Agentic Automation kavramının ilk popüler olduğu zamanlarda “Agentic Automation Nedir?” yazımı yazmıştım. Bu yazının üzerinden 14 ay geçmiş ve bu sürede Agentic Automation inanılmaz bir yol katetti.
Bu zamana kadar yaptığımı RPA otomasyonlarıyla “kurallar ve kısıtlamalar çerçevesinde belirli adımları takip eden robotlar” ortaya çıkardık. Artık yapay zeka ve LLM’lerin hayatımıza girmesiyle düşünebilen, diyalog kurabilen, karar verebilen süreçler tasarlayabilmek mümkün hale geldi. Tüm teknoloji dünyasında 2025 yılında öne çıkan kavram tam da: Agentic Automation yani ajan tabanlı otomasyon oldu.
Peki “ajan” dediğimiz şey tam olarak ne? Chatbot mu? RPA botu mu? Yoksa yepyeni bir kategori mi?
Bu yazımda da bu teknolojiyi öğrenmek isteyenler için temel kavramları daha detaylı olarak ele almaya karar verdim. UiPath’in getirdiği yeni mimariyi, doğru ajan tasarımının temel taşlarını ve pratikte nelere dikkat etmeniz gerektiğini adım adım anlatıyorum.
🤖 Agent(Ajan) Nedir?
Teknoloji dünyasında yeni ortaya çıkan bir kavram olan “agent”, bir hedefe ulaşmak için kendi başına karar verip adım adım hareket edebilen yazılım asistanıdır: Sadece soru-cevap vermek yerine, verilen amacı (ör. “toplantı ayarla”, “rapor hazırla”, “hata kaydını incele”) küçük görevlere böler, gerekli araçları kullanır (takvim, e‑posta, veri tabanı, web API’leri gibi), sonuçları kontrol eder ve gerektiğinde planını günceller. Kısacası ajan, talimatı eyleme dönüştüren, belirli sınırlar içinde otonom çalışabilen bir dijital görev yürütücüsüdür.
Ajan; bir hedefi gerçekleştirmek için:
• kullanıcıyla konuşan,
• araçları (tools, API’ler, RPA süreçleri) kendi seçebilen,
• gerekli bilgiyi toplayıp işleyebilen,
• gerektiğinde insana devredebilen
otonom bir yapay zeka çalışanıdır.
Bir chatbot konuşur. Bir RPA robotu görev yapar. Ajan ise ikisini birleştirir. 🎯
⚙️ Autopilot: “Ajan Tasarımında da Asistanın”
UiPath Autopilot, UiPath’in üretken yapay zekâ (GenAI) tabanlı “asistan” katmanıdır: kullanıcıların doğal dille istek yazıp otomasyon (workflow) tasarlamasına, mevcut süreçleri hızla oluşturup düzenlemesine ve doküman/ekran/veri gibi bağlamdan öneriler almasına yardımcı olur. Amaç; otomasyon geliştirme ve kullanımını daha hızlı, daha erişilebilir ve daha verimli hale getirmek—hem geliştiriciler hem de iş kullanıcıları için “prompt ile otomasyon” deneyimi sunmaktır.
Autopilot’un sunduğu avantajlar:
• Ajan oluştururken system prompt ve user prompt metinlerini otomatik oluşturur.
• Gerekiyorsa input/output parametrelerini tanımlar.
• Amacına göre doğru tools/araçları seçer.
Yani özetle:
“Ajan(agent) oluştururken çoğu ayarı senin yerine yapar.”
🔧 Tools
Ajanın tek zekâsı LLM değildir; zekâ + eylem modeli vardır. Bunu sağlayan şey Tools (Araçlar)ajanın yalnızca metin üretmekle kalmayıp gerçek dünyada iş yapmasını sağlayan çağrılabilir yetenekler/aksiyonlardır. Bunlar; UiPath otomasyonlarını (process/workflow) tetikleme, Orchestrator/Automation Cloud servislerine ve API’lere erişme, uygulamalarla/bağlayıcılarla işlem yapma, veri okuma-yazma gibi işlevleri kapsar. Agent, ihtiyaca göre doğru tool’u seçip parametrelerle çağırır; böylece planladığı adımları güvenli, izlenebilir ve çoğu zaman izin/onay kontrolleri altında uygular.
📚 Context Grounding
Context Grounding, bir LLM’in yanıtlarını “genel eğitim bilgisinden” üretmek yerine, verilen güvenilir bağlama (kurumsal dokümanlar, veri tabanları, uygulama kayıtları, sohbet geçmişi, politika metinleri vb.) dayandırarak üretmesi yaklaşımıdır. Amaç; halüsinasyonu azaltmak, yanıtı güncel ve kuruma-özel hale getirmek ve gerektiğinde “bu sonuca hangi bağlamdan geldik” izlenebilirliğini artırmaktır. Pratikte çoğu zaman RAG (retrieval-augmented generation), araç çağrıları (tool use) ve kurallı/izinli veri erişimiyle uygulanır. Bir ajanın e-postaları, politikaları, şirket dokümanlarını anlayabilmesi için context grounding şart.
🧬 Ajan Türleri
UiPath dünyasında 4 ana kategori var:
1. System Agents — platformla hazır gelir (Autopilot vb.)
2. UiPath-built Agents — Studio Web’de görsel olarak oluşturulan ajanlardır
3. Coded Agents — SDK kullanarak kodla geliştirilenlerdir
4. External Agents — başka platformlardan entegre edilenler
Tümü UiPath Maestro üzerinden yönetilebilir.
📄 ADD: Agent Definition Document
RPA için SDD neyse, agentic projeler için ADD odur. Agent Definition Document (ADD), bir agent’ın “ne yapacağını ve bunu hangi sınırlar içinde yapacağını” tek bir yerde tanımlayan spesifikasyon dokümanıdır. Tipik olarak agent’ın amacı/kapsamı, hedef kullanıcıları, kullanacağı tool’lar ve entegrasyonlar, giriş-çıkış formatları, iş kuralları, onay (human-in-the-loop) noktaları, hata/edge-case davranışları ile güvenlik–yetki–audit gereksinimlerini içerir. Böylece agent’ın tasarım, geliştirme, test ve yönetişim süreçlerinde ortak referans (single source of truth) görevi görür.
ADD içinde şunlar olmalı:
• süreç bağlamı
• hedeflenen sonuç
• prompts
• guardrails (kurallar)
• araçlar / entegrasyonlar
• insana devretme planı (escalation path)
Amaç:
İş birimi + geliştirici aynı fotoğrafa baksın, yanlış anlaşılma olmasın.

🧠 LLM Temelleri (Kısaca)
Bir LLM yanıt üretirken metni önce daha küçük parçalara (token’lara) ayırır, bu token’ları modelin anlam işleyebilmesi için sayısal temsillere (embedding/vektör) dönüştürür; ardından transformer katmanlarında “attention” mekanizmasıyla bu temsiller arasındaki bağlam ilişkilerini (hangi kelime/ifadenin hangisini ne kadar etkilediğini) hesaplar ve her adımda bir sonraki token için olasılık dağılımı çıkararak en olası (veya seçilen örnekleme stratejisine göre) token’ı seçip sırayla ekleyerek cevabı oluşturur.
LLM = “Olasılık makinesi” 📊
✍️ Prompt Engineering: Soru Sorma Sanatı
Büyük dil modelleri (LLM’ler) verilen girdiye göre çıktı ürettiği için, promptun nasıl yazıldığı; yanıtın doğruluğunu, netliğini ve alakalı olmasını belirler. Doğru teknikleri kullanarak modeli daha verimli yönlendirebilir, hataları azaltabilir ve daha güvenilir sonuçlar alabilirsiniz. Yani kısacası; Daha doğru prompt → Daha doğru cevap.
📌 Yaygın Prompting Teknikleri
- Zero-shot
• Modele örnek vermeden direkt görev verilir.
• Model yalnızca kendi bilgi birikimiyle yanıt üretir.
• Kolay görevlerde işe yarar, karmaşık işlerde zayıf olabilir. - One-shot / Few-shot
• One-shot: Tek örnek verilir; yanıt formatı veya mantığı gösterilir.
• Few-shot: 2-5 arası örnek verilir; daha karmaşık işlerde daha iyi yönlendirme sağlar. - Chain of Thought
• Modelden sonuca varmadan önce adım adım düşünmesini istersiniz.
• Mantık yürütme, matematik, çok aşamalı karar gibi konularda doğruluğu artırır. - Zero-shot Chain of Thought
• Örnek yoktur ama “Adım adım düşün” gibi ifadelerle modele süreçli düşünmesi söylenir.
• Hem basit hem de etkili bir yöntemdir. - Prompt Chaining
• Birden fazla promptu birbirine bağlayarak zincir şeklinde kullanmak.
• Bir çıktıyı bir sonraki prompta girdi yaparak karmaşık işleri parçalara böler.
• Çok aşamalı iş akışlarında işe yarar (içerik üretimi, veri dönüştürme vb.).
⚙️ LLM Ayarları (Parametreler)
Modelin davranışını şekillendirir; yanıtın uzunluğunu, yaratıcılığını ve doğruluğunu etkiler.
Max Tokens: Üretilecek yanıtın uzunluk sınırıdır. Token arttıkça maliyet ve süre artabilir.
Temperature: Yaratıcılık/raslantısallık seviyesi. 0-0.3: net ve tutarlı 0.4-0.7: dengeli 0.8+: yaratıcı, çeşitliliği yüksek.
Top-p: Modelin yalnızca en olası seçenekleri değerlendirmesini sağlar. Örn: p=0.9 → olasılıkların %90’ını kapsayan tokenlar seçilir.
Erkan Ceylan 