ai-agent-book/book-tr/afterword.tr.md

# Sonsöz: Agent = LLM + Context + Tools'a Dönüş {.unnumbered}

Bu kitap bir formülle açılmıştı: **Agent = LLM + Context + Tools**. On bölümün tamamı bu üç sözcüğün içinde açılır.

**Bölüm 1**, formülün üç katmanlı kavranışını kurar — uygulama katmanı, sezgi katmanı, akademik katman — ve iş akışından otonom Agent'a uzanan orkestrasyon tayfını verir. Sonraki bölümler ise "inşa — değerlendirme ve evrim — iş birliği" hattı boyunca adım adım açılır.

- **Agent İnşa Etmek (Bölüm 2–6).** Bağlam mühendisliği Agent'ın tek bir görevde ne gördüğünü belirler, bellek ve bilgi tabanları bilgiyi oturumlar arasına yayar; araçlar ne yapabileceğini tanımlar, kod üretimi yeni araç ve sistemler yaratma üst-yeteneğini sağlar, etkileşim bölümü ise gözlem ve eylem uzaylarını metin sıralı turundan sese, grafik arayüzlere ve fiziksel dünyaya taşır.
- **Değerlendirme ve Evrim (Bölüm 7–9).** Değerlendirme performansı güvenilir sinyale çevirir, sonrası eğitim yüksek boyutlu yetenekleri model parametrelerine yazar, sürekli evrim ise üretim deneyimini bilgi, talimat, program veya parametreler üzerinde denetimli güncellemelere dönüştürür.
- **İş Birliği (Bölüm 10).** Çoklu Agent iş birliği, bağlamın, araçların ve sorumluluğun örgütlenme biçimini daha da değiştirir.

Bu üç katman birbirinden bağımsız raflar değildir. Özellikle Bölüm 9, önceki bölümlerin bütün temeline dayanır: trajectory ve bilgi sistemi yoksa deneyimin saklanacağı bir yer olmaz; kod yeteneği yoksa Agent araçları ve Harness'ı değiştiremez; değerlendirme yoksa sistem bir değişikliğin ilerleme mi yoksa gerileme mi olduğunu hiç anlayamaz. Bölüm 9 böylece kitabın "Agent nasıl inşa edilir?" sorusundan "Agent uzun vadede nasıl daha iyi hale getirilir?" sorusuna döndüğü kesişim noktası olur.

## İki Kara Bulut {.unnumbered}

1900'de Kelvin, fiziğin açık gökyüzünde hâlâ iki kara bulutun asılı durduğunu söylemişti — sonradan biri görelilik kuramına, öbürü kuantum mekaniğine dönüştü. Bugün Agent'ların gökyüzü de açık sayılmaz; ben de iki kara bulut görüyorum.

**Birinci kara bulut, Agent'ın çevreyle akış halinde ve gerçek zamanlı olarak nasıl etkileşeceğidir.** Bugün Agent'ların büyük çoğunluğu hâlâ tur tur (turn-by-turn) işleyen bir "istek — yanıt" kipinde çalışıyor: siz bir cümleyi bitiriyorsunuz, o koca bir paragraf boyunca düşünüyor, sonra sonucu tek seferde ortaya döküyor. Ama gerçek dünya, onun düşünmesi bitsin diye durup beklemez — söz kesilir, görüntü sürekli değişir, e-postalar ardı ardına gelir. Gerçekten "canlı" bir Agent'ın dinlerken düşünebilmesi, konuşurken düşünebilmesi, siz daha cümlenizin ortasındayken planlamaya başlayabilmesi ve kimse söylemeden kendiliğinden "bu e-postanın ele alınması gerekiyor" diyebilmesi gerekir. Bu gerçek zamanlılığa giden iki yol var ve çoğu zaman ikisi paralel ilerliyor. Birincisi, **mimaride hızlı-yavaş ayrımı yapmak**: gerçek zamanlılık ile zekâ neredeyse birbirine dik iki eksendir ve tek bir modelin ikisini birden karşılaması güçtür; bu yüzden öndeki hızlı model konuşmanın temposunu korur, arkadaki yavaş model derin düşünmeyi üstlenir. İkincisi, **çıkarımın kendisini hızlandırmak**: decode hızı yeterince yükseldiğinde tur tur beklemek neredeyse yok olacak kadar kısalır ve turn-by-turn ile "gerçek zamanlı" arasındaki sınır bulanıklaşır. Bu yolu çipler ve çıkarım motorları hızla ilerletiyor: Xiaomi MiMo, 1T parametreli bir modelin üretim hızını tek bir 8 GPU'lu düğümde 1.000 token/s sınırının üzerine çıkardı[^mimo]; modelin tamamını doğrudan çipe gömen özel çözümler (örneğin Taalas HC1) ise 8 milyar parametreli bir modeli yaklaşık 17.000 token/s hıza ve 100 milisaniyenin altında bir yanıt süresine taşıdı[^taalas]. Model saniyede binlerce sözcük dökebildiğinde, "düşünmesi bitince konuş" ile "düşünürken konuş" arasındaki deneyim farkı siliniyor.

**İkinci kara bulut, Agent'ın tıpkı bir insan gibi, çevreyle etkileşiminin başarı ve başarısızlıklarından sürekli deneyim biriktirmeyi nasıl başaracağıdır.** Bugünkü modeller, hafızası olağanüstü iyi ama yeni bir şey öğrenemeyen bir dâhiye benziyor: eğitim sırasında insanlığın bilgisini su gibi ezberliyor, ama sahaya çıktıktan sonra neredeyse hiç büyümüyor — her görevin sonunda, düştüğü çukurlar ve deneyerek bulduğu püf noktaları çoğunlukla context'le birlikte çöpe gidiyor. Bunun gerçekten bir sorun olup olmadığı, birbirine taban tabana zıt iki varsayıma bağlı.

Bunlardan biri **"küçük dünya varsayımı"**: yeterince büyük bir model — diyelim ki birkaç trilyon parametreli — fiziksel dünyadaki neredeyse bütün önemli genel bilgiyi zaten içine sığdırabilir, bir kez öğrenmesi yeter. Bu görüşü savunanlar (aralarında OpenAI ve Anthropic araştırmacıları da az değil) şuna işaret eder: AI'ın bugün yalnızca programlamada en güçlü olması, kodun model açısından özel bir yanı olmasından değil, programlamanın insanlığın en açık alanı olmasındandır — öğrenilmeye hazır devasa miktarda açık kaynak kod ortada durur, oysa sektörlerin ezici çoğunluğunda kamuya açık bilgi ve veri hiç yoktur. Dolayısıyla öncü laboratuvarların asıl yaptığı şey, tek tek her sektörle iş birliği yapıp her birinin uzmanlık yeteneğini aynı büyük modele "damıtmaktır". Bu görüşe göre darboğaz ne modelin kapasitesindedir ne de onun öğrenip öğrenemeyeceğinde; darboğaz verinin yeterli olup olmamasındadır — veriyi içeri verirsiniz, bir kez eğitirsiniz, sorun çözülür.

Ama **"büyük dünya varsayımı"**, yalnızca "bir kez eğitmekle" tamamlanamayacak bir katmana işaret eder: belirli bir kullanıcıya, belirli bir şirkete ait bilgi. Belirli bir şirketin kod standartları ve sunum hazırlama tercihleri ile belli bir müşterinin kendine özgü huyu — bunlar hiçbir eğitim derleminde yoktur ve durmadan değişir. Sayısız somut durumun bir araya gelmesinden oluşan bu "büyük dünyaya" uyabilmek için model ancak sahaya çıktıktan sonra öğrenmeyi sürdürebilir; fabrikadan her şeyi bir kerede eksiksiz alıp çıkması beklenemez. Bölüm 3'teki belleğin ve Bölüm 9'deki sürekli evrimin el yordamıyla aradığı yön tam da budur: deneyimi bilgi dokümanına, talimata ya da programa mı yazmalı, yoksa eleyip model parametrelerini güncellemekte mi kullanmalı? Dahası, "RSI (özyinelemeli öz-iyileştirme)" ve "AI for Science" birlikte Agent'ı hazır cevabın bulunmadığı sınıra doğru itiyor; orada Agent, her şeyi dönüp insana sormak yerine yalnızca kendi deneylerinin bir bir başarı ve başarısızlıklarından öğrenebilir. Bu yüzden modelin en güçlü yeteneği nihayetinde hatırlamak değil, öğrenmek ve uyum sağlamak olacak.

Bu iki kara bulutun ikisi de, tek bir model sürüm yükseltmesiyle durup dururken dağılacak cinsten değil. Sonunda nasıl aşılacaklarını anlamak için önce şunu net görmek gerekiyor: model ile Agent hiçbir zaman birbirinin üst ve alt halkası olmadı; ikisi birlikte ileri gidiyor.

## Modellerin ve Agent'ların Ortak Evrimi {.unnumbered}

Harness'ların içindeki kat kat yığılmış emniyet mantığına dönüp bakın — çok kademeli context sıkıştırma, ancak binlerce başarısızlığın ardından devreyi kesen yeniden denemeler, kötümser biçimde varsayılan olarak "güvensiz" diyen yetki kararları. Çirkin görünen her "kod çöplüğü" parçası, aslında modelin şu an henüz istikrarlı biçimde yapamadığı yeri kaydeder. Bir sonraki kuşak model bu kısıtları içselleştirdiğinde, karşılık gelen kod silinebilir; modelin bunları içselleştirebilmesinin nedeni ise tam olarak Agent'ın gerçek işlerde onun yerine o çukurları çoktan bir kez yaşamış ve bunları bir sonraki eğitim turunun sinyaline dönüştürmüş olmasıdır. Kullanıcı gerçek bir zor problem ortaya atar, uygulama katmanı modelin şimdilik iyi yapamadığı şeyi harness ile tamamlar, bu telafiler de dönüp modelin bir sonraki yinelemesinin eğitim sinyali olur. Bu, kendi kendini güçlendiren bir volandır.

Bu volan, Bölüm 1'de havada bırakılan soruyu da yanıtlıyor: **model sonunda Harness'ı yiyip bitirecek mi? Bu kitabın yanıtı evet; ancak model bunu bir kerede değil, katman katman yapacak ve süreç asla tamamlanmayacak.** Model bir yeteneği istikrarlı biçimde içselleştirdiğinde, ona karşılık gelen Harness katmanı silinebilir. Bölüm 6'daki etkileşim modeli tam da böyle bir örnektir: sözü kesme ve araya girme gibi bir zamanlar ancak harici bir harness'la bir araya getirilebilen davranışlar, bugün doğrudan modelin içine yerleştirilmiş durumda. Ama bu "yiyip bitirme" asla sona ermeyecek. Birincisi, eğitim aylarla ölçülür; modelin beklemeye tahammülü vardır, işin yoktur. İkincisi, model gerçek işlerdeki bütün kısıtları ve tercihleri içselleştiremez; her zaman dış mantığın emniyete alması gereken en yeni bir sınır katmanı kalır. Üçüncüsü, her kuşak model yeni bir yetenek sınırı açar ve modelin en istikrarsız olduğu yer tam da o sınırın kendisidir. Bu yüzden Harness yok olmayacak; yalnızca modelle birlikte durmadan yeni sınırlara göç edecek. "The Bitter Lesson"ın (Acı Ders) Agent çağındaki okunuşu da tam olarak budur: genel yöntemler sonunda kazanacak, ama o "sonunda" sözcüğünün içindeki her yol parçasını Harness döşüyor.

Volanın en hızlı döndüğü yer ise iki ucu birden elinde tutanların yanıdır. Anthropic'in Claude Code ile yaptığı tam olarak budur: kendi modeliyle kendi harness'ını birbirini besler ve birlikte evrilir hale getirmek. Model, harness'ın onu nasıl çağıracağını bilir; harness da modelin sınırlarının nerede olduğunu bilir; iki uçtaki her değişiklik anında karşı tarafa geri bildirim olarak döner. Bir keresinde biri şöyle bir deney yaptı: model değiştirilmeden yalnızca harness değiştirildiğinde görev doğruluğu %52,8'den %66,5'e sıçradı. Bu hem harness'ın bugün ne kadar büyük bir kaldıraç olduğunu gösteriyor hem de size şunu hatırlatıyor: bu kadar büyük bir kaldıraç olmasının nedeni tam da modelin henüz o noktaya gelmemiş olmasıdır. Zaten bu yüzden volanın kendisi, bu çağın en derin savunma hendeğidir: gerçek iş, geri bildirim verisi ve model yinelemesi birbirine ne kadar sıkı geçerse, başkalarının dışarıdan yetişmesi o kadar zorlaşır.

Bunun sizin için ne anlama geldiği, volanın hangi ucunda durduğunuza bağlı. Model üretiyorsanız savunma hendeğiniz bu volanı döndürmektir — gerçek senaryolardan gelen geri bildirimin bir an önce eğitime geri akmasını sağlamak. Modelin üzerine uygulama inşa ediyorsanız harness kısa vadede elinizdeki en keskin teknik kaldıraçtır, ama aklınız başınızda olsun: model her seferinde bir kısıt katmanını içselleştirdiğinde, yalnızca harness'a dayanan bir yığın üstünlüğü de sırası gelmişken siliverir. Uygulama katmanında gerçekten kalıcı olan savunma hendekleri çoğunlukla teknolojinin dışındadır — tekelinizdeki veri, sağlam dağıtım kanalları, kullanıcının güveni, ağ etkileri ve insan ile Agent'ın iş birliğini gerektiren fiziksel dünya senaryoları. Harness'ı zaman kazanmak için kullanmak, kazanılan zamanı da teknoloji dışındaki bariyerleri kurmakta harcamak — sağlam oyun budur.

Bu yüzden elinizdeki çerçevenin eskiyip eskimeyeceği konusunda kaygılanmanıza gerek yok. Modeller birkaç ayda bir yinelenir; somut API'ler, ürünler ve sıralama listeleri hep sayfa çevirir. Ama "ne görüyor, ne yapabiliyor, yaptığının doğru olduğu nasıl doğrulanıyor?" şeklindeki üç soru eskimez — bunların tarif ettiği şey belirli bir modelin kullanımı değil, akıllı bir sistemin dünyayla etkileşiminin temel biçimidir. Bunlarda ustalaştığınızda, bir sonraki kuşak model hangi yeni yeteneği getirirse getirsin onu formülün hangi yerine koyacağınızı bilirsiniz; o iki kara bulutu dağıtmaya daha ne kadar mesafesi kaldığını da bir bakışta görürsünüz.

Agent teknolojisi hâlâ baş döndürücü bir hızla evriliyor; tek bir kitap bütün değişimlere yetişemez. Ama bu kitaptan yanınıza aldığınız şey belirli bir API'nin kullanımı değil de teknoloji dalgaları içinde berrak kalmanızı sağlayacak bir muhakeme gücüyse, kitap misyonunu tamamlamış demektir. Kitabın bütün ana metni, görselleri ve ona eşlik eden deney kodları açık kaynaktır; depoya gidip deneyleri kendi elinizle çalıştırmaya, issue ve PR açmaya davetlisiniz. Agent'ın en büyüleyici yanı da tam olarak şudur: kod yazarak yeni yetenekler yaratabilir, hatta kendini iyileştirebilir. Buraya kadar okuduğunuza göre, "yaratma"nın ilkelerini artık elinizde tutuyorsunuz. Şimdi, gidin bir şeyler yaratın.

[^mimo]: Xiaomi MiMo-V2.5-Pro-UltraSpeed; FP4 nicemleme, DFlash paralel spekülatif kod çözme ve TileRT çıkarım sisteminden oluşan model-sistem ortak tasarımıyla, tek bir genel amaçlı 8-GPU düğümünde 1T parametreli bir modelin üretim hızını ilk kez 1.000 token/s sınırının üzerine çıkardı. Bkz. Xiaomi MiMo resmi teknik blogu, "Pushing 1T-Parameter Model Generation Speed to 1000 TPS", 2026. https://mimo.xiaomi.com/blog/mimo-tilert-1000tps

[^taalas]: Taalas HC1, Llama 3.1 8B modelinin tamamını 6nm bir çipe gömerek yaklaşık 17.000 token/s ve 100 milisaniyenin altında yanıt süresi elde etti; bunun bedeli, çipin yalnızca gömülü olan o modeli çalıştırabilmesi ve model güncellemesinin yeniden tape-out gerektirmesidir. Bkz. Karl Freund, "Taalas Launches Hardcore Chip With 'Insane' AI Inference Performance," Forbes, 2026. https://www.forbes.com/sites/karlfreund/2026/02/19/taalas-launches-hardcore-chip-with-insane-ai-inference-performance/