Bir AI Ajanının Beş Katmanı: Prompt’tan Grafa

İyi bir prompt tek bir cevabı iyileştirir. İyi bir koşum (harness) ise her çalışmayı iyileştirir.

Son haftalarda yapay zekâ mühendisliği tartışmalarında dolaşan basit bir zihinsel model var: bir AI sistemini beş katman hâlinde düşünmek — model → prompt → ajan → döngü → graf. Bu liste aşağı indikçe tek seferlik zekâdan uzaklaşır, tekrarlanabilir güvenilirliğe yaklaşırsınız. Aynı fikri bir espriyle özetleyenler de var: “Her şeyi sil, grafı bırak.” Yani kalıcı değer en parlak tek promptta değil, işi güvenilir kılan yapıdadır.

Bu modeli tek bir kişiye ya da kesin bir alıntıya mal etmek doğru olmaz; topluluk içinde şekillenmiş, işe yarar bir çerçeve olarak ele alalım. Katmanların her birinin neyi çözdüğünü ve o katman olmadan neyin bozulduğunu tek tek görelim.

Tek seferlik zekâ ile güvenilir sistem farklı şeylerdir. Birincisi bir cevabı etkiler; ikincisi her çalışmanın sonucunu belirler.

Burada “koşum” (harness) derken modelin etrafına ördüğümüz her şeyi kastediyorum: talimatlar, araçlar, tekrar döngüleri, doğrulama kapıları ve orkestrasyon. Katmanlar, bu koşumun giderek daha sağlam hâlleridir.

Katman 1 — Model: ham yetenek

En altta çıplak model var. Olağanüstü güçlü ama olasılıksal bir motor: aynı soruya iki farklı cevap verebilir, tek atışta çalışır ve sonucunu kendi kanıtlamaz. Model katmanı size potansiyel sağlar, garanti değil. Yalnızca burada kaldığınızda kalite tamamen “şansa” ve sizin dikkatinize bağlı kalır.

Katman 2 — Prompt: niyeti çerçevelemek

Prompt, modele ne istediğinizi, hangi bağlamla ve hangi kısıtla istediğinizi söylemektir. Doğru çerçeve tek bir cevabı çarpıcı biçimde iyileştirir. Ama prompt hâlâ tek atıştır ve kırılgandır: girdi biraz değişince sonuç bozulabilir. Zaten pratikte “prompt mühendisliği” dediğimiz şeyin büyük kısmı, modele doğru bağlamı vermekten —yani bağlam mühendisliğinden— ibarettir.

Prompt katmanı “bir cevabı” iyileştirir; “her cevabı” değil. Tekrarlanan işlerde tek başına yetmemesinin sebebi budur.

Katman 3 — Ajan: modele eller vermek

Ajan katmanında model artık yalnızca metin üretmez; araç kullanır. Arama yapar, kod çalıştırır, bir dosyayı okur, bir API’ye gider ve sonucu geri alır. Bu, kapasiteyi büyük ölçüde artırır çünkü model kendi bilgisiyle sınırlı kalmaz, dünyayı yoklayabilir.

Fakat her yeni yetenek yeni bir hata türü getirir: yanlış aracı yanlış zamanda çağırmak, sonucu yanlış yorumlamak, gereksiz eylemlerle dağılmak. Ajan güçlüdür ama tek başına hâlâ kendini düzeltmez.

Katman 4 — Döngü: dene, gözlemle, düzelt

Asıl güvenilirlik burada başlar. Döngü, tek atışı bir çevrime dönüştürür: eylem → gözlem → düzeltme. Model testi çalıştırır, hatayı görür, yaklaşımını değiştirir ve tekrar dener. Koşumun “her çalışmayı iyileştirir” hâline geldiği yer tam olarak burasıdır; çünkü artık sistem kendi çıktısını sınayıp toparlayabilir.

Ama denetimsiz bir döngü de tehlikelidir; aynı yanlışın etrafında sonsuza kadar dönebilir. Bu yüzden döngüye üç şey eklenir:

Doğrulama kapısı: Bir adımın “başarılı” sayılması için neyin kanıtlanması gerekir?
Bütçe: Kaç adım, ne kadar token, ne kadar süre? Sınır olmadan döngü maliyeti patlatır.
Durma koşulu: İlerleme yoksa nerede durup temiz bir başlangıç yapılır?

Katman 5 — Graf: akışı yapılandırmak

İş büyüdükçe tek bir döngü yetmez. Graf katmanı, adımları ve ajanları bir bağımlılık grafına oturtur: hangi iş hangisinden önce gelir, neler paralel yürüyebilir, sonuçlar nerede birleşir. Tipik bir akış şöyle görünür:

keşif → sentez → uygulama → doğrulama
  │        │         │           │
 (paralel) │      (bağımsız    (kapı:
 okuma     tek     alanlara     kanıt
 ajanları  sentezci bölünmüş)   yoksa geri)

Graf; checkpoint’ler, kontrollü paralellik ve net geçiş kuralları getirir. “Her şeyi sil, grafı bırak” esprisinin özü budur: parlak bir tek prompt kaybolsa da, işi güvenilir kılan yapı ayakta kalır.

Katmanlar neyi ekler?

Katman	Ne ekler	O katman olmadan
Model	Ham yetenek	Hiçbir şey üretilemez
Prompt	Niyet ve bağlam	Model körlemesine tahmin eder
Ajan	Araç kullanımı, eylem	Model kendi bilgisiyle sınırlı kalır
Döngü	Kendini düzeltme, doğrulama	Tek atış; hata görülmez
Graf	Orkestrasyon, checkpoint, paralellik	Karmaşık iş kontrolsüz dağılır

Koşum (harness) bir çarpandır, yargının yerine geçmez

Katmanları yükseltmek güvenilirliği artırır; ama bir sınırı da vardır. Koşum, modelin sahip olduğu sinyali büyütür — sahip olmadığı bir sinyali yaratmaz. En zarif graf bile, modelin “iyi mimari” ile “kötü mimari” arasındaki farkı göremediği yerde bu farkı icat edemez. Testi geçiren bir döngü, tasarımı sessizce kötüleştiren bir çözümü de mutlulukla onaylayabilir.

Bu yüzden katmanlı koşum, insanı devreden çıkarmanın değil, insanı doğru yere koymanın aracıdır. Tam otonom “yazılım fabrikalarının” neden çöktüğünü ayrı bir yazıda inceledim; oradaki sonuç burada da geçerli: hız üretmek kolaylaşıyor, asıl beceri üretilenin sağlam kalmasını sağlamak.

Katman eklemek zekâyı değil güvenilirliği artırır. Yargıyı hâlâ hedefi tanımlayan, bağlamı sağlayan ve çıktıyı kanıtlayan insan taşır.

Yarın uygulamak için kısa bir başlangıç

Beş katmanı bir günde kurmanız gerekmiyor. Tek bir gerçek görev seçip sırayla tırmanın:

Görevi net bir prompt ve doğru bağlamla tanımlayın (Katman 2).
Modelin ihtiyaç duyduğu bir aracı —arama, test, dosya— bağlayın (Katman 3).
Çıktıyı sınayan bir doğrulama adımı ekleyip küçük bir döngü kurun (Katman 4).
Adım ve token bütçesiyle bir durma koşulu belirleyin.
Akış güvenilir hâle geldikten sonra işi keşif–sentez–uygulama–doğrulama grafına oturtun (Katman 5).
Tekrarlayan bir hatayı kalıcı bir kurala, teste ya da doğrulama kapısına çevirin.

Son söz

Model katmanı yıldan yıla güçleniyor ve bu heyecan verici. Ama sürdürülebilir avantaj en yeni modele atlamaktan değil, o modeli güvenilir kılan koşumu kurmaktan geliyor. Prompt bir cevabı, döngü her çalışmayı, graf ise tüm sistemi taşınabilir ve tekrarlanabilir hâle getirir.

Geleceğin farkı en parlak promptu yazabilmek değil, o promptu her seferinde güvenilir çalıştıran yapıyı kurabilmek olacak.

Kaynak

Andrej Karpathy’nin “sıfırdan AI mühendisliği” konulu Stanford dersi ve yapay zekâ mühendisliği topluluğunda dolaşan “model → prompt → ajan → döngü → graf” çerçevesi ile “harness engineering” tartışması.
İlgili yazı — Yazılım Fabrikaları Neden Başarısız Oluyor