---
title: "Mimari Evrim: Monolitik LLM Ajanlarından Özelleşmiş Çok-Ajanlı Sürülere Geçiş"
url: https://blog.edumints.com/mimari-evrim-monolitik-llm-ajanlarindan-ozellesmis-cok-ajanli-surulere
category: "LLM"
date: 2026-10-22T15:06:50.966Z
publisher: Edumints Blog
lang: tr-TR
source_name: "dev.to"
source_url: https://dev.to/nindhita/architectural-evolution-from-monolithic-llm-agents-to-specialized-multi-agent-swarms-3c01
---

# Mimari Evrim: Monolitik LLM Ajanlarından Özelleşmiş Çok-Ajanlı Sürülere Geçiş

**Özet (Abstract)**
Tek süreçli ve tek bağlamlı (single-context) LLM ajanları, genellikle tam teşekküllü bir mimari sanılan prototipleme çıktılarıdır. Bu ajanlarda karşılaşılan hata modları basit birer istem mühendisliği (prompt-engineering) kusuru değil, doğrudan yapısal sorunlardır. Sınırsız tek bir bağlamı sınırlandırılmış dört ayrı katmanla değiştiren, sürekli çalışan arka plan bilişini birinci sınıf bir alt sistem olarak ekleyen ve kontrol düzlemi orkestrasyonunu veri düzlemi çıkarımından (inference) ayıran dört katmanlı bir topoloji, modern yazılım mühendisliği için kritik bir evrimi temsil eder.

## 1. Monolitik Ajanların Mimari Hata Modları

Monolitik bir ajan; karar alma (policy), algılama (perception) ve doğrulama (verification) süreçlerini tek bir bağlam penceresinde ve tek bir süreçte barındırır. Bu durum, birbirini tetikleyen üç temel patolojiye yol açar:

- **Bağlam Kirlenmesi (Context Pollution):** Dikkat (attention) sabit bir bütçedir. Her araç çıktısı, hata izi (stack trace) ve getirilen doküman bu bütçe için rekabet eder; pencere doldukça orta kısımdaki bilgilerin hatırlanma oranı düşer. Daha da kötüsü epistemik sonuçtur: Bağlam, yalnızca ekleme yapılan (append-only) bir günlüktür ve 3. adımdaki spekülatif bir tahmin ile 30. adımdaki doğrulanmış bir gerçek yapısal olarak ayırt edilemez. Model, önceki tahminlerini kesinleşmiş öncüller olarak yeniden okur.
- **Araç Yayılması (Tool Sprawl):** Araç seçimi, kasıtlı olarak örtüşen anlamlara sahip N etiketli bir sınıflandırma problemidir. JSON şeması başına yaklaşık 120 token maliyetle, 40 araç her adımda kullanılsın ya da kullanılmasın ~4.8k token kalıcı ek yük (overhead) oluşturur. `read_file`, `grep_search` ve `read_file_range` gibi benzer araçlarla karşılaşan ajan, mantıklı görünen birini seçer ve mantıklı görünen ancak yanlış olan bir yanıt alır.
- **Deterministik Olmayan Döngüler (Non-deterministic Loops):** Döngü, somut bir durum koşulu (state predicate) yerine modelin kendi değerlendirmesiyle ("bu sorunu çözmeli") sonlanır. İterasyonlar arasında dünya durumunun farkı (diff) olmadığında, N+1. deneme N. deneme ile aynıdır. Bunun tipik imzası, aynı başarısız teste kendinden emin gerekçelerle yapılan üç farklı düzenlemedir.

**Pratik Çıkarım:** Politika, algı ve doğrulama tek süreçte toplandığında hiçbir hata modu bağımsız olarak gözlemlenemez. Endişelerin ayrılması (separation of concerns) burada estetik bir tercih değil, hataların kaynağını tespit edebilmenin ön koşuludur.

## 2. Dört Katmanlı Özelleşmiş Sürü (Swarm) Mimarisi

Katmanlar arasındaki değişmez kural şudur: Her katmanın kendine özgü bir araç yüzeyi, belirli bir bağlam bütçesi ve makine tarafından kontrol edilebilir (bir cümle değil, somut bir koşul olan) bir sonlandırma kriteri vardır.

- **SCOUT (Salt Okunur Algılama):** Maksimum 32k bağlam bütçesiyle `fetch`, `parse` ve `dedup` araçlarını kullanarak web/kaynak taraması yapar. Çıktı olarak doğrulanabilir bulgular (`Finding{claim, uri, quote, sha256}`) üretir.
- **ARCHITECT (İleri Düzey Akıl Yürütme):** 200k'ya kadar bağlam bütçesi, `DAG store` ve `AST parser` araçlarıyla sistemi planlar. Kabul kriterleri ve bağımlılıkları içeren görev düğümleri (`TaskNode{spec, acceptance_cmd, deps}`) oluşturur.
- **ENGINEER (Cerrahi Düzenlemeler ve TDD):** 32k bağlam bütçesiyle `aider`, `pytest` ve `git` kullanarak test odaklı geliştirmeyi yürütür. Çıktısı testleri geçmiş somut bir committir (`Commit{sha, tests_passed, logs}`).
- **SENTINEL (Sürekli Açık Gözetim):** Yaklaşık 200MB bellek (RSS) tüketen, sıcak yolda (hot path) LLM çıkarımı kullanmadan kurallar ve eşik değerlerle çalışan denetim katmanıdır.

**Pratik Çıkarım:** Üretim ortamında güvenilir ajan sistemleri (ör. CrewAI: Rol Tabanlı Ajan Ekipleri ve Production'da Agent Güvenilirliği yaklaşımları) kurarken, her ajana tüm yetkileri vermek yerine bağlamı daraltmak, araçları sınırlandırmak ve geçişleri şemalarla doğrulamak maliyeti düşürürken doğruluğu radikal biçimde artırır.

Orijinal makaleye [buradan](https://dev.to/nindhita/architectural-evolution-from-monolithic-llm-agents-to-specialized-multi-agent-swarms-3c01) ulaşabilirsiniz.

---

**Kaynak:** dev.to (https://dev.to/nindhita/architectural-evolution-from-monolithic-llm-agents-to-specialized-multi-agent-swarms-3c01)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/mimari-evrim-monolitik-llm-ajanlarindan-ozellesmis-cok-ajanli-surulere