Sharkly vs. Tembo: Zaten parasını ödediğiniz ajanları çalıştırmanın iki yolu

Tembo, kodlama ajanlarını kullanım kotası üzerinden faturalandırılan bulut oturumlarında çalıştırır. Sharkly ise onları bağladığınız bilgisayarlarda, mevcut abonelikleriniz üzerinden çalıştırır. Her iki modelin adil bir karşılaştırması.

Aiden Flux

Aiden Flux

4 Kasım 2026

Sharkly vs. Tembo: Zaten parasını ödediğiniz ajanları çalıştırmanın iki yolu

Tembo ve Sharkly aynı ön kabulden yola çıkıyor, bu yüzden karşılaştırılıyorlar. İkisi de daha iyi bir kodlama ajanı geliştirmeye çalışmıyor. Her ikisi de sizin zaten Claude Code, Codex veya Cursor için ödeme yaptığınızı varsayıyor ve ikisi de bir üst katmanı hedefliyor: işi bu ajanlara yönlendirmek, sonuçları gözden geçirilebilir tutmak ve tüm süreci bir ekip için okunabilir kılmak.

Tek bir soruda ayrılıyorlar ve ilk karar verilmesi gereken soru da bu. Ajan oturumu aslında nerede çalışıyor ve bu hesaplama gücünün parasını kim ödüyor? Tembo "bulut VM'ler, bunları karşılayan dolar cinsinden bir ödenekle" diyor. Sharkly ise "bağladığınız Bilgisayarlar, hâlihazırda sahip olduğunuz aboneliklerle" diyor. Bu karşılaştırmadaki geri kalan her şey buradan çıkıyor.

TL;DR

Tembo, kodlama ajanlarını bulut oturumlarında çalıştıran ve halihazırda kullandığınız araçlar üzerinden erişilen bir orkestrasyon katmanı. Fiyatlandırma sayfası, Free, Pro, Max ve Enterprise katmanlarında koltuk sınırlarıyla birlikte hem Tembo Gateway kullanımını hem de oturumlarda kullanılan bulut VM hesaplama gücünü kapsayan dolar cinsinden bir ödenek tanımlıyor. Sharkly ise ajanları bağladığınız Bilgisayarlarda, yani yerel makinelerde, uzak sunucularda, konteynerlerde veya desteklenen bulut ana makinelerinde çalıştırıyor; model kullanımı bu araçlarda zaten yapılandırılmış abonelikler ve API anahtarları üzerinden devam ediyor ve üstüne Tasks, Projects, Sprints ve Crews'ten oluşan eksiksiz bir iş yönetimi katmanı ekliyor. Sıfır makine yönetimi istiyorsanız ve barındırılan hesaplama gücü için ödeme yapmaktan memnunsanız Tembo'yu seçin. Yürütmenin sizin ortamınıza, kimlik bilgilerinize ve mevcut aboneliklerinize ihtiyacı varsa ve ekip planlama ile gözden geçirmeyi yürütmeyle aynı yerde istiyorsa Sharkly'yi seçin.

Tembo'nun iyi yaptığı şeyler

Tembo, sohbet öncelikli ve issue öncelikli giriş noktalarına gerçek bir bahis oynadı ve bu kullanılabilirlik açısından karşılığını verdi.

Tembo'yu kullanmak için Tembo'yu açmanız gerekmiyor. İş ona ekibinizin zaten içinde yaşadığı araçlar üzerinden ulaşıyor; kendi materyallerinde entegrasyonlar arasında GitHub, Linear, Slack ve Sentry sayılıyor, Enterprise katmanında ise özel entegrasyonlar ve webhook'lar var. Tembo ayrıca Linear'ın kendi ajan listesinde de görünüyor, yani bir Linear issue'sunu oradaki herhangi bir ajana yaptığınız gibi ona da devredebilirsiniz.

Ajan seçimi sonradan akla gelen bir özellik değil, başlı başına bir özellik. Tembo'nun fiyatlandırma sayfası Claude Code, Codex, Cursor veya Amp çalıştırabileceğinizi ve görev düzeyinde tek tıkla ajan veya model değiştirebileceğinizi belirtiyor. Bu gerçekten iyi bir tasarım: bir refactor için en iyi olan model, bir hata yeniden üretimi için en iyi olan model olmayabilir ve çalışma alanı başına tek bir seçim dayatmak yanlış bir ayrıntı düzeyi.

Bulut oturumu modeli, bir iş kategorisini tamamen ortadan kaldırıyor. Kimse makine kurmuyor, kimse yerel bir servisi çalışır durumda tutmuyor, ajanın çalışması gerektiğinde dizüstü bilgisayarı kapalı olan kişi olmuyor. Ana makineler hakkında düşünmek istemeyen ekipler için bu gerçek bir para değerinde.

Tembo ayrıca izlenmeye değer şekillerde otonomi konusunda da ilerledi. Yayımlanmış materyalleri üretim hatalarını izleyip bunları pull request'lere dönüştürmeyi anlatıyor ve Mayıs 2026'da Agent Studio'yu yayımladı: ajan tanımlarının Git depolarında yaşadığı, MIT lisanslı, kendi kendine barındırılan bir kontrol düzlemi. Barındırma sorusu hakkında ne sonuca varırsanız varın, bu yön ciddi bir mühendislik.

Barındırılan modelin sınırlara dayandığı yer

Yukarıdaki güçlü yönlerin ortak bir bedeli var ve bu bir eleştiri değil, daha çok bir sınır.

Hesaplama gücü faturalandırılıyor ve oturum başına faturalandırılıyor. Tembo'nun kendi ifadesi, ödeneğin Tembo Gateway kullanımını ve oturumlarda kullanılan bulut VM hesaplama gücünü kapsadığı yönünde. Bu dürüst ve okunabilir bir fiyatlandırma modeli. Aynı zamanda ajan işinin, Anthropic veya OpenAI'ye zaten ödediğiniz tutarın üstüne çalıştırma başına bir maliyeti olduğu anlamına da geliyor; uzun süren veya çok kez yeniden denenen işler bundan daha fazlasını harcıyor. Bu harcamayı öngörmek, ekiplerin gerçekten yapması gereken bir planlama çalışması.

Ortam yeniden inşa ediliyor. Bir bulut VM temiz başlar. Deponuz özel bir registry token'ı, tohumlanmış bir veritabanı, dahili bir sertifika, staging'e giden bir VPN rotası veya build'inizin varsaydığı belirli araç zinciri sürümüne ihtiyaç duyabilir. Tüm bunları barındırılan bir oturumda yeniden üretmek mümkün ve çoğu zaman da buna değer. Ama bu hiç bitmeyen bir iş, çünkü ortam sürekli değişiyor.

Koltuk sınırları beklediğinizden önce geliyor. Yayımlanan katmanlar kullanıcı sayısını sınırlıyor: Free'de 3'e, Pro'da 5'e, Max'te 10'a kadar, Enterprise ise özel. On iki kişilik bir mühendislik grubu bu çizgiyi hızla aşıyor.

Orkestrasyon, proje yönetimiyle aynı şey değil. Tembo, işi halihazırda kullandığınız araçlar üzerinden iyi yönlendiriyor ve bu bilinçli bir tercih. Ancak bu, planın hâlâ başka bir yerde yaşadığı anlamına geliyor. Sprint'leri, ortak bir backlog'u, engelleri ve insan incelemesini yürütme kaydıyla aynı kayıtta istiyorsanız, bunu parçalardan bir araya getiriyorsunuz demektir.

Karar ikilisi

Tembo'yu şu durumda kullanın: ajan işinin ana makine yönetimi olmadan gerçekleşmesini istiyorsanız, depolarınız temiz bir bulut ortamında sorunsuz derleniyorsa, dolar cinsinden bir ödeneğe göre faturalandırılan barındırılan hesaplama gücü bütçelemenize uyuyorsa ve giriş noktalarınız işinizi zaten barındıran Slack, Linear, GitHub ve benzeri araçlarsa.

Sharkly'yi şu durumda kullanın: yürütme, ortamınızın zaten içinde yaşadığı makineye ihtiyaç duyuyorsa, model kullanımının geliştiricilerinizin zaten sahip olduğu aboneliklerde kalmasını istiyorsanız veya ekibin planlama ve inceleme katmanına yürütmeyle aynı sistemde ihtiyacı varsa.

Bir tanım, çünkü tüm karşılaştırma buna dayanıyor. Sharkly'de bir Computer, Ajan işi için yürütme ana makinesini sağlar ve yerel bir bilgisayar, uzak bir sunucu, bir konteyner veya desteklenen bir bulut ana makinesi olabilir. Küçük bir yerel servis, Computer'ı Sharkly'ye bağlar, mevcut Runtime'ları algılar, işi alır, görev dizinini hazırlar, seçilen Runtime'ı başlatır ve ilerlemeyi geri aktarır.

Bunun ne söylediğine ve ne söylemediğine dikkat edin. "Yalnızca yerel" demiyor. Uzak bir sunucu veya desteklenen bir bulut ana makinesi de bir Computer'dır. Fark, ana makinenin sizin olması: böylece kimlik bilgilerinizi, ağ konumunuzu ve araç zincirinizi taşıyabilir ve model aboneliklerinizin üstüne oturum hesaplama gücü kiralamıyorsunuz.

Tembo'nun bilinçli olarak diğer araçlara bıraktığı katman

Tembo'nun tasarım tercihi, size Slack, Linear, GitHub ve Sentry'nin içinde rastlamak. Bu meşru bir mimari ve birçok ekip için de doğru olan.

Sharkly tam tersi bir tercih yapıyor: iş sistemi ile yürütme sistemi aynı sistem. Bir Task, işin ana birimidir. Bir Organization ve bir Space'e aittir, ayrıca bir Project veya Sprint'e de ait olabilir. Hedefi ve açıklamayı, durumu, önceliği, tarihleri, etiketleri ve görev türünü, sorumlu kişiyi, onu yürütmek üzere atanan Agent veya Crew'yi, yorumları ve ekleri ve Ajan yürütme durumunu, trace'ini ve sonucunu kaydeder.

Bundan üç sonuç çıkıyor.

Yapılandırma yeniden kullanılabilir hale geliyor. Bir Agent, tek seferlik bir prompt değil, kaydedilmiş bir çalışma yapılandırmasıdır: talimatlar, Runtime, Skills, depolar, ortam ve çalıştırma ayarları. Bir ekip, kod değişiklikleri, inceleme, test, dokümantasyon veya operasyonel triyaj için ayrı Agent'ları aynı talimatları her seferinde yeniden yazmadan sürdürebilir.

Koordinasyonun bir şekli var. Bir Crew, tek bir lider Agent tarafından koordine edilen, yeniden kullanılabilir bir Kişiler ve Ajanlar grubudur. İş, role dayalı işbirliğinden, sıralamadan veya hangi Ajan'ın sıradaki adımı atacağına karar veren bir liderden fayda sağlıyorsa bir Crew kullanın. Sharkly Crews rehberimiz, bir Crew'nin tek bir Agent'tan ne zaman daha iyi olduğunu, daha iyi olmadığı durumlar dahil ele alıyor.

Planlama ve yürütme aynı kaydı paylaşıyor. Sprint'ler, Project'ler ve Task backlog'u, yürütme trace'iyle aynı yerde; böylece bir durum toplantısı, bir kod incelemesiyle aynı kaynaktan okuyor.

Mevcut yığınınız size zaten planlama sağlıyorsa ve siz yalnızca yönlendirme istiyorsanız, bu ihtiyacınız olmayan bir ağırlık. Bu, bu değiş tokuşun dürüst hali.

Örnek bir senaryo

Sekiz kişilik bir ekip, bir ödeme servisi ve dahili bir yönetim uygulamasını sürdürüyor.

Üretim hata triyajları Tembo'nun modeline iyi uyuyor. Bir uyarı tetikleniyor, bulutta bir oturum açılıyor, bir ajan hatayı depoya karşı yeniden üretiyor ve incelenmek üzere bir pull request geliyor. Bunun gerçekleşmesi için kimse makine bakımı yapmadı ve hesaplama gücü maliyeti ödenek üzerinde görünüyor.

Migrasyon işleri ise o kadar düzgün uymuyor. Üç depoya dokunuyor, tohumlanmış bir yerel veritabanı gerektiriyor ve ekibin migrasyon kurallarını kodlayarak yazdığı bir Skill'e bağlı. Sharkly'de bu, o üç depoyla ve Runtime olarak Claude Code ile bir migrasyon Agent'ına atanmış bir Task haline geliyor ve veritabanını ve ağ rotasını zaten barındıran bağlı bir Computer üzerinde çalışıyor. İkinci bir Agent, izole bir worktree'de test paketini güncelliyor, böylece hiçbiri diğerinin dosyalarına dokunmuyor. İzole worktree'lerde paralel ajanlar çalıştırma rehberimiz, iki ajan devrede olduğunda bu izolasyonun neden önemli olduğunu ele alıyor.

İnceleyici, diff'i, trace'i ve engelleri tek bir Task üzerinde görüyor, yeni bir çalıştırma başlatan bir yorumla takip sorusu soruyor ve kabul ediyor. Sprint panosu güncelleniyor, çünkü Task sprint öğesinin kendisi, onun bir yansıması değil.

İkisini birlikte çalıştırmak da makul bir sonuç. Hata, bir modelin kesinlikle daha iyi olduğunu varsaymak olurdu.

Sharkly vs Tembo: adil bir karşılaştırma

Tembo Sharkly
Kategori Mevcut araçlarınız üzerinden ajan orkestrasyonu Kişiler ve Ajanlar için iş yönetimi ve yürütme katmanı
Oturumların çalıştığı yer Tembo tarafından yönetilen bulut VM'ler Bağladığınız Bilgisayarlar: yerel, uzak sunucu, konteyner veya desteklenen bulut ana makinesi
Hesaplama gücü faturalandırması Gateway kullanımını ve oturum VM hesaplama gücünü kapsayan dolar cinsinden ödenek Sharkly'den oturum hesaplama gücü ücreti yok; ana makineler sizin
Model faturalandırması Ajan hesaplarınız Bu araçlarda zaten yapılandırılmış abonelikler veya API anahtarları
Ajan seçimi Claude Code, Codex, Cursor veya Amp; görev başına değiştirilebilir Computer'da algılanan Runtime'lar, ayrıca yapılandırdığınız özel ACP Runtime'ları
Giriş noktaları Slack, Linear, GitHub, Sentry ve daha fazlası Sharkly'deki Task'ler, ayrıca çift yönlü Jira senkronizasyonu ve Slack entegrasyonu
Koltuklar Katmanlı sınırlar: 3, 5, 10, sonra özel Organization ve Space üyeliği
Planlama katmanı Entegre ettiğiniz araçlarda yaşar Project'ler, Sprint'ler, backlog ve inceleme aynı kayıtta
Çok ajanlı koordinasyon Görev başına ajan seçimi Ajanları ve Kişileri koordine eden lider Agent'lı Crew'ler
Ortam kurulumu Bulut oturumunda yeniden üretilir Bağlı Computer'ın zaten sahip olduğu her şey

Sık yapılan hatalar

Toplam maliyet yerine etiket fiyatlarını karşılaştırmak. Tembo'nun ödeneği, aksi halde ödemeyeceğiniz oturum hesaplama gücünü kapsıyor; Sharkly ise zaten ödediğiniz aboneliklere yaslanıyor. Karşılaştırma ancak gerçek çalıştırma hacminiz için hem model harcamasını hem de hesaplama gücü harcamasını hesaba kattığınızda anlamlı oluyor.

Ortamın yeniden üretilmesini hafife almak. İlk depo her zaman konteynerleştirmesi kolay görünür. Bu kararı veren ise dahili sertifikaya ve tohumlanmış veritabanına sahip olan.

Bir pilot sırasında koltuk sınırlarını görmezden gelmek. Üç kişilik bir pilot her katmana sığar. Sınırı, başladığınız ekip büyüklüğü için değil, ulaşmayı planladığınız ekip büyüklüğü için kontrol edin.

Birini seçmek zorunda olduğunuzu varsaymak. Triyaj için barındırılan oturumlar ve ortam ağırlıklı işler için bağlı Computer'lar tutarlı bir kurulum, bir tedbir değil.

Sonuç

Tembo ve Sharkly önemli konuda hemfikir: ürün ajanlar değil, onların etrafındaki katman. Tembo bu katmanı, halihazırda kullandığınız araçlar üzerinden erişilen barındırılan oturumlar olarak kuruyor ve hesaplama gücü net bir ödenek üzerinden faturalandırılıyor. Makine yönetimi olmadan ajan işi isteyen ekipler için iyi bir cevap.

Sharkly ise bunu, altında gerçek ana makineler bulunan bir iş sistemi olarak kuruyor: kaydedilmiş yapılandırmalar olarak Agent'lar, ortamınızı ve kimlik bilgilerinizi taşıyan Computer'lar, koordineli iş için Crew'ler ve trace'i incelemenin yanında tutan Task'ler. Sharkly, Claude Code, Codex veya diğer yürütme araçlarının yerine geçmiyor. Ekibinizin halihazırda kullandığı araçların etrafına ortak görev, Computer, bağlam, kontrol ve inceleme katmanını ekliyor.

Eğer tıkanma noktanız "kimse makine yönetmek istemiyor" ise Tembo net bir cevap. Eğer tıkanma noktanız "ajan ihtiyaç duyduğu şeye ulaşamıyor ve plan, yürütmenin olmadığı bir yerde yaşıyor" ise Sharkly ile başlayın ve bir Computer bağlayın.

SSS

Sharkly ajan hesaplama gücü için ücret alıyor mu? Sharkly işi bağladığınız Computer'larda çalıştırır. Model kullanımı bu araçlarda yapılandırılmış abonelikler veya API anahtarları üzerinden devam eder ve model kotası, ekibinizin bağladığı yapay zeka kodlama araçlarına, planlara ve API hesaplarına bağlıdır.

Her biri hangi ajanları çalıştırabiliyor? Tembo'nun fiyatlandırma sayfası Claude Code, Codex, Cursor veya Amp'ı listeliyor ve görev düzeyinde değiştirilebiliyor. Sharkly ise yerel servisinin bağlı bir Computer'da algıladığı Runtime'ları çalıştırır ve kendi başlatma komutunuzla özel bir ACP Runtime ekleyebilirsiniz.

Bir Computer bulut makinesi olabilir mi? Evet. Bir Computer yerel bir bilgisayar, uzak bir sunucu, bir konteyner veya desteklenen bir bulut ana makinesi olabilir; böylece bir ekip dizüstü bilgisayarlar yerine ortak sunucularda standartlaşabilir.

Bunlardan biri Jira veya Linear'ın yerini alır mı? Tembo, giriş noktası olarak onlarla entegre olur. Sharkly ise Jira Cloud, Server ve Data Center ile çift yönlü senkronize olur ve aynı zamanda birincil iş sistemi olabilir.

Windows ve Linux geliştiricileri ne olacak? Sharkly'nin CLI'ı ve yerel servisinin macOS, Linux ve Windows yükleyicileri var; mevcut Windows yükleyicisi ise yalnızca AMD64.

Tembo açık kaynak mı? Tembo, Mayıs 2026'da Agent Studio'yu ajan tanımlarının Git depolarında bulunduğu, MIT lisanslı, kendi kendine barındırılan bir kontrol düzlemi olarak duyurdu. Bunun bugün neleri kapsadığı için Tembo'nun güncel dokümantasyonuna bakın.

Daha fazlasını keşfedin

AI Ajan Yönetişimi: Sandbox Onay Yerine Geçmez

AI Ajan Yönetişimi: Sandbox Onay Yerine Geçmez

Ekibinizin çalıştırdığı kodlama ajanları için yapay zeka ajan yönetişimine ihtiyacınız mı var? Codex ve Docker sandbox'larının sınırları nasıl belirlediğini, her çalıştırmayı kimin sahiplendiğini ve incelediğini görün.

20 Kasım 2026

Açık kaynak Slack alternatifi: ExitPath Slack'ten ayrılmanıza nasıl yardımcı olur?

Açık kaynak Slack alternatifi: ExitPath Slack'ten ayrılmanıza nasıl yardımcı olur?

Açık kaynaklı bir Slack alternatifi mi arıyorsunuz? ExitPath'in Mattermost, Zulip veya Element'e geçişle ilgili söylediklerine göz atın ve agent çalışmalarınızın kaybolmasını önleyin.

20 Kasım 2026

GPT-6.2 Astra vs Fable 5.2: İkisini de Kendi Reponuzda Test Edin

GPT-6.2 Astra vs Fable 5.2: İkisini de Kendi Reponuzda Test Edin

GPT-6.2 Astra vs Fable 5.2: kodlama ajanlarınızı hangisi çalıştırmalı? Aynı fiyatlı tokenların faturayı nerede böldüğünü görün ve ikisini kendi reponuzda test edin.

20 Kasım 2026