ReAct Pattern (Reasoning + Acting) 2026: Türkçe Derin Teknik Rehber — Akademiden Production'a

1.1 Modern Agentic AI'ın Doğuşu

ReAct, 2022 yılında agentic AI alanını dönüştürdü. Önceden:

• Chain-of-Thought: Sadece düşünme (içsel akıl yürütme)
• Tool-use papers: Tool kullanma ama düşünce zayıf
• ReAct: İkisini BİRLEŞTİRDİ — düşün, sonra hareket et, sonucu gör, tekrar düşün.

1.2 Bu Rehberin Farkı

2.1 Chain-of-Thought Hatırlatma

CoT, modelin SADECE içsel düşünce zincirini açıkça yazmasını sağlar:

Soru: "İstanbul'da bugün hava nasıl?" CoT cevap: "Adım adım düşüneyim. İstanbul Türkiye'de büyük bir şehir. Hava değişkenlik gösterir. Hava durumu API'sine erişimim yok, bu yüzden..."

Sorun: CoT modelin BİLDİĞİ ile sınırlı. Güncel bilgi yok, dış dünya etkileşimi yok.

2.2 ReAct Çözümü

Aynı soruyu ReAct ile:

Thought 1: İstanbul'un bugünkü havasını bilmek için bir hava durumu API'sini sorgulamalıyım. Action 1: weather_api("İstanbul") Observation 1: "İstanbul, 15 Mart 2026: 14°C, parçalı bulutlu, nem %65" Thought 2: Şimdi bu bilgiyi kullanıcıya doğal dilde sunabilirim. Answer: İstanbul'da bugün 14°C, parçalı bulutlu, nem %65.

ReAct'ın gücü: Düşünce + dış dünya etkileşim → güncel, doğru, multi-step cevaplar.

2.3 Karşılaştırmalı Tablo

3.1 Paper Detayları

Başlık: ReAct: Synergizing Reasoning and Acting in Language Models

Yazarlar: Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao

Yayın: ICLR 2023 (Mart 2022'de arxiv'e yüklendi)

Kurumlar: Princeton University + Google Research

3.2 Ana Bulgular

Benchmark performansı:

AlfWorld 71% sıçraması özellikle dikkat çekici — text-based household task ortamında ReAct CoT'tan 54 puan üstün.

3.3 Paper'ın Önemli Tespitleri

4.1 Standart ReAct Format

ReAct prompt'ı şu yapıyı izler:

Thought: [Modelin ne düşündüğü] Action: [Hangi tool, hangi argümanlarla] Observation: [Tool çıktısı]

Bu üçlü her döngüde tekrar eder, sonunda:

Thought: Tüm bilgiyi topladım. Answer: [Final cevap]

4.2 Klasik Örnek (Yao paper)

Soru: "Aside from the Apple Remote, what other devices can control the program Apple Remote was originally designed to interact with?"

ReAct çıktısı:

Thought 1: I need to search Apple Remote and find the program it was originally designed to interact with. Action 1: Search[Apple Remote] Observation 1: The Apple Remote is a remote control introduced in October 2005 by Apple. It was originally designed to control the Front Row media center program on the iMac G5.

Thought 2: Apple Remote was originally designed to control Front Row. I need to search Front Row. Action 2: Search[Front Row] Observation 2: Front Row is a discontinued media center software. It is controlled by the Apple Remote or keyboard function keys.

Thought 3: Front Row is controlled by Apple Remote and keyboard function keys. So keyboard function keys can also control Front Row. Answer: Keyboard function keys.

4.3 Yapısal Anatomi

4.4 Türkçe ReAct Örneği

Soru: "Trendyol'un 2025 cirosu ne kadardı? Bu rakam 2024'ten ne kadar değişti?"

ReAct çıktısı:

Thought 1: Trendyol'un 2025 cirosunu bulmak için web search yapmalıyım. Action 1: web_search("Trendyol 2025 yıllık ciro açıklaması") Observation 1: Trendyol 2025 yıllık ciro 200 milyar TL açıklandı (Şubat 2026 raporu).

Thought 2: 2024 cirosunu da bulmalıyım karşılaştırma için. Action 2: web_search("Trendyol 2024 yıllık ciro") Observation 2: Trendyol 2024 cirosu 142 milyar TL (Şubat 2025 raporu).

Thought 3: Şimdi hesaplama yapayım. 200 - 142 = 58 milyar artış. Yüzde olarak: 58/142 = %40.8. Action 3: calculator(58 / 142 * 100) Observation 3: 40.8451

Thought 4: Bilgi tamamlandı. Final cevap hazır. Answer: Trendyol'un 2025 cirosu 200 milyar TL oldu, 2024'teki 142 milyar TL'ye göre %40.8 artış gösterdi.

5.1 Varyant 1: Vanilla ReAct

Orijinal Yao 2022 paper'daki standart yaklaşım. Thought-Action-Observation döngüsü, max iteration (genelde 5-15).

Use case: Genel amaçlı multi-step QA, web research.

Strengths: Basit, anlaşılır, debug edilebilir.

Weaknesses: Maliyet artar her döngüde, infinite loop riski.

5.2 Varyant 2: MRKL (Modular Reasoning Knowledge Language)

Pattern: Genel LLM + Specialized Modules (matematik için calculator, fact için database, vb.)

Avantajı: Spesifik domain'lerde uzman tool'lar daha doğru.

5.3 Varyant 3: Self-Ask

Pattern:

Soru: "Joe Biden ABD'nin 46. başkanı oldu. 45. başkan kimdi?"

Are follow-up questions needed? Yes. Follow-up: Who was the 45th US president? Intermediate answer: Donald Trump. So the final answer is: Donald Trump.

Avantajı: Multi-hop reasoning'i daha doğal kurar.

5.4 Varyant 4: ReWOO (Reasoning WithOut Observation)

Pattern:

Plan:

1. plan_1 = web_search("Trendyol 2025 ciro")
2. plan_2 = web_search("Trendyol 2024 ciro")
3. plan_3 = calculator(plan_1 - plan_2)
4. Synthesize all results into answer

Execute all → Final answer.

Avantajı: Maliyet düşük, latency düşük (paralel execution).

Dezavantajı: Plan'da hata varsa, sonradan düzeltemez.

5.5 Varyant 5: Plan-and-Execute (LangChain)

LangChain'in introduce ettiği pattern. Önce planner LLM bir plan oluşturur (multiple steps), executor LLM bu planı sırayla uygular.

Pattern:

Planner: Step 1: Search Trendyol 2025 revenue. Step 2: Search Trendyol 2024 revenue. Step 3: Calculate difference. Step 4: Format answer.

Executor: Her step'i sırayla yapar.

Avantajı: Net planlama + execution ayrımı. Plan'ı insan onaylayabilir.

5.6 Karşılaştırma Tablosu

6.1 Basit ReAct Agent (Python)

from langchain.agents import AgentExecutor, create_react_agent
from langchain_anthropic import ChatAnthropic
from langchain.tools import Tool
from langchain_community.tools import DuckDuckGoSearchRun

# Tools tanımla
search = DuckDuckGoSearchRun()
tools = [
    Tool(name="Search", func=search.run, description="Web search yapar")
]

# Model
llm = ChatAnthropic(model="claude-sonnet-4-5")

# ReAct agent oluştur
agent = create_react_agent(llm, tools, prompt=react_prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=10)

# Çalıştır
result = executor.invoke({"input": "Trendyol'un 2025 cirosu ne kadar?"})

6.2 LangGraph State Machine (Modern Pattern)

LangGraph 2024-2026'da ReAct'ın yerini almaya başladı — daha esnek, debug edilebilir state machine:

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated, Sequence

class AgentState(TypedDict):
    messages: Annotated[Sequence, "Conversation history"]
    next_step: str

def reason(state):
    # Model düşünce üret
    response = llm.invoke(state['messages'])
    return {"messages": state['messages'] + [response], "next_step": parse_next(response)}

def act(state):
    # Tool çağır
    tool_result = call_tool(state['next_step'])
    return {"messages": state['messages'] + [tool_result]}

# Graph oluştur
workflow = StateGraph(AgentState)
workflow.add_node("reason", reason)
workflow.add_node("act", act)
workflow.add_edge("reason", "act")
workflow.add_conditional_edges("act", lambda s: "reason" if needs_more(s) else END)
workflow.set_entry_point("reason")

app = workflow.compile()

6.3 OpenAI Function Calling Pattern

OpenAI 2023'te native function calling ekledi — JSON-tabanlı ReAct varyantı:

from openai import OpenAI

client = OpenAI()

tools = [
    {
        "type": "function",
        "function": {
            "name": "web_search",
            "description": "Web search yapar",
            "parameters": {
                "type": "object",
                "properties": {"query": {"type": "string"}},
                "required": ["query"]
            }
        }
    }
]

messages = [{"role": "user", "content": "Trendyol 2025 ciro nedir?"}]
response = client.chat.completions.create(
    model="gpt-5",
    messages=messages,
    tools=tools,
    tool_choice="auto"
)

# Eğer tool call gerek
if response.choices[0].message.tool_calls:
    for tc in response.choices[0].message.tool_calls:
        result = execute_tool(tc.function.name, tc.function.arguments)
        messages.append({"role": "tool", "content": result, "tool_call_id": tc.id})
    # Final response
    final = client.chat.completions.create(model="gpt-5", messages=messages)

7.1 İyi Tool 8 Prensibi

7.2 Tool Description Örnekleri (Türkçe)

Kötü description: "Search"

İyi description: "web_search: Verilen sorgu için DuckDuckGo'da güncel web araması yapar. Argüman: query (string, aranacak metin). Çıktı: Top 5 sonucun başlık + URL + 2-3 cümlelik özet listesi. Kullanım: gerçek dünya bilgisi, güncel olaylar, tarihler, istatistikler için."

Çok iyi description (with example): "web_search: Web araması yapar.

Parametreler:

• query (string, required): Aranacak metin (Türkçe veya İngilizce)
• num_results (int, opsiyonel, default 5): Kaç sonuç dönsün

Çıktı: JSON list [{"title": "...", "url": "...", "snippet": "..."}, ...]

Kullanım örneği: web_search(query="Trendyol 2025 ciro", num_results=3)

Ne zaman kullan:

• Güncel bilgi (eğitim verisinden sonra olaylar)
• İstatistik, finansal veri
• Şirket bilgileri

Ne zaman KULLANMA:

• Genel matematik
• Bilinen kavram açıklama
• Yaratıcı yazım"

7.3 Yaygın Tool Tipleri

8.1 Web Araştırma + Sentez

Görev: "Türk fintech sektörünün 2025 büyüme verilerini bul ve özetle."

ReAct trace:

Thought 1: Türk fintech sektörü 2025 verisi için web search yapmalıyım. Action 1: web_search("Türk fintech sektörü 2025 büyüme TÜBİSAD") Observation 1: TÜBİSAD raporu - Türk fintech 2025'te 18 milyar TL büyüklüğe ulaştı, %35 büyüme.

Thought 2: Daha detaylı veri için ek araştırma. Action 2: web_search("Türk fintech 2025 yatırım sayısı startup") Observation 2: 2025'te 45 yeni fintech startup, $200M+ yatırım çekildi.

Thought 3: Yeterli bilgi toplandı, özet hazır. Answer: Türk fintech sektörü 2025'te 18 milyar TL büyüklüğe ulaşarak %35 büyüme gösterdi. 45 yeni startup kuruldu ve sektör 200M+ dolar yatırım çekti. (TÜBİSAD verisi)

8.2 KVKK Uyum Sorgu

Görev: "Yeni AI ürünüm için KVKK Madde 9 (yurt dışı transfer) uyum gereksinimleri neler?"

Thought 1: KVKK Madde 9 detayını araştırmalıyım. Action 1: kvkk_database_search("Madde 9 yurt dışı veri transferi") Observation 1: KVKK Madde 9: (a) açık rıza, VEYA (b) yeterli koruma kararı olan ülkeler, VEYA (c) yeterli korumayı sağlayan taahhütname.

Thought 2: AI servis sağlayıcı bilgisini de almalıyım (OpenAI, Anthropic). Action 2: vector_search("OpenAI KVKK uyum, EU residency") Observation 2: OpenAI ChatGPT Plus standart sözleşme - veri ABD'de işlenir. ChatGPT Team/Enterprise EU residency opt-in mevcut.

Thought 3: Şimdi öneri sentezi yapabilirim. Answer: KVKK Madde 9'a uygun AI ürün için 3 strateji: (1) ChatGPT Enterprise + EU residency, (2) Mistral Le Chat (Paris datacenter native), (3) Self-host model (Türkiye datacenter). Açık rıza alma + DPA imzalama + VERBİS kayıt zorunludur.

⚠️ Bu örnek genel rehber; KVKK Sertifikalı uzman onayı şarttır.

8.3 Mali Analiz + Hesaplama

Görev: "100K TL'yi 5 yıl bileşik faizle %20 yıllık nominal getirde nasıl artar? Enflasyon %35 ise reel getiri nedir?"

Thought 1: Bileşik faiz formülünü uygulamalıyım. Action 1: calculator((100000 * (1.20)**5)) Observation 1: 248832

Thought 2: Şimdi enflasyon düşülü reel getiri hesabı. Action 2: calculator(((1.20/1.35)**5 - 1) * 100) Observation 2: -43.81

Thought 3: Sonuçları yorumlamalıyım. Answer: 100.000 TL nominal olarak 5 yıl sonra 248.832 TL oluyor. AMA %35 enflasyon altında reel getiri NEGATİF: %-43.8. Yani satın alma gücünüz azalıyor.

8.4 Çoklu API — E-ticaret Fiyat Karşılaştırma

Görev: "iPhone 15 Pro 256GB'ın Trendyol vs Hepsiburada vs Apple Store fiyatlarını karşılaştır."

Thought 1: 3 ayrı kaynak için fiyat sorgulamam gerek. Action 1: web_scrape("trendyol.com/iphone-15-pro-256gb") Observation 1: Trendyol: 64.999 TL (indirimli), normal 75.999 TL.

Action 2: web_scrape("hepsiburada.com/iphone-15-pro-256gb") Observation 2: Hepsiburada: 65.499 TL, 12 ay 5.458 TL'den taksit.

Action 3: web_scrape("apple.com/tr/shop/iphone-15-pro") Observation 3: Apple Store: 79.999 TL.

Thought 2: Karşılaştırma tablosu hazırlayabilirim. Answer:

En ucuz: Trendyol (15.000 TL avantaj).

8.5 Customer Support Agent

Görev: "Müşteri 'siparişim 5 günde gelmedi' diyor. Yardım et."

Thought 1: Önce müşterinin sipariş bilgisini bulmalıyım. Action 1: ask_user("Sipariş numaranızı paylaşır mısınız?") Observation 1: Müşteri "TR-2026-A123" yazdı.

Action 2: order_database.lookup("TR-2026-A123") Observation 2: Sipariş tarihi 2026-03-10, durum: kargoda, tahmin teslim 2026-03-15.

Thought 2: Sipariş bugün (15 Mart) için tahminli. Önce kargo durumunu kontrol edeyim. Action 3: cargo_tracking_api("TR-2026-A123") Observation 3: Son güncelleme: kargo Ankara hub'ında, dağıtım için yola çıktı 14:30.

Thought 3: Bilgi yeterli, müşteriye doğal cevap. Answer: Merhaba, sipariş #TR-2026-A123 bugün dağıtıma çıktı. Kargo aracında, akşam saatlerinde elinize ulaşacak. Sabırınız için teşekkür ederiz.

8.6 Code Debug Agent

Görev: "Python kodum 'TypeError: unsupported operand type(s) for +: int and str' hatası veriyor. Debug et."

Thought 1: Hatanın ne anlama geldiğini biliyorum — int + str karışımı. Kodu görmem gerek. Action 1: read_file("script.py") Observation 1: Kod yüklendi. Satır 42: result = age + " years old"

Thought 2: Age int olarak tanımlanmış, string ile direkt + yapılamaz. Çözüm: str() ile cast. Action 2: edit_file("script.py", line=42, new_content='result = str(age) + " years old"') Observation 2: Düzenleme başarılı.

Action 3: run_command("python script.py") Observation 3: Hata yok, çıktı: "30 years old"

Answer: Hata düzeltildi. Sorun satır 42'de int olan age'i string ile birleştirme çalıştırılıyordu. str(age) ile cast ettim, şimdi çalışıyor.

8.7 Dosya Analizi (RAG + ReAct)

Görev: "Şirket sözleşmesinde KVKK uyum maddeleri var mı? PDF'i incele."

Thought 1: PDF'i okumam ve KVKK maddelerini aramam gerek. Action 1: pdf_load("kontrat.pdf") Observation 1: PDF 25 sayfa yüklendi, vector store'a indexlendi.

Action 2: vector_search("KVKK kişisel veri koruma") Observation 2: Sayfa 12: "Madde 18 - Veri Sorumlusu", Sayfa 13: "Madde 19 - Veri Sahibi Hakları"

Action 3: pdf_extract("kontrat.pdf", pages=[12, 13]) Observation 3: Madde 18 + 19 metni tam çıkarıldı.

Thought 2: İçerikleri analiz edip özetlemeliyim. Answer: Evet, KVKK maddeleri sayfa 12-13'te yer alıyor. Madde 18 veri sorumlusu, Madde 19 veri sahibi hakları (Madde 11 KVKK) içeriyor. AMA: yurt dışı veri transferi (Madde 9 referansı) eksik — eklenmesi önerilir.

8.8 Multi-Step Hukuki Sorgu

Görev: "Türk İş Kanunu'na göre 5 yıl çalışan birinin tazminat hakkı nedir?"

Thought 1: İş Kanunu Madde 25 + Madde 14 (kıdem tazminatı) maddelerini araştırmalıyım. Action 1: legal_database_search("Türk İş Kanunu Madde 14 kıdem tazminatı") Observation 1: Madde 14: Kıdem tazminatı, her yıl için 30 günlük brüt ücret tutarındadır. 5 yıl çalışan için 5 × 30 = 150 günlük (5 ay) brüt ücret tutarında.

Action 2: legal_database_search("kıdem tazminatı tavan 2026") Observation 2: 2026 yılı için kıdem tazminatı tavanı: 41.828 TL aylık.

Thought 2: Hesaplama yapayım — örneğin maaş 30.000 TL ise. Action 3: calculator(30000 * 5) Observation 3: 150000

Thought 3: Sonucu detaylı sunayım. Answer: 5 yıl çalışan bir kişi için kıdem tazminatı:

• Brüt maaş × 5 (yıl) = kıdem tazminat tutarı
• Aylık 30.000 TL maaş ise: 150.000 TL
• 2026 yılı için aylık tavan: 41.828 TL (yüksek maaşlar bu tavan ile sınırlı)
• İhbar tazminatı ayrı: 5 yıl çalışmış için 8 hafta (Madde 17)

⚠️ Hukuki uyarı: Bu genel rehberdir. İş Hukuku avukatına danışılmalıdır.

8.9 + 16 ek Türkçe örnek (özet)

(9) Akademik makale literature review (10) Veri analizi (CSV dosyası) (11) E-mail sınıflandırma + yanıt taslağı (12) Çeviri quality check (geri çeviri) (13) İçerik üretim + fact-check (14) Sosyal medya monitoring + sentiment (15) Stock analizi + tahmin (16) Türk hukuk içtihat arama (17) Otomatik rapor üretimi (18) Müşteri segmentasyon analizi (19) SEO optimizasyon checklist (20) Code review automation (21) Bug ticket triage (22) Meeting transcribe + action items (23) Personalized recommendation (24) Marketing campaign performance analysis (25) Database schema migration plan

Her biri için aynı T-A-O pattern uygulanır.

9.1 Yaygın Failure Mode'ları

9.2 Best Practices

10.1 ReAct'ın Maliyet Karakteristiği

ReAct token usage'ı CoT'tan 3-10x fazladır çünkü:

• Her döngüde tüm history yeniden gönderiliyor
• Thought + Action + Observation hep prompt'ta
• Multi-iteration için cumulative cost

Örnek hesap:

Tek soru, 5 iteration ReAct, Claude Sonnet 4.6:

• Iteration 1: 500 token input + 200 output = $1.5/$3 = $4.5
• Iteration 2: 1000 + 200 = $3 + $3 = $6
• Iteration 3: 1700 + 200 = $5.1 + $3 = $8.1
• Iteration 4: 2400 + 200 = $7.2 + $3 = $10.2
• Iteration 5: 3300 + 300 = $9.9 + $4.5 = $14.4

Toplam: ~$43 (cents olmadan, sadece example token usage)

Aylık 1000 soru: ~$43,000... pratik için CoT vs ReAct cost karşılaştırması gerek.

10.2 Maliyet Düşürme Stratejileri

11.1 İyi Bir Trace Yapısı

LangSmith'te ReAct trace'i ideal:

1. Root: User query
2. Child 1: Agent reasoning (LLM call 1)
3. Child 2: Tool call (Search)
4. Child 3: Tool response
5. Child 4: Agent reasoning (LLM call 2)
6. Child 5: Tool call (Calculator)
7. Child 6: Tool response
8. Child 7: Final synthesis (LLM call 3)
9. End: Final answer

Her node'da: latency, token usage, cost.

11.2 Common Anti-Patterns Trace'te

• LLM call'lar arası 30+ saniye gecikme → tool yavaş
• 10+ iteration → infinite loop sınırı
• Output token > 500 → model gevezelik yapıyor
• Aynı tool 3+ kez aynı parametre ile çağrılıyor → infinite loop

Tavsiye:

• Production: Claude Sonnet 4.6 veya GPT-5
• Karmaşık reasoning: o3
• Maliyet kritik: Gemini Flash veya DeepSeek
• KVKK + self-host: Llama 4 70B

Soru: ReAct vs CoT hangisi daha iyi?

Soru: ReAct mı Plan-and-Execute mi?

ReAct adaptive (her adım plan değişebilir). Plan-and-Execute statik plan + execution. ReAct keşif gerektiren task'lar için, Plan-and-Execute öngörülebilir task'lar için.

Soru: LangChain mi LangGraph mı?

LangChain ReAct olgun ama LangGraph daha esnek, debug edilebilir. 2026'da LangGraph state machine pattern modern best practice.

Soru: Multiple agents (multi-agent system) ReAct kullanıyor mu?

Evet. Crew AI, AutoGen, LangGraph multi-agent — her agent ReAct paradigmasında çalışır + agentlar arası coordination ek katman.

Soru: ReAct güvenlik riski var mı?

Var. Tool'lar database write, file delete gibi yapabiliyorsa LLM yanlış karar verebilir. Çözüm: (1) Confirmation step (user onaylasın), (2) Sandboxed environment, (3) Read-only tools default.

Soru: Türkçe ReAct İngilizce'den ne kadar farklı?

Çoğunlukla aynı. Modern LLM'ler Türkçe Thought + Action + Observation üretebilir. AMA bazı modellerde Thought'lar İngilizce çıkar — system prompt'ta "TÜM ÇIKTI TÜRKÇE" belirtmek gerek.

Soru: ReAct + RAG kombinasyonu nasıl?

Çok yaygın. RAG tool olarak ReAct'a dahil edilir: vector_search(query) tool'u. Modern AI Engineer rolü tam bunu yapıyor.

Soru: Production'da ReAct ne kadar maliyetli?

Tipik: $0.02 - $0.50 per query. Multi-tool query daha pahalı. Aylık 10K query: $200-5000 (model + tool seçimine bağlı).

Soru: ReAct fail rate ne kadar?

Production'da %5-15 fail (tool failure + LLM error + infinite loop). Iyi error handling ile %2-5'e düşer.

Soru: ReAct'a alternatif var mı?

Yes — Reflexion (self-critique), Self-Refine, Verbose CoT. Ama ReAct hala mainstream.

3 ana çıkarım:

1. ReAct, modern agentic AI'ın temel tekniği — Yao 2022 paper modern LLM ekosisteminin temelini attı.

2. 5 ana varyant farklı durumlar için — Vanilla, MRKL, Self-Ask, ReWOO, Plan-and-Execute.

3. Production-grade ReAct = LangGraph + good tool design + observability + cost optimization.

Bu hafta yapılacaklar:

(1) LangChain veya LangGraph kurulum + ilk ReAct agent yazma.

(2) 3-5 quality tool tasarla (description detaylı, schema strict).

(3) LangSmith integration + ilk 100 trace inceleme.

(4) Maliyet tracking dashboard.