Yapay zekâ ajanları son iki yılda inanılmaz hızlı bir yere geldi, ama açık konuşayım, işin asıl zorluğu modelin “akıllı” olması değil; ortam değişince tökezlememesi. Geçen ay İstanbul’da bir ürün ekibiyle yaptığım sohbette tam da bunu konuştuk: Ajan güzel çalışıyor, sonra küçük bir iş akışı değişiyor ve sistem eski refleksleriyle saçmalamaya başlıyor. İşte Memento-Skills denen yaklaşım biraz bu derdi hedefliyor.
Klasik senaryoda çözüm belli: ya modeli yeniden eğiteceksiniz ya da her yeni görev için elle beceri yazacaksınız. İkisi de dertli. Biri pahalı, biri yorucu. Bu yeni çerçeve ise başka bir yol öneriyor — modelin alt katmanına hiç dokunmadan, tamamen dışarıda yaşayan ve zamanla organik biçimde büyüyen bir beceri hafızası kuruyor. Hani not defteri gibi… Ama öyle sıradan, kenara atılmış bir not defteri değil; gerektiğinde kendini düzenleyen, yeni parçalar ekleyen, işe yaramayanı da ayıklamaya çalışan dinamik bir yapı bu.
Durun, bir saniye.
Neden bu konu önemli?
Bakın şimdi. Ajanları üretime almak isteyen ekipler genelde aynı duvara çarpıyor: bugün çalışan şey yarın yetmiyor (ki bu çoğu kişinin gözünden kaçıyor). Mesela müşteri destek otomasyonu, iç operasyon botları ya da güvenlik tarafındaki yardımcı ajanlar için çevre sürekli oynuyor — bir bankada işlem akışı değişiyor, bir SaaS ürünü yeni alanlar açıyor, yarın başka bir entegrasyon geliyor, öbür gün API versiyonu güncelleniyor. Model ise eğitim anında ne gördüyse onunla sınırlı kalıyor (ben de ilk duyduğumda şaşırmıştım). İlginç, değil mi? Nokta.
Ben buna ilk kez 2024’ün sonlarında Berlin’deki küçük bir demo oturumunda denk geldim. Ekip harika görünen bir agent pipeline kurmuştu ama canlı veriye geçince iş karıştı; çünkü rehberler. Araç çağrıları kağıt üstünde iyiydi, pratikte ise fazla kırılgandı. İşin tuhaf tarafı şu: sorun çoğu zaman modelin zekâsı değil, etrafındaki organizasyondu.
Memento-Skills’in iddiası tam burada devreye giriyor. Modeli tekrar tekrar eğitmek yerine ona dışsal ama kalıcı bir beceri katmanı veriyorsunuz. Yani ajan öğrendiklerini sadece sohbet geçmişinde tutmuyor; bunları daha sonra çağrılabilen somut skill dosyalarına dönüştürüyor. Kulağa basit geliyor. Ama ölçek büyüyünce bayağı fark yaratıyor.
Hmm, bunu nasıl anlatsamdı…
Memento-Skills nasıl çalışıyor?
Küçük bir detay: Sistemin omurgasındaki mantık aslında şu kadar sade: ajan yaptığı işi gözlüyor, başarılı veya başarısız örüntüleri çıkarıyor. Bunları yapılandırılmış markdown dosyaları gibi saklıyor. Sonra benzer durum tekrar geldiğinde sadece semantik benzerliğe bakıp körlemesine seçim yapmıyor; hangi becerinin gerçekten iş göreceğini anlamaya çalışıyor. Kritik nokta tam da burada.
Klasik RAG sistemlerinde benzerlik bazen insanı yanıltıyor. Mesela “şifre sıfırlama” ile “iade süreci” aynı kurumsal sözlükte geçebilir. Davranış olarak birbirine hiç benzemezler (ki bu çoğu kişinin gözünden kaçıyor). Ben geçen sene kendi test ortamımda buna çok güldüm — ya da “ağlanacak hal” diyeyim daha doğrusu — çünkü embedding tabanlı arama bana alakasız prosedürleri getirip duruyordu. Saatler gitti.
Memento-Skills ise yalnızca metin eşleşmesi yapmıyor; yürütülebilir artefaktların ne işe yaradığını hesaba katmaya çalışıyor. Bu önemli. Çünkü bazı skill’ler sadece açıklama metni değil, doğrudan kod parçası ya da adım adım iş akışı içeriyor olabilir —. Bunların benzer görünmesi ile benzer çalışması bambaşka şeyler (bizzat test ettim) Bu konuyla ilgili Los Angeles’ta Sürücüsüz Mikrobuslar: Volkswagen’in Sessiz Hamlesi yazımıza da göz atmanızı tavsiye ederim.
| Yaklaşım | Artısı | Eksiği |
|---|---|---|
| Modeli yeniden eğitmek | Daha kalıcı öğrenme | Pahalı ve yavaş |
| Elle skill yazmak | Kontrol yüksek | Sürdürülebilir değil |
| Memento-Skills yaklaşımı | Sürekli gelişebilen hafıza | Henüz olgunluğu tam net değil |
Beceri deposu neden düz log’dan iyi?
Bir şey dikkatimi çekti: Düz log tuttuğunuzda olan şey genelde şudur: sistem size ne yaptıysa listeler. Niye yaptığını pek anlatmaz. Oysa skill mantığında amaç sadece geçmişi arşivlemek değil, gelecekte kullanılabilir hale getirmek. Aradaki fark büyük. Biri depo rafı gibi öylece durur, diğeri mutfakta her sabah açılan tarif kartları gibi çalışır (şaşırtıcı ama gerçek)
Açıkçası, Küçük startup’lar için bu yaklaşım özellikle cazip görünüyor çünkü her değişiklikte modeli fine-tune etmek bütçeyi yakar gider — hani bildiğiniz elektrik sobası gibi, fişi çekene kadar para saymaya devam eder. Kurumsal tarafta ise mesele maliyet kadar yönetişim oluyor; hangi beceri nerede güncellendi, kim onayladı, hangi sürüm prod’a çıktı… Bunların hepsi kayıt altında olmalı. Yoksa bir gün “bu nereden geldi?” sorusuna kimse cevap veremez.
Peki nerede zorlanabilir?
Eh, Açık konuşayım: kağıt üstünde güzel duran her şey prod’da pürüzsüz gitmiyor. Memento-Skills’in de ham kalan tarafları var. Öncelikle skill dosyalarının kaliteli üretilmesi lazım; aksi halde ajan kendi kendine kötü alışkanlık geliştirir ki bu hiç hoş olmaz. Ciddi anlamda hiç hoş olmaz. Bu konuyla ilgili Butterfly CSS: 2026’da Dikkat Çeken Hafif Bir Seçenek yazımıza da göz atmanızı tavsiye ederim.
Bir de retrieval kısmında yanlış becerinin seçilmesi riski var. Evet, semantik benzerlikten daha zeki görünmeye çalışıyor ama yine de mükemmel değil — mükemmel de olamaz zaten, bunu kabul etmek lazım. Benim en büyük çekincem burada başladı: eğer dış bellek kirlenirse ajan zamanla daha “kendinden emin”. Daha az doğru davranabiliyor. Ve o kendinden emin hali bazen en tehlikeli kısım oluyor.
“Memento-Skills türü sistemlerin vaadi büyük; fakat gerçek sınavları laboratuvarda değil üretimde başlıyor.”
Kendi kendine öğrenme = kontrol kaybı mı?
İşte en tartışmalı kısım bu. Bir ajanın becerisini kendi başına güncellemesi kulağa verimli geliyor ama güvenlik açısından ciddi soru işareti de taşıyor. Çünkü hata yapan sistem sadece hatayı tekrarlamaz; bazen hatayı kalıcılaştırır da. Üstüne bir de güvenle üstüne gider. Daha fazla bilgi için CarPlay’deki Apple Music Sürprizi: iOS 26’da Neler Değişti? yazımıza bakabilirsiniz. Daha fazla bilgi için Meta’nın Muse Spark hamlesi: Yeni AI yarışında ne değişti? yazımıza bakabilirsiniz.
Bunu şöyle düşünün: ofiste yeni başlayan stajyer yanlış not aldı diye herkes o yanlışı referans göstermeye başlarsa işler hızla bozulur. Aynısı ajanlarda da oluyor. O yüzden benim görüşüm şu — self-evolving agent fikri tek başına yetmez, yanında sürümleme, geri alma, insan onayı ve test kapıları olmak zorunda. Bunlar olmadan “kendi kendine öğrenen ajan” lafı biraz boşlukta kalıyor (kendi tecrübem) Daha fazla bilgi için PDF Dünyasında Bir Nefes: Ücretsiz ve Limitsiz Araçlar yazımıza bakabilirsiniz.
Şimdi gelelim işin can alıcı noktasına.
Kurumsal ekipler için pratik etkisi ne?
Bakın, Neyse, uzatmayalım. Enterprise seviyede asıl değer bence operasyonel yükün düşmesinde yatıyor. Her yeni süreç için fine-tuning yapmak yerine sistemin mevcut deneyimden ders çıkarması ciddi zaman kazandırıyor — özellikle destek merkezleri, IT operasyon ekipleri, iç denetim asistanları gibi alanlarda faydası belirgin olabilir. Deneyip gören var mı? Varsa çok merak ediyorum sonuçlarını.
Size bir şey söyleyeyim, Küçük şirketlerde ise kullanım şekli biraz farklılaşıyor. Orada amaç devasa ölçekten çok hızlı iterasyon. Bir girişim, müşteri talepleri değiştikçe skill setini güncelleyebilir; bugün iade akışı öğreten bot yarın faturalama kontrolüne geçebilir. Bu esneklik değerli, gerçekten.
Yani, Ama eksisi de var: kurulum disiplin istiyor. Skill formatını standartlaştırmazsanız elinizde yamalı bohça kalır — ve o bohçayı sonradan düzeltmek ilk baştan yapmaktan çok daha zahmetli oluyor, bunu deneyimden söylüyorum. Şahsen böyle yapılarda en çok sevdiğim şey tabloya bakıp rahatlamak oluyor; her skill’in adı, kaynağı, son güncelleme tarihi net olursa ekip içindeki “bu nereden geldi” kavgaları azalıyor.
- Büyük ekiplerde avantajı: yeniden eğitim maliyetini azaltması
- Küçük ekiplerde avantajı: hızlı deney yapma imkânı vermesi
- Zor tarafı: kalite kontrol ihtiyacının artması
- Burada gözden kaçırılmaması gereken nokta: skill seçimi sadece benzerlik üzerinden yapılmamalı
Bende bıraktığı his ne oldu?
Peki, küçük bir detay: Editör masasında bu haberi ilk okuduğumda hemen kafamda iki soru belirdi: birincisi, gerçekten işe yarar mı? İkincisi, bunu kaç ekip düzgün yönetebilir? Dürüst olayım, ikinci soru beni çok daha fazla düşündürdü. Çünkü teknoloji çoğu zaman mümkün olan şeyi gösteriyor; asıl mesele onu sürdürülebilir hale getirmek (ilk duyduğumda inanamadım)
2025 Mart’ta Kadıköy’de bir müşteri başarı ekibiyle yaptığım görüşmede buna benzer mini-bellek yapılarından bahsetmiştik. Onların en büyük problemi agent’ın unutması değildi; yanlış bağlamdan ders çıkarmasıydı. Yani insanlara göre mantıklı görünen şey bazen sisteme kötü alışkanlık olarak dönüyor (yanlış duymadınız). Memento-Skills doğru tasarlanırsa bunu hafifletebilir, ama sihirli değnek beklememek lazım. Kesinlikle.
Sıkça Sorulan Sorular
Memento-Skills nedir?
Memento-Skills, AI ajanlarının öğrendikleri becerileri dışsal bir hafızada saklayıp zamanla geliştirmesine izin veren araştırma odaklı bir çerçevedir. Amaç modeli yeniden eğitmeden adaptasyon sağlamaktır.
Neden modeli yeniden eğitmek yerine böyle bir yöntem kullanılıyor?
Çünkü fine-tuning hem pahalı hem de yavaştır.Buna karşılık dış bellek yaklaşımı daha hızlı deneme yapmayı sağlar ve operasyonel yükü azaltabilir.
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
