Ana sayfa/Blog/Yapay zeka ile çalışmak
Claude Code ile Sıfırdan AI Ajan Nasıl Kurulur: Gerçek Müşteri Örnekleriyle
Kod bilmeden, sadece Türkçe komutlarla şirket süreçlerini otomatize eden AI ajan nasıl kurulur. Outreach ajanı, e-posta cevaplama ajanı, müşteri raporlama ajanı, üç farklı gerçek örnekle adım adım.
"AI ajan" denince akla genelde LangChain, agent framework'leri, Python öğrenmek gibi soyut şeyler gelir. Oysa 2026 itibariyle Claude Code tek başına bir ajan: Anthropic'in CLI tool'u. Sen ona Türkçe komut veriyorsun, o kod yazıyor, çalıştırıyor, API'lara bağlanıyor, sonuç döndürüyor. Bu yazıda Coremagnet'te 3 müşteri için kurduğum 3 farklı AI ajanı detaylı anlatıyorum: (1) günlük 50 LinkedIn'de kişiselleştirilmiş mesaj atan outreach ajanı, (2) gelen müşteri sorularını otomatik cevap taslağına çeviren mail ajanı, (3) Stripe + Notion + Airtable'dan veri çekip CEO'ya günlük rapor hazırlayan operasyon ajanı.
Önce: "AI Ajan" Nedir, Ne Değildir?
AI ajan = bir hedef verince ardışık görevleri kendi başına yürüten, gerektiğinde araç kullanan, hata aldığında düzelten LLM sistemi. Klasik bir chatbot tek mesaj alır, tek cevap döner. Ajan ise:
- Hedef alır: "Bu 50 LinkedIn profilini incele, herkese özel bir mesaj yaz, draft olarak Buffer'a yükle."
- Plan kurar: "Önce profilleri scrape edeceğim, sonra her biri için bio özetleyeceğim, sonra mesajları yazacağım, sonra Buffer API'ye atacağım."
- Araç kullanır: Web scraping, dosya okuma/yazma, API çağrıları, terminal komutları.
- Hata yaparsa düzeltir: "Buffer API 401 döndü → token süresi dolmuş → yeniden oluştur → tekrar dene."
- Sonuç raporlar: "47 mesaj başarıyla draft oldu, 3 profile erişilemedi (gizli), Buffer'da onayı bekliyor."
Claude Code tüm bu yetenekleri kutudan çıkmış halde getiriyor. Sen Python öğrenmek zorunda değilsin, Claude öğreniyor, yazıyor, çalıştırıyor, gerektiğinde paket kuruyor.
"AI ajan = ChatGPT'nin chat'i bir loop'a sokulmuş hali" diye düşünenler var. Bu yanlış. Loop tek başına bir ajan değil, gerçek ajan, kendi araçlarını dinamik olarak seçer, sonuçları okur, planını değiştirir. Claude Code bunu yapıyor.
Kurulum: 5 Dakika
Mac/Linux ise tek komut:
$ npm install -g @anthropic-ai/claude-code
$ claudeWindows kullanıyorsan WSL2 (Windows Subsystem for Linux) altından aynı komutu çalıştırırsın. İlk açılışta seni Anthropic hesabına yönlendirir, login ol, API key otomatik kuruluyor.
İlk komutla deneyebilirsin:
$ cd ~/Desktop
$ mkdir test-agent
$ cd test-agent
$ claude
> Bana bu klasörde küçük bir Python scripti yaz, "merhaba dünya" yazsın.Saniyeler içinde Claude hello.py dosyası yazıp çalıştırır, sonucu gösterir. Bu "ajan" deneyiminin küçük bir önizlemesi.
Örnek #1: LinkedIn Outreach Ajanı
Coremagnet'te bir B2B müşteri için ilk kurduğum ajan. Senaryo: "Hollanda'daki recruitment ajanslarının HR Lead'lerine outreach yapmak istiyoruz. Her birine kişiselleştirilmiş bir mesaj çıkacak. Spam istemiyoruz."
Adım 1, Görevi Türkçe yaz
Claude Code'a şunu söyledim:
"Bir LinkedIn outreach ajanı kuralım. Girdi: 50 LinkedIn profil URL'si. Akış: (1) her URL'yi Apify'daki LinkedIn Profile Scraper ile gez, (2) bio + son 5 paylaşımı al, (3) Claude API'ye 'bu kişiye özel 80 kelimelik bir tanıştırma mesajı yaz, ekibimizin n8n otomasyon kurduğunu bahset' diye sor, (4) sonucu CSV'ye yaz. APIs için key'leri .env'de saklayalım."
Adım 2, Claude planı çıkardı
Bana şu dosyaları yazacağını söyledi:
scraper.py: Apify entegrasyonuwriter.py: Anthropic API çağrılarımain.py: orchestration.env: API keys (boş şablon)profiles.csv: inputoutputs.csv: output
Adım 3, Onayladım, koştu
"Devam et" dedim. 4 dakikada tüm dosyaları yazdı, test profili (1 tane) ile çalıştırdı, çıktıyı bana gösterdi. Çıktı kötü görünüyordu, mesajlar fazla resmi. "Daha samimi, Türkçe-İngilizce karışık olabilir, sonunda CTA olmasın, sadece nazik bir tanışma talebi" dedim. Promptu güncelledi, tekrar test etti. İkinci çıktı çok iyiydi.
Adım 4, 50 profile çalıştır
python main.py --batch profiles.csv komutu. 12 dakika sonra outputs.csv'de 50 satır mesaj hazırdı. Müşteri elle gözden geçirip 47 tanesini onayladı, 3 tanesinde "şu ifade rahatsız edici" diye işaretledi. O 3 örnek için Claude'a "şu örüntüleri kaçır" diye few-shot ekledim, ajan ikinci batch'te daha iyi çıkardı.
Bu outreach ajanı haftada 200 mesaj atıyor. Üçüncü ayda 14 toplantı, 3 imzalı sözleşme getirdi. Müşteri başına maliyet: ayda ~€85 (Apify + Anthropic + Claude Code).
Örnek #2: E-Posta Cevaplama Ajanı
İkinci müşterim için: günde 80–100 müşteri sorusu maili gelen bir e-ticaret firması. CS ekibi 3 kişi, yetişemiyorlar. İstedikleri: gelen her maile %90 ihtimalle uygun bir cevap draft'ı hazırlayan ajan. CS ekibi sadece okuyup gönderiyor.
Mimari
IMAP Trigger
Her 5 dakikada bir mail kutusunu kontrol et. Yeni mail varsa subject + body al.
Niyet Sınıflandırma
Claude Haiku'ya "bu hangi kategori?" diye sor: kargo, iade, fiyat, ürün, şikayet, diğer. Haiku ucuz, hızlı.
Bilgi Toplama
Kategori "kargo" ise → kargo API'sinden takip durumu çek. "İade" ise → Shopify'dan sipariş durumu çek. Her senaryo için ayrı tool.
Cevap Üretme + Draft
Tüm bağlamı Opus'a ver, samimi ton + müşterinin ismi + somut bilgi. Cevabı IMAP'a draft olarak yaz, gönderme.
Kritik detay, "Tone bank"
Aynı müşterinin daha önce yazdığı 50 cevabı topladım, bir tone_bank.md dosyasına koydum. Claude her cevabı yazmadan önce bunu okuyor. Sonuç: cevaplar firma'nın yıllardır kullandığı dil ve örüntülerle yazılıyor, müşteri kullanıcısı "bunu insan yazdı" diye fark edemiyor.
"Yapay zeka cevaplarını insan cevaplarından ayıran şey gramerden ziyade ton istikrarı. Bir firma tone bank'ini ne kadar iyi kurarsa AI cevapları o kadar 'kendi insanı'na benziyor."
Gerçek sonuç
İlk ay: %62 draft'ı CS ekibi olduğu gibi gönderdi. İkinci ay: %78. Üçüncü ay: %85. Geriye kalan %15 ya karmaşık şikayet ya da AI'nın tanımadığı sorular. CS ekibi 3 kişiden 2'ye düştü (1 kişi başka role geçti, yenilemedik). Aylık tasarruf: ~€2.800.
Örnek #3: Günlük CEO Operasyon Raporu Ajanı
Üçüncü müşterim Hollanda merkezli bir SaaS şirketi. CEO her sabah 15 dakika harcayıp Stripe + Notion + Airtable + Slack'i kontrol ediyordu. İstediği: tek bir e-postada her şey, sabah 7'de.
Bu ajan saatlik değil günlük çalışıyor
# cron tab
0 7 * * 1-5 cd /home/ubuntu/ceo-agent && python main.pyAjanın yaptığı:
- Stripe'tan son 24 saatin tüm transaction'larını çek.
- Notion'daki "Active Projects" sayfalarının son güncelleme tarihlerini kontrol et.
- Airtable'dan satış hunisindeki deal'leri al.
- Slack'in #alerts kanalından son 24 saatin önemli (🔴 emoji'siyle işaretli) bildirimlerini çek.
- Hepsini Claude Opus'a ver, "CEO için 200 kelimelik bir özet üret, sırasıyla: gelir, riskler, eylem gerektiren maddeler" formatında yaz.
- Email olarak CEO'ya gönder. Konu satırı: "📊 Sabah Brief, 13 Mayıs"
İlk ay CEO her brief'i okuyup feedback verdi: "şu kısmı kısalt", "buraya da X dahil et". Bu feedback'leri promptun "system instructions" kısmına ekledim. Ajan her yeni gün biraz daha iyi yazar oldu. Üçüncü ay sonu: CEO "bunu bırakırsan kıyamet kopar" dedi.
Yaygın Hatalardan Kaçınma
"Tüm akışı tek bir promtla yazdırayım" diyenlerin ajanları %50 ihtimalle bozuluyor. Adımları küçük parçalara böl, her birini ayrı bir Claude çağrısıyla çöz. Adımlar arası state'i bir dosyada tut. Bu yapı %20–30 daha pahalı ama %95+ güvenilir.
Ajan canlıya gittikten 1 hafta sonra bir noktada bozulacak. Her adımı bir log dosyasına yaz. Hata olduğunda hangi adımda ve hangi input'la bozulduğunu görmen şart. Bu olmadan debug imkansız.
Mesajları otomatik göndertme, draft olarak hazırlat. İlk 30 günde insan onayı şart. Sonra ajan istikrarlı çalıştığında otomatikleştirebilirsin. Erken otomasyon = ilk çağrıda büyük utanç verici bir hata.
"AI Ajanı Nasıl Müşterilere Satarım?"
Coremagnet'in iş modeli tam olarak bu: müşterilere kişiye özel AI ajan kurulumu. Üç yıllık deneyimden öğrendiklerim:
- Sabit ücret değil, "saatten kazandırırım" satışı. "AI ajan kuruyorum" demek yerine "haftada 12 saat operasyon yükünüzü kaldıracağım, aylık ücret X" deyince satış kapanma oranı 3x artıyor.
- İlk hafta bedava pilot. Müşterinin mevcut akışlarından birini hızlıca kapanan otomatik bir versiyona dök. "İşte zaten çalışan örnek" deyince fiyat görüşmesi başka noktadan başlar.
- Aylık bakım ücreti şart. AI ajanlar kırılır, prompt'lar drift eder, modeller güncellenir. Aylık €300–800 retainer al, sistemi sen sürdür. Tek seferlik proje = uzun vadeli müşteri kaybı.
- Tek niş, derinlik: "AI yapıyorum" değil "Hollanda'daki recruitment ajansları için outreach + screening ajanı kuruyorum" gibi spesifik tek bir ürün. Niş kadar dar = fiyat o kadar yüksek.
Sıkça Sorulan Sorular
Claude Code Türkçe komutları anlıyor mu?
Evet, mükemmel. Hatta benim ekibimle Türkçe konuşması daha rahat oluyor; alabildiğine doğal cevaplar veriyor, kod yorumlarını Türkçe yazıyor. Tek istisnası: değişken/fonksiyon isimlerini kod standartı gereği İngilizce yazıyor, bu gayet doğru.
API maliyeti çok yüksek olur mu?
Bağlı. Sınıflandırma için Haiku (1M token = $0.25 input). Üretim için Opus (1M token = $15 input). 1 müşteri için aylık tipik kullanım $30–80 arası. Eğer milyonlarca işlem yapan bir ajan kuruyorsan, akıllı caching ve hızlı/yavaş model ayrımı şart.
Claude Code yerine LangChain / AutoGen kullanmalı mıyım?
Karmaşık çoklu-ajan sistemler, özel araç entegrasyonları, akademik araştırma yapıyorsan → evet. Müşteri için praktik çözümler kuruyorsan → Claude Code çok daha hızlı. Aynı projeyi LangChain ile 3 günde, Claude Code ile 3 saatte çıkarıyorsun. Anthropic'in framework'leri her geçen ay daha güçlü; ben şu an iş için neredeyse sadece Claude Code kullanıyorum.
Yapay zeka ajanı kurarak gerçekten gelir elde edebilir miyim?
Evet, ve hızla artıyor. Coremagnet 12 aktif müşteriye AI ajan kurulumu yapıyor. Müşteri başına aylık fiyatlar €1.500–€4.500 arası. Tek başına çalışan biri 3–4 müşteriyle aylık €10K+ gelir elde edebilir, ama satış becerisi olmazsa hiçbir teknik bilgi yetmiyor. DOA topluluğunda bunun nasıl yapıldığını anlatıyorum.
Özetle Aklında Kalsın
- Claude Code = pratik ajan: Python öğrenmeden, framework araştırmadan terminalde Türkçe komutla iş yaptırırsın.
- 3 örnek, 3 farklı senaryo: Outreach, e-posta cevaplama, operasyon raporlama, hepsi aynı temel pattern'le kuruluyor.
- Küçük adımlar, ayrı çağrılar: Tek büyük prompt yerine 5–8 küçük adım. State'i dosyalarda tut.
- Human-in-the-loop ilk 30 gün: Otomatik gönderim yerine draft olarak hazırlat. Onaylanmamış AI mesajı = kriz çağıran karar.
- Tone bank kur: Geçmiş 50–100 örneği toplayan bir markdown dosyası, AI cevaplarının tutarlılığını 3x artırır.
- Müşteriye "saat kazandırma" sat: "AI ajan" değil "haftalık 12 saat operasyon yükü kaldırıyorum" deyince fiyat kapanır.
