SEO çalışmalarında en çok vakit alan ve gözden kaçan adımlardan biri iç link optimizasyonu. Yüzlerce, hatta binlerce içerik barındıran sitelerde hangi makalenin hangisine bağlanması gerektiğini manuel bulmak, saatler süren bir işkenceye dönüşebiliyor. İşte tam bu noktadaiç link önerisi yapan AI ajanı iş akışı tasarlama devreye giriyor: Doğru kurgulandığında hem zamandan tasarruf sağlıyor hem de Google’ın gözünde sitenizin tematik bütünlüğünü güçlendiriyor.
Kilit Çıkarım: Bir AI ajanı, içeriklerinizi semantik olarak analiz edip “şu paragraf, şu makaleye link vermeli” önerilerini saniyeler içinde üretebilir. Üstelik bu sistemi n8n, Make.com veya Python tabanlı araçlarla kendiniz kurabilirsiniz.
Başlamadan Önce
Herhangi bir otomasyon projesine atlamadan önce altyapınızı netleştirmek kritik. Aşağıdaki iki listeyi gözden geçirin; eksik olan varsa önce onu tamamlayın.
Gerekenler (Araçlar)
- Otomasyon platformu: n8n (self-host veya cloud), Make.com ya da Zapier
- LLM API erişimi: OpenAI GPT-4o, Claude 3.5 Sonnet veya Gemini 1.5 Pro
- İçerik veritabanı: Sitemap XML, Airtable, Notion veya doğrudan WordPress REST API
- Vektör veritabanı (opsiyonel ama önerilen): Pinecone, Qdrant veya Supabase pgvector
Ön Koşullar
- Sitenizde en az 30-50 yayınlanmış içerik olmalı; aksi hâlde link önerisi mantıklı olmaz.
- İçeriklerin başlık, URL ve özet (meta description veya ilk paragraf) bilgilerine programatik erişim şart.
- Temel JSON ve API kavramlarına aşinalık işinizi kolaylaştırır.
İş Akışının Genel Mimarisi

Bir iç link önerisi ajanı temeldedört katmandan oluşur. Bu katmanları anlamak, hangi aracı nerede kullanacağınızı netleştirir.
| Katman | Görevi | Örnek Araçlar |
|---|---|---|
| Veri Toplama | Mevcut içerikleri çekme, indeksleme | WordPress API, Sitemap Parser, Screaming Frog |
| Embedding Oluşturma | Her içeriği vektöre dönüştürme | OpenAI text-embedding-3-small, Cohere Embed |
| Semantik Eşleştirme | Benzer içerikleri bulma | Pinecone, Qdrant, Supabase pgvector |
| Öneri Üretimi | LLM ile bağlamsal link önerisi | GPT-4o, Claude 3.5 Sonnet |
Maliyet: Ortaölçekli bir site (500içerik) için aylık embedding + LLM maliyeti yaklaşık 5-15 USD arasında kalıyor. Vektör veritabanı olarak Supabase veya self-hostQdrant kullanırsanız ek maliyet sıfıra yakın.
Adım Adım: n8n ile İç Link Ajanı Kurulumu

n8n, açık kaynak olması ve self-host imkânı sunması nedeniyle SEO otomasyonlarında popülerliğini artırıyor. Aşağıdaki adımları takip ederek temel bir iç link öneri sistemi kurabilirsiniz.
- Sitemap veya WordPress API’den içerikleri çek: HTTP Request node ile sitemap.xml dosyasını parse et. Her URL için başlık ve özet bilgisini al.
- Embeddingoluştur: OpenAI node kullanarak her içeriğin başlık + özet kombinasyonunu text-embedding-3-small modeline gönder. Dönen vektörü sakla.
- Vektör veritabanına yaz: Pinecone veya Qdrant node ile her vektörü, metadata (URL, başlık) ile birlikte kaydet.
- Yeni içerik tetikleyicisi kur: WordPress’te yeni bir yazı yayınlandığında webhook tetiklensin. Bu yazının embedding’inioluştur.
- Benzer içerikleri sorgula: Vektör veritabanında “top 5 most similar” sorgusu çalıştır. Dönen sonuçlar potansiyel iç link hedefleri.
- LLM ile öneri üret: GPT-4o’ya şu prompt’u gönder: “Aşağıdaki yeni içerik için, verilen 5 benzer makaleden hangilerine, hangi anchor text ile link verilmeli? Sadece mantıklı olanları öner.”
- Sonuçları kaydet veya bildirim gönder: Önerileri Notion’a, Airtable’a veya doğrudan Slack’e gönder. İsteğe bağlı olarak WordPress’e otomatik ekleme de yapılabilir.
Pro İpucu: LLM’e gönderdiğin prompt’ta “sadece tematik olarak güçlü eşleşmeleri öner, zorlama link verme” talimatını ekle. Aksi hâlde yapay zekâ her içerik için mutlaka öneri üretmeye çalışır ve kalite düşer.
Süre: İlk kurulum yaklaşık 2-4 saat. Sonrasında her yeni içerik için sistem10-30 saniyede öneri üretiyor.
Alternatif Yaklaşım: Python + LangChain ile ÖzelAjan
Daha fazla kontrol isteyenler için Python tabanlı bir çözüm de mümkün. LangChain veya LlamaIndex kullanarak ReAct tarzı birajan tasarlayabilirsiniz.
Temel Akış
- Veri yükleme: BeautifulSoup veya Scrapy ile site içeriklerini çek.
- Chunking: Uzun içerikleri 500-1000 token’lık parçalara böl.
- Vektör indeksi: FAISS veya ChromaDB ile lokal indeks oluştur.
- Ajan tanımı: LangChain Agent’a “search_similar_content” ve “suggest_anchor_text” araçlarını tanımla.
- Çalıştırma: Yeni içerik URL’sini girdikten sonra ajan otomatik olarak benzer içerikleri bulur ve öneri listesi döner.
Risk Seviyesi: Orta. Python bilgisi gerektirir, ancak LangChain dokümantasyonu oldukça kapsamlı.
Şu Durumda Ne Yaparsın?
Diyelim ki 800içerikli bir e-ticaret blogunuz var ve geçmiş içeriklere hiç iç link eklenmemiş. Bu durumda:
- Önce tüm içeriklerin embedding’ini toplu olarak oluştur (batch processing).
- Her içerik için “top 3 similar” sorgusu çalıştır ve sonuçları bir tabloya kaydet.
- LLM’e toplu prompt göndermek yerine, önce manuel olarak 20-30 öneriyi incele. Kalite yeterliyse otomasyonu genişlet.
- Eski içeriklere link eklerken “nofollow” kullanma; iç linklerdedofollow standart.
Yaygın Hatalar ve Kaçınılması Gerekenler
- Aşırı link yoğunluğu: Bir paragrafta 5-6 iç link okuyucu deneyimini bozar. Makale başına 3-7 iç link ideal.
- Generic anchor text: “Buraya tıklayın” veya “bu yazı” gibi ifadeler SEO değeri taşımaz. Hedef sayfanın anahtar kelimesini içerendoğal anchor kullan.
- Sadece yeni içeriklere odaklanmak:Eski içeriklerin de güncellenmesi gerekir; “reverse internal linking” stratejisini unutma.
- Vektör veritabanını güncel tutmamak: Yeni içerik ekledikçe indeksi de güncelle, aksi hâlde öneriler eksik kalır.
Sıkça Sorulan Sorular
Hangi LLM modeli iç link önerileri için enuygun?

Pratikte GPT-4o ve Claude 3.5 Sonnet benzer kalitede sonuç veriyor. Maliyet açısından GPT-4o-mini veya Claude Haiku daha ekonomik; ancak karmaşık anchor text önerileri için tam sürüm modellerdaha tutarlı.
Vektör veritabanı şart mı?
Küçük siteler (100içerik altı) için şart değil; LLM’e doğrudan tüm başlıkları gönderebilirsiniz. Ancak 200+ içerikte token limiti ve maliyet nedeniyle vektör veritabanı zorunlu hâle geliyor.
Otomatik link ekleme güvenli mi?
Tam otomatik ekleme riskli olabilir. En güvenli yöntem: AI önerileri üretsin, editör onaylasın, sonra toplu ekleme yapılsın. “Human-in-the-loop” yaklaşımı kaliteyi korur.
Bu sistem çok dilli siteler için çalışır mı?
Evet, ancak her dil için ayrı embedding indeksi oluşturmanız gerekir. Türkçe içerikler için OpenAI embedding modelleri gayet başarılı sonuç veriyor.
Sonuç
İç link önerisi yapan bir AI ajanı kurmak, ilk bakışta karmaşık görünse de doğru araçlarla birkaç saatlik bir yatırımla hayata geçirilebilir. n8n veya Make.com gibi no-code platformlar teknik bilgisi sınırlı olanlar için ideal bir başlangıç noktası sunarken, Python + LangChain kombinasyonu daha fazla esneklik sağlıyor.
Önemli olan, sistemi kurduktan sonra düzenli olarak çıktılarıdenetlemek. AI önerileri %100doğru olmayabilir; ancak manuel süreçle kıyaslandığında %80-90 doğruluk oranı bile ciddi zaman tasarrufu anlamına geliyor. Başlangıç olarak50içerikle test edin, sonuçları değerlendirin ve ardından ölçeklendirin.












Cevap ver