TL;DR
· Haziran 2026'da, birden fazla AI kodlama uygulayıcısı neredeyse aynı anda Loop Engineering'i önerdi; Stripe, Minions ile haftada 1300'den fazla AI tarafından oluşturulan PR'yi birleştiriyor.
· Bu yöntem, insanların sırayla ipucu vermesine bağlı kalmak yerine, sistemin görevleri otomatik olarak keşfetmesini, devretmesini, doğrulamasını, durumu kaydetmesini ve bir sonraki tura geçmesini sağlar.
· Güvenilirlik hâlâ bağımsız değerlendiricilere, katı geçitlere ve insan incelemesine bağlıdır; doğrulama borcu ve anlayış düşüşü riski ters yönde artırabilir.
Geçtiğimiz günlerde, bir Anthropic mühendisi, "Akıllı Sistemler için Döngü Mühendisliği" başlıklı 11 sayfalık bir belge yayınladı ve Loop Engineering'i Prompt Engineering, Context Engineering ve Harness Engineering'in ardından AI kodlamasının bir sonraki aşamasına geçişte anahtar yöntem olarak konumlandırdı.
Bu belgenin dikkat çekmesinin nedeni, Haziran 2026'daki AI kodlama tartışmalarının dönüm noktasına tam olarak denk gelmesidir. Addy Osmani, Boris Cherny ve Peter Steinberger neredeyse aynı hafta AI kodlamasının yeni aşamasını Loop Engineering olarak adlandırırken, Stripe'ın Minions boru hattı benzer bir yaklaşımla haftada 1300'den fazla AI tarafından oluşturulan Pull Request'i birleştiriyor.
Bu rakamın önemli olmasının nedeni, AI'nın birkaç satır daha kod yazması değil, yazılım geliştirmenin odağının "insanın modele ne yazacağını söylemesi"nden, "insanın kendi kendine sıraya giren, görev alan, kod yazan, sonuçları kontrol eden, durumu kaydeden ve çalışmaya devam eden bir sistem tasarlaması"na kaymasıdır.
Geçtiğimiz yıl boyunca, AI kodlama araçlarıyla ilgili anlatılar çoğunlukla model yetenekleri etrafında dönüyordu: kod tamamlama daha doğru, bağlam penceresi daha uzun, ajanlar daha karmaşık görevleri tek seferde tamamlayabiliyor. Ancak Loop Engineering başka bir konuyu ele alıyor: kod üretimi giderek daha ucuz hale gelirken, mühendislerin asıl tasarlaması gereken şey sürdürülebilir bir döngü haline geliyor. Makine sürekli olarak aday çözümler üretebilir; insan ise hangi sonuçların güvenilir olduğuna, hangilerinin engellenmesi gerektiğine ve hangi uzun vadeli maliyetlerin gizlendiğine karar vermelidir.

Geçtiğimiz günlerde bir Anthropic mühendisi, "Ajan Sistemlerinde Döngü Mühendisliği" başlıklı 11 sayfalık bir doküman yayınladı. Bu dokümanda Döngü Mühendisliği, Prompt Mühendisliği, Bağlam Mühendisliği ve Donanım Mühendisliği'nden sonra, AI programlamanın bir sonraki aşamasına geçişte kilit bir yöntem olarak ele alınıyor. Bu yazı, işte bu dokümanı bir başlangıç noktası olarak alıp, Boris Cherny, Addy Osmani gibi isimlerin kamuya açık tartışmalarını ve Stripe Minions'ın haftada 1300'den fazla AI üretimi PR'ı birleştirme örneğini bir araya getirerek Döngü Mühendisliği'nin tam olarak ne olduğunu, neden birdenbire tüm internet tarafından tartışılmaya başlandığını ve aslında değiştirdiği şeyin kod yazmak değil, yazılım geliştirmedeki doğrulama, zamanlama ve karar verme süreçleri olduğunu açıklıyor.
Döngü Mühendisliği, Prompt Mühendisliği, Bağlam Mühendisliği ve Donanım Mühendisliği'nden sonra AI mühendislik yığınının dördüncü katmanı olarak konumlandırılıyor.
Prompt Mühendisliği "nasıl sorulacağı" sorusunu çözer; Bağlam Mühendisliği "modele ne gösterileceği" sorusunu çözer; Donanım Mühendisliği ise "tek bir model çalıştırmasının araçlara, testlere ve iş akışlarına nasıl entegre edileceği" sorusunu çözer. Döngü Mühendisliği bir adım daha ileri gider: Sistem yalnızca tek bir görevi yerine getirmekle kalmaz, aynı zamanda belirli bir zaman aralığında veya tetikleyici bir koşul altında yeniden başlayabilir ve bir önceki sonucu bir sonraki tura girdi olarak kullanır.
Tam bir döngü genellikle beş eylem içerir.
İlk adım, iş keşfidir; örneğin CI hatalarını taramak, açık Issue'ları, kod gönderimlerini veya bekleyen görevleri tespit etmek. İkinci adım, görev devridir; görevleri modelin işleyebileceği bir bağlam haline getirmek. Üçüncü adım, bağımsız doğrulamadır; modelin ürettiği kodun gerçekten çalışıp çalışmadığını, testleri geçip geçmediğini ve yan etkilere yol açıp açmadığını kontrol etmek. Dördüncü adım, sonuçların kalıcı hale getirilmesidir; durumu, kararları ve tamamlanmamış işleri bir dosyaya veya sisteme yazmak. Beşinci adım ise döngü zamanlamasıdır; bir sonraki turun uygun bir zamanda çalışmaya devam etmesini sağlamak.
Buradaki en kritik nokta "üretim" değil, "doğrulama"dır. Bir döngü sürekli olarak modelden kod yazmasını isteyip, ardından aynı modelin kendi sonuçlarını övmesine izin veriyorsa, kolayca bir "onay döngüsü" haline gelebilir: Her tur ilerleme kaydediyormuş gibi görünür, ancak aslında sadece hataları daha bütünsel bir şekilde paketler.
Osmani'nin kendi sabah triyaj döngüsü, kişisel bir örnektir: Sistem her gün otomatik olarak önceki günün başarısız CI testlerini, açık Issue'ları ve son commit'leri okur, bir durum dosyası oluşturur ve çözülemeyen maddeleri manuel gelen kutusuna atar. Bunun değeri, mühendisler adına tüm kararları vermek değil, mühendisler uyanmadan önce bir ön eleme yaparak dikkatlerini gerçekten yargı gerektiren kısma yönlendirmektir.
Stripe'ın Minions pipeline'ı, bu tartışmadaki en çarpıcı kurumsal vakadır: Haftada 1300'den fazla AI tarafından oluşturulan Pull Request birleştirilir ve kodun kendisi satır satır insan tarafından yazılmamıştır.
Ancak bu, Stripe'ın üretim sistemini büyük bir modele serbestçe hareket etmesi için teslim ettiği anlamına gelmez. Tam tersine, Minions'ın anahtarı son derece kontrollü bir süreçtir: Deterministik orkestratör önce bağlamı bir araya getirir, Jira, kod araması ve dahili araçlardan görev bilgilerini çıkarır; LLM kodu oluşturur; ardından hard-coded linter'lar, commit geçitleri ve nihai manuel inceleme ile birleştirilip birleştirilmeyeceğine karar verilir.
Başka bir deyişle, güvenilirlik "modelin aniden yeterince akıllı hale gelmesinden" değil, bir dizi kısıtlamadan gelir. Model aday değişiklikleri önerir, sistem neye dokunabileceğini ve hangi kontrollerden geçmesi gerektiğini sınırlar, insan ise ana dala girip girmeyeceğine son kararı verir.

Loop Engineering ile sıradan AI programlama script'leri arasındaki fark da budur. Sıradan script'ler genellikle "modelin görevi tamamlamasına" odaklanır; döngüsel sistemler ise görevin nereden geldiğini, başarısızlık durumunda ne yapılacağını, durumun nasıl korunacağını, bütçenin nasıl kontrol edileceğini ve hataların üretim ortamına girmesini kimin engelleyeceğini düşünmelidir.
Bu kısıtlamalar olmadan, haftada 1300 PR bir verimlilik sıçraması değil, aksine bir teknik borç makinesi olabilir.
Loop Engineering'in temel tasarımlarından biri, üretici ve değerlendiriciyi ayırmaktır.
Üretici, kod yazmak, dosyaları değiştirmek ve aday sonuçları göndermekten sorumludur. Değerlendirici, hataları bulmaktan sorumludur ve varsayılan olarak kodda sorun olduğunu düşünmelidir. İkisi aynı "iyimser ajan" tarafından yapılamaz, çünkü model kendi kendini değerlendirirken, özellikle görev tanımı belirsiz, test kapsamı yetersiz veya bağlam eksik olduğunda, kendi çıktısını onaylama eğilimindedir.
Bağımsız bir değerlendirici daha basit, daha şüpheci ve ayarlanması daha kolay olabilir. Yaratıcı bir şekilde sorun çözmesi gerekmez; sadece sayfanın açılıp açılmadığını, testlerin geçip geçmediğini, sınır koşullarının ihlal edilip edilmediğini ve kodun belirlenmiş kurallara uyup uymadığını doğrulaması yeterlidir. Bazı uygulamalar, değerlendiricinin kodu okuyup yargıda bulunmak yerine, tarayıcı otomasyon araçlarıyla sayfayı fiilen tıklamasını sağlar.
Bu, "doğrulama"nın neden beş adımlı döngünün en zor kısmı olduğunu açıklıyor. Kod üretimi giderek daha ucuz hale geliyor, ancak bir kod parçasının gerçekten doğru olduğunu kanıtlamak hâlâ pahalı. Özellikle büyük kod tabanlarında, hatalar hemen ortaya çıkmayabilir ve testler gerçek iş akışlarını kapsamayabilir. Döngü ne kadar hızlı çalışırsa, doğrulanmamış varsayımlar da o kadar hızlı birikir.
Loop Engineering'in riski, yanlış kod yazıp yazmayacağı değil, ekibin kendi anlayışını kaybettiğini fark etmesini zorlaştırmasıdır.
Birinci tür maliyet, doğrulama borcudur. Testlerle kapsanmayan hatalar, bir birleştirme veya yayınlama sırasında toplu halde patlak verene kadar döngüde birikir. İkinci tür, anlayışın azalmasıdır. Kod tabanı sürekli büyür, ancak mühendisler kritik tasarım kararlarını bizzat deneyimlemediği için zihinsel haritaları eski sürümde kalır. Üçüncü tür, bilişsel teslimiyettir. İnsanlar makine çıktısını varsayılan olarak kabul etmeye başlar ve yalnızca şeklen onay verir. Dördüncü tür, token tüketiminin patlamasıdır. Yeniden denemeler, alt ajanlar, uzun bağlamlar ve çok turlu doğrulamalar faturaların hızla yükselmesine neden olur.
Bu dört maliyet birbirini besler: Yetersiz testler doğrulama borcuna yol açar, doğrulama borcu arttıkça mühendisler derinlemesine anlamaktan daha da kaçınır, anlayış azalması insan incelemelerini kauçuk damgaya dönüştürür ve kauçuk damga incelemeleri daha fazla otomatik yeniden deneme ve daha yüksek maliyetleri tetikler.

Bu nedenle, aynı döngü bileşenleri farklı mühendislerin elinde tamamen zıt sonuçlar doğurabilir. Güçlü muhakeme ve net sınırlara sahip kişiler, döngüyü sistem anlayışlarını genişletmek ve makineyi yorulmak bilmeyen bir yürütme katmanı olarak kullanmak için kullanabilir; zayıf muhakeme veya otomasyona aşırı bağımlı kişiler ise aylar sonra kendi sistemlerinin "bekçisi" haline gelebilir, yalnızca onaylayıp reddedebilir ancak sistemin neden böyle çalıştığını açıklayamaz.
Loop Engineering, uzun vadeli bir eğilimi daha net bir konuma taşıyor: Kod, plan, PR ve görev ayrıştırması neredeyse ücretsiz hale geliyor, ancak "gerçekten doğru olan" ucuzlamıyor.
İşletmeler için bu, AI programlama yatırımlarının odağının daha güçlü modeller satın almaktan daha sağlam süreçler tasarlamaya kayabileceği anlamına geliyor: Görev sınırları, bağlam birleştirme, bağımsız değerlendirme, durum kalıcılığı, bütçe sınırları, insan inceleme noktaları ve anormallik durumunda döngünün nasıl durdurulacağı. Model yetenekleri hâlâ önemli, ancak sistemin yalnızca bir parçası.
Mühendisler için de roller değişiyor. Geçmişteki temel emek kod yazmaktı, şimdi ise giderek daha fazla emek, makine tarafından üretilen aday yanıtların incelenmesine dönüşüyor: Gereksinimleri karşılıyor mu, mimariyi bozuyor mu, yalnızca mantıklı görünüyor mu, karmaşıklığı gelecekteki bakımcılara mı itiyor?
Bu, programcıların tamamen yerini aldığı anlamına gelmez. Aksine, Loop Engineering daha çok bir karar güçlendirici gibidir. Bir mühendisin, eskiden küçük bir ekibin yapabileceği kadar değişiklik üretmesini sağlarken, tembellik, körü körüne inanç ve doğrulama eksikliği gibi alışkanlıkları da üretim kazalarına dönüştürebilir.
Asıl ayrım, insanın yeterince güçlü bir yargılama ve veto yetkisine sahip olup olmadığında yatıyor. Yapay zeka sürekli PR gönderebilir, ancak birleştirilip birleştirilmeyeceği, yayına alınıp alınmayacağı ve uzun vadede sistemi çökertip çökertmeyeceği hâlâ insana bağlıdır.
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