Thoughtworks Technology Radar, Cilt 34 yayımlandı

 (thoughtworks.com)
12 puan yazan GN⁺ 13 일 전 | Henüz yorum yok. | WhatsApp'ta paylaş
  • Teknikler/araçlar/platformlar/geliştirme dilleri ve framework'ler alanındaki en güncel eğilimleri "benimseyin, deneyin, değerlendirin, dikkat" olmak üzere 4 aşamada görselleştirip açıklıyor
  • 4 ana tema: ajan çağında teknoloji değerlendirmesi, ilkeleri korurken kalıpları yeniden gözden geçirmek, ajanların güvenlik sorunları, coding agent harnesses

Ajan çağında teknoloji değerlendirmesinin zorlukları

  • Yapay zeka benimsenmesiyle birlikte teknoloji değerlendirmesinin kendisi zorlaşıyor; semantic diffusion nedeniyle anlamlar yerleşmeden yeni terimler hızla ortaya çıkıyor
    • spec-driven development, harness engineering gibi terimler tutarsız biçimde kullanılıyor ya da anlamları birbiriyle örtüşüyor
    • Paylaşılan tanımların yokluğu, bunların ayrı teknikler mi yoksa aynı kavramın farklı adları mı olduğunu anlamayı güçleştiriyor
  • Olgun ve bağımsız mühendislik metodolojileri ile coding assistant gibi yapay zeka araçlarının gündelik kullanımını ayırt etmek kalıcı bir zorluk olmaya devam ediyor
  • Değişim hızı belirsizliği artırıyor; henüz bir aylık bile olmayan araçlar çok sayıda ortaya çıkıyor ve bazıları coding agent ile birlikte çalışan tek bir katkıcı tarafından sürdürülüyor
    • Araçların olgunlaşmasını beklerseniz rehber eskir, hızlı hareket ederseniz de kısa sürede kaybolacak trendleri öne çıkarma riski doğar
    • Hızlı ve az emekle üretilen şeylerin sürdürülebilirliği konusunda soru işaretleri yaratıyor
  • Codebase Cognitive Debt
    • Yapay zeka üretimi kod arttıkça, nasıl çalıştığına dair zihinsel model olmadan çözümleri benimsemek kolaylaşıyor
    • Bu anlayış açığı biriktikçe sistemi akıl yürütmek, debug etmek ve geliştirmek zorlaşıyor

İlkeleri koruyup kalıpları yeniden gözden geçirmek

  • Yapay zeka yalnızca geleceğe değil, yazılım zanaatkârlığının temellerine de yeniden bakmamızı sağlıyor
    • Pair programming, zero trust architecture, mutation testing, DORA metrikleri gibi mevcut teknikler yeniden öne çıkıyor
    • Clean code, kasıtlı tasarım, test edilebilirlik, erişilebilirlik gibi temel ilkelerin birinci sınıf önemde olduğu yeniden teyit ediliyor
  • Bu bir nostalji değil; yapay zeka araçlarının karmaşıklığı hızla üretmesine karşı zorunlu bir denge unsuru işlevi görüyor
  • Komut satırının geri dönüşü: yıllardır kullanılabilirlik için soyutlanan bu alan, agentic araçlar nedeniyle geliştiricileri yeniden terminale döndürüyor
  • Yapay zeka destekli geliştirme, mühendislik pratiklerinde köklü bir dönüşüm; iş birliği ve takım yapılarının yeniden düşünülmesini gerektiriyor
    • agent topologies'nin team topologies ile birlikte ele alınması ve geri bildirim döngülerinin yeniden tasarlanması gerekiyor
    • measuring collaboration quality with coding agents gibi teknikler, yazılım geliştiricisinin tanımını bizzat yeniden şekillendiriyor
  • Yapay zeka odaklı ortamda bilişsel borcun yönetimi temel bir mesele; "disiplinsiz hız maliyeti artırır" ilkesini korumak önemli

Yetki peşindeki ajanların güvenlik sorunları

  • "Permission hungry", bugünkü ajan ortamının özündeki ikilemi tanımlıyor; bir ajan ne kadar değerliyse, her şeye o kadar çok erişim istiyor
    • OpenClaw, Claude Cowork gerçek iş akışlarını denetliyor
    • Gas Town, kod tabanının tamamında agent swarm'ları koordine ediyor
    • Özel veriler, dış iletişim ve gerçek sistemler üzerinde geniş kapsamlı erişim gerektiriyor
  • Güvenlik önlemleri bu hırsın gerisinde kalmış durumda; prompt injection yüzünden modeller güvenilir komutlarla güvenilmeyen girdileri istikrarlı biçimde ayıramıyor
  • Simon Willison'ın "lethal trifecta" tanımı — özel veri, güvenilmeyen içerik, dış eylem — yanlış yapılandırma değil, varsayılan durum olarak çoğu faydalı ajan için geçerli
  • Injection dışındaki tehditler de mevcut; model davranışındaki tutarsızlık bunlardan biri
    • Bir kez başarılı olan bir görevin bir sonraki sefer de başarılı olacağı garanti değil
    • Ajanlar kötü niyet olmadan bile yaratıcı veri sızıntısı yolları bulabiliyor, dokunulmaması gereken branch'lere push atabiliyor ve onay/red checkpoint'lerini etkisizleştirebiliyor
  • Bugün yapılabilecekler — zero trust, least privilege, model iyileştirmeleri ve defense in depth temel gereklilikler olsa da tek bir çözüm yok
  • Güvenli ajan sistemleri, monolitik bir ajan yerine daha kısıtlı ajanlardan oluşan bir pipeline ile güçlü izleme ve kontrol mekanizmalarından kurulmalı
    • Agent Skills, MCP'ye daha denetlenebilir bir alternatif olarak kullanılabilir
    • durable agents, agent instruction bloat önleme teknikleri gibi yaklaşımlar bu yönü gösteriyor
  • Alan hızla evrildiği için maliyeti yüksek hatalardan kaçınmak adına dikkatli olmak şart

Coding agent'lara gem vurmak

  • Coding agent performansı arttıkça insanı döngüden çıkarmanın cazibesi büyüyor; bu yüzden ekipler coding agent harnesses yatırımlarına başladı
    • Kod üretmeden önce ajan davranışını yönlendiren ve sonrasında geri bildirimle kendi kendini düzeltmesini sağlayan kontrol düzenekleri
  • Feedforward kontrolü
    • Ajanın ilk denemede doğru sonuca ulaşma olasılığını yükseltmek için ihtiyaç duyduğu şeyleri önceden sağlamak
    • Agent Skills önemli bir ilerleme; talimatları ve teamülleri modülerleştirip ihtiyaç anında yüklüyor
    • Superpowers, yazılım ekipleri için yararlı bir yetenek kataloğu örneği
    • plugin marketplaces kavramı yükseliyor; beceri ve bağlam yapılandırmalarının dağıtımını kolaylaştırıyor
    • spec-driven development framework'leri — GitHub Spec-Kit, OpenSpec gibi araçlar planlama, tasarım ve uygulama iş akışlarını yapılandırıyor
  • Feedback kontrolü
    • Ajan davranışını eylemden sonra gözlemleyerek kendi kendini düzeltme döngüleri oluşturmak
    • feedback sensors for coding agents — compiler, linter, type checker, test suite gibi deterministik kalite kapılarını doğrudan ajan iş akışına entegre etmek
      • Başarısızlık halinde insan incelemesinden önce otomatik düzeltmeyi tetiklemek
    • Bu Radar'daki örnekler arasında cargo-mutants ve mutation testing araçları, WuppieFuzz gibi fuzz testing araçları, CodeScene gibi kod kalitesi analiz araçları yer alıyor
    • Döngü içi geri bildirimin ötesinde, deterministik yapısal kurallarla LLM tabanlı değerlendirmeyi birleştirerek mimari drift'i azaltan örnekler de bulunuyor

[Techniques]

Adopt

1. Context engineering

  • Modern yapay zeka sistemlerinde temel bir mimari odağa dönüşen bu teknik, prompt engineering'in ifadeye odaklanmasından farklı olarak context window'u bir tasarım yüzeyi olarak ele alır ve yapay zekanın bilgi ortamını bilinçli şekilde kurar
  • Ajanlar karmaşık görevleri üstlendikçe, büyük context window'lara ham veriyi boca etmek "context rot" ve akıl yürütme kalitesinde düşüşe yol açar; statik ve monolitik prompt'lardan progressive context disclosure yaklaşımına geçiliyor
  • Context setup, prompt caching ile statik talimatları önceden yükleyerek maliyeti düşürür ve first-token süresini iyileştirir; Dynamic retrieval ise temel RAG'in ötesine geçerek araç seçimi ve yalnızca gereken MCP server'ların yüklenmesini kapsar
  • Context graphs, politikalar, istisnalar ve emsaller gibi kurumsal muhakemeyi yapılandırılmış ve sorgulanabilir veri olarak modeller; stateful compression ve alt ajanlar ise uzun iş akışlarında ara çıktıları özetler
  • Yapay zeka bağlamını statik bir metin kutusu gibi görmek, halüsinasyona giden kestirme yoldur; sağlam kurumsal ajanlar inşa etmek için bağlam, dinamik ve hassas şekilde yönetilen bir pipeline olarak mühendislik yaklaşımıyla ele alınmalıdır

2. Yazılım ekipleri için özenle hazırlanmış ortak talimatlar

  • Bireysel geliştiricilerin sıfırdan prompt yazmasını bir antipattern olarak görüp, yapay zeka yönlendirmesini kişisel iş akışı değil işbirlikçi bir mühendislik varlığı olarak ele alan pratik
  • Başlangıçta ortak işler için genel amaçlı prompt kütüphanelerini sürdürmeye odaklanılsa da, artık talimatları doğrudan servis şablonlarına sabitleyen daha gelişmiş bir yaklaşıma evrildi
    • CLAUDE.md, AGENTS.md, .cursorrules gibi talimat dosyalarını yeni servis scaffold'ları için temel repository'lere yerleştirme
  • Kodlama ajanlarını referans uygulamalara sabitleyen ilgili bir pratik de inceleniyor; yaşayan ve derlenebilir bir kod tabanı tek doğruluk kaynağı görevi görüyor
  • Mimari ve kodlama standartları gelişirken hem referans uygulama hem de gömülü talimatlar güncellenebiliyor; yeni repository'ler en güncel ajan iş akışlarını ve kurallarını varsayılan olarak devralıyor

3. DORA metrikleri

  • DORA araştırma programının tanımladığı metrikler; değişiklik teslim süresi, dağıtım sıklığı, MTTR, değişiklik başarısızlık oranı ve yeni beşinci metrik olan rework rate'i içeriyor
  • Rework rate, ekip teslimat hattının kullanıcı hataları veya kusurlar gibi önceden tamamlanmış işlerin yeniden işlenmesine harcanan oranını ölçen bir istikrar metriği
  • Yapay zeka destekli geliştirmenin çağında DORA metrikleri her zamankinden daha önemli; yapay zeka tarafından üretilen kod satırı sayısıyla verimliliği ölçmek yanıltıcıdır
    • Teslim süresi kısalmadan ve dağıtım sıklığı artmadan, hızlı kod üretimi daha iyi sonuçlara yol açmaz
    • İstikrar metrikleri, özellikle de rework rate'teki düşüş, düşüncesiz yapay zeka destekli geliştirmenin kör noktaları, teknik borcu ve riskleri için erken uyarı sağlar
  • Karmaşık panolar kurmaktan ziyade retrospektiflerde check-in gibi basit mekanizmalar yetkinlik iyileştirmede daha etkilidir

4. Passkey'ler

  • FIDO Alliance liderliğinde, Apple, Google ve Microsoft tarafından desteklenen FIDO2 kimlik bilgileri; asimetrik açık anahtar şifrelemesi kullanarak parolanın yerini alır
  • Özel anahtar, kullanıcının cihazındaki donanım tabanlı güvenli enclave'de saklanır, biyometri veya PIN ile korunur ve dışarı sızdırılmaz; her kimlik bilgisi relying party domain'e origin-bound olduğundan yapısal olarak phishing'e dayanıklıdır
  • Phishing, tüm veri ihlallerinin üçte birinden fazlasının nedeni; FIDO Alliance Passkey Index 2025, dünya genelinde 15 milyardan fazla uygun hesabı raporluyor; Google, 800 milyon kullanıcı genelinde oturum açma başarı oranında %30 iyileşme, Amazon ise geleneksel yöntemlere kıyasla 6 kat daha hızlı giriş doğrulaması bildirdi
  • NIST SP 800-63-4 (Temmuz 2025), synced passkey'leri AAL2 uyumlu olarak yeniden sınıflandırdı; BAE, Hindistan ve ABD federal kurumlarındaki düzenleyiciler, finans ve kamu sistemlerinde phishing'e dayanıklı kimlik doğrulamayı zorunlu kılıyor
  • FIDO Credential Exchange Protocol ile kimlik bilgisi yöneticileri arasında güvenli taşınabilirlik sağlanıyor; Auth0, Okta ve Azure AD gibi büyük kimlik sağlayıcıları bunu birinci sınıf özellik olarak destekliyor, uygulama ise aylar süren işten 2 sprintlik bir projeye kadar sadeleşiyor
    • Hesap kurtarma tasarımında dikkatli olunmalı ve SMS OTP gibi phishing'e açık fallback yollarından kaçınılmalı
    • AAL3 senaryolarında (ayrıcalıklı erişim gibi) donanım güvenlik anahtarlarının cihaza bağlı kimlik bilgileri hâlâ gerekli

5. LLM'lerden yapılandırılmış çıktı

  • Modelin JSON veya belirli bir programlama dili sınıfı gibi önceden tanımlı bir biçimde yanıt vermesini kısıtlayan pratik
  • Prodüksiyonda güvenilir sonuçlar sağlar; LLM yanıtlarını programatik olarak tüketen uygulamalar için makul varsayılan kabul edilir
  • Tüm büyük model sağlayıcıları yerel yapılandırılmış çıktı modları sunuyor; desteklenen JSON Schema alt kümeleri farklılık gösteriyor ve API'ler hızla evriliyor
  • Instructor kütüphanesi veya Pydantic AI framework'ü, doğrulama ve otomatik yeniden denemeyi içeren güvenilir soyutlamalar sunuyor; self-hosted modellerde kısıt üretimi için Outlines öneriliyor

6. Zero trust architecture

  • Ajan çağına girilirken, öngörülemeyen sistemlere özerklik verildiğinde güvenlik riskleriyle başa çıkmak için makul varsayılan
  • "Asla güvenme, her zaman doğrula"; kimlik tabanlı güvenlik ve en az ayrıcalık erişim ilkesini tüm ajan dağıtımlarının temeli olarak ele alır
  • SPIFFE gibi standartları ajanlara uygulayarak güçlü bir kimlik temeli kurar, dinamik ortamlarda ayrıntılı kimlik doğrulamayı etkinleştirir
  • Ajan davranışlarının sürekli izlenmesi ve doğrulanması, tehditleri proaktif biçimde yönetmek için önemlidir
  • Yalnızca ajan dağıtımlarında değil, GCP'nin OIDC impersonation gibi pratikleri CI/CD pipeline gibi alanlara da taşır; uzun ömürlü statik anahtarların yerine, kimlik doğrulaması sonrası verilen kısa ömürlü token'lar geçer
  • Kurulum sisteminden bağımsız olarak ZTA ilkelerini pazarlık edilemez varsayılan olarak ele almanız önerilir

Trial

7. Agent Skills

  • Yapay zeka ajanları basit sohbet arayüzlerinden özerk görev yürütmeye evrilirken, context engineering temel bir sorun hâline geliyor; Agent Skills, talimatlar, çalıştırılabilir script'ler ve belgeler gibi ilgili kaynakları paketleyerek bağlamı modülerleştirmek için açık bir standart sunuyor
  • Ajanlar, yalnızca gerektiğinde açıklamaya göre skill yükler; bu da token tüketimini azaltır ve context window tükenmesi ile agent instruction bloat sorununu hafifletir
  • Yalnızca kodlama ajanlarında değil, OpenClaw gibi kişisel asistanlarda da hızla benimseniyor; birçok kullanım senaryosu, yerel CLI veya script'lere ajanların işaret etmesiyle etkili biçimde çözülebildiğinden ekiplerin MCP'yi varsayılan olarak kullanma konusunda temkinli olmasının nedenlerinden biri
  • Plugin marketplaces, skill'lerin sürümlendirilip paylaşılma yolu olarak öne çıkıyor; skill etkinliğini değerlendirme yöntemleri üzerine çok sayıda çalışma yürütülüyor
  • Üçüncü taraf skill'lerin inceleme yapılmadan yeniden kullanılması ciddi tedarik zinciri güvenliği riski doğurabileceğinden dikkat gerektirir

8. Tarayıcı tabanlı bileşen testi

  • Geçmişte tarayıcı tabanlı araçlar önerilmiyordu (kurulumu zor, yavaş ve flaky oldukları için), ancak bugün büyük ölçüde geliştiler ve Playwright gibi araçlarla uygulanabilir ve tercih edilen bir yaklaşım hâline geldiler
  • Testler gerçek tarayıcıda çalıştırıldığında, kodun gerçekten çalıştığı ortamla eşleştiği için daha yüksek tutarlılık sağlar
  • Performans düşüşü katlanılabilir seviyeye indi, flakiness de azaldı; bu da jsdom gibi emüle edilmiş ortamlardan daha fazla değer sunuyor

9. Kodlama ajanları için geri bildirim sensörleri

  • Kodlama ajanlarını daha etkili kılmak ve insan gözden geçirenlerin yükünü azaltmak için, ajanların doğrudan erişebildiği geri bildirim döngülerine ihtiyaç var; geri bildirim backpressure biçiminde çalışır
  • Geliştiriciler uzun zamandır derleyici, linter, mimari testler ve test suite'leri gibi deterministik kalite kapılarına dayanıyor; bunları agentic iş akışlarına bağlamak, başarısızlık durumunda zamanında kendi kendini düzeltmeyi tetikler
  • Kontrolleri çalıştıran ve düzeltmeleri tetikleyen bir reviewer agent kullanmak ya da kontrolleri paralel çalışan yardımcı süreçler olarak sunmak gibi farklı uygulamalar mümkün
  • Kodlama ajanları sayesinde custom linter ve mimari testler oluşturmanın maliyeti düştü, bu da geri bildirim döngülerini güçlendiriyor
  • Mümkünse commit sonrası kontroller yerine kodlama oturumu sırasında çalıştırın; commit öncesinde temiz sonuç raporlanmalı

10. Kod kokularını refactoring teknikleriyle eşleme

  • Ajana belirli bir sorunu tanımlanmış bir yaklaşımla ele almasını söyleyen teknik
  • İlk katman, genel durumlar için ajanı Refactoring gibi genel referanslara yönlendirir; daha uzmanlık gerektiren sorunlarda ise Agent Skills, slash komutları ve AGENTS.md ile belirli kokular özgün tekniklerle eşlenir
  • Linting araçlarıyla entegre edildiğinde, her smell tespitinde uygun refactoring yaklaşımını tetikleyen deterministik geri bildirim üretir
  • .NET Framework 2.0 veya Java 8 gibi legacy stack'lerde özellikle etkilidir; genel eğitim verisinin yetersiz olduğu durumlarda faydalıdır
  • Hedefe yönelik talimatlar olmadığında ajanlar, belirli gereksinimler yerine genel kalıplara varsayılan olarak yönelme eğilimindedir

11. Mutation testing

  • Test paketinin gerçek hata yakalama kapasitesini değerlendiren en dürüst sinyal; yalnızca satır çalıştırmayı izleyen geleneksel code coverage'ın aksine, kaynak koda kasıtlı hatalar (mutations) ekleyerek davranış bozulduğunda testlerin başarısız olup olmadığını doğrular
  • Bir mutasyon tespit edilmezse, bu yalnızca coverage eksikliğini değil doğrulamadaki boşluğu da ortaya koyar; yapay zeka destekli geliştirme çağında bu özellikle önemlidir — yüksek coverage, mantıksal olarak boş testleri veya anlamlı biçimde assertion içermeyen üretilmiş kodu gizleyebilir
  • Yapay zeka tarafından üretilen test senaryoları yaygınlaştıkça, eksik assertion'lar ya da mantık değişikliklerinden bağımsız olarak geçen yalıtılmış mock'lar nedeniyle oluşan "sonsuza kadar yeşil (perpetually green)" testleri yakalayan ek bir güçlendirme katmanı görevi görür
  • Stryker, Pitest, cargo-mutants gibi araçlarla odak, çekirdek alan mantığında kodun ne kadarının gerçekten doğrulandığına kayar

12. Progressive context disclosure

  • Context engineering uygulamaları içindeki bir teknik; ajana, onu peşinen talimat yağmuruna tutmak yerine, kullanıcı prompt'una göre ihtiyaç duyulanı seçen hafif bir keşif aşaması verir
  • RAG senaryoları için uygundur; ajan önce kullanıcı sorgusundan ilgili alanı belirler, ardından spesifik talimatları ve verileri getirir
  • Birçok agentic coding aracının Agent Skills işleme biçimiyle aynıdır; koşullar ve uyarılarla dolu tek bir monolitik talimat seti yerine önce görevle ilgili beceriler belirlenir, sonra ayrıntılı talimatlar yüklenir
  • Agentic sistemler kurarken, talimatları şişirme tuzağına sonsuz "DO" ve "DO NOT" kurallarıyla düşmek kolaydır; bu da eninde sonunda performansı düşürür
  • Context window'u yalın tutar ve context rot sorununu önler

13. Kodlama ajanları için sandboxed execution

  • Sınırlı dosya sistemi erişimi, kontrollü ağ bağlantıları ve kısıtlı kaynak kullanımıyla ajanların izole bir ortamda çalıştırılması pratiği
  • Kodlama ajanları kod çalıştırma, build alma ve dosya sistemiyle etkileşim konusunda özerklik kazandıkça, sınırsız erişim kazara hasardan kimlik bilgisi sızıntısına kadar gerçek riskler doğurur; bu, isteğe bağlı bir iyileştirme değil makul bir varsayılandır
  • Sandbox seçenekleri geniş bir yelpazeye yayılır — birçok kodlama ajanı yerleşik sandbox modu sunar, Dev Containers ise tanıdık container tabanlı izolasyon sağlar
  • Shuru, her çalıştırmada sıfırlanan geçici microVM'ler başlatır; Sprites ise checkpoint/restore destekli durum bilgisi taşıyan ortamlar sunar
  • Linux üzerinde yerel izolasyon için Bubblewrap, hafif namespace tabanlı sandboxing sağlar; macOS'ta sandbox-exec benzer koruma sunar
  • Temel izolasyonun ötesinde; build ve test için gereken her şeyin, GitHub ve model sağlayıcıları gibi servislerle güvenli ve basit kimlik doğrulamanın, port forwarding'in ve yeterli CPU ile belleğin de düşünülmesi gerekir
  • Sandbox'ın tek kullanımlık bir varsayılan mı olacağı, yoksa oturum kurtarma için kalıcı mı tutulacağı; güvenlik, maliyet ve iş akışı sürekliliği önceliklerine bağlı bir tasarım kararıdır

14. Semantic layer

  • Veri deposu ile BI araçları, yapay zeka ajanları ve API'ler gibi tüketici uygulamalar arasına paylaşılan bir iş mantığı katmanı yerleştiren veri mimarisi tekniği
  • Metrik tanımlarını, join'leri, erişim kurallarını ve iş terimlerini merkezileştirerek tüketicilerin ortak tanımlara sahip olmasını sağlar; modern veri yığını öncesinden gelen bir kavram olsa da, metrics stores gibi code-first yaklaşımlarla ilgi yeniden artmıştır
  • Semantic layer olmadan iş mantığı geçici warehouse tablolarına, dashboard'lara ve downstream uygulamalara dağılır; metrik tanımları sessizce farklılaşır
  • Agentic AI ile sorun daha da büyür — LLM ile saf bir text-to-SQL çevirisi yapıldığında, özellikle gelir tanıma gibi iş kuralları şemanın dışında kalıyorsa yanlış sonuçlar sık görülür
  • Cloud platformları semantic layer'ı doğrudan gömmeye başladı; Snowflake buna Semantic Views diyor, Databricks ise Metric Views adını kullanıyor; dbt MetricFlow ve Cube gibi bağımsız araçlar ise sistemler arasında taşınabilir katmanlar sunuyor
  • Open Semantic Interchange (OSI) v1.0 kısa süre önce yayımlandı; çok sayıda vendor desteği ile analitik, yapay zeka ve BI platformları genelinde standardizasyon ve birlikte çalışabilirliğin yaygınlaşacağına işaret ediyor
  • Temel maliyet, peşin veri modelleme yatırımıdır; kurum geneline yaymadan önce tek bir alanla başlamak önerilir

15. Server-driven UI

  • Rendering'i genel container'lardan ayırıp yapı ve veriyi sunucu üzerinden sağlayarak, mobil ekiplerin her iterasyonda uzun app store inceleme döngülerini aşmasını sağlar
  • JSON tabanlı formatlarla gerçek zamanlı güncellemeleri mümkün kılarak yayın süresini ciddi ölçüde iyileştirir; Airbnb ve Lyft gibi şirketlerde yerleşik bir desen haline gelmesiyle karmaşıklık azalmıştır
  • Geçmişte, özel framework'lerin yaratabildiği "berbat ve aşırı yapılandırılabilir bir karmaşa" konusunda uyarılar vardı; artık büyük ölçekli uygulamalarda bu yatırıma gerekçe bulmak daha kolay
  • Yine de güçlü bir iş gerekçesi ve ölçülü mühendislik gerekir; bakımını zorlaştıran bir "god-protocol" oluşturmaktan kaçınmak önemlidir
  • Uygulamadaki tüm UI geliştirmesinin yerine geçmesi için değil, son derece dinamik alanlarda kullanılması önerilir

Değerlendir

16. Agentic reinforcement learning environments

  • LLM tabanlı ajanlar için, bağlamı, araçları ve geri bildirimi birleştirerek çok adımlı görev tamamlama sağlayan eğitim ortamları
  • Bu yaklaşım, LLM sonradan eğitimini basit tek turlu çıktılardan çıkarıp akıl yürütme ve araç kullanımı gibi agentic davranışlara göre yeniden yapılandırıyor; her eyleme ödül veya ceza atıyor
  • RLVR gibi tekniklerle, ödüllerin doğrulanabilir ve oyunlaştırmaya karşı dayanıklı olması sağlanıyor
  • Geliştirmeye şu anda ağırlıkla AI araştırma laboratuvarları öncülük ediyor; özellikle kodlama ve bilgisayar kullanımı ajanları için. Cursor'un Composer'ı, frontier laboratuvarları dışından, ürün ortamında eğitilmiş uzman bir kodlama modeli örneği
  • Prime Intellect'in Environments Hub, Agent Lightning ve NVIDIA NeMo Gym gibi çerçeve ve platformların ortaya çıkmasıyla süreç sadeleşiyor

17. Architecture drift reduction with LLMs

  • AI kodlama ajanlarının kullanımının artması, amaçlanan kod tabanı ve mimari tasarımdan drift'in hızlanmasına yol açıyor; bu durum kontrolsüz bırakıldığında ajanlar ve insanlar mevcut kalıpları (bozulmuş olanlar dahil) kopyalayarak drift'i katlıyor ve kötü kodun daha kötü kod ürettiği bir geri besleme döngüsü oluşturuyor
  • Deterministik analiz araçları (Spectral, ArchUnit, Spring Modulith) ile LLM tabanlı değerlendirmeyi birleştirerek hem yapısal hem anlamsal ihlaller tespit ediliyor
  • Bu yaklaşım, API kalite yönergelerini servisler genelinde zorunlu kılmak ve ajan üretimini iyileştirmeye rehberlik eden mimari zon tanımlarına uygulanıyor
  • Geleneksel linting'de olduğu gibi, ilk tarama çok sayıda ihlali görünür kılıyor → sınıflandırma ve önceliklendirme gerekiyor, bu konuda LLM yardımcı oluyor
  • Ajan tarafından üretilen düzeltmelerin küçük ve odaklı tutulması, incelemeyi kolaylaştırıyor; değişikliklerin regresyon yaratmadan sistemi iyileştirip iyileştirmediğini doğrulayan ek doğrulama döngüleri şart
  • feedback sensors for coding agents fikrini teslimat yaşam döngüsünün daha geç aşamalarına taşıyor; OpenAI ekibinin ifadesiyle drift azaltma bir tür "çöp toplama" gibi çalışıyor

18. Code intelligence as agentic tooling

  • LLM'ler kodu bir token akışı olarak işler ve çağrı grafiği, tip hiyerarşisi, sembol ilişkileri hakkında yerel bir anlayışa sahip değildir
  • Kod keşfi için bugün çoğu kodlama ajanı varsayılan olarak metin tabanlı arama kullanıyor; bu, tüm dillerde en güçlü ortak payda. IDE'de hızlı bir kısayol olan refactoring için ise ajanların birden fazla metin diff'i üretmesi gerekiyor
  • Ajanlar, AST'de zaten mevcut olan bilgiyi yeniden kurmak için önemli miktarda token harcıyor
  • Ajanlara AST farkındalığı olan araçlara erişim vermek; örneğin Language Server Protocol (LSP) üzerinden, "bu sembole ait tüm referansları bul" veya "bu tipi her yerde yeniden adlandır" gibi işlemleri birinci sınıf eylemler haline getiriyor
  • OpenRewrite gibi codemod araçları, daha zengin bir Lossless Semantic Tree (LST) kod gösterimi üzerinde çalışıyor; görevlerin uygun şekilde deterministik araçlara devredilmesi, halüsinasyon kaynaklı düzenlemeleri azaltıyor ve token tüketimini düşürüyor
  • Claude Code, OpenCode ve benzerleri yerelde çalışan LSP sunucularıyla entegre oluyor; JetBrains, IDE gezinme ve refactoring yeteneklerini harici ajanlara açan bir MCP sunucusu sunuyor; Serena MCP sunucusu ise anlamsal kod arama ve düzenleme sağlıyor

19. Context graph

  • Kararlar, politikalar, istisnalar, emsaller, kanıtlar ve sonuçları grafın birinci sınıf bağlantılı düğümleri olarak modelleyen, AI tüketimi için yapılandırılmış bir bilgi temsili tekniği
  • Kayıt sistemleri ne olduğunu yakalıyorsa, context graph neden olduğunu yakalar — Slack ileti dizilerinde, onay zincirlerinde ve insanların zihninde gömülü kurumsal akıl yürütmeyi sorgulanabilir, makine tarafından okunabilir bir yapıya dönüştürür
  • Ajan etkinliği için kritik; örneğin indirim istisnalarını ele alan bir ajan, bunun standart politika mı yoksa tek seferlik bir override mı olduğunu ayırt edemezse yanlış akıl yürütebilir. Context graph, kaynakları doğrudan görünür kılarak karar izlerini dolaşmayı, ilgili emsalleri uygulamayı ve çok sıçramalı nedensellik zincirleri üzerinde akıl yürütmeyi mümkün kılar
  • Statik belge külliyatından inşa edilen GraphRAG'dan farklı olarak context graph, her kenarda zamansal geçerliliği korur; yerini alan olgular üzerine yazılmaz, geçersiz kılınır
  • Oturumlar arası kalıcı bellek ya da izlenebilir karar akıl yürütmesi gerektiren agentic uygulamalar için değerlendirmeye değer

20. Feedback flywheel

  • Kodlama ajanlarıyla çalışan ekipler giderek daha fazla spec-driven development iş akışlarını benimsiyor; hafif ya da opinionated çerçevelerden bağımsız olarak spec → plan → implement akışını izliyorlar
  • Feedback flywheel, bu akışı kodlama ajanı harness'inin sürekli iyileştirilmesine odaklanan ek bir adımla genişletiyor
  • Retrospective'e benzer şekilde ekipler, kodlama ajanı oturumlarındaki başarı ve başarısızlıkları yakalayıp gelecekteki oturumların öngörülebilirliğini artırmak için kullanıyor; zaman içinde bileşik etki yaratıyor
  • curated shared instructions ve feedback sensors for coding agents gibi feedforward kontrollerini iyileştirmeye odaklanan human on the loop için bir meta teknik
  • Bir sonraki seviye agentic feedback flywheel; burada ajanlar, biriken geri bildirimlere dayanarak hangi iyileştirmelerin gerektiğine karar veriyor. Ancak şu anda hâlâ context rot'u ve ajanları yanlış yönlendirebilecek gürültülü geri bildirimleri önlemek için human-in-the-loop gerekiyor
  • Ortam geliştikçe, özellikle yeni modeller benimsenirken, tüm kodlama ajanı harness'ini değerlendirmekte kullanılabilir; çünkü bir modelde işe yarayan şey bir sonrakinde gereksiz olabilir

21. HTML Tools

  • agentic araçlarla küçük ve göreve özel yardımcı programlar oluşturmak kolaylaştı; temel mesele artık nasıl dağıtılacakları ve paylaşılacakları
  • HTML Tools, paylaşılabilir script’leri veya yardımcı programları tek bir HTML dosyası olarak paketleme yaklaşımıdır
  • Doğrudan tarayıcıda çalıştırılabilir, her yerde barındırılabilir veya dosya basitçe paylaşılabilir; binary paylaşımı ya da paket yöneticisi gerektiren CLI araçlarının dağıtım yükünden kaçınılır
  • Ayrı hosting gerektiren tam teşekküllü bir web uygulaması kurmaktan daha basittir
  • Güvenlik açısından güvenilmeyen dosyaları çalıştırmak hâlâ risk taşır, ancak tarayıcı sandbox’ı ve kaynak kodu inceleyebilme imkânı bunu bir miktar hafifletir
  • Hafif yardımcı programlar için tek HTML dosyası çok erişilebilir ve taşınabilir bir yöntem sunar

22. Semantic entropy kullanarak LLM değerlendirmesi

  • LLM soru-cevap uygulamalarındaki halüsinasyon türlerinden biri olan konfabulasyon (confabulation), geleneksel değerlendirme yöntemleriyle çözülmesi zor bir problemdir
  • Yaklaşımlardan biri, verilen bir girdiye karşılık üretilen çıktılardaki sözcüksel çeşitliliği analiz ederek belirsizliği ölçmek için bilgi entropisini kullanır
  • Semantic entropy ile LLM değerlendirmesi, bu fikri yüzeysel varyasyonlar yerine anlam farklarına odaklanacak şekilde genişletir
  • Sözcük dizileri yerine anlamı değerlendirdiği için ön bilgi olmadan farklı veri kümeleri ve görevlerde uygulanabilir ve bilinmeyen görevlere de iyi genellenir
  • Konfabulasyona yol açma ihtimali olan prompt’ların belirlenmesine ve gerektiğinde dikkat uyarısı verilmesine yardımcı olur
  • Naif entropi çoğu zaman konfabulasyonu tespit edemezken, semantic entropy yanlış iddiaları filtrelemede daha etkilidir

23. Coding agent’larla işbirliği kalitesini ölçmek

  • Coding agent kullanımıyla gerçek üretkenlik artışı gözlemlense de, değerlendirme metriklerinin çoğu hâlâ ilk çıktı süresi, üretilen kod satırı ve tamamlanan görev gibi coding throughput ölçülerine aşırı odaklanıyor
  • Ekiplerin hız tuzağına (speed trap) düşmemesi için odak, insanlarla agent’ların ne kadar etkili işbirliği kurduğuna kaydırılmalı
  • first-pass acceptance rate, görev başına yineleme döngüsü, merge sonrası yeniden çalışma, başarısız build’ler ve review yükü gibi metrikler, tek başına hızdan daha anlamlı sinyaller sağlar
  • Claude Code kullanan ekipler /insights komutuyla agent oturumlarının başarısı ve görev kapsamı hakkında rapor üretebilir; özelleştirilmiş /review komutunun first-pass acceptance takibi için denenmesi de söz konusudur
  • Kısa geri bildirim döngüleri ve azalan başarısız build sayısı, agent’larla daha etkili etkileşimin göstergeleridir
  • Ekip düzeyinde, bireysel düzey yerine, işbirliği kalitesini DORA metrikleriyle birlikte izlemek coding agent kullanımının daha eksiksiz bir resmini sunar

24. MITRE ATLAS

  • Agentic sistemler ve coding araçları, yeni mimariler ve beraberinde gelen güvenlik tehditleri ortaya çıkarıyor
  • MITRE ATLAS, AI ve ML sistemlerini hedef alan saldırgan taktik ve tekniklere yönelik bir bilgi tabanıdır
  • Daha geniş kapsamlı MITRE ATT&CK çerçevesine göre daha odaklı ve onu tamamlayacak şekilde tasarlanmıştır; ML pipeline’ları, LLM uygulamaları ve agentic sistemlere yönelik tehdit sınıflandırmaları sunar
  • Ortak bir terminoloji olmadığında güvenlik riskleri çoğu zaman gözden kaçar ya da sadece kutu işaretleme egzersizine dönüşür; ATLAS bu konuda yardımcı olur
  • Gerçek olaylar ve teknik örüntüler üzerine yapılan araştırmalara dayanır; ekipler bunu tehdit modelleme desteği için bir çerçeve olarak kullanabilir
  • SAIF gibi kontrol çerçevelerinin doğal bir tamamlayıcısıdır ve AI sistemlerinin evrilen tehdit ortamını açıklamaya yardımcı olur

25. Ralph loop

  • Wiggum loop olarak da bilinen bu otonom coding agent tekniğinde, sabit bir prompt sonsuz döngü içinde agent’a beslenir
  • Her yineleme yeni bir context window ile başlar — agent, spesifikasyondan veya plandan bir görev seçer, uygular ve ardından yeni context ile döngüyü yeniden başlatır
  • Temel içgörü basitliktir; teams of coding agents ya da coding agent swarms koordinasyonu yerine tek bir agent spesifikasyon üzerinde otonom çalışır ve tekrar eden yinelemelerle codebase’in spesifikasyona yakınsaması beklenir
  • Her yinelemede yeni bir context window kullanılması, biriken context nedeniyle kalite düşüşünü önler, ancak bunun karşılığında ciddi token maliyeti doğurur
  • goose gibi araçlar bu deseni uygular; bazı durumlarda yinelemeler arasında farklı modelle review eklenebilir

26. Design system için reverse engineering

  • Kurumlar çoğu zaman, "tasarım standardı"nın birbirinden kopuk web sayfaları, pazarlama materyalleri ve ekran görüntülerinden oluşan dağınık bir koleksiyondan ibaret olduğu parçalı legacy arayüzlerle uğraşır
  • Tarihsel olarak bu artefaktları denetleyip birleşik bir temel oluşturmak manuel ve zaman alıcı bir süreçti
  • Multimodal LLM’lerle bu çıkarım süreci otomatikleştirilebilir ve mevcut görsel varlıklardan design system etkili biçimde reverse engineer edilebilir
  • Web siteleri, ekran görüntüleri ve UI parçaları özel araçlara ya da vision özellikli AI modellere verilerek ekiplerin renk paletleri, tipografi ölçekleri, boşluk kuralları gibi temel design token’ları çıkarması ve tekrar eden component kalıplarını belirlemesi sağlanabilir
  • AI, bu yapısız görsel veriyi design system’in yapılandırılmış anlamsal temsiline dönüştürür; Figma gibi araçlarla entegre edildiğinde, resmileştirilmiş ve sürdürülebilir component kütüphaneleri üretimini büyük ölçüde hızlandırır
  • Görsel denetim yükünü azaltmanın yanı sıra, "AI-ready" bir design system kurmanın basamak taşı işlevini görür
  • Brownfield design debt yükü altındaki kurumsal yapılarda, AI ile bir temel design system oluşturmak; tam yeniden tasarım veya frontend standardizasyonu öncesinde pratik bir başlangıç noktasıdır

27. RAG’de role-based contextual isolation

  • Erişim kontrolünü uygulama katmanından arama katmanına taşıyan bir mimari tekniktir
  • Tüm veri chunk’larına indeksleme anında rol tabanlı yetki etiketleri eklenir; sorgu anında arama motoru, kullanıcının doğrulanmış kimliğine göre arama alanını kısıtlar ve bunu her chunk’ın metadata’sıyla eşleştirir
  • AI modeline ulaşmadan önce arama aşamasında filtreleme yapıldığı için yetkisiz context erişimi engellenir ve dahili bilgi tabanları için zero-trust temeli sağlanır
  • Milvus veya Amazon S3 tabanlı servisler gibi birçok vektör veritabanı yüksek performanslı metadata filtrelemeyi desteklediğinden, bu yaklaşımın büyük bilgi tabanlarında uygulanması da pratiktir

28. Yürütülebilir onboarding dokümantasyonu olarak beceriler

  • Agent Skills, küratörlüğü yapılmış ortak talimatlar ve diğer bağlam mühendisliği teknikleri bu Radar boyunca yer alıyor; kodlama bağlamında vurgulamak istedikleri kullanım örneği ise yürütülebilir onboarding dokümantasyonu olarak beceriler
  • Birden çok seviyede uygulanabiliyor; kod tabanı içinde /_setup becerisi go.sh betiği ile README dosyasının rolünü üstleniyor, betik hâline getirilemeyen adımlarda ise LLM yürütme semantiğini betiklerle birleştiriyor
  • Betiklerin yapabildiklerinin ötesine geçerek kod tabanının ve ortamın mevcut durumunu dinamik olarak dikkate alabiliyor
  • Kütüphane ve API üreticileri, dokümantasyonun bir parçası olarak tüketicilere beceriler sunabiliyor; bunu dahili veya harici beceri kayıtları (Tessl gibi) üzerinden yapabiliyor
  • Ekiplerin iç platform onboarding’inde faydalı; temel teknolojilerin kullanım eşiğini düşürüyor veya tasarım sistemi benimsenirken sürtünmeyi azaltıyor; şimdiye kadar büyük ölçüde MCP sunucularına dayanıyordu ancak artık becerilere geçiliyor
  • Diğer dokümantasyon biçimlerinde olduğu gibi güncel tutma sorunu ortadan kalkmıyor; ancak yürütülebilir dokümantasyon, statik dokümantasyona kıyasla eskidiğini çok daha erken fark etmeye yardımcı oluyor

29. Küçük dil modelleri

  • SLM’ler gelişmeye devam ediyor ve belirli kullanım senaryolarında LLM’lerden dolar başına daha iyi zekâ sunmaya başlıyor
  • Çıkarım maliyetlerini azaltmak ve agentic iş akışlarının hızını artırmak için ekipler SLM’leri değerlendiriyor; son ilerlemeler zeka yoğunluğunda istikrarlı kazanımlar göstererek özetleme ve temel kodlama gibi görevlerde eski LLM’lerle rekabet edebilir hâle geldi
  • Bu durum, “daha büyük daha iyidir” yaklaşımından daha yüksek kaliteli veri, model damıtma ve kuantizasyon yönüne geçişi yansıtıyor
  • Phi-4-mini ve Ministral 3 3B gibi modeller, damıtılmış modellerin daha büyük öğretmen modellerin birçok yeteneğini koruduğunu gösteriyor
  • Qwen3-0.6B ve Gemma-3-270M gibi ultra küçük modeller de artık uç cihazlarda çalıştırılabiliyor
  • Eskiden LLM’lerin yeterli olduğu agentic kullanım senaryolarında, SLM’ler düşük maliyetli, düşük gecikmeli ve daha az kaynak gerektiren bir alternatif olarak değerlendiriliyor

30. Kodlama ajanlarından oluşan ekip

  • Önceki Radar’da, geliştiricilerin kodlama görevlerinde iş birliği yapmak için rol bazlı ajanlardan oluşan küçük grupları koordine ettiği bir teknik olarak açıklanmıştı
  • O zamandan beri benimseme eşiği düştü; alt ajan desteği mevcut kodlama ajanı araçlarında temel özellik hâline geldi; buna Claude Code içinde yerleşik orkestrasyon sağlayan agent teams özelliği de dahil
  • Ajan ekibinde ana orkestratör genellikle görev sıralamasını ve paralelleştirmeyi yönetiyor; ajanların yalnızca orkestratörle değil, birbirleriyle de iletişim kurabilmesi gerekiyor
  • Yaygın kullanım örnekleri arasında inceleme ekipleri veya backend ve frontend gibi uygulamanın farklı bölümlerinden sorumlu uygulayıcı grupları yer alıyor
  • Sektörde bazıları “agent teams” ile "agent swarms" kavramlarını birbirinin yerine kullanıyor (Claude Code da agent teams özelliğini “our implementation of swarms” olarak tanımlıyor), ancak aradaki ayrım değerli
  • Küçük ve kasıtlı olarak oluşturulmuş ajan ekiplerinin bir görev üzerinde iş birliği yapması, giriş eşiği, karmaşıklık ve kullanım senaryoları açısından büyük swarm’lardan belirgin biçimde farklı

31. Temporal fakes

  • IoT ve endüstriyel platformlarda uzun süredir kullanılan gerçek dünya sistemlerini simüle etme fikrinin bir uzantısı
  • Yapay zeka kodlama ajanları, simülatör oluşturma çabasını azaltarak harici bağımlılıkların yüksek doğruluklu kopyalarını çok daha kolay üretilebilir hâle getiriyor
  • Statik istek-yanıt çiftleri döndüren geleneksel mock’ların aksine, temporal fakes iç durum makinesini koruyor ve gerçek sistemin zamansal evrimini modelliyor
  • Bir ekip bu tekniği büyük GPU veri merkezleri için bir gözlemlenebilirlik yığını geliştirmede kullandı ve fiziksel donanım tedarikinden kaçındı
    • Gerçek sistem üzerinde uyarı kuralları, panolar ve anomali tespiti testleri pratik değil (örneğin thermal throttle uyarısını doğrulamak için GPU’yu kasıtlı olarak aşırı ısıtmak)
    • Bunun yerine ekip, NVIDIA DCGM ve InfiniBand fabric gibi donanım alanları için Go ile fake’ler oluşturdu
    • Simülatör sayesinde thermal throttling, XID hata fırtınaları, link flap ve PSU arızaları gibi başarısızlık senaryoları yapılandırılabilir yoğunluk ve sürelerle tetiklenebildi; orkestrasyon için process-compose yığını kullanıldı
  • Merkezi bir kayıt geçerli arıza senaryolarını tanımlıyor ve bir MCP sunucusu bu senaryoların ajanlara enjekte edilmesini açığa çıkarıyor
  • Ajanlar belirli bir GPU’ya thermal throttle enjekte etmek gibi hataları tetikleyebiliyor; metriklerin beklendiği gibi değiştiği, uyarıların tetiklendiği ve panoların güncellendiği doğrulanabiliyor
  • Bu zamansal doğruluk, arızaların zincirleme ilerlediği karmaşık sistemleri test etmede tekniği değerli kılıyor; ancak fake’ler gerçek dünya davranışına sadık değilse, otomatikleştirilmiş pipeline’larda yanlış bir güven duygusu üretme riski var

32. Yapay zeka için toxic flow analysis

  • Ajan yetenekleri güvenlik pratiklerinin önüne geçiyor; OpenClaw gibi izin talebi yüksek ajanların ortaya çıkmasıyla ekipler, lethal trifecta koşullarına maruz ortamlarda ajanları daha fazla devreye alıyor — özel verilere erişim, güvenilmeyen içeriğe maruz kalma ve dış iletişim kurabilme
  • Yetenekler arttıkça saldırı yüzeyi de büyüyor; sistemler prompt injection ve araç zehirlenmesi gibi risklere açılıyor
  • Toxic flow analysis, agentic sistemleri inceleyerek güvensiz veri yollarını ve potansiyel saldırı vektörlerini belirlemek için temel bir teknik olarak önemini koruyor
  • Risk artık yalnızca MCP entegrasyonlarıyla sınırlı değil; Agent Skills içinde de benzer örüntüler gözlemleniyor — kötü niyetli aktörlerin, hassas veri sızdırmaya yönelik gizli talimatlar içeren ama faydalı görünen beceriler paketlemesi
  • Ajan çalışma ekiplerine, istismardan önce toxic flow analysis yapmaları ve güvensiz veri yollarını belirlemek için Agent Scan gibi araçları kullanmaları güçlü biçimde tavsiye ediliyor

33. Uçtan uca belge ayrıştırma için görsel dil modelleri

  • Belge ayrıştırma; düzen algılama, geleneksel OCR ve son işleme betiklerinin birleştiği çok aşamalı işlem hatlarına dayanır ve karmaşık düzenler ile matematiksel formüllerde zorlanır
  • VLM kullanan uçtan uca belge ayrıştırma, belge görüntülerini tek bir girdi modalitesi olarak ele alarak mimariyi sadeleştirir; doğal okuma sırasını ve yapılandırılmış içeriği korur
  • olmOCR-2, token açısından verimli DeepSeek-OCR (3B) ve ultra kompakt PaddleOCR-VL gibi bu amaç için özel olarak eğitilmiş açık kaynak modeller son derece verimli sonuçlar üretiyor
  • VLM'ler çok aşamalı işlem hatlarının yerini alarak mimari karmaşıklığı azaltsa da, üretken doğaları nedeniyle halüsinasyona yatkındır
  • Hata toleransı düşük kullanım senaryoları hâlâ hibrit yaklaşımlar veya deterministik OCR gerektirir
  • Büyük hacimli belge koleksiyonlarını işleyen ekiplerin, doğruluğu korurken uzun vadeli bakım yükünü azaltıp azaltamayacağını belirlemek için bu birleşik yaklaşımı değerlendirmesi gerekir

Caution

34. Agent instruction bloat

  • AGENTS.md, CLAUDE.md gibi bağlam dosyaları zaman içinde kod tabanı özeti, mimari açıklamaları, teamüller ve kurallar eklenerek birikir
  • Her ekleme tek başına yararlı olsa da, çoğu zaman agent instruction bloat ile sonuçlanır; talimatlar uzar ve bazen birbiriyle çelişir
  • Modeller, uzun bağlamın ortasına gömülen içeriklere daha az dikkat etme eğilimindedir; uzun sohbet geçmişinin derinliklerindeki yönlendirmeler gözden kaçabilir
  • Talimatlar arttıkça önemli kuralların göz ardı edilme olasılığı da artar
  • Pek çok ekip AGENTS.md dosyalarını yapay zekayla oluşturuyor, ancak araştırma, elle yazılan sürümlerin çoğu zaman LLM tarafından üretilenlerden daha etkili olduğunu gösteriyor
  • Agentic araçlar kullanırken talimatlar konusunda bilinçli ve seçici olmak, gerektiğinde ekleme yapmak ve bunları asgari ve tutarlı bir küme olarak sürekli rafine etmek gerekir
  • Yalnızca mevcut görev için gereken talimatları ve yetenekleri görünür kılmak üzere progressive context disclosure kullanımını değerlendirin

35. AI-accelerated shadow IT

  • Yapay zeka, kod yazmayanların karmaşık sistemler kurmasının önündeki engelleri düşürmeye devam ediyor; bu da deneyi ve gereksinimlerin erken doğrulanmasını mümkün kılarken yapay zeka hızlandırmalı shadow IT riskini de beraberinde getiriyor
  • AI API'lerini (OpenAI veya Anthropic gibi) entegre eden no-code iş akışı platformlarına ek olarak, Claude Cowork gibi daha fazla agentic araç da kod yazmayanlara sunuluyor
  • Sessizce işi yürüten elektronik tablolar, yönetişimsiz özel agentic iş akışlarına evrildiğinde ciddi güvenlik riskleri ve benzer sorunlara yönelik rakip çözümlerin yayılmasını beraberinde getirebilir
  • Tek seferlik iş akışları ile dayanıklı ve production-ready uygulama gerektiren kritik süreçler arasındaki ayrımı yapmak, deney ile kontrol arasındaki denge açısından kritik önemdedir
  • Kuruluşların yapay zeka benimseme stratejisinin bir parçası olarak yönetişime öncelik vermesi ve kontrollü ortamlar içinde deneyi teşvik etmesi gerekir
  • Uygun şekilde ölçümlenen iç sandbox'lar, kod yazmayanlara kullanımın izlenebildiği prototipleri dağıtabilecekleri bir alan sağlayabilir
  • Mevcut iş akışlarını paylaşan kataloglarla eşleştirildiğinde, ekiplerin hâlihazırda neyin inşa edildiğini keşfetmesine ve yinelenen çabadan kaçınmasına yardımcı olur

36. Codebase cognitive debt

  • Bir sistemin uygulanışı ile ekibin onun nasıl ve neden çalıştığına dair paylaşılan anlayışı arasındaki büyüyen uçurum
  • Yapay zeka değişim hızını artırdıkça, özellikle birden çok katkıcıda veya Coding Agent Swarms içinde çalışan ekipler tasarım niyetini ve gizli bağlılıkları izleme yetisini kaybedebilir
  • Artan teknik borç ile birleşerek, sistemi giderek daha zor akıl yürütülebilir hâle getiren bir pekiştirme döngüsü oluşturur
  • Zayıf sistem anlayışı, geliştiricilerin yapay zekayı etkili biçimde yönlendirme yeteneğini azaltır; edge case'leri öngörmek ve ajanları mimari tuzaklardan uzak tutmak zorlaşır
  • Yönetilmezse küçük değişikliklerin beklenmedik hataları tetiklediği bir kırılma noktasına ulaşılır; düzeltmeler regresyonlara yol açar ve toparlama çabaları riski azaltmak yerine artırır
  • Yapay zeka üretimi koda karşı rehavetten kaçının ve açık karşı önlemler uygulayın — coding agent'lar için feedback sensors, ekip bilişsel yükünün takibi ve mimari fitness function'lar ile, yapay zeka çıktıyı hızlandırırken temel kısıtların uygulanmasını sürdürün

37. Coding agent swarms

  • team of coding agents küçük ve bilinçli bir grupsa, coding agent swarm bir probleme onlarca ila yüzlerce ajanı uygular; yapılandırmayı ve büyüklüğü yapay zeka dinamik olarak belirler
  • Gas Town ve Ruflo (eski adıyla Claude Flow) gibi projeler iyi örneklerdir
  • Swarm uygulamalarında ilk örüntüler ortaya çıkıyor — hiyerarşik rol ayrımı (orkestratör, denetleyiciler, geçici çalışanlar), ajanların görev bölme ve koordinasyon için yardım aldığı kalıcı görev kayıtları (Gas Town beads kullanıyor) ve paralel çalışmaların çakışmalarını ele alan birleştirme mekanizmaları
  • Özellikle iki swarm deneyi dikkat çekiyor — Anthropic'in C derleyicisi üretimi ve Cursor'un agent scaling deneyi (bir hafta boyunca tarayıcı üretimi)
  • Her iki ekip de mevcut ayrıntılı spesifikasyonlara dayanabilen kullanım senaryolarını seçti; C derleyicisi örneğinde buna, açık ve ölçülebilir geri bildirim sağlayan kapsamlı bir test paketi de dahildi
  • Bu koşullar, gereksinimlerin daha az tanımlı olduğu ve doğrulamanın daha zor olduğu tipik ürün geliştirmeyi temsil etmez
  • Buna rağmen bu deneyler, uzun süre çalışan swarm'ları teknik olarak uygulanabilir kılan yeni örüntülere katkı sağlıyor; alan hâlâ pahalı ve olgunluktan uzak olduğu için benimsemede temkin önerilir

38. Verimlilik ölçüsü olarak coding throughput

  • Yapay zeka kodlama asistanları gerçek üretkenlik artışı sağlıyor ve hızla standart geliştirici araçları haline geliyor
  • Ancak kuruluşlar başarıyı üretilen kod satırı ya da pull request (PR) sayısı gibi yüzeysel metriklerle giderek daha fazla ölçüyor
  • Bu tür coding throughput metrikleri tek başına kullanıldığında çalışan davranışı üzerinde olumsuz etki yaratabilir
  • Sonuç çoğu zaman incelemeleri yavaşlatan, teslimat throughput'una zarar veren ve güvenlik riskleri getiren, iyi hizalanmamış bir kod seli oluyor; mühendisler yeterince incelenmemiş yapay zeka çıktılarıyla dolu PR'ler açıyor, bu da inceleyicilerle tekrarlanan ileri geri döngüler nedeniyle çevrim süresini artırıyor
  • Bu metrikler, yapay zeka tarafından üretilen kodu ekibin mimarisi, teamülleri ve desenleriyle uyumlu hale getirmek için gereken kalan çabayı yakalayamıyor
  • Daha anlamlı öncü göstergeler mevcut — first-pass acceptance rate, yani yapay zeka çıktısının minimum yeniden çalışma ile kullanılabildiği sıklık
  • Bunun ölçülmesi gizli çabayı görünür kılar ve iyileştirmeleri uygulanabilir hale getirir; ekipler prompt'ları iyileştirerek, hazırlık dokümantasyonunu geliştirerek ve tasarım odaklı konuşmaları güçlendirerek kabul oranını istikrarlı biçimde artırabilir
  • Bu, yapay zeka çıktısının daha az düzenleme gerektirdiği olumlu bir döngü yaratır; first-pass acceptance, DORA metrikleri ile de doğal biçimde bağlantılıdır — düşük kabul oranı değişiklik başarısızlık oranını artırma eğilimindedir ve yinelemeli tekrar döngüleri değişiklik teslim süresini uzatır
  • Yapay zeka asistanları yaygınlaştıkça, kuruluşların tek başına coding throughput'tan, gerçek etkiyi ve teslimat sonuçlarını yansıtan metriklere odak kaydırması gerekir

39. Agent workflow'larında dayanıklılığı göz ardı etmek

  • Birçok ekipte gözlemlenen bir anti-pattern; geliştirme ortamında çalışan ama prodüksiyonda başarısız olan sistemlere yol açıyor
  • Dağıtık sistemlerin karşılaştığı zorluklar, agent inşa ederken daha da belirgin hale geliyor; başarısızlığı öngören ve zarif biçimde toparlanan bir düşünce yapısı, tepkisel yaklaşımdan daha üstün
  • LLM'ler ve araç çağrıları ağ kesintileri ile sunucu çökmesi nedeniyle başarısız olabilir; bu da agent ilerlemesinin durmasına, kötü kullanıcı deneyimine ve artan operasyon maliyetlerine yol açar
  • Bazı sistemler görevler kısa süreliyse bunu tolere edebilir, ancak günler ya da haftalar süren karmaşık workflow'lar dayanıklılık gerektirir
  • LangGraph, Pydantic AI gibi agent framework'leri dayanıklı yürütmeyi entegre ediyor
  • Bunlar ilerleme ve araç çağrıları için kalıcı durum saklama sağlar, böylece agent bir başarısızlığın ardından işine devam edebilir
  • Human in the loop içeren workflow'larda dayanıklı yürütme, giriş beklenirken ilerlemenin duraklatılabilmesini sağlar
  • Durable computing platformları olan Temporal, Restate, Golem de agent desteği sunuyor
  • Yerleşik araç yürütme ve karar izleme gözlemlenebilirliği, hata ayıklamayı kolaylaştırıyor ve prodüksiyon sistemlerini anlamayı iyileştiriyor
  • Agent framework'lerinin yerel dayanıklı yürütme desteğiyle başlayın; workflow'lar daha önemli ya da daha karmaşık hale geldikçe bağımsız platformlardan yararlanın

40. Varsayılan olarak MCP

  • Model Context Protocol (MCP) ilgi görürken, ekipler ve satıcılar daha basit alternatifler olmasına rağmen bunu yapay zeka agent'ları ile harici sistemler arasındaki varsayılan entegrasyon katmanı olarak benimseme eğiliminde
  • MCP'yi varsayılan yapmak konusunda dikkatli olun; MCP, yapılandırılmış araç sözleşmeleri, OAuth tabanlı kimlik doğrulama sınırları ve yönetişimli çok kiracılı erişimde gerçekten değer katıyor
  • Ancak Justin Poehnelt'in "abstraction tax" dediği şeyi de getiriyor — agent ile API arasındaki her protokol katmanı sadakat kaybına yol açıyor ve karmaşık API'lerde bu kayıp katlanıyor
  • Pratikte, iyi --help çıktısı, yapılandırılmış JSON yanıtları ve öngörülebilir hata işleme sunan iyi tasarlanmış bir CLI, protokol ek yükü olmadan agent'ın ihtiyaç duyduğu her şeyi sağlayabilir
  • Simon Willison'ın işaret ettiği gibi, "MCP ile başarılabilecek neredeyse her şey CLI araçlarıyla da yapılabilir"
  • Bu, MCP'yi reddetmek anlamına gelmiyor; ekipler varsayılan benimsemekten kaçınmalı ve önce sistemlerinin gerçekten protokol düzeyinde birlikte çalışabilirliğe ihtiyaç duyup duymadığını sormalı
  • MCP, yönetişim ve entegrasyon faydaları ek karmaşıklığı ve potansiyel sadakat kaybını aştığında mantıklıdır

41. Pixel-streamed geliştirme ortamları

  • Yazılım geliştirme için VDI tarzı uzak masaüstü veya iş istasyonlarının kullanılması; düzenleme, derleme ve hata ayıklama, yerel makine ya da kod merkezli uzak ortamlar yerine akışla iletilen masaüstü üzerinden yapılır
  • Kuruluşlar bunu, özellikle offshore ekipler ve lift-and-shift bulut programlarında güvenlik, standartlaştırma ve onboarding hedeflerini karşılamak için benimsemeye devam ediyor
  • Ancak pratikte ödünleşimler çoğu zaman zayıf kalıyor — gecikme, giriş gecikmesi ve tutarsız ekran tepkiselliği sürekli bilişsel sürtünme yaratıyor, teslimat hızını düşürüyor ve günlük geliştirme işlerini daha yorucu hale getiriyor
  • Bulut geliştirme ortamları, Google Cloud Workstations, Coder, VS Code Remote Development gibi araçların aksine bunlar, tüm masaüstünü stream etmek yerine hesaplamayı koda daha yakın bir yere taşır
  • Pixel-streamed kurulumlar, geliştirici akışından çok merkezi kontrolü önceliklendirir ve çoğu zaman bunu kullanan mühendislerden yeterli girdi alınmadan dayatılır
  • Güçlü güvenlik ya da düzenleyici kısıtlar üretkenlik maliyetinden açıkça daha ağır basmadıkça, yazılım teslimatı için varsayılan tercih olarak pixel-streamed geliştirme ortamları önerilmez

[Platforms]

Adopt

— Yok

Trial

42. AG-UI Protocol

  • Zengin kullanıcı arayüzleri ile arka uç yapay zeka agent'ları arasında iletişimi standartlaştırmak için tasarlanmış açık bir protokol ve kütüphane
  • Tarihsel olarak agentic UI oluşturmak, iki yönlü durum bilgili işbirliği için özel entegrasyon çalışmaları gerektiriyordu; AG-UI bunu, server-sent events (SSE) ve WebSockets gibi taşıma yöntemlerini destekleyen tutarlı, olay tabanlı bir mimariyle çözüyor
  • Akıl yürütme adımlarının akış halinde iletilmesini, durum senkronizasyonunu ve dinamik UI bileşeni render etmeyi destekler
  • Ancak agent arayüzü mimarisi alanı hızla değişiyor; AG-UI, bilinçli olarak MCP'nin dışında konumlanarak frontend ile agent backend'i arasında bir arayüz katmanı görevi görüyor
  • Yeni MCP tabanlı uygulamalar, HTML ve UI widget'larını doğrudan MCP sunucusu ya da skill içine paketleyen farklı bir yaklaşımı öne çıkarıyor
  • UI bileşenleri araçlarla birlikte gömülüp sunulabilir hale geldikçe — MCP-UI gibi komşu standartlarla ilişkili desenler de dahil — AG-UI gibi ayrı bir UI protokol katmanına gerçekten ihtiyaç olup olmadığı sorgulanıyor
  • Frontend UX ile backend orkestrasyonunu ayırmak için hâlâ sağlam bir seçim, ancak MCP ekosisteminde araç mantığı ile UI'ın giderek daha fazla bütünleştiği eğilim dikkate alınarak rolünün yeniden değerlendirilmesi gerekiyor

43. Apache APISIX

  • Eski Nginx tabanlı çözümlerin sınırlamalarını aşan açık kaynaklı, yüksek performanslı, cloud-native bir gateway
  • Nginx ve OpenResty’nin LuaJIT’i üzerine inşa edilmiştir; yapılandırma deposu olarak etcd kullanarak reload kaynaklı gecikmeleri ortadan kaldırır ve dinamik mikroservisler ile serverless mimariler için uygundur
  • Başlıca gücü, tamamen dinamik ve eklentiye açık mimarisidir; API ve WASM dâhil çok dilli eklenti ekosistemiyle trafik yönetimi, güvenlik ve gözlemlenebilirlik özelleştirilebilir
  • Kubernetes Gateway API desteği sayesinde Apache APISIX, Kubernetes gateway’i olarak kullanılabilir; eski Nginx ingress controller’ların yerine geçmek için güçlü bir adaydır

44. AWS Bedrock AgentCore

  • Altyapı yönetimi yükü olmadan agent’ları güvenli biçimde büyük ölçekte kurmak, çalıştırmak ve işletmek için agentic bir platform; GCP Vertex AI Agent Builder ve Azure AI Foundry Agent Service ile benzer
  • Platformu monolitik bir kara kutu olarak benimsemek kolaydır, ancak ayrıntılı ve ayrıştırılmış bir mimari ile daha fazla başarı elde edilir — oturum izolasyonu, güvenlik ve gözlemlenebilirlik gibi prodüksiyon kaygıları için AgentCore runtime’ı kullanılırken, orkestrasyon mantığı LangGraph gibi harici framework’lerde tutulur
  • Bu ilgi alanı ayrımı, LLM ortamı gelişirken uyum sağlama esnekliğini korurken yönetilen altyapının avantajlarından yararlanmayı mümkün kılar
  • Runtime’a öncelik veren bu yaklaşım, kuruluşların vendor’a özgü orkestrasyon katmanına temel mantığın kontrolünü devretmeden agentic iş yüklerini kademeli olarak prodüksiyona taşımasını sağlar

45. Graphiti

  • Zep’in açık kaynaklı zamansal bilgi grafiği motoru; LLM bellek sorununu çözmenin prodüksiyonda uygulanabilir olduğunu gösteriyor
  • RAG pipeline’larındaki düz vektör depoları gerçeklerin zaman içindeki değişimini izlemekte başarısız olurken, Graphiti verileri ayrı episode olarak topluyor ve grafik kenarlarında bitemporal geçerlilik pencereleri tutuyor; eski gerçekler üzerine yazılmak yerine geçersiz kılınıyor
  • Batch odaklı GraphRAG’in aksine grafiği kademeli olarak güncelliyor; anlamsal arama, BM25 ve grafik dolaşımını birleştiren hibrit aramayla sorgu anında LLM çağrısı olmadan sub-second arama sunuyor
  • Benimsenmeyi artıran iki etken var — %18,5 doğruluk artışı ve %90 gecikme azalması bildiren hakem değerlendirmeli benchmark’lar ve Model Context Protocol uyumlu agent’ların minimum entegrasyon çabasıyla kalıcı zamansal bellek ekleyebilmesini sağlayan birinci sınıf MCP server sürümü
  • Güçlü topluluk benimsemesi de prodüksiyona hazır olduğuna dair ek bir sinyal
  • Ana backend Neo4j, FalkorDB ise hafif bir alternatif
  • Yazma başına LLM çıkarım maliyeti ve 1.0 öncesi sürüm durumu nedeniyle bağımlılıkların sabitlenmesi gerekiyor

46. Langfuse

  • Gözlemlenebilirlik, prompt yönetimi, değerlendirme ve veri kümesi yönetimini kapsayan açık kaynaklı bir LLM mühendisliği platformu
  • Son değerlendirmeden bu yana proje önemli ölçüde olgunlaştı; v3 mimarisi backend bileşenleri olarak ClickHouse, Redis ve S3’ü getirerek ölçeklenebilirliği artırdı ancak self-hosting karmaşıklığını da yükseltti
  • Python ve TypeScript SDK’larının ikisi de OpenTelemetry üzerinde native olarak inşa edildiğinden, OTEL tabanlı gözlemlenebilirlik kullanan ekipler için doğal bir uyum sunuyor
  • Deney runner SDK’sı ve prompt deneyleri için yapılandırılmış çıktı desteği gibi yeni özellikler, Langfuse’u yalnızca izleme aracından sistematik değerlendirme iş akışlarına uzanan bir platforma dönüştürüyor
  • Arize Phoenix, Helicone ve LangSmith gibi giderek kalabalıklaşan bu alanda değerlendirmeye değer
  • Özellikle Pydantic AI üzerine inşa eden ekipler, LLM’e özgü bir araç seti yerine full-stack OTEL gözlemlenebilirlik platformu olarak daha geniş bir yaklaşım benimseyen Pydantic Logfire’ı da değerlendirebilir
  • Tek bir self-host edilebilir platformda birleşik izleme, değerlendirme ve prompt yönetimine ihtiyaç duyan ekipler için güvenilir bir seçenek; ancak ana ihtiyaç model katmanında maliyet ve gecikme görünürlüğü ise Helicone gibi daha dar araçların yeterli olup olmayacağını değerlendirmek gerekir

47. Port

  • Geliştirici deneyimini iyileştirmek için tasarlanmış ticari bir internal developer portal; yazılım varlıklarını merkezileştirerek, iş akışlarını otomatikleştirerek ve mühendislik standartlarını zorunlu kılarak platform ekiplerine self-service iş akışları için tek bir doğru kaynak sunuyor
  • Kuruluşlar mühendislik iş akışlarını standartlaştırırken şablonları, API’leri, otomasyonu ve agent’ları geliştiricilerin gerçekten kullanabileceği biçimde sunmak istediği için daha da önemli hâle geliyor
  • Bağımsız portal olmanın ötesinde, Port’un API ve MCP katmanı üzerinden doğrudan IDE içinden kullanılabilir
  • Platform engineering’e ağır yatırım yapmadan ürünleşmiş portal yetenekleri isteyen kuruluşlar için iyi çalışıyor
  • Müşteri çalışmalarında, binlerce geliştiriciyi desteklerken nispeten küçük platform ekiplerinin etkili self-service’i hızla sunabilmesini sağladı
  • Internal developer portal yeteneklerine hızlıca ihtiyaç duyan ve ticari bir platform ile vendor lock-in sınırlamalarını kabul edebilen kuruluşlar için değerlendirmeye değer

48. Replit

  • Anında geliştirme ortamı, gerçek zamanlı kodlama ve entegre AI asistanını doğrudan tarayıcıda sunan cloud-native, işbirlikçi bir geliştirme platformu
  • Editör, runtime, deployment ve AI kodlama iş akışlarını tek bir birleşik platformda bir araya getirerek geliştiricilerin yerel kurulum olmadan hemen kod yazmaya başlamasını sağlıyor
  • AI destekli işbirlikçi IDE, onboarding sürtünmesini azaltmada çok faydalı ve ekip olarak birlikte prototipleme için uygun
  • Eğitim oturumları, bilgi paylaşımı ve bootcamp’ler için de oldukça etkili
  • Bazıları Replit’i AI destekli hobi projeleri için bir yer olarak görebilir, ancak ortam geleneksel yerel IDE’lerle rekabet edebilecek kadar güçlü ve iterasyon ile işbirliğini çok daha kolay hâle getiriyor

49. SigNoz

  • Log, metrik ve trace’i birleşik şekilde destekleyen açık kaynaklı, OpenTelemetry-native bir gözlemlenebilirlik platformu
  • Modern mikroservisler ve dağıtık mimarilerin APM ile enstrümantasyon gereksinimlerini karşılarken vendor lock-in’den kaçınmayı sağlıyor
  • Varsayılan kolonsal veritabanı olarak ClickHouse’u kullanarak hızlı sorgularla birlikte ölçeklenebilir, yüksek performanslı ve maliyet açısından verimli depolama sunuyor; Datadog gibi platformlara güçlü bir self-hosted alternatif olarak konumlanıyor
  • PromQL ve ClickHouse SQL üzerinden esnek sorgulama, çoklu uyarı kanalı bildirim desteği sunuyor
  • Pratikte SigNoz, performanstan ödün vermeden altyapı kaynak tüketimini ve toplam gözlemlenebilirlik maliyetini azalttığını gösterdi
  • Yönetilen cloud service seçeneği de var, ancak veri ve altyapı kontrolünü korumayı tercih eden kuruluşlar için kullanıma hazır Docker image’ları ve Helm chart’ları pratik bir tercih

Assess

50. Agent Trace

  • Cursor’un önerdiği AI kod sahipliğini standartlaştıran açık spesifikasyon
  • Kodlama ajanlarının kullanımının artmasıyla, kodu kimin değiştirdiğini anlama ihtiyacı insan geliştiricilerin ötesine geçerek yapay zeka tarafından üretilen değişiklikleri de kapsayacak şekilde genişliyor
  • git blame gibi mevcut araçlar bir kod satırının değiştirildiğini gösterebilir, ancak değişikliğin insan, yapay zeka ya da ikisi tarafından mı yapıldığını yakalayamaz
  • Agent Trace, kod değişikliklerini izleme yöntemini tanımlamak için üreticiden bağımsız bir yaklaşım sunuyor; izlerin nasıl saklanacağı konusunda ise görüş belirtmiyor
  • Git, Mercurial ve Jujutsu dahil birden fazla sürüm kontrol sistemiyle uyumlu
  • Spesifikasyon; human, AI, mixed, unknown gibi katkıda bulunan türlerini ve her katkının kaynağını açıklayan iz kayıtlarını tanımlıyor
  • Cline ve OpenCode gibi araçların desteği ile Git AI gibi uygulamalar, benimsenmenin erken sinyallerini veriyor

51. ClickStack

  • ClickHouse tabanlı tek bir yüksek performanslı veri deposunda log, trace, metrik ve oturumları birleştiren OpenTelemetry uyumlu açık kaynak gözlemlenebilirlik platformu
  • Altyapının büyümesi ve gözlemlenebilirlik maliyetlerinin artmasıyla birçok ekip, parçalı telemetri araç zincirleri ve pahalı üretici platformlarıyla zorlanıyor
  • ClickStack, ClickHouse’un sütunlu veri deposunu kullanarak büyük hacimli telemetri verilerinin tamamında alt saniye düzeyinde yüksek kardinaliteli sorgular yapılmasını sağlıyor ve gözlemlenebilirlik için daha basit, daha maliyet etkin bir temel sunuyor

52. Coder

  • pixel-streamed development environments için iyi bir alternatif; kodun çalıştığı yer ile geliştiricinin nasıl etkileşim kurduğunu ayırıyor
  • Tüm masaüstü arayüzünü akışla taşımak yerine geliştiriciler, VS Code gibi yerel bir IDE ya da tarayıcı üzerinden uzak ortama bağlanıyor; böylece kullanılabilirlikten ödün vermeden daha duyarlı bir deneyim elde ediliyor
  • Kod, uzaktan ölçeklenebilir altyapıda çalışıyor ve ortamlar kod olarak tanımlanıp yönetiliyor; bu sayede ekipler geliştirme kurulumlarını standartlaştırabiliyor ve yeni geliştiricilerin onboarding sürecini basitleştirebiliyor
  • İç sistemlere kontrollü erişim sağlamak ve önceden onaylanmış AI kodlama ajanlarının erişimini kolaylaştırmak da mümkün
  • Coder, yerel geliştirme ile tam sanallaştırılmış masaüstleri arasında bir orta nokta olarak görülüyor; pixel-streamed VDI’ın kullanılabilirlik sınırlamaları olmadan merkezi kontrol ve yönetişim sunuyor
  • Uzakta ya da kontrollü yürütme ortamına ihtiyaç duyan kuruluşlar, özellikle daha yüksek hesaplama gücü veya güvenli erişim gereken yerler için iyi bir seçenek
  • Ancak bu tür ortamları yönetmenin getirdiği operasyonel ek yük ve güvenlik sorumluluğu değerlendirilmeli

53. Databricks Agent Bricks

  • Ajan tabanlı yaklaşım ana akım haline geldikçe veri platformları, bu iş yüklerini ek modüller olarak değil yerel olarak destekleyecek şekilde evriliyor
  • Databricks Agent Bricks, bilgi asistanları ve veri analistleri gibi genel AI kalıpları için önceden oluşturulmuş, otomatik optimize edilen bileşenler sunuyor
  • Bildirimsel bir yaklaşımı izliyor; geliştirici hedefi ve temel veriyi tanımlıyor, çerçeve ise yürütme ve optimizasyonu üstleniyor
  • LLMOps’u basitleştirip veri kürasyonu için gereken çabayı azaltarak ekiplerin boilerplate yerine iş sonuçlarına daha fazla odaklanmasını sağlıyor
  • Bir ekip bunu, preklinik Ar-Ge için karmaşık bir RAG çözümünü değerlendirme ve kurma sürecinde özel ajanlarla birlikte kullandı
  • Databricks ekosistemine zaten yatırım yaptıysanız ve chatbot’lar ile belge çıkarımı gibi genel kullanım senaryolarında ajan tabanlı bir yaklaşımı araştırıyorsanız değerlendirmeye değer

54. DuckLake

  • Katalog ve metadata yönetimi için standart SQL veritabanları kullanan, böylece lakehouse mimarisini sadeleştiren birleşik bir data lake ve katalog formatı
  • Iceberg veya Delta Lake gibi geleneksel açık tablo formatları karmaşık dosya tabanlı metadata yapılarına dayanırken, DuckLake metadata’yı bir katalog veritabanında (SQLite, PostgreSQL, DuckDB vb.) saklıyor; veriyi ise yerel disk ya da S3 uyumlu nesne depolamadaki Parquet dosyalarında kalıcı tutuyor
  • Bu hibrit yaklaşım, sorgu planlama gecikmesini azaltıyor ve eşzamanlı güncellemeler sırasında işlemsel güvenilirliği iyileştiriyor
  • DuckDB, ducklake uzantısı üzerinden sorgu motoru rolünü üstleniyor ve standart DDL ile DML işlemleri için tanıdık bir SQL arayüzü sunuyor
  • Partitioning gibi lakehouse özelliklerini korurken indeksleri ve birincil/yabancı anahtarları dışarıda bırakıyor
  • Time travel, schema evolution ve ACID uyumluluğu desteğiyle, bağımsız bir analitik yığını hedefleyen ekiplere düşük karmaşıklıklı bir seçenek sunuyor
  • Hâlâ erken olgunluk aşamasında olsa da geleneksel lakehouse mimarisine umut verici ve hafif bir alternatif
  • Spark veya Trino tabanlı ekosistemlerle ilişkili operasyonel ek yükten kaçınmak isteyen, sadeleştirilmiş veri ortamları için uygun

55. FalkorDB

  • Cypher destekleyen Redis tabanlı bir grafik veritabanı; ağır grafik platformlarını devreye almadan grafik yetenekleri isteyen ekipler için uygun
  • Operasyonel sürtünmenin düşük olmasının önemli olduğu, ilişkisel açıdan zengin AI ve uygulama iş yükleri kuran; gömülü depolama yerine sunucu tabanlı grafik hizmetini tercih eden kuruluşlar için pratik bir seçenek
  • Mimarisi umut verici ve geliştirici modeli erişilebilir olsa da, geniş çaplı benimseme kararı öncesinde FalkorDB için ölçek, operasyon araçları ve uzun vadeli ekosistem olgunluğu açısından üretim davranışının doğrulanması gerekiyor

56. Google Dialogflow CX

  • Google Cloud’un yönetilen konuşma tabanlı AI platformu; Flows ve Pages ile kurulan grafik tabanlı bir durum makinesini, Vertex AI Gemini tabanlı üretken yeteneklerle birleştiriyor
  • Daha önce öncülü olan Dialogflow Radar’da takip edilmişti
  • CX, önemli bir yeniden tasarımı temsil ediyor; 2024’te Google’ın Vertex AI Gemini modellerini entegre etmesinin ardından öne çıktı ve talimat tabanlı ajanlar için Generative Playbooks ile indekslenmiş içerik üzerinde yanıtları temellendiren Data Store RAG yeteneklerini sundu
  • Doğal dilde veri keşfi ajanları oluşturmak için kullanıldı; düşük kodlu ortamı ve Generative Playbooks özellikleri nedeniyle özel SDK yaklaşımı yerine Dialogflow CX tercih edildi
  • Doğal dil sorgularını SQL’e çevirmek için few-shot prompting ile yapılandırıldı
  • Google Cloud üzerinde çalışan ekipler, yapılandırılmış iç veriler üzerinde doğal dil arayüzleri kurarken özel ajan yığınlarına kıyasla daha hızlı teslimat sağladığını gördü
  • Ancak ücretsiz katman yok, Google Cloud’a derin bağımlılık önemli ölçüde üretici bağımlılığı getiriyor ve context engineering için gereken çaba da planlanmalı

57. MCP Apps

  • Model Context Protocol’ün ilk resmi genişlemesi; MCP sunucularının dashboard, form ve görselleştirme olarak doğrudan konuşma içinde render edilen etkileşimli HTML arayüzleri döndürmesine olanak tanıyor
  • Anthropic, OpenAI ve açık kaynak katkıcıları tarafından ortak geliştirildi; araçların, ana makine UI desteğinden yoksunsa metne zarif biçimde geri düşen sandbox iframe içinde render edilen UI şablonlarını tanımlamasını sağlayan ui:// kaynak şemasını standartlaştırıyor
  • Ayrı bir kütüphane katmanı olarak çalışan AG-UI’dan farklı olarak, MCP Apps UI’ı doğrudan MCP sunucusunun içine paketliyor
  • Çift yönlü tasarım sayesinde model kullanıcı davranışını gözlemleyebiliyor; arayüz ise metnin yapamayacağı gerçek zamanlı veri ve doğrudan manipülasyonu ele alabiliyor
  • Claude, ChatGPT, VS Code ve Goose dahil istemciler için destek zaten yayımlandı
  • Daha zengin ajan etkileşimlerini araştıran ekiplerin, düz metin yanıtlarına kıyasla ek karmaşıklığın kullanım senaryosu için gerçekten gerekli olup olmadığını değerlendirmesi gerekiyor

58. Monarch

  • Tek makinedeki PyTorch iş yüklerinin sadeliğini büyük GPU kümelerine taşıyan açık kaynak dağıtık programlama çerçevesi
  • Uzak süreçler ve aktör oluşturmak için Python API’si sunar; bunları broadcast mesajlaşmayı destekleyen mesh koleksiyonları halinde gruplar
  • supervision tree aracılığıyla hata toleransı sağlar; hatalar hiyerarşi boyunca yukarı yayılır, böylece temiz hata işleme ve ayrıntılı kurtarma mümkün olur
  • Verimli GPU·CPU bellek aktarımı için point-to-point RDMA transferini destekler; ayrıca aktörlerin emirsel programlama modelini korurken süreçler geneline bölünmüş tensörlerle çalışmasını sağlayan dağıtık tensör soyutlaması sunar
  • Monarch, yüksek performanslı bir Rust backend’i üzerine inşa edilmiştir
  • Hâlâ geliştirme sürecinin erken aşamasında, ancak dağıtık tensörleri yerelmiş gibi çalıştıran soyutlama güçlü olduğu için büyük ölçekli dağıtık yapay zeka eğitiminin karmaşıklığını önemli ölçüde azaltabilir

59. Neutree

  • Özel altyapıda LLM yönetimi ve sunumu yapan açık kaynak bir platform; kurumsal yapay zeka için bir model servis katmanı olarak konumlanıyor
  • Model yaşam döngüsü yönetimi, inference serving ve NVIDIA·AMD·Intel hızlandırıcıları gibi heterojen donanımlar genelinde hesaplama zamanlaması için birleşik bir kontrol düzlemi sunar
  • Kuruluşlar barındırılan API’lerden kendi kendine barındırılan, yönetişimli dağıtımlara geçtikçe Neutree net bir boşluğu dolduruyor — çoklu kiracılık, erişim kontrolü, kullanım muhasebesi ve altyapı soyutlama gibi kurumsal düzey yeteneklerle LLM iş yüklerini işletiyor
  • Model sunumunu uygulama mantığından ayırarak ekiplerin belirli bir bulut sağlayıcısına sıkı bağlı kalmadan bare metal, VM ve container dahil ortamlarda modelleri dağıtmasına, ölçeklemesine ve yönlendirmesine olanak tanır
  • Ancak görece yeni olduğundan, benimsemeye temkinli yaklaşmak gerekir
  • Ekosistemi, operasyonel olgunluğu ve entegrasyon yetenekleri; daha yerleşik ML platformlarına kıyasla hâlâ gelişim aşamasındadır
  • Umut verici, ancak en çok yükselen kurumsal yapay zeka altyapısını değerlendirmeye ve şekillendirmeye yatırım yapmaya istekli ekipler için uygundur

60. OptScale

  • GPU ve deney maliyetlerinin hızla artabildiği AI/ML ağırlıklı iş yüklerini destekleyen açık kaynak çoklu bulut FinOps platformu
  • Bulut API’lerinden faturalama ve kullanım verisi toplar; maliyet görünürlüğü, optimizasyon önerileri, bütçe takibi ve anomali tespitini, ekip veya iş yapısına hizalanmış politika tabanlı uyarılarla tek bir sistemde birleştirir
  • OpenCost ile karşılaştırıldığında OptScale, Kubernetes düzeyinde analiz sunarken Kubernetes dışı daha geniş FinOps kullanım senaryolarını kapsar
  • IBM Cloudability, CloudZero, CloudHealth, IBM Kubecost ve Flexera One gibi kurumsal paketlere göre daha fazla kontrol ve daha az vendor lock-in sunar
  • Bunun karşılığında daha yüksek operasyonel overhead, dağıtım karmaşıklığı, connector edge case’leri ve container image güvenlik hijyenine ilişkin kaygılar gelir
  • Tak ve çalıştır bir ürün olarak değil, platform yetkinliğine yatırım olarak ele alınmalıdır

61. Rhesis

  • LLM ve agentic uygulamalar için açık kaynak bir test platformu; ekiplerin beklenen davranışı doğal dille tanımlamasına, adversarial test senaryoları üretmesine ve sonuçları hem UI hem de SDK veya API ile değerlendirmesine olanak tanır
  • Geleneksel test yaklaşımları deterministik davranışı varsayarken, AI sistemleri daha incelikli biçimlerde başarısız olur — jailbreak, çok turlu etkileşimler, politika ihlalleri ve bağlama bağlı edge case’ler dahil
  • Basit prompt değerlendirmesinden fazlasına ihtiyaç duyan ekipler için yararlı bir platformdur
  • conversation simulator, adversarial testler, OpenTelemetry tabanlı izleme ve Docker üzerinden self-hosting gibi özellikler; ürün, alan ve mühendislik ekiplerini ortak bir test iş akışında buluşturmanın pratik bir yolunu sunar
  • Başlıca faydası, deterministik olmayan sistemler için prodüksiyon öncesi doğrulamayı iyileştirmesidir
  • Değerlendirme maliyeti, LLM-as-judge metriklerinin sınırlamaları ve platformun değer üretmeden önce iyi tanımlanmış gereksinimlere ihtiyaç duyması gibi genel trade-off’lar dikkate alınmalıdır
  • Temel prompt kontrollerinin ötesinde işbirliğine açık, tekrarlanabilir testlere ihtiyaç duyan LLM veya agentic sistemler geliştiren ekipler için değerlendirmeye değerdir

62. RunPod

  • Kuruluşlar LLM eğitimi ve ince ayar deneylerini artırdıkça, AWS ve Google Cloud gibi hyperscaler’lar yüksek maliyet ve sınırlı donanım erişilebilirliği getirebilir
  • RunPod, hesaplama yoğun yapay zeka iş yükleri için maliyet açısından verimli bir alternatif sunar
  • Küresel ölçekte dağıtılmış bir GPU pazaryeri olarak çalışır; kurumsal sınıf H100 kümelerinden tüketici sınıfı RTX 4090’a kadar geniş bir donanım yelpazesine isteğe bağlı erişim sağlar ve bunu çoğu zaman geleneksel bulut sağlayıcılarından belirgin biçimde daha düşük maliyetle yapar
  • Uzun vadeli taahhüt veya vendor lock-in olmadan AI modelleri geliştirmek, eğitmek ve dağıtmak için esnek, bütçe dostu altyapıya ihtiyaç duyan ekipler için değerlendirmeye değer pratik bir seçenektir

63. Sprites

  • AI kodlama ajanlarının yalıtılmış çalıştırılması için tasarlanmış Fly.io’nun durum bilgili sandbox ortamı
  • Çoğu ajan sandbox’ı bir görev için oluşturulup sonra yok olan geçici yapılar iken, Sprites sınırsız checkpoint ve geri yükleme yeteneğine sahip kalıcı bir Linux ortamı sunar
  • Geliştiriciler; kurulu bağımlılıklar, runtime yapılandırması ve dosya sistemi değişiklikleri dahil tüm ortam durumunun anlık görüntüsünü alabilir, ajan raydan çıktığında geri dönebilir
  • Bu, yalnızca Git ile kurtarılamayan şeylerin ötesine geçerek, sürüm kontrolünün izlemediği sistem durumunu yakalar
  • Ekipler sandboxed execution for coding agents yaklaşımını giderek makul bir varsayılan olarak benimsedikçe, Sprites yelpazenin bir ucunu temsil ediyor — geçici container’ların sadeliğini daha zengin kurtarma seçenekleriyle takas eden, geçici olmayan durum bilgili bir yaklaşım
  • Ajan sandbox’ını değerlendiren ekipler, ihtiyaçlarına ve iş akışlarına göre Sprites’ı Dev Containers gibi geçici alternatiflerle birlikte değerlendirmelidir

64. torchforge

  • Dil modellerinin büyük ölçekli post-training’i için tasarlanmış PyTorch yerel bir reinforcement learning kütüphanesi
  • Algoritma mantığını altyapı kaygılarından ayıran yüksek seviyeli soyutlamalar sunar; orkestrasyon için Monarch, inference için vLLM ve dağıtık eğitim için torchtitan kullanır
  • Bu yaklaşımla araştırmacılar, karmaşık reinforcement learning iş akışlarını sözde kod benzeri bir API ile ifade edebilir, kaynak senkronizasyonu, zamanlama ve hata toleransı gibi düşük seviyeli ayrıntıları yönetmeden iş yüklerini binlerce GPU’ya ölçekleyebilir
  • “Ne”yi (algoritma tasarımı) “nasıl”dan (dağıtık yürütme) ayırarak torchforge, büyük ölçekli alignment sistemlerinde deney ve iterasyonu basitleştirir
  • Gelişmiş post-training tekniklerini daha erişilebilir kılan yararlı bir adım olsa da ekiplerin mevcut ML altyapıları içinde olgunluğunu ve uygunluğunu değerlendirmesi gerekir

65. torchtitan

  • Üretken yapay zeka modellerinin büyük ölçekli pre-training’i için PyTorch yerel bir platform; yüksek performanslı dağıtık eğitim için temiz ve modüler bir referans uygulama sunar
  • Gelişmiş dağıtık primitive’leri tutarlı bir sistemde bir araya getirerek veri·tensör·pipeline·context paralelleştirmesinin 4D paralelliğini destekler
  • Llama 3.1 405B ölçeğindeki modellerin eğitimi ciddi ölçek ve verimlilik gerektirdiğinden, torchtitan büyük eğitim iş yüklerini kurmak ve işletmek için pratik bir temel sunar
  • Modüler tasarımı sayesinde ekipler, prodüksiyon hazırlığını korurken paralelleştirme stratejilerini denemeyi ve geliştirmeyi kolaylaştırabilir
  • PyTorch ekosisteminde büyük ölçekli model eğitimini standartlaştırma yolunda yararlı bir adım olup özellikle kendi pre-training altyapısını kuran ekipler için uygundur

[Tools]

Adopt

66. Axe-core

  • Web siteleri ve diğer HTML tabanlı uygulamalarda erişilebilirlik sorunlarını tespit eden açık kaynaklı bir test aracı
  • WCAG gibi standartlara uygunluk açısından sayfaları kontrol eder — A, AA, AAA uygunluk seviyeleri dahil — ve genel erişilebilirlik en iyi uygulamalarını gösterir
  • Radar’da ilk kez 2021’de Trial olarak yer almasından bu yana birçok ekip, istemcileriyle birlikte Axe-core kullanmaya başladı
  • Erişilebilirlik giderek zorunlu bir kalite niteliği haline geliyor; Avrupa’da European Accessibility Act gibi düzenlemeler, kurumları dijital hizmetlerde erişilebilirlik gereksinimlerini karşılamakla yükümlü kılıyor
  • CI pipeline’larında otomatik kontrolleri etkinleştirerek modern geliştirme iş akışlarına iyi uyum sağlar
  • Ekiplerin regresyonları önlemesine, uyumluluğu sürdürmesine ve geliştirme sırasında erken geri bildirim almasına yardımcı olur; özellikle de yapay zeka desteği ve agentic kodlama araçlarının yaygın biçimde benimsendiği durumlarda erişilebilirliğin geri bildirim döngüsünün bir parçası olmasını sağlar

67. Claude Code

  • Anthropic’in karmaşık çok adımlı iş akışlarını planlayıp yürüten agentic yapay zeka kodlama aracı
  • Thoughtworks içindeki ve dışındaki ekipler tarafından production yazılım teslimatında günlük olarak kullanılıyor; yetenek ve kullanılabilirlik açısından bir ölçüt olarak yaygın biçimde görüldüğü için Adopt’a taşındı
  • CLI ajan ortamı, OpenAI’nin Codex CLI, Google’ın Gemini CLI, OpenCode ve pi gibi araçlarla hızla genişledi; ancak Claude Code birçok ekip için tercih edilen seçenek
  • Kullanımı artık kod yazmanın ötesine geçerek spesifikasyonlar, story’ler, yapılandırma, altyapı, dokümantasyon ve markdown ile tanımlanan iş süreçleri dahil geniş bir iş akışı yelpazesine yayıldı
  • Skills, subagent’lar, uzaktan kontrol ve agentic ekip iş akışları gibi diğer araçların da takip ettiği özellikleri sunmaya devam ediyor
  • Benimseyen ekiplerin ölçülü operasyon pratiklerine ve pairing’e ihtiyacı var; agentic kodlama, geliştirici emeğini manuel implementasyondan niyetin, kısıtların ve inceleme sınırlarının tanımlanmasına kaydırıyor
  • Teslimatı hızlandırabilir, ancak AI tarafından üretilen koda karşı rehavet riskini de artırır; bu da sistemin hem insanlar hem de ajanlar için bakımını ve evrimini zorlaştırır
  • Agentic iş akışlarını daha güvenilir hale getiren context engineering (konu farkındalığı, kapsam temelli bağlam seçimi) ve curated shared instructions uygulama yöntemi olarak harness engineering’e ilgi artıyor

68. Cursor

  • Claude Code ile birlikte, teslimat ekiplerinin varsayılan tercihi olarak sürekli öne çıkan en yaygın benimsenmiş kodlama ajanlarından biri
  • plan mode, hooks, subagents gibi özelliklere sahip kapsamlı bir agentic ortama olgunlaştı
  • Terminal tabanlı ajanlar da popüler, ancak birçok geliştirici IDE içindeki ajan denetiminin, çalıştırma öncesinde planı gözden geçirip iyileştirmek için daha zengin bir deneyim sunduğunu görüyor
  • Agent Client Protocol’ün benimsenmesi, büyük JetBrains kullanıcı tabanına yönelik engeli azaltarak Cursor yeteneklerini bu IDE’lerde erişilebilir hale getirdi
  • Tek tek ajan adımlarını inceleyebilme veya plan raydan çıktığında önceki adımlara geri dönebilme yeteneği özellikle değerli
  • Agent Skills kullanımı, ekiplerin yeniden kullanılabilir talimatları paketlemesine ve ajanların karmaşık codebase’lerle nasıl etkileşime gireceğini standartlaştırmasına yardımcı olur
  • Verimlilik kazanımları açık, ancak agentic otonomi hâlâ ince regresyonları yakalamak için sıkı otomatik testler ve insan gözetimi gerektiriyor

69. Kafbat UI

  • Apache Kafka cluster’larını izlemek ve yönetmek için ücretsiz, açık kaynaklı bir web UI
  • Ekiplerin günlük debug sırasında okunması zor payload’ları incelemesi gerektiğinde özellikle faydalı
  • Ekipler sıklıkla şifrelenmiş mesajları debug ederken tıkanıyor; Kafbat UI’nin yerleşik ve eklentiyle genişletilebilir SerDes desteği, şifre çözme veya özel decoding uygulayarak mesajları yeniden okunabilir hale getirmek için pratik bir yol sunuyor
  • Tek seferlik debug script’lerine kıyasla daha hızlı geri bildirim ve geliştirici ile destek ekipleri için daha iyi bir operasyon deneyimi sağlar
  • Mesajların güvenli şekilde incelenmesi ve sorunların verimli çözülmesinin standart pratik olması gereken, yoğun Kafka kullanılan ortamlar için önerilir

70. mise

  • Son değerlendirmeden bu yana asdf için yüksek performanslı bir alternatif olmaktan çıkıp geliştirme ortamının varsayılan frontend’i haline geldi
  • Araç ve dil sürümü yönetimi, ortam değişkeni yönetimi ve görev çalıştırma gibi üç parçalı alanı, bildirimsel mise.toml dosyalarıyla yapılandırılan tek bir yüksek performanslı, Rust tabanlı araçta birleştiriyor
  • mise kurulumu kolaydır ve CI/CD pipeline’larıyla iyi çalışır
  • Cosign ve GitHub Artifact Attestations entegrasyonu sayesinde diğer sürüm yöneticilerinde sıkça eksik olan bir tedarik zinciri güvenliği katmanı ekler
  • Geliştirici ortamı kurulumunu standartlaştırmak isteyen ekipler için önerilen varsayılan seçimdir
  • Birden fazla microservice içeren polyglot ortamlarda, codebase’lerin aynı anda yeni dil sürümlerini benimsemesi gerektiğinde özellikle yararlıdır
  • Mevcut dil bazlı araçlarla da çalıştığı için ekiplerin her şeyi tek seferde migrate etmesi gerekmez

Trial

71. cargo-mutants

  • Rust için bir mutation testing aracı; ekiplerin yalnızca basit code coverage metriklerinin ötesine geçmesine yardımcı olur
  • Operatör değiştirme veya varsayılan değer döndürme gibi küçük ve kasıtlı hataları otomatik olarak enjekte eder ve mevcut testlerin regresyonları gerçekten yakalayıp yakalamadığını doğrular
  • Zero-config yaklaşımı özellikle etkilidir; önceki araçların aksine source tree üzerinde değişiklik gerektirmez
  • Rust’a yeni başlayan ekipler için, eksik edge case’leri belirleme ve unit ile integration testlerinin güvenilirliğini artırma konusunda faydalı bir geri bildirim döngüsü sağlar
  • cargo-mutants, başka ekosistemlerde de denenen mutation testing yaklaşımının uzmanlaşmış bir uygulamasıdır
  • Başlıca maliyet, test çalışma süresinin artmasıdır; çünkü her mutant için incremental build gerekir
  • Bunu yönetmek için, yerel geliştirmede belirli modüllerin hedeflenmesi veya CI’da tüm test paketinin asenkron çalıştırılması önerilir
  • Bazen mantıksal olarak eşdeğer mutant’ları filtrelemek gerekebilir, ancak sonuçta test güvenilirliğindeki artış ek gürültüden daha ağır basar

72. Claude Code plugin marketplace

  • Daha önce özel komutların, uzman ajanların, MCP sunucularının ve becerilerin paylaşımı, geliştiricilerin talimatları Confluence veya diğer harici kaynaklardan kopyalayıp yapıştırmasını gerektiren manuel bir süreçti
  • Bu da sık sık sürüm kaymasına yol açıyor, ekip üyeleri eski proje talimatlarını kullanıyordu
  • Ekipler, paylaşılan komutları, prompt'ları ve becerileri dağıtmak için Git tabanlı dağıtım modeli kullanan Claude Code plugin marketplace'ten yararlanıyor
  • GitHub veya benzeri platformlarda dahili ekip marketplace'i barındırmak, kuruluşların bu artifact'leri daha güvenli ve tutarlı biçimde dağıtmasını mümkün kılıyor
  • Geliştiriciler, CLI üzerinden yapay zeka tabanlı iş akışlarını ve araçları doğrudan yerel ortamlarına senkronize edebiliyor
  • Cursor gibi diğer kodlama ajanları da ekip plugin marketplace desteği sunuyor ve bu artifact'lerin paylaşımı için daha sadeleştirilmiş ve yönetişimli bir yöntemi mümkün kılıyor

73. Dev Containers

  • devcontainer.json yapılandırma dosyasını kullanarak tekrarlanabilir konteynerleştirilmiş geliştirme ortamları tanımlamanın standartlaştırılmış bir yolu
  • Başlangıçta ekiplere tutarlı bir geliştirme kurulumu sağlamak için tasarlandı, ancak kodlama ajanları için sandbox çalıştırma ortamı olarak cazip yeni bir kullanım alanı bulundu
  • Yapay zeka kodlama ajanları bir Dev Container içinde çalıştırıldığında, host dosya sistemi, kimlik bilgileri ve ağdan izole oluyor; bu da ekiplerin host makineyi riske atmadan ajana geniş yetkiler vermesini sağlıyor
  • Açık spesifikasyon, VS Code ve Cursor gibi VS Code tabanlı araçlarda yerel olarak destekleniyor
  • DevPod, devcontainer desteğini SSH üzerinden herhangi bir editör veya terminal iş akışına genişletiyor
  • Varsayılan olarak geçici yaklaşımın benimsenmesiyle (yani konteynerin her başlangıçta yapılandırmadan yeniden oluşturulması), araçları ve bağımlılıkları yeniden kurma maliyeti karşılığında temiz bir güvenlik sınırı sağlanıyor
  • Kalıcı durum veya checkpoint ve restore yeteneklerine ihtiyaç duyan ekipler için Sprites gibi başka yaklaşımlar alternatif olabilir
  • Ajan sandbox'lamanın ötesinde, tedarik zinciri güvenliği açısından da fayda sağlıyor; araç zincirini deklaratif bir yapılandırmada tanımlayarak bozulmuş paketlere ve beklenmedik bağımlılıklara maruziyeti azaltıyor

74. Figma Make

  • Daha önce self-serve UI prototyping with GenAI blipi olarak yer almıştı; bu teknik artık ürün yöneticileri ve tasarımcılar dahil geliştirme ekipleri tarafından kullanıcı testine uygun yüksek doğruluklu prototipler üretmek için yaygın biçimde benimsendi
  • Figma Make, tasarım sisteminin gerçek bileşenlerini ve katmanlarını kullanarak sonuçların production uygulamalara çok benzer olmasını sağlayan güçlü bir seçenek
  • Yüksek kaliteli tasarım kalıplarıyla eğitilmiş özelleştirilmiş yapay zeka modelleri kullanıyor
  • Ekipler bunu yeni tasarım ekranları oluşturmak, mevcut ekranları iyileştirmek ve hızlı kullanıcı geri bildirimi toplamak için paylaşılabilir prototipler kurmak amacıyla kullanıyor

75. OpenAI Codex

  • macOS uygulaması ve CLI üzerinden kullanılabilen bağımsız, ajan tabanlı bir kodlama aracına dönüştü
  • Otonom görev devri için tasarlandı — bir prompt verildiğinde, minimum müdahaleyle dosyalar genelinde planlama, uygulama ve yineleme yapıyor
  • Hızlı taslak çıkarma aracı olarak etkili; özellikle greenfield işler ve tekrarlayan uygulama görevlerinde faydalı
  • Ancak OpenAI Codex, mantıksal olarak sağlam ama işlevsel olarak eski kütüphane kalıpları önerme eğilimi gösterdiğinden otomatik testler ve insan incelemesi şart
  • Bu Radar'daki diğer ajan tabanlı araçlarda olduğu gibi, ince teknik borç birikimi riski gerçektir ve ekiplerin verdiği otonomi düzeyiyle orantılıdır

76. Typst

  • Programatik belge üretimi için LaTeX'in modern halefi olarak konumlanan, işaretleme tabanlı bir dizgi sistemi
  • Yüksek kaliteli tipografiyi daha basit bir sözdizimiyle birleştiriyor ve çok büyük belgeleri bile geleneksel LaTeX araç zincirinin gerektirdiği sürenin bir bölümünde derleyen oldukça hızlı bir derleme hattı sunuyor
  • Typst, daha açık hata mesajları ve koşullu ifadeler ile döngüler gibi yerleşik scripting yetenekleri sağlıyor
  • JSON veya CSV'den yapılandırılmış veri yükleyebiliyor ve bu da onu otomatik belge üretimi için çok uygun hale getiriyor
  • Ekipler bunu, bankacılık ve finansal hizmetler müşterileri için tutarlı formatta büyük ölçekte üretilmesi gereken ekstreler ve raporlar oluşturmakta kullanıyor
  • Açık kaynak derleyici self-host edilebiliyor ve büyüyen ekosistemde topluluk katkılı paketler de bulunuyor
  • LaTeX'e göre daha erişilebilir olurken karşılaştırılabilir tipografi kalitesi sunuyor

Assess

77. Agent Scan

  • MCP sunucuları ve beceriler dahil yerel bileşenleri keşfedip prompt injection, araç kirlenmesi, toxic flow, hardcoded secret'lar ve güvensiz kimlik bilgisi işleme gibi riskleri işaretleyen ajan ekosistemi için bir güvenlik tarayıcısı
  • Ajan tedarik zinciri görünürlüğündeki yeni oluşan bir boşluğu gideriyor ve hızla büyüyen ajan yüzeyini envanterlemek ve test etmek için pratik bir yol sunuyor
  • Ancak benimseme bilinçli olmalı — taramanın bileşen metaverilerini Snyk API ile paylaşması gerekiyor ve sinyal kalitesi ile false-positive oranının ortam içinde doğrulanması gerekiyor
  • Ekiplerin Agent Scan'i zorunlu teslimat kapılarının bir parçası haline getirmeden önce operasyonel değerini doğrulaması önemli

78. Beads

  • Kodlama ajanları için kalıcı bir bellek katmanı olarak tasarlanmış, Git tabanlı bir issue tracker
  • Geçici Markdown planlarına dayanmak yerine ajana, engelleyici ilişkiler, hazırlık işlerinin tespiti ve oturumlar boyunca uzun süreli işlerin koordinasyonu için branch dostu bir yapıda iş grafiği sağlıyor
  • Beads, branch, merge, diff ve tablo kopyalamayı Git deposuna benzer şekilde destekleyen, yerleşik sürüm kontrollü bir SQL veritabanı olan Dolt üzerine inşa edildi
  • Ajana yerel proje belleği ve iş takibi araçlarının yeni bir kategorisini temsil ediyor
  • Bu alandaki diğer erken dönem projeler arasında ticket ve tracer yer alıyor
  • GitHub Issues ve Jira gibi geleneksel ticketing sistemlerinden farklı olarak, ajanların birbirlerine iş ataması dahil otonom çoklu ajan yürütümünü koordine ettiği yeni iş akışlarını mümkün kılıyor

79. Bloom

  • LLM davranışını değerlendiren yapay zeka güvenliği araştırmacıları için bir Anthropic aracı
  • sycophancy (yağcılık) ve self-preservation (kendini koruma) gibi davranışları tespit ediyor
  • Statik benchmark'lara kıyasla, hedef davranışı ve değerlendirme parametrelerini tanımlayan seed yapılandırmaları kullanarak çeşitli test diyaloglarını dinamik biçimde üretip ardından sonuçları değerlendiriyor
  • Otomatik davranış değerlendirmesine yönelik bu yaklaşım, model yayın hızına yetişmek için kritik önemde ve harici araştırma ekiplerinin de değerlendirme yapabilmesini sağlıyor
  • Tamamlayıcı araç olarak Petri, belirli bir modelde hangi davranışların ortaya çıktığını saptarken, Bloom bu davranışların hangi senaryolarda ve ne sıklıkta ortaya çıktığını belirliyor; birlikte daha eksiksiz bir değerlendirme seti oluşturuyorlar
  • Bloom'un belirli bir student modeli değerlendirmek için bir teacher (veya evaluator) modele ihtiyaç duyması bir endişe kaynağı; teacher modelin kör noktaları ve önyargıları olabilir, bu yüzden birden fazla değerlendirici kullanmak sonuçlardaki önyargıyı azaltabilir
  • Yapay zeka güvenliği araştırma ekiplerinin, ortaya çıkan model davranışlarını değerlendirirken statik benchmark'ları tamamlayıcı olarak bunu değerlendirmesi faydalı olabilir

80. CDK Terrain

  • 2025 Aralık’ta HashiCorp tarafından kullanımdan kaldırılıp arşivlenen Cloud Development Kit for Terraform’un (CDKTF) topluluk çatalı
  • CDK Terrain (CDKTN), CDKTF’nin bıraktığı yerden devam ediyor; ekipler altyapıyı TypeScript, Python ve Go ile tanımlayıp Terraform veya OpenTofu üzerinden provisioning yapabiliyor
  • CDKTF’ye zaten yatırım yapmış ekipler için mevcut kodu ve iş akışlarını koruyor; HCL ya da Pulumi’ye zorunlu geçiş yerine bir migration yolu sunuyor
  • Proje her ay sürüm yayımlıyor ve OpenTofu desteğini birinci sınıf hedef olarak ekliyor
  • Ancak vendor tarafından terk edilmiş projelerin topluluk tarafından sürdürülen çatalları, uzun vadeli destek açısından yapısal riskler taşır; CDKTF yaklaşımı da geniş çaplı benimsenme elde edemedi
  • HashiCorp, sonlandırma gerekçesi olarak ürün-pazar uyumunun yetersizliğini gösterdi
  • Hâlihazırda CDKTF kullanan ekipler CDK Terrain’i süreklilik seçeneği olarak değerlendirebilir, ancak daha geniş destek gören yaklaşımlara geçiş için bunun doğru zaman olup olmadığını da tartmaları gerekir

81. CodeScene

  • 2017’de social code analysis blip’indeydi; coding agent kullanımının artmasıyla CodeScene gibi araçlara yeniden ilgi doğdu
  • Kod karmaşıklığı metrikleri ile sürüm kontrol geçmişini birleştirerek teknik borcu belirleyen bir davranışsal kod analizi aracı
  • Geleneksel statik analizden farklı olarak "hotspot"ları öne çıkarıyor ve ekiplerin gerçek geliştirme faaliyeti ile iş etkisine göre refactoring önceliklendirmesi yapmasına yardımcı oluyor
  • Artık AI dostu kod tasarımı için rehberlik de sunuyor
  • Ekipler, coding agent’ların insan geliştiricilere kıyasla kodu çok daha hızlı değiştirebildiğini gördükçe kod kalitesinin daha da önemli hâle geldiğini fark ediyor
  • CodeScene’in CodeHealth metriği, LLM’lerin halüsinasyon riski olmadan güvenle refactor edemeyeceği kadar karmaşık alanları belirleyerek faydalı korkuluklar sağlıyor
  • Coding agent kullanımında bir korkuluk olarak değerlendirilmesi öneriliyor; CodeHealth metriği güvenli refactoring hedeflerini vurguluyor ve ajanlar uygulanmadan önce iyileştirilmesi gereken alanları gösteriyor

82. ConfIT

  • Entegrasyon ve component-style API testlerini kodla emirsel biçimde yazmak yerine JSON ile deklaratif olarak tanımlayan bir kütüphane
  • Büyük test paketlerinde çoğu zaman HTTP istemcileri, istek yapılandırması ve assertion’lar etrafında boilerplate biriktiği için bu yaklaşıma ilgi artıyor
  • AI destekli geliştirme bu eğilimi güçlendiriyor; yapılandırılmış test tanımlarını üretmek ve sürdürmek, uzun prosedürel koda göre daha kolay hâle geliyor
  • Müşteri deneyimi ve değerlendirmelere göre bu deklaratif katman, component ve integration testleri arasındaki tekrarları azaltıyor, okunabilirliği artırıyor ve test niyetinin ekip genelinde evrilmesini kolaylaştırıyor
  • Ancak ConfIT kendi başına sınırlı topluluk benimsenmesine ve küçük bir ekosisteme sahip; bu avantajlara rağmen geniş çapta önerilmesi zor
  • Spesifikasyon odaklı API testi keşfetmek isteyen .NET ekipleri için değerlendirilmeye değer, ancak uzun vadeli sürdürülebilirlik, ekosistem uyumu ve operasyonel trade-off’ların doğrulanması gerekiyor

83. Entire CLI

  • Git iş akışına hook olarak bağlanıp AI coding agent oturumlarını — transcript’ler, prompt’lar, tool çağrıları, dokunulan dosyalar ve token kullanımı — özel bir repository branch’inde saklanan aranabilir metadata olarak yakalıyor
  • Claude Code, Gemini CLI, OpenCode, Cursor, Factory AI Droid ve GitHub Copilot CLI’yi destekliyor
  • AI agent’lar bir kod tabanının başlıca katkıcıları hâline geldikçe ekipler, Git’in izlediği şeylerle coding oturumlarında gerçekte olanlar arasındaki büyüyen boşlukla karşı karşıya kalıyor
  • Entire CLI, ana branch geçmişini kirletmeden commit’lerle birlikte tam oturumları kaydederek agent faaliyetleri için bir denetim izi oluşturuyor
  • Checkpoint sistemi de pratik kurtarma imkânı sağlıyor; ekipler agent raydan çıktığında bilinen iyi bir duruma geri dönebiliyor ve herhangi bir checkpoint’ten devam edebiliyor
  • Araç çok yeni ve agent oturumu izlenebilirliği ekosistemi hâlâ şekilleniyor olsa da, AI tarafından üretilen kod için uyumluluk veya denetim gereksinimleri olan ekipler için Git-native oturum yakalama doğal bir uyum sunuyor

84. Git AI

  • Repository içinde AI tarafından üretilen kodu izleyen, AI tarafından yazılan her satırı onu üreten agent, model ve prompt’a bağlayan açık kaynaklı bir Git eklentisi
  • Git AI, commit başlangıcı ile sonu arasındaki artımlı kod değişikliklerini izlemek için checkpoint ve hook’lar kullanıyor
  • Her checkpoint, mevcut durum ile önceki checkpoint arasındaki diff’i içeriyor ve AI ya da insan üretimi olarak işaretleniyor
  • Bu yaklaşım, ekleme anında kod satırı sayısını saymaya odaklanan yaklaşımlara göre daha doğru
  • AI tarafından üretilen kodu izlemek için Git Notes üzerinden bir açık standart kullanıyor
  • Desteklenen agent ekosistemi hâlâ olgunlaşma sürecinde olsa da, agentic iş akışlarında uzun vadeli hesap verebilirlik ve sürdürülebilirliği korumak isteyen ekipler için değerlendirilmeye değer
  • Hem insanlar hem de AI agent’lar /ask becerisi aracılığıyla arşivlenmiş agent oturumlarına başvurup belirli kod bloklarının arkasındaki özgün niyeti ve mimari kararları sorgulayabiliyor

85. Google Antigravity

  • Windsurf’ten lisanslanan teknoloji üzerine inşa edilmiş bağımsız bir VS Code çatalı; 2025 Kasım’da Gemini 3 ile birlikte genel önizleme olarak yayımlandı
  • IDE’yi çoklu ajan orkestrasyonunu merkeze alacak şekilde yeniden kurguluyor — Agent Manager, görevler genelinde birden fazla ajanı paralel çalıştırıyor; yerleşik Chromium tarayıcısı sayesinde ajanlar canlı UI ile doğrudan etkileşime girebiliyor; skill sistemi yeniden kullanılabilir agent talimatlarını repository’de saklıyor
  • Agent Manager, standart sohbet kenar çubuğundan ziyade bir "Mission Control" panosu işlevi görüyor; bu da geliştirici rolünü satır satır kod yazmaktan çoklu otonom iş akışlarını orkestre etmeye doğru kökten değiştiriyor
  • Gerektiğinde geliştiriciler human-in-the-loop (HITL) kontrolü için hâlâ editöre girebiliyor
  • Google Antigravity, Model Context Protocol üzerinden Google Cloud ve Firebase ile entegre oluyor; Agent Development Kit ile agent geliştirmeyi destekliyor
  • Genel önizleme durumunda kalmaya devam ediyor, GA tarihi yok; güvenlik duruşu ve kurumsal hazırlık seviyesi hâlâ evriliyor
  • Çoklu ajan yürütme modeli ve otonom tarayıcı erişimi, agentic IDE’lerin gideceği yönü işaret ediyor

86. Google Mainframe Assessment Tool

  • Kurumların mainframe üzerinde çalışan uygulamaları tersine mühendislikle analiz etmesine yardımcı olur; ister tüm portföyü ister tek tek sistemleri inceleyebilir
  • Temelde deterministik dil ayrıştırıcılarına dayanarak kod tabanı genelindeki çağrı akışını ve veri bağımlılıklarını haritalar, uygulamaların nasıl etkileştiğine dair yapısal bir görünüm oluşturur
  • Bu temel üzerinde üretken yapay zeka yetenekleri özetleme, dokümantasyon, test senaryosu oluşturma ve modernizasyon önerileri sunar
  • Bu yaklaşım, GenAI ile legacy kod tabanını anlama yönündeki daha geniş örüntüyle uyumludur; sistem hakkında güçlü içgörü, yapay zekanın etkili kullanımının temelini oluşturur
  • Google Mainframe Assessment Tool henüz tüm büyük mainframe teknoloji yığınlarını desteklemese de hızla gelişiyor
  • Ekipler bunun mainframe uygulamalarının keşfi ve modernizasyonuna odaklanan müşteri çalışmalarında faydalı olduğunu gördü

87. OpenCode

  • Güçlü bir terminal öncelikli deneyime sahip, en dikkat çekici açık kaynak kodlama ajanlarından biri olarak hızla öne çıkıyor
  • Başlıca gücü model esnekliği — barındırılan frontier modelleri, self-hosted uç noktaları ve yerel modelleri destekliyor
  • Bu da OpenCode'u maliyet kontrolü, özelleştirme ve air-gapped kurulumlar dahil kısıtlı ortamlar için cazip hale getiriyor
  • Bu durum, abonelik veya API kullanıldığında kullanıcıların lisanslar ve sağlayıcı şartları konusunda açık olması gerektiği anlamına geliyor
  • OpenCode'un genişleme modeli de çekiciliğinin bir başka temel unsuru; takıma özgü iş akışları, araçlar ve guardrail'ler için hem eklentileri hem de MCP entegrasyonlarını destekliyor
  • Birçok kullanıcı Oh My OpenCode'dan yararlanıyor; koordineli ajan ekipleri ve daha zengin orkestrasyon örüntüleriyle daha görüş sahibi ve batteries-included bir kurulum sunan isteğe bağlı ama popüler bir harness

88. OpenSpec

  • AI kodlama ajanlarının yetenekleri geliştikçe, gereksinimler ve bağlam yalnızca geçici sohbet geçmişinde bulunduğunda geliştiriciler giderek öngörülebilirlik ve sürdürülebilirlik sorunlarıyla karşılaşıyor
  • Bunu çözmek için spec-driven development (SDD) araçları ortaya çıkıyor
  • OpenSpec, kod üretiminden önce insan geliştiricilerle AI ajanlarının ne inşa edileceği konusunda hizalanmasını sağlayan hafif bir spesifikasyon katmanı sunan açık kaynak bir SDD çatısıdır
  • Ayırt edici yanı akışkan ve minimal iş akışı; çoğu zaman üç adıma indirgeniyor — propose → apply → archive
  • Birçok SDD çatısı (GitHub Spec Kit gibi) veya Agentic Skills iş akışı (Superpowers gibi), brownfield yerine greenfield projeler için daha uygun
  • OpenSpec'in tam spesifikasyonları en baştan tanımlamak yerine spec delta'lara odaklanması özellikle iyi; mevcut sistemlere iyi uyuyor
  • Daha katı iş akışlarını zorunlu kılan ağır alternatiflerin (BMAD gibi) veya satıcıya özgü IDE entegrasyonu gerektirenlerin (Kiro gibi) aksine yinelemeli ve araçtan bağımsız
  • Ağır bir süreç benimsemeden yapay zeka destekli geliştirmeye yapı ve öngörülebilirlik kazandırmak isteyen ekipler için değerlendirmeye değer, geliştirici dostu bir çatı
  • Bununla birlikte, modeller ve kodlama ajanları daha da güçlendikçe ekiplerin yerel yetenekleri izleyip yeniden değerlendirmesi ve SDD araçlarına olan ihtiyacı tekrar gözden geçirmesi de önerilir

89. PageIndex

  • Geleneksel embedding tabanlı aramaya dayanmak yerine vektörsüz, akıl yürütme tabanlı RAG pipeline'ları için belgelerin hiyerarşik indeksini oluşturan bir araç
  • Belgeleri vektörlere göre chunk'lamak yapı bilgisinin kaybına ve sonuçların neden bulunduğuna dair görünürlüğün sınırlanmasına yol açabilirken, PageIndex LLM'in adım adım gezerek ilgili içeriği bulduğu bir içindekiler indeksi oluşturur
  • Bir insanın başlıkları tarayıp ardından belirli bir bölüme inmesine benzer şekilde, neden belirli bir bölümün seçildiğini açıklayan açık akıl yürütme izleri üretir
  • Anlamdan çok yapının önemli olduğu belgelerde iyi çalışır; örneğin sayısal veriler içeren finansal raporlar, çapraz referanslı maddeler içeren hukuki belgeler ve karmaşık klinik ya da bilimsel dokümanlar
  • Ancak bunun bir trade-off'u vardır; LLM akıl yürütmesi arama sürecinin bir parçası olduğu için özellikle büyük belgelerde kayda değer gecikme ve maliyet getirebilir

90. Pencil

  • Cursor ve Claude Code gibi IDE'lerle ve kodlama ajanlarıyla entegre olan bir tasarım kanvası aracı
  • Şu anda yalnızca okuma erişimi sunan Figma'nın aksine, Pencil çift yönlü bir yerel MCP sunucusu çalıştırarak kanvası doğrudan işlemek için hem okuma hem yazma erişimi sağlar
  • Figma Make ve Builder.io gibi araçlar gibi tasarımdan koda yetenekleri de sunar, ancak daha geliştirici merkezli bir yaklaşımla — tasarım dosyaları .pen adlı açık bir JSON biçiminde repoda saklanır, böylece tasarım varlıkları kodla birlikte sürüm kontrolüne alınabilir
  • Geliştiricilere tanıdık araçlarla entegrasyon sayesinde tasarım-geliştirme handoff boşluğunu kapatmaya yardımcı olur
  • Büyük ve karmaşık tasarım sistemlerinde Figma hâlâ roller arası iş birliğinin standardı
  • Ancak özel tasarımcısı olmayan ekipler veya güçlü tasarım becerilerine sahip geliştiricileri olan ekipler için değerlendirmeye değer

91. Pi

  • TypeScript ile yazılmış minimalist bir açık kaynak terminal kodlama ajanı
  • Ana akım kurumsal varsayılanlardan çok kurcalamayı sevenler ve deney yapanlar için cazip bir seçenek
  • Pi, OpenCode gibi tam özellikli ajanlara kıyasla daha özelleştirilebilir, yalın bir harness
  • ADK, LangGraph, Mastra gibi agentic çatılarla yeni bir ajan kurmaya göre uyarlaması daha kolay
  • Güçlü ivme ve aktif sürümlere rağmen proje hâlâ erken aşamada ve büyük ölçüde bakımcıları tarafından yönlendiriliyor
  • pi'yi tam guardrail'lere ve desteğe sahip bir kurumsal platform değil, mühendise dönük bir yapı taşı olarak ele almak gerekiyor

92. Qwen 3 TTS

  • Birçok ücretli API'ye göre geliştiriciye daha fazla kontrol verirken ticari ürünlerle arasındaki kalite farkını büyük ölçüde kapatan açık kaynak bir text-to-speech modeli
  • Çok dilli destek sunar, kısa bir örnekten (yaklaşık 10-15 saniye) ses klonlaması yapabilir ve alan ya da karaktere özgü sesler için sonradan fine-tuning'e izin verir
  • Markaya özgü ses ya da on-prem kontrol gerektiren ekipler için cazip bir seçenek
  • Qwen 3 TTS henüz yeni yayımlandı; ekiplerin bunu üretim açısından kritik ses iş yüklerinde kullanmadan önce kararlılık, güvenlik kontrolleri, lisans uygunluğu ve operasyonel olgunluğu doğrulaması gerekiyor

93. SGLang

  • frontend programlama dili ile backend runtime’ın ortak tasarımı sayesinde LLM çıkarımındaki hesaplama ek yükünü azaltan yüksek performanslı bir serving framework’ü
  • RadixAttention kullanıma alır; prompt genelinde KV (anahtar-değer) durumunu agresif biçimde önbelleğe alıp yeniden kullanan bir bellek yönetimi tekniğidir
  • Bu yaklaşım, yüksek prefix overlap senaryolarında vLLM gibi standart serving motorlarına kıyasla kayda değer performans iyileştirmeleri sağlar
  • Karmaşık otonom ajanlar inşa eden, uzun system prompt’lara dayanan veya paylaşılan örneklerle geniş çaplı few-shot prompting kullanan ekipler için SGLang, gecikme ve verimlilik açısından önemli kazanımlar sağlayabilir

94. ty

  • Python’ın popülaritesi, özellikle yapay zeka ve veri bilimi alanında büyümeyi sürdürürken, güçlü bir tip sistemine sahip olmanın değeri giderek artıyor
  • Ty, Rust ile yazılmış son derece hızlı bir Python tip denetleyicisi ve dil sunucusu
  • uv ve ruff gibi araçları da içeren Astral ekosisteminin bir parçası
  • Hızlı geri bildirim sağlar ve Visual Studio Code gibi yaygın editörlerle iyi entegre olur
  • ty’yi diğer Astral araçlarıyla birlikte kullanmak, büyük ölçekli organizasyonlarda Python geliştirmeyi sadeleştirebilir
  • agentic coding yaygınlaştıkça, hızlı geri bildirim döngülerine sahip deterministik bir tip denetleyicisine sahip olmak, hataları erken yakalamaya ve basit hatalar için gereken kod inceleme eforunu azaltmaya yardımcı olur

95. Warp

  • Radar’da son yer alışından bu yana Warp, “AI özellikli terminal” tanımının çok ötesine geçen bir evrim geçirdi
  • Temel güçlü yanlarını — blok tabanlı komut çıktısı, yapay zeka destekli öneriler ve notebook işlevleri — korurken, geleneksel olarak IDE’lerin kapladığı alana doğru genişledi
  • Artık Markdown render etme, dosya ağacını gösterme ve dosyaları doğrudan terminalden açma özelliklerine sahip; ayrıca paneller genelinde tam agentic geliştirme iş akışlarını destekliyor — bir panelde Claude Code gibi bir kodlama ajanı, başka bir panelde shell ve üçüncü bir panelde çalışma alanı dosya görünümü
  • Gözlemlenen pratik fayda, Warp’ın modern kodlama ajanlarının ürettiği yüksek hacimli metin çıktısını geleneksel terminallere göre daha iyi işlemesi; çünkü render hızı ve okunabilirlik darboğaz haline gelebiliyor
  • Yerleşik bir kodlama asistanı da ekledi, ancak ekip bunu kapsamlı biçimde değerlendirmedi
  • Warp ayrıca yakın zamanda, terminalle entegre çalışan bulut ajanları için bir orkestrasyon platformu olan Oz’u yayımladı; ancak bu blip terminalin kendisine odaklanıyor
  • Hafif ve birleştirilebilir terminalleri tercih eden, kendi yapay zeka araçlarını getirmek isteyen ekipler için Ghostty daha uygun olabilir — Warp’ın batteries-included felsefesinin aksine bilinçli olarak minimalist bir yaklaşım sunar
  • Yeni özelliklerin çıkış hızı ve Warp’ın daha geniş platform hedefleri göz önüne alındığında, ürünün olgunlaşması ve yeni yetenekler konusunda daha fazla saha deneyimi edinilmeden Trial’a taşınması için henüz erken

96. WuppieFuzz

  • REST API’ler için açık kaynaklı bir fuzzer’dır; geçerli istekler üretmek için OpenAPI tanımlarını kullanır, edge case’leri keşfetmek için mutasyon uygular ve yeni yürütme yollarına ulaşan girdilere öncelik vermek için sunucu tarafı coverage geri bildirimine dayanır
  • Çoğu ekip hâlâ örnek tabanlı entegrasyon ve sözleşme testlerine dayanıyor; beklenmedik girdileri, anormal istek dizilerini ve hata ağırlıklı yolları neredeyse hiç keşfetmiyor, oysa API’ler çoğu zaman modern sistemlerin ana entegrasyon yüzeyini oluşturuyor
  • İlk değerlendirmelere göre WuppieFuzz, bu testlere umut verici bir tamamlayıcı gibi görünüyor — işlenmemiş istisnalar, yetkilendirme boşlukları, hassas veri sızıntıları, sunucu tarafı hataları ve script tabanlı testlerin kaçırabileceği mantık kusurları gibi sorunları ortaya çıkarabilir
  • Ekiplerin yine de bunun CI içine nasıl uyduğunu, getirdiği runtime ek yükünü ve sonuçların pratikte ne kadar faydalı olduğunu değerlendirmesi gerekiyor
  • Bu nedenle, kritik veya dışa açık REST API’ler geliştiren ekipler için değerlendirmeye değer

Caution

97. OpenClaw

  • Yazarın “hyper-personal AI assistant” kategorisi olarak adlandırdığı açık kaynaklı bir proje
  • Kullanıcılar kendi instance’larını barındırabilir, bunu WhatsApp veya iMessage gibi mesajlaşma kanalları üzerinden sürekli erişilebilir tutabilir ve bağlı araçlar üzerinden görevler çalıştırabilir
  • Konuşmalar, tercihler ve alışkanlıklar için kalıcı hafızası sayesinde, GenAI sohbet arayüzlerinden veya tipik kodlama ajanlarından belirgin biçimde farklı hissettiren kalıcı bir kişisel deneyim üretir
  • Model açıkça çekici ve Claude Cowork gibi takipçiler için şimdiden ilham kaynağı olmuş durumda
  • OpenClaw’un Caution altında konumlandırılmasının nedeni, modelin önemli güvenlik ödünleşimleri gerektirmesi
  • Takvime, e-postaya, dosyalara ve iletişime ne kadar fazla erişim verilirse o kadar faydalı hale geliyor ve AI için toxic flow analysis’ta uyarılan tam desene uygun şekilde yetkileri merkezileştiriyor
  • Bu risk OpenClaw’a özgü değil; yerleşik vendor ürünleri dahil aynı desendeki diğer uygulamalar için de geçerli
  • Ekip, OpenClaw’ı değerlendiren ekipler için tavsiyeler ve sandbox’lı yürütme ortamları hakkında yazılar yayımladı; NanoClaw veya ZeroClaw gibi alternatifler etki alanını azaltabilir
  • Ancak hyper-personal assistant deseni özü itibarıyla yetki biriktirmeye eğilimli ve yüksek riskli olmaya devam ediyor

[Languages and Frameworks]

Adopt

98. Apache Iceberg

  • S3 gibi depolama sistemlerinde veri dosyalarının, metadata’nın ve şemaların nasıl organize edildiğini tanımlayan, büyük ölçekli analitik veri kümeleri için açık bir tablo formatıdır
  • Son birkaç yılda önemli ölçüde gelişti ve teknolojiden bağımsız lakehouse mimarisinin temel yapı taşlarından biri haline geldi
  • AWS (Athena, EMR, Redshift), Snowflake, Databricks ve Google BigQuery dahil tüm büyük veri platformu sağlayıcıları tarafından destekleniyor; vendor lock-in’den kaçınmak için güçlü bir seçenek
  • Apache Iceberg'i diğer açık tablo formatlarından ayıran şey, özellikler ve yönetişim genelindeki açıklığı; yetenekleri tek bir vendor tarafından sınırlanan veya kontrol edilen alternatiflerle tezat oluşturuyor
  • Güvenilirlik açısından, snapshot tabanlı tasarımı serileştirilebilir izolasyon, iyimser eşzamanlılıkla güvenli eşzamanlı yazma ve rollback dahil sürüm geçmişi sunar; performans darboğazı oluşturmadan güçlü doğruluk garantileri sağlar
  • Apache Spark en yaygın motor olsa da Trino, Flink ve DuckDB gibi araçlar da iyi desteklenir; bu da onu kurumsal veri platformlarından hafif yerel analize kadar geniş bir kullanım alanı için uygun kılar
  • Birçok ekipte istikrarlı ve açık bir veri formatı olarak güçlü güven kazandı; modern veri platformları inşa eden organizasyonlar için varsayılan tercih olarak öneriliyor

99. Declarative Automation Bundles

  • Daha önce Databricks Asset Bundles olarak biliniyordu; Databricks ekosistemine yazılım mühendisliği ve CI/CD pratiklerini getiren temel bir araca dönüştü
  • Önemli ölçüde olgunlaştı; ekipler artık cluster, ETL pipeline, job, makine öğrenimi modelleri ve dashboard'lar dahil olmak üzere platform kaynaklarının büyük bölümünü kod olarak yönetebiliyor
  • databricks bundle plan komutuyla ekipler değişiklikleri önceden görebiliyor; bu da Terraform gibi araçlarla altyapı yönetimine benzer şekilde Databricks artefaktlarına tekrarlanabilir dağıtım pratikleri uygulanmasını sağlıyor
  • Dashboard'lar ve ML pipeline'ları gibi geleneksel olarak değiştirilebilir varlıkları kod olarak ele alarak, bunların geleneksel mikroservislerle aynı sıkılıkta sürümleme, test ve dağıtım süreçlerinden geçmesini mümkün kılıyor
  • Prodüksiyon ortamı deneyimine dayanarak, Declarative Automation Bundles, Databricks'te veri ve ML workflow'larını yönetmek için güvenilir bir yaklaşım olarak konumlandı
  • Databricks ekosisteminde geniş kapsamlı çalışmalar yapan ekipler için, altyapı yönetimi pratiklerini standartlaştırmak amacıyla benimsenmesi öneriliyor

100. React JS

  • 2016'dan beri JavaScript UI geliştirmenin varsayılan tercihi olsa da, geçen ekimde React 19'un bir parçası olarak gelen React Compiler'ın kararlı sürümü nedeniyle yeniden değerlendirmeye değer
  • Build aşamasında memoization işlemini yaptığı için manuel useMemo ve useCallback kullanımı çoğunlukla gereksiz hale geliyor; ekiplerin bunları effect bağımlılıklarını hassas biçimde kontrol etmek gerektiğinde bir kaçış kapısı olarak tutması öneriliyor
  • Meta'da battle-tested durumda; Expo SDK 54, Vite, Next.js desteğiyle birlikte, React'i büyük ölçekte kullanırken uzun süredir maliyet yaratan performans boilerplate'i kategorisini ortadan kaldırıyor
  • React 19 ayrıca Actions ile useActionState ve useOptimistic gibi hook'ları da sunuyor; bu da harici kütüphanelere bağımlı olmadan form işleme ve veri mutasyonlarını basitleştiriyor
  • 2025'te Linux Foundation altında React Foundation kullanıma sunuldu — Amazon, Expo, Callstack, Microsoft, Software Mansion ve Vercel, Meta'ya katıldı — bu da kütüphanenin uzun vadeli istikrarını güçlendirerek benimsemeyi düşünen temkinli ekiplerin tarihsel olarak dile getirdiği kaygıları gideriyor

101. React Native

  • Çapraz platform mobil geliştirmenin varsayılan tercihi olarak Adopt halkasına taşındı
  • Daha önce Trial'daydı; ancak New Architecture geçişi — özellikle JSI ve Fabric — ile bridge darboğazı ve başlatma hızıyla ilgili uzun süredir var olan kaygılar giderildi
  • Karmaşık UI geçişlerinde ve veri yoğun iş yüklerinde kayda değer performans kazanımları gözlemlendi
  • Asenkron bridge'den uzaklaşılmasıyla React Native artık tek bir kod tabanını korurken native uygulamalara yakın tepki verme kabiliyeti sunuyor
  • Birden çok prodüksiyon projesinde başarıyla kullanıldı; Expo ve React merkezli ekosistem de olgun ve kararlı durumda
  • State management hâlâ dikkatli planlama gerektirse de, fast refresh workflow'u ve paylaşılan yetkinlik setinin sağladığı üretkenlik avantajları bu maliyetleri aşıyor
  • Çoğu hibrit mobil kullanım senaryosunda performans, tutarlılık ve hız arayan ekipler için başlıca öneri olarak öne çıkıyor

102. Svelte

  • Component'leri build aşamasında optimize edilmiş JavaScript'e derleyen bir JavaScript UI framework'ü; büyük bir tarayıcı tarafı runtime'a veya virtual DOM'a dayanmaz
  • Trial olarak son tanıtımından bu yana daha fazla ekip bunu prodüksiyonda başarıyla kullandı; SvelteKit'in SSR ve full-stack web uygulamaları için daha sağlam bir seçenek haline gelmesi, Adopt halkasına taşınma konusundaki güveni artırdı
  • Svelte'i seçmenin ilk nedenleri hâlâ geçerli — küçük bundle'lar üretmesi, güçlü runtime performansı ve daha basit bir component modeli
  • Svelte 5'in runes ve snippets gibi yeni yetenekleri, reactivity ve UI bileşimini daha açık ve esnek hale getiriyor
  • Daha ağır frontend framework'lerine kıyasla daha az kodla daha temiz bir geliştirme deneyimi sunuyor
  • Ekip geri bildirimleri giderek bunu React veya Vue için güvenilir bir alternatif olarak konumlandırıyor; artık niş bir seçenek değil
  • Ekosistem aşinalığı, işe alım ve platform uygunluğu hâlâ değerlendirilmeli; ancak performansın ve teslimat sadeliğinin önemli olduğu modern web uygulamaları geliştirmede makul bir varsayılan seçenek olarak öneriliyor

103. Typer

  • Standart type annotation'lı fonksiyonlardan CLI oluşturan bir Python kütüphanesi; otomatik yardım metni, shell autocomplete ve küçük script'lerden büyük CLI uygulamalarına uzanan net bir yol sunuyor
  • Ekipler iç araçları, otomasyonu ve AI'ya komşu geliştirici workflow'larını birinci sınıf CLI'lara dönüştürdükçe daha da ilgili hale geliyor
  • Typer, gerçek projelere kolayca alınabiliyor; ekipler, ne kadar hızlı biçimde açık ve okunabilir komutlar üretebildiğini özellikle takdir ediyor
  • Güçlü yanları — type hint tabanlı API, otomatik yardım ve autocomplete, basit script'lerden çok komutlu CLI'lara düşük sürtünmeli geçiş yolu
  • Ancak Python'a özgü bir çözüm ve son derece özelleştirilmiş CLI davranışı ya da diller arası tutarlılık gerektiğinde en iyi seçenek olmayabilir
  • Teslimat, operasyon ve geliştirici deneyimi workflow'ları için CLI oluşturan ekiplere öneriliyor

Trial

104. Agent Development Kit (ADK)

  • AI agent'ları kurmak ve işletmek için Google'ın sunduğu bir framework; orkestrasyon, araçlar, değerlendirme ve dağıtım için yazılım mühendisliği odaklı soyutlamalar sağlıyor
  • Assess halkasına alındığından beri ekosistemi ve operasyonel yetenekleri önemli ölçüde olgunlaştı; aktif çok dilli geliştirme ile daha güçlü gözlemlenebilirlik ve runtime özelliklerine sahip
  • Vendor-native agent framework'leri artık kalabalık bir alan — Microsoft Agent Framework, Amazon Bedrock AgentCore, OpenAI Agents SDK, Claude Agent SDK gibi rakip seçenekler de ilerliyor
  • LangGraph ve CrewAI gibi açık kaynak alternatifler, framework taşınabilirliğine ve daha geniş ekosistem önceliklerine önem veren ekipler için hâlâ güçlü seçenekler
  • ADK bazı yönleriyle hâlâ pre-GA durumda; yer yer pürüzlü noktalar ve sürüm yükseltme sürtüşmesi bulunsa da, özellikle Google platformuna yatırım yapan projelerde daha fazla başarılı kullanım gözlemleniyor

105. DeepEval

  • LLM performansını değerlendirmek için açık kaynaklı, Python tabanlı bir framework
  • LlamaIndex veya LangChain gibi framework’lerle oluşturulan RAG sistemleri ve uygulamalarını değerlendirmek için kullanılabilir; ayrıca model baseline’ları ve benchmark’ları için de uygundur
  • Basit kelime eşleştirme metriklerinin ötesine geçerek doğruluk, ilgililik ve tutarlılık değerlendirmesi sunar; böylece gerçek dünya senaryolarında daha güvenilir ölçüm sağlar
  • Halüsinasyon tespiti, yanıt ilgililik puanı ve hiperparametre optimizasyonu gibi yetenekler içerir; ekiplerin özel kullanım senaryolarına göre metrik tanımlayabilmesi özellikle faydalıdır
  • Yakın zamanda DeepEval, karmaşık agentic workflow’lar ve çok turlu diyalog sistemlerini destekleyecek şekilde genişletildi
  • Nihai çıktıyı değerlendirmenin ötesinde, tool correctness, step efficiency ve task completion için yerleşik metrikler sunuyor; buna MCP sunucularıyla etkileşimlerin değerlendirilmesi de dahil
  • Büyük ölçekli çok turlu uygulamaları stres testine tabi tutmak için test case’leri otomatik üreten conversation simulation özelliği de eklendi

106. Docling

  • Yapılandırılmamış belgeleri temiz ve makine tarafından okunabilir çıktılara dönüştüren açık kaynaklı Python ve TypeScript kütüphanesi
  • Yerleşim ve anlamı anlamak için bilgisayarlı görü tabanlı bir yaklaşım kullanır; taranmış belgeler dahil PDF gibi karmaşık girdileri JSON ve Markdown gibi yapılandırılmış formatlara işler
  • RAG pipeline’ları ve LLM’lerden yapılandırılmış çıktı üretimi için uygundur; ColPali gibi vision-first arama yaklaşımlarından ayrışır
  • Docling, Azure Document Intelligence, Amazon Textract, Google Document AI gibi tescilli bulut yönetimli servisler için açık kaynaklı, self-hosted bir alternatif sunar ve LangGraph gibi framework’lerle iyi entegre olur
  • Metin, tablo ve görseller içeren çok büyük dosyalar da dahil olmak üzere dijital ve taranmış PDF’lerde production ölçeğindeki çıkarım iş yüklerinde iyi performans gösterir
  • Aşağı akış agentic RAG workflow’ları için güçlü bir kalite-maliyet dengesi sunar

107. LangExtract

  • Özel talimatlara dayanarak yapılandırılmamış metinden yapılandırılmış bilgi çıkaran bir Python kütüphanesi; her çıkarılan varlığı belgedeki özgün konumuna bağlayan hassas kaynak temellendirmesi de içerir
  • Klinik notlar ve raporlar gibi alana özgü materyalleri işler
  • Temel gücü kaynak izlenebilirliğidir; her çıkarılan veri noktasının kaynağına kadar izlenebilmesini garanti eder
  • Çıkarılan varlıklar, dil modeli verileri için standart bir format olan JSONL dosyalarına aktarılabilir ve bağlamsal inceleme için etkileşimli bir HTML arayüzü ile görselleştirilebilir
  • Belge işleme için LLM’lerden yapılandırılmış çıktı düşünen ekipler, LangExtract’i Pydantic AI gibi şema zorlamalı yaklaşımlarla birlikte değerlendirmeli
  • LangExtract, uzun ve yapılandırılmamış kaynak materyaller için daha uygundur; Pydantic AI ise daha kısa ve öngörülebilir girdilerde çıktı formatını kısıtlama konusunda öne çıkar

108. LangGraph

  • Önceki Radar’dan bu yana, tüm çok ajanlı sistemleri küresel paylaşımlı duruma sahip stateful bir grafik olarak ele alan LangGraph mimarisinin, agentic sistemler kurmak için her zaman en iyi seçenek olmadığını gözlemledik
  • Pydantic AI gibi framework’lerde kullanılan alternatif yaklaşımlar da iyi çalışıyor
  • Katı bir grafik ve büyük bir paylaşımlı durumla başlamak yerine, bu yaklaşım kod yürütme üzerinden basit ajan iletişimini tercih ediyor ve gerekirse grafik yapısını daha sonra ekliyor
  • Pek çok kullanım senaryosunda daha sade ve etkili sistemler üretiyor; her ajan yalnızca ihtiyaç duyduğu duruma eriştiği için muhakeme, test ve hata ayıklama kolaylaşıyor
  • Sonuç olarak Adopt’tan çıkarılıyor; hâlâ güçlü bir araç olsa da artık tüm agentic sistemleri kurmak için varsayılan tercih olarak görülmüyor

109. LiteLLM

  • Birden fazla LLM sağlayıcısının üzerinde duran ince bir soyutlama katmanı olarak başlayıp tam teşekküllü bir AI gateway’e dönüştü
  • API entegrasyonunu basitleştirmenin ötesinde, GenAI sistemlerinde yaygın olan çapraz ihtiyaçları çözüyor — yeniden deneme ve failover, sağlayıcılar arası load balancing ve bütçe kontrolü için maliyet takibi dahil
  • Ekipler giderek LiteLLM’i yapay zeka destekli uygulamalar için mantıklı varsayılan seçenek olarak benimsiyor
  • Gateway, istek izleme, erişim kontrolü, API anahtarı yönetimi, içerik filtreleme ve veri değiştirme/maskeleme gibi uç katman guardrail’leri içeren yönetişim konularını ele almak için tutarlı bir nokta sunuyor
  • Ancak farklılaştırıcı sağlayıcı özelliklerine bağımlı ekipler, çoğu zaman sağlayıcıya özgü parametrelere ihtiyaç duyuyor; bu da gateway’in ortadan kaldırmaya çalıştığı bağımlılığı yeniden getiriyor
  • drop_params modu, desteklenmeyen parametreleri sessizce attığı için yönlendirme kararları genelinde görünürlük olmadan yetenek kaybına yol açabiliyor
  • Operasyonel kontrol için pratik bir seçim olsa da, sağlayıcıya özgü yeteneklerden yararlanmak hem gateway bağımlılığını hem de sağlayıcıya bağlı kodu sürdürmek anlamına geliyor

110. Modern.js

  • ByteDance’in React meta-framework’ü; Module Federation tabanlı mikro frontend gereksinimleri olan ekipler için Trial aşamasına alındı
  • Tetikleyici pratik: nextjs-mf ömür sonuna (end-of-life) yaklaşıyor; Pages Router yalnızca küçük backport düzeltmeleri alacak, yeni geliştirme planlanmıyor ve CI testlerinin 2026’nın ikinci yarısında kaldırılması bekleniyor
  • Next.js’te resmi Module Federation desteğinin olmaması ve topluluk eklentisinin kademeli olarak sonlandırılması nedeniyle, Module Federation çekirdek ekibi federation tabanlı mimariler için başlıca desteklenen framework olarak Modern.js’i öneriyor
  • @module-federation/modern-js-v3 eklentisi otomatik build wiring’i hemen sağlıyor; streaming SSR ve Bridge API ise ayrı yetenekler olarak kullanılabiliyor
  • Ancak bazı kısıtlar var: @module-federation/bridge-react henüz Node ortamıyla uyumlu değil, bu nedenle SSR senaryolarında Bridge kullanılamıyor
  • İlk deneyimler olumlu ve hâlihazırda Module Federation kullanan ekipler için geçiş yolu iyi tanımlanmış durumda
  • ByteDance dışındaki ekosistem hâlâ olgunlaşma sürecinde; daha kapsamlı dokümantasyon ve upstream ile daha yakın etkileşim planlarına ihtiyaç var
  • Şu anda daha iyi desteklenen bir alternatifin bulunmadığı Module Federation kullanım senaryolarında yatırım yapılmasını haklı çıkarıyor

Assess

111. Agent Lightning

  • Otomatik prompt optimizasyonu, denetimli ince ayar ve agentic pekiştirmeli öğrenmeyi etkinleştiren bir ajan optimizasyonu ve eğitim çerçevesi
  • Ajan çerçevelerinin çoğu ajan oluşturmaya odaklanırken, zaman içindeki iyileştirmelere odaklanmıyor
  • Agent Lightning, AutoGen ve CrewAI gibi çerçeveleri destekliyor ve temel uygulamayı değiştirmeden mevcut ajanların sürekli iyileştirilmesini mümkün kılıyor
  • Bunu, eğitim ile ajan çerçevesi arasına bir katman ekleyen Training-Agent Disaggregation adlı yaklaşımla başarıyor
  • İki temel bileşen var — Lightning Server eğitim sürecini yönetiyor ve güncellenmiş modeller için API sunuyor; Lightning Client ise izleri toplayıp eğitimi desteklemek üzere sunucuya gönderen çalışma zamanı rolünü üstleniyor
  • Yerleşik ajan dağıtımlarına sahip ekiplerin, ajan performansını sürekli iyileştirme yöntemi olarak bunu araştırması öneriliyor

112. GitHub Spec Kit

  • Bu döngüdeki tartışmalarda spec-driven development öne çıktı; iki geniş kamp ortaya çıktı — minimum yapıyla kodlama ajanlarının sürekli iyileştirme yeteneğine güvenen ekipler ve tanımlı iş akışlarını ve ayrıntılı spesifikasyonları tercih eden ekipler
  • Birçok ekip, özellikle brownfield ortamlarda, spec-driven yaklaşımı denemek için GitHub Spec Kit kullanıyor
  • Spec Kit'in temel kavramı, yazılım geliştirme yaşam döngüsünü hizalayan temel bir kural kitabı olan constitution
  • Gerçekte faydalı bir constitution genellikle proje kapsamını, alan bağlamını, teknoloji sürümlerini, kodlama standartlarını ve depo yapısını (ör. hekzagonal mimari, katmanlı modüller) kapsar ve ajanın hedeflenen mimari sınırlar içinde çalışmasına yardımcı olur
  • instruction bloat gibi sorunlar da ortaya çıkıyor — proje bağlamı sürekli eklendikçe büyüyen ajan talimat setleri ve sonunda context rot; bir ekip bunu, yeniden kullanılabilir rehberliği skill olarak çıkarıp ajan talimatlarını kısa tutarak ve ayrıntılı bağlamı yalnızca gerektiğinde yükleyerek çözdü
  • Brownfield sistemlerde yeniden çalışmanın önemli bir kısmı, belirsiz niyetlerden, gizli varsayımlardan ve kısıtların geç fark edilmesinden kaynaklanıyor; bir ekip spec → plan → tasks → coding → review yaşam döngüsünü uygulayarak sorunların erken görünür olmasına yardımcı oldu
  • Zamanla tekrar eden bağlam .github/prompts/speckit.<command>.prompt.md gibi dosyalara taşındı; prompt'lar kısaldı ve ajan davranışı daha tutarlı hale geldi
  • Gereksiz savunmacı kontroller ve aşırı uzun markdown çıktıları gibi pürüzlü noktalar bildirildi
  • Bu sorunların bir kısmı, Spec Kit şablonları ve talimatlarının özelleştirilmesiyle çözüldü (ör. üretilen markdown dosyası sayısını sınırlama, konsol ayrıntı düzeyini azaltma)
  • Sonuçta, güçlü temiz kod ve mimari pratiklere sahip deneyimli mühendisler spec-driven iş akışından en fazla değeri çıkarıyor

113. Mastra

  • Yapay zeka uygulamaları ve ajanlar oluşturmak için açık kaynaklı, TypeScript yerel bir çerçeve
  • Grafik tabanlı bir iş akışı motoru, çeşitli LLM sağlayıcılarını entegre etmeye yönelik bir yaklaşım, human-in-the-loop duraklatma/devam ettirme ve RAG ile bellek primitifleri sunuyor
  • Ayrıca MCP sunucuları yazmak için yerleşik araçlar ile değerlendirme ve gözlemlenebilirlik araçlarını da içeriyor; bunu açık geliştirici dokümantasyonu destekliyor
  • Mastra, Python ağırlıklı yığınlara bir alternatif sunuyor ve ekiplerin Node.js ya da Next.js gibi mevcut web ekosistemleri içinde doğrudan zengin yapay zeka yetenekleri geliştirmesine olanak tanıyor
  • Yapay zeka katmanı için Python'a geçmek istemeyen TypeScript ekosistemine yatırım yapmış ekipler için değerlendirmeye değer

114. Pipecat

  • STT, LLM, TTS ve taşıma orkestrasyonu için modüler bir pipeline modeliyle gerçek zamanlı sesli ve çok modlu ajanlar oluşturan açık kaynaklı bir çerçeve
  • Ekiplerin konuşma davranışları üzerinde hızlı yineleme yapabilmesi ve düşük sürtünmeyle sağlayıcı değiştirebilmesi güçlü ilgi yaratıyor
  • LiveKit Agents ile karşılaştırıldığında Pipecat daha fazla çerçeve esnekliği sunuyor ancak daha az entegre bir production yolu sağlıyor; özellikle self-hosted dağıtım, taşıma güvenilirliği ve büyük ölçekte düşük gecikmeli sıra işleme konularında
  • Güçlü bir mühendislik temeli sunuyor, ancak iş açısından kritik production yüklerinde buna güvenmeden önce önemli ölçüde platform mühendisliği çalışması gerekiyor

115. Superpowers

  • Kodlama ajanlarının kullanımının artmasıyla birlikte, tüm ekiplere uyan tek bir reçete iş akışı yok; bunun yerine ekipler bağlam ve kısıtlar temelinde özelleştirilmiş iş akışları geliştiriyor
  • Superpowers, bu iş akışlarından biri ve birleştirilebilir skill yapılarıyla kurulmuş
  • Kodlama ajanlarını yapılandırılmış bir iş akışının skill'leri olarak sarıyor; kodlamadan önce beyin fırtınasını, uygulamadan önce ayrıntılı planlamayı, zorunlu red-green-refactor döngüsüyle TDD'yi, sistematik kök neden öncelikli hata ayıklamayı ve uygulama sonrası kod incelemesini teşvik ediyor
  • Claude Code plugin marketplace ve Cursor plugin marketplace üzerinden eklenti olarak dağıtılıyor

116. TanStack Start

  • TanStack Router üzerine kurulu, React ve Solid için full-stack bir çerçeve; Next.js ile karşılaştırılabilir ve SSR, önbellekleme ile benzer birçok özelliği destekliyor
  • TanStack Start, sunucu fonksiyonları, loader'lar ve yönlendirme genelinde uçtan uca derleme zamanı güvenliği sunarak frontend'de bozuk bağlantılar veya uyumsuz veri şekilleri riskini azaltıyor
  • Geleneklerden çok açık yapılandırmayı tercih ediyor ve deneyim plain React ile çalışmaya daha yakın
  • SSR yetenekleri ihtiyaç oldukça kademeli olarak eklenebiliyor
  • İç işleyişine aşina olunmadığında beklenmedik davranışlara yol açabilen daha görüşlü varsayılanlara sahip Next.js'e kıyasla daha açık ve öngörülebilir
  • TanStack ekosistemi de önemli ölçüde olgunlaştı ve modern web uygulamaları oluşturmak için güçlü bir araç seti sunuyor

117. TOON (Token-Oriented Object Notation)

  • Yapılandırılmış veriler LLM'lere gönderildiğinde token kullanımını azaltmak için tasarlanmış, JSON verisinin insan tarafından okunabilir bir kodlaması
  • Mevcut sistemlerde JSON korunabiliyor ve yalnızca modelle etkileşim noktasında dönüştürülmesi gerekiyor
  • Token maliyeti, gecikme ve bağlam penceresi kısıtları; RAG pipeline'larında, ajan iş akışlarında ve diğer yapay zeka ağırlıklı uygulamalarda gerçek tasarım unsurları haline geliyor
  • Ham JSON çoğu zaman faydalı içerikten çok tekrarlanan anahtarlar ve yapısal ek yük için token harcıyor
  • İlk değerlendirmelerde TOON, prompt girdileri için ilginç bir son mil optimizasyonu olarak öne çıkıyor; özellikle şema farkındalığı olan biçimlerin JSON'dan daha verimli ve model tarafından işlenmesi daha kolay olduğu büyük, düzenli veri kümelerinde
  • API'lerde, veritabanlarında veya model çıktılarında JSON'un yerini almak için değil; derin iç içe geçmiş ya da heterojen yapılar, yarı düzenli diziler veya CSV'nin daha kompakt olduğu düz tablo verileri için çoğu zaman yanlış bir seçim
  • Compact JSON'un iyi performans gösterdiği gecikme açısından kritik yollarda da daha az uygun olabilir
  • Yapılandırılmış girdi boyutunun anlamlı bir maliyet veya kalite kaygısı olduğu LLM uygulamaları geliştiren ekipler için değerlendirmeye değer; JSON veya CSV'ye karşı kendi veri ve model yığınlarıyla kıyaslama yapmak gerekiyor

118. Unsloth

  • LLM ince ayarı ve pekiştirmeli öğrenmeyi önemli ölçüde daha hızlı ve bellek açısından verimli hale getirmeye odaklanan açık kaynaklı bir framework
  • LLM ince ayarı milyarlarca matris çarpımı içerir ve GPU hızlandırmadan fayda sağlar; Unsloth, bu işlemleri NVIDIA GPU’lar için yüksek verimli özel kernel’lara dönüştürerek optimize eder, maliyet ile bellek kullanımını dramatik biçimde azaltır
  • Pahalı H100 kümeleri yerine T4 ve üzeri tüketici GPU’larında model ince ayarı yapılabilmesini sağlar
  • LoRA, tam ince ayar, çoklu GPU eğitimi, uzun bağlam ince ayarı (500K token’a kadar) desteği sunar; Llama, Mistral, DeepSeek-R1, Qwen ve Gemma dahil popüler modelleri hedefler
  • Alana özgü yapay zeka uygulamaları giderek daha fazla ince ayara bağımlı hale geldikçe, Unsloth giriş bariyerini önemli ölçüde düşürüyor

İlgili okumalar

Henüz yorum yok.

Henüz yorum yok.