyonları ve API Gateway üzerinden canlı veritabanına erişerek gerçek sipariş durumunu çekmesi sağlandı.
İadeler (Ajanın Eyleme Geçmesi): Ajanın yalnızca soru yanıtlayan pasif bir bot olmakla kalmayıp sistemde yan etki (side-effect) oluşturan gerçek iade süreçlerini tetiklemesi sağlandı.
Bilgi Tabanı / Knowledge Base (Modelin Bilmesi ile Uygulamanın Bilmesi): Modelin genel parametrik bilgisi ile şirketin güncel iade ve ürün politikaları ayrıştırılarak RAG yapısıyla kurumsal doğruluk garantiye alındı.
Bellek / Memory (Konuşmanın Sıfırdan Başlamaması): Müşteri geçmişini ve oturumlar arası bağlamı hatırlayan kalıcı durum (state) yönetimi kuruldu.
Kod Yorumlayıcı / Code Interpreter (Kararı Modele, Hesaplamayı Koda Bırakmak): Sadakat indirimleri gibi kritik hesaplamalar LLM'in olasılıksal yapısına bırakılmadı; mantıksal kararı model aldı, matematiksel hesaplamayı izole Python kodu yürüttü.
Tarayıcı Aracı / Browser Tool (Bilgi Uygulamanın Dışında Olduğunda): Şirket içi veritabanlarında bulunmayan dinamik web içeriklerine ajanın canlı erişebilmesi sağlandı.

Kodun Doğru Olması Yetmez: Erişim, Dağıtım ve İzlenebilirlik

Doğru kodu yazmak, ajan mimarisinde yolun sadece yarısıdır. En çok vakit alan kısım, IAM rollerinin ve servisler arası erişim izinlerinin hatasız kurgulanmasıydı. Dağıtım aşamasında devasa tek bir "Sistem çalışıyor mu?" testi yerine, yetenekleri tek tek doğrulayan altı parçalı modüler bir test stratejisi hata ayıklamayı son derece kolaylaştırdı. Son olarak, CloudWatch logları üzerinden operasyonel izlenebilirliği kurmadan bir ajanın üretime hazır sayılamayacağı netleşti.

Yazılımcılar İçin Pratik Çıkarımlar

Ajan bir LLM değil, sistem mimarisidir: Model yalnızca bir orkestratördür; asıl değeri üreten harici API'ler ve araç entegrasyonlarıdır.
Deterministik işleri koda devredin: Matematik ve iş kurallarını model tahminine bırakmayın, araç çağırma (tool calling) ile kod yorumlayıcıya yönlendirin.
Güvenlik ve testi parçalara bölün: IAM yetkilerini en baştan sıkı tutun ve ajan adımlarını izole birim testleriyle doğrulayın.

Orijinal kaynağa buradan ulaşabilirsiniz.

Bu konuyu derinlemesine öğrenmek isterseniz: Tool Calling ve Multi-Step Agent'lar modülüne göz atın.