AI destekli kodlama ajanları (Cursor, Claude Code, Codex gibi) her yeni oturumda veya takip sorusunda tüm depoyu yeniden okumak zorunda kalıyor. Bu durum, özellikle büyük depolarda token maliyetlerini önemli ölçüde artırıyor ve modellerin gereksiz dosyalardan etkilenerek çıktı kalitesinin düşmesine yol açıyor. Bu soruna çözüm olarak, yerel bir AST (Sözdizim Ağacı) tarayıcısı ve bağımlılık eşlemesiyle çalışan hafif bir açık kaynak aracı geliştirildi.
Yeni araç, depodaki dosyaları, sembolleri ve kod ilişkilerini ilk olarak yerel olarak tarıyor. Ardından, belirli bir göreve yönelik olarak yalnızca gerekli dosyaları AI ajanına yönlendiriyor. Böylece, tüm depoyu değil, sadece ilgili kod parçalarını analiz eden ajan, token kullanımını önemli ölçüde azaltırken çıktıyı daha odaklı hale getiriyor.
Token Maliyetlerini Azaltmanın Yolu: Yerel AST Taraması
Geleneksel AI kodlama ajanları, her oturumda tüm depoyu taradıklarında token kullanımı hızla artıyor. Örneğin, 10.000 satırlık bir depoda her yeni sorgu için milyonlarca token harcanabiliyor. Yeni araç ise yalnızca ilgili dosyaları taradığı için token maliyetini yaklaşık %60 oranında düşürüyor. Bu sayede, büyük projelerde bile AI ajanlarının daha verimli ve odaklı çalışması sağlanıyor.
Araç, ayrıca bağımlılıkları da haritalandırarak kod ilişkilerini net bir şekilde ortaya koyuyor. Bu sayede, AI ajanlarının gereksiz dosyalardan etkilenmesi önlenirken, kodun anlaşılması ve değiştirilmesi kolaylaşıyor. Kullanıcılar, yalnızca değiştirmek istedikleri fonksiyonun veya dosyanın yer aldığı bağımlılık ağacını görerek daha bilinçli kararlar alabiliyor.
Yerel Çalışma ve MCP Desteği: Geliştiriciler İçin Avantajlar
Yerel bir araç olmasının en büyük avantajı, verilerin hiçbir üçüncü parti sunucuya gönderilmemesi. Bu sayede, hassas kodun gizliliği korunurken, aynı zamanda token maliyetleri de düşürülüyor. Ayrıca, araç, Model Context Protocol (MCP) ile uyumlu çalışarak çeşitli AI ajanlarıyla entegre olabiliyor. Bu sayede, Cursor, Claude Code veya Codex gibi popüler araçlarla birlikte kullanılabiliyor.
Araç, açık kaynak olarak sunulduğu için geliştiriciler tarafından özgürce özelleştirilebilir ve genişletilebilir. GitHub üzerinden erişilebilen araç, topluluk tarafından sürekli olarak geliştiriliyor. Kullanıcılar, araçla ilgili geri bildirimlerini paylaşarak projenin gelişimine katkıda bulunabiliyor.
Gerçek Dünyadaki Sonuçlar: Odaklanmış AI Kodlama Deneyimi
Bu aracın kullanıldığı projelerde yapılan testlerde, token maliyetlerinde yaklaşık %60’lık bir azalma gözlemlendi. Ayrıca, AI ajanlarının çıktı kalitesi de önemli ölçüde iyileşti. Modellerin gereksiz dosyalardan etkilenmesi engellendiği için çıktılar daha odaklı ve doğru hale geldi.
Özellikle büyük ve karmaşık depolarda çalışan geliştiriciler için bu araç, AI kodlama deneyimini daha verimli ve maliyet-etkin hale getiriyor. Yerel AST taraması sayesinde, AI ajanları yalnızca ihtiyaç duydukları kod parçalarını analiz ediyor ve böylece hem zaman hem de kaynak tasarrufu sağlanıyor.
AI kodlama ajanlarının geleceği, daha verimli ve odaklı çalışmaya doğru evriliyor. Yerel AST taraması gibi yenilikçi yaklaşımlar, geliştiricilerin AI araçlarından en iyi şekilde faydalanmasını sağlayacak. Bu sayede, hem token maliyetleri düşürülürken hem de kod kalitesi artırılabilir. Geliştiricilerin bu tür araçları benimsemesiyle birlikte, AI destekli kodlama deneyimi daha da gelişecek.
Yapay zeka özeti
AI kodlama ajanlarının token maliyetlerini %60’a kadar düşüren yerel AST tarayıcısı hakkında detaylar. Açık kaynaklı araç nasıl çalışıyor ve hangi avantajları sunuyor?
