Agentic Coding
Ajan tabanlı kodlama; bir yapay zeka ajanının kod tabanını okuduğu, dosyaları düzenlediği, testleri çalıştırdığı, hataları düzelttiği ve inceleme için değişiklik sunduğu yazılım geliştirme biçimidir.
Ajan tabanlı kodlama, bir yapay zekâ kodlama ajanının ilgili kodu okuyup değişikliği planladığı, dosyaları düzenlediği, komutları ve testleri çalıştırdığı, başarısız olanları düzelttiği ve inceleme için bir commit veya çekme isteği sunduğu, baştan sona bir programlama görevi yürüttüğü yazılım geliştirme biçimidir. Geliştirici her satırı yazmak yerine görevi tanımlar ve sonucu değerlendirir. Yaygın kullanılan kodlama ajanları arasında Anthropic'in Claude Code aracı, OpenAI Codex, GitHub Copilot'un kodlama ajanı, Cursor'un ajan modu ve OpenHands gibi açık kaynaklı ajanlar bulunur. Bunların çoğu, uzun araç çağrısı zincirlerini yürütecek şekilde eğitilmiş akıl yürütme modelleri kullanır.
Kodlama Ajanları Nasıl Çalışır?#
Kodlama ajanı, araçları geliştiricinin araçlarından oluşan bir yapay zekâ ajanıdır: dosya arama ve okuma, dosya düzenleme, derleme ve testler için kabuk, sürüm denetimi ve kimi zaman tarayıcı. Ajan altyapısı, bir büyük dil modelinin (LLM) görevi okuduğu, dosyaları incelediği, bir düzenleme veya komut önerdiği, çıktıyı okuduğu ve sonraki adımı seçtiği bir döngü yürütür. Araçların tasarımı başlı başına önemlidir: Princeton'ın SWE-agent aracı, 2024'te SWE-bench sorunlarının %12,5'ini çözdü ve önceki etkileşimsiz yöntemleri büyük farkla geride bıraktı. Bunun başlıca nedeni, modele kodu görüntülemek, aramak ve düzenlemek için tasarlanmış kısa komutlar sunmasıydı. Bu yaklaşıma makalenin yazarları ajan-bilgisayar arayüzü adını verdi.
Depolar; derleme komutları, test komutları ve kodlama kuralları için açık bir biçim olan ve artık Agentic AI Foundation tarafından yönetilen AGENTS.md gibi yönerge dosyalarının yanı sıra isteğe bağlı olarak göreve özgü yordamları yükleyen ajan becerileri ve sorun takip sistemlerini, veritabanlarını ve belgeleri birbirine bağlayan Model Bağlamı Protokolü (MCP) sunucularıyla ajanlara yön verir. Ajanlar etkileşimli olarak bir terminalde veya IDE'de ya da birden fazla görevin paralel ilerlediği ve her birinin bir çekme isteğiyle sonuçlandığı bulut sanal alanlarında çalışır. Bir lider ajan ayrıca arama, test çalıştırma veya inceleme görevlerini kendi bağlam pencerelerine sahip alt ajanlara devredebilir; bu, bir yapay zekâ ajanı orkestrasyonu biçimidir. Bir depo, bağımlılık veya web sayfası istem enjeksiyonu içerebileceği için kodlama ajanları komutları bir ajan sanal alanında yürütür ve kodu göndermeden, dosyaları silmeden veya yeni sunucularla iletişim kurmadan önce izin ister.
Ajan Tabanlı Kodlama ve İlgili Uygulamalar#
- Kod tamamlama: Geliştirici yazarken sıradaki satırları önerir; GitHub Copilot 2021'de piyasaya çıktığında böyle çalışıyordu. Programı yazmaya ve çalıştırmaya devam eden geliştirici, her öneriyi kabul veya reddeder.
- Sohbet asistanları: Bir sohbet botu programlama sorularını, geliştiricinin elle kopyalayıp çalıştırdığı ve hatalarını ayıkladığı kod parçacıklarıyla yanıtlar.
- Vibe kodlama: Andrej Karpathy'nin Şubat 2025'te, istemlerle yazılım oluşturup yapay zekânın yazdığı kodu okumadan kabul etmeye verdiği addır. Bu terim, kişinin çıktıya yaklaşımını tanımlar; profesyonel ekiplerde ajan tabanlı kodlama ise genellikle kod incelemesini, testleri ve sürekli entegrasyonu sürece dahil eder.
Bilgisayarlı Görüde Ajan Tabanlı Kodlama#
Makine öğrenimi operasyonları (MLOps) işleri kodlama ajanlarına uygundur; çünkü her adım denetlenebilir bir sonuçla biter: bir veri kümesi dönüştürülüp doğrulanır, bir eğitim çalıştırması başlayıp metrikleri kaydeder, dışa aktarılan bir model yüklenip aynı tahminleri döndürür. Bir dedektörü ince ayar yapması istenen ajan, veri kümesi YAML dosyasını yazabilir, eğitimi başlatabilir, doğrulama metriklerini okuyabilir ve sonraki deneyi önerebilir. Ultralytics Ajan Becerileri, Claude Code, Codex, Cursor, Gemini CLI ve diğer uyumlu ajanlara bu iş akışını yolo yönlendirici becerisi ve model seçimi, veri kümeleri, eğitim, ayarlama, çıkarım ve dışa aktarma becerileriyle sunar. Ayrıca platform-cli becerisi, ul cloud komut satırı üzerinden Ultralytics Platform bulut eğitimi ve dağıtımlarını yönetir. Böylece "eğitilmiş YOLO modelimi INT8 nicelemesiyle TensorRT'ye dışa aktar ve kıyaslama testini çalıştır" gibi bir istek, becerilerin belgelediği dışa aktarma ve kıyaslama yordamlarını izler. Beceri yönergeleri, ikisi çeliştiğinde ajana yüklü paketin yolo checks ve yolo cfg çıktısına güvenmesini söyler.
Kodlama Ajanlarını Ölçme#
Ekim 2023'te tanıtılan SWE-bench, aracı destekli kodlama için standart kıyaslamadır: 12 popüler Python deposundan alınmış 2.294 gerçek GitHub sorunu, her biri aracının yamasının projenin kendi testlerini geçip geçmediğine göre puanlanır. Yayımlandığı sıradaki en iyi model Claude 2, bunların %1,96'sını çözdü. OpenAI'ın SWE-bench Verified'ı, insan mühendislerin çözülebilir olduğunu doğruladığı 500 görevden oluşan bir alt kümedir ve en çok raporlanan sürüm hâline gelmiştir. 2025'in sonlarına gelindiğinde en iyi aracılar bunun yaklaşık %80'ini çözüyordu. Terminal-Bench gibi daha zor kümeler komut satırı çalışmalarını sınar; ekipler kendi iç depolarında aracı değerlendirmesi de yapar. Gerçek dünyadaki üretkenlik ayrı ölçülür: METR'nin deneyimli açık kaynak geliştiricilerle yaptığı rastgeleleştirilmiş çalışmada, 2025'in başlarında iyi bildikleri olgun projelerde 246 görev üzerinde çalışan 16 geliştirici, başta Claude 3.5 ve 3.7 Sonnet ile Cursor olmak üzere yapay zekâ araçlarına izin verildiğinde işi %19 daha uzun sürede tamamladı; buna rağmen sonradan araçların kendilerini %20 hızlandırdığını tahmin ettiler.










