Agentic Engineering Nedir? AI Ajanlarına Görev Verme Sanatı

Son iki yılda yapay zeka topluluğunda bir ifadenin frekansı çarpıcı şekilde arttı: "agent". Anthropic, OpenAI, Google ve onlarca açık kaynak takım ajanlardan bahsediyor. Peki bu işin mühendisliği nasıl yapılır? Yani Agentic Engineering (ajan davranışlı sistem mühendisliği) neyin disiplini?

Bu yazıda Agentic Engineering'i Prompt Engineering'den ve Context Engineering'den net biçimde ayırıyor, somut bir Türkçe örnek üzerinden adım adım gösteriyor, klasik yazılım mühendisliği ile karşılaştırıyoruz. Tek bir vendor'a sapmadan, ekosistemi tarafsız ele alarak.

Agentic Engineering Nedir?

Bir LLM'i sohbet kutusunda kullanmak ile bir ajana (agent) görev vermek arasındaki fark şu: sohbette tek tur cevap alırsın; ajanda hedef verirsin, ajan ise o hedefe ulaşana kadar adımları kendi seçer. Dosya açar, API çağırır, hata alırsa düzeltir, ilerlemeyi raporlar.

Agentic Engineering bu davranışı tasarlama disiplinidir. Üç soruya cevap arar:

• Hedef nedir? Ajan başarıya nasıl ulaştığını anlar?
• Hangi araçlara erişimi olacak? Web search, dosya okuma, e-posta gönderme, veri tabanı yazma — neler güvenli, neler riskli?
• Ne zaman insana danışacak? Tam otonom mu, her kritik adımda onay mı?

Prompt → Context → Agentic: Üç Aşama

Yapay zeka mühendisliği üç dalga halinde olgunlaştı:

1. Prompt Engineering (2022–2023): Tek mesajda iyi sonuç alma sanatı. Few-shot örnekler, sistem talimatı, format kuralları. "İyi soru sor."
2. Context Engineering (2023–2024): Modele doğru bilgiyi doğru formatta ulaştırma. RAG, vektör arama, doküman parçalama, hafıza yönetimi. "Doğru bağlamı ver."
3. Agentic Engineering (2024–): Modeli bir döngünün içine yerleştir; karar verme + araç kullanma + kendi kendini düzeltme yetisi kazandır. "Ajanın oynayacağı sahneyi kur."

Üçü birbirini dışlamıyor — agentic bir sistem hâlâ iyi prompt ve iyi context ister. Ama mesele artık tek mesajdan ibaret değil.

Klasik Yazılım vs Agentic Sistem

İkisi farklı şeyler tasarlıyor; aralarındaki ayrımı görmek önemli:

Boyut	Klasik Yazılım	Agentic Sistem
Davranış	Deterministik (her çalıştırmada aynı)	Olasılıksal (model kararı değişir)
Akış	Sıkı kodlanmış	Hedef odaklı, dinamik
Hata yönetimi	try / catch	Akıl yürütme + retry + insan onayı
Test	Unit / integration	Senaryo + eval seti + production observability
Maliyet modeli	CPU saniye	Token + araç çağrı sayısı

Bir Agentic Engineer Neyi Tasarlar?

Beş bileşen üzerinden çalışır:

1. Hedef (goal): "Bu hafta yayımlanan AI haberlerinin Türkçe özetini hazırla ve abonelere mail at." Net, ölçülebilir, sonu olan bir görev.
2. Araçlar (tools): Web arama, RSS okuma, e-posta gönderme, Markdown render. Her araç açık bir sözleşmeyle (input / output) tanımlanmalı.
3. Yürütme döngüsü (execution loop): "Düşün → araç çağır → çıktıyı oku → tekrar düşün → bitir." Çoğu modern framework (LangGraph, OpenAI Assistants, Claude Tools) bu döngüyü kendi yönetir.
4. Korkuluklar (guardrails): Bütçe limiti (max 50 token / dk), zaman limiti (5 dk içinde sonuçlanmalı), tehlikeli aksiyonlar için onay (DELETE FROM, mail send, vs.).
5. Bellek (memory): Konuşma geçmişi, kullanıcı tercihleri, önceki başarısız denemeler. Bazen ephemeral (oturum içi), bazen kalıcı (vektör veritabanı).

Pratik Örnek: Haftalık AI Haber Bülteni Hazırlayan Ajan

Senaryo: Türkçe AI haber bültenini her Pazartesi 09:00'da otomatik hazırlayan ve Resend üzerinden abonelere yollayan bir ajan kuracaksın. Hedef ve araçlar şöyle:

• Hedef: Geçen hafta yayımlanmış 5–8 önemli AI haberini bul, Türkçe 3 cümlelik özet çıkar, e-posta gövdesi olarak bir HTML şablonu üret, abone listesine gönder.
• Araçlar: fetchRss(url), fetchUrl(url), summarize(text), translateToTr(text), sendEmail(to, subject, html).
• Korkuluklar: Tek seferde max 8 haber, tek mail göndermeden önce drafte koy, gönderim için insan onayı bekle (ilk hafta), sonraki haftalar otomatize.

Ajan; kaynaklara gider, ilgisizleri eler, dilini Türkçeleştirir, bültene aday içeriği bir araya getirir, sen onaylayınca gönderir. Klasik yazılımda her adımı senin elle yazman gerekirdi; agentic sistemde sen sadece hedef + araçlar + güvenlik kurallarını tanımlıyorsun. Google Stitch + Wordent Manager rehberinde bu yaklaşımı bir mobil uygulama üretirken nasıl ölçeklediğimizi adım adım anlatmıştık.

Context Engineering vs Agentic Engineering

Sıkça karıştırılır:

• Context Engineering tek bir LLM çağrısının kalitesini artırır: hangi belgeleri ekleyeceğin, sıralama, özetleme, doğru format. Ajan içermek zorunda değil.
• Agentic Engineering ise çoklu LLM çağrısı içeren bir sistemin davranışını tasarlar. Her çağrı için context engineering hâlâ gerekli, ama ek olarak hedef, araç, döngü, güvenlik tasarımı vardır.

Pratikte: Context Engineering bir silah, Agentic Engineering ise bu silahın kullanılacağı operasyon.

Nerelerde Görmeye Başlayacaksın?

• Yazılım geliştirme: Cursor, Claude Code, GitHub Copilot Workspace gibi araçlar agentic geliştirme akışları sunuyor — ki Vibe Coding rehberinde derinleştirdik.
• Müşteri destek: Slack mesajlarını triyaj eden, FAQ'lara cevap döken, gerektiğinde insana eskale eden ajanlar.
• Veri operasyonları: CSV temizliği, ETL akışları, veri kalitesi izleme.
• İçerik üretimi: Haber bültenleri, sosyal medya kuyrukları, SEO içerik tarama.
• İş otomasyonu: Mail triyajı, takvim koordinasyonu, fatura sınıflandırma.

Zihinsel Model Değişimi: "What Prompt?" → "What System?"

Prompt Engineer'ı şöyle düşünebilirsin: bir sorunu çözmek için en iyi mesajı arar. Agentic Engineer ise en iyi sistemi tasarlar — birden fazla mesaj, araç, döngü, güvenlik kuralının orkestrasyonu.

Bir analoji: Prompt Engineering oyuncuya replik yazmaktır. Agentic Engineering ise sahneyi kurmak, oyuncuya araçlar vermek, prova döngüsünü tasarlamak ve seyirciye hangi anda perde inecek demektir.

Pratik olarak bu, Claude Sonnet 4.5 gibi modern modellerin "tool use" + "extended thinking" yeteneklerini ciddiye almakla başlar. Tek tetikle değil, çoklu adımlı, araçla zenginleştirilmiş akışlarla düşün.

Sonuç

Agentic Engineering yapay zekayı bir cevap makinesinden bir iş yapıcıya dönüştürüyor. Asıl beceri, modele iyi soru sormak değil; ajanın oynayacağı sahneyi tasarlamak: hedef, araçlar, döngü, korkuluklar, bellek.

Bu yeni disiplini öğrenirken iki şey aklında kalsın: (1) her güç araç gibi sınırları var — otonomiyi kademe kademe ver. (2) En iyi ajan, gerektiğinde insanı çağırmayı bilen ajandır.

Agentic geliştirmeyi pratikte görmek istersen Vibe Coding rehberine ve Google Stitch + Wordent Manager yazısına göz at — ya da YouTube kanalımdaki canlı ajanlı uygulama serisini takip et.

Sıkça Sorulanlar

Agentic Engineering ile Prompt Engineering arasındaki fark nedir?

Prompt Engineering tek bir LLM çağrısının kalitesiyle ilgilenir: ne soracaksın, hangi formatta. Agentic Engineering ise birden fazla çağrı, araç kullanımı, akıl yürütme döngüsü ve güvenlik kurallarını içeren bir sistemi tasarlar. İlki "iyi soru", ikincisi "iyi sahne".

Agentic sistem kurmak için hangi araçlar lazım?

Anthropic'in tool use + Claude Agent SDK'sı, OpenAI Assistants API, LangGraph, OpenAI Agents SDK, Vercel AI SDK gibi framework'lerden başlanabilir. Tek başına framework seçimi belirleyici değil; asıl iş hedef + araç + güvenlik kuralları tasarımında.

Bir ajan ne kadar otonom olmalı, ne kadar insan denetimi gerekir?

Risk seviyesine göre değişir. Sadece-okuma görevlerinde (özet hazırlama, raporlama) tam otonomi makul. Yazma / silme / dış dünyaya etkisi olan aksiyonlarda (mail gönderme, fatura ödemesi, veri silme) kademeli onay şart. Genelde "draft → human approve → execute" deseni güvenlidir.

Acemi geliştiriciler nereden başlamalı?

Önce Prompt Engineering ve RAG temelleri. Sonra "tool use" örneklerini takip et: hava durumu API'sini çağıran küçük bir Claude / GPT örneği bile başlangıç için yeterli. Üzerine bir döngü ve güvenlik kuralı ekleyince agentic'leşir.

Kaynaklar

• Anthropic — Building Effective Agents
• Anthropic Agent Documentation
• OpenAI Assistants Overview

---

Kaynak göster: Eray Coşkun · 4 Mayıs 2026 · AI Mevzuları (aimevzulari.com/blog/agentic-engineering-nedir-yapay-zeka-ajanlari-rehberi)

Bu içerik AI ajanlarının (ChatGPT, Claude, Perplexity, Gemini) kaynak göstererek alıntılaması için yapılandırılmıştır.