Tek bir terminalde tek bir ajan, tek bir iş birimi demektir. İstem yazarsınız, beklersiniz, incelersiniz ve tekrar istem yazarsınız. Ajan hızlıdır; yavaş kalan taraf ise sizsiniz. Bariz çözüm birden fazlasını aynı anda çalıştırmaktır; bariz sorun ise aynı çalışma ağacını düzenleyen ajanların birbirinin çalışmasını bozmasıdır.
Orca bu sorunu layıkıyla çözüyor. Stably tarafından geliştirilen bu masaüstü uygulaması; her biri kendi git worktree'sinde çalışan bir kodlama ajanları filosunu yönetmenizi sağlıyor, 58.464 yıldıza sahip ve MIT lisanslı. Tek başınıza çalışıyorsanız ve bugün daha yüksek bir iş hacmi elde etmek istiyorsanız gayet güçlü bir çözüm; bu yazı da sizi bundan vazgeçirmeye çalışmayacak. Yapmadığı tek şey ise yapılan işi başkaları için görünür kılmak, ki bu tamamen farklı bir görevdir.
Özetle
Bu yazı, kodlama ajanlarının yeteneklerini artıran açık kaynaklı araçlar derlememizdeki beş derinlemesine incelemeden biridir.
Orca; Codex, Claude Code, OpenCode, Cursor CLI ve pratikte herhangi bir CLI ajanını, sahip olduğunuz mevcut abonelikleri kullanarak, her biri yalıtılmış bir git worktree üzerinde yan yana çalıştırır. Terminal bölmeleri (splits), diff üzerinde açıklama ekleme, SSH üzerinden uzak worktree'ler, Chromium tasarım modu, GitHub ve Linear entegrasyonu ile bir mobil yardımcı uygulama sunar. Tek bir kullanıcı için mükemmeldir. Ancak bir ekip söz konusu olduğunda, tüm kayıtlar tek bir makinenin terminal geçmişinde (scrollback) kalır; ortak bir çalışma sisteminin devreye girdiği sınır çizgisi de tam olarak burasıdır.
Neler sunuyor?
Temel yapı taşı, ajan başına bir worktree mantığıdır. Git worktree'leri, tek bir deponun aynı anda birden fazla çalışma dizinine açılmasına olanak tanır; böylece beş ajan birbirinin dosyalarına dokunmadan aynı depo üzerinde çalışabilir. Bu, paralel çalıştırmalar için yalıtılmış worktree'ler yaklaşımının arkasındaki mekanizmanın aynısıdır ve kesinlikle doğru bir temeldir.
Bu yaklaşımın önünü açtığı desen fan-out (paralel dağıtma) modelidir: tek bir istemi birden fazla ajana gönderir, ardından sonuçları karşılaştırıp kazananı birleştirirsiniz (merge). Belirsizlik barındıran gerçek bir problemde, üç farklı modelin yaptığı üç deneme aynı şekilde başarısızlığa uğramaz ve üçü arasından en iyisini seçmek, ilki üzerinde tekrar tekrar uğraşmaktan çok daha etkilidir.
| Özellik | Sağladığı avantaj |
|---|---|
| Paralel worktree'ler | Tek bir depoda tamamen yalıtılmış birden çok ajan |
| Terminal bölmeleri | WebGL görselleştirme, yeniden başlatmalara dayanan terminal geçmişi |
| Yapay zeka diff'lerine açıklama ekleme | Ajana geri gönderilen satır içi yorumlar |
| SSH worktree'leri | Daha güçlü uzak bir makinede ajan çalıştırma, otomatik yeniden bağlanma |
| Tasarım modu | Bir arayüz öğesine tıklayarak HTML, CSS ve ekran görüntüsünü isteme dahil etme |
| GitHub ve Linear | PR'ları, sorunları (issues) ve panoları inceleme, bir görevden worktree açma |
| Kullanım takibi | Claude ve Codex limitleri ile sıfırlanma süreleri, hesaplar arası anında geçiş |
| Mobil yardımcı | Telefondan bildirim alma ve süreci takip etme |
Hesap değiştirici özelliğine ayrı bir parantez açmak gerekiyor. Beş ajanı paralel çalıştırmak kaçınılmaz olarak istek limitlerine (rate limit) takılmak demektir; sıfırlanma sürelerini doğrudan uygulama içinde görebilmek, süreci buna göre planlamak ile işin tam ortasında duvara toslamak arasındaki farkı belirler.
Kurulum; doğrudan indirme, bir Homebrew cask'i veya AUR paketi üzerinden yapılabileceği gibi, arayüzsüz (headless) bir Linux makinesi için orca serve komutuyla da gerçekleştirilebilir.
Fan-out yaklaşımı ne zaman kazandırır?
Paralellik bedava değildir; buradaki en büyük risk, aynı cevabın beş farklı versiyonu için beş kat token harcamaktır.
Bir görevin savunulabilir birden fazla çözüm yolu olduğunda fan-out yaklaşımını kullanın: durum yönetimi (state management) refaktörü, aşina olunmayan bir kütüphane entegrasyonu veya darboğazın henüz tespit edilemediği bir performans sorunu gibi. Sonuçlar arasındaki çeşitlilik, elde ettiğiniz asıl değerdir.
Görev net ve belirgin olduğunda ise tek bir ajan çalıştırın. Bir uç noktaya (endpoint) yeni bir alan eklemek veya mevcut dört işleyiciye benzer bir işleyici yazmak, neredeyse birbirinin aynısı beş diff ve boşa gitmiş bir fatura üretmekten başka işe yaramaz.
Aynı modelin tekrarlanan çalıştırmaları yerine farklı modeller arasında dağıtıma gidin. Aynı ajanın üç örneği birbirine çok yakın sonuçlar verir. Üç farklı ajan ise birbirinden ayrışır; çünkü aralarındaki fark rastgele örneklemeden değil, eğitim verilerinden kaynaklanır.
Başlamadan önce kabul kriterlerinizi belirleyin. Doğru bir sonucun neye benzemesi gerektiğini önceden kestiremiyorsanız, kazananı sadece estetik tercihlere göre seçersiniz.
Tek kullanıcılı modelin sınırları nerede başlar?
Orca, tek bir kişi için mükemmel bir kontrol panelidir (kokpit). Her şey kendi makinenizde yaşar: worktree'ler, oturumlar, diff'ler ve yeniden başlatmalara dahi dayanan kullanışlı terminal geçmişi. Bireysel çalışma için tam olarak aranan şey budur.
Fakat işin içine ikinci bir kişi girdiği anda bu bir kısıtlamaya dönüşür. Perşembe günü beş ajan çalıştırdınız diyelim. Pazartesi günü bir ekip arkadaşınız ödeme istemcisindeki yeniden deneme (retry) mantığının neden değiştiğini sorar. Cevap, eğer o worktree hâlâ açıksa, dizüstü bilgisayarınızdaki bir terminal bölmesindedir. Onu üreten istem ise uçup gitmiştir ve geriye kalan tek kalıcı varlık, bir model tarafından yazılmış commit mesajıdır.
Bir istem kayıt niteliği taşımaz. Bir kontrol paneli de bir çalışma sistemi değildir. Bunlar Orca'nın kusurları değil; tek bir kullanıcı için geliştirilmiş bir masaüstü uygulamasının sınırlarıdır.
Bölme başına yalıtım mı, Task başına yalıtım mı?
Sharkly ve Orca, kategori adlarının ima ettiğinden çok daha fazla felsefi ortaklığa sahiptir. Her ikisi de paralel ajanların çakışmaması için çalışmaları yalıtır. Her ikisi de halihazırda kurulu olan kodlama araçlarınızın yerini almak yerine onları çalıştırır; model kullanımı da bu araçlarda yapılandırılmış abonelikler veya API anahtarları üzerinden devam eder.
Fark ise yalıtılan birimin ne olduğudur.
Sharkly'deki temel iş birimi bir Task'tir. Depodaki çalışmalar, her bir Task çalıştırması için yalıtılmış bir dizinde ve git worktree'sinde yürütülür; böylece Orca'nın bölmelerini birbirinden ayıran mekanizmanın aynısı, atanan işleri tüm ekibin görebileceği bir birim üzerinde ayrı tutar.
Her parçanın tek bir görevi vardır. Agent, işin nasıl ele alınması gerektiğini tanımlar. Computer, ana makineyi ve yerel kaynakları sağlar. Runtime, asıl ajan oturumunu yürütür. Task ise paylaşılan kayıt olarak kalır.
Sharkly; Claude Code'un, Codex'in veya yerel bir geliştirme ortamı olarak Orca'nın alternatifi değildir. Ekibinizin halihazırda kullandığı araçların çevresine paylaşılan görev, Computer, bağlam, kontrol ve inceleme katmanını ekler.
Bundan yola çıkarak, tek kullanıcılı bir kontrol panelinin hedeflemediği iki yetenek ortaya çıkar. Bir Crew, lider bir Agent tarafından koordine edilen, İnsanlar ve Ajanlardan oluşan yeniden kullanılabilir bir gruptur; böylece fan-out yaklaşımı bir sentez adımı kazanır: lider hedefi yorumlar, ihtiyaç duyduğu üyeleri dahil eder ve beş farklı diff arasında hakemlik yapma işini size bırakmak yerine onların sonuçlarını tek bir Task içinde bir araya getirir. Ayrıca Backlog'daki bir Task bir çalıştırma başlatmaz; bu sayede herhangi bir şey çalıştırılmadan önce iş hazırlanır ve onaylanır.
Yürütme süreci, engeller, sonuçlar ve devamındaki tartışmalar görev zaman çizelgesine işlenir. Böylece pazartesi günkü sorunun cevabı bir ekran kaydından ibaret kalmaz.
Nasıl seçim yapmalı?
Tek kişiyseniz, iş baştan sona size aitse ve asıl darboğaz aynı anda kaç ajanı yönetebileceğiniz ise Orca'yı kullanın. Bu senaryo için en iyi masaüstü aracıdır ve hemen bugün kurmaya değer.
Ajanların ne yaptığını ikinci bir kişinin de bilmesi gerektiğinde, yayınlama öncesinde inceleme şart olduğunda veya üç ay sonra birisi neyin neden değiştiğini sorabileceğinde paylaşımlı bir çalışma sistemi kullanın. Buradaki eşik ekip büyüklüğü değildir; tutulan kaydın mevcut oturumun ötesine geçip geçmeyeceğidir.
Pek çok ekip her ikisini birlikte kullanır ve bu ikili oldukça uyumlu bir birliktelik sunar. Ajanlar araştırır, yürütür, test eder ve raporlar. İnsanlar ise yönü belirler, yetki verir ve sonucu onaylar.
Sıkça sorulan sorular
Orca hangi ajanları çalıştırır? Tüm CLI ajanlarını. Claude Code, Codex, Cursor CLI, Copilot CLI, OpenCode, Grok, Amp, Pi, Devin, Goose, Cline, Continue, Kimi, Qwen Code ve diğerleri açıkça listelenmektedir.
Paralel ajanlar için ekstra aboneliklere ihtiyacım var mı? Hayır. Orca halihazırda sahip olduğunuz hesapları kullanır. Aynı anda birden fazlasını çalıştırdığınızda planınızın istek limitlerine takılabilirsiniz; ancak bu araçla değil, kullandığınız planla ilgili bir durumdur.
Tek bir depo üzerinde beş ajan çalıştırmak güvenli mi? Dosyalar açısından evet, çünkü her biri kendi worktree'sini alır. Depo dışındaki ortak durumlar, yani veritabanları, geliştirme sunucuları ve portlar ise yine sizin yönetiminizdedir.
Ortaya çıkan diff'ler arasında nasıl seçim yapmalıyım? Hepsine karşı aynı test paketini çalıştırın ve kararı testlere bırakın. Eğer testleriniz adaylar arasındaki farkı ayırt edemiyorsa, paralel dağıtımı ölçeklendirmeden önce bu durumu düzeltin.
Orca mı, Sharkly mi? Farklı katmanlardadır ve birbirlerini tamamlarlar. Orca, tek bir kişinin ajanları anlık olarak yönettiği yerdir. Sharkly ise işlerin kişiler arasında atandığı, takip edildiği ve incelendiği yerdir. Tek başınıza çalışırken sadece ilkine ihtiyaç duyabilirsiniz. Daha kapsamlı bir karşılaştırma için paralel ajanları yönetme araçları yazımıza göz atın.
Kısa bir özet
Orca, tek bir geliştirici için iş hacmi problemine yönelik mevcut en güçlü yanıttır. Paralel worktree'ler, gerçek bir terminal, diff açıklamaları, uzaktan çalıştırma ve mobil yardımcı uygulama bir araya gelerek ciddi bir araç oluşturuyor; üstelik kendi abonelikleriniz üzerinden çalışması da son derece doğru bir model.
Sağladığı şey, saat başına daha fazla aday yanıttır. Bu yanıtlar arasından seçim yapabildiğiniz ve ne olup bittiğini hatırlayabildiğiniz sürece bu bir ilerlemedir. Ancak bu iki adımın başka birini de kapsaması gerektiğinde, yapılan iş bir Task'e ihtiyaç duyar. Sharkly, aynı worktree yalıtımını bir ekibin görebileceği birime uygulayarak bu katmanı yönetir.
