How AI agents & Claude skills work (Clearly Explained)
Greg Isenberg · 2026-04-08
💡 Hızlı Bilgi
1. Modeller artık çok iyi, hatta olağanüstü iyi durumda.
2. Bağlam, modelleri istenen yöne yönlendirmede kritik öneme sahiptir.
3. Bağlam, modelin eylemi gerçekleştirmesi için gereken bilgileri toplar.
4. Genel sistem istemi, modelin nasıl davranması gerektiğini belirler.
5. Çoğu insan için agent.mmd veya cloud.mmd dosyalarına gerek yoktur.
6. Beceriler, aşamalı ifşa (gradual disclosure) prensibiyle çalışır; sadece başlık ve açıklama bağlama eklenir.
7. agent.mmd dosyaları her çalıştırmada tüm içeriği bağlama ekleyerek token israfına yol açar.
8. Beceriler, sadece gerektiğinde tam içeriği yükleyerek tokenleri verimli kullanır.
9. Araçlar (tools), ajan koşum takımı tarafından modele entegre edilir ve bağlama dahil edilmelidir.
10. Kullanıcı konuşması da bağlam penceresini dolduran önemli bir unsurdur.
11. Modeller düşünmez, token tahmincileridir; onlara adım adım rehberlik etmek gerekir.
12. Başarılı bir çalıştırmanın neye benzediği bağlamı olmadan beceri oluşturmak zordur.
13. Becerileri oluştururken, iş akışını adım adım modelle birlikte yürütmek ve deneyimsel öğrenme sağlamak esastır.
14. Beceriler, yapay zeka kullanılarak da oluşturulabilir, ancak başarılı çalıştırma bağlamı gereklidir.
15. Becerileri indirmek yerine kendi becerilerinizi oluşturmak daha değerlidir.
16. Üretkenlik için ölçeklendirme, havalı görünen için ölçeklendirmeden daha önemlidir.
17. Tek bir ana ajanla başlayıp beceriler inşa etmek ve ardından alt ajanlar eklemek üretkenliği artırır.
18. LLM'ler token tahmin eder; anlamaz veya bilmezler, bu nedenle iş akışını bilmek önemlidir.
19. Teknik olmayanlar bile doğru araçları kullanarak ve ajanları nasıl inşa edeceğini öğrenerek başarılı olabilir.
20. Kodun kendisi artık bağlam haline geldiği için, proje başlatırken belirli bir teknoloji yığınına özgü agent.mmd dosyalarına genellikle gerek yoktur.
21. Sağlam bir temel (şablon) ile başlamak, ajanlar için bağlam oluşturur ve üzerine inşa etmelerini sağlar.
22. Becerileri döngüsel olarak inşa etmek (iterative skill building) önemlidir; hatalardan ders çıkarıp beceriyi güncellemek gerekir.
23. Beklentileri yönetmek kritiktir; ajanlar başlangıçta hatalar yapabilir, zamanla iyileşirler.
24. Modeller ve ajanlar, iş akışınızı bilmeyen yeni çalışanlar gibidir; onlara bağlam sağlamalısınız.
25. Bağlam penceresini verimli kullanmak (az çoktur prensibi), modelin performansını artırır ve maliyeti düşürür.
26. Kişisel iş akışınız, zevkiniz ve iş yapma stratejiniz, modellerin sahip olmadığı ve becerilere kodlanabilen değerlerdir.
📊 Detaylı Açıklama
1. Modellerin Olağanüstü İyiliği: Konuşmacı, GPT-4 ve Claude Opus gibi modellerin artık "olağanüstü iyi" bir noktaya ulaştığını vurguluyor. Bu, genel yapay zeka (AGI) olmasa da, bu modellerin birçok görevde yüksek performans sergilediği anlamına geliyor. Bu durum, geçmişte olduğu gibi modellerin spesifik görevlerdeki zayıflıklarına odaklanmak yerine, onları nasıl daha etkili kullanacağımıza dair stratejilere geçmemiz gerektiğini gösteriyor.
2. Bağlamın Kritik Rolü: Modeller ne kadar iyi olursa olsun, doğru ve yeterli bağlam olmadan istenen çıktıyı üretmeleri mümkün değil. Bağlam, modelin bir eylemi gerçekleştirmesi için ihtiyaç duyduğu tüm bilgileri kapsar. Bu bilgiler, modelin nasıl davranması, neyi başarması veya neyi yapmaması gerektiği konusunda ona rehberlik eder. Bu nedenle, bağlamı doğru yönetmek, ajanların performansını doğrudan etkiler.
3. Sistem İstemlerinin Önemi: Her model sağlayıcısı, modelin genel davranışını belirleyen bir sistem istemi (system prompt) sunar. Bu istem, modelin kimliğini, görevlerini ve sınırlamalarını tanımlar. Örneğin, bir kodlama ajanı için sistem istemi, geliştiricinin ne yapması, ne yapmaması gerektiği konusunda modelin davranışını yönlendirir. Bu, modelin istenen şekilde davranmasını sağlamak için temel bir ayarlama noktasıdır.
4. agent.mmd ve cloud.mmd Dosyalarının Gereksizliği (Çoğu Zaman): Konuşmacı, insanların %95'inin bu tür özel dosyalara ihtiyaç duymadığını belirtiyor. Bunun nedeni, modellerin zaten yeterince iyi olması ve kod tabanı gibi bilgilerin bağlamda zaten mevcut olmasıdır. Bu dosyalar, özellikle şirketlere özel veya her konuşmada referans verilmesi gereken özel metodolojiler gibi durumlar dışında gereksizdir. Bu dosyaların sürekli bağlama eklenmesi, token israfına yol açar.
5. Becerilerin (Skills) Aşamalı İfşası: Beceriler, "aşamalı ifşa" prensibiyle çalışır. Bir beceri dosyası (örneğin, skill.md) kullanıldığında, tüm içeriği değil, sadece başlığı ve açıklaması bağlama eklenir. Bu, ajanın bir beceriye ihtiyacı olduğunu anladığında (örneğin, "bir notion raporu oluşturmak istiyorum" dediğinizde), becerinin başlığı ve açıklaması aracılığıyla bu ihtiyacı fark etmesini sağlar. Ardından, ajan bu becerinin tam içeriğine ulaşır. Bu, tokenleri verimli kullanmanın harika bir yoludur.
6. Becerilerin Token Verimliliği vs. agent.mmd: Bir agent.mmd dosyası binlerce token içerebilir ve her çalıştırmada bu tokenler bağlama eklenir. Buna karşılık, bir becerinin başlığı ve açıklaması sadece birkaç token alır. Ajan, sadece becerinin başlığı ve açıklamasıyla, o beceriyi kullanması gerekip gerekmediğine karar verir. Bu, token israfını önler ve daha performanslı bir ajan sağlar. Örneğin, bir rapor oluşturma becerisi, agent.mmd dosyasında binlerce token yerine sadece başlık ve açıklama ile temsil edilebilir.
7. Araçların (Tools) Entegrasyonu: Kodlama ajanları gibi araçlar, modelin kendisi tarafından çağrılmaz. Bunun yerine, bu araçları çağırmasına izin veren ajan koşum takımı (agent harness) tarafından modele entegre edilir. Bu araçlar ve kod tabanı gibi diğer bilgiler, bağlama dahil edilmelidir.
8. Kullanıcı Konuşmasının Bağlamdaki Yeri: Kullanıcının ajanla olan etkileşimi, yani konuşmaları da bağlam penceresini dolduran önemli bir unsurdur. Konuşma büyüdükçe, bağlam penceresi dolmaya başlar ve bu da modellerin performansını etkileyebilir.
9. Modeller Düşünmez, Token Tahmin Eder: Konuşmacı, modellerin aslında düşünmediğini, sadece eğitildikleri devasa veri setindeki kalıplara dayanarak en olası sonraki tokeni tahmin ettiklerini vurguluyor. Bu nedenle, onlara ne istendiğini açıkça ve adım adım anlatmak, yani "düşünmelerini sağlamak" yerine onlara rehberlik etmek önemlidir. Bu, özellikle karmaşık görevlerde ajanın neden hata yaptığını anlamak için kritiktir.
10. Deneyimsel Öğrenme ve Becerilerin İnşası: Bir çalışan işe almak gibi, ajanlara da ne yapacaklarını söylemek ve nasıl yapacakları konusunda sorular sorarlarsa yardımcı olmak gerekir. İdeal olarak, başlangıçta başarısız olmalarına izin vermek ve sonra onlara doğru yolu göstermek, yani deneyimsel öğrenme sağlamak, becerileri oluşturmada etkilidir. Konuşmacı, iş akışını adım adım ajana öğreterek ve başarılı bir çalıştırmanın neye benzediği konusunda bağlam sağlayarak beceriler oluşturur.
11. Başarılı Çalıştırma Bağlamının Önemi: Bir beceri oluştururken, ajanın başarılı bir çalıştırmanın neye benzediği konusunda bağlamı olması gerekir. Aksi takdirde, ajan API çağrılarında başarısız olabilir veya veriyi yanlış çağırabilir. Bu durum, birçok insanın ajanın neden çalışmadığını anlamamasına neden olur. Konuşmacı, iş akışını kendisi yaparak, ajana adım adım öğreterek ve ardından bu süreci bir beceriye dönüştürerek bu sorunu çözer.
12. Becerileri İndirmek Yerine Kendi Becerilerinizi Oluşturun: Konuşmacı, başkalarının becerilerini indirmek yerine kendi becerilerinizi oluşturmanın daha değerli olduğunu savunuyor. Bunun nedeni, başkalarının becerilerinin sizin özel iş akışınıza veya ihtiyaçlarınıza tam olarak uymayabilmesidir. Ayrıca, bilinmeyen kaynaklardan indirilen beceriler güvenlik riskleri taşıyabilir.
13. Üretkenlik İçin Ölçeklendirme: Havalı görünen birçok alt ajan ve beceri eklemek yerine, üretkenlik için ölçeklendirme esastır. Bu, tek bir ana ajanla başlayıp, kendi iş akışınıza uygun beceriler oluşturarak ve ardından gerektiğinde alt ajanlar ekleyerek yapılır. Bu yaklaşım, daha verimli ve hedefe yönelik bir sistem oluşturur.
14. LLM'lerin Temel İşleyişi: LLM'ler, temelinde token tahmincileridir. Anlamaz veya bilmezler. Bu nedenle, onlara özel iş akışınızı, adımlarınızı ve stratejilerinizi öğretmek, sizin ve benim gibi anlamalarını sağlamak yerine, onların bu bilgileri kullanarak en iyi çıktıyı üretmelerini sağlar. Bu, ajanları inşa etmenin ve kullanmanın temelinde yatan prensiptir.
15. Teknik Olmayanlar İçin Fırsatlar: Modellerin ve araçların gelişmesiyle birlikte, teknik olmayan bireylerin bile doğru araçları kullanarak ve ajanları nasıl inşa edeceğini öğrenerek başarılı olabileceği bir dönem başlıyor. Geçmişte milyonlarca dolarlık uygulamalar kodlamak gerekirken, şimdi bu yetenekler daha erişilebilir hale geliyor.
16. Kodun Bağlam Haline Gelmesi: Proje geliştirirken, kullanılan teknoloji yığınına (örneğin, React, Next.js, Supabase) özgü büyük agent.mmd dosyalarına genellikle gerek kalmaz. Çünkü kodun kendisi artık bağlam haline gelmiştir. Ajan, mevcut kod tabanını anlayabilir ve üzerine inşa edebilir.
17. Sağlam Temel ve Şablonların Önemi: Sağlam bir temel veya şablonla başlamak, ajanlar için değerli bir bağlam oluşturur. Bu temel üzerine inşa ederek, ajanlar daha verimli çalışabilir. Şablonlar, özellikle web ve mobil uygulama geliştirme gibi alanlarda yeniden önem kazanacaktır.
18. Becerilerin Döngüsel İnşası: Beceriler tek seferde mükemmel olmaz. Bir beceri oluşturduktan sonra, ajan hata yapabilir. Bu hatalardan ders çıkarıp, ajana hatayı açıklayarak ve düzeltmesini isteyerek beceriyi güncellemek önemlidir. Bu döngüsel süreç, becerinin zamanla daha sağlam ve güvenilir hale gelmesini sağlar. Örneğin, bir rapor oluşturma becerisi beş yinelemeden geçerek kusursuz hale gelebilir.
19. Beklentileri Yönetmek: Ajanların başlangıçta mükemmel çalışmayacağını kabul etmek önemlidir. Tıpkı yeni bir çalışan gibi, zamanla öğrenirler ve gelişirler. Başlangıçta birkaç aksaklık yaşanması normaldir ve bu aksaklıklar, becerileri iyileştirmek için bir fırsattır.
20. Bağlam Penceresini Koruma: Bağlam penceresini verimli kullanmak, modelin performansını artırır ve maliyeti düşürür. Bağlam penceresinin %70-80'ini doldurmak idealdir, çünkü pencere tamamen dolduğunda model aptallaşmaya başlar. Bu, hem maliyet tasarrufu sağlar hem de daha performanslı bir ajan oluşturur.
21. Kişisel İş Akışının Değeri: Modellerin sahip olmadığı ve becerilere kodlanabilen en önemli şey, sizin kişisel iş akışınız, zevkiniz ve iş yapma stratejinizdir. Bu, ajanları kişiselleştirmenin ve onları gerçekten sizin için değerli hale getirmenin anahtarıdır.
🎯 Uzman Yorumu
Bu konuşma, yapay zeka ajanlarının mevcut durumunu ve geleceğine dair son derece değerli içgörüler sunuyor. Uzman gözüyle baktığımda, vurgulanan temel noktalar hem mevcut trendleri hem de gelecekteki potansiyel yönleri net bir şekilde ortaya koyuyor:
1. "Modeller İyi" Paradigmasının Evrimi: Konuşmacının "modeller artık iyi" tespiti, yapay zeka geliştirme alanında önemli bir dönüm noktasıdır. Geçmişte, geliştiricilerin büyük çabası modellerin temel yeteneklerini iyileştirmeye odaklanırken, artık odak noktası bu gelişmiş modelleri etkili bir şekilde kullanmak ve entegre etmek üzerine kayıyor. Bu, "prompt engineering" ve "agent orchestration" gibi alanların önemini artırıyor. Gelecekte, modellerin kendisinden çok, onları nasıl yönlendirdiğimiz ve hangi bağlamı sağladığımız belirleyici olacak.
2. Bağlamın Nihai Hakimiyeti: Bağlamın "her şeyden daha önemli" olduğu vurgusu, yapay zeka sistemlerinin tasarımında temel bir prensip haline gelmeli. Modeller, ne kadar güçlü olursa olsun, yanlış veya eksik bağlamla çalıştırıldığında hayal kırıklığı yaratırlar. Bu, özellikle kurumsal ortamlarda, mevcut veri altyapısını, iş süreçlerini ve özel bilgileri yapay zeka sistemlerine nasıl entegre edeceğimiz konusunda ciddi bir mühendislik sorunu teşkil ediyor. "Bağlam mühendisliği" (context engineering) gelecekte kritik bir uzmanlık alanı olacak.
3. Becerilerin (Skills) Yükselişi ve "Aşamalı İfşa"nın Gücü: Becerilerin "aşamalı ifşa" mantığıyla çalışması, hem verimlilik hem de ölçeklenebilirlik açısından devrim niteliğinde. Bu, büyük dil modellerinin (LLM) bağlam penceresi sınırlamalarını aşmak için akıllıca bir yöntem. Kendi iş akışlarımıza özel beceriler oluşturmak, ajanları sadece birer araç olmaktan çıkarıp, kişiselleştirilmiş ve özelleştirilmiş "dijital asistanlar" haline getiriyor. Pazar yerlerindeki hazır beceriler yerine, kendi iş akışımıza uygun becerileri geliştirmek, rekabet avantajı sağlayacaktır. Bu, "low-code/no-code" platformlarının yapay zeka ajanları için de bir evrim geçireceği anlamına geliyor.
4. "Üretkenlik İçin Ölçeklendirme"nin Önemi: Havalı görünen ama pratik olmayan karmaşık ajan sistemleri yerine, üretkenliği artıran basit ve adım adım inşa edilmiş sistemlerin önemi giderek artacak. Bu, özellikle startup'lar ve KOBİ'ler için geçerli. Başlangıçta tek bir ana ajan ve birkaç temel beceriyle başlayıp, iş akışı geliştikçe sistemi ölçeklendirmek, kaynakları daha verimli kullanmayı sağlar. Bu yaklaşım, "agile development" prensiplerinin yapay zeka ajanları için de geçerli olduğunu gösteriyor.
5. "Kalıcı Alt Sınıf" Korkusu ve Beceri Geliştirmenin Önemi: Yapay zekanın işgücü üzerindeki etkisiyle ilgili "kalıcı alt sınıf" tartışmaları giderek daha fazla dile getiriliyor. Ancak bu konuşma, bu korkuya karşı güçlü bir karşı argüman sunuyor: beceri geliştirme. Modeller token tahmin etse de, insanların sahip olduğu iş akışını anlama, problem çözme ve yaratıcılık gibi beceriler hala değerlidir. Yapay zeka araçlarını kullanmayı ve kendi becerilerini oluşturmayı öğrenenler, bu dönüşümden faydalanacaklardır. Bu, geleceğin işgücünün sadece teknoloji okuryazarlığına değil, aynı zamanda "yapay zeka ile birlikte çalışma" becerisine sahip olması gerektiği anlamına geliyor.
6. Beklentilerin Yönetilmesi ve Döngüsel Gelişim: Yapay zeka ajanlarının başlangıçta mükemmel olmayacağı gerçeği, kullanıcıların beklentilerini yönetmek için kritik öneme sahip. Hatalar, öğrenme sürecinin doğal bir parçasıdır. Bu hataları birer geri bildirim mekanizması olarak kullanarak ajanları ve becerileri döngüsel olarak iyileştirmek, uzun vadede daha sağlam ve güvenilir sistemler oluşturmamızı sağlar. Bu, "iterative development" ve "continuous improvement" prensiplerinin yapay zeka projelerinde de geçerli olduğunu gösteriyor.
7. Kodun Kendisinin Bağlam Olması ve Şablonların Rönesansı: Kodun artık bağlam haline gelmesi, geliştiricilerin daha hızlı ve verimli çalışmasını sağlayacak. Sağlam şablonlar, bu süreci daha da hızlandıracak. Bu, özellikle tekrarlayan görevler ve standart proje yapıları için geçerli. Gelecekte, "meta-frameworks" ve akıllı şablonlar, yapay zeka destekli geliştirme süreçlerinin temelini oluşturabilir.
Genel olarak, bu konuşma, yapay zeka ajanlarının geleceğinin, sadece daha güçlü modeller yaratmakla değil, aynı zamanda bu modelleri insan iş akışlarına akıllıca entegre etmekle şekilleneceğini gösteriyor. Bağlamı yönetme, kişisel beceriler oluşturma ve üretkenlik odaklı sistemler inşa etme yeteneği, bu yeni dönemin anahtarları olacaktır.
Kanal: Greg Isenberg