Yapay zekâ destekli bir ürün geliştirmek artık yalnızca tek bir ajanla mümkün değil. Gerçek bir ürün ortaya koyabilmek için, her adımda farklı uzmanlık alanlarını temsil eden bir ekip kurmak gerekiyor. Geçtiğimiz yıllarda geliştiriciler, süreci tek bir büyük dil modeline emanet ederken birçok zorlukla karşılaştı: bağlam kaybı, karar yorgunluğu ve kendi varsayımlarını sorgulama yeteneğinin zayıflığı. Ancak bir mühendis, bu sorunları aşmanın yolunu buldu: 10 farklı ajandan oluşan özel bir takım kurmak ve yalnızca markdown dosyaları ile Claude Max aboneliği kullanarak, hem maliyetleri düşürüp hem de çıktıları iyileştirmek.
Bu yeni yaklaşım, gateway sunucuları, WebSocket bağlantılar ve ajan yönetimi gibi altyapı yüklerini ortadan kaldırırken, token maliyetlerini de önemli ölçüde azaltıyor. Her ajan, pazarlama araştırmacısından güvenlik denetçisine kadar farklı roller üstlenerek, sürecin hiçbir adımının atlanmamasını ve varsayımların sorgulanmasını sağlıyor. Sonuç? Ölçeklenebilir, denetlenebilir ve yerel bir klasör yapısı içinde çalışan bir ürün geliştirme hattı.
Neden tek bir yapay zeka ajanı yeterli değil?
Güçlü bir dil modeli, ne kadar yetenekli olursa olsun, uzun süreli görevlerde tutarlılık ve kendi kendini eleştirme konusunda ciddi zorluklar yaşar. Örneğin, uzun bir oturum boyunca bağlam kaybı yaşanabilir; bu da modelin odaklanma yeteneğini zayıflatır. Karar verme sürecindeyse karar yorgunluğu ortaya çıkar ve her seçim yorucu hale gelir. En önemlisi de, model kendi varsayımlarını sorgulayamadığı için çıktılarında ciddi hatalara yol açabilir — hatta en yetenekli modellerde bile.
Bu sorunlar, basit bir fikir prototipinden öteye geçip gerçek bir ürün geliştirirken daha da belirginleşiyor. Örneğin bir pazarlama araştırmacısının fikri değerlendirmesi, bir mimarın sistem mimarisini tasarlaması, bir ürün yöneticisinin PRD yazması ve bir geliştiricinin kodu denetlemesi gerekiyor. Tek bir ajan bu rollerin hiçbirini yeterince yerine getiremez. Sonuç? Kırılgan bir prototip yerine, sağlam ve dağıtıma hazır bir ürün ortaya koymak mümkün olmaz.
Bu nedenle geliştirici, süreci tek bir ajandan çoklu ajana dönüştürerek, her aşamada uzmanlaşmış roller oluşturdu. Takım, fikir ortaya çıkışından pazara sunumuna kadar sekiz farklı aşamada görev alıyor. Her aşama, kalite kontrolleri ve çapraz ajan incelemeleriyle desteklenerek, sürecin tamamen denetim altında kalmasını sağlıyor.
Açık kaynaklı sistemden markdown’a geçiş
Başlangıçta takım, OpenClaw adlı açık kaynaklı bir yapay zeka asistanı çatısı kullanılarak yönetiliyordu. OpenClaw, 300 binden fazla GitHub yıldızına sahip olan bu framework, özel ajanlar oluşturmak için kişilik tanımlarını, araçları ve yetenekleri destekliyordu. Bu sistemde ajanlar, Slack ve Discord gibi mesajlaşma platformları üzerinden birbirleriyle iletişim kuruyordu. Ancak altyapı maliyeti oldukça yüksekti.
Her ajan oturumu, API çağrıları tetikliyordu ve çok sayıda ajan derinlemesine çalıştığında token maliyetleri hızla artıyordu. Dahası, ajanlar yalnızca bir merkezden yönetilen bir orkestratör üzerinden haberleşebiliyordu; doğrudan iletişim kuramıyorlardı. Bu da karar verme sürecini yavaşlatıyor ve aktarım hatalarını bulmayı zorlaştırıyordu. Ayrıca test odaklı geliştirme (TDD), tasarım alternatifleri ve çapraz modelli kod incelemeleri desteklenmiyordu.
Daha sonra geliştirici, Claude Code’un Agent Teams özelliğini keşfetti. Bu özellik sayesinde, çoklu Claude Code oturumlarını doğrudan bir takım olarak koordine etmek mümkün hale geldi. Her ajan, kendi bağlam penceresinde çalışıyor ve diğer ajanlarla doğrudan mesajlaşabiliyordu. Bu da merkezi bir orkestratöre olan ihtiyacı ortadan kaldırdı. Ajanlar, bir .claude/agents/ dizinindeki markdown dosyaları olarak tanımlandı ve tüm yapı hafif ve taşınabilir hale geldi. Bu geçiş, altyapı yükünü sıfıra indirdi ve token maliyetlerini de düşürdü: prosedürel ajanlar Sonnet 4.6 modeline, derinlemesine akıl yürütme gerektirenler ise Opus 4.6 modeline atandı.
Takımın yapısı: 10 ajan, 0 sunucu
Takım, proje kök dizininde basit bir klasör yapısı içinde organize ediliyor:
proje-adınız/
├── CLAUDE.md # Paylaşılan mimari ve kodlama standartları
└── .claude/
├── settings.json # Agent Teams özelliğini etkinleştirir ve baş ajanı belirler
├── project-config.md # Proje kimliği, yollar ve tanımlayıcılar
└── agents/
├── athina.md # Baş orkestra ve proje yöneticisi
├── scout.md # Pazar araştırmacısı
├── spectra.md # PRD yazarı
├── pixel.md # Tasarımcı ve mimar
├── builder.md # Geliştirici
├── auditor.md # Uyumluluk denetçisi
├── bugsy.md # Kalite güvence testçisi
├── piper.md # DevOps mühendisi
├── nova.md # Pazarlama lideri
└── quill.md # İçerik yazarıHer ajan, bir markdown dosyasında sistem istemi, rol tanımı ve kişiliğini içeriyor. Bu sistemin çalışması için sunucu, WebSocket yapılandırması veya harici servisler gerekmiyor — yalnızca bir klasördeki markdown dosyaları yeterli. Baş ajan olan Athina, takımı koordine eder ve aşamaların sırasıyla ilerlemesini sağlayarak hiçbir adımın atlanmamasını ve tüm kalite kontrollerinin geçilmesini garanti eder.
Takım, Opus 4.6 ve Sonnet 4.6 modelleri arasında bölünmüş durumda. Açık uçlu akıl yürütme gerektiren ajanlar (Athina, Scout, Spectra, Pixel, Builder) Opus 4.6 kullanırken, prosedürel görevler (Auditor, Bugsy, Piper, Nova, Quill) Sonnet 4.6’da çalışıyor. Bu atama, token maliyetlerini önemli ölçüde düşürürken, derin akıl yürütme gerektirmeyen görevlerde kaliteden ödün vermemiş oluyor.
Takım üyelerini tanıyalım
Athina: proje yöneticisinin beyni
Athina, takımın beyni olarak görev yapıyor; aynı zamanda orkestra ve hesap verebilirlik ortağı olarak hizmet veriyor. Her ajan çalışmaya başlamadan önce Linear görevlerini yönetiyor, kritik dokümanları güncelliyor ve "Sorgula Beni" oturumları düzenleyerek varsayımları sorguluyor. Bu oturumlarda takımın hızını arttırmak için doğrudan önerilerde bulunuyor ve onay bekliyor.
Athina’nın istemleri, hareketlilik ve karar vermeyi teşvik ediyor. Sadece tamamlanma raporu sunmak yerine, hemen sonraki adımı öneriyor ve onay istiyor. İnsan takım lideri (
Yapay zeka özeti
Tek bir yapay zeka ajanının yetersiz kaldığı noktaları keşfedin. On farklı uzman ajanı bir araya getirerek ürün geliştirme sürecini nasıl hızlandırıp maliyetleri nasıl düşürebileceğinizi öğrenin.
