Skip to main content

Documentation Index

Fetch the complete documentation index at: https://lokomotifai.mintlify.app/llms.txt

Use this file to discover all available pages before exploring further.

Anthropic’in “Harness Design for Long-Running Application Development” başlıklı saha yazısında çarpıcı bir karşılaştırma var: aynı görev — küçük bir 2D retro oyun yapımı — aynı modele iki kez veriliyor. Tek değişen, modelin etrafındaki mühendislik. Yalın yürütmede iş 20 dakikada 9 dolara bitiyor; çıktı çalışmıyor. Tam düzeneklı koşuda iş 6 saat sürüyor, 200 dolara mâl oluyor ve oynanabilir bir oyun çıkıyor. Maliyet 22 katına çıkıyor; çıktının değeri kıyaslanamayacak kadar artıyor. Bu deneyde model sabit, prompt sabit. Değişen tek şey düzenek (harness) — modeli kuşatan plan, ortam, doğrulama ve durum altyapısı. Bu ders bu tek cümlenin kanıtıdır: bir şey başarısız olduğunda önce modeli değiştirme; önce düzeneği sorgula.

​
Tez

Düzenek Mühendisliği (Harness Engineering), modeli sabit kabul edip onu çevreleyen yapıyı tasarlama disiplinidir: zayıf sonuçlar çoğu zaman model değil düzenek problemleridir.

​
Doğrulama boşluğu — en yaygın başarısızlık biçimi

Yetkin bir ajanın en sık yaptığı hata yanlış kod yazmak değildir. Yanlış kod yazdığını fark etmeden “tamamlandı” demesidir. HumanLayer’ın “Skill Issue: Harness Engineering for Coding Agents” yazısı bu davranışı tek cümlede özetliyor: “Bir problemi bir kodlama ajanıyla başarıyla çözme olasılığınız, ajanın kendi işini doğrulayabilme yeteneğiyle güçlü biçimde ilişkilidir.” Aynı yazının teşhisi daha keskin: “Bu bir model problemi değil. Bir konfigürasyon problemi.” Doğrulama boşluğu (verification gap) yalnız gelmez. Pratik tabloda beş başarısızlık modu birbirine yapışıktır; her birinin altında düzeneğin belirli bir katmanı eksiktir:
  1. Belirsiz görev tanımı — Ajan “bir şey balık yapacaksın” kıvamında bir prompt’la masaya oturur, neyin “tamam” sayılacağını tahmin etmek zorunda kalır.
  2. Eksik mimari sözleşme — SQLAlchemy 2.0 zorunluluğu, OAuth kuralı, dizin yapısı gibi örtük kararlar repo’nun içinde değildir; sohbet penceresinde her seferinde yeniden anlatılır.
  3. Eksik yürütme ortamı — Bağımlılıklar yok, sürüm uyumsuz, tek komutla kurulum mümkün değil.
  4. Doğrulayıcı yok — Yazılan kodun gerçekten çalışıp çalışmadığını söyleyecek hiçbir komut tanımlı değil.
  5. Bağlam endişesi (context anxiety) — Bağlam penceresi dolmaya yaklaşınca ajan, sınavın bitmesine az kalmış bir öğrenci gibi rastgele doldurmaya başlar; doğrulamayı atlar ve kapatır.
Bağlam endişesi anekdotal bir gözlem değil. Anthropic, çok ajanlı oyun yapımcısının erken sürümlerinde modellerin “algılanan sınırlara yaklaştıkça erken tamamlama” davranışı sergilediğini açıkça yazıyor; Opus 4.6’nın uzun bağlam kapasitesi ve otomatik sıkıştırma ile bu davranış ortadan kalkıyor. Tek başına bu, “model güçlendi” değil, “düzenek değişti” hikâyesidir.

​
Beş savunma katmanı

Düzenek bu başarısızlıkların her birine ayrı bir katmanla cevap verir. Görev şartnamesi, bağlam sağlama, yürütme ortamı, doğrulama geri bildirimi ve durum yönetimi — bu beş katman ders boyunca tekrar tekrar karşımıza çıkacak.
1

Görev şartnamesi

Ne yapılacağı, hangi davranışın “tamam” sayılacağı, neyin kapsam dışı olduğu yazılı. Anthropic bunu “sprint kontratı” olarak adlandırıyor: kod yazılmadan önce müzakere edilmiş, test edilebilir başarı kriterleri.
2

Bağlam sağlama

Mimari kararlar, sürüm kısıtları, kabul kriterleri reponun içinde — sohbet penceresinde değil. HumanLayer’ın uyarısı net: “Daha az talimat daha iyidir” ve “CLAUDE.md içeriğini öz ve genel geçer tut.”
3

Yürütme ortamı

make setup, make test, make check tek komutla çalışır. Ajan kendi kodunu kendi koşturur.
4

Doğrulama geri bildirimi

Davranışı kanıtlayan komutlar. Birim test → entegrasyon → uçtan uca. Anthropic’in oyun yapımcısında bu işi Playwright MCP üzerinden uygulamayı gerçekten test eden bir “Evaluator” ajanı üstleniyor.
5

Durum yönetimi

PROGRESS.md, DECISIONS.md gibi yapılandırılmış dosyalar ile oturumlar arası süreklilik.
Tanı döngüsü (diagnostic loop) bu beş katmanın doğrudan sonucudur: çalıştır → başarısızlığı gözle → spesifik bir katmana ata → o katmanı düzelt → yeniden çalıştır. Düzenek mühendisinin işi modeli yargılamak değil, başarısızlığı bir katmana indirgemektir.

​
En yüksek getirili ilk adım: AGENTS.md

Repoya bugün tek bir şey ekleyebilecek olsanız, o AGENTS.md olurdu. Repo köküne konur; teknoloji yığınını, mimari sözleşmeleri ve doğrulama komutlarını anlatır. HumanLayer burada ısrarcı: “Otomatik oluşturmaktan kaçının. İçeriği en iyi sonuçlar için özenle kurun.” 
# AGENTS.md

## Proje
Python 3.11 + FastAPI, PostgreSQL 15.

## Hızlı başlangıç
- Kurulum: `make setup`
- Geliştirme: `make dev`
- Test: `make test`
- Tam doğrulama: `make check`

## Sıkı kısıtlar
- Tüm endpoint'ler OAuth 2.0 ile kimlik doğrular.
- Tüm DB sorguları SQLAlchemy 2.0 sözdizimini kullanır.
- Her PR `pytest + mypy --strict + ruff check` geçer.

## Konu dokümanları
- docs/api-patterns.md — yeni endpoint eklerken oku.
- docs/database-rules.md — DB değiştirirken oku.
- docs/testing-standards.md — test yazarken referans.
Bu yüz satırlık dosya çoğu zaman daha pahalı bir modele geçmekten daha fazla iyileştirme sağlar. Anahtar, evrensel ve kalıcı olanı yazıya dökmektir; her görev için değişen şeyler AGENTS.md’de yer almaz.

​
”Tamam”ı kim tanımlar?

Ajan kendi başına “tamamlandı” diyemez. Tamamlanmanın anlamını siz yazıya dökmelisiniz. Görev şartnamesinin içine bir “Definition of Done” (Tamamlanma Tanımı) yerleştirilir: 
## Tamamlanma kriterleri
- Yeni endpoint: GET /api/search?q=...
- Sayfalama: varsayılan 20 kalem
- Sonuçlar vurgulanmış parçacıklar (highlighted snippets) içerir
- `pytest` ve `mypy --strict` tüm yeni kodda geçer
- E2E test: arama akışı Playwright ile yeşil
Bu liste yokken ajanın “tamamladım” demesi yapısal olarak yanlıştır; çünkü neyi tamamlayacağı yazılı değildir. Anthropic bu noktayı “uygulama başlamadan önce müzakere edilmiş açık tamamlanma sözleşmesi” diye formüle ediyor.

​
Sayılarla — düzenek tek başına ne yapıyor?

Her sayı doğrudan birincil kaynağa dayanır.
  • Anthropic, 2D oyun deneyi: Aynı görev, aynı model. Yalın yürütme 20 dk / 9 $, kırık çıktı. Tam düzenek 6 saat / 200 $, oynanabilir çıktı. Maliyet 22 katına çıkıyor; sonuç kategorik olarak farklı.
  • Anthropic, “Infrastructure Noise in Agentic Coding Evals”: Terminal-Bench 2.0 üzerinde en iyi ve en kötü kaynak tahsisli kurulumlar arasındaki fark 6 puan (p < 0,01). Tek bir görev üzerinde sıkı kısıttan 3× kaynağa geçildiğinde başarı oranı %5,8’den %2,1’e düşüyor (p < 0,001). SWE-bench üzerinde 1× → 5× RAM artışı 1,54 puan daha yüksek skora yetiyor. Yazarların kendi sonucu çarpıcı: “Birkaç puanlık bir fark gerçek bir kabiliyet farkını işaret edebilir — ya da sadece daha büyük bir sanal makineyi.”
  • LangChain, “Improving Deep Agents with Harness Engineering”: gpt-5.2-codex modeli sabit, yalnızca düzenek değişti. Terminal-Bench 2.0 skoru %52,8’den %66,5’e çıktı — +13,7 puan. Aynı değişiklikler arasında “akıl yürütme sandviçi” (planlama ve doğrulamada yüksek, uygulamada orta düzey reasoning) tek başına %53,9’dan %63,6’ya taşıdı. Aynı düzenek Claude Opus 4.6 ile %59,6 verdi; düzenek optimizasyonu modele özgüdür.
  • HumanLayer: çıkarsama tek satıra sığıyor — “Başarı olasılığınız, ajanın kendi işini doğrulayabilme yeteneğiyle güçlü biçimde ilişkilidir.”
Bu sayıların ortak mesajı şu: lider tablolarındaki model farklarından daha büyük etkiler, modelin etrafındaki kuruluma gizlenmiştir.

​
Pratik kontrol listesi

Ajan başarısız olduğunda modele dokunmadan önce şu sırayı yürüt:
  • Görev şartnamesi yazılı mı, “Definition of Done” tanımlı mı?
  • AGENTS.md mevcut mu, kısa mı, güncel mi?
  • Tek komutla doğrulama mümkün mü (make check veya muadili)?
  • Ajan bağlam endişesine girmedi mi (kalan token, oturum uzunluğu)?
  • PROGRESS.md son oturum durumunu yansıtıyor mu?
  • Yürütme ortamı tekrarlanabilir mi (kaynak, RAM, sürümler sabit mi)?
Altıdan biri “hayır” ise modeli değiştirmek erken bir karardır.

​
Müfredat içindeki yeri

Bu ders teşhisi koydu: başarısızlığı önce düzeneğe indirgeyen tanı döngüsünü, beş katmanın iskeletini ve AGENTS.md’nin neden ilk hamle olduğunu. Ders 02 — Düzeneğin Anatomisi aynı beş katmanı operasyonel bir tanımla — Agent = Model + Harness — yeniden açar ve düzeneğin bir prompt dosyası olmadığını gösterir. Pratik karşılığı: Proje 01 — Yalnız Prompt vs Kural Öncelikli aynı görevi iki düzenek seviyesinde koşturup farkı kendi reponuzda ölçmenizi sağlar.