AI Agent Nedir, Nasıl Kurulur?

Makale Başlıkları

AI Agent (yapay zeka ajanı), bir büyük dil modelini (LLM) karar verme motoru olarak kullanan; araçları çağırabilen, hafıza tutan ve çok adımlı görevleri kendi kendine planlayıp yürüten bir yazılımdır. Sıradan bir sohbet botundan temel farkı, yalnızca metin üretmekle kalmayıp dış sistemlerle (API, veritabanı, e-posta, web araması) gerçek eylemler gerçekleştirebilmesi ve aldığı sonuçlara göre bir sonraki adımına kendisi karar verebilmesidir. Bu rehberde AI agent’ın ne olduğunu, nasıl çalıştığını ve kendi sunucunuzda nasıl kuracağınızı anlatıyoruz.

AI agent’larınızı gizli, hızlı ve maliyetsiz çalıştırmak için kendi sunucunuza kurup yerel bir LLM’e bağlayabilirsiniz.

AI Agent ile Chatbot Arasındaki Fark

Bir chatbot, sorduğunuz soruya metinle yanıt verir ve orada durur. Bir AI agent ise hedefe ulaşmak için araçlar kullanır: web’de arama yapar, bir veritabanını sorgular, e-posta gönderir, bir API’yi tetikler ve sonucu değerlendirip gerekirse yeni bir adım atar. Yani agent “konuşan” değil, “iş yapan” bir yapay zekadır. Bu yetenek, onu otomasyonun çok daha güçlü bir biçimine dönüştürür.

AI Agent Nasıl Çalışır?

Bir AI agent şu döngüyle ilerler: kullanıcıdan veya bir tetikleyiciden görev alır → LLM ile bir plan oluşturur → gereken aracı (web araması, veritabanı sorgusu, hesaplama, e-posta) çağırır → dönen sonucu gözlemler → hedefe ulaşana kadar bu adımları tekrarlar. Bu “düşün–eyle–gözlemle” (reason–act–observe) döngüsü, agent’ı statik bir asistandan ayıran şeydir ve karmaşık görevleri parçalara bölerek çözmesini sağlar.

Kendi Sunucunuzda AI Agent Kurma Yolları

Mantık her araçta aynıdır: görsel/akış tabanlı bir orkestrasyon platformu kurarsınız → LLM olarak Ollama (yerel) veya bir bulut API’sini bağlarsınız → araçlar ve tetikleyiciler ekleyip agent’ı çalıştırırsınız. En pratik üç araç:

Flowise — Sürükle-bırak, kod gerektirmez

Görsel bir tuval üzerinde düğümleri bağlayarak agent ve RAG akışları kurarsınız. Docker ile kurulumu:

git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise/docker
cp .env.example .env
docker compose up -d        # http://SUNUCU_IP:3000

n8n — Otomasyon + yerleşik AI Agent düğümleri

Zaten bir otomasyon platformu olan n8n, AI Agent düğümleriyle agent’ları daha geniş iş akışlarına gömmenizi sağlar:

docker volume create n8n_data
docker run -d --restart unless-stopped --name n8n -p 5678:5678 
 -e N8N_RUNNERS_ENABLED=true 
 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n

Dify — Üretime hazır agentic platform + RAG

Daha kurumsal, çok kullanıcılı agent uygulamaları için Dify güçlü bir seçimdir:

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d        # http://SUNUCU_IP/install

Üç araçta da LLM sağlayıcısı olarak “Ollama”yı seçip URL’e http://host.docker.internal:11434 yazarak yerel modelinize bağlanırsınız — böylece hiçbir veri dışarı çıkmaz ve API ücreti ödemezsiniz.

RAG: Agent’ı Kendi Verinizle Beslemek

RAG (Retrieval-Augmented Generation), agent’ın yanıt verirken kendi belgelerinizi, kataloglarınızı veya bilgi tabanınızı kullanmasını sağlar. Belgelerinizi bir vektör veritabanına yükler, agent’a “bilgi tabanı” olarak bağlarsınız; böylece genel bir model değil, sizin verinizi bilen, doğru ve güncel cevaplar üreten özel bir asistan elde edersiniz. Flowise ve Dify bu süreci görsel arayüzle çok kolaylaştırır. Müşteri destek botları ve iç dokümantasyon asistanları için en güçlü senaryo budur.

Sistem Gereksinimleri

Platformun kendisi (Flowise/n8n/Dify) hafiftir ve 2 GB RAM’li bir sunucuda çalışır. Asıl yükü, bağladığınız LLM oluşturur. Bulut API’si (OpenAI, Anthropic) kullanacaksanız küçük bir sunucu yeterlidir. Yerel bir model çalıştıracaksanız Ollama’nın gereksinimleri geçerlidir; örneğin 7B bir model için en az 8 GB RAM önerilir. Gizlilik ve maliyet öncelikliyse yerel model, en yüksek kalite gerekiyorsa bulut API’si tercih edilir.