AI Aslında Nasıl "Düşünüyor"? Token'lardan Agent'lara

Herkesin dilinde aynı cümle var: "ChatGPT'ye sordum, inanılmaz cevap verdi." Peki arka planda ne dönüyor?

Cevap, çoğu insanın tahmin ettiğinden hem daha basit hem daha tuhaf. Model düşünmüyor — en azından biz "düşünmek" dediğimizde kastettiğimiz anlamda değil. Ama bu onu daha az ilginç yapmıyor. Tam tersine, nasıl çalıştığını anladığında hem daha iyi kullanan hem daha iyi sistem kuran biri oluyorsun.

1. Model Aslında Ne Görüyor? Tokenizasyon ve Embedding

LLM'nin gördüğü tek şey sayılar.

"Merhaba, nasılsın?" önce tokenization ile parçalanıyor. Parçalar her zaman tam kelime değil — bazen bir kök, bazen ek, bazen sadece noktalama:

[ "Merhaba" ] -> Token ID: 41253
[ ","        ] -> Token ID: 12
[ " nasıl"   ] -> Token ID: 8534
[ "sın"      ] -> Token ID: 321
[ "?"        ] -> Token ID: 45

Ardından her token, embedding işlemiyle çok boyutlu bir matematiksel uzaya oturuyor. 1536 ya da 4096 boyutlu bir koordinat sistemi düşün. Anlamca yakın kelimeler bu uzayda koordinat olarak da birbirine yakın çıkıyor — "kedi" ile "köpek" gibi.

Model bir sonraki kelimeyi üretirken felsefi bir şey yapmıyor. "Bu bağlamdan sonra en olası token hangisi?" sorusunun cevabını hesaplıyor. Özünde dünyanın en gelişmiş otomatik tamamlama motoru.

2. Peki Matematik Nasıl Çözüyor? Chain of Thought

Sadece sonraki kelimeyi tahmin ediyorlarsa karmaşık problemleri nasıl çözüyorlar?

Eski nesil modeller doğrudan "Cevap: 42" diye atladığında çuvallıyordu. Tek hamlede zor bir problemde doğru koordinatı bulmak çok zordu. "Adım adım düşün" dediğinde ya da reasoning modeli kullandığında iş değişiyor.

Model nihai cevabı vermeden önce bir iç monolog üretiyor — kağıda karalama yapar gibi:

Adım 1: x değişkenini yalnız bırakmalıyım...
Adım 2: Her iki tarafı ikiye bölüyorum...
Adım 3: Sonuç.

2026'da bu artık basit bir prompt taktiği değil. Agentic Workflow'a dönüştü: model hedef belirliyor, plan yapıyor, hata yaptığında geri dönüp kendi kodunu düzeltiyor.

3. Hafıza Nereden Geliyor? Vektör Veritabanları ve RAG

Ne kadar yetenekli olursa olsun, modelin sınırını context window belirliyor — o an "aklında" tutabildiği bilgi miktarı. Bu sınırı aşmanın yolu RAG ve Supabase pgvector gibi vektör veritabanları.

Kurumsal verilerini veya geçmiş konuşmaları yüklediğinde şu oluyor: tüm dokümanların embedding karşılıkları hesaplanıp veritabanına yazılıyor. Kullanıcı soru sorduğunda sistem cosine similarity araması yapıyor, en alakalı parçaları çekiyor ve bunları sessizce modelin prompt'una ekliyor. Model bu bilgilere dayanarak cevap üretiyor.

Eğitim verisinde hiç görmediği, sana özel verileri işleyebilmesi buradan geliyor.

Sonuç

Yapay zeka sihir değil. Büyük, hızlı, iyi beslenmiş bir istatistik makinesi.

Ama tokenizasyonu, akıl yürütmeyi ve hafıza sistemini anlayan geliştirici ile anlamayan arasındaki fark somutlaşıyor: daha iyi prompt, daha az maliyet, daha öngörülebilir sistem. "API'ye istek atıyorum" ile "ne zaman ne kullanacağımı biliyorum" arasındaki mesafe aslında bu kadar.

Projelerini bu anlayışla yeniden tasarlamak ya da Next.js ve Supabase altyapısıyla agent sistemleri kurmak istiyorsan benimle iletişime geçebilirsin.