AI Kod Ajanlarına İhtiyaç Olan Şey Daha İyi Mimarlar, Daha Güçlü Modeller Değil

Yapay Zeka ile Kod Yazmanın Paradoksu

2024-2025'te Claude, ChatGPT veya benzer modelleri kodlama için kullananlar inanılmaz bir şey yaşıyorlar. Bu yapay zeka araçları çalışan kodu çoğu insandan çok daha hızlı yazıyor. Çok dosyalı düzenlemeleri hallediyor, test setleri oluşturuyor, hiç tanımadığı kod tabanlarında karmaşık talimatları izliyor. İlk PR'ı (Pull Request) çoğu zaman kusursuz duruyor.

Sonra on tane daha merge ettikten sonra...

İşte o zaman ilginç hale geliyor. Fakat iyi bir şekilde değil.

Kod hala çalışıyor. Testler hala geçiyor. Ama bir şeyler değişti. Hata yönetimi optimist bir tavır alıyor. Değişken isimleri sapıyor. Aynı işi yapan farklı kod parçaları yan yana gizleniyor. Her bir değişiklik kendi başına makul görünse de, birlikte bakıldığında kod tabanınız yavaş yavaş tutarlılığını kaybediyor.

Bu modellerin bir karakteristik kusuru değil. Onları nasıl kullandığımızla ilgili daha temel bir sorun.

Asıl Darboğaz: Yetenek Değil, Spesifikasyon

Rahatsız edici olan şu gerçek ki, son araştırmalar bunu kanıtlıyor: yapay zeka modelleri belirli bir yetenek seviyesini geçtikten sonra, kod kalitesi artık model zekasıyla değil, tamamen spesifikasyon tamlığıyla ilgili hale geliyor.

Bunu şöyle düşün. Sınırı belirlenmiş, detaylı bir spesifikasyon ver — hata yönetimi, değişken isimlendirmesi, mimari desenler, durum yönetimi ve özel durumlar hepsi kapsanmış — model temiz, profesyonel kod üretir. Aynı modele "kullanıcı doğrulaması ekle" gibi basit bir komut ver, o zaman kod çalışır, testleri geçer, sessiz sedasız teknik borç bırakır.

Model akılsızlaşmadı. Sorun sadece tam olarak modele ulaşmadı.

Hassaslığın Kaybolduğu Yerler

Doğal dil ile çalıştırılabilir kod arasındaki uyumsuzluk, küçük görünen ama acımasızca birikebilen bir boşluk yaratır:

Doğal dil doğal olarak muğlak. "Doğrulamayı ekle" dediğinde, onlarca mimarı karar iki kelimeye sıkıştırmışsın. Hangi kimlik modeli? Süresi geçen jetonlar nasıl işlenir? Rol tabanlı mı yoksa nitelik tabanlı erişim kontrolü mü? İzin kontrolleri nereye yazılır? Neleri günlüğe kaydedelim? Hangi hatalar istemciye gösterilmek için güvenli? Bu veritabanı şemanızla, API sözleşmesiyle, mevcut test paketinizle nasıl bağlanır?

İnsan mühendis yavaşlar ve açıklayıcı sorular sorar. Kod yazma ajanı bu boşlukları eğitim verileri tarafından desteklenen tahminlerle doldurur — izole ortamda mantıklı olan ama kod tabanınıza sessiz sedasız taahhütler gömülen kararlar.

Kodlama ortamınız genellikle hassaslığı zorunlu kılar; prompt yazma yapmaz. Kod yazdığında, derleyicin, tür kontrol sistemi ve test çalıştırıcı belirsizliği reddeder. Derlenmeyen bir şey yayına alamazsın. Ama prompt yazdığında, ortam muğlaklığı çeker. Model asla "bu talimat yetersiz" demez. Sessizce ilerler, her boşluğu belgelenmemiş uygulama seçeneğine dönüştürür.

Bu garip bir tersine çevirme yaratır: sıkı bir ortamdan (kod) izin veren birine (doğal dil) geçersin, ama çıktı yine kodun sıkı gerekliliklerine dönüyor. Muğlaklık ortadan kalkmaz — gizli mimar kararları olarak gömülür.

Ölçek tutarlılığı yener. Mükemmel spesifikasyonlar olsa bile, bir yapay zekaya onlarca dosya, yüzlerce fonksiyon ve binlerce satır bağlam boyunca sadık kalmasını istemeniz gerçekten zordur. Bağlam pencereleri yardımcı olur ama sınırsız değildir. Model neyi hatırlayıp neyi unutacağını seçmek zorunda. Bu seçimler birikirler.

Kanıt: Alibaba'nın Uzun Vadeli Araştırması

Bu teorik değil. Alibaba'nın SWE-CI çalışması 18 farklı yapay zeka modelini 100 gerçek kod tabanında 233 gün boyunca ve 71 ardışık commit'i takip etti. Sonuçlar aydınlatıcı: ajanların %75'i hızlanmış kötüleşme oranlarını gösterdi. Her bir commit çalıştı. Her test geçti. Ama değişikliklerin daha önceden geçen testleri bozma oranı zamanla arttı.

Modeller kötüleşmedi. Kod tabanları kötüleşti. Her bir değişiklik yerel olarak tutarlı ama genel olarak tutarsız.

Geliştirme İş Akışınız İçin Bunun Anlamı

Üretimde yapay zeka kod yazma ajanlarını kullanıyorsanız (veya kullanmayı düşünüyorsanız), bunun pratik sonuçları var:

Yapay zekayı üst mimar olarak değil, detaylı yönlendirmeye ihtiyacı olan genç geliştirici olarak gör. Ne kadar detaylı spesifikasyonunuz olursa, sonuçlarınız o kadar iyi olur. Bu şu anlama geliyor:

• Prompt yazmadan önce ayrıntılı mimari karar dokümanları hazırla
• Hata yönetimi stratejilerini açıkça belirt, varsayılana güvenme
• İsimlendirme kurallarını ve desenleri dokümante et
• Mevcut kod parçalarından hangilerinin yeniden kullanılması gerektiğini açıkça söyle
• Durum yönetimini ve özel durumları baştan açıkla
• Test stratejini ve kapsam gereksinimlerini dahil et

Yapay zeka mimarinizi güçlendirir, iyi veya kötü olsun. Kod tabanınızda net kurallar ve iyi dokümante desenler varsa, yapay zeka bunları temiz şekilde genişletir. Zaten kaotikse, yapay zeka bunu daha hızlı kötüleştirir.

Kod incelemesi artık isteğe bağlı değil, zorunlu. Yapay zeka destekli geliştirme, insan mühendisleri her değişikliği incelediğinde ve gizli varsayımları birikmeden yakalarken en iyi sonuç verir.

Versiyon kontrolü spesifikasyon geçmişin olur. Yapay zeka odaklı geliştirmede, commit geçmişin sadece kod değişiklikleri değil, mimari niyet hikayesi anlatmalı. Bu sayede sonra neden belirli desenlerin var olduğunu anlamak kolay hale gelir.

Fırsat

İyimser tarafından bakarsak: bu model sorunu değil. Kod kalitesinin tavası aslında oldukça yüksek. Kapsamlı spesifikasyonlar verildiğinde, en ileri modeller gerçekten harika kod yazabilir.

Bu da demek oluyor ki yapay zeka destekli geliştirmedeki gerçek rekabet avantajı en süslü modele sahip olmak değil. Daha iyi spesifikasyon alışkanlıkları geliştirmek — daha net mimari dokümanlar, daha detaylı prompt mühendisliği ve daha sıkı inceleme süreçleri. Bunlar zamanla birikebilen öğretilebilir beceriler.

Kod yazma ajanlarınız bozuk değil. Sadece yetersiz spesifike edilmiş. Spesifikasyonu düzelt, geri kalanını izle.

Domain ve Hosting Altyapısında Kullananlar İçin

Yapay zeka destekli geliştirme ile altyapı inşa ediyorsanız, bu önemli. Hizmetleri dağıtılmış sistemler arasında ölçeklendirdikçe, spesifikasyon netliği daha kritik hale gelir. Domain yönlendirme, DNS yayılımı, SSL sertifika yönetimi ve API tasarımı hakkındaki net mimari kararlar herhangi bir kod yazma ajanına prompt yazmadan önce dokümante edilmeli. Altyapı spesifikasyonlarınız ne kadar kesin olursa, yapay zeka destekli kodunuz dağıtım hattınızla o kadar iyi entegre olur.