Ajan Sürüleri (Agent Swarms) ve Yeni Model Ekonomisi — Çoklu Ajan Sistemleri Geliştirmeyi Nasıl Yeniden Şekillendiriyor

Giriş: Yeni Bir Ajan Paradigmasının Şafağı

Temmuz 2026'da Cursor, tüm AI endüstrisini sarsan bir araştırma blog yazısı yayınladı. Şirket, iki nesil çoklu ajan sistemini — eski ve yeni — aynı anıtsal görev üzerinde karşılaştırdı: SQLite veritabanı motorunu sıfırdan Rust'ta inşa etmek, yalnızca 835 sayfalık dokümantasyonu referans olarak kullanarak. Sonuçlar çarpıcı: yeni sistem yalnızca her ölçütte daha yüksek kalite sunmakla kalmadı, bunu maliyetin çok küçük bir kısmıyla — $10,565'ten $1,339'a düşürerek — başardı.

Bu, sadece aşamalı bir teknik iyileştirmeden çok daha fazlasıdır. AI model kullanımının ekonomisi hakkında düşünme şeklimizde temel bir değişimi temsil ediyor. Cursor'ın yaklaşımı, geleceğin her şeyi yapan tek bir monolitik, pahalı frontier modeline ait olmadığını gösteriyor. Bunun yerine, her modelin karşılaştırmalı üstünlüğüne göre konuşlandırıldığı, akıllıca koordine edilmiş ajan ekiplerine — sürülere — ait.

Cursor'ın Ajan Sürüsü Nasıl Çalışır

Yeni sistemin kalbinde iki ayrı rol yer alır: Planlayıcılar (Planners) ve İşçiler (Workers). En akıllı (ve en pahalı) frontier modelleri tarafından desteklenen planlayıcılar, büyük bir hedefi parçalara ayırır ve devreder. İşçiler — genellikle daha hızlı ve çok daha ucuz modeller — bu parçaları yürütür.

Bu tasarım, daha katı orkestrasyon sistemlerinin bir üst kümesidir. Soruna sabit bir topoloji dayatmak yerine, sürünün şekli doğal olarak sorunun hatlarını kapsayacak şekilde büyür. Hesaplama ve bağlam, görevin karmaşıklığıyla orantılı olarak ölçeklenir. Bu nedenle tasarım, tarayıcı oluşturmaktan matematik problemleri çözmeye, GPU çekirdeklerini optimize etmekten açık kaynak yazılımlarda güvenlik açıkları bulmaya ve milyarlarca token sentetik eğitim verisi üretmeye kadar çok çeşitli görevlere genelleşir.

Cursor ekibi, temel avantajın paralellik değil, bağlam verimliliği olduğunu keşfetti. Tek bir ajan tam bir görevi üstlendiğinde, tüm ağacı kendi başına yürümek zorundadır — ataları, mevcut konumu ve daha geniş hedefi sürekli bağlamda tutarken her yaprağa inmek. Bu, uzun süre çalışan tek ajanların neden sürüklendiğini açıklar: ya önlerindeki işe odaklanıp büyük resmi kaybederler ya da büyük resmi tutup parça üzerinde daha kötü bir iş çıkarırlar.

Bir sürüde, planlayıcı asla uygulama yapmaz, bu nedenle bağlamı asla düşük seviyeli detaylarla dolmaz. Bir işçi asla planlama yapmaz, bu nedenle tüm bağlamını işin dar bir parçasına harcayabilir. Bu yapının yankıları organizasyon teorisinde bulunabilir — ekonomist Ronald Coase, koordinasyon maliyetlerinin işin kendisinden daha hızlı büyüdüğünü, bu nedenle kuruluşların herkesin herkesle konuşmasına izin vermek yerine sınırlı katmanlara yerleştiğini savundu.

Özel Versiyon Kontrol Sistemi: Saniyede 1.000 Commit

Cursor'ın yeni sistemindeki en etkileyici teknik başarılardan biri, özel olarak oluşturulmuş bir versiyon kontrol sistemidir. Eski sürü Git'te saatte yaklaşık 1.000 commit ile zirve yaparken, yeni sistem saniyede yaklaşık 1.000 commit ile zirve yapıyor. İnsan geliştiriciler için tasarlanmış geleneksel Git kilitleme mekanizmaları bu tempoyu kaldıramaz.

Bu aşırı verimde, sürü insan ekiplerinin rutin olarak karşılaşmadığı hata modlarıyla karşılaşır:

• Split-brain tasarımı — Birbirinden habersiz iki planlayıcı, aynı konsepti kod tabanının farklı bölümlerinde farklı şekilde uygular. Cursor bunu prompt mühendisliğiyle düzeltti: planlayıcılar, devredilen hiçbir iki alt ağacın aynı soruna karar vermemesini sağlamalıdır.
• Birleştirme çakışmaları — Eski çalışma durdurulmadan önce 70.000'den fazla çakışma biriktirdi. Yeni çalışma binden az kaydetti. Çözüm: tarafsız bir üçüncü taraf ajan, birleştirme çakışmalarına müdahale eder ve bunları tarafsız bir şekilde çözer.
• Mega dosyalar — Bazı dosyalar o kadar popüler hale gelir ki sürekli çarpışmalar olur. İşçiler artık şişmiş dosyaları işaretleyebilir ve harici bir ajan büyümüş dosyayı daha küçük modüllere ayırana kadar yeni commit'leri engelleyebilir.
• Kemikleşme (Ossification) — Ajanlar, değişmesi gerekse bile çekirdek koda dokunmamayı öğrendi. Cursor'ın çözümü: "lisanslı kasıtlı kırma." Çekirdek değişikliğine değer olduğuna karar veren bir ajan, odaklı bir yama yapar ve nedenini açıklayan bir yorum bırakır. Derleyici değişikliği taşır — eski tasarıma bağlı olan her şey derlenemez ve hatayla karşılaşan her ajan yorumu bulur ve kendi parçasını günceller.

SQLite Deneyi: Kendi Adına Konuşan Rakamlar

Cursor yeni sürüyü dört farklı model konfigürasyonunda test etti: GPT-5.5 (hem planlayıcı hem işçi), Grok 4.5 (her iki rol), Opus 4.8 + Composer 2.5 (hibrit) ve Fable 5 + Composer 2.5 (başka bir hibrit). İlerleme, milyonlarca SQL sorgusu içeren sqllogictest test paketi ile ölçüldü.

Sonuçlar açık: yeni düzenek her karışımda eskisini geride bıraktı. Fable 5 hibriti, daha ilk saat içinde paketin yaklaşık üçte ikisini geçti. Dört saatlik sınırda, yeni çalışmalar %73 ile %85 arasında seyrederken eskileri %11 ile %77 arasında değişti. Her yeni konfigürasyon sonunda paketin %100'ünü geçti.

Ancak en çarpıcı fark kodun kendisinde yatıyor. Fable 5 karışımında, her iki sürü de sonunda tüm paketi geçti, ancak eskisinin 64.305 satır motor koduna ihtiyacı varken yenisi sadece 9.908 satırda başardı. Opus karışımı aynı şekli gösteriyor: eski düzenek altında %97'de 19.013 satıra karşı yeni düzenek altında %100'de 4.645 satır.

Birleştirme çakışması verileri benzer bir hikaye anlatıyor. Eski çalışma, istikrar kazanmak yerine hızlanarak 70.000'den fazla çakışma biriktirdi. En sıcak tek dosya, 1.173 farklı ajan tarafından dokunulan 7.771 çakışma topladı. Yeni çalışmada, tüm kod tabanındaki en tartışmalı dosya sadece 47 çakışma gördü. Eski çalışma 54 crate'e (üç ayrı SQL paketi dahil) yayıldı; yenisi dokuz crate'te karar kıldı ve bir daha asla eklemedi.

Model Ekonomisi: Temel İçgörü

Bu, Cursor'ın yazısının en önemli bölümüdür. Her model karışımı benzer kalite üretirken, maliyetler büyük ölçüde değişti — Opus 4.8 hibriti için $1.359'dan yalnızca GPT-5.5 için $10.565'e kadar.

Token verileri nedenini ortaya koyuyor. Harcama yapısı her çalışmada tutarlıydı: işçiler token'ların en az %69'unu, çoğu durumda %90'ından fazlasını taşıdı. Ancak dolarlar token'lardan farklı bölündü çünkü planlayıcı token'ları daha pahalı. Opus 4.8 + Composer 2.5 karışımında, planlayıcı olarak Opus token'ların küçük bir kısmını ancak maliyetin yaklaşık üçte ikisini oluştururken, işçi olarak Composer token'ların büyük çoğunluğunu maliyetin kalan üçte biri için işledi.

Cursor'ın sonucu çarpıcı: "Büyük bir görevde yalnızca birkaç an gerçekten frontier zekası gerektirir" — ilk ayrıştırma, tasarım kararları ve belirli ödünleşimler. Bir frontier planlayıcı belirsizliği ayrıntılı, açık bir talimata dönüştürdüğünde, daha ucuz modellerin sadece onu takip etmesi gerekir. Bu, potansiyel maliyet tasarrufu için büyük bir kaynaktır.

Rakamlar kendi adına konuşuyor: hem planlayıcı hem işçi için GPT-5.5 kullanan çalışmada, işçiler tek başına $9.373'e mal oldu. Opus 4.8'in planladığı ve Composer 2.5'in çalıştığı çalışmada, tüm işçi filosu $411'e mal oldu — 22 kat daha az.

Saha Rehberi: Ajanlar Tarafından Yazılan Ortak Bilgi

Cursor'ın en yenilikçi deneylerinden biri, tamamen ajanlara ait olan ve index.md'si her ajana başlangıçta otomatik olarak enjekte edilen "Saha Rehberi" (Field Guide) adlı bir klasördür. Rehbere neyin gireceğine karar vermek ajanların işidir; tek sınırlamaları bir satır bütçesidir.

Bu, stigmerji biyolojik ilkesine dayanır — karıncalar ve termitlerin doğrudan iletişim yerine çevreyi şekillendirerek koordine olduğu mekanizma. Mantık zariftir: model ağırlıkları donmuştur, bu nedenle tam olarak sürpriz karşılaşmalar yakalanmaya değerdir, böylece bir sonraki ajanın yörüngesi daha kısa olur. Saha Rehberi hala erken bir deneydir, ancak etkileri derindir — modelleri halefleri için yazmak üzere eğitmek, daha iyi yakalamanın daha iyi ödüllere yol açtığı yerde, tamamen yeni bir araştırma yönü açar.

Prompt Olarak Spesifikasyonlar: Yeni Çalışma Birimi

Cursor derin bir gözlem yapıyor: AI yeteneklerindeki her sıçrama, bir mühendisin çalışabileceği soyutlama seviyesini yükseltti. Otomatik tamamlama, mühendislerin her seferinde bir satır çalışmasını sağladı. Erken modeller bunu bir kod bloğuna yükseltti. Ajanlar bunu bir dosyaya veya özelliğe yükseltti. Sürülerle birlikte, çalışma birimi spesifikasyon haline gelir.

Bu şekilde bakıldığında, sürü bir derleyiciyi andırmaya başlar. Bir derleyici, kaynak kodu bir dizi ara adım aracılığıyla makine koduna çevirir. Sürü, niyetle (intent) benzer bir şey yapar. Planlayıcılar bir hedefi görev ağaçlarına ayrıştırır, ardından adım adım yürütülebilir işe indirger. Fark şudur ki bir derleyici her adımda anlamı korurken, sürü her birinde olasılıksaldır. Cursor'ın yazısında açıklanan her şey bu boşluğu kapatmak için vardır.

Bu Türk Geliştiriciler İçin Ne Anlama Geliyor

Cursor'ın araştırması, herhangi bir ekibin AI dağıtımı hakkında nasıl düşünmesi gerektiği konusunda doğrudan çıkarımlara sahiptir. Çoklu ajan sistemleri artık yalnızca büyük şirketlerin alanı değildir; AI'yı optimal şekilde kullanmak isteyen her ekip için erişilebilir hale geliyorlar.

Ucuz modeller (Composer 2.5 gibi) işin %90'ını halledebiliyorsa ve pahalı modeller yalnızca stratejik kararlar için kullanılıyorsa, AI kullanımının ekonomisi radikal bir şekilde değişir. Müşteri projelerinde AI'yı aktif olarak kullanan SiTech gibi ajanslar için bu yaklaşım rekabet avantajı haline gelebilir: daha düşük maliyetler, daha yüksek kalite ve daha hızlı teslimat. Ana çıkarım açıktır — AI destekli geliştirmenin geleceği daha büyük modellerle değil, farklı yetenek ve maliyetlerdeki modeller arasında daha akıllı koordinasyonla ilgilidir.

Cursor kodu herkese açık olarak github.com/cursor/minisqlite adresinde yayınladı — herkes iyi koordine edilmiş bir ajan sürüsünün neler inşa edebileceğini görebilir.

📖 Kaynak