Yapay Zeka - AI

İç link önerisi yapan AI ajanı iş akışı tasarlama

By Sena

November 22, 2026

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)

Ön Koşullar

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.

  1. Sitemap veya WordPress API’den içerikleri çek: HTTP Request node ile sitemap.xml dosyasını parse et. Her URL için başlık ve özet bilgisini al.
  2. Embeddingoluştur: OpenAI node kullanarak her içeriğin başlık + özet kombinasyonunu text-embedding-3-small modeline gönder. Dönen vektörü sakla.
  3. Vektör veritabanına yaz: Pinecone veya Qdrant node ile her vektörü, metadata (URL, başlık) ile birlikte kaydet.
  4. Yeni içerik tetikleyicisi kur: WordPress’te yeni bir yazı yayınlandığında webhook tetiklensin. Bu yazının embedding’inioluştur.
  5. Benzer içerikleri sorgula: Vektör veritabanında “top 5 most similar” sorgusu çalıştır. Dönen sonuçlar potansiyel iç link hedefleri.
  6. 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.”
  7. 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

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:

Yaygın Hatalar ve Kaçınılması Gerekenler

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.