Birden Fazla AI Kodlama Aracını Yönetmek: Fleet'in Paralel Çalışma Sistemi

AI ile kod yazma devrimine bakıldığında, güçlü modellere sahip olmak yetmiyor. Asıl önemli olan şey birden fazla aracı düzenli bir şekilde koordine etmek. Bir geliştirici, 50'den fazla Claude oturumunu aynı anda çalıştırmanın proje hızını müthiş arttırdığını fark ettiğinde, şöyle bir soru ortaya çıktı: bu kadar çok aracıyı kontrol altında nasıl tutarsınız?

Fleet, Python tabanlı bir yönetici yazılımı olarak bu sorunun cevabını sunuyor ve paralel AI geliştirmeyi günlük çalışmanın parçası haline getiriyor.

Birden Fazla Aracı Çalıştırmanın Zorluğu

Eğer daha önce birkaç AI kod yazıcısını aynı anda çalıştırmaya çalıştıysanız, muhtemelen aynı soruna çarpmışsınızdır: koordinasyon. Hangi araç hangi işe bakacak? Birbirlerinin işine karışmayıp işbirliği yapmaya nasıl cevap verir? Binlerce tokeni birden harcıyorken bunu nasıl takip edersiniz?

En basit yoldan gitmek—farklı klasörlerde Claude oturumlarını başlatmak ve iyisinin çıkmasını umut etmek—çok çabuk dağılır. Proje bağımlılıklarını, görev önceliklerini ve tüm oturumlar arasındaki kod durumunu anlayan merkezi bir sisteme ihtiyacınız var.

Fleet Nasıl Çalışır: Merkeziyetçiliğin Basitliği

Fleet bunu üç zekice tasarım kararıyla çözer:

1. Tek Bir Kuyruk Hepsini Yönetir

Fleet, görev yönetimini proje klasörleri arasında dağıtmak yerine, ~/.fleet dizininde tutulan merkezleştirilmiş bir görev veritabanı kullanır. fleet bd create komutunu çalıştırdığınız zaman, hem görevin kendisini hem de oluşturulduğu çalışma dizinini kaydeder. Her araç, ihtiyaç duyduğu tam bağlamda başlatılır.

Bu tek merkez noktası, birden fazla kod yazıcısının görevleri ele alabilmesini, bağımsız çalışabilmesini ve sonuçları devredebilmesini sağlar—çelişen güncellemeler ya da yinelenen işler olmadan. Düzenli paralellik ile kaotik dağıtılmış çalışma arasındaki fark budur.

2. Esnek Araç Desteği

Fleet sizi tek bir modele ya da hizmete kilitlemez. Şu anda destekliyor:

• Claude (geniş test edilmiş)
• Agy/Antigravity (kısa test edilmiş)
• Codex (gerçeklenmiş ama test edilmemiş)

Yeni bir araç eklemek dakikalar alır. Bu esneklik önemlidir çünkü farklı modeller farklı işlerde parlak performans gösterir. Mimarı düşünmek için Claude'u, biraz sıkıcı kod yazması için başka bir modeli tercih edebilirsiniz. Fleet, her görev için hangi aracı ve modeli kullanacağınızı seçmenize izin verir.

3. Akılıca Eş Zamanlılık Yönetimi

Varsayılan olarak max_concurrent değeri 3'tür, ancak bunu 10 ve üzeri seviyelerine çıkarabilirsiniz:

fleet config set max_concurrent=10
fleet bd create --title "Kimlik doğrulama modülünü yeniden düzenle" --description "..."
fleet bd create --coder agy --model opus --title "API testleri yaz" --description "..."

Fleet her şeyi sıraya koyar ve eş zamanlılık sınırlarını otomatik olarak tutturur. Darboğaz framework değil, token limitinizdir.

Kullanmanız Gereken Komutlar

Fleet'in sağladığı komut satırı araçları sizi mesuliyetsiz tutarken bilgilendirir:

• fleet tasks — Üzerinde çalışılan işleri, hangi aracın çalıştığını, gerçek zamanlı token tüketimini görmek
• fleet task <id> log — Aracının ne yaptığını incelemek
• fleet task <id> plan — Aracının nasıl bir yol izleyeceğini anlamak
• fleet task <id> knowledge — Kullanılabilir bağlam bilgisini kontrol etmek
• fleet config show|set — Ayarları anında değiştirmek

Panolar yok, gereksiz komplikasyon yok. Sadece ihtiyacınız olan bilgi.

Token Ekonomisinin Gerçekliği

İşte açık yüreklilikle söyleyecek olursak: token sınırlaması asıl kısıtlamadır, araç kapasitesi değil.

Fleet'i yoğun kullanan geliştiriciler, probleme daha fazla araç atmayı denediklerinde çabucak abonelik limitine çarptıklarını keşfettiler. Çözüm nedir? Birden fazla Claude hesabı arasında token döngüsü ve bağlam hijyenini ciddiye almak.

Bu son nokta çok önemlidir: bağlam dosyalarını, eklenti klasörlerini ve kaynak havuzlarını incelediklerinde bazılarının iki kez yüklendiğini bulmuşlar. Bu, araç eklemenin çok daha fazla etkiye sahip olabileceği demektir.

Mimarınız İçin Neden Önemli?

Fleet, AI destekli geliştirmeyi nasıl düşündüğümüzü değiştiriyor. Kod yazıcılarını bağımsız araçlar olarak görmek yerine, koordine olmuş ekip üyeleri olarak konumlandırıyor:

• Detaylı belirtimlerle geliştirme pratik hale geliyor — Detaylı belirtim yazarsınız, Fleet alt görevleri araçlar arasında dağıtır, paylaşılan kuyruk üzerinden koordine olurlar.
• Bağlam yönetilebilir bir kaynak olur — Merkezileştirilmiş görev takibi, her aracının yalnızca ilgili bağlamı kullanmasını sağlar.
• Deneyler ölçeklenir — Claude mı yoksa Agy mı altyapı kodu yazarken daha iyi? Aynı belirtim üzerinde paralel çalıştırıp kıyaslayın.

Uygulamadaki Gerçeklik

Fleet'i zarif yapan şey, karmaşık olmamasıdır. Orijinal versiyonu basitçe bir bash döngüsüydü. Python sürümü gerçek işleri tutturabilmek için gerekli kadar yapı ekler—görev bağımlılıkları, öncelikler, eş zamanlılık sınırları ve araç yaşam döngüsü yönetimi.

Bu bize önemli bir ipucu verir: paralel AI kodlama altyapısı teknik karmaşıklık tarafından engellenmiyor. Token bütçesi ve görevleri araçlara uygun parçalara bölebilme yeteneği tarafından engellenıyor.

Geleceğe Bakış

AI kod yazıcıları geliştikçe, soru "Birden fazla aracı çalıştırabilir miyim?" yerine "Bunları verimli çalıştırabilir miyim?" olur. Fleet her iki sorunun cevabını da veriyor.

Fleet'i yoğun kullananlar, gerçek kazançların üç şeyin birleşiminden geldiğini keşfediyorlar:

1. Paralel çalışma (Fleet bunu sağlar)
2. Akıllı görev parçalama (bunu siz sağlarsınız)
3. Token optimizasyonu (bunu siz yönetirsiniz)

Eğer bir kod yazıcısı yeterli gelmeye başlamış ama birden fazla aracıyı nasıl koordine edeceğinizden emin değilseniz, Fleet'i incelemeye değer. Bu tür araçlar sonradan bakınca bariz görünür, ama birinin ilk inşa etmesi gerekir.