Çoklu Ajanlı Sosyal Medya Yönetim Sistemi

Sosyal Medya Süreçlerini Yapay Zekaya Devretmek

Geleneksel içerik üretim süreçleri; araştırma yapmak, görsel fikirleri bulmak, metin yazmak ve bunları planlamak gibi adımlardan oluşur. Bu adımları elle yürütmek hem zaman alıyor hem de sürekli aynı kalitede içerik üretmeyi zorlaştırıyor. Asıl sorun tek tek adımların zorluğu değil, adımlar arasındaki devir teslimdir: araştırma çıktısının yazara eksik geçmesi, görsel brief'in metinle uyuşmaması, onay aşamasının hangi sürümü onayladığının belirsiz kalması.

Geliştirdiğim çoklu ajanlı sistem, bu süreçlerin tamamını otonom ajanlar arasında bölüştürür ve her devir teslimi diske yazılan bir dosyaya bağlar. Süreci otomatikleştirirken kalite kontrolünü de elden bırakmaz: hiçbir içerik insan onayı olmadan yayına gitmez.

Neden Tek Ajan Değil de Çoklu Ajan?

Tek bir dil modeline «bana bu konuda bir gönderi yaz» demek en hızlı yoldur ama ölçeklenmez. Sebebi bağlamdır: araştırma notları, marka sesi kuralları, geçmiş gönderiler ve görsel yönergeler aynı istem içine yığıldığında model bunların bir kısmını ihmal eder. Anthropic'in çoklu ajan araştırma sistemi üzerine mühendislik yazısı, kendi bağlam pencereleriyle paralel çalışan alt ajanların bir ana ajan tarafından eşgüdümlendiği yönlendirici-işçi düzenini anlatır ve ölçüm verir: ana ajan olarak Claude Opus 4, alt ajan olarak Claude Sonnet 4 kullanan çoklu ajan sistemi, tek ajanlı Claude Opus 4'ü değerlendirmede %90,2 farkla geçmiştir. Aynı yazı maliyet tarafını da saklamaz: token tüketimi tek başına performans varyansının %80'ini açıklar ve çoklu ajan sistemleri sohbet kullanımına kıyasla yaklaşık 15 kat token harcar.

Bu sistemde de mantık aynıdır: her ajan tek bir işten sorumludur, kendi dar bağlamıyla çalışır ve çıktısını bir sonrakine dosya olarak devreder. Böylece bir aşamanın kalitesi düştüğünde hangi ajanın istemini düzelteceğiniz belli olur; tek dev istemde bu ayrım yapılamaz.

Bu ayrımın bedeli de ölçülmüştür: aynı mühendislik yazısı, ajanların normal sohbet kullanımına kıyasla yaklaşık dört kat token harcadığını belirtir. Yani çoklu ajan mimarisi her işin cevabı değildir; yalnızca çıktının değeri bu tüketimi karşıladığında meşrudur. Bu üretim hattında meşrulaştıran şey, tek bir araştırma çıktısının haftalarca birden çok gönderiye kaynaklık etmesi ve hatanın son üründe değil erken aşamada yakalanmasıdır.

Pratikte çoklu ajana geçmeden önce sorulacak üç soru vardır. Birincisi: iş gerçekten ayrılabilir alt görevlere bölünüyor mu, yoksa tek bir düşünme zinciri mi? Araştırma, görsel brief üretimi ve yazım birbirinden bağımsız çıktı üretir, dolayısıyla bölünebilir. İkincisi: aşamalar arasındaki devir teslim yazıya dökülebiliyor mu? Dökülemiyorsa ajanlar arasında kaybolan bağlam, kazanılan odaklanmadan daha büyük bir zarar verir. Üçüncüsü: hatanın hangi aşamada oluştuğunu görmek sizin için değerli mi? Tek seferlik bir iş için bu görünürlük gereksiz bir lükstür; her gün koşan bir hat için bakımın kendisidir.

Bu üç sorunun üçüne birden evet diyemiyorsanız, tek ajanla başlamak ve darboğazı ölçtükten sonra bölmek daha ucuz bir yoldur. Mimariyi baştan karmaşık kurmak, henüz var olmayan bir sorunu çözmek için token harcamak anlamına gelir. Bu sistemde bölme kararı da böyle verildi: önce tek istemle çalışan bir taslak üretici kuruldu, üslup ile olgusal doğruluk aynı istemde çatıştığı görülünce araştırma ve yazım ayrıştırıldı.

Çoklu Ajan İş Akışı Nasıl Çalışıyor?

• Araştırmacı Ajan: Google Autocomplete ve güncel trendleri tarayarak sektörünüzle ilgili anahtar kelime fırsatlarını yakalar ve bulguları kaynak bağlantılarıyla birlikte bir araştırma dosyasına yazar.
• Görsel Tasarım Ajanı: Görsel üretim araçları (Midjourney/ComfyUI) için en doğru prompt çıktısını hazırlayan brief'ler üretir; brief, metinden bağımsız değil araştırma dosyasına dayanarak oluşturulur.
• Yazar Ajan (Anti-Slop): Hazırlanan fikirleri robotik olmayan, samimi ve slogansız bir dille yazıya döker. Yazar ajan araştırma dosyasını okur; kendi başına olgusal iddia üretmez.

Ajanların dış dünyaya bağlanma biçimi de bilinçli bir karardır. Araç bağlantılarını her ajan için ayrı ayrı yazmak yerine standart bir arayüz kullanmak, yeni bir veri kaynağı eklendiğinde tüm ajanları yeniden yazma zorunluluğunu ortadan kaldırır. Model Context Protocol (MCP) tam olarak bu ihtiyacı hedefleyen açık bir standarttır ve yapay zeka uygulamaları için «USB-C portu» benzetmesiyle anlatılır.

Dosya Tabanlı Durum (Files-as-State) Kararı

Sistem, veri tabanları yerine dosya tabanlı çalışan kararlı bir mimariye sahiptir. Bu tercih üç somut nedene dayanır. Birincisi denetlenebilirlik: her aşamanın çıktısı diskte düz metin olarak durur, sürüm kontrolüne girer ve iki çalıştırma arasındaki fark satır satır okunabilir. İkincisi kurtarılabilirlik: bir ajan hata verdiğinde süreç baştan başlamaz; önceki aşamanın dosyası yerinde durduğu için yalnız kırılan adım yeniden koşturulur. Üçüncüsü bağımsızlık: hiçbir ajan diğerinin bellek durumuna bağlı değildir, dolayısıyla bir ajanı değiştirmek ötekini bozmaz.

Bu yaklaşımın bedeli de vardır ve saklamak doğru olmaz: eşzamanlı yazma, dosya kilidi ve tutarlılık gibi meseleleri veri tabanının çözdüğü yerde siz çözmek zorunda kalırsınız. Tek makinede sıralı çalışan bir üretim hattı için bu bedel küçüktür; çok kullanıcılı eşzamanlı bir sistemde tercih tersine dönerdi.

Çalışılmış Örnek: Tek Bir Gönderinin Üretim Hattı

Girdi: «Küçük işletmeler için stok takibi» konu başlığı.

1. Araştırmacı ajan konuyla ilgili gerçek arama tamamlamalarını toplar, hangi soruların sorulduğunu ve hangi ifadelerin birlikte arandığını bir dosyaya yazar. Çıktı bir fikir listesi değil, kaynağı belli bir bulgu kümesidir.

2. Görsel ajan bu bulgulardan bir görsel brief üretir: sahne, kompozisyon, metin alanı ve kaçınılacak klişeler. Brief ayrı bir dosyaya yazılır.

3. Yazar ajan araştırma dosyasını ve görsel brief'i okuyup gönderi metnini yazar. Metin, görselde zaten anlatılan şeyi tekrar etmez.

4. Anti-slop filtresi çıktıyı tarar; jenerik kalıpları, klişe girişleri ve gereksiz ünlemleri temizler.

5. Onay paneli taslağı insana gösterir. Onay verilmeden hiçbir içerik yayına gitmez.

Bu hattın kritik özelliği, her adımın çıktısının bir sonrakinin girdisi olmasıdır. Üçüncü adımın metni kötüyse suçlanacak yer model değil, ikinci adımın brief'idir; dosyaya bakarak bunu görebilirsiniz.

Anti-AI-Slop Filtresi ve İnsan Denetimi

İçeriklerin yapay zeka tarafından yazıldığı anlaşılmasın diye sistemin çıkışına bir kalite kapısı yerleştirdim. Bu filtre, modellerin çok sevdiği jenerik kelimeleri, klişe girişleri ve gereksiz ünlemleri otomatik olarak temizler. Ancak filtrenin sınırı vardır: üslubu düzeltir, doğruluğu denetlemez. Bu yüzden üretilen tüm taslaklar son onay için bir panele düşer; siz onay vermeden hiçbir içerik yayına gitmez.

İnsan onayının nereye konduğu, otonom sistemlerde en belirleyici tasarım kararlarından biridir. Onay kapısının hangi eşikte devreye gireceğini ve otomasyonun nerede durması gerektiğini otonom ajanlarda insan onayı yazısında ayrıntılı ele aldım.

Ölçüm ve Veri: Sistem Ne Zaman Çalışıyor Sayılır?

Bir içerik üretim hattının başarısını «günde şu kadar gönderi üretiyor» diye ölçmek yanıltıcıdır; üretilen ama onaylanmayan içerik maliyet üretir, değer üretmez. İzlenen ölçütler şunlardır:

Bu dördü birlikte okunur. Onay oranı yüksek ama gönderi başı token da yüksekse hat çalışıyordur, ekonomik değildir. Aşama başarısızlığı tek bir ajanda toplanıyorsa sorun sistemde değil o ajanın isteminde demektir.

Hata Desenleri, Riskler ve Maliyet Tuzakları

• Ajan sayısını gereksiz artırmak. Her ek ajan kendi bağlamını yeniden okur ve çoklu ajan sistemleri sohbet kullanımına göre yaklaşık 15 kat token harcar. Bölmenin faydası, eklenen tüketimi aşmıyorsa o ajan gereksizdir; bu yüzden ajan eklemek bir mimari refleks değil, ölçülerek verilecek bir karardır.
• Araştırma çıktısını doğrulamadan yazıya taşımak. Yazar ajan kendisine verilen dosyaya güvenir; araştırma aşaması kaynaksız bir iddia ürettiyse o iddia metne olduğu gibi geçer.
• Anti-slop filtresini kalite güvencesi sanmak. Filtre üslup temizler, olgu denetlemez. Doğruluk kontrolü insan onayında kalır.
• Dosya çakışmasını hesaba katmamak. Aynı dosyaya iki ajan aynı anda yazarsa sessiz veri kaybı olur; hattı sıralı çalıştırmak veya yazma sırasını kilitlemek gerekir.
• Onay kuyruğunu biriktirmek. Üretim hızı onay hızını aşarsa panelde bekleyen taslaklar bayatlar; sistemin gerçek kapasitesi insanın onaylayabildiği kadardır.
• Marka sesini istem içinde saklamak. Üslup kuralları her ajanın isteminde ayrı ayrı tekrarlanırsa zamanla birbirinden uzaklaşır ve hangi kuralın geçerli olduğu belirsizleşir. Kuralları tek bir dosyada tutup her ajana aynı kaynaktan okutmak, üslup tutarlılığını mimari bir güvenceye dönüştürür.
• Başarısız koşumu sessizce geçmek. Bir ajan boş veya yarım çıktı ürettiğinde hat durmaz, bir sonraki aşama o eksik dosyayı okur ve sorun ancak son üründe fark edilir. Her aşamanın çıktısı, bir sonraki ajana devredilmeden önce asgari bir bütünlük kontrolünden geçmelidir.

Bu mimarinin arkasındaki genel ilkeleri üretim ortamında çoklu ajan mimarisi ve kararlılık yazısında, kurumsal otomasyona nasıl bağlandığını ise yapay zeka iş akışı otomasyonu sayfasında bulabilirsiniz.