VM0 geliştirme iş akışı: Yapay zeka ajanlarını bir ekip gibi yönetmek

VM0 geliştirme ekibinde, her geliştirici aynı anda birden fazla Claude Code örneğiyle çalışır. Genellikle sekizden fazla.

Claude Code'u gerçek bir geliştiriciyle aynı şekilde ele alıyoruz. (Evet, şirketimizin adı yarı şaka olarak AI Colleagues Co!)

Bu nedenle, VM0 geliştirme iş akışının arkasındaki tasarım felsefesi, yazılım mühendisliğinde klasik ekip yönetimi uygulamalarını yansıtır.

Çalışmaları takip etmek için GitHub Issues, kod incelemesi ve birleştirme için Pull Request'ler ve otomasyon için GitHub Actions kullanıyoruz. İki ayı aşkın sürede, bu yapılandırma ile 404 sürüm yayınladık ve 230,000 satırdan fazla kod yazdık.

Bu yazı, bunu nasıl uygulanabilir hale getirdiğimizi ve asıl sorunun hiçbir zaman yapay zeka yeteneği değil, insan koordinasyonu olduğunu açıklıyor.

Yapay Zeka Destekli geliştirme iş akışı uygulamada

Birçok yapay zeka ajanını paralel olarak koordine ettiğinizde, darboğaz modelin kod yazıp yazamayışı değildir. Asıl darboğaz insan bilişsel yüküdür

Bu iş akışı, üç katmanda düzenlenmiş 14 eğik çizgi komutundan oluşur: Derinlemesine İnceleme, Issue Yönetimi ve PR Yönetimi.

Önce iş akışımın nasıl göründüğüne ve bir özelliğin genellikle nasıl geliştirildiğine bakalım.

1. Gereksinim uyumu

   Bir insan bir Claude oturumu açar ve /deep-research ile başlar. Claude kod tabanından, dokümantasyondan ve ilgili bağlamdan bilgiler toplar. Bulguları tartışır ve aslında hangi sorunu çözdüğümüz konusunda uzlaşırız.

2. Çözüm keşfi

   /deep-innovate kullanılarak, Claude çeşitli olası yönler ve bunların avantaj-dezavantajları ile önerilerde bulunur. Tartışır, daraltır ve bir yön seçeriz.

3. Issue oluşturma

   /issue-create kullanarak bir GitHub issue oluştururuz. İnsan, gereksinimlerin net şekilde aktarıldığından emin olmak için issue'yu gözden geçirir.

4. Planlama ve onay

   Claude'un çalışmaya devam etmesi için /issue-plan kullanılır. Claude, tam derinlemesine inceleme iş akışını otomatik olarak çalıştırır ve sonuçları issue'ya gönderir. Bunlar şunları içerir:

   1. /deep-research'den elde edilen bulgular
   2. /deep-innovate'den karşılaştırmalar
   3. /deep-plan'den somut bir uygulama planı

5. Uygulama

   Onaydan sonra, /issue-action Claude'un planı uygulamasına, testler yazmasına, bir PR açmasına ve CI'ın geçmesini sağlamasına olanak tanır.

6. İnceleme ve birleştirme

   Yapılandırılmış bir inceleme için /pr-review kullanılır, ardından birleştirmeden önce son insan incelemesi yapılır.

   İnsan üç kontrol noktasında müdahale eder: gereksinimler, yön ve kabul. Diğer her şey otonom olarak yürütülür.

Zihniyet değişimi: Bir yapay zeka geliştirici ekibine liderlik ediyorsunuz

Daha fazla Claude oturumu eklemenin işleri kötüleştirdiğini fark ettiğim anda yapılandırılmış bir iş akışına ihtiyacımız olduğunu anladım. Paralel olarak daha fazla örnek çalıştırdıkça, her birinin ne yaptığını, işin hangi aşamada olduğunu ve nelerin kararlaştırıldığını takip etmek zorlaştı.

Harici araçlar olmadan, bu kadar çok Claude örneğini aynı anda yönetmem mümkün değildi. O zaman anladım: Bu bir yapay zeka sorunu değil, bir yönetim sorunuymuş.

GitHub zaten yazılım geliştirmede iş birliği için doğal bir araç. Yeni bir şey icat etmek yerine, Claude'u bir insan ekip arkadaşı gibi ele almaya başladım. Bunu yaptığımda, yönetim kapasitem bir anda ölçeklendi.

On yıllık proje ve ekip yönetimi deneyimim bu yeni bağlamda anlam kazandı. Claude'u bir ekip üyesi, GitHub'ı ise ortak iletişim ve yönetim alanımız olarak ele alarak tüm sistem tekrar yönetilebilir hale geldi.

İyi bir ekip lideri ne zaman müdahale edeceğini, ne zaman geri çekileceğini bilir:

Kontrol Noktası	Benim yaptığım	Yapay zekanın yaptığı
Gereksinimler	Sorunu netleştir, kapsamı belirle	Kod tabanını araştır, bağlam topla
Yön	Bulguları incele, yaklaşımı onayla	2-3 yaklaşım öner, avantaj-dezavantajları değerlendir
Kabul	PR'ı incele, kaliteyi doğrula	Uygula, test et, CI'ı düzelt

Bu, etkili yazılım ekiplerinin nasıl çalıştığını yansıtır. Geliştiriciyi mikroyönetmem, net gereksinimler belirler, ana kararları gözden geçirir ve nihai çıktıyı doğrularım. Aynı ilke yapay zeka ajanlarını yönetirken de geçerlidir.

Derinlemesine inceleme akışı yapılandırılmış, yavaş düşünmeyi zorunlu kılar

Derinlemesine inceleme iş akışı, uygulamadan önce bilinçli düşünmeyi zorunlu kılar. Bazen Claude çıkmaza girer. Böyle durumlarda Claude'u durdurup düşünmeye zorluyor, ardından birlikte tartışıyoruz. Üç aşaması vardır:

Aşama	Komut	Amaç	Çıktı
Araştırma	/deep-research	Bilgi topla, bağlamı anla	research.md
Yenilik	/deep-innovation	Birden fazla yaklaşımı keşfet	innovate.md
Plan	/deep-plan	Somut adımları tanımla	plan.md

Her aşamanın kesin sınırları vardır.

• Araştırma: öneri yok
• Yenilik: detay yok
• Plan: uygulama yok

Bu kısıtlamalar, Claude'u doğrudan koda atlamak yerine yavaş ve bilinçli muhakemeye zorlar. Bunlar olmadan, uç durumlar ve mimari endişeler genellikle gözden kaçar!

Kullanım örneği

/deep-research investigate the authentication flow, I'm seeing token expiration issues

[Claude researches, analyzes 12 related files, finds 3 similar patterns]

/deep-innovate what are our options for fixing this?

[Claude presents 3 approaches with trade-offs, you pick one]

/issue-create let's track this fix

Basit görevlerde, derinlemesine incelemeyi atlayıp doğrudan /issue-create'e geçebilirsiniz.

Teknik belirsizlik içeren karmaşık görevlerde, derinlemesine inceleme aşamaları siz ve Claude'un uygulamadan önce uyumlu olmasını sağlar.

GitHub'ı ortak hafıza olarak kullanın

Çoğu yapay zeka aracı, bağlamı geçici olarak ele alır. Oturum bittiğinde hafıza kaybolur.

VM0, GitHub'ı kalıcı hafıza olarak kullanır:

GitHub özelliği	Ne saklar
Issue gövdesi	Gereksinimler ve kararlar
Issue yorumları	Araştırma, seçenekler, planlar
PR yorumları	İncelemeler ve özetler
Etiketler	İş akışı durumu

Bu aynı zamanda bir insan sorununu da çözer: bağlamı geri kazanma.

8+ Claude örneğini yönetirken, işin tamamlandığına dair bildirimler alıyorum. Ancak Claude'un sohbetinden ne yaptığını, hangi kararların alındığını veya mevcut durumu çıkaramıyorum.

GitHub issue'ları bunu çözer. Her issue şunları gösterir:

• Orijinal gereksinimler
• Araştırma bulguları (neler keşfedildi)
• Yenilik aşaması (hangi seçenekler değerlendirildi)
• Onaylanan plan (ne uygulanacak)

Bu yapılandırılmış format, incelemeyi verimli kılar. Böylece aşamaları hızla tarayabilir, yaklaşımı anlayabilir ve onaylayabilir veya değişiklik isteyebilirim; üstelik orijinal sohbeti hatırlamama gerek kalmaz.

İş bittiğinde, bir sohbet penceresinde ne olduğunu hatırlamama gerek yok. Issue'yu açıp tüm hikayeyi yapılandırılmış ve yazılı şekilde görebilirim.

Ajanlar arasında devir teslim

Tüm bağlam GitHub'da yaşadığından, iş ajanlar arasında sorunsuzca devredilebilir:

• Bir ajan bir issue veya PR oluşturur
• Bir diğeri daha sonra /deep-research issue 123, /issue-plan 123 veya /deep-research PR 124 kullanarak devam eder

Uzun tartışmalarda, /issue-compact her şeyi temiz bir issue gövdesinde birleştirir. Bu, hem insanlar hem de yapay zeka için devir teslimi kolaylaştırır.

İş akışı kalıplarını özetleyelim

Tüm bunlardan sonra, birkaç pratik ipucunu özetleyeyim.

Basit görevler

/issue-create → /issue-plan → /issue-action → /pr-check-and-merge

Gereksinimler net ve iş doğrudan ise bunu kullanın.

Karmaşık görevler

/deep-research → discussion → /deep-innovate → discussion →
/issue-create → /issue-plan → /issue-action →
/pr-review → /pr-check

Bu, yanlış yaklaşımla boşa emek harcanmasını önler.

Paralel çalışma

Birden fazla ajan aynı anda çalışabilirken, insan tamamlanan kontrol noktalarını gözden geçirir. İş akışının en iyi ölçeklendiği yer burasıdır.

Agent 1: /issue-plan #123
Agent 2: /issue-plan #124
Agent 3: /pr-review #100
Agent 4: /deep-research new feature requirements

Komut referansı

Derinlemesine inceleme komutları

Komut	Amaç
/deep-research	Bilgi topla, kod tabanını anla. Öneriye izin yok.
/deep-innovate	2-3 yaklaşımı keşfet, avantaj-dezavantajları değerlendir. Koda izin yok.
/deep-plan	Somut uygulama adımları oluştur. Uygulamaya izin yok.

Issue komutları

Komut	Amaç
/issue-create	Sohbet bağlamından issue oluştur
/issue-bug	Yeniden üretim adımlarıyla hata bildirimi oluştur
/issue-feature	Gereksinim odaklı özellik isteği oluştur
/issue-plan	Tam derinlemesine inceleme iş akışını çalıştır, sonucu issue'ya gönder
/issue-action	İnsan onayından sonra uygulamaya devam et
/issue-compact	Devir teslim için issue gövdesi + yorumları birleştir

PR komutları

Komut	Amaç
/pr-check	CI hattını izle, otomatik düzelt, 3 kez tekrar dene
/pr-review	PR'ı proje standartlarına göre adım adım incele
/pr-comment	Sohbet tartışmasını PR yorumuna özetle

Başlarken

1. Basit başlayın: İlk göreviniz için /issue-create → /issue-plan → /issue-action kullanın
2. Karmaşık görevler için derinlemesine inceleme ekleyin: Gereksinimler belirsiz veya teknik olarak karmaşıksa, /deep-research ile başlayın
3. Kademeli ölçekleyin: İnceleme ritmine alıştıkça daha fazla Claude örneği ekleyin
4. Sürece güvenin: Kontrol noktaları arasında Claude'un otonom çalışmasına izin verin

İş akışı, aşamalı olarak benimsenmek üzere tasarlanmıştır. Tüm 14 komutu ilk günden kullanmanız gerekmez. Temel issue akışıyla başlayın, ardından güven kazandıkça derinlemesine inceleme aşamaları ve paralel çalışmayı ekleyin.

Ölçeklendirme dikkate alınacaklar: Daha fazla ajana sahip olduğunuzda ne yapmalı

İş akışı, 10+ eşzamanlı Claude örneğiyle test edilmiştir. Önerimiz:

• 10 ajana kadar: Her biriyle derin iş birliği için uygundur
• 10 üzeri: Tavsiye edilmez

Sınırlayıcı faktör iş akışı değil, insan dikkati ve karar kalitesidir. 10'dan fazla ajanı yönetirken, inceleme kontrol noktalarında darboğaz olma riskiyle karşı karşıya kalırsınız ve karar kalitesi düşmeye başlar.

Klasik "iki pizza ekibi" ilkesi burada da geçerlidir. İnsan ekip büyüklüğünü sınırlayan aynı kısıtlar, bir kişinin etkin şekilde yönetebileceği yapay zeka ajanı sayısını da sınırlar.

Şu anda 8×8 iki katmanlı ekip yapısını 10 ajanın ötesinde ölçeklendirmek için araştırıyorum, ancak henüz etkili uygulamalar geliştirmedim. Somut sonuçlar olduğunda daha fazlasını paylaşacağım…

VM0 geliştirme iş akışı, yapay zekanın ekibin bir parçası olduğu yazılım geliştirmeye bakış açımızı değiştiriyor.

Yapay zeka ajanlarını birer ekip üyesi olarak ele aldığınızda her şey yerine oturuyor. GitHub ekibinizin ortak hafızası oluyor. Issue'lar iş kalemlerine, PR'lar teslimatlara dönüşüyor. Siz ise ekip lideri olarak mimari, yön ve kaliteye odaklanırken, yapay zeka ekibiniz uygulamayı üstleniyor.

Biz böylece 404 sürümü 2 ayda yayınladık. Ve siz de kendi geliştirme sürecinizi yapay zeka ile bu şekilde ölçeklendirebilirsiniz.