Agentic AI, yalnızca bir büyük dil modelinin soru-cevap üretmesini değil; bir veya daha fazla AI ajanının algılama, muhakeme, planlama, hafıza, araç kullanımı, eylem ve orkestrasyon mekanizmalarıyla birlikte uzun süreli hedefler doğrultusunda çalışmasını ifade eden daha geniş bir yapay zekâ paradigmasıdır. Bu çalışmada bir AI agent, çevresini algılayan, mevcut bilgiyi değerlendiren ve belirlenmiş hedeflere ulaşmak için eylem gerçekleştiren bireysel hesaplama varlığı olarak; agentic AI system ise bu ajanları hafıza, planlama, araç kullanımı ve orkestrasyon bileşenleriyle bir araya getiren bütünleşik sistem olarak tanımlanmaktadır.

Derleme, 2023–2025 dönemindeki güncel agentic AI literatürünü merkezine almakta; 75 başlangıç kaydından 60 çalışmayı nihai analize dahil ederek ajan özelliklerini, temel bileşenleri, mimari sınıfları, tek ve çok ajanlı koordinasyon biçimlerini ve sağlık, finans, şehir yönetimi, üretim ve siber güvenlik gibi uygulama alanlarını incelemektedir. Çalışmanın uygulamalı bölümünde LangChain, LangGraph ve CrewAI aynı Bitcoin piyasa analizi görevi altında karşılaştırılmış; veri ve göstergeler LLM dışında deterministik olarak hesaplanırken framework'lerin orkestrasyon, state management, memory ve agent coordination farklılıkları incelenmiştir.

Makalenin temel mesajı, agentic davranışın yalnız model büyüklüğünden ortaya çıkmadığıdır. Uzun ufuklu ve uyarlanabilir özerklik; doğru mimari, kalıcı durum yönetimi, hafıza, planlama, araç erişimi, koordinasyon ve geri bildirim mekanizmalarının birlikte tasarlanmasına bağlıdır. Bununla birlikte daha fazla özerklik, daha geniş saldırı yüzeyi, hata yayılımı, hafıza tutarsızlığı, koordinasyon maliyeti, açıklanabilirlik ve hesap verebilirlik sorunlarını da büyütmektedir.

Agentic AI Nedir?

Agentic AI, bir yapay zekâ sisteminin tek bir girdiye tek bir çıktı vermesinden daha fazlasını yaparak hedefleri takip etmesine, çevresindeki değişiklikleri algılamasına, plan oluşturmasına, araçları çağırmasına, sonuçları değerlendirmesine, hafızasını kullanmasına ve gerektiğinde sonraki adımlarını yeniden düzenlemesine olanak veren sistem düzeyindeki yapay zekâ paradigmasıdır. Makaleye göre agency, tek bir modelin içsel özelliği değil; muhakeme modülleri, hafıza, kontrol politikaları, araçlar, çevre ve insan gözetiminin birlikte tasarlanmasından ortaya çıkan sistem özelliğidir.

Bu ayrım önemlidir çünkü güçlü bir LLM tek başına tam agentic sistem değildir. LLM sistemin “muhakeme motorlarından” biri olabilir; fakat kalıcı hafıza, durum takibi, dış araç kullanımı veya görevler arası koordinasyon yoksa sistemin uzun süreli hedef takibi sınırlı kalabilir.

AI agent, agentic AI system ve Agentic AI arasındaki fark

Derlemenin yöntemi

Çalışmanın literatür incelemesi ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink ve Google Scholar üzerinde yürütülmüştür. Kullanılan arama terimleri arasında “agentic AI”, “multi-agent systems”, “autonomous agents”, “agent frameworks” ve “applications of agentic AI” bulunmaktadır.

Ana tarama dönemi 2023–2025'tir. Tarihsel mimarileri ve ajan kavramının gelişimini açıklamak için daha eski temel yayınlar da seçici biçimde eklenmiştir.

Derleme dört temel araştırma sorusuna odaklanır: Agentic AI sistemlerinin çekirdek bileşenleri nelerdir, hangi ajan türleri framework oluşturur, hangi mimari yapılar kullanılır ve agentic sistemler farklı endüstrilerde nasıl uygulanmaktadır?

Agentic AI Sisteminin Temel Bileşenleri Nelerdir?

Kaynak, agentic AI yaşam döngüsünü beş ana işlev etrafında açıklar: algılama, beyin/muhakeme, eylem, hafıza ve öğrenme. Kullanıcı girdisi önce algılanır, ardından sistem bilgiyi değerlendirir ve planlar, eylem gerçekleştirir, deneyimi hafızaya kaydeder ve geri bildirimden öğrenerek sonraki döngüye hazırlanır.

1. Algılama — Perception

Algılama modülü sistemin dış dünyayla temas noktasıdır. Metin, görüntü veya API yanıtı gibi çok modlu girdileri alır ve muhakeme modülünün kullanabileceği temsil biçimine dönüştürür.

Metin tabanlı algılamada temel sorun yalnız kelimeleri tanımak değildir; belirsizliği, örtük anlamı ve bağlamı doğru yorumlamaktır. Girdi yanlış anlaşılırsa sonraki planlama ve eylem zinciri de yanlış temel üzerinde ilerleyebilir.

Görüntü tarafında makale iki temel yaklaşımı ele alır. İlk yaklaşım, görüntünün önce metinsel açıklamaya dönüştürülmesidir. Bu yöntem hesaplama açısından verimli olabilir ancak görseldeki ince ayrıntıları kaybedebilir. İkinci yaklaşım, görsel encoder çıktısını LLM embedding uzayıyla doğrudan birleştiren multimodal fusion yaklaşımıdır.

2. Muhakeme ve planlama — Brain

Agentic sistemin “brain” bileşeni, mevcut bilgilerden sonuç çıkarma, seçenekleri değerlendirme, karmaşık görevi alt görevlere bölme ve sonraki eylemi belirleme işlevlerini yürütür.

Makale bu bağlamda farklı reasoning stratejilerini ele alır:

• Chain of Thought (CoT): doğrusal ara muhakeme adımları,
• Tree of Thought (ToT): birden fazla alternatif muhakeme yolunu araştırma,
• Graph of Thought (GoT): birbirine bağımlı reasoning düğümlerini grafik yapıda bağlama.

Agentic planlama statik olmak zorunda değildir. Sistem eylem sonucunu gözlemledikçe mevcut planını yeniden değerlendirebilir ve yeni koşullara göre değiştirebilir.

3. Eylem — Action

Eylem modülü üst düzey hedefi çalıştırılabilir operasyonlara dönüştürür. Ajan API, veri tabanı, arama motoru, kod çalıştırıcı veya başka bir yazılım aracını çağırabilir.

Bir agentic sistemin klasik sohbet modelinden önemli farklarından biri buradadır: yalnız “ne yapılması gerektiğini” metin olarak söylemek yerine izin verilen araçlar aracılığıyla görevin bir bölümünü gerçekleştirebilir.

Makale ayrıca Robotic Process Automation ile LLM tabanlı reasoning'in birleştirilmesinin kullanıcı arayüzü etkileşimi, veri girişi ve ardışık yazılım süreçlerinin otomasyonu gibi alanlarda kullanılabildiğini belirtir.

4. Hafıza — Memory

Hafıza, agentic sistemin yalnız mevcut promptu değil geçmiş görevleri, deneyimleri ve öğrenilmiş süreçleri sonraki kararlarda kullanabilmesini sağlar.

Uzun süreli görevlerde kalıcı hafıza reasoning sürekliliği açısından kritik hale gelir. Ancak hafızanın yanlış veya eski bilgiyi sürekli yeniden sisteme taşıması da hata yayılımına neden olabilir.

5. Öğrenme — Learn

Derleme, agentic sistemlerin yeni durumlara uyumunda zero-shot, few-shot ve in-context learning gibi mekanizmaları ele alır.

Zero-shot learning, modelin eğitimde açıkça görmediği bir göreve mevcut semantik bilgisini kullanarak yanıt vermesini; few-shot learning, az sayıda örnek üzerinden yeni göreve uyum sağlamasını; in-context learning ise model parametrelerini değiştirmeden prompt içindeki örneklerden görevin yapısını çıkarmasını ifade eder.

Ajan Türleri Nasıl Sınıflandırılır?

Derleme klasik ajan sınıflandırmalarının modern LLM agentic sistemlerinde hâlâ davranışsal temel sunduğunu belirtir. Refleks, hedef tabanlı, fayda tabanlı ve öğrenen ajan kavramları modern mimariler içinde farklı biçimlerde yaşamaya devam eder.

Tek Ajanlı ve Çok Ajanlı Mimariler Arasındaki Temel Fark Nedir?

Tek ajanlı mimariler görev üzerindeki reasoning, planlama ve eylemi tek bir agent içinde toplarken, çok ajanlı mimariler aynı problemi farklı rollere sahip uzman ajanlar arasında dağıtır. Çok ajanlı yapı paralel çalışma ve uzmanlaşma sağlayabilir; ancak iletişim maliyeti, koordinasyon hataları, bilgi kayması ve sorumluluk dağılımı gibi yeni sistem sorunları oluşturur.

ReAct mimarisi

Reason + Act yaklaşımında ajan şu döngüyü tekrarlar:

Girdi → Gözlem → Muhakeme / Plan → Eylem → Araç Etkileşimi → Yeni Gözlem → Yeniden Muhakeme

Bu yapı basit ve uygulanabilir olması nedeniyle güçlüdür. Bununla birlikte çok sayıda birbirine bağımlı alt problem içeren görevlerde tek döngü sınırlayıcı olabilir. Sistem aynı reasoning kalıbına tekrar tekrar dönerse deadlock benzeri başarısızlıklar görülebilir.

BDI bilişsel mimarisi

Belief–Desire–Intention (BDI) modeli üç temel bilişsel durumu ayırır:

• Beliefs: ajanın dünya hakkındaki mevcut bilgisi,
• Desires: ulaşılabilecek olası hedefler,
• Intentions: ajanın gerçekleştirmeye gerçekten karar verdiği hedefler.

Ajan çevreyi gözlemler, beliefs durumunu günceller, desires arasından intentions seçer ve ardından bu niyetlere yönelik eylemleri gerçekleştirir. Makaleye göre BDI özellikle karar yolunun açıklanabilirliği, hedef tutarlılığı ve denetlenebilirliğin önemli olduğu sistemlerde avantajlıdır.

Çok Ajanlı Koordinasyon Mimarileri Nelerdir?

Makale çok ajanlı sistemleri esas olarak koordinasyon ve kontrol biçimine göre ele alır. Dikey, yatay, hibrit ve düzensiz/dağıtık işbirliği mimarileri farklı denetim, esneklik ve ölçeklenebilirlik dengeleri sunar.

Dikey — Vertical / Hierarchical

Bir supervising agent üst düzey planı oluşturur, görevleri alt ajanlara dağıtır, ilerlemeyi izler ve gerektiğinde yeniden planlama yapar.

Avantaj: görev sahipliği, denetim ve hedef hizalaması açıktır.

Sınırlılık: supervising agent darboğaz ve tek hata noktası haline gelebilir.

Yatay — Horizontal

Ajanlar aynı hiyerarşik düzeyde bulunur ve ortak hedef için doğrudan iletişim kurar. Tek bir merkezi supervisor zorunlu değildir.

Avantaj: tek noktadaki arızaya karşı daha dayanıklı olabilir ve görevler dinamik biçimde dağıtılabilir.

Sınırlılık: koordinasyon, mutabakat ve paylaşılan kaynak yönetimi zorlaşabilir.

Hibrit

Hibrit mimari, üst düzey supervisor ile yarı bağımsız çalışan uzman ajanları birleştirir. Böylece dikey mimarinin global kontrolü ile yatay mimarinin esnekliği birlikte kullanılmaya çalışılır.

Bu yapı büyük kurumsal iş akışlarında yararlı olabilir; ancak hem merkezi hem dağıtık mimarilerin bazı karmaşıklıklarını birlikte taşır.

Düzensiz / dağıtık işbirliği

Düzensiz mimaride sabit bir hiyerarşi veya konuşma sırası yoktur. Birden fazla ajan öneri, eleştiri ve düzeltmeleri serbest biçimde paylaşır.

Bu düzen fikir çeşitliliğini artırabilir; ancak kaynak çatışması, yinelenen işlemler, hallucination amplification ve information drift riski de büyüyebilir.

Çalışmanın Yöntemi ve Bulguları

LangChain, LangGraph ve CrewAI karşılaştırmasının tasarımı

Çalışmanın uygulamalı kısmında LangChain v0.3.27, LangGraph v1.0.8 ve CrewAI v1.1.0 Python 3.13.7 altında ortak bir kripto para piyasa analizi pipeline'ında uygulanmıştır.

Bitcoin'e ait tarihsel OHLCV verileri Yahoo Finance üzerinden yfinance 0.2.66 ile elde edilmiştir.

LLM devreye girmeden önce sayısal analizler deterministik Python araçlarıyla hesaplanmıştır:

• Prophet 1.3.0 — trend ve mevsimsellik,
• NLTK VADER 3.9.2 — sözlük tabanlı sentiment analizi,
• Matplotlib 3.10.8,
• Plotly 6.5.2,
• mplfinance 0.12.10b0.

Bu ayrıştırmanın amacı, sayısal sonuçların LLM'nin stokastik metin üretiminden etkilenmesini önlemektir. LLM yalnız önceden hesaplanmış indikatörleri bir anlatı halinde birleştirme ve Markdown raporu oluşturma aşamasında kullanılmıştır.

LangChain yaklaşımı

LangChain uygulaması prompt merkezli ve büyük ölçüde ardışık pipeline olarak yapılandırılmıştır. Developer veri akışını, tool invocation sırasını ve görev geçişlerini doğrudan kontrol eder.

Bu yapı deterministik ve gözlemlenebilir pipeline'lar için avantajlıdır; ancak kalıcı bağlamın çok sayıda adıma yayılması gereken sistemlerde state management developer tarafından elle yönetilmek zorunda kalabilir.

LangGraph yaklaşımı

LangGraph düğümler arasında taşınan açık bir shared state yapısı kullanır. Her node tek bir sorumluluk üstlenebilir ve state üzerinde güncelleme yapabilir.

Bu mimari:

• koşullu dallanma,
• paralel değerlendirme,
• state persistence,
• iteratif refinement

gibi karmaşık workflow davranışlarına daha açık bir yapı sağlar.

Bu değerler yalnız çalışmadaki uygulanan pipeline'a aittir ve framework'ün evrensel performans benchmarkı olarak yorumlanmamalıdır.

CrewAI yaklaşımı

CrewAI rol tabanlı, kalıcı ajanlara dayanır. Çalışmanın kavramsal diyagramında Market Analyst, Sentiment Analyst ve Reporter rolleri gösterilir. Ancak kaynak özellikle gerçek deneysel CrewAI implementasyonunda iki ajan instantiate edildiğini; bazı analitik bileşenlerin bağımsız agent değil internal module olarak uygulandığını belirtir.

LangChain, LangGraph ve CrewAI Arasındaki Temel Mimari Fark Nedir?

Kaynakta LangChain esas olarak developer kontrollü ve ardışık pipeline yapısını, LangGraph kalıcı paylaşılan state ve graph tabanlı orkestrasyonu, CrewAI ise uzman rol ve görev paylaşımına dayanan multi-agent işbirliğini temsil eder. Çalışmanın amacı bu üç yaklaşımı tek bir “en iyi framework” sıralamasına sokmak değil, farklı orkestrasyon felsefelerinin reasoning continuity, state visibility, coordination complexity ve developer control üzerindeki etkisini göstermektir.

Framework karşılaştırmasından çıkarılan temel sonuç

Veri kaynakları, analitik hesaplamalar ve kullanılan LLM sabit tutulduğunda gözlenen temel farklılıklar model zekâsından çok orkestrasyon ve state-management mimarisinden kaynaklanmıştır. Kaynağın değerlendirmesine göre framework mimarisi factual consistency, reasoning continuity, değişen piyasa koşullarına adaptasyon ve oluşturulan çıktıların genel güvenilirliği üzerinde etkili olabilir.

Bu nedenle framework seçimi yalnız “hangi araç daha popüler?” sorusuna göre değil; uygulamanın:

• kalıcı state gereksinimi,
• dallanma ve geri döngü ihtiyacı,
• ajanlar arası koordinasyon seviyesi,
• developer control ihtiyacı,
• traceability beklentisi,
• uzun görev süresi

gibi mimari gereksinimlerine göre yapılmalıdır.

Gerçek dünya uygulama alanları

Derleme agentic AI kullanımını sağlık, kent yönetimi, iş ve finans, üretim ve siber güvenlik gibi alanlarda inceler.

Sağlık

Sağlık uygulamalarında agentic yapılar hasta izleme, klinik karar desteği, ilaç yönetimi, yaşlı bakım desteği ve veri entegrasyonu gibi görevlerde ele alınmaktadır. Bununla birlikte hasta güvenliği, açıklanabilirlik, izlenebilirlik ve mevzuat nedeniyle merkezi gözetim veya hibrit koordinasyon önem kazanmaktadır.

Kent yönetimi

Şehir yönetiminde ulaşım, konut, bütçeleme, çevresel izleme ve kamusal hizmetlerde dağıtık ajanların ortak politika hedefleriyle çalışabileceği hibrit modeller ele alınmaktadır. Burada teknik performans kadar şeffaflık, prosedürel adalet ve insan gözetimi de kritik görülmektedir.

Finans

Finans alanında ajanlar piyasa analizi, risk yönetimi, sahtekârlık tespiti, portföy analizi ve trading workflow'larında kullanılmaktadır. Derleme literatürde bildirilen çeşitli uygulama sonuçlarını aktarır; ancak bu performans değerlerinin önemli bölümü bu makalenin kendi kontrollü deneyinden değil, incelenen dış çalışmalardan gelmektedir.

Üretim

Üretimde agentic AI, sabit otomasyon mantığını multimodal algılama, hata teşhisi, dijital ikiz, uzun vadeli planlama ve otomatik iyileştirme döngüleriyle genişletme potansiyeli üzerinden tartışılmaktadır.

Siber güvenlik

Siber güvenlikte çok sayıda uzman ajan ağ trafiği izleme, tehdit analizi, risk değerlendirmesi ve response görevlerini paralel yürütebilir. Ancak daha fazla araç erişimi ve inter-agent communication aynı zamanda saldırı yüzeyini de büyütür.

Agentic AI'nın Başlıca Riskleri Nelerdir?

Derleme, özerklik arttıkça yalnız faydanın değil sistem risklerinin de büyüdüğünü özellikle vurgular. Kaynakta ele alınan ana sorun kümeleri şunlardır:

1. Agent davranışının opaklığı ve öngörülemezliği.
2. Hafıza, tool use ve agent communication nedeniyle genişleyen saldırı yüzeyi.
3. Dağınık veri, eski sistemler ve düşük interoperability nedeniyle uçtan uca otonominin zorlaşması.
4. Kapalı döngü ve self-healing kabiliyetlerinin güvenli biçimde uygulanamaması.
5. Probabilistic LLM reasoning ile deterministik güvenlik ve düzenleme gereksinimleri arasındaki çatışma.
6. Trust, accountability ve etik governance boşlukları.
7. Bias ve misaligned objective nedeniyle adaletsiz sonuçların ölçeklenmesi.
8. Standart agentic AI benchmark ve validasyon çerçevelerinin eksikliği.
9. Uzun-horizon ve çok-ajanlı reasoning'de ölçeklenebilirlik sorunları.

Reasoning drift nedir?

Reasoning drift, uzun süren veya çok sayıda ajan içeren iş akışlarında erken aşamalardaki küçük bir yanlışlığın sonraki reasoning adımlarında tekrar kullanılarak giderek büyümesini ifade eder. Uzun context zincirleri, ara çıktılar ve ajanlar arası bilgi aktarımı arttıkça bu tür hata birikimi sistemin nihai kararında büyük tutarsızlıklara dönüşebilir.

Agent sayısını artırmak her zaman daha iyi midir?

Hayır. Makalenin sistem perspektifine göre daha fazla ajan; uzmanlaşma ve paralel yürütme avantajı sağlayabilir, fakat iletişim overhead'i, state synchronization, conflict resolution, redundant action ve error propagation maliyetlerini de artırır. Çok-ajan mimarisi ancak koordinasyon yapısı uygulamanın gereksinimine uygunsa avantaj sağlar.

İnsan gözetimi neden hâlâ gerekli?

Kaynağın değerlendirmesine göre sağlık, finans, kamu yönetimi ve diğer yüksek etkili alanlarda agentic özerklik açıklanabilirlik, güvenlik ve hesap verebilirlik mekanizmaları olmadan yeterli değildir. Human-in-the-loop yaklaşımı, özellikle probabilistic reasoning'in mevzuat veya güvenlik sınırlarıyla çatışabileceği durumlarda kritik bir kontrol katmanı olarak ele alınmaktadır.

Çalışmanın desteklediği

• Agentic davranış sistem düzeyindeki mimari tasarımdan doğar.
• Algılama, reasoning, action, memory ve learning temel işlevlerdir.
• Tek ve çok ajanlı mimariler farklı koordinasyon avantajları ve riskleri taşır.
• LangChain, LangGraph ve CrewAI farklı orkestrasyon paradigmalarını temsil eder.
• Shared persistent state uzun workflow'larda reasoning sürekliliğini destekleyebilir.
• Rol tabanlı çok-ajan yaklaşımı görev uzmanlaşmasını kolaylaştırabilir.
• Özerklik arttıkça güvenlik, auditability ve governance daha kritik hale gelir.

Çalışmanın desteklemediği

• Tek bir agentic framework'ün bütün görevlerde en iyi olduğu gösterilmemiştir.
• LangChain, LangGraph ve CrewAI karşılaştırması bütün kullanım alanlarına genellenemez.
• Uygulamalardaki bütün performans yüzdeleri bu çalışmanın kendi deney sonucu değildir; önemli bir bölümü taranan literatürden gelmektedir.
• Agentic AI'nın insan gözetimi olmadan güvenli olduğu kanıtlanmamıştır.
• Daha fazla agent'ın otomatik olarak daha yüksek doğruluk verdiği gösterilmemiştir.
• Agentic AI için evrensel ve standartlaştırılmış doğrulama sistemi henüz bulunmamaktadır.

Gelecek araştırma yönleri

Kaynak, gelecekteki agentic AI tasarımının yalnız daha yüksek özerklik hedeflememesi gerektiğini savunur. Önemli araştırma konuları arasında:

• formal verification ile LLM reasoning entegrasyonu,
• denetlenebilir reasoning trace'leri,
• verifiable memory,
• policy-constrained planning,
• hafıza tutarlılığı,
• reasoning drift kontrolü,
• büyük agent popülasyonlarının koordinasyonu,
• adversarial manipulation'a dayanıklılık,
• human-in-the-loop governance

yer almaktadır.

Bu perspektifte agentic AI'nın başarısı yalnız “ne kadar özerk?” sorusuyla ölçülmemelidir. Güvenilir gerçek dünya dağıtımı, özerkliğin şeffaflık, doğrulanabilirlik, insan gözetimi, güvenlik ve etik yönetişim ile ne ölçüde dengelenebildiğine bağlıdır.

Kaynak ve Yöntem Notu

Özgün başlık: Agentic AI: A Perspective on Architecture, Frameworks and Applications

Yazarlar: Priyadarshini Raghavendra; Manob Jyoti Saikia.

Sorumlu yazar: Manob Jyoti Saikia.

Kurumlar: Biomedical Sensors & Systems Lab ve Electrical and Computer Engineering Department, University of Memphis, Memphis, Tennessee, USA.

Dergi: AI.

Cilt / sayı / makale: 2026, 7(6), 219.

DOI: 10.3390/ai7060219

Yayınevi: MDPI.

Yayın tarihi: 14 Haziran 2026.

Kaynak türü: Review; literatür derlemesine kontrollü framework uygulama karşılaştırması eşlik etmektedir.

Lisans: Creative Commons Attribution (CC BY).

Literatür yöntemi: ACM Digital Library, IEEE Xplore, ScienceDirect, SpringerLink ve Google Scholar üzerinden ağırlıklı olarak 2023–2025 literatürü taranmıştır. İlk 75 kayıttan 68'i abstract taramasına, 60'ı nihai tam metin analizine alınmıştır.

Framework deney bölümü: LangChain v0.3.27, LangGraph v1.0.8 ve CrewAI v1.1.0 Python 3.13.7 altında ortak Bitcoin piyasa analizi göreviyle karşılaştırılmıştır. Finansal hesaplamalar LLM dışında deterministik araçlarla gerçekleştirilmiş, LLM anlatı sentezine ayrılmıştır.

Finansman: National Science Foundation, USA, Grant No. 2514612.

Etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Kaynak “No new data were created or analyzed in this study” bildirimini vermektedir. Framework karşılaştırmasında mevcut piyasa verileri ve yazılım araçları kullanılmıştır; bu nedenle bu ifade yeni özgün veri seti üretimi yapılmadığı şeklinde okunmalıdır.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Temel sınırlılıklar: Agentic AI alanı son derece hızlı değişmektedir; proprietary ve henüz yayımlanmamış sistemler derleme kapsamı dışında kalabilir. Framework karşılaştırması yalnız LangChain, LangGraph ve CrewAI'ı tek bir cryptocurrency market analysis görevi içinde incelemektedir. Karşılaştırma evrensel performans sıralaması değildir.

Görsel notu: Kaynağın yaşam döngüsü, mimari sınıflandırma, ReAct, BDI ve multi-agent coordination şekilleri birebir kopyalanmamalıdır. Verianla için aynı bilimsel ilişkiler; yeni düğüm yerleşimi, yeni ikonografi, yeni tipografik hiyerarşi ve bağımsız görsel kompozisyonla sıfırdan yeniden kurulmalıdır.