Yeni AI Yığını: Modeller, Donanımlar, Döngüler ve Kendi Kendini Geliştiren Ajanlar

Herkes yapay zeka modellerinden bahsediyor.

Kimse onları gerçekten kullanışlı kılan katmandan bahsetmiyor.

Claude Code. Codex. Cursor.

Bunlar sadece modeller değil.

Bir sistemin içine sarılmış modeller.

Bu sisteme koşum (harness) deniyor.

Ve en iyi koşumlar artık kendilerini geliştiriyor.

Yeni yapay zeka yığını hakkında bilmeniz gereken her şey burada.

Herkesin yapay zeka ürünleri hakkında inandığı yalan

Çoğu insan yapay zeka ilerlemesinin = daha akıllı modeller olduğunu düşünür.

Öyle değil.

Model, yığının sadece bir parçası.

Mimari yayınlanmış durumda. Herkes aynı transformatörü kopyalıyor. Her laboratuvar aynı yapı taşlarını kullanıyor.

Claude Code'u bir hafta sonu projesinden gerçekten ayıran şey model değil.

Onu çevreleyen şey.

Koşum.

2017'de yapay zeka ilerlemesi dikkat mekanizmalarıyla ilgiliydi. 2020'de ölçekle ilgiliydi. 2026'da ise koşum mühendisliğiyle ilgili.

Ve koşumlar artık insanlar tarafından değil, yapay zeka tarafından tasarlanıyor.

Koşum nedir?

Koşum, bir modeli çevreleyen sistemdir.

Şunlara karar verir:

→ Modelin nasıl düşündüğü ve plan yaptığı

→ Araçları ne zaman çağırdığı ve sonuçlarla ne yaptığı

→ Adımlar arasında neyi hatırladığı

→ Yapıtları nasıl sakladığı ve durumu nasıl yönettiği

→ Kendi çıktısını nasıl değerlendirdiği

→ Ne zaman geri dönüp tekrar denediği

Bunu bir işletim sistemi gibi düşünün.

Model CPU'dur. Koşum ise işletim sistemidir.

Güçlü bir CPU'nuz ve berbat bir yazılımınız olabilir ve hiçbir işe yaramayan bir şey gönderebilirsiniz. Mütevazı bir CPU'nuz ve mükemmel bir yazılımınız olabilir ve harika bir şey gönderebilirsiniz.

En başarılı kodlama ajanları — Claude Code, Codex, Cursor — hepsi aynı içgörüye sahiptir:

Döngü, model kadar önemlidir.

Her yapay zeka geliştiricisinin ihtiyaç duyduğu 3 koşum deseni

Her üretim yapay zeka sistemi bunlardan en az birini kullanır.

Desen 1: Döngü

Model bir kez cevap verip durmaz.

Döngü yapar.

Planla → Uygula → Gözlemle → İyileştir → Tekrarla

Bu, her kodlama ajanının özüdür.

Basitleştirilmiş bir Claude Code döngüsü:

1. Görevi oku
2. Yaklaşımı planla
3. Kod yaz → çalıştır
4. Neyin başarısız olduğunu gör
5. Düzelt
6. Tekrar çalıştır
7. Testler geçene kadar tekrarla

Model, döngü 3'te döngü 1'dekinden daha akıllı değildir.

Ama sistem öyledir.

Her döngü modele yeni bağlam sağlar — hata mesajları, test sonuçları, yürütme izleri.

Döngü 1'in çıktısı, döngü 2'nin girdisi olur.

Bu bileşik bağlam, ajan sistemlerinin karmaşık görevlerde tek seferlik istemlemeden daha iyi performans göstermesinin nedenidir.

Kilit içgörü: Model sabit kalır. Bağlam daha akıllı hale gelir.

Desen 2: Dosya Sistemi Olarak Bellek

Çoğu geliştirici her şeyi bağlam penceresine tıkar.

Bu bir tuzaktır.

Uzun vadeli görevler şunları üretir:

→ Deney günlükleri

→ Kod farkları → Hata izleri

→ Geçmiş dağıtım geçmişleri → Makale özetleri → Ara yapıtlar

Bunların hepsi herhangi bir bağlam penceresinin çok ötesine geçer.

Çözüm: bağlama değil, dosyalara yazmak.

1# Kötü: her şey bağlamda
2context = önceki_çıktı + araç_sonucu + hata_günlüğü + geçmiş...
3# 47. adımda patlar
4
5# İyi: dosya sistemini kullan
6agent.write("deneyler/calisma_3/hata_günlüğü.txt", hata_izi)
7agent.write("deneyler/calisma_3/sonuclar.json", metrikler)
8
9# Daha sonra, ajan sadece ihtiyacı olanı okur
10ilgili = agent.read("deneyler/calisma_3/sonuclar.json")

Bu, uzun vadeli görevlerle ilgili her şeyi değiştirir.

→ Ajan çökmelerden sonra devam edebilir

→ Ajan kendi yürütme geçmişi üzerinde akıl yürütebilir

→ Bağlam 200. adımda bile temiz kalır

→ Birden fazla alt ajan dosyalar aracılığıyla durumu paylaşabilir

En iyi ajanlar, dosya sistemine ikinci bir beyin gibi davranır.

Bir çöp sahası değil. Yapılandırılmış bir bellek.

Desen 3: Alt Ajanlar

Bir ajan her şeyi yapamaz.

En iyi sistemler paralel alt ajanlar oluşturur.

Ana ajan:

→ Görevi bağımsız alt görevlere böler

→ Bunları paralel olarak çalıştırmak için alt ajanlar başlatır

→ Durumlarını izler → Sonuçlarını birleştirir

Bir araştırma koşumu için örnek:

1Ana ajan şunu alır: "Tam bir rekabet analizi raporu yaz"
2
3Aynı anda 4 alt ajan oluşturur:
4→ Alt ajan 1: Rakip A'nın fiyatlandırmasını ve özelliklerini araştır
5→ Alt ajan 2: Rakip B'nin fiyatlandırmasını ve özelliklerini araştır
6→ Alt ajan 3: Her iki rakip hakkında son haberleri ara
7→ Alt ajan 4: Reddit ve App Store'dan kullanıcı yorumlarını çek
8
9Ana ajan bekler, ardından 4 çıktıyı da nihai raporda birleştirir
10
11Toplam süre: en yavaş alt ajanla aynı (4 kat daha uzun değil)

Anahtar tasarım kuralı: alt ajan çıktıları dosyalara gitmelidir.

Geçici bağlam değil. Dosyalar.

Sadece bağlamda yaşarlarsa, alt ajan oturumu sona erdiğinde kaybolurlar.

Dosyalarda yaşarlarsa, ana ajan onları inceleyebilir, sistem çökmelerden kurtulabilir ve her şey denetlenebilir.

Her kodlama ajanının kullandığı araçlar

Bir ajan oluşturuyorsanız, her büyük kodlama ajanının standartlaştırdığı araç seti budur.

1Dosya Sistemi Araçları:
2→ glob, grep, ls          # dosyaları bul
3→ read, read_many         # içeriği oku
4→ write                   # yeni dosya oluştur
5→ edit                    # dize değiştirme düzenlemesi
6→ apply_patch             # yapılandırılmış fark
7
8Kabuk Araçları:
9→ bash                    # herhangi bir komutu çalıştır
10→ PowerShell              # Windows eşdeğeri
11
12Sürüm Kontrolü:
13→ git_status, git_diff    # değişiklikleri incele
14→ git_commit              # ilerlemeyi kaydet
15
16Ajan Yönetimi:
17→ spawn_agent             # alt ajan başlat
18→ wait_agent              # sonucu bekle
19→ list_agents             # çalışanları gör
20→ interrupt_agent         # gerekirse iptal et
21
22Harici Bağlam:
23→ web_search, web_fetch   # güncel bilgi al
24→ MCP araçları            # harici servislere bağlan

Bunların hepsine her ajan için ihtiyacınız yoktur.

Ancak her üretim ajanının zamanla çoğuna ihtiyacı olur.

Başlangıçta en önemli olanlar: bash, read, write, edit.

Bu dört tanede ustalaşın ve neredeyse her şeyi inşa edebilirsiniz.

Bağlam mühendisliği: kimsenin bahsetmediği beceri

Model sabittir.

Çalışma zamanında ağırlıklarını değiştiremezsiniz.

Ama ne gördüğünü değiştirebilirsiniz.

Buna bağlam mühendisliği denir.

Ve şimdi yapay zeka mühendisliğindeki en yüksek kaldıraçlı becerilerden biridir.

Kötü bağlam:

→ Her şeyi içine dök → en iyisini um

→ Bağlam şişer → model odaklanmayı kaybeder → çıktılar bozulur

İyi bağlam:

→ Yapılandırılmış. Öz. Gelişen.

→ Doğru adımda doğru bilgi.

→ Önceki başarısızlıklar mevcut denemeyi bilgilendirir.

Son teknoloji yaklaşım (ACE — Ajan Bağlam Mühendisliği):

13 bileşen:
2
3Üretici:    görevi çalıştırır, yapılandırılmış bir bağlam oyun kitabına başvurur
4Yansıtıcı:  başarıları ve başarısızlıkları analiz eder, içgörüler damıtır
5Küratör:    oyun kitabını yeni öğrenmelerle günceller — ekler, çıkarır, yinelenenleri kaldırır
6
7Oyun kitabı bir istem yığını DEĞİLDİR.
8(tanımlayıcı, içgörü) çiftlerinden oluşan yapılandırılmış bir listedir.
9
10Örnek:
11{
12  "id": "001",
13  "içgörü": "Yeniden denemeden önce hata izlerini her zaman dosyaya yaz."
14},
15{
16  "id": "002",
17  "içgörü": "Web araması için alt ajan, siteye özel sorgularla daha iyi sonuçlar döndürür."
18},
19{
20  "id": "003",
21  "içgörü": "Testleri kaydetmeden önce çalıştırmak, gerilemelerin %80'ini yakalar."
22}

Oyun kitabı her çalıştırmadan sonra güncellenir.

Görev 50'yi çalıştıran ajan, 49 çalıştırmanın damıtılmış öğrenmeleriyle çalışır.

Görev 1'i çalıştıran ajanın hiçbir şeyi yoktu.

Bir sistemin model ağırlıklarına dokunmadan nasıl daha akıllı hale geldiği budur.

Kendini geliştiren koşum

İşte işlerin çılgınlaştığı yer burası.

Ya optimize edilen şey koşumun kendisi olsaydı?

İstem değil. Model değil.

Ajanı çalıştıran kod.

Kendini Koşum (Self-Harness) tam olarak bunu yapar.

3 adımlı döngü:

Adım 1 — Zayıflıkları keşfet

Mevcut koşumu bir dizi görev üzerinde çalıştırın. Başarısızlık izlerini toplayın. Başarısızlıkları temel nedenlerine göre kümeleyin.

"Başarısız oldu" değil. Neden başarısız oldu.

Keşfedilen başarısızlık türleri:

→ "Ajan, uzun dosya okumalarında zaman aşımına uğruyor"

→ "Ana ajan çöktüğünde alt ajan çıktıları kayboluyor"

→ "Hata mesajları kendi kendini düzeltmek için yeterince bilgilendirici değil"

→ "30. adımdan sonra bağlam çok büyüyor, model odaklanmayı kaybediyor"

Adım 2 — Düzeltmeler öner

Aynı model, başarısızlık modellerine bakar. Koşum koduna belirli, dar düzenlemeler önerir.

Yeniden yazmalar değil. Hedefli düzenlemeler.

Önerilen koşum düzenlemesi:

→ Dosya okuma işlemlerine zaman aşımı işleyicisi ekle

→ Alt ajan çıktısını her adımda diske otomatik olarak boşalt (sadece sonunda değil)

→ Hata mesajı formatını şunları içerecek şekilde standartlaştır: adım, araç, girdi, çıktı, başarısızlık nedeni

→ Her 25 turda bir bağlam sıkıştırma adımı ekle

Adım 3 — Doğrula ve birleştir

Önerilen her düzenleme, ayrı tutulan görevlerde test edilir.

Zayıflığı, başka bir şeyi bozmadan düzeltiyor mu?

Evetse: koşuma birleştirilir. Hayırsa: günlüğe kaydedilir, reddedilir, koşum değişmez.

Sonuç: koşum her nesilde daha iyi hale gelir.

Claude 3.5 Sonnet, Kendini Koşum çalıştırarak SWE-bench Verified'da %20'den %50'ye çıktı.

Daha iyi bir modelden değil.

Daha iyi bir sistemden.

Evrimsel koşum araması

Kendini Koşum, bir koşumu yinelemeli olarak düzeltir.

AlphaEvolve, bir koşum popülasyonu çalıştırır ve en iyilerini evrimleştirir.

Algoritma:

11. Bir havuz koşum adayıyla başla
22. Her birini kıyaslama görevlerinde puanla
33. En iyi performans gösterenleri "ebeveyn" olarak seç
44. Modelden farklar/iyileştirmeler önermesini iste
55. Yeni "çocuk" koşumlar oluştur
66. Çocukları puanla
77. İyileştirenleri tut
88. Onları havuza geri ekle
99. Tekrarla
10
11(Doğal seçilimle aynı mantık. Koda uygulanmış hali.)

(Doğal seçilimle aynı mantık. Koda uygulanmış hali.)

AlphaEvolve'dan önemli bir tasarım detayı:

Evrim için uygun kod bölgeleri açıkça işaretlenmiştir:

1# EVOLVE-BLOCK-BAŞLANGIÇ
2def sonraki_adimi_planla(baglam, araclar):
3    # Bu bölüm evrimsel arama tarafından değiştirilebilir
4    istem = f"Verilen: {baglam}\nMevcut araçlar: {araclar}\nSonraki eylem:"
5    return llm.olustur(istem)
6# EVOLVE-BLOCK-BİTİŞ
7
8# Koşumun geri kalanı sabit kalır
9def araci_calistir(arac_adi, argumanlar):
10    return arac_kayit[arac_adi](**argumanlar)

Bu kapsayıcılık, ajanın yanlışlıkla güvenlik açısından kritik kodu değiştirmesini önler.

Evrimsel arama, yalnızca açıkça izin verdiğiniz şeylere dokunur.

AlphaEvolve bunu matris çarpım algoritmalarını optimize etmek için kullandı.

Sonuç: DeepMind'ın elle optimize edilmiş kodunu geçti.

Ajan, insan mühendislerin on yıllardır keşfedemediği çözümler buldu.

Darwin Gödel Makinesi: kendini yeniden yazan ajanlar

Bu fikrin en uç versiyonu.

Görevlerde daha iyi olmak için kendi koşum kodunu değiştiren bir ajan.

Darwin Gödel Makinesi (DGM):

11. Havuzda bir kodlama ajanıyla başla
22. Kıyaslamalarda çalıştır, puanları topla
33. Ajan kendi değerlendirme günlüklerini inceler
44. Ajan kendi koşum kodunda iyileştirmeler önerir
55. Mevcut araçlar: bash + dosya düzenleyici (dosyaları görüntüle/oluştur/düzenle)
66. Ajanın yeni bir versiyonu oluşturulur
77. Yeni versiyon puanlanır
88. Daha iyiyse: havuza eklenir
99. Daha kötüyse: atılır
1010. Tekrarla — ebeveynleri performansa göre, yavru sayısına ters orantılı olarak seç

Başlangıç koşulu: Claude 3.5 Sonnet + basit başlangıç koşumu.

Sonuç:

→ SWE-bench Verified: %20 → %50

→ Çok dilli kodlama kıyaslaması: %14,2 → %30,7

Model ağırlıklarında sıfır değişiklik. Nesiller arasında sıfır insan mühendisliği.

Ajan, kendisinin daha iyi versiyonlarını tasarladı.

Bu bilim kurgu değil.

Bu, 2025'ten kalma bir makale.

Kaçınılması gereken 5 başarısızlık modu

Bunlar, gerçek araştırma ekiplerinin başarısız olma yollarıdır.

Hepsi belgelenmiş. Hepsi önlenebilir.

1. Bağlam çöküşü

Uzun vadeli görevler, günlükler kalıcı yapıtlar olarak yazılmazsa kritik ayrıntıları kaybeder.

Düzeltme: önemli olan her şeyi dosyalara yazın. 20. adımdan sonra asla sadece bağlama güvenmeyin.

2. Uygulama sapması

Görev teknik olarak zorlaştığında, model gerçek hedef yerine daha kolay, daha yaygın çözümlere yönelir.

Düzeltme: başlangıçta bir şartname dosyası yazın. Ajan her döngüde şartnameyi kontrol eder.

3. Aşırı iyimserlik

Model, başarısız deneylere rağmen başarıyı ilan eder.

"Sayısal bant" bulur — gerçek sorunu çözmeden metriklerin iyi görünmesini sağlayan yamalar.

Düzeltme: ajanın asla görmediği bir test seti ayırın. Yalnızca ayrı tutulan verilerde doğrulayın.

4. Ödül hackleme

Ajan, kendisine verilen herhangi bir sinyali optimize eder.

Sinyal birim testleriyse — her zaman geçen testler yazar. Sinyal bir yargıç modeliyse — yargıcı kandırmak için hileler öğrenir. Sinyal kıyaslama puanıysa — kıyaslama yapıtlarından yararlanır.

Düzeltme: değerlendirici döngünün dışında yaşar. Kilit karar noktalarında insan incelemesi.

5. Çeşitlilik çöküşü

Evrimsel döngüler tek bir stratejide birleşir.

Her nesil, aynı çözümün bir varyantı gibi görünür.

Düzeltme: yeniliği açıkça takip edin. Mevcut havuz üyelerine çok benzeyen çözümleri cezalandırın (gömme tabanlı kosinüs benzerliği işe yarar).

Yeni yapay zeka yığını sade Türkçeyle

Ciddi yapay zeka ürünleri oluştururken aslında inşa ettiğiniz şey budur:

Katman 1 — Model

Ham zeka. Önceden eğitilmiş. Çalışma zamanında sabit ağırlıklar.

Bu CPU'dur. Güçlü ama pasif.

Katman 2 — Koşum

İşletim sistemi. Modeli sarar. Her şeyi düzenler.

→ Araçlar (bash, dosya okuma/yazma, web araması)

→ Bellek (dosya sistemi, yapılandırılmış günlükler)

→ Döngü (planla → uygula → değerlendir → yeniden dene) → Alt ajanlar (paralel yürütme)

→ Bağlam yönetimi (modelin her adımda ne gördüğü)

Katman 3 — Optimize Edici

Koşumu iyileştiren koşum.

→ Yürütme izlerinden başarısızlık modellerini çıkarır

→ Koşum koduna hedefli düzenlemeler önerir → Ayrı tutulan görevlerde doğrular

→ İyileştirmeleri birleştirir, gerilemeleri atar

Katman 4 — Değerlendirici

Diğer tüm katmanların dışında yaşar.

→ Kıyaslama puanları → Kilit karar noktalarında insan incelemesi → Optimize edicinin asla dokunmadığı ayrı tutulan test setleri

Hiçbir katmanı atlayamazsınız.

Katman 2'yi atlayın — modeliniz bir sohbet robotudur, bir ürün değil.

Katman 3'ü atlayın — sisteminiz manuel mühendislik olmadan asla iyileşmez.

Katman 4'ü atlayın — ajanınız yanlış şeyi optimize eder ve fark etmezsiniz.

Bunun geliştiriciler için şu an anlamı

Bu fikirlerden yararlanmak için kendi kendini geliştiren bir koşum inşa etmeniz gerekmez.

Buradan başlayın:

1. Hafta: Döngüyü oluşturun

Tek seferlik istemler oluşturmayı bırakın. Birden fazla adım gerektiren herhangi bir görev için bir planla → uygula → değerlendir → yeniden dene döngüsü oluşturun.

2. Hafta: Kalıcı bellek ekleyin

Bağlama güvenmeyi bırakın. Ara çıktıları dosyalara yazın. Ajanın kendi önceki çalışmalarını okumasına izin verin.

3. Hafta: Alt ajanlar ekleyin

İş akışınızın paralel olarak çalıştırılabilecek herhangi bir bölümünü belirleyin. Alt ajanlar oluşturun. Çıktılarını dosyalara yazın. Birleştirin.

4. Hafta: Bağlam mühendisliği ekleyin

Başarıya ve başarısızlığa yol açan modelleri takip edin. Her çalıştırmadan sonra güncellenen basit, yapılandırılmış bir oyun kitabı oluşturun.

Koşum budur.

Model değil.

Model zaten orada.

Koşum, sizin inşa ettiğiniz şeydir.

2026'da yapay zeka hakkındaki rahatsız edici gerçek

Sınır laboratuvarlarındaki araştırma hızlanması önemli ölçüde arttı.

Anthropic ve OpenAI her zamankinden daha hızlı ürün gönderiyor.

Modeller bir gecede daha akıllı hale geldiği için değil.

Koşumlar daha iyi hale geldiği için.

Döngü yapan, hatırlayan, alt görevler devreden ve kendi kendini düzelten bir ajan, yanlış kullanılan daha akıllı bir modelden daha iyi performans gösterir.

Hendek model değildir.

Hendek sistemdir.

Ve sistem artık kendini geliştirebilir.

Bu faydalıysa:

→ Tekrar paylaşın — her yapay zeka geliştiricisinin bu yığını anlaması gerekir

→ Daha fazla böyle analizler için @sairahul1'i takip edin

→ Yer imlerine ekleyin — 4 katmanlı yığın tek başına kaydetmeye değer

Daha fazla ilginç makale için theaibuilders.co adresine abone olun

Yapay zeka, ürün oluşturma ve siz olmadan çalışan sistemler hakkında yazıyorum.