Kod Yazmadan AI Agent Yapımı: n8n, Flowise ve Zapier (2026)

Bir AI agent kurmak için Python bilmek ya da terminal komutlarını ezberlemek gerekmiyor. 2026’da n8n, Flowise ve Zapier gibi görsel araçlarla sürükle-bırak arayüzü üzerinden çalışan agent’lar birkaç saatte kurulabiliyor.

No-Code AI Agent Neden?

Geliştiriciler için sıfırdan agent kurmak farklı bir yol: CrewAI, LangGraph, Python ortamı, token yönetimi. Bunlar güçlü araçlar ama doğrudan geliştiricilere yönelik.

Pek çok kişi kod yazmak zorunda kalmadan şu işleri yapmak istiyor:

• Gelen müşteri e-postalarını otomatik kategorize etmek
• Şirket belgelerini sorgulayan bir dahili chatbot oluşturmak
• Sosyal medya metriklerini her sabah özetleyen bir agent çalıştırmak
• Form verilerini alıp CRM’e yazan, ardından ilgili kişiye bildirim gönderen bir akış kurmak

Bu senaryolarda kod zorunlu değil. Görsel araçlar LLM çağrısını, bellek yönetimini ve araç entegrasyonunu kullanıcı arayüzü katmanında soyutluyor.

No-code yolun pratik avantajı hız: bir fikri çalışan agent’a dönüştürmek saatlerle ölçülüyor. Akışı değiştirmek için yeniden deployment gerekmez; arayüzde bir node’u güncelleyip kaydediyorsunuz.

Kısıtlamalar da gerçek. Döngü karmaşıklığı arttığında, özel bir tool entegrasyonu gerektiğinde ya da token maliyetlerini hassas biçimde kontrol etmek istediğinizde kod tabanlı yaklaşım daha fazla esneklik sunuyor. Ancak bu üç araç çoğu gerçek iş senaryosunu karşılıyor.

Teknik bilgi durumu açısından: n8n ve Flowise self-host için terminal ve Docker temel düzeyinde yeterli. Zapier’de ise kurulum sıfır; tarayıcıda hesap açıp başlıyorsunuz.

Araçlar: n8n, Flowise ve Zapier

Üç araç benzer kategoride görünse de odak noktaları farklı. Aşağıdaki tablo 2026 yılı resmi belgeler baz alınarak hazırlanmıştır.

Kaynak: n8n.io, flowiseai.com, zapier.com (Eylül 2026 itibarıyla resmi fiyatlandırma ve özellik sayfaları).

Seçim büyük ölçüde teknik seviyenize, self-host ihtiyacınıza ve agent’ın yapacağı işe göre şekilleniyor.

n8n ile AI Agent Kurulumu

n8n başlangıçta bir iş akışı otomasyon aracı olarak çıktı. 2024’ten itibaren gelen AI Agent ve LangChain node’ları onu ciddi bir no-code agent platformuna taşıdı. Fark şu: n8n’de AI yalnızca bir node; onu veritabanı sorgularıyla, koşullu dallarla, HTTP çağrılarıyla serbestçe birleştirebiliyorsunuz. Saf bir chatbot platformu değil, AI’ı daha geniş iş akışlarına entegre eden bir yapı.

n8n Kurulum

En hızlı yol Docker:

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

Tarayıcıda http://localhost:5678 adresini açın. Hesap oluşturun, ana ekrandan başlayın.

Bulut tercih edenler için n8n.cloud üzerinden kaydolabilir, ücretsiz deneme süresini kullanabilirsiniz.

İlk AI Workflow

Senaryo: Webhook üzerinden gelen müşteri mesajını alıp GPT-4o’ya gönderen ve yanıtı e-posta olarak ileten basit bir agent.

1. Yeni workflow açın, + butonundan devam edin.
2. İlk node olarak Webhook ekleyin. “Test URL”yi kopyalayın.
3. Webhook’a bağlı olarak OpenAI node’u ekleyin. Operation: “Message a model”, Model: “gpt-4o”. Prompt alanına {{$json.body.message}} yazın.
4. Ardından Send Email (Gmail veya SMTP) node’u ekleyin. Body alanı: {{$json.message.content}}.
5. Kaydedin ve “Execute Workflow” ile test edin.

Bu üç node “gelen istek → LLM → yanıt gönder” döngüsünü kuruyor. İşlevsel bir agent için yeterli başlangıç noktası.

Agent Döngüsü

Basit LLM çağrısı yerine gerçek bir agent döngüsü istiyorsanız n8n’in AI Agent node’unu kullanın:

1. OpenAI node’u yerine AI Agent node’u ekleyin.
2. System Message yazın: “Sen bir müşteri destek asistanısın. Türkçe yanıt ver. Sorun teknikse, teknik ekibe ilet.”
3. “Tools” bölümüne HTTP Request tool’u ekleyin (dahili API’ye ticket açmak için).
4. Memory için Window Buffer Memory node’u bağlayın: son 5 mesajı hatırlasın.

Bu yapı gerçek anlamda bir agent döngüsü: LLM araç çağırıyor, sonucu değerlendiriyor, gerekirse tekrar çağırıyor. Tek satır JavaScript yok; her şey görsel node bağlantılarıyla kuruluyor.

Flowise ile Visual Agent Builder

Flowise doğrudan LLM uygulama geliştirmeye odaklanmış. LangChain ve LlamaIndex bileşenlerini görsel arayüzde birbirine bağlıyorsunuz. n8n’in aksine burada otomasyon arka planda; ön plan tamamen AI akışları üzerine kurulu. Bu odak, özellikle chatbot ve RAG uygulamaları için arayüzü çok daha sezgisel kılıyor: hangi bileşenin nereye gideceği canvas üzerinde görünür, bağlantılar mantıklı hiyerarşiyi takip ediyor.

Flowise Kurulum

docker run -d \
  --name flowise \
  -p 3000:3000 \
  -v ~/.flowise:/root/.flowise \
  flowiseai/flowise

http://localhost:3000 adresini açın. İlk kurulumda hesap gerektirmiyor; doğrudan canvas’a ulaşıyorsunuz.

Chatflow ve Agentflow

Flowise iki temel mod sunuyor:

Chatflow: Sabit bir zincir. Kullanıcı mesajı → retriever (isteğe bağlı) → LLM → yanıt. Araç çağrısı yok, döngü yok. Belgelerinizi sorgulayan basit bir chatbot için bu mod yeterli.

Agentflow: Gerçek bir ReAct döngüsü. LLM karar veriyor, araç çağırıyor, sonucu değerlendiriyor, gerekirse araçları yeniden kullanıyor. Daha karmaşık görevler için bu mod doğru seçim.

RAG Agent Örneği

RAG mimarisi belge tabanlı soru-cevap için en yaygın yaklaşım. Flowise’da şu şekilde kuruluyor:

1. Sol panelden PDF File loader’ı canvas’a sürükleyin.
2. Text Splitter ekleyin (Recursive Character Text Splitter, chunk size: 1000).
3. OpenAI Embeddings node’u ekleyin, API anahtarınızı girin.
4. Qdrant (ya da Pinecone veya Chroma) vector store ekleyin.
5. Conversational Retrieval QA Chain node’u ekleyin, bileşenleri birbirine bağlayın.
6. Chat OpenAI (gpt-4o-mini bu senaryo için yeterli) ekleyin.
7. Sağ üstten Save → Chat butonuna tıklayın.

PDF yükleyin, kaydedin. Artık o belgeyle sohbet edebilirsiniz. Hiç kod yazmadan çalışan bir RAG chatbotu bu kadar.

Local çalışmayı tercih edenler için Chroma ek bir Docker container gerektiriyor ama tamamen ücretsiz. Qdrant hem self-host hem bulut olarak kullanılabiliyor.

Agentflow modunda ise birden fazla belge kaynağını, web araması gibi harici tool’ları ve bellek bileşenlerini aynı anda bağlayabiliyorsunuz. Müşteri destek chatbotu, şirket wiki üzerine kurulu dahili asistan ya da ürün kataloğunu sorgulayan satış aracısı gibi senaryolar Flowise Agentflow ile gerçekçi bir şekilde kurulabiliyor. Bileşen sayısı arttıkça canvas karmaşıklaşabiliyor, bu yüzden her akışı ayrı bir tab’da tutmak iyi bir alışkanlık.

Zapier ile AI Otomasyonu

Zapier’in temel avantajı 7.000’den fazla uygulama entegrasyonu. Self-host gerektirmeden, tarayıcı üzerinden bağlanabiliyorsunuz. Gmail, Slack, Notion, HubSpot, Airtable, Typeform gibi araçlarla bir Zap oluşturmak dakikalar alıyor. Teknik seviye gerektirmiyor; birini kullanan hemen adapte oluyor.

AI by Zapier

“AI by Zapier” Zap’lara yerleşik bir LLM adımı eklemenizi sağlıyor. Ayrı bir API anahtarı ya da OpenAI hesabı gerektirmiyor; Zapier aboneliğinize dahil.

Basit bir e-posta özetleyici:

1. Trigger seçin: “New Email in Gmail”.
2. Action olarak AI by Zapier ekleyin.
3. Prompt alanına: Aşağıdaki e-postayı 3 cümlede özetle ve müşteri talebi kategorisini belirle: {{body}}
4. Bir sonraki action olarak Google Sheets ekleyin: özeti ve kategoriyi ilgili satıra yaz.
5. Zap’ı yayınlayın.

Gerçek Kullanım Senaryoları

Lead qualification: Typeform → AI by Zapier (formdaki yanıtlara göre öncelik skoru oluştur) → CRM’e nitelikli lead olarak kaydet.

Toplantı özeti: Calendly etkinliği sona erdi → AI by Zapier (transcript özetle) → Notion sayfasına yaz → ilgili kişiye Slack mesajı at.

İçerik moderasyonu: Yeni forum gönderisi → AI by Zapier (uygun mu, değil mi?) → uygunsaysa moderatöre e-posta gönder.

Zapier’in belirgin bir sınırı var: Agentflow yapısı yok. Her adım çizgisel. Gerçek bir ReAct döngüsü kurma imkanı sunmuyor; yalnızca tek adımlı LLM çağrısı yapabiliyorsunuz. Araçlar arası karar döngüsü gerekiyorsa n8n veya Flowise daha uygun.

Karşılaştırma: Hangisini Seçmeli?

Self-host gerekiyor, veri gizliliği kritik: n8n ya da Flowise. Her ikisi açık kaynak, kendi sunucunuzda çalışıyor.

Tamamen LLM ve agent odaklı bir uygulama kuruyorum: Flowise. Chatflow, Agentflow, RAG, vektör veritabanı bağlantısı doğrudan arayüzde mevcut. LangChain bileşenlerini görsel olarak birleştirmek özellikle chatbot ve RAG için en hızlı yol.

Geniş uygulama ekosistemi önemli, hızlı entegrasyon lazım: Zapier. 7.000’den fazla entegrasyon, kurulum yok, sıfır altyapı. Ama agent döngüsü olmadığını unutmayın.

Karmaşık iş akışı ve AI birlikte gerekiyor: n8n. Webhook’lardan API çağrılarına, koşul dalları ve döngülere kadar iş akışı kontrolü güçlü; AI Agent node ile döngüsel agent davranışı da eklenebiliyor.

Ücretsiz başlamak istiyorum, sıfır kod: Flowise self-host en temiz başlangıç noktası. Tek Docker komutu, API limit yok, arayüz sezgisel. İlk chatbot’u denemek için ödeme kartı bile gerekmez; OpenAI API anahtarınız varsa başlamak için başka bir şeye ihtiyacınız yok.

İleri Adımlar

Bu üç araç birbirini dışlamıyor. Flowise ile kurduğunuz bir chatbot’u n8n üzerinden tetikleyebilir, Zapier akışına bağlayabilirsiniz. Bir kullanım senaryosu: Flowise’da şirket belgelerinizi indeksleyip bir API endpoint’i oluşturuyorsunuz, sonra n8n’de o endpoint’i tetikleyen bir workflow kuruyorsunuz. n8n ve genel otomasyon konusunu daha derinlemesine incelemek isteyenler için ayrı bir rehber mevcut.

Prompt mühendisliği pratiği yapın. Agent’ın sistem prompt’unu doğru yazmak davranışı kökten etkiliyor. Zayıf bir system prompt, iyi bir altyapıyı bile tutarsız çıktıya sürükler.

Vektör veritabanı seçiminizi netleştirin. Flowise ile RAG kurarken Qdrant, Pinecone ve Chroma arasındaki farkları anlamak için RAG mimarisine daha derin bakın. Self-host, performans ve bütçe dengesine göre seçim yapın.

Agent’ı izlemeye alın. n8n’de her workflow execution loglanıyor ve hata mesajları doğrudan arayüzde görünüyor. Flowise’da konuşma geçmişini inceleyebiliyorsunuz. Neyin çalışıp neyin çalışmadığını görmeden geliştirme körlemesine ilerliyor.

Kodu yazmak isteyenler için Python tabanlı, CrewAI veya LangGraph ile daha kontrollü agent mimarilerini sıfırdan agent kurma rehberinde bulabilirsiniz. Her iki yol da aynı yere çıkıyor: çalışan bir agent.

No-code araçların gerçek değeri, bir fikri hızla somutlaştırmakta yatıyor. Agent’ın ne yaptığını, nerede takıldığını, hangi prompt’un işe yaradığını görmek için kod yazmanız gerekmiyor. Çalışan bir prototip üretip ardından o deneyimi kodlu mimariye taşımak da geçerli bir yol. Önce çalıştır, sonra ihtiyaca göre optimize et.