Tüm içgörüler
ORBITRA İÇGÖRÜLER

Kurumsal Otomasyonda Çoklu Agent Sistemleri: Mimari, Orkestrasyon ve Yönetişim Çerçeveleri

Çoklu agent yönlendirme desenleri; LangGraph, CrewAI ve Microsoft Agent Framework gibi orkestrasyon çerçevelerinin karşılaştırması, MCP bağlam izolasyonu ve yönetişim.

Yazar Orbitra AIYayınlandı Güncellendi 11 dk okuma
Çoklu Agent SistemleriKurumsal MimariYapay Zekâ OtomasyonuAgentic Yapay Zekâ PlatformuModel Context Protocol
Kurumsal çoklu agent orkestrasyonunu temsil eden, özelleşmiş çalışan düğümlerinden oluşan bir ağ ile çevrili merkezi orkestratör düğümü

Kurumsal şirketler tekli prompt chatbot'larının ve temel Doğrulamayla Artırılmış Üretim (RAG) mimarilerinin ötesine geçtikçe, karmaşık iş operasyonlarını otomatikleştirmek koordineli ekipler halinde çalışan özelleşmiş AI agent'ları gerektirir. Tekli agent mimarileri; bağlam penceresinin şişmesi, araç seçimindeki belirsizlikler ve kırılgan durum yönetimi nedeniyle çok adımlı iş akışlarında sıklıkla performans tavanına takılır. Çoklu Agent Sistemleri (Multi-Agent Systems - MAS), karmaşık süreçleri modüler ve alan odaklı görevlere bölerek bunları özel agent'lara atamak suretiyle bu darboğazları çözer. Ancak otonom alt agent'ları orkestre etmek; durum kalıcılığı, agent'lar arası yönlendirme, bağlam mühendisliği ve merkezi kontrol katmanları kapsayan bir dizi mühendislik zorluğunu beraberinde getirir. Bu rehber, canlı ortamda kurumsal düzeyde çoklu agent otomasyonu dağıtmak için gereken temel tasarım kalıplarını, orkestrasyon çerçevelerini ve yönetişim stratejilerini özetlemektedir.


Tekli Agent'lardan Çoklu Agent Mimarilerine Geçiş

Tekli agent dağıtımlarında; tek bir Büyük Dil Modeli'ne (LLM) sistem talimatları, geniş bir araç tanımları kümesi ve sohbet geçmişi belleği sağlanır. Kurumsal iş akışlarının kapsamı genişledikçe—CRM güncellemeleri, ERP sorguları, uyum kontrolleri ve doküman taslakları dahil oldukça—tekli agent'ın prompt bağlamı doymaya başlar.

Anthropic'in Building Effective Agents (Etkili Agent'lar İnşası) mühendislik rehberi, deterministik iş akışları ile dinamik otonom agent'lar arasındaki farkı netleştirir. Rehber ayrıca, bir agent'ın artırılmış yeteneklerini (arama/getirme, araçlar ve bellek) kullanım senaryosuna göre özelleştirmeyi ve karmaşıklığı yalnızca sonuçları ölçülebilir şekilde iyileştirdiğinde artırmayı önerir; tek bir agent'ı giderek daha fazla yetenekle yüklemek yerine.

Çoklu Agent Mimarisi, sorumlulukların ayrılması (separation of concerns) ilkesiyle bağlam doygunluğu sorununu çözer. Tek bir LLM'i her adımı yapmaya zorlamak yerine:

  • Bağlam İzolasyonu (Context Isolation): Her bir alt agent, yalnızca kendi uzmanlık alanına göre uyarlanmış yalın bir prompt bağlamını korur (örneğin SQL oluşturma, finansal uyum veya müşteri doğrulama).
  • Özelleşmiş Araç Kümeleri: Alt agent'lar yalnızca kendi alanları için gereken özel araç tanımlarına sahiptir; bu da araç seçimi kafa karışıklığını ortadan kaldırır.
  • Deterministik İş Akışları ve Dinamik Çalıştırma: Öngörülebilir adımlar deterministik kod mantığıyla yönetilmeye devam ederken, dinamik akıl yürütme süreçleri hedef odaklı agent'lara devredilir.

Çoklu agent tasarımına geçiş, monolitik yapay zekâ betiklerini özelleşmiş mikro agent'lardan oluşan modüler bir ağa dönüştürerek büyük ölçekli kurumlarda doğruluk ve sürdürülebilirliği artırır.


Otomasyon ve Orkestrasyon: Fark Nedir?

Otomasyon, tek bir görevi insan müdahalesi olmadan çalıştırır: bir faturadan alanları çıkarmak, bir destek talebini sınıflandırmak ya da hatırlatma göndermek gibi. Orkestrasyon ise bu görevlerin birçoğunu, arkalarındaki agent'lar, sistemler ve insanlarla birlikte; belirli bir sırası, ortak durumu (state) ve bir adım başarısız olduğunda ya da onay gerektiğinde ne olacağına dair kuralları olan tek bir süreçte koordine eder.

Bu ayrım önemlidir, çünkü hata biçimleri farklıdır. Bozuk bir otomasyon tek bir yanlış çıktı üretir. Bozuk bir orkestrasyon ise yarıda takılan, bir adımı iki kez çalıştıran ya da bir agent'ın hiç görmemesi gereken bağlamla işlem yapmasına izin veren bir süreç üretir. Bu yüzden çoklu agent sistemleri, birbirini çağıran bağımsız otomasyon zincirleri yerine açık bir orkestrasyon katmanına ihtiyaç duyar.

Otomasyon Orkestrasyon
Kapsam Tek görev veya adım Adımlar, agent'lar ve sistemler boyunca uçtan uca süreç
Durum Genellikle durumsuz Adımlar boyunca ilerlemeyi, bağlamı ve kararları izler
Hata yönetimi Görevi yeniden dener Yeniden dener, geri alır, bir kişiye yönlendirir veya sonra devam eder
Tipik araçlar Betikler, RPA botları, tek amaçlı agent'lar İş akışı motorları ve LangGraph gibi agent çerçeveleri

Kurumsal Çoklu Agent Yönlendirme (Delegation) Desenleri

Agent iş birliğini orkestre etmek, kanıtlanmış mimari topolojilere dayanır. Anthropic'in agentic tasarım araştırması, kurumsal otomasyonun yapı taşlarını oluşturan temel mimari desenleri tanımlar:

  1. Orkestratör-Çalışan (Orchestrator-Workers) Deseni: Merkezi bir orkestratör agent, üst düzey kullanıcı amacını analiz eder, talebi ayrık alt görevlere böler, her görevi uzman bir çalışan agent'a devreder ve nihai yanıtı sentezler.
  2. Yönlendirme (Routing) Deseni: Bir ilk amaç sınıflandırıcı agent, gelen talepleri inceler ve bunları doğrudan ilgili uzman agent'a yönlendirir (örneğin faturalama sorgularını Finans Agent'ına, teknik sorunları Mühendislik Destek Agent'ına iletmek gibi).
  3. Değerlendirici-Optimizatör (Evaluator-Optimizer) Deseni: Bir agent bir çıktı üretirken (örneğin kod sentezi veya sözleşme taslağı), ayrı bir doğrulayıcı agent çıktıyı açık iş kurallarına göre değerlendirir ve yinelemeli iyileştirme için geri bildirim sağlar.
  4. Paralelleştirme (Parallelization) Deseni: Daha büyük bir kurumsal talebin bağımsız alt görevleri, birden fazla alt agent üzerinde eşzamanlı olarak çalışır (örneğin SAP ERP, Salesforce CRM ve Zendesk'i aynı anda sorgulamak) ve tüm çalışanlar tamamladığında sonuçlar birleştirilir.
ORKESTRATÖR-ÇALIŞAN (WORKER) YÖNLENDİRME MİMARİSİ

                    ┌─────────────────────────┐
                    │ Kurumsal Kullanıcı / Girdi│
                    └────────────┬────────────┘
                                 │
                                 ▼
                    ┌─────────────────────────┐
                    │    Merkezi Orkestratör  │
                    └────┬──────────┬────────┬┘
                         │          │        │
         ┌───────────────┘          │        └───────────────┐
         ▼                          ▼                        ▼
┌─────────────────┐       ┌──────────────────┐     ┌──────────────────┐
│  Çalışan Agent  │       │  Çalışan Agent   │     │  Çalışan Agent   │
│ (Veritabanı SQL)│       │  (Uyum Kontrolü) │     │ (CRM Entegrasyon)│
└────────┬────────┘       └─────────┬────────┘     └─────────┬────────┘
         │                          │                        │
         └──────────────────────────┼────────────────────────┘
                                    │ (Çıktıyı Sentezle)
                                    ▼
                    ┌─────────────────────────┐
                    │ Orkestre Edilmiş Yanıt  │
                    └─────────────────────────┘

Uygun yönlendirme desenini seçmek sürecin karmaşıklığına bağlıdır. Ardışık doğrusal görevler yönlendirme ve prompt zincirlemeden faydalanırken, çok yönlü operasyonlar açık değerlendirme döngüleriyle eşleştirilmiş bir Orkestratör-Çalışan kurulumu gerektirir.


İlgili yazı: Otonom Yapay Zekâ İş Akışı Mimarisi: Kurumsal Otomasyon İçin Çoklu Agent Sistemleri Tasarlamak

LangGraph ile Durum Bilgili (Stateful) Orkestrasyon

Canlı ortamda çalışacak çoklu agent sistemleri kurmak, dinamik agent etkileşimleri boyunca güçlü durum yönetimi gerektirir. Geleneksel durum bilgisi tutmayan (stateless) API döngüleri; agent'lar hatayla karşılaştığında, çok turlu akıl yürütme gerektiğinde veya insan müdahalesine ihtiyaç duyulduğunda yetersiz kalır.

Ekim 2025'teki 1.0 sürümünden beri kararlı olan ve LangChain kütüphanesiyle ya da onsuz kullanılabilen LangGraph çerçevesi, durum bilgili ve çoklu agent uygulamaları için graf tabanlı bir paradigma sunar. Basit doğrusal zincirlere dayanmak yerine LangGraph, kurumsal iş akışlarını döngüsel yönlendirilmiş graflar (cyclical directed graphs) olarak modeller:

  • Düğümler (Nodes): Bireysel agent çalıştırma adımlarını, araç çalıştırmalarını veya hesaplama fonksiyonlarını temsil eder.
  • Kenarlar (Edges): Mevcut çalıştırma durumuna göre düğümler arasındaki kontrol akışını ve koşullu yönlendirme mantığını tanımlar.
  • Durum Kalıcılığı (Checkpoints): LangGraph, graf adımları boyunca paylaşılan, kalıcı bir durum nesnesi korur. Bir veritabanı sorgusu başarısız olursa veya harici bir API zaman aşımına uğrarsa, sistem önceki agent çağrılarını yeniden çalıştırmadan en son kaydedilen durum denetim noktasından (checkpoint) tam olarak devam eder.
  • Döngüsel Çalıştırma Döngüleri: Akışsız DAG boru hatlarının aksine LangGraph, Değerlendirici-Optimizatör desenleri için kritik olan döngüsel yapıları destekler; böylece agent'lar doğrulama koşulları sağlanana kadar çıktıları yinelemeli olarak iyileştirebilir.
  • İnsan Katılımlı (HITL) Denetim Noktaları: Kurumsal iş akışları yüksek riskli yazma eylemlerini gerçekleştirmeden önce sıklıkla insan onayına ihtiyaç duyar. LangGraph, durum duraklatmayı doğal olarak destekler; insan operatörlerin agent tarafından önerilen eylemleri incelemesine, durum değişkenlerini düzenlemesine ve devam kararını onaylamasına veya reddetmesine olanak tanır.

Durum bilgili orkestrasyon, kurumsal çoklu agent iş akışlarının uzun çalıştırma yaşam döngüleri boyunca güvenilir, hataya dayanıklı ve denetlenebilir kalmasını sağlar.


Çoklu Agent Orkestrasyon Çerçevesi Nasıl Seçilir?

LangGraph, olgunlaşmış birçok çerçeveden yalnızca biri. 2026'nın sonlarına gelindiğinde büyük yapay zekâ sağlayıcılarının çoğu kendi çerçevesini geliştiriyor ve seçiminiz; bir sistemi ne kadar kolay denetleyeceğinizi, test edeceğinizi ve ileride taşıyacağınızı etkiliyor. Aşağıdaki tablo, Ekim 2026 itibarıyla başlıca seçenekleri özetliyor.

Çerçeve Geliştiren Diller Orkestrasyon modeli Lisans En uygun olduğu durum
LangGraph LangChain Python, TypeScript Kontrol noktalı ortak durum, kalıcı çalıştırma ve insan onayı için duraklatma içeren graf MIT Uzun süren ve denetlenebilir iş akışları; örneğin veritabanlarını insan onayıyla sorgulayan SQL agent'ları
CrewAI CrewAI Python Rol tabanlı ekipler (sıralı ya da hiyerarşik) ve olay güdümlü Flows MIT Rol tabanlı agent ekiplerinin hızlı prototiplenmesi
Microsoft Agent Framework Microsoft Python, .NET Agent'lar ve graf tabanlı iş akışları: sıralı, eşzamanlı, devretme (handoff), grup sohbeti MIT Microsoft ve Azure altyapıları; AutoGen ve Semantic Kernel'in halefi
OpenAI Agents SDK OpenAI Python, TypeScript Devretme, koruma kuralları (guardrails), oturumlar ve izleme içeren hafif bir agent döngüsü MIT Küçük, kod öncelikli sistemler; başka model sağlayıcılarıyla da çalışır
Google Agent Development Kit (ADK) Google Python, TypeScript, Go, Java 2.0 sürümünden beri graf tabanlı çalıştırma motoru Apache-2.0 Google Cloud ve Gemini altyapıları; birden çok programlama dili kullanan ekipler
Strands Agents AWS Python, TypeScript Sürü (swarm), graf ve araç olarak agent desenlerine sahip, model güdümlü agent döngüsü Apache-2.0 AWS altyapıları; genellikle Amazon Bedrock AgentCore üzerinde barındırılır
LlamaIndex Workflows LlamaIndex Python, TypeScript Tip tanımlı durumla olay güdümlü, asenkron adımlar MIT Doküman yoğun ve geri getirme (retrieval) merkezli akışlar
Pydantic AI Pydantic Python Graf tabanlı kontrol akışı ve kalıcı çalıştırma entegrasyonlarına sahip, tip güvenli agent döngüsü MIT Sıkı tip denetimi ve doğrulama isteyen ekipler

Eski kod tabanları için iki durum notu önemli. Microsoft artık AutoGen'i geliştirmiyor ve kullanıcıları Nisan 2026'da genel kullanıma açılan Microsoft Agent Framework'e yönlendiriyor. Amazon Bedrock AgentCore gibi yönetilen çalıştırma ortamları ise çerçeve değildir: yukarıdaki çerçevelerin herhangi biriyle geliştirilmiş agent'ları barındırır; bellek, kimlik, araç geçitleri ve gözlemlenebilirlik ekler.

Nasıl seçmeli?

  1. Kontrol ve denetlenebilirlikten başlayın. Bir iş akışının yeniden oynatılabilmesi ve onay için duraklayabilmesi gerekiyorsa, serbest akan agent sohbetleri yerine açık graflar ya da durum makineleri tercih edin.
  2. Altyapınıza uygun olanı seçin. Bulut sağlayıcınıza, kimlik yönetiminize ve ekibinizin kullandığı dillere en yakın çerçeve, işletme maliyetinde genellikle öne geçer.
  3. Protokol desteğini kontrol edin. Yukarıdaki çerçevelerin hepsi MCP araçlarını doğrudan ya da adaptörler aracılığıyla çağırabilir. A2A protokolü desteği ise çerçeveden çerçeveye değişir; agent'larınızın ekipler ya da tedarikçiler arasında birlikte çalışması gerekiyorsa bunu kontrol edin. Ayrıntılar için MCP ve A2A arasındaki farkı anlatan yazımıza göz atın.
  4. İzlemeyi şart koşun. İzleme verilerini kendi gözlemlenebilirlik altyapınıza aktarabildiğiniz bir çerçeve seçin; bkz. OpenTelemetry ile LLM gözlemlenebilirliği.
  5. İş mantığını taşınabilir tutun. Araçları MCP sunucularının arkasına koyun, prompt'ları kodun dışında sürümleyin ve durumu kendi veri deponuzda tutun. Böylece çerçeve değiştirmek baştan yazmak değil, yeniden düzenlemek olur.

Model Context Protocol (MCP) ile Bağlam Mühendisliği ve İzolasyonu

Çoklu agent ağları genişledikçe, hassas bilgileri sızdırmadan veya ilgisiz prompt geçmişi biriktirmeden bağımsız agent'lar arasında bağlamı güvenle paylaşmak kritik hale gelir. Bağlam mühendisliği; bağlamın nasıl kapsamlandırılacağını, dönüştürüleceğini ve düğümler arasında nasıl aktarılacağını yönetir.

Anthropic'in Kasım 2024'te açık kaynak olarak yayımladığı ve Aralık 2025'ten beri Linux Foundation bünyesindeki Agentic AI Foundation tarafından yönetilen Model Context Protocol (MCP), standartlaştırılmış araç arayüzleri ve bağlam izolasyonu için teknik temeli sağlar. MCP üç standart primitive (temel yapı) tanımlar:

  • Resources (Kaynaklar): Alt agent'lara güvenle sunulan salt okunur bağlam akışları (örneğin kurumsal dosya depoları, veritabanı şemaları veya API günlükleri).
  • Tools (Araçlar): Girdileri JSON Schema ile tanımlanan ve JSON-RPC 2.0 mesajlarıyla çağrılan çalıştırılabilir fonksiyonlar (örneğin müşteri kayıtlarını güncelleme veya arka plan sorguları çalıştırma).
  • Prompts (Şablonlar): Doğrudan sunucu altyapısında barındırılan, standartlaştırılmış ve sürüm kontrollü prompt şablonları.
MODEL CONTEXT PROTOCOL (MCP) İLE BAĞLAM İZOLASYONU

┌─────────────────────────────────────────────────────────────┐
│                      Agentic Ağ (Mesh)                      │
│                                                             │
│   ┌──────────────────┐           ┌──────────────────┐       │
│   │   Satış Agent'ı  │           │   Finans Agent'ı │       │
│   └────────┬─────────┘           └────────┬─────────┘       │
└────────────┼──────────────────────────────┼─────────────────┘
             │ (Standartlaştırılmış MCP Protokolü) │
             ▼                              ▼
┌──────────────────────────┐   ┌──────────────────────────┐
│   MCP Sunucusu: CRM      │   │   MCP Sunucusu: SAP ERP  │
│  - İzole Araç Kapsamları │   │  - Salt Okunur Kaynaklar │
│  - Parametre Doğrulama   │   │  - Denetim Günlüğü       │
└──────────────────────────┘   └──────────────────────────┘

Çoklu agent ortamında MCP sunucuları, kurumsal veri kaynaklarını LLM istemci mantığından ayırır. Ham API kimlik bilgilerini agent kodunun içine gömmek yerine, alt agent'lar standartlaştırılmış taşıma katmanları (yerel sunucular için stdio, uzak sunucular için Streamable HTTP) üzerinden yerelleştirilmiş MCP sunucularıyla iletişim kurar.

Bu mimari sıkı bir bağlam izolasyonu (context isolation) uygular: bir hukuki analiz alt agent'ı yalnızca sözleşme analiziyle ilgili MCP kaynak yüklerini alır; böylece hassas iç finansal metriklerin harici model çağrılarına sızması önlenir.


İlgili yazı: Kurumsal Yapay Zekâ ROI Çerçevesi: Pilot Arafının Ötesinde Finansal Modeller, TCO ve Değer Ölçümü

Yönetişim, Denetlenebilirlik ve Kontrol Katmanları

Merkezi denetim olmaksızın otonom agent ağları dağıtmak; agent kontrolsüzlüğü (agent sprawl), tekrarlayan API çağırma döngüleri ve uyum ihlalleri gibi önemli operasyonel riskler yaratır. Bu nedenle canlı ortam orkestrasyon mimarilerinin, agent özerkliğini merkezi yönetişim, denetlenebilirlik ve kontrol katmanı gözetimiyle birleştirmesi gerekir.

Canlı ortam kurumsal çoklu agent yönetişimi 4 temel sütun gerektirir:

  • Merkezi Kontrol Katmanı (Centralized Control Plane): Aktif alt agent'ları kaydeden, araç izinlerini takip eden ve organizasyon genelinde küresel çalıştırma politikalarını uygulayan birleşik bir yönetim katmanı.
  • Ayrıntılı Rol Tabanlı Erişim Kontrolü (RBAC): Alt agent'lar en az yetki (least privilege) ilkesine göre çalışmalıdır. Otomatik bir destek sınıflandırma agent'ı bilet geçmişi için salt okunur izinlere sahip olmalı, yazma yetkileri (örneğin iade yapma) ise özel, kapsamı sınırlandırılmış alt agent'ların arkasına saklanmalıdır.
  • Kapsamlı Denetim İzleme (Audit Tracing): Agent'lar arası her mesaj, araç çağrısı çalıştırması, prompt bağlamı anlık görüntüsü ve durum geçişi değiştirilemez denetim akışlarına kaydedilmelidir. İzleme; KVKK, GDPR ve AB Yapay Zekâ Yasası gibi standartlar kapsamında hata ayıklama ve yasal uyum için operasyonel görünürlük sağlar.
  • Döngü Korumaları ve Kaynak Limitleri: Agent'lar arası sonsuz yönlendirme döngülerini önlemek için kontrol katmanı; maksimum graf yineleme derinliği, token kullanım bütçeleri ve çalıştırma zaman aşımı eşikleri üzerinde katı limitler uygulamalıdır.

Sıkı yönetişim çerçeveleri kurmak, çoklu agent sistemlerinin kurumsal güvenlikten veya operasyonel kontrolden ödün vermeden yüksek verimli otomasyon sunmasını sağlar.


Kurumsal Otomasyon Liderleri İçin Sonraki Adımlar

Deneysel yapay zekâ betiklerinden canlı ortama uygun Çoklu Agent Sistemlerine geçiş; disiplinli mimari tasarım, durum bilgili orkestrasyon çerçeveleri ve katı güvenlik yönetişimi gerektirir.

Kuruluşunuz çoklu agent otomasyonunu değerlendiriyorsa veya mevcut agentic iş akışlarını optimize etmek istiyorsa, Orbitra AI uçtan uca uzman danışmanlık ve uygulama hizmetleri sunar:

  • Çoklu Agent Mimarisi ve Tasarımı: Karmaşık kurumsal iş akışlarını modüler, ölçeklenebilir Orkestratör-Çalışan topolojilerine ve durum bilgili graf mimarilerine haritalandırın.
  • Durum Bilgili Orkestrasyon ve Çerçeve Mühendisliği: LangGraph, özel kontrol katmanları ve İnsan Katılımlı (HITL) denetim noktaları kullanarak canlı ortama hazır, hataya dayanıklı orkestratörler inşa edin.
  • MCP Entegrasyonu ve Bağlam Güvenliği: Özelleşmiş agent'ları eski ERP'lere, CRM'lere ve dahili veritabanlarına katı bağlam izolasyonu ile güvenli bir şekilde bağlamak için özel, kendi sunucunuzda barındırılan MCP sunucuları uygulayın.
  • Kurumsal Yapay Zekâ Yönetişim Denetimi: Agent kontrolsüzlüğü risklerini ortadan kaldırmak için agent güvenlik duruşunu, denetim günlüğü uyumunu, RBAC sınırlarını ve çalıştırma korumalarını değerlendirin.

Kurumsal çoklu agent yol haritanızı görüşmek ve özel bir otomasyon stratejisi tasarlamak için Orbitra AI Uzmanıyla Görüşün.

HADİ BAŞLAYALIM
PROJECT INTAKE

AI otomasyon­unuzuyörüngeye taşıyalım

İyileştirmek istediğiniz süreci, müşteri yolculuğunu veya ekip yetkinliğini anlatın. AI otomasyon danışmanlığı, yapay zekâ asistanı, kurumsal eğitim ya da ölçülebilir pilot için doğru ilk adımı birlikte belirleyelim.

E-Posta[email protected]Sorular, strateji ve demo için
ORBITRA / PROJECT BRIEFSECURE CHANNEL
01
02
03
04