Claude Code, Codex ve Cursor Hangi Araçları Seçiyor? 17 Bin Oturumun Analizi

Yapay zekâ destekli kodlama ajanları, yazılım geliştirme süreçlerinde giderek daha fazla sorumluluk üstleniyor. Günümüzde hiçbir teknik geçmişi olmayan "vibe coder"lardan kıdemli yazılım mimarlarına kadar herkesin ajana devrettiği kritik bir aşama var: Mevcut bir kod tabanında belirli bir ihtiyaç için hangi harici servisin veya kütüphanenin seçileceği.

Armature Research tarafından gerçekleştirilen kapsamlı araştırma, yapay zekâ modellerinin araç seçimlerini nasıl yaptığını ve ürünleri neye göre tercih ettiğini anlamak amacıyla yürütülen en büyük deneyi gözler önüne seriyor.

İki Farklı Profil, Tek Tercih

Deneyin çıkış noktasını somut bir veritabanı seçimi senaryosu oluşturuyor:

Vibe Coder ve Claude Code: Kişisel bir seyahat uygulaması geliştiren ve her bağlantıda verilerin sıfırlandığını fark eden yazılımcı olmayan bir kullanıcı, verileri kalıcı saklamak ister. Claude Code kod tabanını inceler ve 5 dakika sonra Neon veritabanını önerir; gerekçe olarak ücretsiz planını, kolay kurulumunu ve Supabase gibi inaktif durumlarda duraklatma yapmamasını belirtir. Kullanıcı onaylar ve ajan aracı kurar.
Kıdemli Mühendis ve Cursor: Canlı üretim ortamında çalışan deneyimli bir mühendis, Cursor'a öngörülebilir maliyetlere sahip ve tam yönetimli en iyi veritabanını sorar. 5 dakika sonra ajan, rakiplerin eksilerini sıralayarak yine Neon'u önerir ve onay sonrası doğrudan entegre eder.

Farklı modeller, farklı projeler ve zıt kullanıcı profilleri aynı sonuca ulaşmıştır.

Neden Bu Kadar Önemli?

Bu tablo, yazılım ekosisteminde kritik bir değişimi temsil ediyor:

Geliştiriciler Açısından: Ajanların teknik tercihlerine ve mimari kararlarına ne kadar güvenilebileceğinin anlaşılması gerekiyor.
Geliştirici Araçları (SaaS) Açısından: Vercel verilerine göre üretim dağıtımlarının %30'undan fazlası artık kodlama ajanları tarafından başlatılıyor (6 ay öncesine kıyasla %1000 artış). Artık araç üreticilerinin geleceği, doğrudan yapay zekâ tarafından seçilmeye bağlı.

17 Bin Oturumluk Deneyin Kapsamı

Araştırma ekibi, sonuçların genel geçerliğini ölçmek için devasa bir test mimarisi kurdu:

16.893 oturum boyunca ajanların davranışları ve düşünme zincirleri (thinking traces) incelendi.
3 popüler kodlama ajanı (Claude Code, Codex ve Cursor) test edildi.
1.163 farklı prompt varyasyonu ve 75 farklı kod deposu (repository) kullanıldı.
Yalnızca öneri üretilmedi; ajanların çözümü doğrudan uyguladığı gerçek kod farkları (diff) analiz edildi.
GitHub'daki açık kaynak projeler; diller, çatılar, ekip büyüklükleri ve dağıtım platformları temel alınarak tarafsız (unbiased) bir dağılımla seçildi.

Yazılım Öğrenenler İçin Pratik Çıkarımlar

Edumints ekosistemindeki yazılımcılar ve öğrenciler için bu sonuçlardan çıkarılacak temel dersler şunlardır:

Ajan Tavsiyelerini Sorgulayın: Ajanlar hız ve popülerliğe göre belirli servisleri kayırabilir; mimari seçimlerin arkasındaki mantığı her zaman doğrulayın.
Spesifik Kısıtlar Belirtin: Modelin varsayılan araçlara sapmaması için promptlarınızda bütçe, ölçeklenebilirlik ve bakım kriterlerini açıkça tarif edin.
Kod Değişikliklerini İnceleyin: Ajanların yüklediği bağımlılıkları ve konfigürasyon dosyalarını öğrenme fırsatı olarak değerlendirin ve güvenlik kontrollerini ihmal etmeyin.

Orijinal makaleye buradan ulaşabilirsiniz.