Ferhat RudvanoğullarıVeri Mühendisi
← Tüm işler

AI sistemleri

Satınalma AI Servisi

Kurallarla yönetilen bir satınalma agent'ını, Cloud Run'da çalışan özel bir API'nin arkasında sabit bir akışa çevirdim: sonucu belli formatta, model çağrısı sınırlı, her iddianın kanıtı var.

Backend ve AI entegrasyonu. Satınalma mantığı ve ilk agent ekip arkadaşlarımın; sabit akış, API, dağıtım ve platform entegrasyonu benim.

Ekim–Kasım 2026

Rakamlarla

şirket başına çağrı
≤ 2
şirket başına çağrı
token sınırı, giriş/çıkış
32 bin / 8 bin
token sınırı, giriş/çıkış
çevrimdışı test, her sürümde yeniden koşuyor
80+
çevrimdışı test, her sürümde yeniden koşuyor

Durum

Ekipte bir satınalmacı gibi düşünen bir AI agent'ı (Brain) geliştirilmişti. Davranışı uzun bir talimat listesiyle tarif ediliyordu: "önce taksonomide ara, sonra şu kaynağa bak, şu durumda şunu yap". Aynı soruya her seferinde farklı yoldan gidebiliyor, kaç model çağrısı yapacağı ve sonucun hangi biçimde döneceği belli değildi. Ücretli bir platformun içine böyle bir şeyi bağlamak hem maliyet hem güvenilirlik açısından riskliydi.

Yaptıklarım

  1. 1

    Talimatlar sabit işlemlere dönüştü

    Eski akıl yürütme modülünü yeni servise taşımadım. Onun yerine, her biri tek bir işi yapan, girdisi ve çıktısı tanımlı işlemler yazdım. İlk sürümde (26 Ekim) üç kontrol vardı ve hiçbiri model çağırmıyordu: ihtiyaç listesi (brief) kontrolü, şirket uygunluğu ve teklif talebi (RFQ) hazırlığı. Sonra bunları iki uç noktada toplayıp eski üç uç noktayı kapattım. Şirket değerlendirme, alıcının onaylı gereksinimlerini şirketin kaynak metinleriyle karşılaştırıyor. Brief kaynak kontrolü, alıcının gereksinim listesinin orijinal belgeyle uyuşup uyuşmadığına bakıyor.

  2. 2

    Kural değil sonuç

    Her işlem aynı yapıda sonuç dönüyor. Şirket değerlendirmede her gereksinim üç durumdan birini alıyor: kaynakla destekleniyor, kaynakla çelişiyor ya da bilinmiyor. Şirket için ön karar da üç durumdan biri: uygun, incelenmeli, uygun değil. Her sonucun yanında alıntılanan kaynak, gerekçe, uyarılar ve harcanan token bilgisi var. Puan yok, otomatik onay yok, dışarıya hiçbir eylem yok. Teknik kanıtın olmaması tek başına şirketi elemiyor, "bilinmiyor" olarak kalıyor.

  3. 3

    Model değerlendiriyor, Python denetliyor

    Değerlendirmeyi Google'ın Avrupa'daki Vertex AI'ı üzerinden Gemini 2.5 Flash yapıyor. Modele arama aracı verilmedi: kaynakları platform gönderiyor, model sadece okuyup yorumluyor. Ardından Python, modelin her iddiasını denetliyor: alıntı gerçekten o şirketin kaynağında var mı, ürün ve parça kapsamı tutuyor mu, sayı ve birimler karşılaştırılabilir mi, kaynaklar birbiriyle çelişiyor mu? Sertifika iddiaları her zaman incelemeye gidiyor. İlk gerçek testten sonra ülke eşleşmesindeki bir hatayı da düzelttim ("Oman" kelimesinin "Romania" içinde bulunması gibi).

  4. 4

    Sınırlı maliyet, çift ücret yok

    Model şirket başına bir kez, tekrar deneme dahil en fazla iki kez çağrılıyor; giriş 32 bin, çıktı 8 bin token ile sınırlı. Bir istek bu sınırı aşacaksa model çağrılmadan önce bölünüyor. Aynı isteğin iki kez ücretlendirilmemesi için tekrarlanan istekleri tanıyan bir yapı kurdum. Platform da bağlantı koptuğunda belirsiz bir isteği kendiliğinden tekrar göndermiyor.

  5. 5

    Varsayılan olarak özel

    Servisi Docker imajı olarak, root olmayan kullanıcıyla Google Cloud Run'da (sunucu yönetmeden konteyner çalıştıran servis) Avrupa bölgesinde yayına aldım. Servisi sadece platformun staging ve canlı servis hesapları çağırabiliyor; ayrıca her istek imzalı ve her işlem için ayrı, çalışma alanı bazında izin gerekiyor. İlk yayında iki kimlikle 10 imzalı test çağrısı geçti; başka çalışma alanından gelen ve imzasız çağrılar reddedildi.

  6. 6

    Canlı etkilenmedi

    Canlı kullanıcılar yayın boyunca eski, doğrulanmış sürümde kaldı; yeni işlemler sadece staging'deki test çalışma alanına açıldı. Her yeni sürümde bir öncekini geri dönüş için korudum. Gerçek bir vakada (hava filtresi tedarikçileri) aynı imaj staging ve canlıda denendi.

Sonuç

Ne yapacağı öngörülemeyen bir agent, beş günde sekiz sürümle; her seferinde aynı adımlardan geçen, model çağrısı ve maliyeti sınırlı, test edilebilir ve sonucu belli formatta dönen özel bir API'ye dönüştü. Platform bu API'yi sadece kimliği doğrulanmış çağrılarla kullanabiliyor, canlı kullanıcılar süreçte hiç etkilenmedi.

Nasıl çalışıyor

  1. Platform

    Alıcının gereksinimleri ve şirketin kaynak metinleri; servis hesabı, imzalı istek ve çalışma alanı izniyle

  2. Cloud Run, özel API

    AB bölgesi, en fazla 2 kopya. Girişi doğruluyor, token bütçesini kontrol ediyor

  3. Gemini 2.5 Flash (Vertex AI, AB)

    Arama aracı yok, şirket başına en fazla 2 çağrı

  4. Python denetimi

    Alıntı, kapsam, sayı ve birim, çelişen kaynaklar

  5. Sabit formatta sonuç

    Gereksinim bazında durum, alıntı, gerekçe, ön karar, token kullanımı

Ne öğrendim

LLM agent'ına "şunu yap, şuna bak" diye talimat vermek yerine adımları sabitleyip modelden sadece değerlendirme istemek, sonucu öngörülebilir, test edilebilir ve ürüne bağlanabilir hale getirdi. Model yorum yapar; doğruyu kod denetler.

Stack

  • Python
  • Gemini 2.5 Flash (Vertex AI)
  • Google Cloud Run
  • IAM
  • Docker
  • Gunicorn
  • GitHub Actions
  • TypeScript