Agentic AI Developer Training

Geleneksel yazılım geliştirme metodolojileri (Agile, Waterfall vb.), yapay zeka ajanlarının kod yazma, hata ayıklama ve mimari kararlar alma süreçlerini otonom olarak üstlendiği Agentic SDLC (Software Development Life Cycle) yapısına evrilmektedir.

Bu eğitim, katılımcılara sadece teorik prompt mühendisliğini değil; mobil cihazlardan terminal komut satırlarına, yüksek performanslı Go backend ağ geçitlerinden (Gateway) Next.js tabanlı canlı yönetim panellerine uzanan kümülatif ve ölçeklenebilir bir ajan geliştirme yeteneği kazandırır.

1.1 Teknolojik Entegrasyon Matrisi

Katman	Teknoloji Yığını	Ajan İçerisindeki Görevi
Merkezi Sunucu	Go (Golang), PostgreSQL, pgvector	Yüksek eşzamanlı (concurrency) tool çalıştırma, state yönetimi ve vektörel bellek.
Kullanıcı Panel	Next.js 15, WebSockets / SSE	Çoklu ajan koordinasyon izleme paneli, canlı log akışları ve HITL onay mekanizması.
Mobil İstemci	iOS (Swift), Android (Kotlin)	Mobil cihaz donanımlarına (kamera, lokasyon vb.) otonom erişim ve Edge-AI senkronizasyonu.
Sistem & CLI	Go CLI, SSH, Terminal TUI	Sistem yönetimi, otonom VPS kurulumları ve hızlı terminal tabanlı komut yönetimi.
Ajan Beyni	Composer 2.5, Claude Opus 4.8, Fable 5, Cursor IDE	Üst düzey akıl yürütme (reasoning), planlama ve otonom kod geliştirme döngüleri.
Lokal Modeller	Ollama, vLLM, llama.cpp (GGUF), ONNX / CoreML	Self-host ve cihaz üstü çıkarım: gizlilik, maliyet kontrolü ve çevrimdışı ajanlar.

1.2 Sistem Mimarisi Akışı

1.3 Model Yığını & Lokal Model Operasyonları

Müfredat model-çoğulcudur: ajanlar bir soyutlama katmanına karşı inşa edilir, böylece beyin görev başına değiştirilebilir.

• Composer 2.5 — Cursor içinde hızlı agentic kodlama döngüleri; varsayılan editör-yerleşik worker modeli
• Claude Opus 4.8 — derin muhakeme, mimari kararlar, uzun bağlam incelemesi ve değerlendirme (LLM-as-a-judge)
• Fable 5 Geçiş Kapatıldı — uzun ufuklu otonom görev yürütme ve çoklu ajan orkestrasyon rolleri; geçişi kullanıma kapatılmıştır ve yeni kullanım için artık erişime açık değildir
• Lokal & açık ağırlıklı modeller — Ollama / llama.cpp ile quantize modeller (GGUF) çalıştırma, VPS üzerinde vLLM ile servis etme, CoreML / ONNX Runtime Mobile ile cihaz üstü çıkarım; gizlilik, gecikme ve maliyet bütçelerine göre lokal/sınır model seçimi

1.4 Akademik Matematiksel Gösterim

Bir ajanın karar ağacındaki durum geçiş fonksiyonu şu şekilde formülize edilir:

S(t+1) = f( S(t), A(t)(E) )

Burada S(t) ajanın mevcut durumunu (State), A(t) ise dış ortam etkisi E altında seçilen otonom aracı (Action / Tool Execution) temsil eder.

Cursor IDE üzerinde .cursorrules optimizasyonları ve Claude Opus 4.8 ile "Agentic Geliştirme" kurallarının inşası. Ajan topolojilerinin (Router, ReAct, Plan-and-Execute) planlanması.

Ajan Topolojileri

Öğrenme Çıktıları

• Agentic SDLC fazlarının (intent, plan, execute, verify) klasik SDLC ile eşlenmesi
• .cursorrules ile proje bazlı ajan davranış sözleşmeleri tanımlama
• Topoloji seçim kriterleri: gecikme, maliyet, hata toleransı, denetlenebilirlik

Ajanların dış dünya ile etkileşime girmesi. JSON Schema standartlarında fonksiyon tanımlama. Model Context Protocol (MCP) standartlarının uygulanması. VPS üzerinde otonom dosya sistemi yönetimi ve sandbox komut çalıştırma yetenekleri.

Tool Çağrısı Yaşam Döngüsü

Öğrenme Çıktıları

• JSON Schema ile deterministik tool arayüzleri tasarlama
• MCP sunucusu yazma ve mevcut MCP araçlarını ajana bağlama
• Sandbox kaçışlarına karşı dosya sistemi ve ağ izolasyonu

Kısa süreli bellek (Session State) ve uzun süreli kalıcı bellek (Vektör Veritabanları — pgvector) entegrasyonu. Ajan kararlarının yarıda kalması durumunda kaldığı yerden otonom olarak Resume edilmesi için State Machine tasarımı.

Ajan Durum Makinesi

Öğrenme Çıktıları

• Checkpoint tabanlı kalıcı yürütme (durable execution) tasarımı
• pgvector ile anlamsal bellek: embedding, indeksleme, geri çağırma
• Oturum belleği ile kalıcı bellek arasında bağlam bütçesi yönetimi

Ajan çıktılarının kalitesini ölçme (LLM-as-a-judge). Beklenmedik terminal hatalarında ajanın kendi hata çıktısını okuyarak otonom bir şekilde kendini onarması (Self-Correction & Self-Healing döngüleri).

Self-Healing Döngüsü

Öğrenme Çıktıları

• LLM-as-a-judge rubrikleri ve otomatik değerlendirme pipeline'ları
• Token / maliyet / gecikme telemetrisinin Go middleware ile toplanması
• Regresyon yakalamak için ajan davranış test setleri (golden traces)

Orchestrator-Workers ve Event-Driven (P2P) çoklu ajan koordinasyon kalıpları. Go kanalları ve kuyruk sistemleri (Redis, NATS) kullanılarak bağımsız çalışan ajanların senkronize edilmesi.

Orchestrator-Workers Kalıbı

Öğrenme Çıktıları

• Görev ayrıştırma (decomposition) ve sonuç birleştirme (reduction) stratejileri
• Go goroutine + channel desenleri ile ajan eşzamanlılığı
• Kuyruk tabanlı backpressure ve ajan ölçeklendirme

Giriş ve çıkış güvenlik duvarları (Prompt Injection ve PII sızıntı korumaları). Sonsuz döngü engelleme mekanizmaları. Kritik sunucu komutlarında insan onayı arayüzü entegrasyonu (Human-in-the-Loop).

HITL Onay Akışı

Öğrenme Çıktıları

• Prompt injection ve PII sızıntısına karşı giriş/çıkış filtreleri
• Döngü sayaçları, bütçe limitleri ve devre kesiciler (circuit breakers)
• Denetlenebilirlik için imzalı eylem logları (audit trail)

Yapay zeka ajanlarının mobil ekosisteme yayılması, otonom sistemlerin sınırlarını genişletir. Bu modülde, lokal mobil donanımlara (kamera, sensörler, lokal bildirimler) erişebilen yerel mobil ajan arayüzleri inşa edilmesini öğreneceksiniz.

iOS Swift Entegrasyonu

• Swift async/await mimarisi ile asenkron LLM ve Go API çağrıları
• Apple CoreML ile cihaz üstünde (Edge AI) hafif sınıflandırma modellerinin çalıştırılması
• iOS Background Tasks ile arka planda otonom çalışan senkronizasyon ajanları

Android Kotlin Entegrasyonu

• Kotlin Coroutines ve Flow yapıları ile gerçek zamanlı veri akışı (SSE/WebSocket)
• Android WorkManager ile cihaz şarja takılıyken otonom bellek optimizasyonu yapan ajanlar
• ONNX Runtime Mobile entegrasyonu ile cihaz içi anlamsal vektör hesaplamaları

Hibrit Edge-Cloud Akışı

Örnek Senaryo: Kullanıcı mobil kameradan fatura görseli yükler. Mobil cihazdaki hafif Edge-AI modeli faturayı kırpar, Go sunucusundaki OCR / Fable 5 ajanı faturayı analiz eder ve Next.js paneline otomatik muhasebeleştirme onayı (HITL) gönderir.

Yazılım mühendislerinin en çok vakit geçirdiği terminal ortamını otonomlaştırmak, geliştirme hızını katlar. Bu modül; kabuk (shell) seviyesinde güvenli komut çalıştıran, SSH otomasyonları yapan ve terminal üzerinden yönetilebilen CLI ajanlarının tasarlanmasını kapsar.

Terminal Ajan Geliştirme Detayları

• Go Cobra-CLI Entegrasyonu: Go ile modern komut satırı araçları yazarak ajanları terminalden parametrik çalıştırma
• Interactive TUI (Terminal User Interface): Terminal üzerinde Bubbletea / Charm libraries kullanarak ajanların görsel state'lerini arayüzsüz yönetebilme
• VPS SSH & Cron Automation: SSH protokolü üzerinden VPS sunucularında periyodik bakım yapan, logları analiz eden otonom ajan betikleri

CLI Ajan Komut Akışı

Katılımcıların mezuniyet hakkı kazanabilmesi için; Go backend, Next.js izleme paneli, iOS/Android mobil bildirim tetikleyicisi ve terminal CLI aracı içeren, VPS üzerinde tamamen sandbox edilmiş otonom bir "Multi-Agent Software Engineer Platform" geliştirmeleri ve bunu canlı olarak jüriye sunmaları gerekmektedir.

Mezuniyet Platformu Bileşenleri

Değerlendirme Kriterleri

Kriter	Açıklama
Otonomi	Ajanların insan müdahalesi olmadan görev tamamlama oranı
Güvenlik	Guardrail kapsamı, HITL doğruluğu, sandbox bütünlüğü
Gözlemlenebilirlik	Canlı log, metrik ve maliyet telemetrisinin kalitesi
Mimari	Katmanlar arası sözleşmelerin netliği ve ölçeklenebilirlik