"Operasyonlar için AI" başlığındaki değerin çoğu chatbot'lardan değil, küçük ve kapsamı iyi çizilmiş otomasyonlardan gelir: gürültülü bir alarm fırtınasını üç satırlık bir özete çeviren bir iş akışı, olay zaman çizelgesinden derlenen bir taslak postmortem, doğru runbook'u gerçekten bulan bir iç arama. Bu makale, 2026'da bu sistemleri kurarken kullandığımız mimariyi anlatıyor — orkestrasyon için n8n, dil işleri için büyük bir dil modeli, iç dokümantasyon üzerinde retrieval-augmented generation (RAG) ve hepsini dürüst tutan guardrail'ler.

Modelle Değil, İş Akışıyla Başlayın

Çoğu ekibin yaptığı hata modelden başlamak. Bunun yerine iş akışı motorundan başlayın. n8n, kendi sunucunuzda barındırabileceğiniz, kaynağı açık (source-available) bir iş akışı otomasyon platformu — iş akışlarınız alarm payload'ları, ticket içerikleri ve iç dokümantasyon taşıyorsa bu önemli. Tipik bir operasyon iş akışı, Alertmanager'dan gelen bir webhook, kuyruğa düşen bir mesaj ya da bir cron zamanlamasıyla tetiklenir; ardından olay, herhangi bir model devreye girmeden önce deterministik adımlarla zenginleştirilir — sahibi olan ekip bulunur, son deployment'lar çekilir, ilgili dashboard linki getirilir.

LLM node'unu tasarımın merkezi değil, birçok adımdan yalnızca biri olarak tutun. Bir lookup, bir filtre ya da bir şablonla yapılabilecek her şey öyle yapılmalı. n8n'in hata iş akışları ve retry ayarları geçici arızaları yönetir; credential deposu API anahtarlarını iş akışı tanımlarının dışında tutar. Sonuç, modelin yalnızca bir modelin yapabileceği işi yaptığı bir pipeline'dır: dağınık metni okumak ve işe yarar metin üretmek.

LLM'lerin Operasyonlarda Gerçekten İşe Yaradığı Yerler

Alarm Fırtınalarını Özetlemek

Paylaşılan bir bağımlılık çöktüğünde, nöbetçi mühendisler tek bir sorunu anlatan kırk alarm alır. Önce alarmları deterministik olarak gruplayıp tekilleştirin — cluster, servis ve label bazında — sonra gruplanmış payload'ı dar bir prompt'la modele verin. n8n'de system-message adımı olarak etkili bulduğumuz bir prompt:

# n8n'deki alarm-özeti node'u için system prompt
You are an SRE assistant. Summarize the following Alertmanager
payload in three lines: what is failing, the probable blast
radius, and the first diagnostic step from the linked runbook.
Do not invent metrics or services. If information is missing,
say so explicitly.

{{ $json.alerts }}

Kısıtlar, talimatlardan daha önemlidir. Özeti sabahın 3'ünde güvenilir kılan şey, "Do not invent metrics" ve "say so explicitly" satırlarıdır.

Runbook ve Postmortem Taslakları

Modeller, kimsenin yazmak istemediği belgelerin ilk taslaklarında iyidir. Olay zaman çizelgesini, sohbet dökümünü ve ilgili dashboard'ları bir taslak iş akışına verin; bir hafta sonra boş bir sayfa yerine dakikalar içinde bir postmortem iskeleti elde edersiniz. Aynısı runbook'lar için de geçerli: shell geçmişinden ve izleme sorgularından bir taslak üretin, sonra olayı gerçekten yöneten mühendise düzelttirin. Burada insan incelemesi opsiyonel değildir — taslak bir başlangıç noktasıdır, asla yayımlanan ürün değil. Bu işlerin hangisine hangi model ailesinin uyduğuna hâlâ karar veremediyseniz, hangi AI ne için daha iyi karşılaştırmamız bu ödünleşimleri ele alıyor.

İç Dokümantasyon Üzerinde RAG

Retrieval-augmented generation, bir operasyon asistanını internetin ortalama ortamı için değil, sizin ortamınız için faydalı kılan şeydir. Pipeline gösterişsizdir: runbook'ları, ADR'leri ve wiki sayfalarını parçalara (chunk) bölün, embed edin, vektörleri saklayın; sorgu anında en alakalı parçaları getirin ve soruyla birlikte modelin bağlamına yerleştirin.

Üç kural, RAG'i üretimde dürüst tutar. Birincisi, atıf zorunlu olsun — her yanıt kaynak belgeyi göstermeli ki mühendis harekete geçmeden önce doğrulayabilsin. İkincisi, değişiklikte yeniden indeksleyin: geçen çeyreğin runbook'unu sunan bir RAG sistemi hiç sistem olmamasından kötüdür, çünkü kendinden emin ve yanlış cevap verir. Yeniden indekslemeyi, dokümantasyonu yayımlayan pipeline'ın kendisine bağlayın. Üçüncüsü, erişim kontrolünü prompt'ta değil retrieval katmanında uygulayın — bir kullanıcı bir belgeyi okuyamıyorsa, retriever o belgeden parça döndürmemelidir.

Guardrail'ler ve Değerlendirme

Bir ops iş akışındaki LLM varsayılan olarak salt-okunur olmalıdır. Özetler, taslaklar ve öneriler güvenli hata modlarıdır; servisleri yeniden başlatmak değildir. İş akışının aksiyon aldığı yerlerde önüne bir insan onay kapısı koyun — n8n, wait-for-approval adımlarını yerleşik olarak destekliyor — ve aksiyon uzayını açık bir allowlist ile sınırlayın.

Değerlendirme, çoğu ekibin atladığı kısımdır. Gerçek geçmiş olaylardan küçük bir test seti kurun: bilinen-iyi özetleri olan alarm payload'ları, bilinen-doğru runbook cevapları olan sorular. Bir prompt'u, modeli ya da retrieval yapılandırmasını her değiştirdiğinizde bu seti çalıştırın. Prompt'ları kod gibi ele alın — sürüm kontrolünde, incelemeden geçen ve bir değişiklik eval setini geriletirse rollback edilen. Her prompt'u ve yanıtı loglayın; birisi asistanın söylediğini neden söylediğini sorduğunda, operasyonda "bilmiyoruz" kabul edilebilir bir cevap değildir.

Maliyeti Kontrol Altında Tutmak

Sürekli çalışan iş akışlarında token maliyetleri sessizce birikir. Etki sırasına göre kaldıraçlar: bir script yeterliyken model çağırmayın — sınıflandırma ve yönlendirme çoğu zaman bir regex ya da lookup tablosu olabilir; triyaj için küçük ve ucuz bir model kullanın, büyük modeli kalitenin insanlar tarafından görüldüğü adımlara saklayın; çağrı başına çıkış token'larını sınırlayın ve system prompt gibi tekrarlanan bağlamı cache'leyin; acil olmayan işleri olay olay işlemek yerine batch'leyin. Maliyeti API anahtarı başına değil, iş akışı başına ölçün — kontrolden çıkan tek bir özetleme döngüsü faturaya hükmedebilir ve bunu ayrı bir kalem olarak görmek istersiniz. Gözlemlenebilirlik yığınınız model harcamasını diğer her sinyal gibi ele almalı; en iyi izleme araçları derlememiz, bunun üzerine oturduğu Prometheus ve Grafana temellerini anlatıyor.

Bunların hiçbiri spekülatif değil — bu, herhangi bir üretim sistemine uyguladığınız disiplinin aynısı; sadece İngilizce konuşan yeni bir bileşene uygulanmış hâli. Ortamınız için alarm özetleme, dokümantasyonunuz üzerinde RAG ya da LLM guardrail'leri tasarlamakta yardım isterseniz, AIOps çözümleri ekibimiz tam olarak bu pipeline'ları kuruyor.

Bunu üretimde mi çalıştıracaksınız? AWS Yönetilen Hizmetler ekibimiz bu tür ortamları 7/24 işletiyor — izleme, olay müdahalesi, yama yönetimi ve maliyet kontrolü, isimleri belli kıdemli mühendislerle, aylık 3.000 €'dan başlayan fiyatlarla.

Etiketler: #AIOps #n8n #LLM #RAG #Otomasyon