Özetle: Aynı anda 10 yapay zekâ kodlama ajanını çalıştırmak için her bir ajana başında beklediğiniz bir terminal muamelesi yapmayı bırakın. Her iş parçasını bir göreve dönüştürün; her göreve bağlı bir Computer üzerinde, yalıtılmış bir worktree içinde kendi ajan çalıştırmasını sağlayın, takipleri görev yorumu olarak yürütün ve tekrarlayan işleri olay tetikleyicilerinin başlatmasına izin verin. Siz oturumları değil, sonuçları incelersiniz.
Aynı anda 10 terminal sekmesine ihtiyaç duymadan 10 yapay zekâ kodlama ajanını çalıştırabilirsiniz ve karşınıza çıkacak ilk engel model değildir. DeepSeek Harness ekibi “Exploring Super-agent Design” başlıklı makalesinde durumu açıkça ortaya koyuyor: Bir insan genellikle aynı anda yalnızca 3 ila 5 aktif oturumu takip edebilir. Bunun ötesinde darboğaz bizzat siz olursunuz.
Onların çözümü bir “süper-ajan” (super-agent): İnsanlarla iletişim kuran ve işleri yalıtılmış çok sayıda çalışana dağıtan tek bir koordinatör. Makale, piyasaya sürülmüş bir ürünü değil, bir mimariyi anlatıyor. Bu rehber ise bir ekibin mevcut Claude Code veya Codex kurulumunu kullanarak bir Sharkly panosunda bugün çalıştırabileceği basitleştirilmiş sürümü gösteriyor.
Açık bir fark var: DeepSeek’in koordinatörü kimin ne yapacağına karar veren bir LLM’dir. Panoda ise bu kararı bir insan verir ve her karar arkasında bir kayıt bırakır.
10 terminal neden tıkanır?
Manuel olarak iki veya üç ajanla çalışmak mümkündür. Ancak sayı ona ulaştığında dört sorun aynı anda ortaya çıkar.
- Yönlendirici siz olursunuz. Her komut istemi (prompt), her “devam et” komutu ve her takip adımı sizin üzerinizden geçer.
- Bağlamlar birbirine karışır. Kimlik doğrulama (auth) dalına yönelik bir düzeltme faturalandırma oturumuna düşer ya da iki ajan aynı checkout üzerinde düzenleme yaparak birbirinin yazdıklarını ezer.
- Dizüstü bilgisayarınız sunucuya dönüşür. Kapağı kapattığınız anda tüm oturumlar duraklar. Uzun süren çalıştırmalar uyanık kalan bir ana makineye (host) ihtiyaç duyar.
- Hiçbir şey kaydedilmez. Bir çalıştırma ters gittiğinde, geçmiş çoktan kapattığınız bir kaydırma arabelleğinde (scrollback buffer) kalır.
Bu maliyeti Too Many Terminals yazımızda ele almıştık. Çözüm: Koordinasyonu zihninizden çıkarıp durum bilgisi tutan bir yapıya taşımaktır.
DeepSeek’in süper-ajanının panoya uyarlanması
DeepSeek’in tasarımındaki her bileşenin bir görev panosunda yalın bir karşılığı vardır.
| DeepSeek bileşeni | Makaledeki işlevi | Sharkly panosundaki karşılığı |
|---|---|---|
| Router | Uzun ömürlü tek bir oturum; insanlarla iletişim kurar, işleri dağıtır, asla kod çalıştırmaz; daha hafif bir model yeterlidir | Pano ve görev atamalarını yapan kişi |
| Workers | Görev başına yalıtılmış tek bir oturum, en güçlü model kullanılır, insanlarla asla doğrudan iletişim kurmaz | Her görev için kendi worktree'si içinde tek bir ajan çalıştırması |
| Threads | Aynı PR veya sohbet konusuna ilişkin takipler doğrudan abone olan Worker'a iletilir | Görev üzerindeki yorumlar atanan ajanı harekete geçirir |
| Triggers | Olaylar önce kodla (izin verilenler listesi), ardından modelle (komut istemi olarak politikalar) filtrelenir | Durum, yorum ifadesi, webhook veya zamanlamaya dayalı otomasyonlar |
| BYOM (Kendi donanımını getir) | Ajan döngüsü bulutta, ortamlar hafif bir arka plan programı (daemon) ile kendi donanımınızda çalışır | Sharkly Desktop veya Sharkly CLI aracılığıyla bağlanan Computer'lar |
| Watchdog | Döngüye giren veya hedefinden sapan Worker'ları yakalayan harici bir oturum | Zamanlanmış bir denetim, çalıştırma geçmişi ve insan onay adımı (review gate) |
İki aşamalı tetikleyici filtresi birebir kopyalanmaya değer bir yaklaşımdır. Kod elinden gelenleri (yanlış depo, yanlış durum) eler ve olay ancak bundan sonra bir model tarafından okunur. Panoda tetikleyici kod filtresi görevini görür; Otomasyonun talimatları ise politika komut istemini (policy prompt) oluşturur.
Sharkly panosunda 10 yapay zekâ kodlama ajanı nasıl çalıştırılır?
İşe doğrudan on ajanla başlamazsınız. Üç ajanla başlayıp döngünün işlediğini görün, ardından sayıları artırın.
1. Adım: Bir Computer bağlayın ve eşzamanlılığı düşük tutun
Bir Computer, ajanlarınızı çalıştıran ana makinedir (host). Dizüstü bilgisayarınızda Sharkly Desktop'ı kurun. Uzak bir sunucuda veya Linux makinesinde ise Sharkly CLI ve yerel hizmetini kullanın:
# On the remote host, with an install token from the Computers page
sharkly computer register --install-token <install-token>
sharkly daemon status
Yerel hizmet; Claude Code ve Codex gibi kurulu araçları tespit eder ve her birini birer Runtime olarak bildirir.
Her Computer'ın bir eşzamanlı görev sınırı vardır. Computers belgelerine göre, geçici dizin çalıştırmaları varsayılan olarak bu sınırın %50'sini kullanır ve kapasite dolduğunda ek görevler kuyruğa alınır. Düşündüğünüzden daha düşük bir sayıyla başlayın: Tek bir Computer üzerinde üç paralel çalıştırma, ilk test için makul bir başlangıçtır.
Kod çalışmaları için geçici dizin modunu kullanın. Her çalıştırma kendi dizinine sahip olur ve depo çalıştırmaları temiz bir git worktree edinebilir; böylece iki ajan asla aynı checkout'a yazmaz. Worktree kavramına yabancıysanız öncelikle yapay zekâ kodlama ajanlarıyla git worktree kullanımı rehberini okuyun.
2. Adım: Belirgin görevlere sahip iki veya üç ajan oluşturun
On ajan demek, on farklı kişilik demek değildir. Birkaç rolün her birinin birden fazla görevi yürütmesi anlamına gelir.
- Builder: Değişikliği yazar. DeepSeek’in Worker'larda yaptığı gibi, bunu en güçlü modelinize verin.
- Reviewer: Değişiklik farkını (diff) ve görevin kabul denetimini inceleyip yorum yapar.
- Fixer: Başarısız testleri ve inceleme yorumlarını ele alır.
Ajanlar, Crew'lar ve Computer'lar lisanslı kullanıcı (seat) kotasını tüketmez; dolayısıyla yeni bir rol eklemek ek bir kullanıcı maliyeti getirmez.
3. Adım: Kendi başına çalışabilen görevler yazın
Paralel kurulumların çoğu bu noktada başarısız olur. Başka bir görevin henüz birleştirilmemiş koduna bağımlı olan bir görev takılır veya çakışmaya yol açar.
Her görevi üç unsur içerecek şekilde yazın: Tek bir net sonuç, ait olduğu dosyalar veya modül ve herkesin çalıştırabileceği bir doğrulama adımı. “/api/upload uç noktasına hız sınırlaması (rate limiting) ekleyin; npm test -- upload başarılı olmalı” ifadesi işe yarar. “API’yi geliştirin” ifadesi ise yaramaz.
İki görev aynı dosyaya dokunuyorsa bunları sırayla çalıştırın.
4. Adım: Görevleri atayın, ardından takipleri görev üzerinde sürdürün
Her görevi bir ajana atayın. Backlog dışındaki bir görev hemen çalışmaya başlayabilir; bir Backlog görevi ise hazır bir duruma taşınana kadar bekler.
Takipleri asla harici bir sohbette değil, görev yorumlarında yapın. Ajan atanmış bir görevdeki üye yorumu bir takip çalıştırmasını kuyruğa ekleyebilir ve Sharkly, art arda gelen hızlı yorumları birleştirerek yinelenen bekleyen çalıştırmaların oluşmasını engeller. DeepSeek’in Thread fikrinin temeli de budur: İletişim, yapılan işe bağlı kalır.
/revise gibi sabit bir ifade ve ardından istenen değişiklik, takiplerin kolayca fark edilmesini sağlar.
5. Adım: Tekrarlayan olayları Otomasyonlara dönüştürün
Bir Automation; talimatları bir ajan veya Crew ile ve bir ya da birden fazla tetikleyiciyle eşleştirir. Automations belgelerine göre, manuel “Run now” (Şimdi çalıştır) seçeneğinin yanı sıra dört tetikleyici türü mevcuttur:
- Zamanlama (Schedule): Beş alanlı bir cron ifadesi ve bir saat dilimi.
- Görev durumu (Task status): Bir görev seçilen bir duruma geçtiğinde tetiklenir.
- Yorum ifadesi (Comment phrase): Bir yorum belirli bir ifadeyi içerdiğinde tetiklenir (büyük/küçük harf duyarsız).
- Webhook: İsteğe bağlı istek imzalama özelliğine sahip, POST isteklerini kabul eden gizli bir URL.
Belgelerde belirtilen önemli bir nokta: Durum ve yorum eşleştirmesi şu anda tek bir Space ile sınırlı olmayıp kuruluş genelinde geçerlidir. Talimatları, ajanın önce tetikleyen görevi (başlık ön eki, ait olduğu Space) kontrol edeceği ve eşleşme yoksa duracağı şekilde yazın. Bu, DeepSeek’in komut istemi olarak ifade edilmiş ikinci filtre aşamasıdır.
6. Adım: Bir denetçi (watchdog) ve insan onay adımı ekleyin
DeepSeek, döngüye giren veya hedefinden sapan Worker'ları yakalamak için ayrı bir Watchdog çalıştırır. Sharkly’nin kaydettiği çalıştırma durumlarını (queued, running, completed, failed, canceled) kullanarak, olağan süresini çok aşan çalıştırmaları işaretleyen zamanlanmış bir Automation ile bu yapının bir benzerini kurabilirsiniz.
Ardından sürecin sonuna bir insan yerleştirin: Bir insanın birleştirmeden (merge) önce diff'i onayladığı bir inceleme adımı. İnceleme kapasiteniz gerçek üst sınırınızı belirler; bu nedenle beşi aşmadan önce Human Review Is the Bottleneck yazısını okuyun. Çalıştırmalar devam ederken neleri izlemeniz gerektiği konusunda ise paralel çalışan kodlama ajanlarının nasıl izleneceği başlıklı yazıya göz atabilirsiniz.
On ajanı çalıştırmanın maliyeti nedir?
İki ayrı faturalandırma söz konusudur: Model token'ları ve koordinasyon katmanı.
Token'lar. Sharkly token satışı yapmaz. Çalıştırmalar, Runtime'a halihazırda bağlı olan Claude Code, Codex veya API planı üzerinden faturalandırılır. Bunun nedenini Why an Agent Platform Should Not Sell You Tokens yazımızda açıklıyoruz.
Paralellik token maliyeti getirir. DeepSeek’in kendi testi bu noktada oldukça aydınlatıcıdır. Kodlamanın simüle edildiği, her biri 5 çalıştırmadan oluşan, yaklaşık 20 iş talepli 300 kadar mesaj çalıştırdılar ve sonuçları gösterge niteliğinde kabul ediyorlar.
| Kurulum (DeepSeek verileri) | p50 görev süresi | p95 görev süresi | Çalıştırma başına önbellekten okunan token |
|---|---|---|---|
| Süper-ajan | 12,4 dk | 15,7 dk | 23,2M |
| Tek oturum + alt ajanlar, tarafsız komut istemi | 20,4 dk | 29,5 dk | 6,1M |
| Tek oturum + alt ajanlar, yetkilendirme öncelikli komut istemi | 13,8 dk | 29,0 dk | 10,8M |
Tarafsız komut istemine sahip oturum, beş çalıştırmada bir kez bile yetkilendirme (delegasyon) yapmadı. Buradaki denge: Daha kısa ve daha tutarlı görev süreleri karşılığında daha fazla token harcanmasıdır. Bu testleri biz tekrarlamadık.
Platform. 4 Kasım 2026 itibarıyla Sharkly fiyatlandırması, ürünün şu anda 5 kişiye kadar olan kuruluşlar için ücretsiz olduğunu gösteriyor. Team planı ise yıllık faturalandırmayla kişi başı 7 dolardır. Kullanıcı kotaları yalnızca insanları sayar.
Bu model nerelerde uygundur?
- Backlog eritme: Yirmi küçük, bağımsız sorun; her biri için bir görev; builder ve reviewer ikilisi.
- Sürüm yükseltme sonrası test onarımı: Başarısız olan her paket için kendi worktree'sinde bir görev.
- Eşzamanlı ilerleyen dokümantasyon ve kod: Bir özellik görevi inceleme aşamasına geçtiğinde dokümantasyon ajanını başlatan bir durum tetikleyicisi.
- Gece kuyrukları: Asla uyumayan uzak bir Computer üzerinde çalışan görevler ve sabah yaptığınız inceleme.
Ajanların nerede çalıştırılması gerektiği konusunda bir kıyaslama yapmak isterseniz Codex Cloud vs your own Computers yazısı bu tercihi ele alıyor.
Üç ajanla başlayın
On paralel ajan bir başlangıç noktası değil, varılacak bir sonuçtur. Bir Computer bağlayın, bir builder ve bir reviewer oluşturun, doğrulanabilir sonuçlara sahip üç görev yazın ve bunları atayın. Baştan sona tam bir döngüyü izleyin: Çalıştırma, yorum, takip, inceleme. Bu döngü artık sıradanlaştığında eşzamanlılığı iki artırın ve bir Automation ekleyin.
SSS
Bir insan kaç yapay zekâ kodlama ajanını yönetebilir?
DeepSeek ekibi, her birini bizzat takip ettiğinizde bu sayının 3 ila 5 aktif oturum olduğunu belirtiyor. İşler yazılı sonuçları olan görevler halinde yürütüldüğünde daha fazlasını çalıştırabilirsiniz; çünkü oturumları izlemek yerine sonuçları incelersiniz.
Aynı depoda birden fazla Claude Code ajanı çalıştırabilir miyim?
Evet, her çalıştırma kendi dizininde çalıştığı sürece mümkündür. Geçici dizin modu her göreve yalıtılmış bir dizin sağlar ve depo çalıştırmaları temiz bir git worktree kullanabilir; böylece paralel ajanlar birbirlerinin değişikliklerinin üzerine yazmaz.
Computer'ımın çalıştırabileceğinden daha fazla görev atarsam ne olur?
Fazladan görevler kuyruğa alınır. Her Computer'ın bir eşzamanlı görev sınırı vardır ve kapasite açıldıkça çalıştırmalar başlar. Kuyruktaki bir çalıştırma, Computer çevrimdışıysa veya Runtime'ı kullanılamıyorsa da beklemeye geçer.
Ajanları paralel çalıştırmak için bir bulut sunucusuna ihtiyacım var mı?
Hayır. Sharkly Desktop sayesinde dizüstü bilgisayarınız da bir Computer olarak çalışabilir. Uzun süren veya gece boyunca devam eden çalıştırmalar için, Sharkly CLI ile bağlanan uzak bir makine veya Linux sunucusu dizüstü bilgisayarınız uyku moduna geçtiğinde bile çalışmayı sürdürür.
Bir pano, DeepSeek’in süper-ajanı ile aynı şey midir?
Tam olarak değil. DeepSeek’in Router'ı işleri kendi başına dağıtan bir LLM’dir. Bir panoda ise görevleri bir insan atar ve tekrarlayan olayları Otomasyonlar yönetir.
