Yapay Zeka ile Çalışırken Öğrendiğim Şey: Kendini Geliştiren Kodlama Ajanlarından Dersler

Yapay zeka kodlama ajanlarıyla denemelere ilk başladığımda, teknik açıdan etkileyici olacağını düşünmüştüm. Ama beklediğim şey, büyük dil modelleriyle nasıl işbirliği yapmamız gerektiği konusunda temelden farklı bir anlayışa sahip olmak değildi.

İki ay boyunca her gün bu ajanlarla haşır neşir olmak—kendi muhakemelerini sorgulamalarını, hatalarındaki kalıpları tespit etmelerini ve yaklaşımlarını sistematik olarak geliştirmelerini izlemek—her şeyi değiştirdi. Prompt mühendisliğinden modern geliştirme süreçlerinin mimarisine kadar her şeyi farklı görmeye başladım.

Ayna Etkisi

En çok şaşırdığım şey buydu: kendini geliştiren ajanlar sadece kodlama konusunda daha iyi hale gelmiyorlar. Yıllardır bizim yanlış yaptığımız şeyleri ortaya çıkarmakta da ustalaşıyorlar.

Bir ajan kendi son çıktılarını inceleyip "Bu yaklaşımı neden tercih ettim?" diye sorduğunda, çoğu zaman farkında olmadığımız varsayımları su yüzüne çıkarıyor. Bir ajanın tekrarlayan bir hatayı değişken adlandırma kurallarını nasıl yorumladığına dair ufak bir tutarsızlığa kadar izlediğini izledim. Ajanın içe bakışı, proje boyunca benim de kendi adlandırma konusunda tutarsız olduğumu ortaya koydu—o kadar alışılmış bir kalıptı ki, hiç fark etmemiştim.

Bu ayna etkisi prompt yazmaya da uzanıyor. Etkileşimlerini sorgulayan ajanlar, çoğu zaman promptlarımızdaki gizli çelişkileri veya örtük varsayımları gösteriyor. Bir ajanın bir görevle boğuşmasını, sonra da neden zorlandığını analiz etmesini izlediğinizde, çoğu zaman karmaşanın sizin zannettiğiniz gibi net olan belirsiz talimatlardan kaynaklandığını keşfediyorsunuz.

İyileştirmenin Döngüsel Yapısı

Kendini geliştiren ajanlar, kendi geçmişlerini—başarılarını ve başarısızlıklarını—inceleyerek ve o analizi gelecekteki kararlarını bilgilendirmek için kullanarak çalışıyor. Bu özyinelemeli kalıp, ilginç bir çıkarım getiriyor: iyileştirmenin kalitesi büyük ölçüde geri bildirimin kalitesine bağlı.

Neden işe yaradığını veya yaramadığını anlatan, bağlamsal ve kesin geri bildirim alan ajanlar, sadece başarı/başarısızlık sinyalleri alan ajanlardan çok daha hızlı gelişiyor. Bu, kendi geliştirme pratiklerim hakkında değerli bir şey öğretti:

İyi geri bildirim spesifik ve nedenseldir. Bir ajana "bu yanlış" demek yerine, "bu Y senaryosundaki X kenar durumunu hesaba katmadığı için başarısız oldu" demeyi öğrendim. Nedensel geri bildirim alan ajanlar, gelecekte benzer problemlerle ilgili çok daha iyi sezgiler geliştiriyor.

Bu, en iyi ekiplerin kıdemli geliştiricileri işe alış şeklini yansıtıyor. Geri bildirim "bu pek doğru görünmüyor" olduğunda kimse gelişmiyor. Standartlarımızın arkasındaki muhakemeyi açıkladığımızda gelişme gerçekleşiyor.

Soyutlama Problemi

Gözlemlediğim en çarpıcı kalıplardan biri, ajanların soyutlamayı nasıl ele aldığıydı—ya da ele almadığı.

Ajanlar istekleri işlediğinde, çoğu zaman temelindeki ilkeleri gerçekten soyutlamak yerine, gördükleri spesifik token'lar ve kalıplar düzeyinde çalışıyorlar. Kendini geliştiren bir ajan "bu kalıbı 47 kez gördüm" diyebilir, ama kendisine hafifçe farklı olan 48. örnekle başa çıkmasını sağlayacak kavramsal çerçeveyi geliştiremez.

Bu, ilkeleri anlamadan kalıpları öğrenmiş yeni başlayan geliştiricilerin yaşadığı problemin aynısı. Ve yapay zeka desteğine yoğun şekilde güvenen herkes için yararlı bir uyarı: kalıp eşleme sizi oldukça ileri götürür, ama soyutlama, kalıp eşlemenin başa çıkamayacağı yeni durumlarla başa çıkmanızı sağlayan şeydir.

Geliştiriciler için çıkarım önemli. Yapay zeka kodlama asistanları daha yetenekli hale geldikçe, insanın karşılaştırmalı avantajı gitgide daha fazla soyutlamaya kayıyor—farklı spesifik durumları birbirine bağlayan genel ilkeyi görebilme yeteneği.

Ajan-İnsan Arayüzü İçin Tasarım

Kendini geliştiren ajanları izlemekten çıkardığım en pratik ders, proje yapısı hakkındaydı. İnsan işbirliği için iyi çalışan kod tabanları, her zaman yapay zeka işbirliği için de iyi çalışmıyor—ve tam tersi de geçerli.

Ajanlar şunlar olduğunda başarılı oluyor:

• Temiz ve tutarlı adlandırma kuralları
• İyi belgelenmiş bağımlılıklar
• Öngörülebilir dosya yapıları
• Açık hata yönetimi kalıpları

Ajanlar, implicit bağlama yoğun şekilde dayanan projelerde zorlanıyor—bir şeyin neden çalıştığını anlamak için kodun kendisinde yakalanmamış tarihsel kararları bilmeyi gerektiren projelerde.

Bu, proje mimarisine yeni bir boyut eklenmesi gerektiğini düşündürüyor: insan arayüzünün yanı sıra yapay zeka arayüzü için de tasarım yapmak. Yoğun yapay zeka desteği kullanacak bir proje inşa ediyorsanız, bazı geleneksel pratikler ayarlamaya ihtiyaç duyabilir. Açık olan, örtük olandan iyidir. Dokümantasyon sadece gelecekteki insanlar için değil—gelecekteki ajanlar için de önemlidir.

Vibe Coding Bağlantısı

NameOcean'da sıklıkla "vibe coding"den bahsediyoruz—yaratıcı kontrolü elinde tutarken geliştirmeyi hızlandırmak için yapay zekayı kullanan ortaya çıkan pratik. Kendini geliştiren ajanlarla deneyimim, vibe coding'i etkili kılan şey hakkında önemli bir şeyi netleştirdi.

Vibe coding, yapay zekanın kontrolü devralması hakkında değil. İnsan muhakemesi ile yapay zeka kapasitesi arasında doğru iş bölümünü bulmak hakkında. İçe bakan ajanlar bana gösterdi ki bu bölüm en iyi şu durumlarda çalışıyor:

1. İnsanlar soyutlamayı ve ilkeleri yönetir. Projeye yön veren kavramsal çerçeveyi tanımlar.

2. Ajanlar uygulamayı ve kalıp yürütmeyi üstlenir. İlkelerimizi bizim kurduğumuz kalıpları takip ederek çalışan koda dönüştürür.

3. İkisi de sürekli geri bildirim döngülerine katılır. Ne insan ne de yapay zeka boşlukta çalışmamalı.

En iyi çalışan kendini geliştiren ajanlar, insan işbirlikçileriyle üretken bir diyalog sürdürenlerdi—üst düzey rehberlik alan, spesifik görevleri yerine getiren ve neyin işe yaradığını, neyin yaramadığını raporlayan ajanlar.

Geliştirme Ekipleri İçin Ne Anlama Geliyor

Kendini geliştiren kodlama ajanları bize bir şey öğretiyorsa, o da geleceğin geliştirmenin, insan muhakemesini yapay zeka kapasitesiyle değiştirmek olmadığı. İnsan ve makine zekası arasında daha iyi geri bildirim döngüleri oluşturmak hakkında.

Yapay zeka destekli iş akışlarını benimsemek isteyen geliştirme ekipleri için, bu birkaç somut pratik düşündürüyor:

• Geri bildirim kalitenize yatırım yapın. Ekibiniz bir şeyin neden işe yaradığını veya yaramadığını açıklamakta ne kadar iyi olursa, yapay zeka araçları da o kadar etkili gelişecek.

• Sadece ne'yi değil, neden'i de belgeleyin. Gelecekteki yapay zeka işbirlikçileri, sadece sonuçları değil, kararların arkasındaki muhakemeyi de anlamaktan yararlanacak.

• Netlik için tasarım yapın. Açık yapıya ve öngörülebilir kalıplara sahip projeler, yapay zeka desteğini daha etkili kullanacak.

• Yapay zeka araçlarını sihirli kutular değil, işbirlikçi ortaklar olarak görün. Gelişen ajanlar, iyi girdi alan ajanlardır. Aynı ilke her yapay zeka destekli iş akışı için geçerlidir.

Büyük Resim

Bir yapay zeka sisteminin kendi muhakemesini incelemesini izlemek, derin bir şeyler ifade ediyor. Bu sistemlerin, etkileyici yeteneklerine rağmen, hala eğitim verilerinden türetilen olasılıklar üzerinde çalışan kalıp eşleme motorları olduğu gerçeğiyle yüzleşmemizi zorluyor.

Ama şöyle düşünün: insan sezgisi de öyle. Fark, soyutlama, nedensel muhakeme yürütme ve muhakememizi başkalarına iletme yeteneğimizde yatıyor. Yapay zeka araçları daha sofistike hale geldikçe, bunlar hala distinctly insani kalan yetenekler.

Kendini geliştiren kodlama ajanlarından alınan dersler gerçekten ajanların kendisi hakkında değil. Bizim hakkımızda—işbirliğine ne getirdiğimiz, yapay zeka sistemlerinin nasıl çalıştığını gözlemleyerek neler öğrenebileceğimiz ve mevcut araçlardan en iyi şekilde yararlanmak için pratiklerimizi nasıl yapılandırabileceğimiz.

Yapay zeka destekli geliştirme norm haline geldikçe, bu içgörüler gitgide daha değerli hale geliyor. Başarılı olacak geliştiriciler, sadece yapay zeka'nın ne yapabildiğini değil, yapay zeka ile birlikte nasıl etkili çalışılacağını anlayanlar olacak.

Ve bazen, bu işbirliğini öğrenmenin en iyi yolu, bir ajanın kendisi hakkında öğrenmesini izlemek.