---
title: "Uçtan Uca Değerlendirmelerle (E2E Evals) Daha Başarılı Ajanlar Geliştirmek"
url: https://blog.edumints.com/uctan-uca-degerlendirmelerle-e2e-evals-daha-basarili-ajanlar
category: "LLM"
date: 2026-10-15T07:21:11.368Z
publisher: Edumints Blog
lang: tr-TR
source_name: "dev.to"
source_url: https://dev.to/dailycontext/building-better-agents-through-end-to-end-evals-pgh
---

# Uçtan Uca Değerlendirmelerle (E2E Evals) Daha Başarılı Ajanlar Geliştirmek

## Görevi Derinlemesine Anlamak

Ajan (agent) geliştiren ekiplerin yaptığı en büyük hata, henüz tam olarak kavramadıkları bir süreci otomatikleştirmeye çalışmaktır. Kod yazmaya başlamadan önce, bir insanın bu işi adım adım nasıl yaptığını eksiksiz tarif edebilmelisiniz. Ramp Stack'te muhasebe süreçlerini otomatikleştirirken işi dört ana kategoriye ayırdık: mutabakat, veri girişi, sapma analizi ile takvimler ve tahakkuklar. Görevleri kategorize etmek, değerlendirmeyi (eval) dengeli tutar ve ajanın zayıf yönlerini gösterir. Ardından görevler adımlara bölünür: Örneğin bir muhasebeci ödenmemiş faturalar ile defteri karşılaştırır, uyuşmazlığı tespit eder ve düzeltmeyi işler. Geliştiriciler için çıkarım nettir: İnsan iş akışı modellenmeden ajan mimarisi kurulamaz; her operasyonel adım hem ajanın görevi hem de test senaryonuzun kontrol noktasıdır.

## Veri Darboğazdır

Uçtan uca değerlendirme döngüsü her aşamada aynıdır: Veritabanı iş verileriyle beslenir, ajan araçlar (tools) üzerinden bu veriyi işler ve çıktı notlandırılır. Canlıya çıkmadan önce gerçek veri bulunmadığından simülasyon şarttır. Çözümümüz, sentetik işletmeler ("dünyalar") kurmaktı. Örneğin; Shopify ve Amazon üzerinden satış yapan, gerçekçi ve dağınık Excel dosyalarına sahip sentetik bir marka kurguladık. Buradaki kritik öğrenme şudur: Verinin dağınık olması gerekir. Aşırı temiz veriler çevrimdışı testlerde iyi görünür, ancak gerçek kullanıcı karmaşasıyla karşılaştığında hızla çöker.

## Bir Değerlendirmenin (Eval) Anatomisi

Her değerlendirme vakası dört temel bileşenden oluşur:
- **Görev (Task):** Ajanın çözmesi gereken talep (örn. "2025 4. Çeyrek borç hesaplarını mutabık kıl").
- **Dünya (World):** Ajanın araçlarla erişebildiği sentetik ERP ve iş verisi ortamı.
- **Yörünge (Trajectory):** Ajanın attığı adımlar zinciri (fatura okuma, ödeme eşleme, fark inceleme).
- **Puan (Score):** Alan uzmanlarınca hazırlanmış kriterlere göre bir LLM hakeminin (LLM judge) çıktıyı notlaması.

İkili (geçti/kaldı) mantığı kısmi ilerlemeyi gizler. Rubrik (puanlama cetveli) kullanımı, ajanın 6 kriterden hangilerini karşılayıp hangilerini kaçırdığını netleştirir. Kriterleri mutlaka alan uzmanlarına yazdırın.

## Değerlendirmeleri Değişiklik Yapmak İçin Kullanmak

Değerlendirmeler kararlarınızı yönlendirdiğinde değer kazanır. Asıl kazanım model seçiminden ziyade test altyapınızı (harness) optimize etmekten gelir:
- **Başarısız Olan Yöntemler:** Otomatik prompt optimizasyonu (GEPA tarzı) genellenemedi. Aşırı akıl yürütme (high reasoning) ise doğruluğu artırmadan maliyeti katladı.
- **Başarılı Olan Yöntemler:** Ajanı bir ML modeli, bağlamı ise özellikler (features) gibi ele almak:
  - **Yetenek Ablasyonu (Skill Ablation):** Yetenekler tek tek kıyaslanarak 8'den 4'e düşürüldü; ortalama skor 2.8 puan arttı.
  - **Yetenek Sıkıştırma (Skill Compression):** E-tablo yeteneği %61 sadeleştirilerek kalite korunurken ayda 30.000 dolar tasarruf edildi.

Değişiklikleri sabit bir referans çizgisine (baseline) göre ölçün ve yalnızca skoru artıran unsurları koruyun.

## Diğerlerinin Atladığı Şeyi Test Edin: Bellek

Ajan sistemlerinde bellek (memory) nadiren değerlendirilir. Oysa üretim ortamında güvenilirlik için bağlam hafızasını uçtan uca test etmek şarttır.



---

Bu konuyu derinlemesine öğrenmek isterseniz: [Production'da Agent Güvenilirliği](https://edumints.com/kesfet/production-agent-orchestration-crewai-ve-autogen-i-u3cu) modülüne göz atın.

---

**Kaynak:** dev.to (https://dev.to/dailycontext/building-better-agents-through-end-to-end-evals-pgh)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/uctan-uca-degerlendirmelerle-e2e-evals-daha-basarili-ajanlar