Tool Use Tarihçesi: Yao 2022 ReAct'tan Anthropic MCP'ye — LLM Ajanlarının 3 Yıllık Doğuşu
LLM ajanlarının tarihsel ve kavramsal anatomisi: Yao vd. 2022 ReAct paper'ı ('Reasoning + Action' birleşmesi), OpenAI function calling (Haziran 2023, ilk standartlaşma), Anthropic MCP (Kasım 2024, açık standart). LangChain, AutoGen, CrewAI gibi framework'lerin yükselişi. 'Niye LLM'ler kendi başına yeterli değil, niye tool kullanmaları gerekiyor?' AGI tartışmasının pratik yüzü. Türkçe ajan use case'leri.
Bu Derste Neler Var? (12 Bölüm)#
- Niye LLM tek başına yetmiyor — gerçek dünya problemi
- Yao 2022 — ReAct paper'ı: reasoning + action sentezi
- ReAct mimari — düşünce → eylem → gözlem döngüsü
- OpenAI function calling (Haziran 2023) — ilk standart
- Function calling JSON şeması — endüstrinin dili
- LangChain'in yükselişi — Harrison Chase'in eseri
- AutoGen + CrewAI (2023-2024) — multi-agent framework'ler
- Anthropic MCP (Kasım 2024) — açık standart devrimi
- MCP vs Function Calling karşılaştırması
- Türkçe ajan use case'leri — yerel pazarda fırsatlar
- AGI tartışmasının pratik yüzü — 'agentic AI'
- Egzersizler
1-3. Yao 2022 ReAct — Reasoning + Action Sentezi#
1.1 Niye LLM tek başına yetmiyor?#
- Güncel bilgi yok (training cutoff)
- Hesaplama yapamıyor (1234567 × 8901 = ? → genelde yanlış)
- Web'e erişimi yok
- Database sorgulayamıyor
- Dosya okuyamıyor
- API çağıramıyor
1.2 ReAct paper künyesi#
1.3 ReAct'ın temel fikri#
Thought 1: 'Kullanıcı 5 + 3 sordu. Hesap makinesi tool'um var.' Action 1: calculator(5 + 3) Observation 1: 8 Thought 2: 'Hesap 8. Kullanıcıya bunu söyleyebilirim.' Final Answer: 8
1.4 ReAct mimarisi detay#
- Thought: kendi içsel düşüncesi
- Action: tool çağrısı (örn. )
calculator(5+3) - Observation: tool sonucu (sistem tarafından inject)
- Final Answer: kullanıcıya nihai cevap
2.1 ReAct prompt örneği#
Sen yardımcı bir Türkçe asistansın. Aşağıdaki tool'lara erişimin var: - calculator(expression): matematik hesabı yapar - search(query): web'de arama yapar - wikipedia(topic): Wikipedia özet getirir Format: Thought: <düşünce> Action: <tool_adı>(<argümanlar>) Observation: <tool sonucu> ... (gerekiyorsa tekrarla) Final Answer: <kullanıcıya cevap> Soru: 2024'te kimin Nobel Fizik Ödülü'nü kazandığını bul. Thought: Bu güncel bilgi gerektirir, search kullanmalıyım. Action: search('2024 Nobel Fizik Ödülü kazananı') Observation: John Hopfield ve Geoffrey Hinton 2024 Nobel Fizik Ödülü'nü... Thought: Cevap John Hopfield ve Geoffrey Hinton. Final Answer: 2024 Nobel Fizik Ödülü'nü John Hopfield ve Geoffrey Hinton kazandı.
2.2 ReAct empirik sonuçlar#
- Standard prompting: %29 accuracy
- Chain-of-Thought: %32 accuracy
- ReAct: %35 accuracy
- CoT: %60
- ReAct: %64
4-7. OpenAI Function Calling, LangChain, AutoGen, MCP#
4.1 OpenAI Function Calling (Haziran 2023)#
{ "name": "get_weather", "description": "Belirtilen şehir için hava durumunu döndürür", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "Şehir adı, örn: 'İstanbul, Türkiye'" }, "unit": { "type": "string", "enum": ["celsius", "fahrenheit"] } }, "required": ["location"] } }
{ "name": "get_weather", "arguments": { "location": "İstanbul, Türkiye", "unit": "celsius" } }
4.2 Function calling'in dramatic etkisi#
5.1 LangChain'in yükselişi (2022-2024)#
- Ekim 2022: 0 GitHub star
- Mart 2023: 10K star
- Eylül 2023: 50K star
- Mart 2024: 80K star
6.1 AutoGen (Microsoft, Ağustos 2023)#
- Coder agent: Python kod yazıyor
- Reviewer agent: kodu inceliyor
- Tester agent: testleri yazıyor + çalıştırıyor
- Manager agent: 3'ünü koordine ediyor
6.2 CrewAI (Mart 2024)#
7.1 Anthropic MCP (Kasım 2024)#
- MCP Server: tool sağlar (örn. dosya sistemi, GitHub, Slack)
- MCP Client: LLM tarafı, tool'lara erişir
7.2 MCP'nin önemi#
8-10. MCP vs Function Calling + Türkçe + AGI#
8.1 MCP vs OpenAI Function Calling karşılaştırması#
| Özellik | Function Calling | MCP |
|---|---|---|
| Standardizasyon | OpenAI proprietary | Açık standart |
| Protokol | JSON schema | JSON-RPC + SSE |
| Cross-provider | Hayır (her LLM kendi formatı) | Evet (tek protokol) |
| Ecosystem | Her şirket ayrı | Ortak (MCP servers paylaşılabilir) |
| Olgunluk | 2 yıl, çok mature | 6 ay, gelişiyor |
| Production use | Yaygın | Erken adopter |
9.1 Türkçe Agent Use Case'leri#
- Trendyol, Hepsiburada, n11 API'lerine bağlanan asistan
- 'Bana son siparişlerimi göster, hangileri tedarikçi olarak Türkiye dışı?'
- Stock management, fiyat takibi, recommendation
- Logo Yazılım, Mikro Yazılım API'lerine bağlı
- 'Bu ayın KDV beyannamesi hazırla'
- 'Müşteri X'in bakiyesini göster'
- E-fatura otomatik kayıt (Modül 19.3 + agent kombinasyonu)
- TEB, Garanti, İş Bankası, Yapı Kredi API'lerine (kısıtlı)
- 'Bu ay kira ödemesini hatırlat'
- 'En düşük kart faizini bul'
- Düzenli ödeme yönetimi
- Hubspot, Mailchimp, Notion entegrasyonu
- 'Blog yaz, Türkçe SEO uygula, sosyal medya postu üret'
- Multi-agent: research → write → SEO → schedule
- Türkçe özgeçmiş tarama (Modül 19 multimodal)
- LinkedIn entegrasyonu (sınırlı, robots.txt)
- Mülakat soruları üretme
- KVKK gereği veri anonimleştirme
10.1 'Agentic AI' AGI Tartışmasının Pratik Yüzü#
- Devin (Cognition AI 2024): autonomous software engineer agent
- Operator (OpenAI 2025): web browsing agent
- Computer Use (Anthropic 2024): computer'ı kontrol eden Claude
Sonraki Ders: Tool Use Matematik + Implementation#
Sık Sorulan Sorular
Yorumlar & Soru-Cevap
(0)İlgili İçerikler
LLM Engineer Kimdir? Junior'dan Staff'a Yapay Zekâ Mühendisliği Kariyer Haritası
Öğrenmeye BaşlaKurs Felsefesi: Neden Bu Yol, Neden Bu Sıra — 8 Aylık Müfredatın İskeleti
Öğrenmeye BaşlaAtölye Kurulumu: uv, PyTorch 2.5+, CUDA, WSL2, Mac MPS, Triton, FlashAttention, Nsight
Öğrenmeye BaşlaBağlantılı Pillar Konular
Bu yazının bağlandığı pillar konular
Pillar Konusu
Agentic AI ve Otonom Sistemler
Agentic AI, büyük dil modelinin tek bir cevap vermek yerine; planlama, araç çağırma (tool use), bellek (memory) ve geri bildirim döngüleri ile çok adımlı görevleri otonom biçimde tamamladığı yapay zeka mimarisidir.
Pillar Konusu
RAG Çözüm Mimarisi
RAG (Retrieval-Augmented Generation), büyük dil modellerinin cevaplarını organizasyonun kendi belge / veri kaynaklarından alınan parçalar (chunks) ile zenginleştirerek hem güncellik hem de kaynak izi (citation) sağlayan bir mimari yaklaşımdır.