Parçaları tek tek bilmek yetmiyor

RAG’ı biliyorsunuz, ajanları duydunuz, MCP’nin ne olduğunu okudunuz, n8n ile otomasyon kurdunuz. Ama sorulduğunda “modern bir AI sisteminin tamamı nasıl bir araya geliyor” sorusuna net bir cevap vermek zorlaşıyor — çünkü her kavram ayrı bir yazıda, ayrı bir bağlamda öğreniliyor. Bu yazının amacı, o parçaları tek bir haritada birleştirmek: model katmanından kullanıcıya kadar, bir isteğin geçtiği bütün katmanları sırayla göstermek.

Beş katmanlı bir yığın

Modern bir AI sistemini beş katman olarak düşünebilirsiniz. Her katman, kendinden öncekinin üzerine bir yetenek ekler.

1. Model katmanı: tahmin motoru

En altta büyük dil modeli var — bir sonraki token’ı tahmin eden istatistiksel motor. Bu motorun kalbinde, 2017’de Ashish Vaswani ve ekibinin tanıttığı transformer mimarisi ve onun içindeki attention mekanizması yatıyor: her kelimenin cümledeki diğer kelimelere “bakarak” bağlamını kurması. Bu katman tek başına güçlü ama iki temel sınırı var: bilgisi eğitim tarihinde donmuş, ve dış dünyada hiçbir eylem gerçekleştiremiyor — sadece metin üretebiliyor.

2. Orkestrasyon katmanı: RAG ve ajanlar

İkinci katman, modelin bu iki sınırı aşmasını sağlıyor. RAG, modelin cevap üretmeden önce harici bir bilgi kaynağından ilgili belgeleri getirip bağlama koymasını sağlıyor — embedding, vektör veritabanı, retrieval, üretim zincirinden geçerek. Bu, “bilgi donması” sorununu çözüyor.

AI ajan mimarisi ise “eylemsizlik” sorununu çözüyor: modele tek seferlik bir cevap yerine bir hedef verildiğinde, model algıla-planla-araç kullan-gözlemle döngüsüne girip çok adımlı bir görevi kendi başına yürütüyor. Yunfan Gao ve ekibinin RAG üzerine yayımladığı geniş kapsamlı taramanın da gösterdiği gibi, RAG artık tek bir teknik değil; sorgu yeniden yazma, çok turlu arama, yeniden sıralama gibi tekniklerle zenginleşen, kendi başına bir mimari akım.

3. Araç katmanı: MCP

Bir ajanın araç çağırabilmesi için, o araçların modele nasıl sunulacağının bir standardı olması gerekiyor. MCP (Model Context Protocol), tam olarak bu ihtiyacı karşılıyor: AI uygulamalarını harici sistemlere bağlamak için açık bir standart. Resmî dokümantasyonun USB-C benzetmesiyle anlattığı gibi, bir aracı bir kere MCP standardına göre paketlersiniz, sonra bu standardı destekleyen her AI uygulaması onu değişiklik yapmadan kullanır. Host, client, server üçlüsü ve bunların sunduğu tools/resources/prompts primitifleri, ajanın “elindeki alet çantasının” ortak dilini oluşturuyor.

4. Otomasyon katmanı: n8n, cron, tetikleyiciler

Dördüncü katman, AI’ın ne zaman devreye gireceğini belirliyor. Bir model ya da ajan, kendiliğinden çalışmaz — bir tetikleyiciye ihtiyaç duyar: bir webhook, bir zamanlayıcı, bir kullanıcı eylemi. n8n gibi düşük kodlu otomasyon platformları, bu tetikleyicileri AI düğümleriyle birleştirip webhook → işle → AI → aksiyon şeklinde uçtan uca bir akış kuruyor. n8n’in resmî dokümantasyonunun altını çizdiği gibi, bu düğümler LangChain’in JavaScript çerçevesi üzerine kurulu; chain sabit bir sırayı izlerken, agent düğümü hangi aracı ne zaman kullanacağına kendisi karar veriyor. Bu katman genelde en az “gösterişli” ama en çok “işi bitiren” katmandır: AI’ın çıktısını gerçek bir sisteme (CRM, e-posta, veritabanı) bağlayan köprü burasıdır.

5. Arayüz katmanı: sohbet, panel, terminal

En üstte, insanın sistemle nasıl konuştuğu var. Bu klasik bir sohbet penceresi olabilir, bir görsel panel olabilir, ya da terminal tabanlı bir CLI ajanı olabilir. CLI ajanları özel bir yer tutuyor çünkü dosya erişimi, komut çalıştırma ve araç bütünleşmesini — yani alt katmanların çoğunu — ek bir soyutlama katmanı olmadan doğrudan kullanıcıya açıyor. Bu yüzden görsel olarak en sade arayüz, pratikte en geniş yetkiye sahip olan arayüz oluyor.

Bir isteğin beş katmandan geçişi

Somut bir örnekle bu haritayı baştan sona izleyelim: bir e-ticaret şirketinde “müşteri X’in son siparişiyle ilgili şikayetini yanıtla” görevi.

Arayüz — destek ekibi bir talebi CLI ajanına ya da bir n8n tetikleyicisine iletir. Otomasyon — webhook talebi yakalar, temel bilgileri (müşteri ID, sipariş numarası) ayıklar. Araç katmanı — bir MCP sunucusu üzerinden CRM’e ve sipariş sistemine bağlanılır. Orkestrasyon — ajan önce RAG ile şirketin iade politikası belgesini bulur, sonra sipariş sistemini sorgular, sonucu değerlendirip bir yanıt taslağı üretir; karmaşıksa bir alt ajana devreder. Model — bütün bu adımların her birinde asıl dili üreten, kararı öneren motor, aynı tahmin makinesidir.

Beş katman da ayrı ayrı basit; birlikte çalıştıklarında ortaya karmaşık görünen ama aslında anlaşılır bir sistem çıkıyor.

Katmanları karıştırmamanın faydası

Bu haritanın pratik bir değeri var: bir AI sistemi “çalışmadığında” sorunun hangi katmanda olduğunu bulmak çok daha kolaylaşıyor. Model yanlış bir şey mi söylüyor — bu bir halüsinasyon sorunu, model katmanının doğal sınırı. Model doğru şeyi biliyor ama güncel değil mi — o zaman RAG katmanına bakılır, belge güncel mi, arama doğru parçayı buluyor mu. Ajan doğru aracı bulamıyor mu — MCP katmanında araç tanımı eksik ya da yanlış olabilir. Doğru zamanda tetiklenmiyor mu — sorun otomasyon katmanında, tetikleyici kurulumunda.

Bu ayrım aynı zamanda “ne zaman fine-tuning” sorusuna da netlik getiriyor: fine-tuning, model katmanının kendisini değiştirmektir — davranış ve üslup için uygundur; bilgi güncelliği ise RAG katmanının işidir, model katmanına dokunmadan çözülür.

Yığın nereye gidiyor

Bu beş katmanın hiçbiri statik değil. Model katmanı büyümeye devam ediyor, orkestrasyon katmanında RAG ve ajan teknikleri her ay yeni varyantlar kazanıyor, araç katmanı MCP’nin yaygınlaşmasıyla standartlaşıyor, otomasyon katmanı görsel platformlarla kod yazmayı gerektirmeden erişilebilir hale geliyor. Değişmeyen şey, katmanların birbirine bağlanma mantığı: her katman, bir öncekinin sınırını aşmak için var.

Bu site üzerindeki RAG, MCP, AI ajan mimarisi, CLI ajanları ve n8n otomasyonu yazıları, bu haritanın her katmanını tek tek derinlemesine ele alıyor; bu yazı ise hepsinin nereye oturduğunu gösteren üst görünüm.

Aklınızda kalsın

  1. Modern bir AI sistemi beş katmandır: model (tahmin), orkestrasyon (RAG/ajan), araç (MCP), otomasyon (tetikleyici/n8n), arayüz (sohbet/panel/terminal) — her katman bir öncekinin sınırını aşar.
  2. Bir isteğin sistemden geçişi bu beş katmanı sırayla kat eder — sorunu teşhis ederken de bu sıralama yol gösterir: hangi katman, hangi hatadan sorumlu.
  3. Fine-tuning model katmanını, RAG orkestrasyon katmanını değiştirir — ikisini karıştırmamak, doğru aracı doğru soruna uygulamanın anahtarıdır.

Kaynaklar

  • Vaswani, A. vd. (2017). Attention Is All You Need. NeurIPS 2017. Model katmanının omurgası olan transformer mimarisini tanıtan makale. arxiv.org/abs/1706.03762
  • Gao, Y. vd. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv. Orkestrasyon katmanındaki RAG tekniklerinin kapsamlı taraması. arxiv.org/abs/2312.10997
  • Model Context Protocol (2026). What is the Model Context Protocol (MCP)? Resmî dokümantasyon. Araç katmanının standardını tanımlayan resmî kaynak. modelcontextprotocol.io/introduction
  • Wang, L. vd. (2023). A Survey on Large Language Model based Autonomous Agents. arXiv. Orkestrasyon katmanındaki ajan mimarilerinin kapsamlı taraması. arxiv.org/abs/2308.11432
  • n8n (2026). Integrate AI into your workflows. Resmî dokümantasyon. Otomasyon katmanında AI düğümlerinin nasıl kurulduğunun resmî rehberi. docs.n8n.io/build/integrate-ai