Orjinal Makale Başlığı: AI Ajanlarında Ne Öğrenmeli, Ne İnşa Etmeli ve Ne Atlanmalı (2026)
Orjinal Yazar: Rohit
Çeviri: Peggy, BlockBeats

Düzelti: AI Ajanı alanı, araç patlaması ve yetersiz fikir birliği aşamasına girmektedir.

Her hafta yeni bir çerçeve, yeni bir model, yeni bir ölçüt ve yeni bir "10 kat daha verimli" ürünü ortaya çıkmaktadır, ancak gerçekten önemli olan sorun artık "tüm değişikliklere nasıl ayak uydurulur" değil, aksine "hangi değişikliklere gerçekten yatırım yapılmalıdır" haline gelmiştir.

Yazar, teknik yığının sürekli olarak yeniden yazıldığı bu zamanda, gerçekten uzun vadeli bileşik faiz kazandıranın en yeni çerçeveyi takip etmek değil, daha alt seviyedeki yetenekler olduğunu düşünmektedir: bağlam mühendisliği, araç tasarımı, değerlendirme sistemi, orkestratör-yardımcı ajan modeli, kum havuzu ve koşum düşüncesi. Bu yetenekler, model değişimleri ile hızla eskimeyecek, aksine güvenilir bir AI Ajanı inşa etmenin temeli haline gelecektir.

Makale daha da ileri giderek, AI Ajanının "kıdem" anlamını da değiştirdiğini belirtmektedir. Geçmişte, eğitim düzeyi, pozisyon ve tecrübe sektöre giriş için birer geçiş belgeleriydi; ancak artık koca şirketlerin bile hala açıkça hata yapmayı denediği bir alanda, özgeçmiş artık tek geçerli belge olmamaktadır. Ne yaptığınız, ne sunduğunuz daha da önemli hale gelmektedir.

Bu nedenle, bu makale sadece 2026'da AI Ajanlarının ne öğrenmesi gerektiği, ne inşa etmesi gerektiği, ne atlaması gerektiği üzerine bir tartışma değildir, aynı zamanda: Gürültünün her zamankinden daha fazla olduğu bir dönemde, en kıt yetenek, hangi öğrenmenin değerli olduğunu değerlendirmek ve sürekli olarak gerçekten faydalı şeyler yapmaktır.

Aşağıda orijinal metin yer almaktadır:

Her gün yeni bir çerçeve, yeni bir ölçüt, yeni bir "10 kat daha verimli" ürün beliriyor. Artık soru "Nasıl ayak uydurmalıyım?" değil, şunlar aslında gerçek sinyal, şunlar sadece aceleyle giyilen gürültü ceketidir.

Her harita, yayınlandıktan bir ay sonra eskimiş olabilir. Geçen çeyrek sadece öğrendiğiniz çerçeve artık eski hale geldi. Optimizasyon yapmış olduğunuz ölçüt hemen ardından delindi ve hızla yenisi ile değiştirildi. Geçmişte, belirli bir geleneksel yolda ilerlemeye eğitildik: bir teknik yığın, belirli konu ve seviyelere karşılık gelir; bir dizi iş deneyimi, süre ve unvan karşılık gelir; yavaş yavaş yukarı doğru ilerlemek. Ancak AI bu tuvali değiştirdi. Bugün, yalnızca işaret kelimeleri doğru kullanıldığında, estetik değerlendirme yeterince iyi olduğunda, bir kişi geçmişte iki yıllık deneyime sahip bir mühendisin bir sprint harcaması gereken bir işi teslim edebilir.

Profesyonel yeterlilik hala önemli. Sistemin çöktüğünü gözlerinizle gördüğünüz, sabaha karşı saat iki sıralarında bellek sızıntısını düzelttiğiniz hiçbir şeyin yerini alamaz. Ayrıca, sıkıcı ama doğru bir çözümü seçerek diğerlerini aştığınız ve sonunda doğru olduğunu kanıtlandığını gördüğünüz hiçbir şeyin yerini alamaz. Bu tür bir takdir yeteneği katlanarak artar. Ancak artık, "bu haftanın popüler çerçeve API yüzeyine" ne kadar hakim olduğunuz gibi, geçmişte olduğu gibi artık katlamalı olarak artmıyor. Altı ay sonra, o bile değişmiş olabilir. İki yıl sonra gerçekten öne geçenler, sağlam temel yetenekleri erken seçen ve diğer gürültülerin yanından geçenlerdir.

Son iki yılda bu alanda ürünler geliştirdim, yıllık 250.000 doların üzerinde teklifler aldım ve şu anda bir teknoloji şirketinde gizli bir şekilde çalışıyorum. Eğer biri bana sorsa: "Şu anda gerçekten dikkat etmem gereken nedir?" işte ona göndereceğim içerik budur.

Bu bir yol haritası değil. Agent alanının henüz net bir varış noktası yok. Büyük şirketlerin laboratuvarları da açık bir şekilde iterasyon yapıyor, geri dönüş sorununu doğrudan milyonlarca kullanıcıya yüklüyor, ardından bir geri bildirim oturumu yazıyor ve canlı hata düzeltmesi yapıyor. Claude Code'un arkasındaki ekip, %47 performans düşüşüne neden olan bir sürümü yayınlarsa ve sorun kullanıcı topluluğu fark ettikten sonra fark edilirse, o zaman "stabil bir harita altında" varmış gibi görünen fikir hayali bir şeydir. Herkes hala keşfetmeye çalışıyor. Girişimcilerin fırsat bulmasının nedeni, dev şirketlerin de cevabı bilmiyor olmasıdır. Kod yazamayan insanlar, birlikte çalıştıkları agent'lerle birlikte, Cuma günleri, makine öğrenimi doktorunun imkansız bulduğu bir şeyi sunuyorlar.

Şu anda en ilginç olan şey, geçmişte sahip olduğumuz "deneyim" kavrayışını değiştirmesidir. Geleneksel yolculuk deneyimi optimize edilmiştir: derece, başlangıç pozisyonu, ileri pozisyon, kıdemli pozisyon ve yavaşça biriktirilen unvanlar. Bu, temel alanında köklü değişiklik olmadığında mantıklıdır. Ancak şimdi, ayaklarımızın altındaki zemin aynı hızda hareket ediyor. Bir agent demo'su yayınlayan 22 yaşındaki bir genç ile 35 yaşındaki bir kıdemli mühendis arasındaki fark artık sadece on yıl teknik deneyim birikimi değil. Bu 22 yaşındaki kişi ve kıdemli mühendis karşı karşıya oldukları aynı boş tuvalle karşı karşıyalar. Onlar için gerçekten artı değer yaratacak şey, sürekli teslim etme isteği ve bir çeyrek boyunca eskimeyecek temel yeteneklerin o küçük kısmıdır.

İşte bu makalenin çekirdek bir yeniden yapılanmasıdır. Şimdi, bir değerlendirme sağlayacağım: Hangi temel yeteneklere odaklanmaya değer ve hangi yayınlar doğrudan onu geride bırakabilir. Size uygun olanı alın, olmayanı bırakın.

Gerçekten Etkili Bir Filtre

Her haftanın yeni yayınlarını takip edemezsiniz ve bu şekilde yapmamalısınız. İhtiyacınız olan şey bir bilgi akışı değil, bir filtre.

Son 18 ay boyunca, beş testin sürekli geçerli olduğu ortaya çıktı. Teknoloji yığınına yeni bir şey almadan önce, bu beş soruyu sormak her zaman iyidir.

Sonra, o iki sene hâlâ önemli mi?
Eğer sadece bir kenar modeline giydirilmiş bir kabuk, bir CLI parametresi veya "Bir Şey'in Devin sürümü" ise, genellikle cevap hayır olacaktır. Eğer bir protokol, bellek modeli, kum havuzu yöntemi gibi bir temel taş ise, cevap daha olumlu olabilir. Kabuk ürünlerinin yarılanma ömrü çok kısadır, temel taşların yarılanma ömrü yıllara göre hesaplanabilir.

Saygı duyduğunuz ve gerçek bir ürün geliştirmek için ona dayanan biri var mı, ve dürüstçe deneyimini yazdı mı?
Pazarlama makaleleri sayılmaz, sorgulama makaleleri sayılır. "Üretim ortamında X'ı denedik, işte burada sorun yaşadık" başlıklı bir blog yazısı, on bildiriden daha değerlidir. Bu alandaki gerçekten değerli sinyaller, daima bunun için bir hafta sonu harcayanlardan gelir.

Onu benimsemeniz, mevcut izleme, yeniden deneme mekanizması, yapılandırma, kimlik doğrulama sisteminizi atmanız anlamına mı geliyor?
Eğer öyleyse, o zaman kendisini bir platform haline getirmeye çalışan bir çatıdır. Platform olmaya çalışan çatıların vefat oranı yaklaşık %90'dır. İyi bir temel taş, mevcut sistemlerinize entegre edilebilmelidir, sizi zorla göç etmemelidir.

Altı ay boyunca onu atlarsanız, maliyeti nedir?
Çoğu zaman, çoğu sürüm için cevap hiçbir şeydir. Altı ay sonra daha fazlasını bileceksiniz ve galip gelen sürüm de daha net olacaktır. Bu test, sizi sıkıntısızca %90'lık yayını atlamaya yönlendirebilir. Ancak, hemen hemen kimse bu testi kullanmaktan hoşlanmaz çünkü bir şeyi atlamanın kendilerini geride hissettirdiğini düşünür. Aslında öyle değil.

Gerçekten de ajanınızı daha iyi hale getirip getirmediğini ölçebiliyor musunuz?
Ölçemiyorsanız, o zaman sadece tahmin yürütüyorsunuz demektir. Değerlendirme olmadan çalışan takımlar, sonunda regresyon sorunlarını canlıya taşırlar. Değerlendirme olan takımlar ise verilerin kendilerine, bu haftadaki belirli bir iş yükünde, GPT-5.5'in mi yoksa Opus 4.7'nin mi daha iyi olduğunu söylemesine izin verirler.

Eğer bu makaleden almanız gereken tek bir alışkanlık varsa, o da: Her yeni şey piyasaya sürüldüğünde, altı ay sonra ne görmek istediğinizi yazın ve ona gerçekten önem vermeniz için neyin gerekli olduğuna karar verin. Sonra altı ay sonra geri gelip kontrol edin. Çoğu zaman, sorun zaten cevabı vermiştir ve dikkatiniz gerçekten büyüyen şeylere odaklanır.

Testlerin ardındaki gerçek yetenek, adlandırmak için en zorlu olan testten daha fazladır. Bu, "modaya uymama"ya istekli olma yeteneğidir. Bu hafta Hacker News'te patlayan bir çatının, on dört gün içinde bir mehter takımına sahip olacağı duyulur ve onlar da oldukça zeki görünürler. Ancak, altı ay sonra, bu çatıların yarısı artık bakımsızdır ve o mehter takımları uzun süre önce bir sonraki odak noktasına geçmiştir. Herhangi birinden uzak duran kişiler, dikkatlerini pişman olmadan sürdürebilirler ve hala "sıkıcı olma" testine dayanabilen şeye saklayabilirler. Ölçülü olmak, gözlemlemek ve "altı ay sonra zaten anlayacağım" demek, bu alandaki gerçek mesleki yetenektir. Herkes yayını okur ama neredeyse hiç kimse onlara tepki vermez.

Ne Öğrenilmeli

Kavram, model, şeyin şekli. Gerçekten en iyi geri dönüşü sağlayan şey bunlardır. Bunlar model değişimi, çerçeve değişimi ve paradigma transferini aşabilir. Onları derinlemesine anlarsanız, herhangi bir yeni araca bir hafta sonunda hâkim olabilirsiniz. Onları atlarsanız, yüzeydeki mekanizmaları sürekli olarak yeniden öğrenmek zorunda kalırsınız.

Bağlam Mühendisliği

Geçen iki yılda en önemli yeniden adlandırma, "Prompt Mühendisliği"nin "Bağlam Mühendisliği" haline gelmesiydi. Bu değişiklik gerçekti, sadece bir değişiklik değildi.

Model artık üzerine zeki bir talimat verdiğiniz bir şey değil. Model, artık her adımda işlevsel bir bağlamı ona monte etmeniz gereken bir şey haline geldi. Bu bağlam, sistem komutlarını, araç şemalarını, alınan belgeleri, önceki araç çıktılarını, scratchpad durumunu ve sıkıştırılmış geçmişi içerir. Ajanın davranışı, bağlam penceresine eklediğiniz tüm içeriğin ortak olarak ortaya çıkmasının bir sonucudur.

Bunu içselleştirmeniz gerekiyor: Bağlam, durumdur. Her gereksiz belirteç, çıkarım kalitesini tüketir. Bağlam çürürse, bu gerçek bir üretim hatasıdır. On adımlık bir görevin sekizinci adımında, başlangıçtaki hedefin belki de araç çıktısı tarafından gömüldüğü olabilir. Güvenilir bir ajan sağlayabilen ekip, genellikle bağlamı özetler, sıkıştırır, keser. Araç tanımlamasına sürüm kontrolü yapar, statik kısmı önbelleğe alır ve değişen kısmı önbelleğe almaz. Bağlam penceresine bakışları, deneyimli bir mühendisin belleğe bakış şekline benzer.

Belirli bir yöntem, bir üretim ortamındaki herhangi bir ajanı alıp tam izleme günlüğünü açmaktır. İlk adımdaki bağlama bakın, sonra yedinci adımdaki bağlama bakın. Hâlâ işlev gören kaç belirteç olduğunu sayın. Bu işlemi ilk yaptığınızda, muhtemelen utanmış hissedeceksiniz. Sonra gidip onu düzelteceksiniz ve aynı ajan, modeli değiştirmeden, talimatı değiştirmeden açıkça daha güvenilir hale gelecektir.

Eğer ilgili bir makale okuyacaksanız, Anthropic'in "Yapay Zeka Ajanları için Etkili Bağlam Mühendisliği" makalesini okuyun. Sonra çoklu ajanlı araştırma sistemleri hakkındaki geribildirimlerini okuyun; o makale, sistemin ölçeklendikçe bağlam isolasyonunun ne kadar önemli olduğunu rakamlarla gösteriyor.

Araç Tasarımı

Araçlar, ajanın işletmenizle etkileşime geçtiği yerlerdir. Model, araç adı ve açıklamasına göre aracı seçer, hata mesajına göre nasıl yeniden deneyeceğine karar verir. Araç sözleşmesi, LLM'nin ifade etme yeteneğine ne kadar uygunsa, modelin başarılı olup olmayacağını belirler.

Beş ila on iyi adlandırılmış araç, yirmi vasat aracın önünde gelir. Araç adları, doğal İngilizce'deki fiil öbeği gibi olmalıdır. Açıklama, ne zaman kullanılması gerektiğini, ne zaman kullanılmaması gerektiğini açıkça belirtmelidir. Hata iletişimi, modelin hareketini bu geribildirim üzerinden alabileceği şekilde olmalıdır. "500 token sınırını aştınız, lütfen önce özetleyin ve tekrar deneyin" cümlesi, "Hata: 400 Kötü İstek"ten çok daha iyidir. Bir açık araştırmada, bir ekip sadece hata iletilerini yeniden yazarak tekrar deneme döngüsünü %40 azaltmayı başardı.

Anthropic'in "Yapay Zeka için Araçlar Yazma" kitabı iyi bir başlangıçtır. Kitabı bitirdikten sonra, kendi araçlarınızı gözlemleyin ve gerçek çağrı modellerini inceleyin. Ajans güvenilirliğinin en büyük artışı genellikle araç tarafında gerçekleşir. Birçok insan sürekli olarak ipucu üzerinde çalışırken, gerçek kaldıraç noktasını göz ardı eder.

Orkestratör-Alt Ajans Modeli

2024 ve 2025 yıllarındaki çoklu ajans tartışması sonunda bugün hepimizin benimsediği bir bütünleşik çözüme dönüştü. Saf çoklu ajans sistemleri, yani birden fazla ajansın ortak duruma yazma yaptığı sistemler, felaketle sonuçlanır çünkü hatalar sürekli olarak birikir. Tek bir ajan döngüsünün ne kadar genişleyebileceği genellikle tahmin ettiğinizden daha fazladır. Prodüksiyon ortamında çalışabilen gerçek çoklu ajans şekli yalnızca şuna benzer: bir orkestratör ajan, kapsamlı olmayan, yalnızca okunabilir görevleri izole alt ajansa devreder ve ardından sonuçlarını bütünleştirir.

Anthropic'in araştırma sistemi böyle çalışır. Claude Code'un alt ajansları da böyle çalışır. Spring AI ve çoğu prodüksiyon çerçevesi şimdi bu modeli standart hale getiriyor. Alt ajanslar küçük ve odaklı bir bağlama sahiptir, paylaşılan durumu değiştiremezler. Yazma işlemi orkestratör tarafından yönetilir.

Cognition'ın "Çoklu Ajanslar Oluşturma" ve Anthropic'in "Nasıl çoklu ajan araştırma sistemimizi inşa ettik" makaleleri zıt görünebilir, ancak aslında aynı şeyi farklı kelimelerle anlatmaktadır. Her iki makale de okumaya değerdir.

Varsayılan olarak tek bir ajansı kullanın. Tek bir ajanın gerçekten bir sınıra ulaştığı zaman, orkestratör-alt ajans düşünülmelidir: örneğin, bağlam penceresi baskısı, gecikmeli sıralı araç çağrısı veya görev heterojenliği gerçekten odaklı bağlamdan fayda sağlayabiliyorsa. Acı noktayı hissetmeden bu kompleksi oluşturmak, ihtiyacınız olmayan karmaşıklığı beraberinde getirir.

Evals ve Altın Veri Kümesi

Her güvenilir ajantı teslim edebilen ekip bir eval'a sahiptir. Eval'a sahip olmayan ekipler genellikle güvenilir bir ajantı da teslim edemezler. Bu alandaki en kaldıraçlı alışkanlıktır ve benim her şirkette gördüğüm en küçümsenen şeydir.

Etkili uygulama şudur: Üretim ortamı izlerini toplayın, başarısız vakaları etiketleyin ve onları bir regresyon kümesi olarak kullanın. Her yeni başarısızlık hayata geçirildiğinde, onu buna dahil edin. Öznel kısım LLM olarak hakem kullanırken, diğer kısımlar kesin eşleşme veya programatik kontrol kullanır. Herhangi bir ipucu, model veya araç değişikliğinden önce test paketini çalıştırın. Spotify Mühendislik Blogu, hakem katmanlarının çıktı başına yaklaşık olarak %25'ini engellediğini bildirmiştir. Onun olmaması durumunda, her dört kötü sonuçtan biri kullanıcıya ulaşacaktır.

Bu konuyu gerçekten pekiştiren zihinsel model şudur: eval diğer her şey sürekli değişirken, ajantın sorumluluktan sapmadığından emin olmak için kullanılan bir birim testtir. Modeller yeni sürümlerini yayınlarken, çerçeveler yıkıcı değişiklikler yapabilirken, tedarikçiler bir uç noktayı iptal edebilirken. Eval'iniz ajantın hala normal şekilde çalışıp çalışmadığını size söyleyebilen tek şeydir. Eval'iniz olmadan, iyimser hedefli bir doğruluk sistemine dayalı olarak yazılan bir sistem yazıyorsunuz demektir.

Braintrust, Langfuse evals, LangSmith gibi Eval çerçeveleri iyidir. Ancak bunlar engel teşkil etmez. Gerçek engel, öncelikle işaretlenmiş bir veri kümesine sahip olup olmadığınızdır. Her şeyi genişletmeden önce yapmaya ilk gün başlamalısınız. İlk 50 örnek, bir öğleden sonra alabileceğiniz şekilde el ile etiketlenebilir. Bahane yok.

Dosya Sistemini Bir Durum Olarak Kullanma ve Think-Act-Observe Döngüsü

Gerçek çok adımlı işi yapan herhangi bir ajant için dayanıklı mimari şudur: Düşün, Hareket Et, Gözlemle, Tekrarla. Dosya sistemi veya yapılandırılmış depolama, gerçek kaynaktır. Her eylem kaydedilir ve yeniden oynatılabilir. Claude Code, Cursor, Devin, Aider, OpenHands, goose hepsi bu noktaya yaklaşmaktadır ve bu tesadüfi değildir.

Model kendisi durumsuzdur. Çalıştırma çerçevesi durumlu olmalıdır. Dosya sistemi, her geliştiricinin zaten anladığı durumlu temel bir önlemdir. Bu çerçeveyi kabul ettikten sonra, tam sıra disiplini kendiliğinden gelişecektir: denet noktası, geri yükleme, alt-ajant doğrulaması, kum havuzu yürütme.

Buradaki daha derin bir ilham noktası şudur: Herhangi bir üretim ajanının hash gücü faturasına değecek bir şeyde, harness'ın yaptığı iş modelden daha fazladır. Model bir sonraki adımı seçer, harness onaylar, onu sandbox'ta çalıştırır, çıktıyı yakalar, geri bildirimde bulunmayı, ne zaman durması gerektiğine karar vermeyi, ne zaman checkpoint yapacağını, ne zaman alt ajan üreteceğini belirlemeyi ve ne zaman duracağını belirler. Modeli, aynı kalitede başka bir modelle değiştirin, iyi bir harness hala ürün teslim edebilir. Harness'ı daha kötü bir şeyle değiştirin, hatta dünyanın en iyi modeli bile yapan bir ajan unutkan bir ajan üretecektir.

Eğer inşa ettiğiniz şey tek seferlik bir araç çağrısından daha karmaşıksa, o zaman gerçekten zaman harcamanız gereken yer harness'tır. Model sadece bileşenlerden biridir.

MCP'yi Kavramsal Olarak Anlamak

MCP sunucusunu nasıl çağıracağınızı sadece öğrenmeyin. Onun modelini öğrenin. Ajanın yetenekleri, araçları ve kaynaklar arasında net bir ayrım yapar ve altta yatan genişletilebilir kimlik doğrulama ve iletişim şemasını sağlar. Bu anladıktan sonra, diğer "ajan entegrasyon çerçeveleri" MCP'nin hafifletilmiş versiyonu gibi görünecek ve onları tek tek değerlendirmekten tasarruf edeceksiniz.

Linux Vakfı MCP'yi şu anda barındırıyor. Tüm büyük model sağlayıcıları onu destekliyor. Onu "AI için USB-C"ye benzetmek, artık alaycılıktan daha gerçekçi hale geldi.

Sandbox, Temel Bir İlkeçektir

Her üretim kodlama ajanı bir sandbox'ta çalışır. Her bir tarayıcı ajanı dolaylı promt enjeksiyonu ile karşılaşmıştır. Her çok kiracılı ajan, belirli bir noktada izin aralığı hatasına neden olmuştur. Sandbox'ı bir altyapı ilkeçekti olarak görmelisiniz, müşteri talebinden önce eklediğiniz bir özellik değil.

Temel bilgi için şunları öğrenmelisiniz: İşlem yalıtımı, ağ çıkış kontrolü, anahtar kapsam yönetimi, ajan ile araçlar arasındaki kimlik doğrulama sınırı. Müşteri güvenlik incelemesinden sonra geçici olarak ekleyen takımlar genellikle işi kaçırırlar. İlk haftadan itibaren bunu içeren takımlar, kurumsal satın alma sürecinde kolayca geçerler.

Nasıl İnşa Edilmelidir

İşte Nisan 2026'ya kadar olan belirli seçenekler. Bu seçenekler değişecek ancak çok hızlı değişmeyecektir. Bu seviyede, "sıkıcı ama güvenilir" şeyleri seçmeye çalışın.

编排层

LangGraph, üretim ortamında varsayılan seçenektir. Agent çalıştıran büyük şirketlerin yaklaşık üçte biri bunu kullanmaktadır. Soyutlama şekli, durum tiplemesi, koşul kenarları, kalıcı iş akışı ve insanın döngüdeki kontroller noktaları gibi agent sistemini gerçek formunda yansıtmaktadır. Dezavantajı uzun uzun yazılmasıdır; avantajı ise, bir agent'ın gerçekten üretim ortamına girdiğinde, bu öğeleri kontrol etmeniz gerektiğidir ve bu uzunluk tam olarak bu kontrol gereksinimlerine karşılık gelmektedir.

Eğer başlıca olarak TypeScript kullanıyorsanız, Mastra aslında doğru seçimdir. Bu ekosistemdeki zihin modelinin en net çözümüdür.

Eğer takımınız Pydantic'i seviyorsa ve tür güvenliğini birinci sınıf vatandaş olarak görmek istiyorsa, Pydantic AI mantıklı bir yeşil alan seçimidir. 2025'in sonlarında v1.0 sürümünü yayınladı ve gerçekten ivme kazanıyor.

Eğer sağlayıcıya özgü bir çalışma ise, örneğin bilgisayar kullanımı, ses, gerçek zamanlı etkileşim, LangGraph düğümlerinde Claude Agent SDK veya OpenAI Agents SDK kullanabilirsiniz. Onları heterojen bir sistemdeki ana düzenleyici yapmaya çalışmayın. Her biri kendi uzmanlık alanlarına göre optimize edilmiştir.

Protokol Katmanı

MCP, başka bir şey yok.

Araçlarınızı MCP sunucusu haline getirin. Harici entegrasyonlar da aynı şekilde tüketilsin. Şu anda MCP kaydı artık kritik noktayı aştı: Kendi yapmanız gerekmeyen durumlarda, genellikle hazır bir sunucu bulabilirsiniz. 2026 yılında hala özel araç plumbing yazanlar neredeyse vergi veriyorlar denebilir.

Anı Katmanı

Bir bellek sistemi seçerken, popülerliğe değil, agent'ın özerklik derecesine göre seçim yapın.

Mem0, sohbet tabanlı kişiselleştirme için uygundur: Kullanıcı tercihleri, hafifletilmiş geçmiş. Zep, üretim düzeyindeki konuşma sistemleri için uygundur, özellikle sürekli gelişen durumlar, varlık takibi gerektiren senaryolar için. Letta, birkaç gün veya hafta boyunca tutarlılığın korunmasını gerektiren agent'lar için uygundur. Çoğu takım buna ihtiyaç duymayabilir; ancak gerçekten ihtiyaç duyan takımlar, ihtiyaç duydukları şeyin tam olarak bu olduğunu görecektir.

Yaygın bir hata şudur: Bellek sorunu henüz mevcut değilken, bellek çerçevesini hemen devreye almak. İlk olarak, bir bağlam penceresinin alabileceği içerikten, bir vektör veritabanı ekleyerek başlayın. Başarısızlık desenini çözmek istediğinizde ancak bir bellek sistemi ekleyin.

Gözlemlenebilirlik ve Değerlendirmeler

Langfuse, açık kaynaklı varsayılan seçenektir. Kendi kendine barındırılabilir, MIT lisansı altındadır, izleme, hızlı sürüm yönetimi ve temel olarak LLM olarak hakem değerlendirmelerini içerir. Eğer LangChain kullanıcısıysanız, LangSmith entegrasyonu daha sıkı olacaktır. Araştırma odaklı değerlendirme iş akışları için Braintrust önerilir, özellikle titiz karşılaştırma gerektiren senaryolarda. OpenLLMetry / Traceloop, çoklu dil teknoloji yığınları için tedarikçiye duyarlı olmayan OpenTelemetry enstrümantasyonu gerektiren durumlar için uygundur.

İzleme ve değerlendirmelere aynı anda sahip olmanız gerekmektedir. İzleme, "Ajan gerçekte ne yaptı?" sorusuna cevap verirken, değerlendirmeler, "Ajan dün'e kıyasla daha iyi mi, kötü mü?" sorusuna cevap verir. Bu iki unsura sahip olmadan canlı ortama geçmeyin. Bu unsurları ilk günden itibaren entegre etmek, ileride kör bir şekilde çalıştırmaktan çok daha düşük maliyetlidir.

Çalışma Zamanı ve Kum Havuzu

E2B, genel amaçlı kum havuzu kodu yürütme için uygundur. Browserbase, Stagehand ile birlikte, tarayıcı otomasyonu için uygundur. Anthropik Bilgisayar Kullanımı, gerçek işletim sistemi düzeyinde masaüstü kontrolü gerektiren senaryolar için uygundur. Modal, kısa süreli ani görevler için uygundur.

Asla kum havuzuna alınmayan kodu çalıştırmayın. Prompt enjeksiyonu ile kırılan bir ajan, doğrudan üretim ortamında çalıştırılırsa, patlama yarıçapı anlatmak istemeyeceğiniz bir hikayeye dönüşebilir.

Model

Benchmark takibi yorucu olabilir ve çoğu zaman çok fazla fayda sağlamaz. 2026 Nisan'ına kadar gerçekçi olarak bakıldığında:

·Claude Opus 4.7 ve Sonnet 4.6, güvenilir araç çağrıları, çok adımlı tutarlılık ve zarif başarısızlık iyileştirmesi için uygundur. Çoğu iş yükü için, Sonnet maliyet ve performans arasında tatlı noktadır.

·GPT-5.4 ve GPT-5.5, en güçlü CLI / terminal akıl yürütme yeteneği gerektiren senaryolar için veya zaten OpenAI altyapısında yaşıyorsanız uygundur.

·Gemini 2.5 ve 3, uzun bağlam odaklı veya çoklu modlu yoğun görevler için uygundur.

·Maliyet performanstan daha önemli olduğunda, özellikle sınır durumları net, tanımlanmış görevlerle uğraşırken DeepSeek-V3.2 veya Qwen 3.6'yı düşünebilirsiniz.

Modelinizi değiştirilebilir bir bileşen olarak düşünün. Eğer ajanınız yalnızca belirli bir modelde çalışabiliyorsa, bu bir kalem değil, kötü bir uyarıdır. Hangi modelin dağıtılacağına eval'ler ile karar verin. Her çeyrek başında yeniden değerlendirin, her hafta model değiştirmeyin.

Neleri Atlayabilirsiniz

Sürekli olarak aşağıdakileri öğrenmeye ve kullanmaya teşvik edileceksiniz. Aslında gerekli değiller. Onları atlamak çok düşük maliyetli ve çok zaman kazandırıcıdır.

AutoGen ve AG2, üretimde kullanmayın.
Microsoft'un bu çerçevesi artık topluluk tarafından sürdürülüyor, yayın hızı durdu, ve soyutlama şekli gerçekten üretim ekibinin ihtiyaç duyduğu formata uymuyor. Akademik keşiflerde bulunabilirsiniz, ancak ürününüzü ona bağlamayın.

CrewAI, yeni üretim binalarında kullanmayın.
Her yerde görünebilir çünkü demo yapmak için çok uygundur. Gerçek üretim sistemleri inşa eden mühendisler artık onu terk etti. Prototip yapmak istiyorsanız kullanabilirsiniz, ancak uzun süre bağlı kalmayın.

Microsoft Çekirdeksel Metin İşleme, eğer derinlemesine Microsoft kurumsal teknoloji yığınına kilitlemişseniz ve alıcı da buna önem veriyorsa kullanabilirsiniz.
Bu, ekosistemin gittiği yöntem değil.

DSPy, eğer özellikle büyük ölçekli optimize edilmiş prompt programlarda uzmanlaşmışsanız kullanabilirsiniz.
Onun bir felsefi değeri var, ancak hedef kitlesi çok dar. Bu genel amaçlı bir ajan çerçevesi değil, genel bir çerçeve olarak seçmeyin.

Bağımsız kod yazma ajanını mimari seçimi olarak düşünmeyin.
Kod olarak eylem ilginç bir araştırma alanıdır, ancak henüz üretim ortamının varsayılan modu değildir. Birçok araç zinciri ve güvenlik sorunuyla karşılaşacaksınız ve rakipleriniz belki de hiç karşılaşmayacaklar.

「Otonom ajan」 tarzı pazarlama.
AutoGPT ve BabyAGI'nın o ürün formu yolu artık kapandı. Endüstrinin nihai olarak kabul ettiği dürüst ifade, "ajan mühendisliği"dir: denetimli, sınırlı, değerlendiriliyor. 2026'da hala "dağıtımdan sonra hiçbir şey yapmanıza gerek kalmaz" diyen otonom ajan satıcıları, aslında 2023'te satılan şeyi satıyorlar.

Ajan uygulama mağazası ve pazarı.
2023'ten itibaren bu konuda söz verenler var, ancak bunlar asla gerçek işletme ilgisini elde edemedi. İşletmeler genel araç ajanları satın almayacak. Ya spesifik sonuçlarla bağlantılı dikey ajanlar satın alacaklar ya da kendi ajanlarını oluşturacaklar. İşinizi tasarlarken bir uygulama mağazası hayali etrafında dönmeyin.

Müşteri olarak, dikkatli bir şekilde yatayda "herhangi bir ajanı oluştur" kurumsal platformunu seçin.
Örneğin Google Agentspace, AWS Bedrock Agents, Microsoft Copilot Studio gibi bir katman. Bunlar ileride faydalı olabilir, ancak şu anda hala karmaşık, yavaş sürüm yayınlıyorlar ve genellikle "satın alma yerine inşa etme" hesabı hala dar bir ajan inşa etmeye veya dikey bir ajan satın almaya meyillidir. Salesforce Agentforce ve ServiceNow Now Assist istisnadır, çünkü zaten kullandığınız iş akışı sistemine gömülü durumdalar.

SWE-bench ve OSWorld sıralamalarına takılmayın.
Berkeley araştırmacıları 2025 yılında, neredeyse tüm açık benchmarkların sahteciliğin yapılmasına olanak tanıdığını tespit etti. Şu anda takımlar Terminal-Bench 2.0 ve kendi iç değerlendirmelerini daha gerçekçi sinyaller olarak görmektedir. Tek bir sayıya dayalı sıralama benchmarklarına karşı şüpheci olun.

Mantıksız paralel çoklu ajan mimarisi.
Beş ajan paylaşılan bellek etrafında sohbet ederken demo sırasında etkileyici görünebilir, ancak üretim ortamında çökecektir. Eğer orchestrator-subagent diyagramını net bir şekilde peçete üzerinde çizemiyorsanız ve okuma/yazma sınırlarını belirtemiyorsanız, canlıya almayın.

Yeni ajan ürünleri için kişi başı SaaS fiyatlandırması yapmayın.
Pazar sonuç odaklı ve kullanıma dayalı bir modele doğru ilerliyor. Kişi başı ücretlendirme sadece size daha az kazandırmakla kalmaz, aynı zamanda alıcıya "ürünün sonuç sağlayabileceğine bile inanmıyorsunuz" sinyalini verir.

Hacker News'te bu hafta gördüğünüz bir sonraki çerçeve.
Altı ay bekleyin. Eğer o zamana kadar hala önemliyse, bunu net bir şekilde anlayacaksınız. Eğer önemli değilse, bir göçten tasarruf etmiş olursunuz.

Nasıl İlerlemelisiniz

Eğer sadece "ajanı takip etmek" istemiyorsanız ve gerçekten ajanı benimsemek istiyorsanız, aşağıdaki sıralama etkilidir. Sıkıcı olabilir ama faydalıdır.

Önce zaten önemli olan bir sonucu seçin. Moonshot'u seçmeyin, başlangıçta yatay bir "ajan platformu" projesi yapmayın. İşinizin zaten endişelendiği ve ölçebileceğiniz bir şeyi seçin: müşteri hizmeti taleplerini azaltma, ilk hukuk incelemesi görüşünü hazırlama, gelen fırsatları elemek, aylık rapor oluşturma. Ajanın başarısı, bu sonucun ne kadar iyileştirdiğine bağlıdır. Bu, ilk günden itibaren değerlendirme hedefinizdir.

Bu adımın diğer adımlardan daha önemli olmasının nedeni, sonrasındaki tüm kararları kısıtlayacak olmasıdır. Belirli bir sonuca sahip olduğunuzda, "hangi çerçeveyi seçmeliyim" artık bir felsefi sorun olmaktan çıkar, en hızlı sonucu teslim edebileceğiniz çerçeveyi seçersiniz. "Hangi modeli seçmeliyim" de artık bir benchmark tartışması değil, bu belirli çalışmada etkili olduğunu eval'lerinizin kanıtladığı bir modeli seçersiniz. "Bellek, yanıtlayıcı ajanlar, özel araçlar gerekiyor mu" da bir düşünce deneyi değil, ancak yalnızca belirli bir başarısızlık modeli gerektiğinde bunları ekleriz.

Bu adımı atlayan ekipler genellikle kimse tarafından istenmeyen yatay bir platform oluştururlar. Bu adıma ciddi bir şekilde yaklaşan ekipler genellikle dar bir alanı kapsayan ancak bir çeyrekte geri dönüş yapan bir ajan teslim ederler. Ve bu gerçekten kullanıma hazır olan ajan, genellikle iki yıl makale okumaktan daha fazla şey öğretir.

Herhangi bir şeyi canlıya almadan önce izleme ve eval'ler ayarlayın. Langfuse veya LangSmith'i seçin ve buna bağlı kalın. Gerektiğinde küçük ölçekli altın veri seti el ile oluşturun. Başlamak için 50 etiketli örnek yeterlidir. Ölçemediğiniz bir şeyi geliştiremezsiniz. Sonradan bu sistemi düzeltemezsiniz ve maliyeti genellikle şu anda yapılanın 10 katıdır.

Tek bir ajan döngüsüyle başlayın. LangGraph veya Pydantic AI'ı seçin. Model olarak Claude Sonnet 4.6 veya GPT-5'i seçin. Ajanınıza üç ila yedi iyi tasarlanmış araç sağlayın. Durumu bir dosya sistemi veya veritabanı üzerinde saklamasına izin verin. Önce küçük bir kullanıcı grubuna sunun ve izlemeleri gözlemleyin.

Ajanınızı bir ürün olarak görün, bir proje olarak değil. Başaramayacağınız şekilde başarısız olacak ve bu başarısızlıklar sizin yol haritanız olacaktır. Gerçek üretim iziyle bir regresyon seti oluşturun. Her prompt değişikliğinde, model değişiminde veya araç değişikliğinde, deploy öncesinde eval'ler ile geçirin. Çoğu ekip bu adımdaki katkıyı hafife alır, ancak çoğu güvenilirlik de buradan gelir.

Genişleme iznini "kazanmış" olduğunuzda ancak karmaşıklığı artırın. Bağlam darboğaz haline geldiğinde alt ajanları tanıtarak karmaşıklığı artırın. Gereken içeriği tek bir pencere bağlamında barındıramadığınızda bellek çerçevesini tanıtın. Altta yatan API gerçekten var olmadığında, bilgisayar kullanımını veya tarayıcı kullanımını tanıtın. Bunları önceden tasarlamayın. Başarısızlık modelleri onları içeri çekecektir.

Sıkıcı altyapıları seçin. Araçlar için MCP'yi kullanın. Kum havuzu için E2B veya Browserbase'ı kullanın. Durum için Postgres veya zaten kullandığınız veri depolama sistemini kullanın. Kimlik doğrulama ve gözlemlenebilirlik konularında mümkünse mevcut sistemlere bağlı kalın. Garip altyapılar genellikle gerçek zafer getirmez, gerçek zafer disiplindir.

İkinci gününden itibaren birim ekonomi modeline odaklanın. Her eylemin maliyeti, önbellek isabet oranı, yeniden deneme döngüsü maliyeti, model çağrısı dağılımı her zaman göz önünde bulundurulmalıdır. Bir Agent PoC aşamasında ucuz görünebilir, ancak başlangıçta çıktıya göre maliyeti izlemediyseniz, ölçeklendirme 100 kat arttığında maliyet patlayabilir. Başlangıçta çalıştırılabilen 0.50 dolarlık bir PoC, orta ölçekli bir sistemde aylık 50.000 dolara dönüşebilir. Bu noktayı önceden görmeyen bir ekip, sevmedikleri bir CFO toplantısıyla karşılaşabilir.

Her çeyrekte modeli yeniden değerlendirin, her hafta değil. Bir çeyrek belirleyin. Çeyrek sonunda, mevcut önde gelen modeli eval süitinizi çalıştırarak bir kez daha çalıştırın. Veriler modelin değiştirilmesi gerektiğini gösteriyorsa, değiştirin. Bu şekilde, model ilerlemesinden faydalanabilirken, her yayının getirdiği karmaşadan kaçınmış olursunuz.

Trendi Nasıl Anlarım

Aşağıda, bir şeyin gerçek bir sinyal olabileceğini gösteren bazı belirgin işaretler bulunmaktadır: Saygın bir mühendislik ekibi, kaç kişinin benimsediğini iddia etmek yerine rakamlarla desteklenmiş bir otopsi yayınladı; bu, bir protokol, desen veya altyapı gibi temel bir öge olabilir, kabuk veya paketleme değil; mevcut sistemle etkileşimli olabilir, onun yerine geçen değil; sunumunda hangi başarısızlık modellerini çözdüğünü anlatıyorsa, ne hangi yetenekleri açığa çıkardığını anlatıyorsa; uzun zamandır var olan bir şey, biri "nerelerde işe yaramadığını" anlatan bir blog yazısı yazabilecek kadar uzun süredir.

Aşağıda, bir şeyin sadece gürültü olabileceğini gösteren bazı belirgin işaretler bulunmaktadır: Yayınlandıktan 30 gün sonra hala sadece demo videosu var, üretimde kullanılan örnek yok; kıyaslama temiz ve gerçek gibi görünmüyor; sunumda koşulsuz olarak "otonom","agent OS" veya "herhangi bir ajan oluştur" ifadelerini kullanılıyorsa; çerçeve belgeleri, var olan izleme, kimlik doğrulama ve yapılandırmayı atacağınızı varsayarsa; yıldız sayısı hızla artıyor, ancak katkılar, sürümler ve katkıda bulunanlar eşit hızda artmıyor; Twitter hızlı, ancak GitHub bu hıza yetişmiyor.

Haftalık yararlı bir alışkanlık şudur: Cuma günlerini bu alana ayırın. Üç şey okuyun: Anthropic Engineering Blog, Simon Willison'ın notları, Latent Space. Eğer o hafta bir otopsi varsa, bir veya iki tane daha okuyun. Diğerlerini atlayabilirsiniz. Gerçekten önemli olan şeyleri kaçırmazsınız.

Sonraki Takip Edilmesi Gereken Konular

Önümüzdeki iki çeyrekte dikkate değer konular, kazanacağından emin olmak için değil, ancak "bu gerçekten bir sinyal mi" sorusu henüz tam olarak çözülmediği için dikkate alınmalıdır.

Replit Agent 4'ün paralel çatallanma modeli.
Bu, "birden fazla ajanın paralel olarak çalışma"yı ciddi şekilde deneyen ancak paylaşılan durumdan kaçınmayan ilk girişimlerden biridir. Ölçeklendirildikten sonra ayakta durabilirse, bu varsayılan model olan orkestratör-alt ajan modeli değişebilir.

Outcome-based pricing'in olgunluğu.
Sierra ve Harvey'nin gelir eğilimi, bu modelin dar dikey alanda doğrulandığını gösterdi. Sorun şu ki, başka alanlara genişletilebilir mi, yoksa yalnızca dikey senaryolara mı uygundur.

Becerilerin bir yetenek kapsayıcı katmanı olarak kullanılması.
GitHub'daki AGENTS.md ve beceriler dizinlerinin artması, ajan yeteneklerini paketleme açısından yeni bir yolun ortaya çıktığını gösteriyor. Bu, yetenek katmanını MCP standardizasyonu gibi standart hale getirecek mi, bu açık bir sorudur.

Claude Code'un Nisan 2026'daki kalite geri çekilmesi ve kapsamlı değerlendirmesi.
Önde gelen bir ajan, %47 performans gerilemesine neden olan bir sürümü piyasaya sürdü ve bu durumu kullanıcılar fark etti, içerideki izleme tarafından sonradan fark edildi. Bu, önde gelen bir oyuncuda bile üretim düzeyindeki ajan değerlendirme pratiğinin hala çok olgun olmadığını gösteriyor. Eğer bu olay tüm endüstride daha iyi çevrimiçi değerlendirmeler yapılmasını teşvik ederse, bu düzeltme hareketi sağlıklı olacaktır.

Sesin varsayılan müşteri hizmetleri arayüzü haline gelmesi.
Sierra'nın ses kanalı, metin kanalını 2025'in sonunda geçmiş durumda. Bu model diğer dikey alanlarda devam ederse, gecikme, kesinti, gerçek zamanlı araç çağrısı vb. tasarım kısıtlamaları birinci derecede bir sorun haline gelecek ve birçok mevcut mimari yeniden tasarlanmak zorunda kalacak.

Açık kaynaklı model ajan yeteneklerinin uçurumu daraltmaya devam etmesi.
DeepSeek-V3.2 düşünme aracına yönlendirme desteğine sahipken, Qwen 3.6 ve daha geniş açık kaynaklı model ekosistemi de dikkate değerdir. Dar bir ajan görevi üzerinde maliyet etkinliği performans oranı değişiyor. Kapalı kaynaklı modellerin varsayılan olarak üstün olduğu durum sürekli olmayacaktır.

Bunların her biri, net bir soruna karşılık gelebilir: "Altı ay sonra, ne görmem gerekiyor ki, gerçekten önemli olduğuna inanayım?" Bu testtir. Duyuru değil, cevapları takip edin.

Anlaşılanın Aksine Bahis

Kullanmadığınız her bir çerçeve, gelecekteki bir göç yükümlülüğüdür. Kovalamadığınız her bir ölçüt, bir çeyreğinizi alır. Bu dönemde kazanan şirketler — Sierra, Harvey, Cursor — sırasıyla kendi alanlarında dar hedefler seçtiler, sıkıcı disiplin inşa ettiler ve ardından bu alanın gürültüsünü yanlarında geçirdiler.

Geleneksel yol şöyleydi: Bir teknoloji yığını seçin, onu öğrenmek için yıllar harcayın, sonra merdiveni tırmanmaya başlayın. Teknoloji yığını on yıl boyunca stabil olduğunda, bu yöntem etkili olurdu. Ancak şimdi, teknoloji yığını her çeyrek değişiyor. Gerçekten kazananlar artık "bir teknoloji yığınına hakim olma" becerisini optimize etmiyor, aksine tadım, temel dil ve teslimat hızını optimize ediyor. Onlar küçük şeyler inşa ederek, öğrenmeyi teslimat yoluyla gerçekleştiriyorlar. Diğer insanlar, yaptıkları şeylerden ötürü onları bir odaya çekiyor. Eser kendisi bir referanstır.

Bunu ciddiyetle düşünün çünkü bu makalenin gerçekten ifade etmek istediği şey budur. Çoğumuzun kabul ettiği iş modeli, niteliğin zaman içinde faiz kazanabileceği dünyanın yeterince istikrarlı olacağını varsayar. Okula gidersiniz, derece alırsınız, kariyer basamaklarını tırmanırsınız. Bir yere iki yıl, başka bir yere üç yıl kalırsınız ve özgeçmişiniz yavaş yavaş kapıları açabilecek bir şeye dönüşür. Tüm bu makinenin varsayımı, karşı yanda bulunan endüstrinin yeterince sabit olacağıdır.

Ancak agent alanında artık stabil bir "karşı" yok. Katılmak istediğiniz şirket belki de sadece altı aydır var. Kullandıkları çerçeve belki sadece on sekiz ay geçmişe sahiptir. Temel protokol belki sadece iki yıldır vardır. Bu alandaki en alıntılanan makalelerin yarısı, yazarı üç yıl önce hatta bu alanda bile değildi. Tırmanılacak merdiven yok çünkü bina katlarını değiştiriyor. Merdiven işe yaramadığında geriye kalan eski bir yöntemdir: Bir şeyler yapın, internete koyun, eserin sizi tanıtmasına izin verin. Bu, nitelik doğrulama sistemini atlayan bir anormal yolculuktur. Ancak sürekli değişen bir alanda, bu aynı zamanda faiz kazanabileceğiniz tek gerçek yoldur.

Bu, içeriden görülen çağın şekli. Hatta devler bile açıkça yeniden iter, sorunları düzeltir, geri bildirim alır, çevrimiçi olarak iyileştirir. Bu yılın en ilginç şeyleri teslim eden ekiplerin bazı üyeleri 18 ay önce bu alanda bile değildi. Kod yazmayan insanlar agent'larla işbirliği yaparak gerçek yazılımlar teslim ediyor. Doktorlar, doğru temel dil seçen ve hızlı başlayan inşaatçılar tarafından aşılabilir. Kapı zaten açık. Ancak çoğu insan hala başvuru formu arıyor.

Şimdi gerçekten öğrenmeniz gereken beceriler, "agent'lar" değil. Sürekli değişen bir katmanda, hangi çalışmaların faiz kazanacağını belirleme disiplinidir. Bağlam mühendisliği faiz kazanır. Araç tasarımı faiz kazanır. Orkestratör-alt agent modeli faiz kazanır. Değerlendirme disiplini faiz kazanır. Kısıtlama düşüncesi faiz kazanır. Bu salı API'si yayınlanan bir çerçeve faiz kazanmaz. Onları ayırt edebildiğinizde, her hafta yeni bir dalga yayın artık bir baskı gibi gelmeyecek, görmezden gelebileceğiniz gürültüye dönüşecek.

Her şeyi öğrenmek zorunda değilsiniz. Faiz kazanacak şeyleri öğrenmelisiniz ve faiz kazanmayacakları atlamalısınız. Bir sonuç seçin. İzlemeyi ve değerlendirmeleri önceden ayarlayın. LangGraph'u kullanın veya ekibinizdeki eşdeğeri araçları kullanın. MCP'yi kullanın. Çalışma zamanını kum havuzuna yerleştirin. Varsayılan olarak tek agent ile başlayın. Karmaşıklığı getiren bir başarısızlık modeli olduğunda yelpazeyi genişletin. Her çeyrekte modeli yeniden değerlendirin. Cuma günleri üç şey okuyun.

İşte oyun planı budur. Geriye kalan şey, zevk, teslimat hızı ve önemsiz şeylere takılmadan sabırdır.

Bir şeyler inşa etmeye gidin. Onları internete koyun. Bu çağ, bir şeyler yapan insanları ödüllendirir, sadece bir şeyi tanımlayan insanları değil. Şimdi, "gerçekten yapan insan" olmanın en iyi penceresidir.

[Orijinal Tweet Bağlantısı]

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia