Otonom AI Ajan Orkestrasyonu ve Sürekli Görev Yönetimi

1. AI Ajan Orkestrasyon Modelleri (Ör. AutoGen, CrewAI, LangGraph)

AI ajan orkestrasyonu, bir yapay zeka agent’ının (ajanının) diğer yapay zeka agent’larını yönlendirmesi ve birlikte çalışmasını sağlar. Bu mimaride ajanlar farklı roller üstlenerek bir ekip gibi görev yapar. Öne çıkan bazı modeller şunlardır:

• AutoGen (Microsoft) – Multi-ajan konuşma ve işbirliği cercevesi: AutoGen, birden fazla AI ajanının birbiriyle diyalog kurarak görev çözmesini sağlayan açık kaynaklı bir programlama cercevesidirmicrosoft.github.io. Bu platform, ajanlar arası iletişim, LLM ve araç kullanımı, tam otonomi veya insan-onaylı iş akışları gibi özellikleri desteklermicrosoft.github.io. Örneğin, AutoGen ile farklı roller tanımlayarak (örn. Şehir Keşifçisi, Gezi Danışmanı gibi) seyahat planı hazırlayan bir “ajan takımı” oluşturmak mümkündürgunjanvi.medium.com.
• CrewAI – Rol tabanlı çoklu-ajan işbirliği: CrewAI, Joao Moura tarafından geliştirilen hafif ve hızlı bir Python çerçevesidiribm.com. Her “ekip” içinde farklı rollere sahip otonom ajanlar birlikte çalışır ve kendi aralarında görev dağılımı yaparibm.com. Örneğin bir yazı ekibinde Araştırmacı AI, Yazar AI ve Editör AI gibi roller tanımlanabilir. CrewAI, bu şekilde birden fazla ajanın ortak amaç için sorunsuz sekilde işbirliği yapmasını sağlaribm.com.
• LangGraph (LangChain) – Graf tabanlı ajan orkestrasyonu: LangGraph, LangChain ekibi tarafından oluşturulan açık kaynaklı bir ajan çerçevesidiribm.com. Karmaşık görev akışlarını yönetmek için “graf” yapısını kullanır; yani her adımı ve dalı kontrollü bir şekilde tanımlamanıza olanak tanır. LangGraph, bu yapıyla daha öngörülebilir ve yönetilebilir multi-ajan iş akışları tasarlamayı mümkün kılaribm.com. Özellikle dağıtık ajan görevlerinde hata toleransı ve denetim ihtiyaçlarında öne çıkar.

Diğer Örnekler: Bunların yanı sıra, MetaGPT gibi projeler bir şirket ekibini taklit ederek yönetici, PM (proje yöneticisi) ve yazılımcı ajanlar oluştururodsc.medium.com. Benzer şekilde ChatDev adlı araştırma, farklı roller (analist, tasarımcı, kodlayıcı, test edici vb.) atanmış ajanlarla sanal bir yazılım şirketi simüle etmiştiribm.com. Bu modellerin ortak noktası, bir “üs” veya yönetici konumundaki yapay zekanın diğer uzman ajanları yönlendirip denetlemesidir.

2. Uzun Süreli Kesintisiz Görev Akışları İçin Açık Kaynak Çerçeveler

Bir defalık komutlar yerine sürekli ve otonom çalışabilen AI ajanlarına yönelik birçok açık kaynak proje bulunuyor. Bu araçlar, verilen bir amacı adım adım planlayıp, alt görevler üreterek ve sonuçları değerlendirerek insan müdahalesi olmadan uzun sure çalışabilirler. Kurulumları genellikle GitHub’dan kodu alıp API anahtarlarını tanımlayarak yapılır. Öne çıkanlar:

• Auto-GPT – Tamamen otonom GPT ajanı: 2023’te popülerlik kazanan Auto-GPT, GPT-4 modelini döngüsel olarak kendi kendine yönlendirerek minimum insan girdisiyle karmaşık görevleri başarmayı gösterdiodsc.medium.com. Dosya okuma/yazma, web araması, hafıza (bellek) yönetimi gibi yetenekleri vardır. Kurulum: GitHub projesini klonlayıp Python ile kurulur; OpenAI API anahtarı .env dosyasına konularak python -m autogpt komutuyla çalıştırılır. Continuous mode (sürekli mod) ile etkinleştirildiğinde insan onayı olmadan adımları sürdürürreddit.com.
• BabyAGI – Görev planlama döngüsü: BabyAGI, yapay genel zekayı basit bir görev döngüsü ile taklit etmeyi hedefleyen minimal bir projedirodsc.medium.com. Bir “taşk yöneticisi” gibi çalışarak hedefe ulaşmak için gerekli alt görevleri üretir, önceliklendirir ve sırayla yerine getirir. Her adım sonunda çıktıları değerlendirip bir sonraki adımı belirlerodsc.medium.com. Kurulum: Genellikle bir Python betiği olarak sunulur; OpenAI API anahtarını girdikten sonra doğrudan çalıştırılabilir.
• SuperAGI – Üretim odaklı ajan altyapısı: SuperAGI, gelişmiş araç ve arayüz desteğiyle daha büyük ölçekli otonom ajanlar için geliştirilmiş bir platformdurodsc.medium.com. İçerisinde web tabanlı bir arayüz, birçok entegre araç seti (API entegrasyonları, vektör veritabanı, hafıza gibi) ve gözlem/loj tutma gibi özellikler sunarodsc.medium.com. Kurulum: Geliştiricilere yönelik dokümantasyonu mevcuttur; Docker imajları veya pip paketi ile kurulabilir. Kurulduktan sonra tarayıcı arayüzünden ajan oluşturmaya izin verir.

Diğerleri: AgentGPT (Auto-GPT’yi tarayıcı üzerinden arayüzle kullanmaya imkan tanır)odsc.medium.com, CAMEL (iki ajanı kullanıcı ve asistan rolünde konuşturarak sorun çözer)odsc.medium.com gibi projeler de bulunmaktadır. Bu çerçevelerin ortak noktası, verilen bir hedefi adım adım parçalayarak ve gerektiğinde internete, dosyalara veya diğer araçlara başvurarak hedefe doğru kesintisiz ilerlemeleridir. Genellikle Python 3.8+ ve OpenAI API anahtarlarıyla dakikalar içinde kurup çalıştırmak mümkündür.

3. Bolt.new ile Entegrasyon ve Otomasyonu Sağlama

Bolt.new, tarayıcı içinde tam bir geliştirme ortamı sunan ve yapay zeka ile doğal dil aracılığıyla kod yazıp çalıştırmayı sağlayan bir platformdurgithub.com. Bolt.new’nin özelliği, AI modeline tüm ortam üzerinde kontrol vermesidir: Dosya sistemi, Node.js sunucusu, terminal ve tarayıcı konsolu gibi bileşenlere AI erişebilirgithub.com. Bu sayede AI ajanı kod oluşturma, düzeltme, çalıştırma ve hatta uygulamayı deploy etme döngüsünü insan müdahalesi olmadan yönetebilir. 

Otonom bir ajan sistemini Bolt.new ile entegre etmenin birkaç yolu vardır:

• Bolt’u Geliştirici Ajan olarak kullanma: Mevcut Bolt.new açık kaynak kod tabanını kendi projenize dahil edebilirsinizgithub.com. Örneğin bir “yönetici” ajan, Bolt ortamında çalışan bir “yazılımcı” ajanına talimat verebilir. Bolt’un sunduğu WebContainer sandbox’ı sayesinde, bu yazılımcı ajan kod yazıp test ederken gerçek zamanlı olarak sonuçları görebilir. Bu entegrasyon için Bolt’un API veya SDK imkanları (örn. GitHub entegrasyonu ile kod cekme/gönderme) kullanılabilir.
• Araç olarak entegrasyon: Alternatif olarak, Bolt.new’i bir “araç” gibi düşünüp, dışarıdaki bir ajan çerçevesine entegre edebilirsiniz. Örneğin AutoGen veya LangChain tabanlı bir çözümde, Bolt ortamında kod çalıştıran bir fonksiyon tanımlanabilir. Ajan, ihtiyacı olduğunda bu fonksiyonu çağırarak Bolt üzerinde kodu koşturur ya da test eder. Bu sayede normalde insanın onaylayacağı adımlar, sistem tarafından otomatikleştirilir.
• Git ve CI/CD ile sürekli dağıtım: Bolt.new, GitHub ile entegre olabildiği için geliştirme süreci CI/CD boru hattına da dönüştürülebilir. Ajanların oluşturduğu kodlar otomatik olarak bir Git deposuna aktarılıp, Bolt veya benzeri bir ortam tarafından sürekli olarak deploy edilebilir. Bu otomasyon zinciri, insanın her adımı elle tetiklemesini ortadan kaldırır.

Kısacası, Bolt.new gibi bir araç, otonom bir yapay zekanın kod yazma-düzeltme-çalıştırma döngüsünü kendi başına yönetebilmesi için ideal bir sandbox sunar. Entegrasyon, ya Bolt’un kendisini bir ajan olarak konumlandırmak ya da Bolt’un yeteneklerini dışarıdaki ajanın kullanacağı şekilde bir API aracılığıyla çağırmak seklinde yapılabilir. Bu sayede kesintisiz web uygulaması geliştirme süreci gerçekleşir.

4. Onay Gerektiren Durumlarda Manuel Müdahaleyi En Aza İndirmek

Birçok otonom ajan çerçevesi, güvenlik ve kontrol amacıyla bazı adımlarda durup kullanıcı onayı ister. Örnek olarak Auto-GPT varsayılan olarak her adımda onay ister ancak --continuous modu bu kısıtı kaldırırreddit.com. Kullanıcı müdahalesini minimuma indirmek için şu yöntemler uygulanabilir:

• Sürekli (Continuous) Çalışma Modu: Ajanı, kullanıcıdan tekrar tekrar izin almadan çalışacak şekilde yapılandırın. Birçok çerçeve “devam modu” veya benzer bayraklar sunar. Örneğin AutoGPT’de CONTINUOUS_MODE=True ayarı ile ajan, adımları otomatik geçerreddit.com. Bu modda dikkat edilmesi gereken, ajanların potansiyel hatalı işlemlerine karşı bazı sınırlamaların onceden tanımlanmasıdır.
• Rol Tabanlı Onay ve Görev Delegasyonu: Ajan mimarisine bir “supervisor (denetçi) ajan” eklemek, manuel onayı azaltmanın bir yoludur. Örneğin CrewAI’deki rol bazlı iş bölümü fikrini genişleterek bir Kontrolör AI tanımlanabiliribm.com. Diğer ajanlar kritik bir eylem yapmadan önce bu kontrolör ajana danışır. Kontrolör ajan, o eylemin güvenli ve amaca uygun olup olmadığını değerlendirecek şekilde programlanır. Böylece insan yerine otomatik bir onay mekanizması sağlanmış olur.
• Kısıtlı Yetki ve Güvenli Sandboxing: Ajanlara sadece belirli eylemleri yapma izni verin. Örneğin dosya sistemi erişimini proje klasörü ile sınırlamak, internet isteklerini sadece izin verilen API’lere yonlendirmek gibi. Bu tür politikalar uygulandığında, ajan tehlikeli bir şey yapamayacağı için her seferinde onay almadan güvenle işlem yapabilir. “Güvenli görev devri” de denen bu yaklaşımda, ajanların yetki sınırları net çizilir; kritik eşiklerin dışında kalan konularda otomatik ilerleme olur, sadece sınır ihlalinde insan bilgilendirilir.
• Otomatik Kontrol Listeleri: Ajan bir eylem gerçekleştirmeden önce dahili bir kontrol listesinden geçebilir. Örneğin “Bu eylem veri kaybına yol açar mı? Hassas bir işlemi mi içeriyor?” gibi soruları kendine sormasını sağlayacak bir prompt veya kural seti eklenebilir. Bu, bir nevi ajan içi onay mekanizmasıdır ve ancak liste dışı bir durum varsa insan onayına başvurulur.

Bu yöntemler, kullanıcı onayını proaktif bir şekilde sistemin içine yerleştirir. Sonuç olarak, ancak çok gerekli olduğunda insan müdahalesine başvurulur; diğer tüm rutin onay adımları ajanların kendi içinde halledilir. Örneğin, bir AI ajan ekibi düşünülürse, denetçi ajan ile yürütücü ajan ikilisi kurulup görev paylaşılabilir – denetçi sadece riskli durumlarda uyarı verir, normal durumlarda süreç kesintisiz akar.

5. Web Uygulaması Geliştirme Sırasında Test ve Stabilizasyon

Otonom ajanlar kullanarak web uygulaması geliştirirken, sürecin doğru işlediğini doğrulamak ve çıktının kararlı olmasını sağlamak kritik önem taşır. Bunu başarmak için şu stratejiler izlenir:

• Çok Ajanlı Test Yaklaşımı: Ajanları farklı uzmanlıklara bölerek birbirlerini test etmelerini sağlayın. Örneğin literatürde AgentCoder adıyla anılan yaklaşımda bir programcı ajan, bir test tasarlayıcı ajan ve bir test yürütücü ajan birlikte çalışırarxiv.org. Programcı kod yazarken, test tasarlayıcı bu koda uygun birim testlerini otomatik oluşturur; test yürütücü ise kodu çalıştırıp testleri geçirir ve sonuçları programcıya bildirirarxiv.org. Bu sayede ajan tarafından yazılan kod anında doğrulanır, hatalar veya başarısız testler varsa programcı ajan bunları düzeltir. Böyle bir döngü, insan müdahalesi olmadan kodun stabilize olmasına yardımcı olur.
• Birim ve Entegrasyon Testleri: Ajan sistemine, proje için önceden tanımlanmış test setleri entegre edilebilir. Web uygulaması gelişirken ajan belirli aralıklarla veya önemli değişikliklerden sonra otomatik olarak bu testleri çalıştırabilir. Örneğin bir Next.js uygulaması geliştiriliyorsa, “npm test” komutunu ajan kendi ortamında (Bolt.new gibi) çalıştırıp çıktıları değerlendirebilir. Test başarısızsa, hata loglarını analiz edip kendini düzeltecek yeni görevler oluşturur. Bu, sürekli entegrasyon (CI) yaklaşımının ajan tarafından üstlenilmiş halidir.
• Sürekli Gözlem ve Log Analizi: Ajanların eylemlerini izleyen bir gözetleyici modül bulundurulabilir. Bu modül, uygulamanın koşturulması sırasında ortaya çıkan hataları (ör. konsol hataları, sunucu çökmesi) veya ajanların plansız döngülere girmesini tespit eder. Tespit ettiği durumda ya ilgili ajana uyarı mesajı gönderir ya da geliştirme döngüsünü kontrollü şekilde durdurur. Bu sayede küçük hatalar büyümeden ayıklanır ve ajanlar sapmadan hedefe yönelir.
• Hafıza ve Durum Yönetimi: Uzun süreli görevlerde ajanların kendi hafızalarını efektif kullanması stabiliteyi artırır. Açık kaynak ajan çerçeveleri genelde vector database veya uzun süreli bellek entegre edebilir. Ajan, yaptığı hataları veya önceden çözülmüş problemleri hafızasında tutarsa, tekrar aynı tuzaklara düşmeden ilerler. Örneğin daha önce bir API entegrasyonunda hata aldıysa, bunu “öğrenip” bir sonraki denemede alternatif yol deneyebilir. Bu sürekli öğrenme mekanizması, web uygulamasının kararlı biçimde ortaya çıkmasını sağlar.

Örnek Uygulama: Diyelim bir ajan ekibi e-ticaret sitesi kodluyor. Programcı ajan kodu yazar, test ajanı her yeni özellik için birim test oluşturur ve çalıştırır. Aynı zamanda bir başka ajan, tarayıcıda uygulamayı başlatıp temel kullanıcı senaryolarını (alışveriş sepetine ürün ekleme, satın alma akışı vb.) otomatik olarak dener. Bu tüm sonuçlar toparlanıp programcı ajana raporlanır. Hatalar anında düzeltilir ve süreç boyu uygulama giderek daha stabil hale gelir. En sonunda, tüm testleri geçen ve canlı ortamda gözlem altında tutulan bir web uygulaması ortaya çıkar – üstelik bunu buyuk ölçüde yapay zekalar kendi aralarında işbirliği yaparak başarmış olur. 

Kaynaklar:

1. Vanna Winland ve ark., “What is crewAI?” IBM Think Blog ibm.com
2. Bryan Clark, “What is LangGraph?” IBM Think Blog ibm.com
3. AutoGen 0.2 – Getting Started, Microsoft microsoft.github.io
4. ODSC – Open Data Science, “Top 10 Open-Source AI Agent Frameworks (2025)” odsc.medium.comodsc.medium.comodsc.medium.com
5. Gunjan, “Using AutoGen for AI Agent Orchestration” (Medium) gunjanvi.medium.com
6. Charlie Solly, “I Tried Bolt.new AI for Web Development” (Medium) github.com
7. AutoGPT Reddit Discussion reddit.com
8. Dong Huang ve ark., “AgentCoder: Multiagent-Code Generation with Iterative Testing and Optimization” (arXiv 2024) arxiv.org