Bu durumla hiç karşılaştınız mı?
Aynı Claude, aynı GPT-4o—biri 5 ayda 1 milyon satır kod yazmak için kullanırken, diğeri iki saat bile stabil çalıştıramıyor.
Modeller aynı, ama sonuçlar yer ile gök arasında.
Sorun nerede?
Geçenlerde OpenAI, Anthropic, Martin Fowler ve Phil Schmid'den bir sürü makale okudum ve hepsinin aynı şeyden bahsettiğini fark ettim.
Buna Donanım Mühendisliği (Harness Engineering) diyorlar.
Basitçe söylemek gerekirse, Ajan'ınız için bir "işletim sistemi" inşa etmek.
Önce, Donanımın Ne Olduğunu Anlayalım
Phil Schmid, HuggingFace blog yazısında harika bir benzetme yapmış.
Bir Ajan sistemini bir bilgisayar gibi düşünün.
Model CPU'dur, ham işlem gücünü sağlar. Bağlam penceresi RAM'dir, geçici olarak şeyleri depolar. Ajan ise üzerinde çalışan uygulamadır.
Peki, işletim sistemi nedir?
Donanım, işletim sistemidir.
Bir işletim sistemi olmadan, en güçlü CPU bile sadece bir çiptir. Bir çipin üzerinde yazı yazamazsınız.
Benzer şekilde, bir Donanım olmadan, en zeki model bile sadece bir sohbet kutusudur. Karmaşık bir görevi bir saat boyunca yürütmesine izin verirseniz, ya bağlamı unutursa? Onu çöp kod yazmaktan kim alıkoyar? Ya bir hata yapar ve bunun farkında bile olmazsa?
Bunlar "daha akıllı bir modele geçerek" çözeceğiniz sorunlar değil.
Martin Fowler aklıma kazınan bir şey söyledi: Donanımlar gelecekte "hizmet şablonları" haline gelebilir. Tıpkı bugün yeni bir projeye bir hizmet şablonuyla başladığınız gibi, yeni bir Ajan'a da bir Donanım şablonuyla başlayacaksınız.
Bence bu öngörünün gerçekleşmesi muhtemel.
Neden 2026'da Birdenbire Patladı?
Çünkü modeller artık yeterince güçlü.
2024'te herkes kimin modelinin daha akıllı olduğu konusunda yarışıyordu. 2026'ya gelindiğinde, en iyi modeller arasındaki fark çok küçüldü. Claude ve GPT'ye aynı problemi verirseniz, puanları sadece birkaç puan farklı oluyor.
Ama onları 8 saat boyunca aralıksız çalıştırırsanız, fark ortaya çıkıyor.
Bu fark modelin kendisinde değil; onu çevreleyen "donanımda."
OpenAI'in Codex ekibinin çarpıcı bir istatistiği var. Codex'i kullanarak eksiksiz bir ürün geliştirdiler—5 ay, 1 milyon satır kod, elle yazılmış sıfır satır. Süreç boyunca, darboğazın artık "model kod yazabiliyor mu?" olmadığını gördüler.
Darboğaz, insanların kodu yeterince hızlı inceleyip inceleyemediğiydi.
Model çıktı hızı, insan inceleme hızını geçti. Bu noktada, modeli optimize etmenin ne faydası var? İnceleme sürecini, kalite kontrolünü ve mimari kısıtlamaları optimize etmelisiniz.
Donanımın yaptığı da budur.
Üç Temel Sütun
Peki, bir Donanım aslında ne içerir?
Bu makaleleri okuduktan sonra, terminolojinin değişmekle birlikte üç temel sütun olduğunu gördüm.
1. Değerlendirme Kapalı Döngüsü
Anthropic'in en çok vurguladığı şey bu.
Temel fikir basit: Bir Ajan kendi notunu veremez.
Bir düşünün: bir stajyer bir raporu bitirir ve ona nasıl olduğunu sorarsanız, "iyidir" der. Değerlendirme yapacak bağımsız birine ihtiyacınız var.
Anthropic buna "Değerlendirme Odaklı Geliştirme" diyor. Önce "iyi yapmak" ne demek tanımlanır, sonra Ajan'ın yapmasına izin verilir ve son olarak bağımsız bir değerlendirici puan verir.
Değerlendirme Odaklı Geliştirme, Ajan versiyonu TDD'dir. Önce testleri yazın, sonra kodu. Tek fark, buradaki "testler" Ajan içindir.
Değerlendirici sadece koda bakmaz. Aslında ürünü çalıştırır—Playwright ile butonlara tıklar, formları doldurur ve testleri çalıştırır—sonra net standartlara göre karar verir.
Burada büyüleyici bir vaka var.
Anthropic'in Opus 4.5'i, bir uçuş rezervasyon testi sırasında bir rezervasyon politikasında bir boşluk buldu ve standart cevaptan daha iyi bir çözüm buldu.
Ama değerlendirici bunu "başarısızlık" olarak işaretledi.
Neden? Çünkü değerlendirici bu kadar yaratıcı bir çözüm beklemiyordu. Sadece bir tane standart cevap vardı ve Ajan daha iyisini bulduğu için cezalandırıldı.
Bu hikaye iki şeyi gösteriyor: birincisi, Ajanlar insanların düşünmediği çözümleri bulacak kadar akıllı. İkincisi, değerlendirme döngüsü sadece Ajan'ı kontrol etmekle kalmıyor; aynı zamanda değerlendirmenin kendisini de kontrol ediyor. Eğer değerlendiriciniz çok katıysa, darboğaz haline gelir.
Bir başka veri noktası: Opus 4.5 başlangıçta CORE-Bench'te %42 puan aldı. Puanlama hatalarını düzelttikten ve iskele kısıtlamalarını gevşettikten sonra puan %95'e fırladı.
Çoğu zaman, model yeterince iyi değildir; Donanımınızda sorun vardır.
Bu yöntemi kullanan Anthropic, bir Ajan'ın 6 saatte 200 dolara eksiksiz bir oyun geliştirmesini sağladı.
2. Mimari Kısıtlamalar
Bu, OpenAI Codex ekibinin uzmanlık alanı.
Bir stajyere "kod katmanlı olmalı" dersiniz, başını sallar, sonra hemen veritabanı katmanına UI mantığı yazar.
Konuşmak işe yaramaz.
OpenAI'in yaklaşımı, bunu linter'lar ve CI aracılığıyla mekanik olarak zorlamaktır. Mimari kuralları ihlal eden kod, daha incelemeye bile girmeden hemen reddedilir.
Kod katmanlamaları şöyle görünür: Türler → Yapılandırma → Hizmet → UI. Her katman sadece üstündeki katmana bağımlı olabilir, asla tersi değil. Bu kural sadece bir belgeye yazılmaz; otomatik kontrol için bir linter'a yazılır.
Daha da iyisi, bu linter'ların kendileri Codex tarafından oluşturulur.
Ajan kendi kurallarını yazar ve sonra onlara uyar.
Martin Fowler, OpenAI'in makalesini okuduktan sonra şunları söyledi:
"Güven ve güvenilirliği artırmak, çözüm alanını kısıtlamayı gerektirir. Bu, 'her şeyi üretme' esnekliğinden biraz vazgeçmek anlamına gelir."
Ne kadar çok kısıtlama varsa, o kadar güvenilir.
Kulağa mantığa aykırı geliyor, ama veriler konuşuyor. LangChain bir deney yaptı: modeli değiştirmeden, sadece Donanımı değiştirdiler ve Terminal Bench 2.0 geçme oranı %52.8'den %66.5'e fırladı. Vercel daha da ileri giderek Ajan araçlarının %80'ini sildi, bunun sonucunda daha az adım, daha hızlı hız ve daha iyi sonuçlar elde edildi.
Daha az araç genellikle daha iyi performans sağlar—bu sonuç Ajan alanında defalarca doğrulandı.
3. Bellek Yönetimi
Bu sütun daha az tartışılıyor, ama bence uzun vadede en önemlisi.
PrismerCloud bu yönde derin çalışmalar yaptı.
Sorun şu: birden fazla Ajan bir bilgi tabanını paylaştığında, Ajan A bir deneyim yazar ve Ajan B bunu gerçek olarak okur. Peki ya Ajan A yanılıyorsa?
Bir Ajan'ın halüsinasyonu, paylaşılan bilgi tabanı aracılığıyla tüm Ajanları kirletebilir.
PrismerCloud'un yaklaşımı bir "Evrim Motoru" inşa etmektir. Her Ajan deneyimi önce bir "sinyal" olarak kaydedilir. Sinyaller doğrulandıktan sonra "genlere" damıtılır ve gerçek sonuçlara göre sürekli optimize edilir.
Basitçe söylemek gerekirse, genler doğrulanmış, etkili bilgidir. Doğrulanmadıysa, sayılmaz.
İlginç bir istatistik var: 3 satırlık bir komut artı bir bellek sistemi, kabaca 200 satırlık özenle hazırlanmış uzman komutları kadar iyi performans gösteriyor. Üstelik, birincisi evrilirken, ikincisi statiktir.
Bu, bellek sisteminiz iyiyse, karmaşık komutlara ihtiyacınız olmadığı anlamına gelir. Ajan zamanla doğal olarak gelişecektir.
Bonus: Entropi Direnci
Bu bağımsız bir sütun değil, ama bahsetmeye değer.
Ajan sistemleri zamanla doğal olarak bozulur. Belgeler güncelliğini yitirir, mimariler aşılır ve bilgi tabanları eski bilgilerle dolar.
OpenAI'in yaklaşımı, periyodik olarak bir "Yeniden Düzenleme Ajanı" çalıştırarak belge tutarsızlıklarını ve mimari ihlalleri taramaktır. En iyi şöyle ifade etmişler:
"Bir Ajan zorlandığında, bunu bir sinyal olarak ele alırız: neyin eksik olduğunu bulun, kod tabanına geri besleyin ve düzeltmeyi her zaman Codex'in yazmasına izin verin."
Bir Ajan sorun yaşadığında, sadece Ajan'ı düzeltmeyin—Donanımı düzeltin. Bu zihniyet anahtardır.
Bunu Kim Yapıyor?
Alan iki yola ayrılıyor: bugün kullanabileceğiniz açık kaynak projeler ve yalnızca metodolojiyi öğrenebileceğiniz ticari şirketlerin iç uygulamaları.
Açık Kaynak Projeler: Kullanıma Hazır
LangChain DeepAgents: Muhtemelen "evrensel Claude Code"a en yakın açık kaynak proje. Planlama, dosya işlemleri, alt ajan delegasyonu, otomatik bağlam sıkıştırma—kutudan çıktığı gibi hazır. GitHub'da 115k yıldız.
DeerFlow 2.0: ByteDance'den. Mart ayında açık kaynak olarak yayınlandı, bir ayda 39k yıldıza ulaştı. Kendisini "SüperAjan Donanımı" olarak adlandırıyor. v1'den tamamen yeniden yazılmış olup, LangGraph tabanlı kum havuzu yürütme, kalıcı bellek ve beceri sistemlerine sahiptir.
OpenHands: Kodlama Ajanları için özelleştirilmiştir. SWE-bench Verified'da %77.6'ya ulaştı. Modelden bağımsızdır ve her Ajan eylemini izlemek için Laminar'ı kullanır.
SWE-agent: Princeton ve Stanford'dan. "Değerlendirme odaklı" geliştirmeyi mükemmelleştirmeye odaklanır.
Goose: Block (Square/Cash App) tarafından açık kaynak olarak yayınlandı. Bağımlılıkları yükleyebilen, testleri çalıştırabilen ve dosyaları yönetebilen genel amaçlı bir makine Ajanı.
PrismerCloud: Bellek yönetimi ve evrim motoruna odaklanır. Çoklu ajan sistemlerinde halüsinasyon kirliliğini önlemek için en olgun çözümdür.
Cognee: Ajanlar için bilgi grafiği odaklı bir bellek motorudur ve veriler arasında anlamsal bağlantılar kurulmasına yardımcı olur.
Ticari Uygulamalar: Metodolojiyi Öğrenin
Claude Code + Agent SDK: Genel bir Donanım için Anthropic'in referans noktası. Sadece kodlama için değil; araştırma, video oluşturma ve not alma için de kullanıyorlar.
OpenAI Codex: Mimari kısıtlamaların nihai uygulaması. Elle yazılmış sıfır satırla 1 milyon satır kod, otomatik oluşturulan linter'lara ve Ajan eş incelemelerine dayanır.
Aklıma Kazınan Bir Ders
Rich Sutton, "Acı Ders (The Bitter Lesson)" adlı klasik bir makale yazdı. Özü, hesaplamadan yararlanan genel yöntemlerin, insan tarafından tasarlanmış özel yöntemleri uzun vadede her zaman geçeceğidir.
Bu ders, Ajan alanında yeniden kanıtlanıyor.
Manus, 6 ayda Donanımını 5 kez yeniden yapılandırdı. LangChain, bir yılda 3 kez yeniden mimari değiştirdi. Vercel, araçlarının %80'ini sildi.
Silmek İçin İnşa Edin.
Bugün yazdığınız "akıllı mantık", yarın model yükseltildiğinde geçersiz olabilir. Mimarınız modüler olmalı ve atmaya hazır olmalıdır.
Phil Schmid, hatırlanmaya değer bir şey söyledi:
"Rekabet avantajı artık komut değil; Donanımınız tarafından yakalanan yörüngelerdir. Her başarı ve başarısızlık, bir sonraki nesli eğitmek için veridir."
Donanımınız ne kadar uzun süre çalışır ve ne kadar çok yörünge biriktirirse, Ajanınız o kadar güçlü olur. Sadece model değiştirerek yetişemezsiniz.
Üç Aşama
Donanımın yapay zeka mühendisliğindeki yerini şöyle düşünün.
Komut Mühendisliği (Prompt Engineering) "ne söyleneceğini" çözer. Tek bir etkileşim.
Bağlam Mühendisliği (Context Engineering) "neyin bilineceğini" çözer. Referanslar ve geçmiş sağlar.
Donanım Mühendisliği (Harness Engineering) "sürekli, istikrarlı ve ölçekli olarak nasıl çalışılacağını" çözer. Değerlendirme döngüleri kaliteyi, mimari kısıtlamalar kuralları ve bellek yönetimi deneyim birikimini sağlar.
Bir Donanım olmadan, bir Ajan bir şeyleri hatırlayabilir ama denetimsiz kalır ve kaosa yol açar. Üç katman da yerinde olduğunda, gerçekten uzun vadeli çalışabilen bir karaktere sahip olursunuz.
OpenAI, Anthropic ve LangChain bunu zaten yapıyor.
Kaynaklar: OpenAI Donanım Mühendisliği, Anthropic Demystifying Evals, Phil Schmid (HuggingFace) The Importance of Agent Harness in 2026, Martin Fowler Donanım Mühendisliği, LangChain Ajan Çerçeveleri.
