Tek bir agent her şeyi yapamaz — context window dolar, dikkat dağılır. Multi-agent sistemlerde orkestratör görevi parçalar, subagent'lar paralel çalışır ve her biri kendi temiz context'iyle çalışır.
Her AI entegrasyonu ayrı ayrı yazılıyordu. MCP bunu değiştirdi: bir araç bir kez MCP server olarak yazılır, MCP destekleyen her AI uygulamasına bağlanır.
Bir dil modeli soru sorar, cevap alırsın. Bir AI agent ise hedef alır, plan yapar, araç kullanır ve sonuç üretir. Bu fark, AI'ı bir chatbot'tan bir iş ortağına dönüştürür.
Her AI problemi için fine-tuning şart değil — çoğu zaman gereksiz. Ama gerçekten gerektiği durumlarda nasıl çalıştığını, ne zaman RAG'ı tercih etmeniz gerektiğini ve LoRA'nın neden oyunun kurallarını değiştirdiğini anlattım.
Aynı modele aynı soruyu farklı şekilde sorduğunuzda tamamen farklı cevaplar alırsınız. Bu bir tesadüf değil — modeli nasıl yönlendirdiğiniz, aldığınız çıktıyı doğrudan belirler.
RAG öğrenmeden önce AI'a ham context veriyordum ve çok fazla yanlış cevap alıyordum. RAG sonrasında her şey değişti. Cursor ve Claude Code'un proje dizinini nasıl 'anladığını' da meğer bu açıklıyormuş.
AI modelleri metni ne kelime ne karakter olarak okur — token adı verilen parçalar halinde okur. Bu farkı anlamak, context limitlerini, fiyatlandırmayı ve modelin 'unutmasını' bir anda açıklıyor.
AI modelleri birer binary dosyadır. Tıpkı derlenen bir C programı gibi, eğitilmiş bir model de artık kaynak kodundan bağımsız, çalıştırılmaya hazır bir varlıktır. Peki bu ne anlama geliyor?
Hakan Çelik