DeepSeek, Yapay Zekâ Ajanlarında Her Bileşeni Eklentiye Dönüştüren Yeni Sistemini Açıyor

DeepSeek, geliştiricilere yönelik açık kaynaklı DeepSeek Harness projesinin erken sürümünü yayınlayarak yapay zekâ ajanlarının çalışma altyapısına farklı bir yaklaşım getirdi. Çin merkezli şirket, Cordis meta-çerçevesi üzerine kurduğu sistemde model, araç, oturum, dosya sistemi, güvenlik alanı, çalışma döngüsü ile kullanıcı arayüzünü ayrı eklentiler olarak tasarladı. Geliştiriciler böylece ajan mimarisinin temel parçalarını kaynak kodunu değiştirmeden değiştirebilecek, birleştirebilecek veya yeni bileşenlerle genişletebilecek.

DeepSeek Harness Ajan Mimarisi İçin Yeni Bir Katman Oluşturuyor

DeepSeek’in yayınladığı sistem, bir yapay zekâ modelinden çok modelin araçlarla nasıl çalışacağını yöneten bir çalışma katmanı olarak konumlanıyor. Geleneksel bir ajan yapısında istemlerin hazırlanması, bağlamın yönetilmesi, araç çağrılarının yürütülmesi, oturum durumunun korunması, hata yönetimi ile izinlerin kontrolü aynı uygulamanın farklı bölümlerine dağılabilirken DeepSeek Harness bu işlevleri bağımsız bileşenlere ayırıyor.

Claude Code, Anthropic modelleri için benzer bir aracılık katmanı sunarken OpenAI Codex de GPT ailesiyle çok adımlı görevleri yönetiyor. Aider, Cline, Goose, OpenCode, OpenHands ile Pi gibi projeler farklı ajan deneyimleri oluştururken DeepSeek’in yaklaşımı bileşenlerin kendisini değiştirilebilir birimler hâline getirmesi nedeniyle ayrışıyor.

Yapay zekâ ajanlarında kullanılan harness yapısı yalnızca modelin verdiği yanıtı yönetmiyor. Sistem, modelin hangi aracı ne zaman çağıracağını, hangi bağlamı sonraki adıma taşıyacağını, oturum durumunu nasıl koruyacağını, hataları nasıl ele alacağını ve kullanıcı izinlerinin hangi noktada uygulanacağını da belirliyor. Aynı modelin farklı harness yapıları altında farklı sonuçlar üretmesi de geliştiricilerin artık yalnızca model performansına bakmadığını gösteriyor.

DeepSeek’in kullandığı Cordis mimarisi, uygulamanın parçalarının çalışma sırasında eklenip çıkarılmasına odaklanıyor. Cordis’in temel yaklaşımı, bir bileşen kaldırıldığında onun oluşturduğu etkinin de sistemden ayrılmasını sağlayan zamansal birleştirilebilirlik ile bileşenlerin birbirlerinin bağımlılıklarını yönetmesine dayanan uzamsal birleştirilebilirliği birlikte ele alıyor.

Microsoft Visual Studio Code, eklenti tabanlı yazılım mimarisinin bilinen örneklerinden biri olarak farklı uzantıların aynı extension host içinde çalışmasını sağlıyor. VS Code’daki bir uzantı etkinleştirildikten sonra bazı değişiklikler için çalışma sürecinin yeniden başlatılması gerekebilirken Cordis tabanlı yaklaşım, bileşenlerin daha dinamik biçimde eklenip çıkarılmasını hedefliyor.

DeepSeek’in tasarımı özellikle sürekli değişen ajanlarda önem kazanıyor çünkü geliştiriciler farklı araçları, modelleri veya çalışma yöntemlerini test ederken bütün uygulamayı yeniden başlatmak zorunda kalmayabiliyor. Eklentiler arasındaki bağımlılıkların açık biçimde tanımlanması da bir bileşenin değiştirilmesi sırasında diğer işlevlerin bozulma riskini azaltmayı amaçlıyor.

DeepSeek Harness içinde model seçimi tek başına sabit bir karar olarak ele alınmıyor. Araçlar, beceriler, oturumlar, depolama, dosya sistemleri, çalışma döngüleri, zamanlama, alt ajanlar ile kullanıcı arayüzü ayrı yetenekler şeklinde yapılandırılabiliyor.

Bir geliştirici belirli bir görev için farklı bir model kullanmak istediğinde sistemin tamamını yeniden yazmak yerine ilgili eklentiyi değiştirebiliyor. Aynı yaklaşım bir komut satırı aracı, sandbox, dosya sistemi veya araç seti için de uygulanabildiği için ajan altyapısı tek bir ürünün kapalı çalışma biçimine daha az bağımlı hâle geliyor.

Google Antigravity de ajan çalışma zamanı, Agent SDK, masaüstü uygulaması ile komut satırı arayüzünü farklı katmanlarda ele alan bir mimari sunuyor. DeepSeek’in yaklaşımı ise bu katmanların daha küçük parçalarını da değiştirilebilir eklentiler hâline getirerek yapılandırma seviyesini daha aşağıya çekiyor.

DeepSeek Harness’ın önemli özelliklerinden biri, ajan oturumunda gerçekleşen işlemleri eklenebilir bir kayıt akışında tutması. Sistem, istemleri, model çıktıları, araç çağrılarını, araç sonuçlarını, alt ajan planlamasını ve bağlam eklemelerini aynı oturum kaydında saklayarak geliştiricilerin bir görevin hangi aşamalardan geçtiğini incelemesine olanak tanıyor.

Trajectory görünümü, geliştiricilerin kayıtları kaynaklarına göre incelemesine yardımcı olurken aynı olay akışı üzerinden oturumu sürdürme, çatallama, arama veya yeniden oynatma işlemleri gerçekleştirilebiliyor. Böyle bir yapı özellikle uzun süren kodlama görevlerinde hata ayıklama açısından önem taşıyor çünkü geliştirici yalnızca son yanıtı değil ajanın o sonuca ulaşırken kullandığı araç zincirini de değerlendirebiliyor.

DeepSeek R1’in muhakeme odaklı yaklaşımıyla birlikte düşünüldüğünde kayıt altyapısı daha ayrı bir önem kazanıyor. Ara adımların incelenmesi, bir modelin hangi noktada hata yaptığını veya ek düşünme süresinin çıktıyı nasıl değiştirdiğini araştıran geliştiricilere daha fazla gözlem alanı sağlıyor.

DeepSeek’in yaklaşımı, yapay zekâ sistemlerinde muhakeme izlerinin nasıl ele alınacağı konusundaki farklılaşmayı da gündeme getiriyor. Anthropic, Claude modellerinde bazı düşünme özelliklerine erişim sağlasa da kullanıcıya sunulan düşünme içeriğini ham muhakeme yerine özetlenmiş biçimde göstermeyi tercih ediyor.

OpenAI da o1 modelinin tanıtıldığı dönemde ham düşünce zincirlerini kullanıcılarla paylaşmama kararını açıklamıştı. Şirket, söz konusu tercihin kullanıcı deneyimi, rekabet avantajı ile muhakeme izlerinin izlenmesi gibi faktörlerle ilişkili olduğunu belirtmişti.

DeepSeek’in açık kaynak yaklaşımında ise yürütme sürecinin daha ayrıntılı biçimde incelenebilmesi geliştiriciler için farklı bir avantaj oluşturabilir. Modelin hangi adımları attığını gözlemlemek, ajan tasarımındaki hataların bulunmasını kolaylaştırırken araştırmacıların farklı harness yapılarını karşılaştırmasına da alan açabilir.

DeepSeek’in yeni projesi, yapay zekâ sektöründeki rekabetin yalnızca model benchmarkları veya API fiyatları üzerinden ilerlemediğini gösteren önemli örneklerden biri olarak öne çıkıyor. Modeller birbirine daha fazla yaklaştıkça geliştiricilerin kullandığı araç zinciri, kullanıcı arayüzü, eklenti sistemi, bağlam yönetimi ile ajan çalışma döngüsü ürün seçiminde daha belirleyici hâle geliyor.

Earendil şirketinin Pi ajanının geliştirilmesini yöneten Armin Ronacher, DeepSeek Harness’ın bazı tasarım kararlarının kendi ekiplerini mevcut tercihlerini yeniden değerlendirmeye yönelttiğini belirtti. Ronacher’ın değerlendirmesi, açık kaynak topluluğunda projenin yalnızca DeepSeek modellerine erişim sağlayan bir araç olarak değil ajan geliştirme mimarisine yönelik farklı bir fikir olarak karşılık bulduğunu gösteriyor.

Türkiye’deki yapay zekâ geliştiricileri açısından yaklaşım özellikle kurum içi ajanların tasarımında önem taşıyabilir. Şirketler farklı modelleri, şirket içi araçları, güvenlik politikalarını veya veri kaynaklarını aynı ajan üzerinde denemek istediğinde değiştirilebilir bileşenler geliştirme süresini azaltabilir. Kurumsal kullanımda asıl değer ise yalnızca model değiştirebilmekten değil izinler, sandbox, dosya erişimi, oturum kayıtları ve araç çağrıları gibi kritik katmanları ayrı ayrı kontrol edebilmekten gelebilir.

DeepSeek’in projesi erken sürüm aşamasında olduğu için mimarinin gerçek üretim ortamlarında ne kadar kararlı çalışacağı henüz netleşmiş değil. Projenin geliştirici topluluğundan alacağı katkılar, Cordis tabanlı eklenti modelinin ne kadar geniş bir ekosisteme dönüşeceğini belirlerken ajan altyapısında modüler tasarımın yeni standartlardan biri olup olmayacağını da gösterecek.