Problem → Çözüm
Problem
Her ekip kendi agent’ını kendi repo’sunda, kendi prompt’u ve API anahtarıyla yazıyor. Aynı “stok sorgula” aracı 7 farklı şekilde yazılmış, hangi agent’ın ne kadar token yaktığı ve hangi sürümün production’da olduğu bilinmiyor.
Çözüm
Agent Hub; agent registry, MCP tabanlı ortak araç kataloğu, sürümlenmiş prompt’lar, eval kapıları ve maliyet/latency gözlemini tek platformda birleştirir. Ekipler bir YAML manifest ile agent’ını tanımlar, Hub onu Temporal üzerinde dayanıklı workflow olarak çalıştırır ve A2A ile diğer agent’lara görev devredebilir.
Temel özellikler
Yapay zeka nerede devreye giriyor?
Supervisor agent görevi alt görevlere bölüp A2A protokolüyle uzman agent’lara dağıtır; her adım MCP araçlarıyla, yetki ve bütçe guardrail’leri altında çalışır.
- LangGraph supervisor + uzman agent’lar; görev planı structured output (Pydantic) olarak üretilir, Temporal ile retry/timeout/compensation’lı yürütülür
- Model router: basit sınıflandırma Claude Haiku / GPT-4o-mini, çok adımlı plan Claude Sonnet; ortalama görev maliyeti 0,42 TL → 0,18 TL
- Guardrail katmanı: araç başına RBAC scope, yazma araçlarında human-in-the-loop onayı, PII redaksiyonu ve Langfuse ile uçtan uca trace
Nasıl çalışır?
Stack
Arayüz
Backend
AI / ML
Veri
Altyapı & DevOps
Pazarlama & lansman
Başarı metrikleri (hedef)
MVP yol haritası
Bir fikri production’a taşırken ilk sorum şu: ölçülebilir mi ve mevcut sistemi bozmadan nasıl açılır? Yaklaşık 4 yıl, ayda yüz milyonlarca CDN isteği alan bir embed script üzerinde çalıştım. Kademeli geçiş ve gerçek test kapsamı benim için vazgeçilmez. Remote çalışmaya hazırım.