Halkalı merkez mahallesi fatih cd ozgur apt no 46 , Küçükçekmece , İstanbul , 34303 , TR
Agentic AI, bir dil modelinin tek seferlik soru-cevap vermek yerine bir hedefi gerçekleştirmek için araçlar kullanarak, ara adımları planlayarak ve sonuçları değerlendirerek çok adımlı görevleri yürütmesini ifade eder. Bu rehber temel kavramları açıklar ve n8n ile Ollama kullanarak kendi barındırdığınız bir ajan iş akışı kurar.
Bir sistemin "ajan" sayılması için dört temel yeteneğin bir arada bulunması gerekir.
Modelin yalnızca metin üretmek yerine API çağırma, dosya okuma veya komut çalıştırma gibi dış araçları kullanabilmesi.
Karmaşık bir hedefin, sırayla veya koşullu olarak yürütülecek daha küçük adımlara bölünmesi.
Önceki adımların ve sonuçların bir sonraki karara girdi olarak kullanılabilmesi için saklanması.
Ajanın kendi ürettiği sonucu kontrol edip hedefe ulaşılmadıysa yeni bir adım planlaması.
Bir sohbet botu tek bir istem alıp tek bir yanıt üretir; ajan ise hedefe ulaşana kadar birden fazla adımı kendi başına yürütür.
"Şu API'den veri çek, işle, e-posta gönder" gibi zincirleme işlemler tek bir istemle değil, ajanın kendi planladığı adımlarla yürütülür.
Yalnızca metin üretmek yerine gerçek API çağrıları, veritabanı sorguları veya dosya işlemleri gerçekleştirebilir.
Bir adım başarısız olduğunda ajan sonucu değerlendirip alternatif bir yol deneyebilir.
Otonomi arttıkça, ajanın hangi araçlara erişebileceğinin ve hangi işlemleri onaysız yapabileceğinin sınırlanması gerekir.
n8n'in AI Agent node'u, bir dil modelini araçlarla birleştirerek görsel arayüzde ajan mantığı kurmayı sağlar.
Sunucunuzda n8n ve yerel bir dil modeli çalıştıran Ollama'yı Docker ile ayağa kaldırın.
n8n içinde Ollama Chat Model kimlik bilgisini tanımlayarak dil modeline bağlanın.
İş akışına AI Agent node'unu ekleyip hedefi tanımlayan sistem istemini (system prompt) yazın.
HTTP Request, kod çalıştırma veya diğer n8n node'larını ajanın kullanabileceği araçlar olarak bağlayın.
Ajanın önceki mesajları hatırlaması için bir bellek (memory) bileşeni ekleyin.
Gerçek bir görevle test edin; ajanın erişebileceği araçları ve işlem sayısını güvenlik için sınırlandırın.
curl -fsSL https://ollama.com/install.sh | sh ollama pull qwen3:4b
docker run -d --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n n8nio/n8n
Türkiye (Türkçe)
Almanya (German)
Worldwide (English)
curl http://localhost:11434/api/generate -d '{"model":"qwen3:4b","prompt":"merhaba"}'docker logs -f n8n
GET https://api.example.com/status -> AI Agent node'una Tool olarak bağlanır
docker restart n8n ollama
Hayır. RAG, modelin yanıt üretirken harici bir bilgi kaynağından ilgili içeriği alıp bağlama eklemesidir; ajan ise bunun ötesinde çok adımlı planlama ve araç kullanımı içerir. Bir ajan, RAG'ı araçlarından biri olarak kullanabilir.
Hayır. Ollama gibi araçlarla yerel/self-hosted bir model üzerinde de ajan mantığı kurulabilir; model kalitesi ve hız donanıma bağlı olarak değişir.
Araç erişimi en az yetki ilkesiyle sınırlandırılmalı, geri dönüşü olmayan işlemler (silme, ödeme vb.) için insan onayı adımı eklenmeli ve işlem/adım sayısı üst sınırla kısıtlanmalıdır.
LangChain, LlamaIndex gibi kütüphaneler kod yazarak; n8n, Flowise gibi araçlar ise görsel iş akışıyla ajan kurulumuna imkan tanır.
Hayır. Ajanlar hâlâ altındaki dil modelinin sınırlarını taşır; halüsinasyon ve yanlış araç seçimi riski vardır, bu yüzden kritik işlemlerde doğrulama adımı önemlidir.
Evet. Yeterli RAM ve CPU/GPU kaynağına sahip bir Linux VPS üzerinde Docker ile her iki servis birlikte kurulabilir; kaynak ihtiyacı seçilen model boyutuna göre değişir.
NVMe disk ve tam root erişimiyle yapay zeka ajanı iş akışlarınız için hazır Linux VPS paketlerimizi inceleyin.