ForgeCode'un Gösterdiği Gerçek: Orkestrasyonun Modelden Daha Önemli Olduğu

Geçen sene yapay zeka dünyası daha büyük modeller, geliştirilmiş ağırlıklar ve yeni mimarilerle meşgul oldu. ForgeCode ise ortaya çıkıp söyledi: modelleri nasıl yönettiğiniz düşündüğünüzden çok daha kritik.

Ekip Gemini 3.1 Pro'yu ForgeCode'un mimarisi içine aldığında, modele dokunmadı. İnce ayar yapmadı, yeni parametreler eklemedi, hiçbir şeyi yeniden eğitmedi. Sadece modelin araçlarla etkileşim şeklini yeniden düzenledi. Sonuç? Terminal-Bench 2.0'da %55'ten %80,2'ye çıkış. Yani sadece iyi yapılandırma ile 25 puanlık iyileştirme.

Asıl Mesele: Şema Tasarımı Modelin Gücünden Daha Etkili

Burada işi gerçekten yapan geliştiriciler için işler ilginçleşiyor.

LLM'niz bir dış araç çağırdığında (dosya okuma, komut çalıştırma, veritabanı sorgusu), isteği tanımlayan JSON üretir. Basit görünüyor değil mi? Oysa çoğu framework derinlemesine iç içe geçmiş, alan sırası öngörülemeyen şemalar gönderiyor. Model fazladan parantezler halüsine kapılıyor, bir alanı kaçırıyor ya da bozuk JSON dönüyor. Araç çağrısı başarısız. Yeniden deneme döngüsü başlıyor.

ForgeCode bu şemaları düzleştiriyor ve her istekte alan sıralamasını tutarlı hale getiriyor. Aynı model, temiz yapı, daha az biçimlendirme hatası. Orkestrasyonlar katmanı, daha önce hata loglarında sessizce başarısız olan işleri yapıyor.

Bu tür optimizasyonlar makalelerde yayınlanmıyor çünkü çok... pratik görünüyor. Ama işe yarıyor.

Paralel Yürütme: Kimsenin Konuşmadığı 3-5 Katlı Hızlanma

Çoğu kod ajanı sırasıyla çalışır. Dosya okuma isteğinde bulunur, sonucu bekler, sonra bir sonrakini ister. Bulutta şelale mimarisi. ForgeCode bunu tersine çevirir: bağımsız araç çağrıları join_all() kullanarak eş zamanlı çalışır.

Ajan sonraki hamlesi planlamadan önce 10 yapılandırma dosyası okuması gerekiyorsa, sırasıyla çalışan ajanlar 10 tur yapar. ForgeCode bir tur yapar. Dosya sistemini keşfetmekle başlayan görevler (çoğu böyledir) için 3-5 katlı hızlanma söz konusu.

Ölçeklendiğinde bu bileşik olarak büyür. CI/CD ardışık düzeni ajanlarınız, kod inceleme botlarınız, otomatik hata ayıklama araçlarınız—hepsi dosya okuma darboğazına çarpar. Paralel yürütme lüks özellik değildir; "geliştirme için kullanılabilir" ile "gerçekten üretimde çalışıyor" arasındaki farktır.

Çok-Ajan Tasarımı: Kontrol Olmadan Özyineleme

ForgeCode üç özel ajan ile gelir:

• Forge: Görevleri yerine getirir
• Muse: İş dizisini planlar
• Sage: Bağlam ve bağımlılıkları araştırır

Her biri kendi model örneğine, izole bağlam penceresine ve araç setine sahip. Bu yeni değil. Akıllı kısım, bunların nasıl orkestralanmasında.

Alt ajanlar aynı paralel yürütme katmanı üzerinden ortaya çıkıyor, yani tek bir orkestratör turunda aynı anda bağımsız görevlerde birden fazla Forge örneği ayağa kalkabilir. Alt ajanlar yine alt ajan doğurabildiğine göre, delegasyon zinciri görev tamamlanana kadar yinelemeli olarak devam ediyor—sadece bir seviye derinde değil, sorun ne kadar derin gerektiriyorsa o kadar.

Bu bir merdiven değil, bir ağaç.

Bu mimari, ForgeCode'a gerçekten karmaşık sorunları fırlatıp onu doğal olarak parçalandığını izlemenize izin veriyor. Sistem, delegasyon artık faydalı olmadığında çıkıyor, kimse arbitrer bir derinlik sınırı koymadığında değil.

Dürüst Sınırlamalar

ForgeCode, tüm kullanım durumlarında üretime hazır olmak için iddia etmiyor. Ekip gerçek boşlukları vurguluyor:

• Kalıcı hafıza yok: Oturumlar durumsuz. Çalışmalar arasında bağlamı kaybedersiniz.
• Kontrol noktası yok: Orkestrasyonlar görevin ortasında çökerse, sıfırdan başlarsınız. Devam etme yok.
• Küçük ekosistem: Cline ve OpenCode daha geniş topluluk desteği ve daha fazla entegrasyon var.

Bunlar üretim dağıtımları için küçük sorunlar değildir. Ama çözülebilir ve dürüst sınırlamadır. Neye giriştiğinizi biliyorsunuz.

AI Yığını İçin Bunun Anlamı

ForgeCode'un sonuçları daha geniş bir dersi işaret ediyor: AI destekli geliştirme araçlarında performans kazancı arıyorsanız, model yükseltmelerine bakmadan önce orkestrasyonunuza bakın.

Kod ajanları göndermekte olan startuplar ve takımlar için bu, kontrol ettiğiniz çerçeveleri optimize etmeye izin veriyor, sonraki model sürüsünü beklemek yerine. Temiz şemalar. Paralel yürütme. Özyinelemeli delegasyon. Bu mimari kazançlar hızlı bir şekilde bileşik olur.

Bulut barındırma platformları için (biz bunu yapıyoruz), bu ajanları barındırmanın sadece GPU ayırma ve çıkarsama gecikmesi olmadığının bir hatırlatması. Altyapınızın üstünde çalışan çerçeveler, saf model çıkışından daha önemli.

Tam karşılaştırma terminal-bench.com adresinde bulunuyor, eğer detayları incelemek istersen. ForgeCode'u denemeye hazırsanız, Tensorlake'in Harness kurulum talimatlarına sahip.

Model ölmedi. Ama orkestrasyon katmanı artık başrol oynadığını kanıtladı.

Güçlü, ölçeklenebilir altyapı üzerinde AI ajanları dağıtmakla ilgileniyor musunuz? NameOcean'ın bulut barındırma platformu ve Vibe Hosting AI katmanı tam bu tür iş yükleri için tasarlandı. Konuşalım.