Model-Agnostic İş Akışları: Farklı LLM’leri Tek Bir Arayüzde Zincirleme (Chaining)
Yapay zeka dünyasında son bir yıldır garip bir kabilecilik var: Kimi sadece Claude 3.5 Sonnet övüyor, kimi GPT-4o olmadan parmağını bile kıpırdatmıyor. Oysa üretim bandına indiğimizde acı gerçek yüzümüze çarpıyor: Her işi mükemmel yapan tek bir llm henüz icat edilmedi. Günümüzün modern ai tools ekosisteminde asıl güç, tek bir modele tapınmakta değil; modellerin en iyi yönlerini bir araya getiren akıllı bir otomasyon kurgulamakta yatıyor.
Bu yazıda, tek bir modele bağımlı kalmadan (“model-agnostic”), Claude’un akıcı üslubu ile GPT-4’ün analitik zekasını aynı pipeline üzerinde nasıl zincirleyeceğimizi (chaining) test edeceğiz. Üstelik karmaşık kod yığınlarına boğulmadan, popüler iş akışı aracı n8n üzerinden somut bir senaryo kuracağız.
“Model-Agnostic” Ne Demek ve Neden Umurumuzda Olmalı?
Model-agnostic, en basit tanımıyla kurduğunuz sistemin arkasındaki yapay zeka sağlayıcısına (OpenAI, Anthropic, Google ya da yerel bir Mistral modeli) körü körüne bağımlı olmamasıdır. Bugün ChatGPT API’ı çökerse ya da Anthropic fiyatlarına %50 zam yaparsa iş akışınız duruyor mu? Duruyorsa, “vendor lock-in” tuzağındasınız demektir.
Bir diğer mesele de her modelin uzmanlık alanının farklı olması. OpenAI modelleri genellikle katı JSON çıktıları üretmekte, fonksiyon çağırmada (function calling) ve mantıksal veri analizinde bir tık daha kararlıyken; Anthropic’in Claude modelleri insansı metin üretimi, yaratıcı yazarlık ve nüans yakalama konusunda bariz şekilde daha doğal hissettiriyor. Peki neden birini seçmek zorunda kalalım?
Test Senaryosu: Kaotik Veriden Akıcı Bültene
Lafı uzatmadan laboratuvara geçelim. Şöyle bir problemimiz olsun: Müşterilerden gelen dağınık geri bildirimleri (e-postalar, destek biletleri, anketler) toplayıp yönetim ekibi için haftalık şık bir özet bültene dönüştürmek istiyoruz.
Bu senaryoda tek bir LLM kullandığımızda genellikle iki sorunla karşılaşıyoruz:
1. GPT-4’e “samimi ve akıcı bir dille özetle” dediğimizde yine de hafif kurumsal ve mekanik bir ton alıyoruz.
2. Claude’a ham veriyi atıp “bunu önce kategorize et, puanla, sonra yaz” dediğimizde bazen format kurallarını esnetebiliyor.
Çözüm: Görevi ikiye bölüp zincirlemek (chaining).
[Görsel: n8n üzerinde Webhook tetikleyicisi, ardından OpenAI Node’u ve devamında Claude Node’unun bağlandığı iş akışı şeması]
Adım 1: GPT-4o ile Analiz ve Sınıflandırma
İlk aşamada ham metni OpenAI’ın GPT-4o modeline paslıyoruz. Burada iyi bir prompt engineering dokunuşuyla modelden sadece ve sadece geçerli bir JSON çıktısı istiyoruz. Modelin edebiyat yapmasını değil, duyguları -1 ile +1 arasında puanlamasını ve ana problemleri etiketlemesini bekliyoruz.
POST https://api.openai.com/v1/chat/completions
{
"model": "gpt-4o",
"response_format": { "type": "json_object" },
"messages": [
{"role": "system", "content": "Gelen metni analiz et ve {'kategori': '', 'duygu_skoru': 0, 'oncelik': ''} formatında JSON dön."}
]
}Adım 2: Claude 3.5 Sonnet ile Hikayeleştirme
GPT-4o işini bitirdiğinde elimizde tertemiz, filtrelenmiş bir JSON objesi var. Şimdi bu JSON’ı alıp Claude 3.5 Sonnet’e devrediyoruz. Claude’a verdiğimiz komut basit: “Bu analitik veriyi al ve şirket içi Slack kanalında paylaşılacak, esprili, motive edici ama sorunları da net gösteren bir mini bültene çevir.”
Sonuç? GPT-4’ün hata yapmayan mantık süzgecinden geçmiş, Claude’un o nefis kaleminden çıkmış hibrit bir rapor. İki model de en iyi bildiği işi yaptı.
Bu Düzeni Nasıl Kurduk? n8n ile Pratik Entegrasyon
Bunu Python script’leriyle LangChain kullanarak da yapabilirdiniz. Ancak işi operasyonel hale getirmek ve görsel olarak takip edebilmek için n8n biçilmiş kaftan. n8n, API’ları birbirine lego gibi bağlamanızı sağlayan açık kaynaklı bir iş akışı otomasyon aracı.
Kurulum mantığı oldukça sade:
- Bir Webhook ya da Cron node’u akışı tetikler.
- OpenAI Node’u ham veriyi alır, yapılandırılmış analizi çıkarır.
- Araya koyacağınız minik bir Code Node’u (JavaScript) veriyi kontrol eder; hata varsa modeller arasında fallback mekanizması çalıştırır.
- Anthropic Node’u temiz veriyi alıp nihai metni üretir.
- Sonuç Slack, E-posta ya da Notion’a otomatik postalanır.
[Görsel: n8n Node ayarlarında Prompt alanına bir önceki GPT adımından gelen JSON parametrelerinin eklendiği arayüz görünümü]
Zincirleme Yapmanın Artıları ve Eksileri
Her teknolojik yaklaşım gibi bu sistem de sihirli bir değnek değil. Masaya getirdiği avantajlar kadar, beraberinde getirdiği yükler de var.
| Avantajlar | Dezavantajlar / Zorluklar |
|---|---|
| Her modelin en güçlü yönünden faydalanırsınız. | İki farklı API çağrısı nedeniyle gecikme (latency) süresi artar. |
| Tek bir sağlayıcının çökmesine karşı B planı (fallback) kurabilirsiniz. | Hata ayıklama (debugging) zorlaşır; zincirin nerede koptuğunu bulmak gerekir. |
| Daha tutarlı ve formatına sadık çıktılar üretir. | İki farklı API için token maliyeti doğar. |
Maliyetler ve Ücretsiz Alternatifler
İki model birden kullanınca “Cüzdanı OpenAI ve Anthropic’e mi bırakacağız?” diye sorabilirsiniz. İşin matematiği düşündüğünüz kadar korkutucu değil:
- API Maliyeti: GPT-4o mini ve Claude 3.5 Haiku gibi daha ufak modelleri zincirlediğinizde, 1.000 adet raporun maliyeti 1 doları bile bulmuyor. Ön analizi ucuz modelle yapıp, vitrin metnini pahalı modele emanet etmek ciddi tasarruf sağlıyor.
- Araç Maliyeti (n8n): n8n Cloud versiyonu aylık yaklaşık 20€’dan başlıyor. Ancak güzelliği şurada: n8n fair-code lisanslıdır. Kendi sunucunuza (örneğin 5 dolarlık bir Hetzner/DigitalOcean VPS) Docker ile kurarsanız, arayüz için sıfır lira ödersiniz.
- Alternatif Araçlar: Benzer chaining işlemlerini kod yazmadan yapmak için tamamen açık kaynaklı ve ücretsiz olan Flowise veya Dify araçlarını da tercih edebilirsiniz. Eğer no-code dünyasının kolaylığına alışıksanız Make.com da iyi bir opsiyondur fakat operasyon sayısı arttıkça maliyeti katlanır.
Sonuç: Tek Bir Modele Mahkûm Değilsiniz
Yapay zekayı bir çalışan gibi düşünün. Muhasebe müdürünüze pazarlama metni yazdırmadığınız gibi, yaratıcı metin yazarınıza da karmaşık finansal verileri ayıklatmazsınız. LLM’ler için de mantık aynı.
Model-agnostic düşünmek, yarın GPT-5 çıktığında veya yerel açık kaynak bir model Claude’u tahtından indirdiğinde sisteminizi 5 dakika içinde güncelleyebilme lüksü tanır. İşinizi tek bir yapay zekaya emanet etmek yerine, modelleri bir orkestra gibi yöneten iş akışları kurmaya bugünden başlayın.