Yazmadan Önce Araştırma Yapabilen AI Ajanımda Neler Değişti?

AI ajanımla ilgili dört hafta önce hiçbir şey bilmiyordum. Şimdi ise market trendlerini araştırabilen, üç bağımsız kaynaktan bilgi sentezleyebilen ve 96/100 puan alan içerikler üreten bir ajanı xâyıyorum. Bu değişiklik, yeni bir model veya gösterişli bir çerçevenin sonucu değil, ajanımın kör yazmasını durdurduğum için gerçekleşti.

Problemin Kökeni: Bellekten Yazmak

İlk olarak, ShipStack'in makale fabrikasını inşa ettiğimde her şey basit görünüyordu. Ajanıma 'AI ajanları ve çoklu ajan orkestrasyonu hakkında bir makale yaz' diyordum ve o da yazıyordu. Bu yeterliydi, anlaşılırdı ve marka değerimize uygun görünüyordu. Ancak bu yeterli değildi.

Ajanım, desenleri tanıyarak yazıyordu. Binlerce makale gördüğü için AI ajanları hakkında bir makale nasıl olmalı bilirdi. Ancak güncel market trendleri hakkında hiçbir fikri yoktu. Cursor'un Agent Mode'unun 9.9 milyar dolarlık değerlemesini, şirket liderlerinin veri hazırlığı nedeniyle AI projelerinin %60'ını terk etmelerini veya accuracy'nin üssel olarak büyümesinin nasıl önemli olduğunun farkında değildi.

Araştırma ve Yazma

Kendi yazma sürecimde bir şeyi fark ettim. Bir şeyi gerçekten anladığım zaman, yazdıklarım daha keskin ve spesifiktir. Somut rakamları, gerçek araçları ve gerçek zaman çizelgelerini referans alabilirim. Ancak yarı bellekten yazmaya çalıştığım zaman, generic ve güvenilmez oluyorum.

Ajanıma da aynı şeyi sordum: Peki, ajanım da aynı şekilde çalışabilir miydi?

Ajanıma 'X hakkında bir makale yaz' yerine 'X'i üç bağımsız kaynak kullanarak araştır, sentezle ve sonra makaleyi yaz' dedim.

Ajanımdanow research agent, Brave Search, DuckDuckGo ve Wikipedia'dan bağımsız olarak çalışıyor. Her bir kaynakta hata oluşması durumunda, diğerleri hala çalışmaya devam ediyor. Claude Haiku, sentezleme işlemini gerçekleştirerek brief'i temizliyor ve writer'ın bağlamına enjekte ediyor.

Değişen Şeyler

1. Spesifiklik

Araştırmadan önce: 'AI ajanları iş otomasyonunu dönüştürüyor.'

Araştırmadan sonra: 'Cursor'un Agent Mode'u 8 paralel ajan ve 9.9 milyar dolarlık değerlemeye ulaştı. NVIDIA'nın GTC 2026'sı, agentic framework'lerin en büyük katılımını gördü ve şirketlerin AI'a olan ilgilerini gösterdi.'

Bunlardan biri bir iddia, diğeri ise kanıt.

2. Görünmeyen Açıklar

Araştırma ajanı, kimsenin konuşmadığı ancak kritik olan sorunları buldu.

Accuracy'nin üssel olarak büyümesi, herkesin %85'lik başarıdan bahsettiği ancak neredeyse hiç kimsenin 10 adımlık iş akışında %20'lik başarı oranından bahsetmediği bir örnek.

3. Güvenilirlik

Araştırma ajanımla yazılan makale, sadece daha iyi hissetmiyordu, neden daha iyi olduğunu da gösterebiliyordu. Üç validated istatistikten bahsetti, spesifik ürünleri ve şirket değerlemelerinden bahsetti, gerçek sorunlara değindi.Eval sistemine göre daha yüksek puan aldı, çünkü içerik verifiable idi.

Teknik Açıdan Nasıl Çalışıyor

Asenkron bir şekilde, üç bağımsız kaynaktan araştırma yapıyor ve sentezleme işlemini gerçekleştirerek brief'i oluşturuyor.

Ajanımın research pipeline'ı basittir, ancak düşünülmesi gereken gerçek sorunlar vardır.

async def research_topic(topic: str) -> dict:
    sources = [
        {"name": "Brave Search", "func": search_brave},
        {"name": "DuckDuckGo", "func": search_duckduckgo},
        {"name": "Wikipedia", "func": search_wikipedia}
    ]
    results = {}
    for source in sources:
        try:
            results[source["name"]] = await source"func"
        except Exception as e:
            results[source["name"]] = {"error": str(e), "data": None}
    brief = await synthesize_with_claude(
        results,
        sections=[
            "background",
            "what_is_being_discussed_now",
            "gaps_and_underexplored_angles",
            "key_stats_and_data_points"
        ]
    )
    return brief