Navigating the Shift: How Developers Build Agentic AI

DevFest Trabzon
31.10.2026

Transcript

1. Navigating the Shift: How Developers Build Agentic AI Mert Metin Senior Software Engineer - Sompo Teknoloji
2. Zihniyet Değişimi Model call Single-agent with tools Multi-agent orchestration Senaryoyu değerlendirip doğru seçimi yapmak
3. Agents Algılama, akıl yürütme, planlama ve çevresiyle etkileşim kurma yeteneğine sahip olan ve görevleri otonom olarak gerçekleştirmeye yarayan AI bileşenidir. Genel amaçlı kullanılabilir.
5. Çalışma Mantığı: Think → Decide → Act Tool seçimine ve çalışma planına karar verir. API çağrımı yapar, RAG kullanır veya diğer agentleri çalıştırır. Promptlardan, yönergelerden düşünür. Sonuçları değerlendirir.
6. AI Agents ≠ Agentic AI AI Agents Basit görevleri otomatikleştirmek "Bu görevi nasıl gerçekleştirebilirim?" User Agent Task Output → → → Agentic AI Çok adım, hedef odaklı, dinamik kararlar "Bir hedefe ulaşmak için ne yapmam gerektiğini ben belirlerim." Goal Planner Executor Memory + Environment → ↔ ↔
7. Özellik AI Agent Agentic AI Görev Yönetimi Belirli bir görevi vardır. Yeni görevler üretir ve yönetir. Özerklik Düşük seviyededir. Yüksek Çevresel Adaptasyon Sınırlı Aktif Planlama Önceden tanımlıdır. Kendi planlarını oluşturabilir. Karar Verme Süreci Girdilere karşı önceden programlanmış yanıtlar verir. Akıl yürütmeye ve analize dayalı kararlar alır. Karmaşıklık Daha basit ve yapısallaştırılmış görevleri ele alır. Karmaşık ve dinamik ortamlarla başa çıkabilir. Gerçek Hayat Uygulamaları Veri özetleme, müşteri destek botları, içerik üretimi ETL süreci, Hukuk asistanı, Yazılım Geliştirme Süreçleri
8. AI Orchestration, bir hedefe ulaşmak için birden fazla agentin yönetildiği mimari yaklaşımdır.
9. Multi Agent Orchestration Patterns Sequential Agentler sabit bir sırada çalışır. İş akışınızda tanımlanmış bir işlem sırası vardır. Her adım bir önceki çıktıya bağlıdır. Hızdan ziyade kalitesine önem verilen hedefler için uygundur. Örnek Senaryo: Makale üretimi
10. Multi Agent Orchestration Patterns Concurrent Aynı girdi, eş zamanlı olarak birden fazla aracıya gönderilir. Bu aracıların çıktıları bir toplayıcı tarafından toplanır ve birleştirilir. Toplam çalışma süresini azaltarak verimliliği arttırır. Örnek Senaryo: Video Streaming Platform
11. Multi Agent Orchestration Patterns Handoff Hangi uzmanın talebi ele alacağını seçer. Her talep için yalnızca bir uzman çalışır. Görevin el değiştirmesi, gecikme riskini doğurabilir. Kullanım Alanı: İşlem sırasında doğru uzmanın ortaya çıktığı görevler.
12. Workflow Agent veya iş birimlerinin (API çağrımı, iç fonksiyon) bir hedef doğrultusunda birbirine bağlanmasıdır. Graph tabanlı yönlendirme vardır.
13. Konuşma Geçmişi Yönetimi Short-term Memory Mevcut sohbet üzerinde çalışır. Oturum bazlı Long-term Memory Geçmiş konuşmalar ve etkileşimlerle çalışır. Kullanıcı bazlı
14. Loop Engineering Promptlardan hedef tabanlı otomasyonlara Yapay zekânın tek seferde yanıt üretmesi yerine, belirlenen bir hedefe ulaşana kadar kendi çıktısını değerlendirip geliştirerek çalışmasını sağlayan sistem tasarımıdır.
15. Human-in-the-loop Yapay zeka sistemlerinin karar ve çalışma süreçlerine insan faktörünün dahil edilmesidir. Kritik/tehlikeli eylemlerde insanın onay mekanizması olarak sürece dahil edilmesi. İnsanın sistem akışındaki varlığı; modelin eğitilmesi, çıktıların doğrulanması, güvenlik ve etik standartların sağlanmasında kritik rol oynar.
16. Güvenlik Veri sızıntısı: Kişisel bilgilerin veya hassas bilgilerin kontrolsüz bir şekilde LLM’e yüklenmesi Kontrolsüz veri çıkışı Prompt Injection: Saldırgan, LLM’in yeteneğini manipüle edebilecek kötü amaçlı girdiler oluşturarak LLM’in çalışmasına aykırı hareket etmesine sebep olacaktır. Data and Model Poisoning: Eğitim verilerinin, fine-tuned modelin güvenlik açığı yaratacak şekilde manipüle edilmesi Excessive Agency (Aşırı Yetkilendirme/Özerklik): AI sistemlerinde otonom ajanlarda güvenlik, denetim ve operasyonel riskler yaratan kritik bir açıktır.
17. https://genai.owasp.org/resource/owasp-genai-llm-top-10-2026/
18. İzlenebilirlik Sistemin iç durumunun ölçülmesini sağlar. Trace ve logları analiz etmek ve görselleştirmek Agent ve modelin performansını anlamak Token maliyetini gözlemlemek.
19. Etik ve Sorumluluk Otonom bir yapay zekâ hata yaparsa, sorumluluk kimdedir? Yapay zeka üzerindeki nihai sorumluluk ve karar yetkisi insanda olmalıdır. Bu sistemler ne kadar şeffaf olmalıdır? Yapay zeka ürettiği çıktılar mümkün olduğunca anlaşılabilir olmalıdır. Adalet ve ayrımcılık yapmama Yapay zeka sistemleri, birey ve gruplara karşı ayrımcı sonuçlara yol açmamalıdır.
20. Agent Frameworkler
21. Google ADK (Agent Development Kit) Agent Development Framework Farklı dilleri destekliyor. Python, TypeScript, Go, Java, Kotlin Production-ready agent geliştirmek Kullanışlı dokümantasyonu vardır. https://adk.dev
22. ADK Temel Özellikleri Multi-Agent Sistem Tasarımı Built-in yapılar ve agent/MCP bileşenleri entegre edilebilir. Orkestrasyonlar: SequentialAgent, ParallelAgent, LoopAgent yapıları sunar. Geniş Kapsamlı LLM Desteği: Bilinen LLM modelleri veya fine-tuned modeller kullanılabilir. Session & Memory Yönetimi: Konuşma geçmişleri kısa veya uzun süreli olarak yönetilebilir. Human-in-the-loop yaklaşımını destekler. İzlenebilirlik altyapısı sağlar.
23. Agents in ADK LLMAgent tipinde agent hakkında tanımlamalar yapılır. Java ile yazılmış bir kod bloğu https://adk.dev/agents/llm-agents
24. ADK Session Yönetimi - SessionService Kısa dönem bilgi sağlanır. Tek bir konuşma ile çalışır. InMemorySessionService VertexAiSessionService DatabaseSessionService https://adk.dev/sessions/session/
25. ADK Memory Yönetimi - MemoryService Geçmiş konuşmalarla çalışabilir. Uzun dönem bilgi sağlar. InMemoryMemoryService VertexAiMemoryBankService VertexAiRagMemoryService https://adk.dev/sessions/memory/
26. Sequential ETL Workflow
27. Sequential ETL Workflow
28. Legal Assistant ParallelAgent
29. Demo: Spam Detection - Mail Processing Graph Routes https://adk.dev/graphs/routes/
30. Spam tespiti Python ile yazılmış bir kod bloğu
31. Agents as Node
32. Workflow
33. Ana Fikir; Zihniyet Değişimi Trigger-Action mantığından Goal-Driven otonom iş akışlarına geçiş Mimari Desenler Agent orkestrasyonu, bağlam/durum yönetimi Production Gerçekleri Sonsuz döngü, Human-in-the-Loop, etik, izlenebilirlik, güvenlik
34. Bitirirken; LLM’ler tek başına yetmez. Agent tabanlı çözümler gelişiyor. Agentler zekayı, workflowlar ise yapıyı getirir. İkisi birlikte koordineli AI sistemleri oluşturur. Gelecekte iyi yazılımcı sadece kod yazan değil, ajanları ve iş akışlarını iyi yöneten yazılımcı olacak.
35. Teşekkürler