Bir Yapay Zeka Kodlama Ajanını Güçlendirmek: Yaşanan Başarısızlıklar ve Çözüm Yolları

Yapay zeka odaklı yazılım geliştirmede ajanların (AI coding agents) karmaşık ve kapalı kod tabanlarında başarılı olması, büyük ölçüde etraflarına kurulan mimari koruma çitlerine (guardrails) bağlıdır. Özel bir dokümantasyon üzerinde kod yazan bir AI ajanının üretim sürecinde karşılaştığı 9 temel başarısızlık ve yazılım geliştiriciler için pratik çıkarımlar şunlardır:

1. Arama Araçlarının Birebir (Literal) Çalışması

Ajan varsayılan metin araması yaparken sampleData.json gibi dosya adlarını gözden kaçırabilir veya tek bir satıra odaklandığı için değişken tanımlamalarını kapsayan tüm kod yapısını (construct) göremeyebilir.

Pratik Çıkarım: Arama altyapınıza dosya adı eşleşmelerini ve ilgili değişken etki alanlarını (variable footprint) otomatik dahil edin.

2. Sonsuz Aramalar ve Kısır Döngüler

Ajan aynı bilgiyi context içinde zaten var olmasına rağmen defalarca tekrar arayarak yüksek jeton (token) maliyetine ve zaman kaybına yol açar.

Pratik Çıkarım: Çok katmanlı döngü tespiti, önbellekleme mekanizmaları ve kesin harcama bütçeleri (budget) tanımlayarak ajanın kendisini tekrarlamasını engelleyin.

3. Tek Tip Sorgu Yetersizliği (Query Inflation)

Kullanıcının soruyu tek bir biçimde sorması, RAG veya indeks aramasında yetersiz kalarak yanlış sonuçlara ulaşılmasına neden olur.

Pratik Çıkarım: Ajanın aramayı başlatmadan önce soruyu farklı açılardan (geniş kavramlar, spesifik yöntemler ve kullanım örnekleri) çoklu sorgulara dönüştürmesini sağlayın.

4. Ajan Dili ile İndeks Dili Uyuşmazlığı

Kullanıcı hedefe yönelik doğal dilde (ör. "tablo oluştur") konuşurken, dokümantasyon teknik API terimlerini kullanır.

Pratik Çıkarım: LLM çağrısı yapmadan, deterministik bir terim sözlüğü (phrasebook) ile hedef kavramları gerçek API sembollerine doğrudan eşleyin.

5. Araçların Yanıltıcı Bilgi ve API Uydurması

Ajanın başvurduğu RAG aracının kendisi var olmayan API'ler üretebilir. Ajan bu uydurma bilgiyi güvenilir kaynak sanarak koduna kopyalar.

Pratik Çıkarım: Arama araçlarının döndürdüğü yanıtları da sembol denetleyiciden geçirin; ajana zehirli bilgi akışını kaynağında kesin.

6. Uydurma API'lerin Tespit Edilmesi

Ajana sadece "API bulunamadı" demek eyleme dönüştürülebilir bir geri bildirim sağlamaz ve hatanın tekrarlanmasına yol açar.

Pratik Çıkarım: Eksiksiz bir API indeksi oluşturarak sembollerin varlığını deterministik biçimde doğrulayın ve ajana doğru alternatifi sunun.

7. Engellemeyen Uyarıların Göz Ardı Edilmesi

Uyarılar ajanın akışını sert bir şekilde kesmediği sürece ajan bu bulguları süs olarak algılar ve kodu teslim etmeye çalışır.

Pratik Çıkarım: Tamamlama kapıları (finish gates) uygulayarak, gerekli doğrulama testlerinden geçmeyen kodların teslimini kesin olarak engelleyin.

8. Sistem İçi Düzeltme Dilinin Önemi

Ajana verilen yönlendirme ve hata düzeltme cümleleri çok genel olursa, ajan bu yönlendirmeleri arama sorgusu sanıp aratabilir.

Pratik Çıkarım: Hata düzeltme mesajlarında doğrudan eylem adları ve kesin API isimleri kullanın; serbest metinli yönlendirmelerden kaçının.

9. Üretkenliği Doğru Noktadan Çıkarmak

Metin silme veya basit kod düzenleme işlemlerinde LLM kullanmak, dosyanın istenmeyen şekilde büyümesine veya bozulmasına neden olabilir.

Pratik Çıkarım: Deterministik çözülebilen işlemleri (AST manipülasyonu, regex veya kod araçları) modele bırakmadan doğrudan kod seviyesinde halledin.

Yapay zeka sistemlerini sertleştirmek (hardening), ajanın modelini büyütmekten ziyade etrafındaki sistem mimarisini ve denetim mekanizmalarını doğru kurgulamaktan geçer.

Orijinal makaleye buradan ulaşabilirsiniz.