Yapay Zeka Ajanı Sözlüğü: 60 Yapay Zeka Terimi Sade Bir Dille Açıklanıyor (2026)

Artık her yapay zeka ürün sayfası bir hece yarışması gibi okunuyor: ajan tabanlı, MCP, RAG, bağlam penceresi, araç çağırma, koruma bariyerleri, orkestrasyon. Bu kelimelerin arkasındaki fikirler çoğunlukla basit, ama kimse bunları tek bir yerde açıklamıyor ve bu boşluk, bu kadar çok insanın yapay zekaya hiç gerçek bir iş vermeden onu "kullanmasının" nedeni.

Bu yapay zeka sözlüğü tam olarak bunu çözüyor. 2026'da yapay zeka ajanları, büyük dil modelleri ve otomasyon hakkında okurken karşınıza çıkacak 60 terimi konularına göre gruplandırıp somut birer örnekle sade bir dille açıklıyor. Yer imlerinize ekleyin, ekibinizle paylaşın ve ajan tabanlı yapay zeka nedir ile yapay zeka alt ajanları nasıl çalışır rehberlerimizle birlikte kullanın. Bir terim Jobbit'i kullanmak için önemliyse, bunu belirtiyoruz.

Temel kavramlar: herkesin kullandığı kelimeler

• Yapay zeka (AI): normalde insan zekası gerektiren görevleri yerine getiren yazılım; dil anlamak, görselleri tanımak ya da karar vermek gibi. 2026'da bu terim çoğunlukla büyük dil modelleri üzerine kurulu sistemleri ifade ediyor.

• Makine öğrenmesi (ML): yazılımı açık kurallar yazmak yerine örnekler üzerinden eğitme tekniği. Bir spam filtresi milyonlarca etiketlenmiş e-postadan öğrenir; her kural ona elle söylenmez.

• Derin öğrenme: çok katmanlı sinir ağları kullanan makine öğrenmesi türü. Modern görsel tanıma, konuşma ve dil modellerini mümkün kılan şey budur.

• Üretken yapay zeka: bir promptdan yeni içerik, metin, görsel, kod, ses ya da video üreten yapay zeka. ChatGPT, Claude, Gemini ve Midjourney üretken yapay zeka ürünleridir.

• Büyük dil modeli (LLM): devasa miktarda metin üzerinde eğitilmiş, bir dizideki bir sonraki token'ı tahmin eden ve bunu yaparken akıl yürütmeyi, yazmayı ve talimat izlemeyi öğrenen sinir ağı. GPT, Claude, Gemini, Llama, DeepSeek ve Mistral birer LLM ailesidir.

• Temel model (foundation model): geniş verilerle eğitilmiş, birçok göreve uyarlanabilen büyük model. LLM'ler dil için temel modellerdir; görsel ve video için de eşdeğerleri vardır.

• Çok modlu model: metin, görsel, ses ve bazen video gibi birden fazla girdi türünü anlayan ve üretebilen model. Çok modlu modeller, bir ajanın bir ekran görüntüsünü ya da taranmış bir faturayı okuyabilmesini sağlar.

• Prompt: bir modele verdiğiniz talimat. İyi prompt yazmak bir beceridir; bkz. yapay zeka ajanları için prompt yazma.

• Sistem promptu: ürünü geliştiren tarafın belirlediği, modelin her sohbette nasıl davranacağını şekillendiren gizli talimatlar: rolü, tonu, kuralları ve araçları.

• Çıkarım (inference): eğitilmiş bir modeli çalıştırıp yanıt üretme eylemi. Eğitim bir kez gerçekleşir; çıkarım her mesaj gönderdiğinizde gerçekleşir ve ödediğiniz şey de budur.

Modeller nasıl düşünür: token'lar, bağlam ve akıl yürütme

• Token: modellerin okuyup yazdığı birim, kabaca bir İngilizce kelimenin dörtte üçü kadardır. Fiyatlandırma, limitler ve hız hep token cinsinden ölçülür. "Bir milyon token" yaklaşık 750.000 kelimeye denk gelir.

• Bağlam penceresi: bir modelin aynı anda dikkate alabildiği metin miktarı; sohbetiniz, belgeleriniz ve modelin kendi yanıtı dahil. Daha büyük pencereler, bir ajanın tüm bir kod tabanını ya da yüz sayfalık bir sözleşmeyi aklında tutmasını sağlar.

• Bağlam mühendisliği: bağlam penceresine neyin gireceğine karar verme sanatı: hangi belgeler, örnekler, araç sonuçları ve anılar; böylece model ihtiyacı olanı bulur, dikkatini dağıtacak hiçbir şeyi bulmaz. Ajan tasarımında önemli beceri olarak büyük ölçüde "prompt mühendisliğinin" yerini almıştır.

• Akıl yürütme modeli: yanıt vermeden önce "düşünecek" şekilde eğitilmiş, matematik, kod ve planlamada doğruluğu artıran ara adımlar üreten model. Akıl yürütme modları daha fazla token tüketir ama ajanları çok daha güvenilir kılar.

• Düşünce zinciri: bir modelin yanıta giden yolda adım adım yazdığı akıl yürütme. Akıl yürütme modelleri bunu doğal olarak yapar; eski modeller ise bunu yapmaya prompt ile yönlendirilebilir.

• Sıcaklık (temperature): rastgeleliği kontrol eden bir ayar. Düşük sıcaklık tutarlı, öngörülebilir çıktı verir; yüksek sıcaklık daha çeşitli, daha yaratıcı çıktı verir.

• Halüsinasyon: bir modelin özgüvenle ama yanlış biçimde söylediği şey; uydurma bir alıntı ya da var olmayan bir ürün özelliği gibi. Ajanlar, tek bir yanıta güvenmek yerine kaynakları kontrol edip sonuçları test ederek halüsinasyonu azaltır.

• Gerçek veriye dayandırma (grounding): bir modelin yanıtını gerçek verilere, belgelere, arama sonuçlarına ya da araç çıktılarına bağlamak; böylece model kulağa makul gelen değil, gerçekten var olanı bildirir.

• İnce ayar (fine-tuning): bir modeli kendi örnekleriniz üzerinde daha fazla eğiterek bir üslup, format ya da alan bilgisi kazandırma. Dar kapsamlı görevler için faydalıdır; bilgisini araçlardan ve bağlamdan alan ajanlar için genellikle gereksizdir.

• Geri getirmeyle zenginleştirilmiş üretim (RAG): soru sorulduğu anda ilgili belgeleri getirip bağlam penceresine koyma; böylece model sizin verinizden yanıt verir. "Belgelerinizle sohbet edin" tarzı ürünler bu şekilde çalışır.

• Gömme vektörleri (embeddings): anlamı yakalayan, metnin sayısal temsilleri; böylece benzer pasajlar birbirine yakın durur. Gömme vektörleri, anlamsal aramayı ve RAG'ı çalıştırır.

• Vektör veritabanı: gömme vektörlerini saklamak ve aramak için optimize edilmiş veritabanı. Pinecone, Weaviate, pgvector ve Chroma yaygın tercihlerdir.

• Bilgi kesim tarihi: bir modelin eğitim verisinin bulunmadığı tarihten sonrası. Ajanlar, web'de arama yapıp güncel kaynakları okuyarak bunu aşar.

Ajanlar: otonominin sözlüğü

• Yapay zeka ajanı: görevleri bağımsız biçimde tamamlamak için bir modeli araçlarla birlikte kullanan yazılım: plan yapar, harekete geçer, sonuçları gözlemler ve uyum sağlar. Bu sözlüğün büyük kısmının konusu budur.

• Ajan tabanlı yapay zeka (agentic AI): hedef odaklı, araç kullanan yapay zeka sistemleri inşa etmenin daha geniş yaklaşımı; çoğu zaman birlikte çalışan birden fazla ajanla. Ayrıntılı anlatım: ajan tabanlı yapay zeka nedir?

• Yapay zeka asistanı / copilot: doğrudan sizin kontrolünüzde kalan, harekete geçmek yerine öneren, ajana benzer yardım. Editördeki GitHub Copilot klasik örnektir; bir copilot'un ajana dönüştüğü yer "ajan modu"dur.

• Otonomi: bir ajanın sormadan ne kadarını yaptığı. Faydalı sistemler otonomiyi eylemin geri döndürülebilirliğine göre ölçekler: serbestçe taslak hazırla, ancak onayla harca.

• Araç kullanımı / fonksiyon çağırma: bir modelin yazılımı çağırma mekanizması: web'de arama yap, kod çalıştır, veritabanını sorgula, e-posta gönder. Araçlar, bir sohbet botunu bir ajana dönüştürür.

• Model Bağlam Protokolü (MCP): Anthropic tarafından tanıtılan, modelleri araçlara ve veri kaynaklarına tutarlı bir şekilde bağlamak için açık bir standart. Ajanlar için evrensel bir fiş gibi düşünün; desteği 2025 ve 2026 boyunca büyük yapay zeka platformlarına yayıldı.

• Ajandan ajana protokol (A2A): Google tarafından önerilen, farklı sağlayıcılardan ajanların birbirini bulup konuşabilmesi için bir standart. MCP ile birlikte, şirketler arası iş birliği yapan ajanlara işaret ediyor.

• Orkestrasyon: birden fazla adımı, aracı ya da ajanı tek bir iş akışında koordine etmek: neyin, hangi sırayla çalışacağına ve hata durumunda ne olacağına karar vermek.

• Çoklu ajan sistemi: farklı rollere sahip birden fazla ajanın tek bir hedef üzerinde çalışması; genellikle plan yapıp devreden bir lider ajan artı araştıran, inşa eden ya da kontrol eden uzman ajanlar.

• Alt ajan: bir işin bir parçasını paralel olarak halletmek için başka bir ajan tarafından oluşturulan ajan. Jobbit, birçok kaynağı araştırmak ya da birden fazla özelliği aynı anda inşa edip test etmek için alt ajanlar kullanır; bkz. yapay zeka alt ajanları açıklandı.

• Planlayıcı: bir ajanın, hedefi adımlara bölen ve sonuçlar geldikçe planı gözden geçiren parçası.

• Bellek: bir ajanın tek bir mesajın ötesinde tuttuğu şey. Kısa süreli bellek mevcut bağlamdır; uzun süreli bellek ise tercihleri, geçmiş kararları ve sizinle ilgili gerçekleri saklar, böylece ajan zamanla gelişir.

• Ajan döngüsü: hedefe ulaşılana ya da ajanın bir karara ihtiyaç duyana kadar çalışan, tekrarlayan planla, uygula, gözlemle, ayarla döngüsü.

• Döngüde insan (human in the loop): bir müşteriye e-posta göndermek ya da ödeme yapmak gibi belirli adımları bir kişinin incelediği ya da onayladığı tasarım.

• Bilgisayar kullanımı / tarayıcı ajanı: ekrana bakarak, bir insan gibi tıklayıp yazarak yazılımı çalıştıran ajan; bu da API'si olmayan araçlarla çalışabilmesini sağlar. Bilgisayar kullanan yapay zeka ajanları yazısında anlatılıyor.

• Derin araştırma: ajanın onlarca kaynağı okuduğu, iddiaları çapraz kontrol ettiği ve kaynaklı bir rapor ürettiği ajan tabanlı iş akışı. Bkz. yapay zekayla derin araştırma nasıl yapılır.

• İş akışı otomasyonu: uygulamalar arasında önceden tanımlanmış, kurala dayalı eylem dizileri; Zapier, Make ve n8n'in alanı. Ajanlar iş akışlarına yargı yeteneği katar; ikisini Zapier, Make, n8n ve yapay zeka ajanları karşılaştırması yazısında karşılaştırıyoruz.

• Çok amaçlı yapay zeka ajanı: her biri için ayrı bir araç yerine, tek bir sohbetten araştırma, yazma, yazılım inşa etme, tasarım, otomasyon gibi birçok iş türünü halleden tek bir ajan. Jobbit bu şekilde inşa edilmiştir.

Yapay zekayla yazılım inşa etmek

• Vibe coding (doğal dille kod yazma): ne istediğinizi doğal dille tarif ederek ve bir yapay zeka ajanının kodu yazmasına, çalıştırmasına ve düzeltmesine izin vererek yazılım inşa etmek; sonucu her satırı okuyarak değil, nasıl davrandığına bakarak değerlendirirsiniz. Tam rehber: vibe coding nedir?

• Yapay zeka uygulama geliştirici: bir tarifi, çoğu zaman barındırma dahil, çalışan bir uygulamaya dönüştüren ürün. Lovable, Bolt, v0, Replit ve Jobbit örnektir; en iyi vibe coding araçları yazısında karşılaştırılıyor.

• Kodlama ajanı: bir kod tabanının içinde çalışan ajan: dosyaları okur, kod yazar, testleri çalıştırır ve hataları düzeltir. Claude Code, OpenAI Codex, Cursor'ın ajan modu ve Devin birer kodlama ajanıdır.

• Kodsuz / az kodlu: Bubble, Webflow, Airtable ve Retool gibi, hiç ya da çok az programlama ile yazılım inşa etmeyi sağlayan görsel araçlar. Bunların vibe coding ile karşılaştırması vibe coding, kodsuz ve az kodlu karşılaştırması yazısında ele alınıyor.

• Sandbox: bir ajanın gerçek sistemlerinize dokunmadan kodu güvenle çalıştırabildiği izole ortam. Kod çalıştıran her ajan için olmazsa olmazdır.

• Dağıtım (yayına alma): yazılımı, insanların kullanabilmesi için bir sunucuda canlıya almak. Sizin için barındırma dahil yayına alan ajanlar, çoğu geliştirici olmayan kişiyi durduran adımı ortadan kaldırır.

• API (uygulama programlama arayüzü): bir yazılım parçasının bir diğeriyle konuştuğu yapılandırılmış yol. Ajanlar, diğer sistemlerdeki veriyi okumak ve değiştirmek için API kullanır.

• Webhook: bir şey gerçekleştiğinde ("yeni sipariş verildi") bir sistemin bir diğerine gönderdiği mesaj; genellikle otomasyonları tetiklemek için kullanılır.

• MVP (asgari uygulanabilir ürün): gerçek kullanıcıların deneyebileceği bir ürünün en küçük hali. Ajanlar, MVP sürelerini aylardan güne indirdi; bkz. yapay zekayla SaaS geliştirme.

• Teknik borç: gelecekteki değişiklikleri daha yavaş ve daha riskli kılan kod kısayolları. Kimse yapıyı incelemezse yapay zeka tarafından üretilen kod bunu hızla biriktirir; bu, vibe coding hataları ve güvenlik yazısında ele alınan risklerden biridir.

Güvenlik, kalite ve güven

• Koruma bariyerleri (guardrails): bir ajanın ne yapabileceğini ya da söyleyebileceğini sınırlayan kurallar ve kontroller: engellenen eylemler, harcama tavanları, içerik filtreleri, zorunlu onaylar.

• Prompt enjeksiyonu: ajanın okuduğu metnin (bir web sayfası, bir e-posta, bir belge) onu ele geçirmek için tasarlanmış talimatlar içerdiği bir saldırı. Sağlam ajanlar, okudukları her şeyi asla komut olarak değil, veri olarak ele alır.

• Hizalama (alignment): modellerin insan niyetleri ve değerleriyle uyumlu davranmasını sağlamaya yönelik geniş çaba; zararlı istekleri reddetmekten talimatları sadakatle izlemeye kadar.

• Değerlendirme (eval): bir modelin ya da ajanın kalitesinin, sabit bir görev kümesi üzerinde sistematik olarak test edilmesi. Ciddi ekipler, bir iş akışını bir ajana güvenmeden önce eval çalıştırır.

• Kıyaslama (benchmark): yazılım mühendisliği görevleri için SWE-bench gibi, modelleri karşılaştırmak için kullanılan kamuya açık değerlendirme. Faydalı sinyallerdir, ama sizin göreviniz üzerindeki gerçek dünya performansı daha önemlidir.

• Gözlemlenebilirlik: bir ajanın ne yaptığını, hangi araçları neden çağırdığını kaydetmek; böylece sonuçları denetleyebilir ve hataları ayıklayabilirsiniz.

• Kırmızı takım testi (red teaming): zayıflıkları başka biri bulmadan önce bulmak için bir modele ya da ajana kasıtlı olarak saldırmak.

• Veri barındırma konumu ve gizlilik: verinizin nerede saklandığı ve kimin görebildiği. Hassas bir şey yüklemeden önce, bir yapay zeka sağlayıcısının girdileriniz üzerinde eğitim yapıp yapmadığını ve sunucularının nerede olduğunu kontrol edin.

İş ve fiyatlandırma terimleri

• Kredi: birçok ajan platformunun ham token yerine sattığı kullanım para birimi; bir kredi bir mesajı, bir inşa adımını ya da bir araştırma çalıştırmasını karşılayabilir. Dönüşüm oranını dikkatle okuyun; yapay zeka ajanlarının maliyeti ne kadar? yazısında bunu ayrıntılandırıyoruz.

• Hız sınırı (rate limit): bir dönemde kaç istek ya da token kullanabileceğinizin tavanı. Bir görevin ortasında buna takılmak, bir ajan çalıştırmasının durmasının en yaygın nedenidir.

• Gecikme (latency): bir yanıtın ne kadar sürdüğü. Ajanlar gecikmeyi derinlikle takas eder: iki dakikalık bir araştırma çalıştırması, iki saniyelik bir tahmini geride bırakır.

• Kullanıcı bazlı ve kullanım bazlı fiyatlandırma: kullanıcı başına aylık ödeme yapmak ile tükettiğiniz kadar ödemek arasındaki fark. Ajan ürünleri giderek ikisini harmanlıyor.

• Otomasyon yatırım getirisi (ROI): bir otomasyonun, aracın maliyetine ve kurulum süresine karşılık genellikle kazanılan saatler, daha hızlı yanıt süreleri ya da etkilenen gelirle ölçülen getirisi.

• Dijital çalışan / yapay zeka çalışanı: bir görevi değil, bir rolü üstlenen seviye 4 bir ajan için kullanılan pazarlama dili. Bu ifadeye, bir CV'ye yaklaştığınız şüphecilikle yaklaşın.

Sık sorulan sorular

Yapay zeka ajanı ile LLM arasındaki fark nedir?

LLM, metni okuyup yazan modeldir. Yapay zeka ajanı ise bir modelin etrafına inşa edilmiş; sadece soruları yanıtlamak yerine görevleri tamamlayabilmesi için planlama, araçlar, bellek ve bir geri bildirim döngüsü ekleyen bir sistemdir. LLM motordur; ajan arabadır.

Yapay zekada MCP ne anlama gelir?

MCP, Model Bağlam Protokolü anlamına gelir; yapay zeka modellerini araçlara ve veri kaynaklarına tutarlı bir şekilde bağlamak için açık bir standarttır. Her ürünün kendi özel entegrasyonlarını inşa etmesi yerine, araçlar bir MCP sunucusu sunar ve uyumlu her ajan bunları kullanabilir.

Bağlam penceresi nedir ve neden önemlidir?

Bağlam penceresi, bir modelin aynı anda dikkate alabildiği metin miktarıdır, token cinsinden ölçülür. Önemlidir çünkü ajanın mevcut iş hakkında bildiği her şeyin, talimatlarınızın, belgelerin, araç sonuçlarının, bunun içine sığması gerekir. Daha büyük pencereler, ajanların daha büyük kod tabanlarını ve daha uzun belgeleri işlemesini sağlar.

RAG ile ince ayar arasındaki fark nedir?

RAG, soru sorulduğu anda ilgili belgeleri getirip modele verir; böylece model yeniden eğitilmeden güncel veriden yanıt verir. İnce ayar ise modeli örnekler üzerinde eğiterek modelin kendisini değiştirir; bu, sabit üsluplara ya da formatlara uyar. Çoğu işletme için RAG artı iyi araçlar yeterlidir ve ajanlar, kaynağı doğrudan okuyarak ikisini de daha az gerekli kılar.

Vibe coding tek cümleyle nedir?

Vibe coding, ne istediğinizi tarif ederek ve bir yapay zeka ajanının kodu yazmasına, çalıştırmasına ve düzeltmesine izin vererek yazılım inşa etmektir; böylece sonucu her satırı okuyarak değil, uygulamanın nasıl davrandığına bakarak değerlendirirsiniz.

Artık kelime dağarcığı anlam kazandığına göre, onu işe koşun: Jobbit'te ücretsiz başlayın ve bir ajana yapmaya değer bir iş verin.