---
title: "Zorlu Diyaloglar İçin Yapay Zekâ Geliştirmek: Beş Ajan, Bir Güvenlik Regex'i ve Bizi Körleme Değerlendiren Bir Süpervizör"
url: https://blog.edumints.com/zorlu-diyaloglar-icin-yapay-zeka-gelistirmek-bes-ajan-bir-guvenlik
category: "LLM"
date: 2026-11-08T15:06:33.157Z
publisher: Edumints Blog
lang: tr-TR
source_name: "dev.to"
source_url: https://dev.to/adiletakmatov/building-an-ai-for-hard-conversations-five-agents-one-safety-regex-and-a-supervisor-who-graded-53ic
---

# Zorlu Diyaloglar İçin Yapay Zekâ Geliştirmek: Beş Ajan, Bir Güvenlik Regex'i ve Bizi Körleme Değerlendiren Bir Süpervizör

**Bağlam:** Dicamus bir terapi veya kriz hattı değil, yapay zekâ tabanlı bir kendi kendine yardım (self-help) servisidir. Kullanıcıların iş, ilişkiler, kaygı, para ve uyku gibi konularda İngilizce veya Rusça konuşabildiği bu sistem, Kırgızistan'daki küçük bir ekip tarafından Almanya'daki sunucular üzerinde geliştirildi ve ilk iki haftada 441 commit aldı. Bu inceleme, sistemin mimarisini, nelerin bozulduğunu ve bağımsız bir klinik psikoloğun yaptığı körleme değerlendirme sonuçlarını yazılım mühendisliği perspektifiyle ele almaktadır (tüm örnekler simüle edilmiş test senaryolarına dayanır).

## Özet (TL;DR) ve Mimari Çıkarımlar

Canlı ortamlarda (**Production'da Agent Güvenilirliği** bağlamında) tek bir istemin (prompt) tek başına bir ürün olamayacağını gösteren 6 temel bulgu:

- **Tek bir prompt bir ürün değildir:** Her yanıt beş farklı ajandan geçer ve mesaj başına yaklaşık 85 bin token okunur.
- **Güvenlik katmanlıdır:** Üstte model tabanlı bir risk kontrolü, altında ise modelin başarısız olduğu durumlar için (yaklaşık 120 turda 1) deterministik bir regex yer alır.
- **Kuralları promptlar belirtir, asla kırılmaması gerekenleri kod zorlar:** Örneğin bir kod filtresi, makinenin fiziksel varlık iddia etmemesi gerektiği için "Senin için buradayım" ("I'm here for you") ifadesini metinden temizler.
- **Uzun süreli bellek zamansal bir bilgi grafiğidir:** Graphiti ve Neo4j kullanılmıştır. Planlanan iki veritabanı yerine pratik bir mühendislik kararıyla tek veritabanı canlıya alınmıştır.
- **Maliyet optimizasyonu:** Çıkarım (inference) sağlayıcıları liste fiyatına göre değil, gerçek maliyete (prompt-cache payı) göre seçilir.
- **Denetim ve şeffaflık:** Süpervizöre göre en zayıf nokta, kullanıcıları canlı bir uzmana yönlendirmekti; bu sorun düzeltilip tüm inceleme yayınlanmıştır.

## Yanıt Hattı (The Reply Pipeline)

Bir kullanıcı mesaj gönderdiğinde sistem şu paralel adımları işletir:

- **Risk sınıflandırıcı:** Son 6 mesajı ve geçmiş oturumlardaki risk geçmişini inceler.
- **"Dikkatli okuyucu" (Attentive reader):** Son 8 mesajı paralel olarak analiz eder.
- **Kitap erişimi (Book retrieval):** 82 kitaptan 42.000'den fazla pasajı tarar.
- **Bellek grafiği (Memory graph):** Kişiyle ilgili zamana duyarlı olguları getirir.

Bu dört paralel kolun çıktıları **Uzman (veya kriz modu)** ajanına, oradan **kod filtrelerine** ve son olarak **yanıta** ulaşır (arka planda ise konuşma turu grafiğe yazılır). Model olarak en yüksek akıl yürütme (reasoning) seviyesinde **DeepSeek V4.1 Flash** kullanılır. Yanıt milisaniyeler değil, onlarca saniye sürer çünkü kişiyi anlamak hızdan daha önemlidir. Kullanıcı beklerken sahte bir "yazıyor..." göstergesi yerine "Geçmiş konuşmaları hatırlıyor" veya "Mesajınızı yeniden okuyor" gibi gerçek sistem adımları gösterilir.

## "Dikkatli Okuyucu" (The "Attentive Reader")

En faydalı ajan, kullanıcıyla hiç konuşmayan ajandır. Son 8 mesajı alır ve uzman ajan için kısa bir not yazar: kişinin gerçekte ne söylediği, neyi tekrar ettiği, hangi sayıların belirsiz olduğu ve uzmanın nerede erken sonuca varabileceği. 

LLM'ler ikinci mesajda teşhis koymayı sever. Bu yüzden uzmana bir doktor gibi düşünmesi söylenir: 2–4 çalışma hipotezi tut, bunları ayıran soruyu sor, bir nedeni yalnızca %70+ güven düzeyinde açıkla ve yalnızca %85+ güven düzeyinde (kişi onayladıktan sonra) bir plan sun. Okuyucu 90 saniyelik bir bütçeyle (kriz modunda 40 saniye) paralel çalışır; gecikirse uzman not olmadan yanıt verir, böylece yavaş bir yardımcı ajan yanıtı asla bloke etmez.

## Diller Arası Kitap Erişimi (Cross-Lingual Book Retrieval)

Kaynak kitapların çoğu İngilizceyken pek çok kullanıcı Rusça yazmaktadır. Çok dilli RAG (**Embedding Model Serving Temelleri**) mimarilerinde kritik bir pratik olarak, gömme (embedding) işlemi **Qwen3-Embedding** ile bir talimat öneki (instruction prefix: *"Belirli bir rolle konuşan bir kişiden gelen Rusça mesaj göz önüne alındığında, ilgili pasajı getir"*) kullanılarak yapılır ve depolanır.

---

**Kaynak:** dev.to (https://dev.to/adiletakmatov/building-an-ai-for-hard-conversations-five-agents-one-safety-regex-and-a-supervisor-who-graded-53ic)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/zorlu-diyaloglar-icin-yapay-zeka-gelistirmek-bes-ajan-bir-guvenlik