Yapay Zeka Ajanlarının Arkasındaki Kirli Sır (Demo 🚀)

Yapay zeka ajanlarının (AI agents) etrafında genellikle gizemli bir hava yaratılır ve karmaşık bir framework (LangChain, CrewAI vb.) kullanmadan bu sistemlerin geliştirilemeyeceği düşünülür. Oysa temel mekanizmayı anladığınızda, kendi ajansınızı 80 satırlık basit bir kodla yazabileceğinizi görürsünüz.

1. Gerçekten Bir Framework'e İhtiyacımız Var mı?

Framework'ler sohbet hafızası, araç yönetimi ve yeniden deneme (retry) süreçlerini otomatize eder. Ancak arka plandaki mantığı kavramak, ne zaman hazır bir kütüphane kullanmanız gerektiğini belirlemek açısından kritiktir. Öğrenme sürecinde soyutlama katmanlarının altına inmek en değerli tecrübedir.

2. Steve ile Tanışın: Kod İnceleme Ajanı

Projeye dahil edilen Steve, 15 yıllık deneyime sahip alaycı bir kıdemli yazılımcı rolündedir. Yerel Git diff verilerini inceleyerek koddaki mantık hatalarını analiz eder. Bu yaklaşım, yazılım geliştirmede kendi kendini denetleyen otomasyonlar oluşturmanın harika bir örneğidir.

3. "Ajan Dediğimiz Şey Sadece Bir Döngüdür"

Ajanların temeli mantıksal bir döngüye dayanır. Sonsuz döngü riskini ve jeton (token) maliyetlerini önlemek için while yerine sınırlandırılmış bir for döngüsü tercih edilmiştir. API çökmelerine (503 hataları) karşı eklenen basit bir retry mekanizması sistemin kararlılığını sağlar.

4. Yapay Zeka Ajanı Aşama Aşama Nasıl Çalışır?

• 1. Adım (İstem ve Araç Tanımlama): Kullanıcı istemi ile ajanın çağırabileceği araçlar (getDiff, getFile, listFiles) modele sunulur.
• 2. Adım (Model Yanıtını Bekleme): Model yanıt olarak ya nihai metni ya da çalıştırmak istediği fonksiyon çağrısını (functionCall) döndürür.
• 3. Adım (Yerel Araç Çalıştırma): İstenen fonksiyon yerelde çalıştırılır ve elde edilen çıktı sohbet geçmişine yeni bir mesaj olarak eklenir.
• 4. Adım (Döngüyü Tamamlama): Model nihai cevabı verene veya adım sınırına ulaşılana kadar tüm sohbet geçmişi ile süreç tekrarlanır.

5. Gelecek Planları: MCP ve Yerel Modeller

Gelecekte ajanın MCP (Model Context Protocol) standartlarına entegre edilmesi ve açık kaynaklı yerel bir LLM ile çalıştırılması hedeflenmektedir. Yazılım öğrenenler için modüler yapı mimarisi kurmak esneklik sağlar.

6. Bonus: Model Fonksiyon Çağıracağını Nasıl Anlar?

Modern LLM'ler native olarak fonksiyon çağırmayı destekler. Eski modellerde ise özel formatlama talimatları verilip yanıtın JSON.parse() ile işlenmesi gerekirdi. Geliştiricilerin API yeteneklerini bilmesi performans açısından belirleyicidir.

7. Epilog: Başka Bir Ajan Tarafından Yazılan Ajan

Bu proje, Kiro gibi modern yapay zeka destekli geliştirme ortamlarında (AI IDE) kodlanmıştır. Günümüz yazılım dünyasında AI araçlarını bir asistan olarak kullanmak geliştirici verimliliğini katlama imkanı sunar.

8. Son Düşünceler ve Pratik Çıkarımlar

Yapay zeka ajanı geliştirmek için karmaşık mimarilere gerek yoktur. Bir LLM, araçlar, sohbet geçmişi ve basit bir döngü yeterlidir. Pratik çıkarım: Öğrenirken araçların arkasındaki temel prensipleri çözmek sizi bağımsız bir geliştirici yapar.

Orijinal kaynağa buradan ulaşabilirsiniz.