Anthropic, 2024 sonlarında Building Effective Agents yayınladığında, sektör için nadir bir şey yaptı: mühendislere ortak bir terminoloji sağladı. Yapay genel zeka hakkında başka bir manifesto yerine, rehber LLM sistemlerini yapılandırmak için altı net desen (pattern) sundu. Bir buçuk yıl sonra, 2026'da, manzara radikal biçimde farklı görünüyor. Model Context Protocol evrensel bir standart haline geldi. Claude yeni yetenekler kazandı. Çoğu kuruluş artık üretim ortamında en az bir ajan çalıştırıyor. Bu arka plan ışığında, bu altı desenin hâlâ önemli olup olmadığını veya geçen yılın model ağırlıklarının yanındaki arşivde mi yer almaları gerektiğini sormak yerinde olacaktır.

Bunu öğrenmek için tüm altı deseni yan bir depoda yerel bir modele karşı test ettim. Cevap evet. Hâlâ geçerliler. Ancak değişmez yasalar oldukları için değil; son on sekiz aylık üretim deneyimi, çerçevenin temel mantığını doğruladığı için geçerliler.

Çerçevenin Bize Aslında Ne Kazandırdığı

Altı deseni hatırlamaya değer: Prompt Chaining, Routing, Parallelization, Evaluator-Optimizer, Orchestrator-Workers ve Autonomous Agents. Sonuncusu, temelde modelin bir koşul karşılanana kadar plan yaptığı, hareket ettiği, gözlemlediği ve tekrarladığı bir döngüdür.

Rehber ortaya çıkmadan önce de pek çok mühendis zaten istemleri zincirliyor (chaining prompts) veya görevleri işçi iş parçacıklarına (worker threads) devrediyordu. Anthropic'in sağladığı şey bir taksonomiydi. Birinin "ajan" dediğine diğeri "iş akışı", bir başkası ise "çok adımlı araç çağrısı" diyordu. Rehber, bu karmaşayı net sınırları olan kategorilere ayırdı. Bu da, birbirini anlamadan tartışmak yerine, ödünleşimler (trade-offs) üzerine fikir yürütmeyi mümkün kıldı. Abartılı söylemlerin (hype) içinde boğulan bir alanda, net bir dil bir tür altyapıdır.

Sektör Çerçevenin Etrafında Değil, Üzerine İnşa Edildi

2026 yılına gelindiğinde, bu kategoriler ekiplerin sistem tasarlama biçimlerine işlenmiş durumda. Anthropic bunları Academy kurslarında hâlâ öğretiyor. Araştırma makaleleri ve mühendislik blogları, yeni mimarileri tanımlamak için hâlâ aynı altı kategoriyi kullanıyor. Teknoloji yığınını (stack) her çeyrekte bir yenileyen bir disiplin için bu tür bir uzun ömürlülük alışılmadık bir durumdur.

Nedeni oldukça basit. Sektör çerçevenin yerini almadı; onun üzerine inşa etti. MCP ve daha yeni Agent Skills standartları gibi yeni araçlar, bir tür altyapı (plumbing) görevi görüyor. Bir modeli bir veri tabanına bağlamayı, bir aracı dışarı açmayı veya durumu (state) yönetmeyi kolaylaştırıyorlar. Ancak bir orkestratör yerine ne zaman bir yönlendirici (router) kullanılacağı mantığını değiştirmiyorlar. Daha iyi bir boru, kat planını yeniden yazmaz.

2026'daki üretim verileri bunu doğruluyor. En yaygın dağıtım deseni, hâlâ insan incelemesiyle eşleştirilmiş tek bir araç kullanımı (tool-use) çağrısıdır. İkinci en yaygın desen ise, bir kişiye tam olarak bir devir (handoff) içeren çok adımlı bir iş akışıdır. Her ikisi de Prompt Chaining ve Routing'in doğrudan torunlarıdır. Canlı sistemlerde tam otonom döngüler kural değil, istisna olmaya devam ediyor.

Ölçülülük Pazara Galip Geldi

Orijinal rehberin en iyi tavsiyesi, aynı zamanda 2024'te en çok göz ardı edilen tavsiyeydi: işe yarayan en basit deseni kullanın. Eğer sabit kodlanmış (hardcoded) bir yol işi görecekse, tam otonom bir ajan dağıtmayın.

Piyasa sonunda bunu içselleştirdi. Çoğu ajan pilot çalışması hâlâ başarısız oluyor ve bu başarısızlık aynı öngörülebilir nedenden kaynaklanıyor: Ekipler, kimse karar sınırını takip edemeyene kadar soyutlamanın üzerine soyutlama ekliyor. Sistem saptığında (drift), hata ayıklama (debugging) bir arkeoloji çalışmasına dönüşüyor. Üretim ortamında başarılı olan şirketler, ölçülü davrananlar oldu. Varsayılan olarak tek turlu araç kullanımını seçtiler. Bir yönlendirme katmanını (routing layer) ancak tekli istem tutarsızlık gösterdiğinde eklediler. Otonomiyi kutlanacak bir özellik değil, gerekçelendirilmesi gereken bir risk olarak gördüler.

Bu, hırsa karşı bir argüman değil; kompozisyona (bileşime) yönelik bir argümandır. Desenler, menüdeki en karmaşık seçeneğe refleks olarak yönelmek yerine, onları bilinçli bir şekilde birleştirdiğinizde en iyi sonucu verir.

Sızıntıların Başladığı Yerler

Çerçeve her derde deva değildir. Prototip aşamasından ayrıldığınız anda ortaya çıkan sert sınırlar vardır.

Yüksek frekanslı, düşük maliyetli görevler için deterministik kod hâlâ kazanıyor. pandas bir CSV sütununu halüsinasyon görmeden milisaniyeler içinde normalize edebiliyorken, bir LLM bunu yapmamalıdır. Net bir değerlendirme hedefi tanımlayamıyorsanız otonom döngülerden kaçının. Net bir durdurma koşulu olmadan model, durmak için bir neden uydurana kadar yinelemeye devam edecektir. Dışsal temellendirme (external grounding) gerektiren yüksek riskli kararlar için yalnızca modelin dahili bilgisine güvenmeyin. Ve veri getirme işlemlerindeki darboğazlara dikkat edin. Vektör aramasına veya harici API'lere dayanan herhangi bir desen, veritabanınız yavaşsa veya bağlam pencereniz (context window) alakasız parçalarla (chunks) dolup taşmışsa tıkanabilir.

Bunlar varsayımsal uç durumlar (edge cases) değildir. Bunlar, çalışan bir demoyu hafta sonunu sağ salim atlatabilen bir sistemden ayıran kısıtlamalardır.

Katı Bir Kontrol ve Yanlış Bir Başarısızlık

Bu çerçevenin pratik değerini kendi test deponu (repository) oluştururken öğrendim. Evaluator-Optimizer desenini uyguluyordum. Değerlendiricim (evaluator), modelin çıktısını belirli anahtar kelimeler için tarayan, kod içine gömülmüş (hardcoded) bir regex olarak başlamıştı. Model, aradığım tam kelimeler yerine tesadüfen eş anlamlılarını kullanan, doğru ve mantıklı bir cevap vermişti. Değerlendirici bunu bir başarısızlık olarak işaretledi.

Model haklıydı. Benim kontrolüm çok katıydı.

Bunu düzeltmek, bir kelime listesini genişletmekten daha fazlasını gerektiriyordu. Değerlendiricinin kendisini LLM tabanlı bir yargılamaya dönüştürdüm. Bu, fazladan token ve birkaç milisaniye maliyetine mal oldu ancak değerlendirmeyi doğru soyutlama düzeyine geri getirdi. Desen (pattern) aslında sağlamdı. Ben sadece görev için yanlış uygulamayı seçmiştim. Bu, çerçevenin tam olarak önlemeyi amaçladığı türden bir hatadır. Bazı değerlendirmeler kod gerektirir, bazıları ise bir model. Hangisinin hangisi olduğunu bilmek işin asıl püf noktasıdır.

Onları Şimdi Nasıl Kullanabilirsiniz

Bu altı deseni mutlak bir kanun değil, bir başlangıç noktası olarak görün. Tek bir istemle (prompt) başlayın. Girdi türleri arasında kalite tutarsızsa, farklı istekleri özelleşmiş istemlere göndermek için bir yönlendirme katmanı (routing layer) ekleyin. Bir karar vermeden önce birden fazla bağımsız perspektife ihtiyacınız varsa, Paralelleştirme (Parallelization) kullanın. Görev büyük ve bölünebilir ise Orchestrator-Workers yöntemini deneyin. Tam otonom döngüye, yalnızca problem alanı önceden haritalanamayacak kadar geniş olduğunda ve güvenilir bir...