AI Ajan Takımım Bensiz Çalışıyor: Otopilot Sprint'in 3 Dersi
Tek Prompt’la Beklemek Yerine Takımı Otopilota Almak
Yapay zeka ile kod yazarken en yaygın kullanım şekli şu: bir prompt yazıyorsun, ajanın bitirmesini bekliyorsun, sonra yeni prompt yazıyorsun. Bu döngüde sen darboğazsın. Ajan çalışırken sen de bekliyorsun, o bitirince sen devreye giriyorsun, sıra sıra ilerliyorsunuz.
Bunun yerine bir haftadır canlı yayında test ettiğim yaklaşım şu: tek bir ajanla konuşmak yerine bir takımla konuşuyorum. Takımda bir lider ajan var, onun altında görev üstlenen ekip arkadaşları var. Ben liderle konuşup ne istediğimi anlatıyorum, o planı sprintlere bölüyor, sprintteki görevleri ekip arkadaşları arasında dağıtıyor ve otopilotta çalıştırıyor. Ben o sırada başka bir işe (mesela pazarlamaya) odaklanabiliyorum.
Bu yazıda bu yöntemin nasıl kurulduğunu ve canlı yayında karşılaştığım üç kritik hatadan çıkardığım dersleri paylaşıyorum.
Sprint Planlama Neden Tek Prompt’tan Daha İyi Sonuç Veriyor
Direkt “bana böyle bir özellik yap” dediğinizde yapay zeka boşlukları kendi kafasına göre dolduruyor. Bu boşluklar bazen doğru bazen yanlış tahminlerle doluyor. Sonuç kalitesi dalgalı oluyor.
Bunun yerine önce planlama yapıp, her görevi ayrı ayrı detaylandırdığınızda —hangi dosyada ne değişecek, hangi kriterle test edilecek, beklenen çıktı ne— yapay zeka artık tahmin etmiyor, elindeki net talimatı uyguluyor. Japonların uzun süre (aylarca) çok detaylı plan yapıp sonra o planı bir ayda eksiksiz uygulaması gibi bir mantık: planlamaya yatırdığınız zaman, uygulama fazında kat kat geri dönüyor.
Pratikte Nasıl Görünüyor
Bir sprint şöyle bir yapıya sahip olmalı:
Sprint: Bildirim Sistemi + UI İyileştirme
- Görev 1: Sağ üstte toaster bildirim komponenti ekle
(ajan görev başlattığında/bitirdiğinde tetiklenecek)
- Görev 2: Ayarlar menüsündeki metin etiketlerini kaldır, ikon-only yap
- Görev 3: Task board'da drag-and-drop animasyonunu iyileştir
- Görev 4: Tema sistemi için 3 preset renk grubu oluşturHer görev bağımsız test edilebilir, kim yapacağı belirsiz değil, “bir şeyler düzelt” gibi muğlak ifade yok. Bu netlik, ajanın kafa karışıklığı yaşamadan çalışmasını sağlıyor.
Lider-Ajan Delegasyonu Nasıl Kurulur
Bir ajanı tek başına bırakırsanız kendi hızında, tek hat üzerinden ilerler. Ama bir lider ajan + birden fazla çalışan ajan modeli kurduğunuzda, lider planı parçalıyor ve paralel dağıtıyor. Backend işini bir motora, frontend/UI işini başka bir motora verebilirsiniz — hangi model hangi işte daha iyiyse ona göre atama yapmak maliyet ve kalite açısından fark yaratıyor.
Benim kurduğum düzende (AgentSpace üzerinde) bu şöyle işliyor:
- Lider ajan sizin talimatınızı alıyor, planı netleştiriyor
- Sprint içindeki görevleri ekip arkadaşlarına dağıtıyor
- Ekip arkadaşları paralel çalışıyor, ilerleme raporu üretiyor
- Onay gerektiren kararlarda sizi bekliyor, gerisini otonom yürütüyor
Bu kurulumda siz artık “promptçu” değil, karar alıcı ve yön verici konumuna geçiyorsunuz. Fikri söylüyorsunuz, detaylandırmayı ve dağıtımı lider yapıyor.
Canlıda Yaşadığım 3 Kritik Hata ve Çıkardığım Dersler
Bu sistemi kurarken teoride her şey pürüzsüz görünüyor. Ama canlıda üç şey beni gerçekten zorladı.
1. Hafıza / Konuşma Geçmişi Kaybı
Bir ekran görüntüsü aracı donunca uygulamayı zorla kapatmak zorunda kaldım. Yeniden açtığımda, saatlerce süren planlama konuşmam ve oluşturduğumuz sprintler görünmüyordu. Ajan “hiçbir şey silinmedi” dese de gerçekte hafıza katmanı ile arayüz katmanı arasında senkron sorunu vardı — veriler duruyordu ama bana gösterilmiyordu.
Ders: Uzun bir planlama oturumuna girmeden önce, o oturumun çıktısını (sprint listesi, görev detayları) ayrı bir yerde (metin dosyası, not) yedekleyin. Ajan hafızası henüz insan hafızası kadar güvenilir değil; kritik kararları kendi dışınızda da kaydedin.
2. Otopilot Ortasında Ajan Kendi Kendine Çıkış Yapıyor
Bir görev bittiğinde bazı ajan oturumları belirli bir süre sonra otomatik “exit” oluyor, terminal görünürde açık kalsa da arkadaki süreç sonlanmış oluyor. Bu, otopilot mantığını baltalıyor — çünkü siz uzakta iken bir görev yarım kalıp kimse devam ettirmiyor olabilir.
Ders: Otopilotu uzun süreli (gece boyu, saatlerce) çalıştırmadan önce, kısa bir sprint ile “oturum devamlılığı” testi yapın. Bir görevi bilerek uzun sürecek şekilde kurup, ajanın oturumdan çıkmadan tamamladığını doğrulayın.
3. Token / Kredi Limiti Sürprizleri
Birden fazla ajanı paralel çalıştırdığınızda token tüketimi tahmin ettiğinizden hızlı artıyor. Abonelik bazlı kullanımda haftalık limit dolabiliyor, kredi bazlı kullanımda bakiye aniden tükenip iş ortasında durabiliyor.
Ders: Otopilota geçmeden önce mutlaka bakiye/limit kontrolü yapın ve bu kontrolü ajana da görev olarak verin: “Bakiyeyi kontrol et, yetersizse bana bildir.” Uzun sprintler için limit tükenince otomatik devam eden bir mekanizma varsa (bazı araçlarda var) bunu önceden test edin, varsayımla ilerlemeyin.
Otopilota Geçmeden Önce Kontrol Listesi
Bu üç hatadan sonra artık her otopilot öncesi şu kontrolleri yapıyorum:
- Sprint görevleri net ve bağımsız test edilebilir mi?
- Kritik planlama çıktısı ajan hafızası dışında bir yerde yedeklendi mi?
- Kısa bir test görevinde ajan oturumu erken kapanıyor mu?
- Token/kredi bakiyesi sprint’in tahmini süresini kaldırır mı?
- Onay gerektiren kararlar için lider ajana ne zaman durup soracağı tanımlı mı?
Bu kontroller sıkıcı görünebilir ama otopilotun asıl değeri —siz başka işe odaklanırken arka planda saatlerce güvenilir ilerleme— sadece bu temeller sağlamsa gerçekleşiyor.
Devamı: Bu Hataları Nasıl Kalıcı Olarak Çözdüm
Yukarıdaki üç dersin ikisi kalıcı sisteme dönüştü. Hafıza kaybı sorununu, ajanlara diskte yaşayan bir hafıza düzeni kurarak çözdüm — dosya yapısını, checkpoint disiplinini ve neyi hafızaya yazmamak gerektiğini AI ajanına kalıcı hafıza vermek yazısında anlattım. Otopilottaki takımın ürettiği somut işlerden biri de canlı yayınlarımı otomatik klipleyen motor oldu; aynı takım WhatsApp satış otomasyonunu da geliştiriyor.
Sonuç
AI ajanlarını tek asistan gibi değil, lider ve ekip arkadaşlarından oluşan bir takım gibi kurmak, geliştirme hızını gerçekten değiştiriyor. Ama bu modelin faydasını görmek için önce net sınırlı görevler tanımlamayı, hafızayı dışarıda yedeklemeyi ve limit/oturum davranışlarını test etmeyi öğrenmeniz gerekiyor. Ben bu sprint-otopilot yaklaşımını hem kendi ürünlerimi (ChatFlow gibi) geliştirirken hem de AgentSpace’in kendisini geliştirirken kullanıyorum — sistemi bu tecrübelerle her hafta biraz daha sağlamlaştırıyorum.
Haftada 1 e-posta: Sprint şablonlarımı, lider-ajan talimatlarını ve otopilot kurulumunu — çalışan denemeleri ve çöpe gidenleri — haftada bir e-postayla paylaşıyorum. Sayfanın sonundaki formdan abone olabilirsin; tek tıkla çıkarsın.
AgentSpace: Bu lider-ajan + sprint + otopilot düzenini tek bir sanal ofiste birleştiren AgentSpace’i geliştiriyorum. Lansmanda ilk haber alanlardan olmak için aşağıdaki bültene abone ol.
Yazar: Murat Baskıcıoğlu