AI Araçlarının Gerçek Sorunu: Takım Tutuyoruz

Saha deneyiminden bir itiraf: AI kodlama asistanlarıyla çalışan ekiplerin çoğu, farkında olmadan bir iddia kumarı oynuyor. Cursor ile Claude Code arasında seçim yapıyorlar, Cline'ı belirli bir modelle yapılandırıyorlar ve kendilerini bir ekosisteme kilitliyorlar. Yeni bir çığır açan model çıktığında ise her şeyi baştan değerlendirmek, yeniden yapılandırmak, bazen de mimariyi komple değiştirmek zorunda kalıyorlar.

Agentic coding alanındaki yeni oyuncu Dropstone, farklı bir şey öneriyor. Tek bir temel model etrafında inşa etmek yerine, modeli bir altyapı bileşeni olarak görüyor—daha iyisi geldiğinde değiştirilebilecek bir parça. 1.5 sürümlerinde hızlı işler için DeepSeek V4 Flash, standart işler için DeepSeek V4 Pro ve ağır işler için Moonshot Kimi K2.6 kullanılıyor.

Ama asıl ilginç kısım, hangi modelleri kullandıkları değil. Hangi modelleri kullanacaklarına nasıl karar verdikleri.

Aylık Yeniden Kalibrasyon: Ürün Özelliği Olarak Eval Döngüsü

Dropstone, açık-ağırlıklı frontier modellerini her ay Joule Index adlı public bir değerlendirme çerçevesinden geçiriyor. Agentic-coding iş yükünde birinci gelen model, bir sonraki nesle entegre ediliyor. "Dropstone 1.5" demek, piyasaya sürüm anındaki en iyi modelle yapılan beşinci entegrasyon döngüsü demek.

Bu, sürümlendirme anlamında temelden farklı bir yaklaşım. Çoğu AI ürünü ya tek bir laboratuvarın model ailesine kilitleniyor (söylemeye gerek yok, Claude Code ve GPT-4 entegrasyonları) ya da model seçimini kullanıcıya bırakıp "kendiniz yapılandırın" diyor. Dropstone'un söylediği şu: "Benchmark'ları biz yapıyoruz. Sonuçları yayınlıyoruz. Kazananı gönderiyoruz."

Geliştiriciler için bu, bakım yükünü başka yere kaydırıyor. Hangi DeepSeek veya Kimi sürümünün geldiğini takip etmeyi bırakıyorsunuz. Çalışma zamanına bırakıyorsunuz. Bir sonraki nesil model benchmark'ları alt üst ettiğinde, CLI'ı güncelliyorsunuz ve otomatikman onun üzerindesiniz.

Ürün Model Değil, Çalışma Zamanı

Dropstone'un sizden istediği zihinsel kayma bu ve bir an durup üzerinde düşünmeye değer. Model metadır. Çalışma zamanı farklılaştırıcıdır.

Bir çalışma zamanı, ham API erişiminin vermediği ne sağlar?

Agent döngüsü. Planlama, tool dispatch, çok adımlı yürütme, hata kurtarma. Bunlar önemsiz işler değil. Bir AI'ın doğru tool'u çağırmasını, hataları zarif şekilde ele almasını ve işe yaramaz döngülere spiral şeklinde girmeden kurtulmasını sağlamak, gerçekten zor bir mühendislik. Dropstone bunu varsayılan davranış olarak inşa ediyor.

Güvenlik sınırı. Durum değiştiren her eylem açık kullanıcı onayı gerektiriyor. Bu sadece iyi bir pratik değil—asistanlık yapan bir AI ile siz toplantıdayken kontrolden çıkan bir AI arasındaki fark bu. Kredi tabanlı faturalandırma ise çılgın agent döngülerinin sizi batıramayacağı anlamına geliyor.

ABD barındırmalı uyumluluk varsayılan olarak. Pratik bir nokta: DeepSeek'in birinci taraf API'sı Çin'de barındırılıyor. Birçok ABD ve AB kurumsal, uyumluluk duruşları altında oraya trafik yönlendiremiyor. Dropstone her şeyi ABD barındırmalı endpoint'ler üzerinden yönlendiriyor ve data_collection: deny'ı API katmanında uyguluyor. Yapılandırma gerekmiyor.

Cache üzerinden maliyet mühendisliği. İşin akıllı kısmı burada. Dropstone, oturumlar ısındıktan sonra %95'in üzerinde prefix-cache hit rate bildiriyor, karışık oturum uzunluklarında nüfus ortalaması hit rate'i yaklaşık %82. Bu cache verimliliği doğrudan fiyatlandırma modeline yansıyor; Pro kullanıcıları aylık 15 dolara haftada yaklaşık 450 ağır kodlama turu sürdürebiliyor.

SATC Modeli: Token Maliyetini İnsani Hale Getirmek

Dropstone, Session-Amortized Token Cost (SATC) adını verdikleri bir şey sunuyor. Fikir basit: naif per-token liste fiyatı yerine, ölçülmüş cache ekonomisini yansıtan birim maliyet uygulanıyor. Oturumlar sürekli kod kalıplarını tekrar ediyor—import ifadeleri, boilerplate, fonksiyon imzaları. Bu ön ekleri cache'lemek, sonraki turların dramatik şekilde daha ucuza gelmesi demek.

Bu matematik, düz fiyatlı faturalandırmayı mümkün kılan şey. Çılgına dönmüş bir agent döngüsü, bir öğleden sonrada 40 dolarlık token yiyemez çünkü cache'lenmiş token'lar fiilen ücretsiz. Krediler en kötü senaryoyu, cache ise tüketim hızını sınırlıyor.

Pratik sonuç: Dropstone'u açık bırakabilirsiniz, o gidip o berbat service katmanını refactor etsin ve AWS faturanızı izlerken kaygıyla dashboard'a bakmak zorunda kalmazsınız.

Neden Endüstri İçin Önemli

Dropstone, açıkça altta yatan modelleri eğitmediklerini söylüyor. Ağırlıkları denetleyemiyorlar. Açık-ağırlıklı modeller üzerinde, bulut sağlayıcılarının açık kaynak veritabanları üzerinde inşa ettiği gibi—operasyonel katmanda, uyumluluk duruşunda, maliyet mühendisliğinde ve kullanıcı deneyiminde farklılaşıyorlar.

Bu sağlıklı bir duruş. Temel modellerin altyapı haline geldiğini, değerin ise bu altyapıyı güvenilir, güvenli ve maliyet-hesaplanabilir hale getirenlere kaydığını kabul ediyor.

Geliştiriciler ve startup'lar için bu iyi bir haber olmalı. "Hangi modeli kullanmalıyım" sorusunu, işi bu soruyu cevaplamak olan birine devredebileceğiniz anlamına geliyor. Başkası benchmark'ları çalıştırıp sonuçları yayınlarken, siz ürün çıkarmaya odaklanıyorsunuz.

Asıl soru, AI kodlama asistanlarının gelişmeye devam edip etmeyeceği değil. Etrafındaki araçların, modellerin kendisi kadar düşünceli olup olmayacağı. Dropstone, ürünün ağırlıklarda değil, çalışma zamanında olduğuna bahis yapıyor.

Zaman gösterecek haklı olup olmadıklarını. Ama her yeni model çıktığında platform değiştirmekten bıkan ekipler için, en azından denemeye değer bir yaklaşım.