Tek bir cümleyle bir AI ekibi kurun: Açık kaynak Agent işbirliği platformu, tek kişilik şirketin giriş eşiğini yere indirdi

En pahalı maliyetiniz maaşlar değil; günde sadece 16 saat uyanık kalabilen kendinizsiniz.

Tek başına bir işi götürmek ancak bu kadar. Üç işi birden götürmek istiyorsanız ya eleman alacaksınız (parayı siz ödeyeceksiniz) ya da işin yarısını keseceksiniz. Son on yıldır tek kişilik şirketler tam olarak buraya takılıp kaldı.

2026’nın çözümü farklı: Çalışanların yerine Agent’ları kullanın. Kendi aralarında işbölümü yapabilen, birbirlerine teslimat sağlayabilen ve sizin cihazınızda 7/24 çalışabilen bir AI ekibi. LobeHub adlı açık kaynak proje (GitHub’da 81.5k Star, 340+ katkıda bulunan) bu yolu zaten açtı: Nasıl kurulur, nasıl iş alınır ve bir çalışan gibi nasıl kullanılır, aşağıda parça parça anlatıyoruz.

1. Önce tabloya bakalım: 80 bin Star boşuna değil

Bu proje en başta LobeChat adıyla, açık kaynak bir ChatGPT istemcisi olarak başladı. Bir yıl içinde kendini LobeHub olarak yeniden yapılandırdı ve sohbet aracından Agent işbirliği platformuna yükseldi. Depo lobehub/lobe-chat konumundan lobehub/lobehub konumuna taşındı ve konumlandırması “Chief Agent Operator” (Baş Agent Sorumlusu — bunu “operasyon müdürü” olarak düşünebilirsiniz, tek farkı yönetilenlerin insan değil AI Agent’lar olması) olarak değiştirildi.

Arayüzde gördüğünüz şey bir Agent organizasyon şemasıdır; her Agent’in bir adı, net bir görev dağılımı vardır ve görev alabilir.

GitHub’daki bir başka proje olan AutoGPT (186k Yıldız) bu yarışa erken başladı, ancak 2026 trendleri çoktan değişti — sektördeki ortak kanı şu: Tek başına bir Agent yetmiyor, Agent takımları geleceğin kendisi. Mem0 (62.9k Yıldız, bellek yönetimine odaklı), RAGFlow (86k Yıldız, bilgi tabanına odaklı) gibi destekleyici projeler de bu yıl patlama yaşadı ve tüm ekosistem “takım halinde çalışma, bellek desteği ve özel kuruluma imkan tanıma” olmak üzere üç ana yöne doğru ilerliyor.

LobeHub’un hendeği (rekabet avantajı) ise tüm bunları tek bir pakete sarmasıdır: yerleşik bilgi tabanı, 10.000+ beceri pazarı (MCP protokolüne dayalı standart eklentiler), çoklu model birleşik yönetimi ve Docker ile tek tıkla özel kurulum. Kurulumu yaptığınızda dört-beş farklı aracı birbirine yamamak zorunda kalmazsınız; her şey tek bir kontrol panelinden çalışır.

İkinci Bölüm: Bu Sistem Aslında Nasıl Çalışıyor? 4 Farklı Agent İş Birliği Modeli

Agent Groups, bu sistemin asıl değer katan kısmıdır — tek bir Agent’ın göremeyeceği işleri, devreye bir takım yönetimi sokarak çözüyor. Resmi olarak 4 farklı iş birliği modeli sunuluyor ve en çok kullanılandan başlayarak sıralayacak olursak:

① Sıralı Akış Modeli (Sequential) — Görevlerin %80’i için bunu kullanın: Ajan A yazıp Ajan B’ye devreder, B düzenleyip Ajan C’ye geçirir ve C dizgiyi tamamlar. Seri teslimat: her adımı denetleyebilir ve gerektiğinde süreci durdurabilirsiniz.

② Paralel Model (Parallel) — Toplu görevlerin %10’u için kullanın: Tek bir görevi N parçaya bölün, N Ajan aynı anda çalışsın ve sonunda sonuçları birleştirin. Toplu işlemler için idealdir — örneğin 30 ürün başlığını tek seferde üretmek veya 100 ürün görseli için açıklamaları aynı anda yazmak.

③ İteratif Model (Iterative) — Üzerinde defalarca çalışılması gereken azınlıktaki içerikler için: Bir Ajan yazar, diğeri editör gibi puanlar ve eğer belirlenen eşiği tutturamazsa içerik baştan yazılır. Pinterest veya Reddit’te viral olacak başlıkları optimize etmek, derinlemesine blog yazıları kaleme almak gibi “hız değil kalite” gerekten işler için tam bu modeli kullanın.

④ Münazara Modeli (Debate) — Çoklu perspektif gerektiren azınlıktaki görevler için: Birden fazla Ajan aynı konu etrafında tartışır (örneğin “bu ürün gerçekten satın almaya değer mi?”) ve bir Moderator anlaşmazlıkları ile ortak noktaları özetler. Ürün incelemeleri ve pazar araştırması raporları için biçilmiş kaftandır.

Gerçek bir kullanım senaryosu: Bir SaaS araç sitesi kuruyorsun ve her gün 50 ürünün özellik tanıtımlarını, fiyatlandırmalarını ve kullanıcı yorumlarını güncellemen gerekiyor. Hattı (pipeline) modunda çalışırsın: İlk Agent verileri çeker, ikinci Agent Türkçe versiyonu yazar, üçüncü Agent İngilizce versiyonu yazar, dördüncü Agent SEO anahtar kelimelerini optimize eder. Eskiden bu iş bir kişinin bütün gününü alırdı, şimdi tek bir iş akışı (workflow) 30 dakikada koşup bitiyor.

Üçüncüsü, En Uygun Hamle: Yerel Docker Deployment’u, Modeli İstediğin Gibi Değiştir

Birçok kişi “Büyük modelleri çalıştıramıyorum” noktasında takılıp kalıyor. LobeHub’un çözümü çok net: Sadece ön ucu (frontend) değiştir, model API üzerinden çalışsın.

Docker’da tek bir komutla servisi ayağa kaldırıyorsun (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub, Docker Desktop’u kurduktan sonra terminal’e yapıştırıp işin bitiyor), tarayıcıda localhost:3210 adresini açıp hemen kullanmaya başlıyorsun. Tüm hesaplama işlemleri buluttaki büyük modelin tarafında gerçekleşiyor, senin bilgisayarındaki sadece arayüz (UI). Yani 8 GB RAM’e sahip bir MacBook Air kullanıyor olsan bile bunu rahatça çalıştırabilirsin.

Modelleri istediğin gibi karıştırıp eşleştirebilirsin. Resmi örneklerde önerilen kombinasyon ise şu şekilde:

• Gemini 2.5 Pro: Uzun bağlam (milyonlarca token), kalın belgeleri okumak için birebir.
• Kimi (2M bağlam): Çince dil işlemede güçlü, Çince kaynak analizi için ideal.
• DeepSeek V4 Flash: Ucuz (2026-08 güncel kurlarla yaklaşık girdi ¥1/M token, çıktı ¥2/M token; resmi dolar fiyatı $0.14/$0.28 per 1M), toplu işler için biçilmiş kaftan.

Baştan sona bir “çeviri + yeniden yazma” görevinin maliyeti 3 kuruşu bile bulmuyor. Günde 100 görev = 3 yuan. İşte “AI iş kabul etmenin” gerçek maliyet yapısı tam olarak budur — işe 1500 yuan fiyat kesersin, AI maliyeti 30 yuan, geriye kalan 1470 yuan tamamen senin brüt kârın olur.

Aldığın işler müşteri sözleşmeleri veya iç veriler içeriyor mu? LobeHub tamamen özel (on-premise) kurulumu da destekliyor; bilgi tabanı PGVector vektör araması kullanıyor (“sadece anahtar kelime eşleşmesini” değil, “anlamca yakın” paragrafları bile bulabiliyor). Bilgi tabanı ve sohbet geçmişi tamamen cihazınızda kalıyor, hassas veriler makinenizden dışarı çıkmıyor — ancak çıkarım (inference) hâlâ bulut tabanlı LLM API’sinden geçiyor, bilmen gereken sınır tam olarak bu.

Dört: Kabul Edebileceğiniz 3 Tür İş, Aylık Ücret Tarifesiyle

Bugün kabul edebileceğiniz 3 tür iş, aylık ücret tarifesiyle:

Senaryo 1: İçerik yönetimi ve operasyon (aylık ücret 3000-8000 yuan)

Müşteri kitleniz KOBİ e-ticaret firmaları; her hafta 5 Pinterest+Reddit gönderisi, 3 TikTok metni ve 2 blog makalesi yayınlamanız gerekiyor. Agent Groups akış hattıyla şu zinciri kurun: Konu Seçme Agent → Metin Yazar Agent → Dizgi Agent → Görsel Agent (genelde Midjourney/Imagen gibi görsel üretim API’lerine bağlanır, bir görsel mere kuruşlara gelir). Tek başınıza 5 müşteri alır, günde 2 saat kalite kontrol yapar, geri kalan zamanı Agent’lar kendi kendine çalışır. API maliyeti ayda 200-500 RMB, teorik brüt kâr 15.000 - 40.000 RMB seviyesinde tutulabilir.

Senaryo 2: Rakip İzleme Günlük Raporu (Aylık ücret 1500-3000 RMB)

Her gün 20 rakip sitenin fiyat, stok ve yeni ürün verilerini çekip otomatik olarak Google Sheet’e işleyin ve saat 9’da müşterinin gelen kutusuna e-posta olarak gönderin. Paralel modda toplu çekim yapın, kritik değişiklikleri ayrı uyarılarla bildirin. Tek kişi aynı anda onlarca müşteriyi yönetebilir.

Senaryo 3: Yapay Zeka Destekli Müşteri Hizmetleri Dış Kaydan Yönetimi (Aylık ücret 2000-5000 RMB)

Küçük markaların Amazon mağazaları ve bağımsız e-ticaret siteleri için en büyük baş belası gece saatlerindeki müşteri hizmetleri. LobeHub’un IM ağ geçidi özelliğini (Telegram, Discord, WeChat, Enterprise WeChat destekli) kullanarak müşteri sorularını karşılayın ve sorun türüne göre ilgili Agent’a otomatik yönlendirin. Siz uyurken, mağazanız sipariş almaya devam eder.

Bu üç senaryonun ortak noktası: Tek bir siparişin bedeli, API maliyetini 50 katından fazla karşılıyor. AI işi alma sektöründe satın aldığınız şey tam olarak zamandır.

Beş. Bu gece kurabilirsiniz

Sadece çalışır haldeki en sade sürümü istiyorsanız, şu üç adımı izleyin:

Birinci adım: Servisi ayağa kaldırın. Docker Desktop’ı kurun (Mac/Win ikisinde de var, resmi siteden tek tıkla), ardından docker run -d -p 3210:3210 --name lobehub lobehub/lobehub komutunu çalıştırın. Tarayıcınızda http://localhost:3210 adresini açın. Eğer 3210 portu kullanımdaysa, -p 3211:3210 ile değiştirin.

İkinci adım: Üç Agent kurun. Bir “Araştırmacı” (Gemini 2.5 Pro bağlı, uzun belgeleri okumakla görevli), bir “Yazar” (Claude veya GPT bağlı, içerik üretmekle görevli) ve bir “Editör” (DeepSeek V4 Flash gibi ucuz bir model bağlı, yazım hatalarını düzeltmek ve gerçekleri kontrol etmekle görevli). Üç farklı modelin bu rol dağılımı, tek bir pahalı modelin tüm işi yapmasını engeller. Model API anahtarlarını各自的 resmi sitelerden alın: Google AI Studio Gemini için, OpenAI GPT için, DeepSeek Platform DeepSeek için — hepsi başlangıçta ücretsiz kredi sunuyor.

3. Adım: İlk iş akışını çalıştırın. Bir Agent Group kurun ve üç Agent’ı ardışık düzen (pipeline) moduyla birbirine bağlayın. Görevi doğal dille tanımlayın: “Yüklediğim bu PDF’i oku, 800 kelimelik Çince bir özet yaz, 3 temel noktayı listele ve son olarak bana 5 adet Pinterest başlığı ver.”

Tüm sistemi uçtan uca çalıştırdığınızda, üç Agent’ın kendi işini yapmasını, birbirlerine veriyi devretmesini ve nihai ürünü teslim etmesini göreceksiniz. Çıktıdan memnansanız, bu iş akışını kaydedin; bir sonraki sefere doğrudan yeniden kullanabilirsiniz.

Bu adımı başarıyla atlattığınız an, insanların %90’ından öne geçmiş olursunuz — çünkü çoğu kişi “kurulumu yaptım ama ne yapacağımı bilmiyorum” aşamasında takılıp kalır. Önce tek bir iş akışını tam anlamıyla çalışır hale getirin, ondan sonra sipariş kabul etme derdine düşün.

Bu Yolun Sınırı: AI İnsan Değildir, Onu Çalışan Gibi Kullanmayın

Yolu anlattık, şimdi sınırları çizelim. Asla aşmamanız gereken 3 çizgi var — AI ile alınan işler yalnızca standart ve süreç odaklı işler olabilir; bu çizgiyi aşarsanız sonuç kaçınılmaz olarak revizyon talepleri ve iade olur.

Birincisi, karar verme mekanizmasını tamamen yerine koyamaz. Agent “belirlenen süreci takip etme” konusunda ustadır ama “bu işin yapılıp yapılmaması gerektiğini” karar verme konusunda değil. Aldığınız tüm siparişlerin yönü, fiyatlandırması ve risk değerlendirmesi en nihayetinde sizin sorumluluğunuzdadır.

İkincisi, sistemler arası kusursuz entegrasyon mümkün değil. LobeHub’da IM ağ geçidi, e-posta ve veritabanı var; ancak müşterinin kendi iç ERP sistemi, Salesforce veya kurumsal iletişim ağlarıyla kutudan çıktığı gibi çalışmıyor. Karmaşık entegrasyonlar ikincil geliştirme gerektiriyor. Ben bizzat bir zincir restoran için müşteri hizmetleri dış kaynaklama projesi almıştım; karşı taraf kendi geliştirdikleri CRM ile entegrasyon istedi ve projeden en sonunda vazgeçmek zorunda kaldım — tahmini 3 haftalık geliştirme süreci 8 haftaya uzadı.

Üçüncüsü, AI “inanılmaz bir ciddiyetle tamamen saçmalar”. Agent’ın size sunduğu gerçek içerikleri, müşteriye teslim etmeden önce mutlaka bir insan kontrolünden geçirmelisiniz. Var olmayan müşteri isimlerini, uydurma ürün fiyatlarını tıpkı gerçekmiş gibi yazabiliyor — Agent’ın grup sohbeti modunu ilk kez ürün incelemeleri yapmak için kullandığımda, 3 Agent birbirinin görüşlerini “onayladı” ve ortaya çıkan 5 önerinin tamamı aynı markadan çıktı; gerçek bir çoklu bakış açısı falan değildi. Bu 5-10 dakikalık insan kontrolü asla es geçilemez; es geçerseniz işin başı iş返修, yani itibarınızın çöküşüdür.

Bu üç kuralı netleştirirseniz, başkalarının cesaret edemediği işleri alabilirsiniz — AI iş alma sektöründe en çok eksik olan şey, sınırları gerçekten anlayan iş alıcılarıdır; sadece boş laf edenler her yerde patlamış durumda.

Bugün hemen yapabileceğiniz bir şey: GitHub’da lobehub/lobehub aratın ve Star’layın. Sonra kendi makinenize dönüp Docker komutunu çalıştırın, ilk Agent Group’unu kurun, son yazdığınız bir belgeyi ona besleyin ve 5 farklı platform için başlık üretmesini isteyin — 10 dakika içinde bu aracın kullanmaya değer olup olmadığını kendi gözlerinizle göreceksiniz. Sıradaki “yeni AI konsepti”nin peşinden koşmaktan çok daha somut bir adım.