Yapay zeka destekli kodlama ajanları — Claude Code, Cursor ve Model Context Protocol (MCP) üzerine inşa edilen diğer tüm araçlar — tek bir oturum sırasında oldukça verimli çalışabilir. Bir kod tabanını okuyabilir, geniş bir bağlamı hafızalarında tutabilir ve karmaşık bir hatayı çoğu insandan daha hızlı çözebilir.
Ancak oturum bittiğinde, tüm bu bilgiler silinir gider. Tekrar başladığında, ister aynı mühendis ertesi sabah isterse bir ekip arkadaşın bir saat sonra çalışmaya başlasın, ajanlar sıfırdan başlamak zorunda kalır. Üstelik bu durum, sadece zaman kaybına değil, aynı zamanda ekibin zaten bildiği çözümleri yeniden keşfetme maliyetine yol açar.
AI Ajanlarının Unutkanlığının Arkasındaki Gerçek Maliyet
Bu unutkanlığın arkasında yatan temel sorun, ajanların öğrendiklerini kalıcı ve paylaşılır bir şekilde saklayabilecekleri bir sistemin olmamasıdır. Bir mühendisin yerel dizininde oluşturduğu geçici bir dosya, takım arkadaşının makinesine ulaşamaz. Bir Claude Code sohbetinin çıktısı, Cursor oturumunda görülmez. Kod yorumları ise nadiren mevcuttur ve genellikle kodun ne yaptığını açıklar — nadiren neden öyle yazıldığını, ve neredeyse hiçbir zaman takımın daha önce denediği ve reddettiği çözümleri.
"Modellerin kendileri bu sorunun kaynağı değil. Asıl boşluk, ajanların öğrendiklerini kalıcı ve paylaşılır bir şekilde saklayabilecekleri bir yere sahip olmamalarıdır."
Bu durumun maliyeti birçok şekilde ortaya çıkar:
- Token Maliyeti: Bir şeyi baştan yeniden keşfetmek, ajanların ilgili dosyaları tekrar okumasını ve yeniden akıl yürütmesini gerektirir. Bu, her dosya için giriş token’ları ve akıl yürütme izi için çıkış token’ları anlamına gelir. Oysa bir cevabın yazılı olarak saklanması, tek bir kısa sorgu ile mümkündür. Bu iki yaklaşım arasındaki token farkı, genellikle on kat veya daha fazladır.
- Zaman Kaybı: Token maliyeti, fatura üzerinde görebileceğiniz kısımdır. Mühendisin ajanın yeniden kod tabanını keşfetmesini izlerken hissettiği zaman kaybı ise daha pahalıdır.
- Yanlış Çözümler: En pahalı olanı, bir çözümün daha önce denenip reddedildiğini bilmeyen ajanların, aynı öneriyi tekrar sunmasıdır. Ajanın bağlamında hiçbir şey bunu çürütemez, bu yüzden de öneri tam bir güvenle sunulur.
Atıkların Nerede Olduğunu Anlamak
Aynı kod deposunda arka arkaya birkaç ajan oturumunu izlediğinizde, açık bir kalıp ortaya çıkar:
Her oturumun ilk birkaç dakikası
Yeni bir oturumun başında ajanların yaptığı ilk araç çağrıları, genellikle önceki oturumların zaten belirlediği şeyleri yeniden kurmak içindir: dağıtım hedefi, bir konvansiyon, kodun neden olağan dışı göründüğü. Bunların hiçbiri yeni bir çalışma değildir. Aynı ödevin yeniden yapılmasıdır.
Farklı araçlar kullanan ajanların birbirini görmemesi
Ekip üyeleriniz farklı araçlarda çalışıyorsa — örneğin biri Claude Code kullanırken diğeri Cursor kullanıyorsa — ajanlarınız aynı kod deposunda çalışır, ancak birbirlerinin yaptıklarından haberdar olmaz. Birisi bu bilgiyi Slack’e yazıp diğerinin okumasını umut etmek zorunda kalır, ki bu da genellikle zamanında gerçekleşmez.
Nedenini hatırlayan tek kişi
Her takımda, retry mantığının neden öyle göründüğünü bilen bir mühendis bulunur. Eğer bu kişi izindeyse ya da sohbet kaydı kaybolmuşsa, bu bağlam kaybolur — ta ki kişi geri dönene kadar.
Takım Hafızası Olarak Altyapı
Bu sorunu çözmek için daha akıllı bir modele ihtiyaç yok. Takımın ajanlarının öğrendiklerini saklayabilecekleri, yazmanın zahmetsiz olduğu ve sorgulamanın yanıtları yeniden keşfetmekten daha ucuz olduğu bir yere ihtiyaç var.
İşte bu noktada threadctx devreye giriyor: AI kodlama ajanlarına kalıcı ve takımca paylaşılabilir hafıza sağlayan bir MCP sunucusu. Bir ajan, bir kod deposunda öğrenmeye değer bir şey keşfettiğinde — bir kök neden, bir konvansiyon, bir kararın neden öyle alındığı — bunu kısa bir giriş olarak kaydeder. Ardından, aynı kod deposunda çalışan herhangi bir ajan, ister hangi araçta ister hangi takım arkadaşı tarafından kullanılsın, bu bilgiyi tek bir sorguda alabilir.
Girişler kasıtlı olarak küçük tutulur — bir cümle ya da iki, bir sohbet dökümünün aksine, ve kesinlikle kaynak kodunuz değil. İyi bir kıdemli mühendisin Slack sohbetinde bırakacağı not gibi düşünün, ancak bir ajan bunu bir hata yapmadan önce okuyabilir.
Neden Bağımsız Bir Çözüm Önemli?
Çoğu mühendislik takımı artık tek bir AI kodlama aracı kullanmıyor. Bazıları Claude Code kullanırken, bazıları Cursor kullanıyor ve gelecek çeyrekte işe alınacak kişi muhtemelen başka bir aracı getirecek. Eğer bir hafıza katmanı sadece tek bir araç içinde çalışıyorsa, bu gerçek bir takım hafızası değildir — sadece bir kişinin notlarının daha güzel bir arayüzle sunulmasından ibarettir.
threadctx, Anthropic’in ajanları dış araçlara ve verilere bağlamak için tanıttığı açık standart olan Model Context Protocol (MCP) üzerinde çalışır. Cursor ve ekosistemin çoğu da bu standardı benimsemiştir. Pratikte bu üç şey sağlar:
- Tek bir kurulum, tüm istemciler: Aynı threadctx yapılandırması hem bugün Claude Code hem de Cursor’da çalışır, ve takımınızın gelecekte kullanacağı herhangi bir MCP destekli araçta da aynı şekilde çalışmaya devam eder.
Ekiplerin AI kodlama araçlarını benimsemesi hızlanırken, en büyük verimsizliklerin çoğu, ajanların öğrendiklerini kalıcı olarak saklayamamasından kaynaklanıyor. Bu unutkanlık vergisini ödemeye devam etmek, hem bütçeyi hem de zamanı boşa harcamak anlamına gelir. threadctx gibi bir çözümle, ekipler artık ajanlarının yeniden keşfetmesini değil, öğrendiklerini inşa etmesini sağlayabilir.
Yapay zeka özeti
AI destekli kodlama ajanları her oturumda sıfırdan başladığında, ekiplerin harcadığı para ve zaman kaybı artıyor. Bu 'unutkanlık vergisi' nasıl hesaplanır ve nasıl önlenir?
