Giriş

2025 yılının Ağustos ve Ekim ayları arasında, Çinli teknoloji yayınevi Turing'in düzenlediği "AI Agent Bootcamp" (AI Agent Uygulama Kampı) programında bir dizi teknik ders verdim. Derslerin çıkış noktası basitti: AI Agent tasarımını "sezgi güdümlü" olmaktan çıkarıp "ilke güdümlü" hale getirmek. Yani yalnızca bir demo'yu çalıştırmayı öğretmek değil, bir Agent'ın neden böyle tasarlandığını ve her mimari kararın ardındaki ödünleşimi derinlemesine anlamak. Bu kitap, tam da o derslerin notlarından ve deneylerinden derlenip genişletildi.

Şunu da belirtmeye değer: bu kitap, ilk fikirden nihai metne kadar, kendisi de whisper coding (fısıltı kodlama, yani dikte yoluyla iş birliği) diyebileceğimiz bir yöntemle ortaya çıktı — ve dikte etmek için kullandığım şey, bizim kendi sesli Agent'ımız olan Pine'dı. Her ders hazırlığında önce ona kabaca bir taslak dikte eder, konuyu taramasını (survey) ister, sonra bir ilk metin çıkarmasına izin verirdim; dersten sonra ise AI Agent Bootcamp'teki öğrencilerin geri bildirimlerini alıp onunla defalarca tartışır ve metni cilalardım. Bu döngü tekrarlana tekrarlana, ders notları bugün elinizdeki kitaba dönüştü. Süreç boyunca çoğu zaman klavye kullanmadım; düşüncelerimi ona sesli olarak aktardım. Konuşmanın bant genişliği yazmaktan çok daha yüksektir (normal konuşma hızı, yazma hızının yaklaşık dört katıdır); bu yüzden "dikte et — tara — tartış — düzelt" döngüsü hızlı dönüyordu. Bir anlamda bu kitap yalnızca Agent'ları anlatmıyor; aynı zamanda bir Agent'ın katkısıyla ortaya çıkmış bir eser.

2025'in başında DeepSeek R1'in yayımlanmasından bu yana, AI alanı salt temel model (yani genel amaçlı büyük dil modeli altyapısı) aşamasını geride bırakıp mühendislik uygulamasının derin sularına girdi. Model katmanındaki ilerleme iki yönden görülebilir. Bir yandan modeller, Agent ortamlarında pekiştirmeli öğrenme (Agentic Reinforcement Learning) yoluyla tool calling yeteneğini model parametrelerine işledi ve programlama (coding), matematik, grafik arayüz kullanımı (computer use) gibi alanlarda genel yetenekler kazandı. Modellerin yineleme hızı da giderek artıyor: GPT-5.2'den GPT-5.5'e, Claude Opus 4.5'ten 4.8'e geçişlerin her biri yalnızca yarım yıl aldı. Ürün katmanında ise Manus, Claude Code, OpenClaw gibi genel amaçlı Agent'lar insan-bilgisayar etkileşimini yeniden tanımladı ve "kod üretimi + dosya sistemi" mimari paradigmasını ana akımın görüş alanına taşıdı.

Yaklaşık bir yıl önce derslerde özetlediğim Agent mimari tasarım ilkelerine dönüp baktığımda, beni hem memnun eden hem de şaşırtan bir şey fark ettim: bu ilkeler eskimek bir yana, giderek daha klasik hale geldi. Agent dünyasında sonradan Skill, harness, loop engineering gibi yeni terimler peş peşe ortaya çıktı, ama gerçek sıralama tam tersi: Anthropic gibi şirketler önce bu kavramları icat etmedi ve sayısız Agent da onların ardından bunları kullanmaya başlamadı; tersine, pek çok Agent bunu zaten yapıyordu, Anthropic ise bunları damıtıp mimari tasarım ilkeleri olarak formüle etti. Önce pratik gelir, isimlendirme sonra.

Bu ilkelerin arkasındaki güven, Agent'ları gerçekten uzun süreçli ve yüksek riskli senaryolara sürmüş olmaktan geliyor. Pine AI'ın baş bilim insanı olarak ekibimle birlikte Pine'ı geliştirdim. Bildiğim kadarıyla Pine, gerçek insanlarla otonom biçimde etkileşebilen ve para söz konusu olan hassas, karmaşık, uzun soluklu görevleri tek başına güvenilir şekilde yürütebilen ilk genel amaçlı Agent: kullanıcı adına operatörü arayıp fatura pazarlığı yapıyor, satıcılarla iade ve şikâyet süreçlerini yürütüyor, abonelikleri iptal ediyor — hem de baştan sona hiçbir insan devralmadan. Bu tür görevler rahatlıkla onlarca tur müzakereye uzanır ve tek bir adımdaki hata doğrudan parasal kayıp demektir. Güvenilirlik konusundaki bu neredeyse acımasız talep, bu kitabın tekrar tekrar vurguladığı mimari ilkeleri tek tek ortaya çıkardı. Aşağıdaki birkaç örnek, işte bu pratikten geliyor.

• Skill kavramı yaygınlaşmadan çok önce, prompt'ların sonsuzca şişmesi sorununu dinamik prompt yükleme yöntemiyle, araç listesinin sonsuzca şişmesi sorununu komut satırı üzerinden araç çalıştırma yaklaşımıyla, Agent'ın çalıştığı ortamı ve kullanıcının zamanını, çalışma durumunu algılayamaması sorununu ise sistem durum çubuğu tekniğiyle çözüyorduk.
• harness kavramı yaygınlaşmadan çok önce, modelin tool calling'deki kararsızlığı, halüsinasyonları, tehlikeli işlemleri, yetki aşan işlemleri ve talimatlara uymaması gibi sorunları Claude Code'a benzer yöntemlerle çözüyorduk.
• loop engineering kavramı yaygınlaşmadan çok önce, modelin görevi zamanından önce tamamlanmış sayması sorununu bu kitabın önerici-inceleyici (proposer-reviewer) dediği yöntemle çözüyorduk.

Üstelik bu bize özgü bir buluş da değil: bildiğim kadarıyla önde gelen model ve Agent şirketlerinin çoğu benzer yöntemleri kendi başlarına keşfetti. 2025 Ağustos'unda Turing'de "AI Agent Bootcamp" dersini açmamın ve 2024-2026 boyunca Çin Bilimler Akademisi Üniversitesi'nde (UCAS) AI Agent uygulama dersini kesintisiz sürdürmemin nedeni de bu. Bu kitabı kapalı tutup telif geliri elde etmek yerine açık kaynak olarak yayımlamayı seçmemin nedeni de aynı: bu bilginin daha çok uygulayıcıya ulaşmasını istiyorum.

Önce pratik gelir, isimlendirme sonra. Bu sıralamanın kurumsal Agent geliştirme açısından çok somut bir anlamı var: her seferinde bir Agent teriminin sektörde yaygınlaşmasını bekleyip ancak ondan sonra uygulamaya geçiyorsanız, zaten bir adım geridesiniz. Bir terim yaygınlaştığında, önde gelen şirketler çoğunlukla o terimin işaret ettiği sorunu çoktan bir kez baştan sona yaşamış olur. Peki bir terim yaygınlaşmadan önce ne yapmak gerektiğini nasıl bilebilirsiniz? Bence bunun iki kilit koşulu var.

Birincisi, Agent'ın yetenek tavanından son derece yüksek beklentisi olan gerçek bir iş alanınız olmalı ve buradan sürekli gerçek geri bildirim alabilmelisiniz. Pine'ı örnek alalım: tek bir işin halledilmesi çoğu zaman saatler, hatta haftalar sürer ve bu süreçte birden fazla paydaşla defalarca iletişim kurmak gerekebilir. Arada saatler süren telefon görüşmeleri yapılabilir, bilgisayarda sayfalarca karmaşık form doldurulabilir, birkaç e-posta gidip gelebilir; baştan sona hiçbir rakamda hata yapılmamalı ve iletişim boyunca kullanıcının çıkarını koruyacak kadar dikkatli davranılmalıdır. Ancak bu kadar karmaşık bir senaryonun içindeyseniz, pratik sizi doğal olarak harness kurmaya, yani modelin şu an kendi başına yapamadığı ama işin mutlaka gerektirdiği şeyleri telafi etmeye zorlar. Tersine, işiniz yetenek tavanından fazla bir şey beklemiyorsa ve modelin ufak bir sürüm yükseltmesi yetip de artıyorsa, bu mimari ilkeleri inceltmek için hiçbir motivasyonunuz olmaz.

İkincisi, mutlaka bir değerlendirme (Evaluation) mekanizması kurmalısınız. Bu da kitabın tekrar tekrar vurguladığı bir nokta: değerlendirme yoksa ilerleme de yoktur. Değerlendirme, bir değişikliğin gerçekten iyileşme mi yoksa yalnızca şans eseri mi olduğunu ayırt etmenizi sağlar; böylece Agent'ın yineleme yönü artık sezgiye bağlı kalmaz. Nihayetinde savunduğumuz şey, mühendisliği ve Agent geliştirmeyi bilimsel bir metodolojiyle yapmaktır; değerlendirme ise bu metodolojinin temelidir. Bölüm 6 bu yöntemi ayrıntılı biçimde ele alır.

Alttaki modeller nasıl gelişirse gelişsin, ürün biçimleri nasıl yenilenirse yenilensin, başarılı Agent sistemlerinin neredeyse tamamı aynı mimari kalıpları izliyor. Bu bir rastlantı değil: iyi tasarım ilkeleri zaten modelin yineleme döngülerini aşacak nitelikte olmalıdır, çünkü tarif ettikleri şey belirli bir modelin kullanımı değil, akıllı sistemlerin dünyayla etkileşiminin temel kalıplarıdır.

Turing Ödülü sahibi ve pekiştirmeli öğrenmenin babası Richard Sutton, evrenin evriminin dört aşamadan geçtiğini söylemişti: tozdan yıldızlara, yıldızlardan yaşama, yaşamdan da Agent'lara (özgün ifadesiyle tasarlanmış varlıklara, designed entities). Biyolojik evrim kördür: rastgele mutasyon, doğal seçilim. Canlıların çoğu kendi işleyiş ilkelerini anlamaz, canlıları kendi başına tasarlayıp dönüştüremez. Agent ise evrenin evrim tarihinde bambaşka bir varoluş biçimidir: kod üreterek kendini başlatabilir (bootstrap) ve kendi kendine evrilebilir — tıpkı bir programcının başka bir programcı yazması, yeni programcının da bir sonrakini yazmaya devam etmesi gibi. Yani bir Agent kendi işleyiş mekanizmasını anlayabilir, bir hedef doğrultusunda bambaşka Agent'lar yaratabilir, hatta kendini iyileştirebilir. Bu kitabın misyonu, işte bu yaratma ilkelerini anlamanıza ve bunlarda ustalaşmanıza yardımcı olmaktır.

Bu kitabın çekirdek formülü tek bir cümleden ibaret: Agent = LLM + Context + Tools. Üçünden biri eksik olursa olmaz.

Daha sezgisel söylersek: beyin + gözler + el ve ayaklar. Beyin (LLM) düşünmeyi ve karar vermeyi üstlenir, gözler (context) Agent'ın hangi bilgiyi görebileceğini belirler, el ve ayaklar (tools) ise Agent'ın hangi işleri yapabileceğini belirler. (Kesin konuşmak gerekirse "gözler" yalnızca kaba bir benzetmedir: context sadece ortam bilgisini ve konuşma geçmişini değil, araç tanımı gibi içerikleri de kapsar; yani Agent'ın "gördüğü" bilgiler arasında "hangi el ve ayakların kullanılabilir olduğu" da vardır. Bu metafor tek bir temel sezgiyi aktarmayı amaçlıyor: context, modelin algılayabildiği bilgilerin tamamıdır.)

Pekiştirmeli öğrenmeye aşina okurlar için bu üçlü, RL'in biçimsel diline de eşlenebilir. Somut olarak LLM, Policy'ye (politika); context, Observation Space'e (gözlem alanı); tools ise Action Space'e (eylem alanı) karşılık gelir. Üç anlatım da aynı nesneyi işaret eder, aralarındaki tek fark ifade düzeyidir.

Kitabın Yapısı

Kitap on bölümden oluşur ve dört katman boyunca ilerler (Şekil 0-2). Bölüm 1 Agent'ın temel çerçevesini kurar; Bölüm 2-5 Agent'ın nasıl inşa edileceğini tartışır ve sırasıyla context'i, bilgiyi, araçları ve kod üretimini açar; Bölüm 6-8 Agent'ın nasıl değerlendirileceğini ve sürekli olarak nasıl iyileştirileceğini tartışır, ölçüm sistemlerinden model post-training'e ve oradan çalışma deneyiminin sürüklediği sürekli evrime kadar ilerler; Bölüm 9-10 ise ufku çok modlu etkileşime ve multi-agent iş birliğine genişletir.

• Bölüm 1 (Agent'ın Temel Bilgileri), birden fazla gerçek Agent ürününden yola çıkarak Agent'a dair sezgisel bir kavrayış kurar. Agent'ın çekirdek formülünü derinlemesine çözümler: uygulama katmanındaki LLM + Context + Tools'tan sezgi katmanındaki beyin + gözler + el ve ayaklara, oradan da akademik katmandaki Policy (politika), Observation Space (gözlem alanı) ve Action Space'e (eylem alanı). Ayrıca deneyler aracılığıyla ReAct döngüsünün, yani "düşün → eyle → gözlemle" yineleme sürecinin işleyişini inceler; görev içindeki context uyarlamasını, görevler arasında kalıcı harici artefakt güncellemelerini ve eğitim döngüsündeki parametre güncellemelerini birbirinden ayırır. Son olarak iş akışından otonom Agent'a uzanan orkestrasyon tasarım kalıplarını tartışarak sonraki bölümler için ortak bir kavramsal çerçeve kurar.
• Bölüm 2 (Context Engineering), kitabın en kritik bölümüdür; context'i, yani Agent'ın "gözleri"ni sistematik olarak anlatır. Bölüm önce API mesaj yapısı ve Agent'ın çekirdek döngüsüyle başlayıp "context bir mesaj listesidir" temelini kurar; ardından KV Cache'in (büyük modellerin çıkarımı sırasında geçmiş hesaplama sonuçlarını yeniden kullanma mekanizması) alt düzey ilkelerine iner. Sonra sırasıyla şunları açar: Prompt Engineering (süreç odaklı tasarım, araç açıklamaları ve iş kurallarının inceltilmesi dahil) ile Prompt Injection saldırı-savunması, Agent Skills'in ihtiyaç halinde yükleme mekanizması, Agent durum çubuğu tekniği ve Context Compression stratejileri. Terimlerin tam tanımları, ana metinde ilk geçtikleri yerde verilir.
• Bölüm 3 (Kullanıcı Belleği ve Bilgi Tabanı), context yönetimini oturumlar arasına yayılan kalıcı bir bilgi sistemine genişletir; böylece Agent yalnızca güncel konuşmanın içeriğini hatırlamakla kalmaz, birden fazla konuşma arasında bilgi biriktirip bu bilgiyi çağırabilir. Kullanıcı belleğinin dört kademeli stratejisini, RAG'ın (retrieval-augmented generation, yani önce ilgili dokümanları getirip sonra modele yanıt ürettirme) eksiksiz teknik yığınını (farklı metin arama yöntemleri ve arama sonucu sıralama optimizasyonu dahil), çok modlu bilgi çıkarmayı, daha ileri düzey bilgi düzenleme yöntemlerini ve Agentic RAG'ı (Agent'ın ne zaman ve neyi getireceğine kendisinin karar vermesi) kapsar.
• Bölüm 4 (Araçlar), Agent'ın dış dünyayla etkileşim köprüsünü inceler: araçlar Agent'ın "el ve ayakları" gibidir, ona web'de arama yapma, API çağırma, veritabanı işletme gibi imkânlar verir. MCP araç birlikte çalışabilirlik standardını ve beş araç türünün (algı, yürütme, iş birliği, olay tetikleme, kullanıcı iletişimi) tasarım ilkelerini tanıtır; özellikle yürütme araçlarının güvenlik mekanizmaları ile olay güdümlü asenkron Agent mimarisi üzerinde durur.
• Bölüm 5 (Kodlama Agent'ı ve Kod Üretimi), bir Kodlama Agent'ı artı bir dosya sisteminin tüm genel amaçlı Agent'lar için en temel teknik dayanak olduğunu savunur. OpenClaw mimarisini ana eksen alarak Kodlama Agent'ının iş akışını ve uygulama tekniklerini çözümler; kod üretiminin programlamanın ötesindeki geniş değerini gösterir: düşünmeye yardımcı olmaktan bilgi tabanı kurmaya, dinamik olarak yeni araçlar yaratmaya ve Agent bootstrapping'e kadar.
• Bölüm 6 (Agent'ın Değerlendirilmesi), bilimsel bir değerlendirme metodolojisi kurar. Değerlendirme ortamlarını (tool calling tipi ve insan-bilgisayar etkileşimi tipi olmak üzere iki temel paradigma ile bölüm sonunda ayrıca ele alınan simülasyon ortamları), veri kümesi tasarım ilkelerini, LLM-as-a-Judge otomatik değerlendirme yöntemini, değerlendirme güdümlü model seçimini ve değerlendirme sonuçlarını sistem iyileştirmelerine dönüştüren eksiksiz kapalı döngüyü kapsar.
• Bölüm 7 (Model Post-Training), iki post-training tekniğine derinlemesine iner: SFT (denetimli ince ayar, yani etiketli veriyle modele "örneğe bakarak öğrenmeyi" öğretmek) ve RL (pekiştirmeli öğrenme, yani modelin deneme-yanılma ve ödül geri bildirimiyle kendini geliştirmesi). "SFT ezberler, RL genelleştirir" ve "veri ile ortam algoritmadan daha önemlidir" temel savları etrafında; pre-training/SFT/RL şeklindeki üç aşamalı panoramayı, klasik RL teorisini, ödül sinyali tasarımını (ikili ödüllerden süreç ödüllerine, oradan "sonucu ödüllendir, süreci kısıtla" yaklaşımındaki doğrulanmış yol cezasına), tek turlu ve çok turlu pekiştirmeli öğrenme algoritmalarını ve örnek verimliliği optimizasyonu gibi öncü araştırmaları kapsar.
• Bölüm 8 (Agent'ın Sürekli Evrimi), Agent'ın çalışma deneyiminin bir sonraki sürümün yeteneğine nasıl dönüştürüleceğini araştırır. Bölüm önce ortam sonuçlarından, süreç kurallarından ve LLM Rubric'ten oluşan öğrenme sinyalini kurar; ardından bilgi dokümanları, Prompt ile Skills, program ile Harness ve model parametreleri olmak üzere dört güncelleme taşıyıcısını karşılaştırır; son olarak aday sürümlerin doğrulanmasını, kademeli yayını (canary release), geri almayı ve uzun vadeli düzenlemeyi tartışır.
• Bölüm 9 (Çok Modluluk ve Gerçek Zamanlı Etkileşim), Agent'ın metin dünyasından fiziksel dünyaya geçişine bakar. Sesli Agent'ları (seri işlem hattından uçtan uca modellere), Computer Use'u (Agent'ın grafik arayüzleri bir insan gibi kullanması) ve robot manipülasyonunu (VLA (görme-dil-eylem modeli) kontrolü ile Sim2Real aktarımı) kapsar; çok modluluğun ve gerçek zamanlılığın getirdiği ortak mimari zorlukları ortaya koyar.
• Bölüm 10 (Multi-Agent İş Birliği), AI Agent sistemlerinin nihai biçimini tartışır: birden fazla Agent iş bölümü yaparak nasıl birlikte çalışır? Multi-agent iş birliğinin sınıflandırma çerçevesini (context paylaşılan/bağımsız × eşdüzey/yönetici/merkeziyetsiz) sistematik olarak açıklar; çeviri Agent'ı, telefon + bilgisayar Agent'ı gibi örneklerle iş birliği mimarisinin tasarım yöntemlerini gösterir ve Agent toplumu ile Agent ekonomisi gibi öncü yönlere bakar.

Bu Kitap Nasıl Okunur

Kitabın bölümleri görece bağımsızdır; kendi ihtiyacınıza göre farklı okuma yolları seçebilirsiniz:

• Agent geliştiricisiyseniz, Bölüm 1-8'i sırayla okumanız önerilir: ilk beş bölüm inşa yöntemlerini verir, Bölüm 6 değerlendirmenin temelini kurar, Bölüm 7 modelin nasıl eğitileceğini açıklar, Bölüm 8 ise parametreleri ve diğer güncelleme taşıyıcılarını eksiksiz bir sürekli evrim döngüsüne dahil eder. Bölüm 9 ve 10, çok modlu etkileşim ve multi-agent iş birliği ihtiyacınıza göre seçmeli okunabilir.
• Vaktiniz kısıtlıysa, öncelikle Bölüm 1'i (genel resmi kurmak için) ve Bölüm 2'yi (en kritik konu olan context engineering'de ustalaşmak için) okuyun. Bölüm 2'deki KV Cache'in alt düzey ilkeleri hayli tekniktir; ilk okumada bu ilke kısmını atlayıp yalnızca bölümün başında verilen üç temel sonucu aklınızda tutabilirsiniz, bu sonraki içeriği anlamanızı etkilemez.
• İlginiz model eğitimindeyse, doğrudan Bölüm 7'yi (model post-training) okuyabilirsiniz; buradaki değerlendirme yöntemleri (Bölüm 6) eğitimin ön koşulu olduğundan onu da birlikte okumanız, ayrıca bütünsel bir kavrayış için önce Bölüm 1 ve 2'yi okumanız önerilir.

Her bölüm çok sayıda deney ve düşünce sorusu içerir; numaralandırma biçimi "Deney X-Y" şeklindedir (X bölüm numarası, Y bölüm içindeki sıra numarasıdır). Deneylerin ve düşünce sorularının başlıklarında zorluk yıldızla belirtilir: ★ giriş seviyesini gösterir ve tüm okurlara uygundur; ★★ orta zorluğu gösterir ve belli bir mühendislik pratiği birikimi gerektirir; ★★★ ise ileri düzey bir meydan okumadır ve genellikle açık uçlu sorular ya da karmaşık sistem tasarımı içerir. Deneylerin çoğu eksiksiz ve çalıştırılabilir kodla birlikte gelir; bunlar kitaba eşlik eden açık kaynak depoda düzenlenmiştir:

Eşlik eden kod deposu: https://github.com/bojieli/ai-agent-book

Eşlik eden kodun tamamını Git ile edinebilirsiniz:

git clone https://github.com/bojieli/ai-agent-book.git
cd ai-agent-book

Git kullanmıyorsanız depo sayfasında Code → Download ZIP seçeneğini de kullanabilirsiniz. Deney kodları chapter1/ ile chapter10/ arasındaki dizinlerde bölümlere göre düzenlenmiştir. “Deney X-Y”yi bulmak için ilgili chapterX/README.tr.md dosyasını açın, deney numarasıyla proje dizinini bulun ve ardından bağımlılıkları kurup deneyi çalıştırmak için projenin kendi README dosyasındaki adımları izleyin. Yeniden üretim kılavuzu olarak işaretlenmiş bazı deneyler harici depolara bağlıdır; bunların nasıl edinileceği de ilgili README dosyalarında açıklanır.

Bu deneyleri bizzat çalıştırmanızı şiddetle öneririm. AI Agent son derece pratik bir alandır; tasarıma dair pek çok sezgi ancak elinizi kirletip hata ayıklama sürecinden geçtiğinizde gerçekten oturur.

Bir terim uzlaşımı: Bazı İngilizce teknik sözcükler doğrudan çevrildiğinde belirsizlik yaratır; bu yüzden kitap, sık geçen iki sözcüğü özellikle birbirinden ayırıyor: reasoning (modelin ara adımları açtığı, "düşündüğü" süreç) baştan sona "düşünme" olarak, inference (modelin ileri hesabı ve dağıtımda çalışması) ise baştan sona "çıkarım" olarak karşılanıyor. İki ayrı Türkçe sözcük kullanmanın nedeni, tek bir sözcüğün iki kavramı birden taşıyıp okurun ikisini ayırt edememesini önlemektir. Dolayısıyla düşünce zinciri (Chain-of-Thought), düşünme tipi modeller (örneğin OpenAI o serisi ve DeepSeek-R1; bu kitapta "düşünme modeli" ve "düşünür" denir), düşünme token'ları ve düşünme süreci söz konusu olduğunda kitap istisnasız "düşünme"yi; modelin çalıştırılması ve dağıtımı söz konusu olduğunda (çıkarım anı, çıkarım maliyeti, çıkarım yığını, çıkarım anında ölçekleme vb.) "çıkarım"ı kullanır. (Kitabın Çince aslı aynı ayrımı 思考 (reasoning) ve 推理 (inference) sözcükleriyle yapar; Bölüm 10'daki çeviri örneği doğrudan bu uzlaşıma dayanır. Çincede bir istisna vardır: 逻辑推理 (mantıksal akıl yürütme), 多跳推理 (çok atlamalı akıl yürütme), 空间推理 (uzamsal akıl yürütme), 时序推理 (zamansal akıl yürütme) gibi dilde çoktan kalıplaşmış bileşik terimlerde ve 推理游戏 (muhakeme oyunu) gibi gündelik kullanımlarda asıl metin alışılmış karşılığı koruyup 推理 sözcüğünü kullanmayı sürdürür; oralarda kastedilen, yukarıda anlatılan inference'ın teknik anlamı değil, tümdengelimli çıkarsamanın genel anlamıdır. Türkçede düşünme ile çıkarım arasındaki ayrım bu çakışmayı baştan ortadan kaldırdığı için böyle bir istisnaya gerek kalmaz.) Diğer kilit terimler için ana metin, ilk geçtikleri yerde İngilizce karşılıklarını verir.

Ön Koşullar

Bu kitap belli bir teknik altyapıya sahip okurlara yöneliktir, ama belirli bir alanda uzman olmanızı gerektirmez. Ön bilgiler aşağıda "gerekli" ve "önerilen" olmak üzere iki düzeyde listeleniyor; böylece kendi hazırlık düzeyinizi değerlendirebilirsiniz.

Gerekli: Kitabın tamamını okumanın temeli

• Python programlama: Kitaptaki neredeyse tüm deneyler Python'a dayanır. Python'ın temel söz dizimine, yaygın veri yapılarına, paket yönetimine (pip) ve benzeri temel kavramlara aşina olmanız gerekir. Uzmanlık düzeyi beklenmiyor, ama orta karmaşıklıktaki Python kodunu okuyup değiştirebilmelisiniz.
• LLM'lerle temel kullanım deneyimi: ChatGPT, Claude ya da benzeri ürünleri kullanmış ve "prompt → model yanıtı" şeklindeki temel etkileşim kalıbını anlamış olmalısınız.
• Bir AI destekli programlama aracı: En az bir AI destekli programlama aracını (Claude Code, Codex, Cursor, TRAE vb.) kurmanızı ve bu araca alışmanızı şiddetle öneririm. Bir yandan bu araçlar deneylerin geliştirme verimliliğini belirgin biçimde artırır; kitaptaki deneyler bol miktarda kod yazma ve hata ayıklama içerir. Öte yandan bu programlama araçlarının kendisi zaten olgunlaşmış birer Kodlama Agent'ıdır; onları kullanırken ReAct döngüsünü, tool calling'i, context yönetimini, yani kitabın tekrar tekrar tartıştığı temel mekanizmaları doğrudan deneyimlersiniz. Bu birinci elden deneyim, Agent tasarım ilkelerini anlamak açısından son derece değerlidir.
• Yazılım mühendisliği genel kültürü: Komut satırı kullanımı, Git sürüm kontrolü, JSON veri formatı, REST API gibi temel kavramlara aşina olun. Bunlar hem deneyleri çalıştırmanın hem de Agent'ın tool calling mekanizmasını anlamanın temelidir.

Önerilen: Belirli bölümlerin okuma deneyimini iyileştirir

• Makine öğrenmesi temelleri (Bölüm 7): Eğitim ile çıkarım, kayıp fonksiyonu, gradyan inişi, aşırı öğrenme gibi temel kavramları bilmek, model post-training'i anlamaya yardımcı olur.
• Temel matematik (Bölüm 2-3 ve 7): Doğrusal cebire dair sezgisel bir kavrayış (örneğin vektörlerin yön ve büyüklük gösterebildiğini, matrislerin toplu işlem yapabildiğini bilmek) embedding'leri ve attention mekanizmasını anlamaya yardımcı olur; temel olasılık ve istatistik bilgisi ise değerlendirme metriklerini ve pekiştirmeli öğrenmedeki beklenen ödülü anlamayı kolaylaştırır. Kitaptaki matematik karmaşık türetmelere girmez, sezgisel açıklamalara ağırlık verir.
• Web geliştirme temelleri (Bölüm 4 ve 9): HTTP, WebSocket, ön uç/arka uç ayrımına dayalı mimari gibi kavramları bilmek, olay güdümlü asenkron Agent mimarisini ve sesli Agent'ların gerçek zamanlı iletişim deneylerini anlamaya yardımcı olur.
• Transformer mimarisi hakkında temel bilgi (Bölüm 2 ve 7): Transformer, bugün neredeyse tüm büyük dil modellerinin alttaki mimarisidir. Büyük modellere dair temel bilgisini sistematik olarak tamamlamak isteyen okurlara Illustrating Large Models (《图解大模型》, Turing tarafından Çince yayımlandı) kitabını öneririm. Bu kitap Transformer mimarisini, pre-training ve fine-tuning gibi çekirdek kavramları sezgisel şemalarla anlatır ve elinizdeki kitabın Agent mühendisliği bakış açısıyla iyi bir tamamlayıcılık oluşturur.

Bu ön bilgilerin bazılarında eksiğiniz varsa, bu sizi caydırmasın. Kitabın çekirdek değeri mimari tasarım ilkeleri ve mühendislik pratiğinin metodolojisidir; belirli bir algoritma ya da teknik değil. Bölüm 7'deki post-training dışında kitabın matematik ve makine öğrenmesi beklentisi çok düşüktür; kitap rahatlıkla bir başlangıç noktası olarak kullanılabilir.

Agent teknolojisi hâlâ hızla evriliyor, ama iyi mimari tasarım ilkeleri zamanı aşacak güce sahiptir. "Neden böyle tasarlanıyor?" sorusunun yanıtını kavradığınızda, teknoloji dalgalarının değişimi içinde berrak bir muhakeme gücünü koruyabilirsiniz. Umarım bu kitap, AI Agent inşa ederken güvenilir bir rehberiniz olur.

Teşekkür

Turing'den Meng Ge ve Liu Meiying hocalarıma özenli editörlükleri ve Turing "AI Agent Bootcamp" dersinin düzenlenmesi için gösterdikleri emek için teşekkür ederim; Liu Junming hocama da Çin Bilimler Akademisi Üniversitesi'nde (UCAS) AI Agent uygulama dersini açtığı için teşekkür ederim. Turing "AI Agent Bootcamp" programının tüm katılımcılarına ve UCAS AI Agent uygulama dersinin tüm öğrencilerine de özellikle teşekkür etmek isterim — bu dersleri anlattığım süre boyunca bana çok sayıda değerli geri bildirim ve öneri verdiler, kavramların kendisini de daha net görmemi sağladılar.

Pine AI'daki tüm çalışma arkadaşlarıma teşekkür ederim. Pine AI gibi mükemmel bir ürün ve onun beraberinde getirdiği türlü zorluklar olmasaydı, Agent alanında bu kadar derin bir kavrayışa ve pratiğe ulaşmam mümkün olmazdı; her fikir çarpışmasında meslektaşlarım da çok değerli düşünsel katkılar sundu.

AI sektöründeki pek çok dosta da teşekkür etmek isterim (adlarını burada tek tek anmıyorum). Çeşitli sektör tartışmalarında görüşlerime dürüst geri bildirimler verdiler, yanlış yargılarımın epeycesini düzelttiler ve modellere, Agent'lara dair kavrayışımı yükselttiler.

En çok teşekkür etmek istediğim ise ailem, özellikle de eşim Meng Jiaying. Bu kitabı yazma sürecim boyunca beni hep destekledi ve kitap için çok sayıda değerli görüş sundu.