Özetle: Yapay zeka ajan orkestrasyonu (AI agent orchestration), birden fazla yapay zeka ajanının tek bir hedefe yönelik koordinasyonudur: hangi görevi kimin üstleneceği, hangi sırayla ve hangi bağlamla çalışacağı ve elde edilen sonuçların nasıl bir araya getirileceği. Sistemlerin büyük çoğunluğunu beş temel desen kapsar: sıralı (sequential), yönlendirme (routing), paralel, orkestratör-çalışan (orchestrator-workers) ve inceleme döngüleri (review loops). Anthropic’in kendi çoklu ajan sistemi standart bir sohbete kıyasla yaklaşık 15 kat daha fazla token tüketti; bu yüzden her zaman işe yarayan en basit kurguyu varsayılan olarak kabul etmek gerekir. Kod yazan ajanları kullanan ekipler için orkestrasyon esasen bir iş yönetimi problemidir: görev atama, izolasyon, devir (handoff) ve insan denetimi.
2026 yılında sıradan bir Salı gününü hayal edin. Claude Code bir migrasyonu üç alt ajana bölmüş durumda. Codex başka bir terminalde test paketini çalıştırıyor. Bir ekip arkadaşınızın Gemini oturumu dünün pull request'ini inceliyor. Araçların her biri kendi yardımcılarını gayet iyi koordine ediyor. Ancak araçların kendisini koordine eden kimse yok; bu yüzden ikisi aynı yapılandırma dosyasını düzenliyor ve kod incelemesi çoktan değişmiş bir kod tabanı üzerinden yapılıyor.
İşte yapay zeka ajan orkestrasyonunun çözmeye çalıştığı boşluk tam olarak budur. Bu kavram, ajanları bir grafikte birbirine bağlayan bir Python kütüphanesinden, bir ekibin hangi kodlama ajanına hangi işin (ticket) atanacağına karar vermesine kadar uzanan geniş bir yelpazeyi kapsar. Bu rehberde konuyu tüm yönleriyle ele alıyoruz: referans gösterebileceğiniz net bir tanım, sektör liderlerinin belgelediği beş temel desen, orkestrasyonun maliyet boyutu ve ajanlar kod yazmaya başladığında nelerin değiştiği. Pratik uygulamalar için aynı anda birden fazla Claude Code ajanını çalıştırma rehberimize göz atabilirsiniz.
Yapay zeka ajan orkestrasyonu ne anlama gelir?
Yapay zeka ajan orkestrasyonu, birden fazla yapay zeka ajanının ortak bir hedefe yönelik koordinasyonudur: işin hangi parçasını hangi ajanın yapacağına, hangi sırayla ve bağlamla ilerleyeceğine, elde edilen sonuçların nasıl birleştirilip denetleneceğine karar verme sürecidir. IBM’in tanımı da buna oldukça yakındır: “birden fazla özelleşmiş yapay zeka ajanının tek bir birleşik sistem içinde koordine edilmesi süreci” (IBM). GitHub’ın tanımı ise bu sürece hedef unsurunu ekler: otonom ajanların “ortak hedeflere ulaşmak amacıyla birlikte çalışacak şekilde” koordine edilmesi (GitHub).
Buradaki asıl kilit ayrım, koordinasyon kararlarını kimin verdiğidir. Anthropic’in Etkili ajanlar inşa etme (Building effective agents) kılavuzu, iş akışlarını (workflows) —yani “büyük dil modelleri (LLM) ve araçların önceden tanımlanmış kod yolları üzerinden orkestre edildiği sistemleri”— ajanlardan (agents) ayırır; ajanlarda ise “LLM'ler kendi süreçlerini ve araç kullanımlarını dinamik olarak bizzat yönlendirir.” OpenAI’ın Agents SDK orkestrasyon rehberi de benzer bir ayrımla kod üzerinden orkestrasyon ile LLM üzerinden orkestrasyonu birbirinden ayırır ve bu iki yaklaşımı harmanlamanıza olanak tanır.
Kod üzerinden orkestrasyon öngörülebilirdir ve hata ayıklaması (debugging) çok daha az maliyetlidir. Model üzerinden orkestrasyon ise ucu açık hedefleri başarıyla yönetebilir; ancak bunun bedeli sonuçları ve çalışma adımları tam olarak kestirilemeyen süreçlerdir. Canlıya alınan (production) sistemlerin büyük kısmı, ana iskelet için kod tabanlı kurguları kullanırken kararları bu çerçevenin içinde modele bırakır.
Beş yapay zeka ajan orkestrasyon deseni
Büyük çatıların (framework) her biri bu desenleri farklı şekillerde adlandırsa da aslında hepsi aynı birkaç temel yapıyı tanımlar. AutoGen ve Semantic Kernel'ın devamı niteliğindeki Microsoft Agent Framework beş farklı orkestrasyon sunar. Google’ın ADK desenleri sayfası ise yedi tanesini listeler. Bunları birbiriyle eşleştirdiğimizde karşımıza çıkan tablo şöyledir:
| Desen | İş akışı nasıl işler | Diğer adları | Uygun olduğu durumlar | Dikkat edilmesi gerekenler |
|---|---|---|---|---|
| Sıralı (Sequential) | A ajanının çıktısı B ajanını, ardından C ajanını besler | Prompt zincirleme (prompt chaining), işlem hattı (pipeline) | Belirli aşamalar: önce taslak oluştur, sonra kontrol et, ardından biçimlendir | Tek bir zayıf aşama kendisinden sonraki her şeyi olumsuz etkiler |
| Yönlendirme (Routing) | Bir sınıflandırıcı veya ajan her isteği ilgili uzmana yönlendirir | Devir (handoff), triyaj, koordinatör | Farklı uzmanlıklar gerektiren karma girdiler | Hatalı yönlendirmeler uzman ajanın hatası gibi algılanabilir |
| Paralel (Parallel) | Bağımsız parçalar eşzamanlı çalışır, sonuçlar birleştirilir | Eşzamanlı (concurrent), fan-out/fan-in, bölümleme, oylama | Kapsamlı işler: araştırma, birden çok açıdan inceleme | Birbiriyle çelişen çıktıları birleştirme zorluğu |
| Orkestratör-çalışan (Orchestrator-workers) | Lider ajan planlar, görev dağıtır ve sentezler | Süpervizör, magentic, hiyerarşik | Önceden alt adımlara ayrılamayan hedefler | Token maliyeti ve lider ajanın yapabileceği hatalar |
| İnceleme döngüsü (Review loop) | Bir ajan üretir, diğeri değerlendirir, süreç tekrarlanır | Değerlendirici-optimize edici (evaluator-optimizer), üret-ve-incele | Belirgin bir kalite standardı olan işler | Asla sonuca bağlanmayan (sonsuz) döngüler |
Anthropic’in orkestratör-çalışan tanımı, çoğu kişinin “orkestrasyon” derken kastettiği şeyin tam karşılığıdır: “merkezi bir LLM görevleri dinamik olarak alt parçalara böler, çalışan LLM'lere devreder ve bunların sonuçlarını sentezler.” Ajanların ortak bir yazışma dizisinde tartıştığı grup sohbeti (group chat) ise bazı çatıların eklediği altıncı bir modeldir. Microsoft’un mimari rehberi bu model için üç veya daha az ajan kullanılmasını önerir.
Yapay zeka ajan orkestrasyonunun maliyeti nedir?
Orkestrasyonun sağladığı avantajlar yadsınamaz. Bir lider ajanın paralel olarak 3 ila 5 alt ajan başlattığı Anthropic’in çoklu ajan araştırma sistemi, şirketin kurum içi araştırma değerlendirmelerinde “tek ajanlı Claude Opus 4'e kıyasla %90,2 daha yüksek performans gösterdi” ve paralelleştirme “karmaşık sorgularda araştırma süresini %90'a varan oranda kısalttı.”
Aynı yazı madalyonun diğer yüzünü, yani maliyet faturasını da ortaya koyuyor. Ajanlar normal bir sohbete göre yaklaşık 4 kat fazla token tüketirken, “çoklu ajan sistemleri sohbetlere kıyasla yaklaşık 15 kat daha fazla token harcıyor.” BrowseComp testinde performanstaki “varyansın %80'ini tek başına token kullanımı açıklıyor.” Daha fazla ajan çalıştırmak çoğunlukla daha fazla okuma yapmak anlamına gelir; bu da geniş kapsamlı araştırmalarda işe yararken dar kapsamlı bir görevde bütçeyi boşa harcamaktan öteye geçmez.
Hem Anthropic'in hem de Microsoft'un aynı tavsiyeyle başlamasının nedeni tam olarak budur. Anthropic “mümkün olan en basit çözümü bulmayı ve karmaşıklığı yalnızca gerçekten gerektiğinde artırmayı” önerir. Microsoft’un rehberi ise şunu söyler: “Gereksinimlerinizi güvenilir biçimde karşılayan en düşük karmaşıklık seviyesini tercih edin.” İyi tanımlanmış bir göreve sahip tek bir ajan, çoğu münferit değişiklikte beş ajanlık karmaşık bir grafikten çok daha iyi sonuç verir.
Bir kodlama aracındaki en minimal gerçek orkestrasyon örneğini inceleyelim. Bir Claude Code alt ajanı (subagent), .claude/agents/ dizini altındaki bir dosyadan ibarettir ve ana oturum işi ona devreder:
---
name: test-writer
description: Writes missing unit tests for a module after a feature lands.
tools: Read, Edit, Bash
isolation: worktree
---
Write unit tests for the module you are given. Match the existing test style.
Run the suite and report which tests you added and whether they pass.
Sekiz satırda orkestratör-çalışan modeli işte böyledir: ana oturum lider rolündedir, alt ajan kendi bağlam penceresinde (context window) ve kendi git worktree'sinde çalışır, ardından sonucu lidere geri iletir.
Kodlama ajanları için yapay zeka ajan orkestrasyonu
Kodlama ajanları, araştırma ajanlarında bulunmayan bazı kısıtlamaları beraberinde getirir. Yaptıkları iş ortak bir kod deposuna (repository) yansır; bu nedenle iki ajan kendi içinde doğru olan fakat birbiriyle çakışan değişiklikler üretebilir. Claude Code’un deneysel nitelikteki ve varsayılan olarak kapalı gelen ajan ekipleri (agent teams) özelliği bu durumu açıkça ifade eder: “İki ekip arkadaşının aynı dosyayı düzenlemesi, değişikliklerin birbirinin üzerine yazılmasına neden olur.”
Günümüzde her sağlayıcı kendi aracı içinde orkestrasyon kabiliyetleri sunuyor. Claude Code alt ajanlara ve ajan ekiplerine sahip. Codex, alt ajan iş akışlarını varsayılan olarak etkinleştiriyor. GitHub ise Şubat ayında sonuçları karşılaştırmak için “bir iş kaydını (issue) Copilot'a, Claude'a, Codex'e veya her üçüne birden atama” seçeneği sunan Agent HQ'yu duyurdu. Ancak hiçbirinin yapmadığı şey, araçlar ve insanlar arasındaki koordinasyonu sağlamaktır; oysa yazılım geliştirme ekiplerinin günlük hayatta en çok ihtiyaç duyduğu katman tam olarak budur:
- Görev Atama (Assignment): Hangi görevin, hangi Bilgisayarda, hangi ajana verileceği. Yönlendirme konusunu bir görevin hangi kodlama ajanına atanması gerektiği yazımızda ayrıntılarıyla ele alıyoruz.
- İzolasyon (Isolation): Paralel çalışmaların birbirini bozmaması için her görev başına ayrı bir çalışma dizini.
- Devir (Handoff): İşi biten bir ajanın sonrasında ne aktaracağının yazılı olarak belirlenmesi. Bunun için kodlama ajanı devir şablonlarına göz atabilirsiniz.
- İnceleme (Review): Kod ana dala birleştirilmeden (merge) önce bir insanın sonucu onaylaması. Bu onay mekanizmasının nereye konumlandırılacağını insan denetimli (human-in-the-loop) kod inceleme iş akışı yazımız anlatıyor.
Bir ajan ürünü geliştiriyorsanız ve her bir adım üzerinde tam kontrol sahibi olmanız gerekiyorsa LangGraph, OpenAI Agents SDK, Microsoft Agent Framework veya ADK gibi bir orkestrasyon çatısı kullanın. Ancak Claude Code, Codex veya Gemini CLI oturumları gibi halihazırda var olan ajanları kullanıyorsanız ve asıl mesele bunların bir ekip genelindeki çalışmalarını koordine etmekse, o zaman bir yönetim katmanı tercih edin.
Sharkly yapay zeka ajan orkestrasyonunun neresinde yer alıyor?
Sharkly, sıfırdan ajan inşa etmeye yarayan bir kütüphane değildir; Claude Code, Codex veya diğer yürütme araçlarının alternatifi de değildir. Bunların üzerinde yer alan yönetim ve orkestrasyon katmanıdır. Kodlama ajanlarınız zaten var; Sharkly ise onları organize bir ekibe dönüştürür.
Orkestratör-çalışan deseni Sharkly'de "Crew" (Ekip) olarak karşımıza çıkar: Bir lider Ajan tarafından koordine edilen İnsanlar ve Ajanlardan oluşan, tekrar kullanılabilir bir grup. Sharkly’nin Crews dokümantasyonu temel karar kuralını şöyle belirtir: “Küçük ve iyi tanımlanmış işler için Görevi doğrudan tek bir Ajana atayın. Liderin hedefi yorumlaması, diğer Ajan üyelerini sürece dahil etmesi ve onların sonuçlarını bir araya getirmesi gerektiğinde ise bir Crew kullanın.” Yürütme süreci lider önceliklidir ve Backlog'da bırakılan bir Crew Görevi lideri başlatmaz.
Hangi yapıyı seçerseniz seçin, süreç kaydı aynı kalır. Görev (Task) hedefi barındırır, her çalışma Bilgisayarlarınızdan birinde —varsayılan olarak kendi dizininde— yürütülür; yürütme adımları, engelleyiciler ve sonuçlar Göreve geri aktarılır. Ajanlar araştırır, uygular, test eder ve raporlar. İnsanlar yönü belirler, yetki verir ve sonucu onaylar. Ajanlar özellik sayfasındaki Crews bölümü bir liderin görevleri nasıl devrettiğini gösterirken, Sharkly Crews yazısı bir örneği adım adım ele alır.
Ajanlarınız halihazırda çalışıyorsa ve asıl zorluk onları insanlar ve kod depoları arasında koordine etmekse, Sharkly tam da bu sorunu çözmek için tasarlanmıştır.
Sıkça Sorulan Sorular
Yapay zeka ajan orkestrasyonu çoklu ajan sistemiyle aynı şey midir? Yakındır ama birebir aynı değildir. Çoklu ajan sistemi (multi-agent system), ajanlar topluluğunu ifade eder. Orkestrasyon ise koordinasyon mantığıdır: kimin ne zaman, hangi bağlamla çalışacağı ve sonuçların nasıl birleştirileceği. Tek bir ajana ve birkaç araca sahip bir sistem çok az orkestrasyona ihtiyaç duyar.
Yapay zeka ajan orkestrasyonu ile yapay zeka orkestrasyonu arasındaki fark nedir? Yapay zeka orkestrasyonu genellikle modelleri, veri işlem hatlarını ve araçları bir iş akışına bağlamak anlamına gelir. Yapay zeka ajan orkestrasyonu ise daha spesifiktir: bir görev dahilinde kendi kararlarını veren ajanların koordine edilmesidir.
Ajanları orkestre etmek için LangGraph gibi bir çatıya ihtiyacım var mı? Yalnızca ajanları bizzat kendiniz geliştiriyorsanız gerekir. Claude Code ve Codex gibi kodlama ajanları kendi alt ajanlarını zaten orkestre eder; bu durumda geriye kalan, tüm çalışma süreçlerini koordine etmektir: görev atama, izolasyon ve inceleme. Bir yapay zeka ajanına ilk görevinizi atama rehberimiz bu noktadan başlar.
Hangi yapay zeka ajan orkestrasyon deseniyle başlamalıyım? Net bir göreve sahip tek bir ajanla, ardından kod ile kontrol ettiğiniz sıralı veya paralel çalışmalarla başlayın. İş önceden alt parçalara ayrılamadığında ve ortaya çıkacak token maliyetine değdiğinde orkestratör-çalışan modeline geçiş yapın.
