Yapay Zekâ Ajanlarında Büyük Yanılgı: Her Problemin Çözümü Daha Karmaşık Bir Agent Mimarisi Değil

Yapay zekâ ajanlarında başarı her zaman daha karmaşık mimariler kurmaktan geçmiyor. Action Complexity, Context Complexity ve Kirby Effect kavramlarıyla doğru agent harness tasarımını ve kurumsal AI projelerinde neden sade mimarilerin daha başarılı olduğunu keşfedin.

Son iki yılda yapay zekâ dünyasında yeni bir yarış başladı. Artık sadece daha güçlü modeller geliştirmek yetmiyor; bu modellerin etrafına kurulan "agent" mimarileri de en az model kadar konuşuluyor.

GitHub'da dolaştığınızda veya teknik konferansları takip ettiğinizde aynı kavramlarla sürekli karşılaşıyorsunuz:

• Multi-Agent
• Memory
• Context Engineering
• MCP
• Compaction
• Planner
• Reflection
• Hooks
• Long-Term Memory
• Vector Database

Sanki başarılı bir yapay zekâ ajanı geliştirmek için bunların tamamına sahip olmak zorunluymuş gibi bir algı oluştu.

Peki gerçekten öyle mi?

Son dönemde yayımlanan dikkat çekici bir teknik analiz, bu düşüncenin büyük ölçüde yanlış olduğunu savunuyor. Daha da önemlisi, yapay zekâ geliştirme dünyasının önümüzdeki birkaç yılını şekillendirecek çok önemli bir kavram ortaya koyuyor: Kirby Effect.

Agent Mimarileri Neden Gereğinden Fazla Karmaşıklaşıyor?

Bugün birçok geliştirici, Claude Code, Codex, OpenClaw veya Deep Research benzeri sistemleri örnek alarak kendi ajanlarını tasarlıyor.

Ancak burada kritik bir hata yapılıyor.

Bu sistemler sıradan ajanlar değil.

Onlar, günümüzün en karmaşık yapay zekâ problemlerini çözmek için tasarlanmış platformlar.

Saatler süren yazılım geliştirme oturumları yürütüyorlar.

Binlerce satır kod okuyorlar.

Yüzlerce dosya arasında ilişki kuruyorlar.

Kendi araçlarını oluşturabiliyor ve yeni araçlar geliştirebiliyorlar.

Doğal olarak bu kadar karmaşık görevler;

• gelişmiş hafıza,
• bağlam sıkıştırma,
• alt ajanlar,
• uzun süreli oturum yönetimi,
• kapsamlı durum takibi

gibi mekanizmalara ihtiyaç duyuyor.

Fakat aynı mimariyi bir müşteri temsilcisi botuna veya şirket içi IT destek asistanına uygulamak çoğu zaman gereksiz bir mühendislik yükü oluşturuyor.

İyi Bir Agent Tasarlamanın Asıl Formülü

Makalenin en güçlü yönü, agent tasarımını iki temel eksene indirgemesi.

1. Action Complexity (Eylem Karmaşıklığı)

Agent kaç farklı işlemi koordine etmek zorunda?

Örneğin;

• e-posta göndermek,
• API çağırmak,
• veritabanı sorgulamak,
• kullanıcı onayı beklemek,
• başka bir ajanı devreye almak

gibi işlemler arttıkça eylem karmaşıklığı yükseliyor.

2. Context Complexity (Bağlam Karmaşıklığı)

Agent görevi tamamlayabilmek için ne kadar bilgiyi aklında tutmalı?

Birkaç örnek verelim.

Bir IT destek botuna;

"VPN şifremi sıfırla."

dediğinizde geçmiş konuşmaların büyük kısmına ihtiyaç yoktur.

Ancak bir yazılım geliştirme ajanı iki saat boyunca aynı kod tabanı üzerinde çalışıyorsa, önceki tüm kararlarını hatırlaması gerekir.

İşte bağlam karmaşıklığı budur.

Bu iki eksen tamamen bağımsızdır.

Bir ajan çok fazla araç kullanabilir ama neredeyse hiç geçmiş bilgiye ihtiyaç duymayabilir.

Ya da tam tersi.

Bu ayrım, başarılı agent mimarilerinin temelini oluşturuyor.

Her Agent İçin Aynı Mimari Gerekmiyor

Bu yaklaşımı basit bir matrisle özetleyebiliriz.

Context KarmaşıklığıAction KarmaşıklığıÖnerilen MimariDüşükDüşükBasit agent döngüsü + birkaç araçDüşükYüksekGüçlü tool routing ve guardrail yapısıYüksekDüşükMemory ve context yönetimiYüksekYüksekGelişmiş agent framework'leri

Sorun şu ki günümüzde birçok ekip doğrudan son kutuya atlıyor.

Oysa çoğu kurumsal uygulama ilk iki kutuda yer alıyor.

Kirby Effect: Yapay Zekâ Kendi Framework'ünü Yemeye Başladı

Makalenin belki de en önemli kavramı Kirby Effect.

İsmini Nintendo'nun her şeyi içine çekebilen karakteri Kirby'den alıyor.

Buradaki fikir oldukça basit.

Model geliştikçe, daha önce framework içerisinde yazmak zorunda olduğumuz birçok özellik doğrudan modelin doğal davranışı haline geliyor.

Bunun geçmişte birçok örneğini gördük.

Bir dönem "Chain of Thought" özel prompt teknikleriyle uygulanıyordu.

Bugün reasoning modelleri bunu doğal olarak yapabiliyor.

Plan Mode, birçok araçta ayrı bir özellikti.

Artık çoğu gelişmiş model yalnızca doğru talimat verildiğinde plan oluşturabiliyor.

Araç kullanımı (Tool Calling) bile yakın zamana kadar tamamen framework sorumluluğundaydı.

Bugün modern büyük dil modelleri bunu kendi başlarına gerçekleştirebiliyor.

Yani model geliştikçe, etrafındaki mühendislik katmanlarını da içine çekiyor.

Yarın Hangi Özellikler Gereksiz Hale Gelebilir?

Bugün birçok framework şu bileşenleri büyük yenilikler olarak sunuyor:

• Reflection
• Self Review
• Planner
• Tool Ranking
• Retry Logic
• Dynamic Routing
• Memory Retrieval

Ancak geçmiş örneklere baktığımızda bunların önemli bir kısmının önümüzdeki birkaç model neslinde doğrudan model yeteneğine dönüşmesi şaşırtıcı olmayacaktır.

Bu nedenle geliştiricilerin kendilerine şu soruyu sorması gerekiyor:

Bu özelliği gerçekten framework içinde mi geliştirmeliyim, yoksa altı ay sonra model bunu zaten kendisi yapabilecek mi?

Kurumsal Dünyada Asıl Sorun Hafıza Değil

Gerçek hayattaki kurumsal ajanların büyük bölümü;

• Active Directory sorgular,
• Intune envanteri okur,
• Ticket oluşturur,
• CMDB'den bilgi getirir,
• Kullanıcı doğrulaması yapar,
• Doküman araması gerçekleştirir.

Bu işlemlerin büyük kısmı birkaç dakika hatta birkaç saniye içinde tamamlanır.

Dolayısıyla bu sistemlerde en kritik konu uzun dönem hafıza değildir.

Asıl önemli olan;

• doğru araçların seçilmesi,
• güvenlik kontrolleri,
• yetkilendirme,
• insan onayı gereken işlemler,
• denetlenebilirlik

gibi konulardır.

Yani birçok kurumsal AI projesi aslında bir memory problemi değil, tool orchestration problemidir.

Üçüncü Boyut: Governance Complexity

Makaledeki iki eksene katılmakla birlikte kurumsal dünya için üçüncü bir boyut daha eklemek gerekiyor.

Buna Governance Complexity diyebiliriz.

Bir yapay zekâ ajanının yalnızca çalışması yeterli değildir.

Aynı zamanda;

• RBAC yetkilendirmesi,
• KVKK ve GDPR uyumluluğu,
• denetim kayıtları,
• veri sınıflandırması,
• model sürüm yönetimi,
• prompt değişikliklerinin izlenmesi,
• güvenlik politikaları,
• değerlendirme (evaluation) süreçleri

de yönetilmelidir.

Kurumsal projelerde çoğu zaman en büyük karmaşıklık agent'ın kendisinde değil, bu yönetişim katmanında ortaya çıkar.

Önümüzdeki yıllarda başarılı AI platformlarını belirleyecek unsur da büyük ihtimalle bu olacaktır.

Yapay zekâ dünyasında yeni çıkan her framework'e bakarak sistem tasarlamak cazip görünebilir.

Ancak iyi mühendislik, her yeni özelliği eklemek değil; gerçekten ihtiyaç duyulan en küçük ve en sade mimariyi kurabilmektir.

Agent tasarımına başlamadan önce şu iki soruyu sormak çoğu zaman yeterlidir:

• Bu ajan kaç farklı eylemi koordine edecek?
• Bu ajan görevi tamamlamak için ne kadar bağlam taşıyacak?

Kurumsal projelerde ise bunlara üçüncü bir soru daha eklenmelidir:

• Bu sistem nasıl yönetilecek, denetlenecek ve güvenli tutulacak?

Yapay zekâ geliştirme dünyası giderek daha güçlü modellere doğru ilerliyor. Bu süreçte bazı framework'ler büyüyecek, bazıları ise modeller tarafından "yutulacak".

Belki de geleceğin en değerli mühendislik becerisi, yeni bileşenler eklemek değil; artık gereksiz hale gelenleri zamanında kaldırabilmek olacak.