Deepsense.ai, daha güvenilir AI kodlama agent'ları için on harness pattern'ı yayınladı

Agent'ın çevresini mühendislik için bir el kitabı

Deepsense.ai, harness mühendisliği dediği yaklaşım için uygulamalı bir rehber yayınladı: AI kodlama agent'larını, onlara verilen prompt'ları değil, çevrelerindeki sistemleri değiştirerek geliştirmek. Yazı, "Ten harness patterns that you can apply to a real repo" başlığıyla Hacker News'in ana sayfasına ulaştı. Deepsense.ai'ye göre bu tavsiyeler iki çabadan kaynaklanıyor: biri, agent'lar başlamadan önce onlar için ilgili context'i hazırlayan ve bu yılın başında bir OpenAI Codex hackathon'unu kazanan repository-zekâsı katmanı HyperCode'u geliştirmek; diğeri, farklı geçmişlere, iş akışlarına ve deneyim seviyelerine sahip çalışanlarla Codex ve Claude Code üzerinde bu pattern'ları şirket içinde denemek.

Ekip, bazı pattern'ların işe yararken bazılarının ayarlamaya ihtiyaç duyduğunu açıkça söylüyor. Küçük bir tutarsızlık olarak: yazının başlığı ve URL'si dokuz pattern'den bahsederken, kendisi özeti ve gövdesi on pattern listeliyor.

Harness nedir

Deepsense.ai, harness ile modelin çevresine inşa edilen her şeyi kastediyor: repository yapısı, AGENTS.md dosyaları ve spec'ler, araçlar ve skill'ler, hook'lar ve sidecar'lar, validation komutları, gözlemlenebilirlik ve kurulumun bozulmasını önleyen temizlik rutinleri. İnsanlar hedefleri koyar ve harness'i tasarlar; agent'lar onun içinde çalışır. Bir bug düzeltmesi, bir harness'in mümkün kıldığı döngüyü gösterir — agent kodu okur, bir değişiklik yapar, bir test çalıştırır, hatayı inceler ve tekrar dener — harness hem bu döngüyü mümkün kılar hem de sınırlarını belirler.

Yazının tamamının ardındaki ekonomik argüman şu: üretilen kod ucuzladı, ama insan zamanı ve model context'i hâlâ kıt. İşte bu tersine dönüş, yazarların prompt diliyle marjinal kazançlar peşinde koşmak yerine, bir modelin işin daha fazlasını güvenle üstlenebilmesi için dokümantasyona, context yüklemeye, validation'a ve geri bildirim döngülerine yatırım yapmasını önermesinin nedeni.

Repository bir bilgi tabanı olarak

Tavsiyelerin ilk katmanı, bir repo'yu agent'lar için okunabilir hale getirmekle ilgili. Repo kökündeki bir AGENTS.md dosyası, yetenekli bir mühendis için ilk günkü bir oryantasyan brifingi gibi davranmalı: mimariye genel bakış, auth middleware'ini asla bypass etmemek gibi temel kısıtlar, isimlendirme ve yapı konvansiyonları, yaygın görev türleri için giriş noktaları ve açık talimat olmadan girilmesi yasak alanlar.

Dosya, her görevin başında yüklenebilecek kadar kısa kalmalı ve modelin ayrıntıyı kademeli olarak keşfetmesini sağlayan, daha derin dokümantasyona işaret eden bir içindekiler tablosu gibi çalışmalı. Deepsense.ai'ye göre bu olmadan bir agent ya varsayımlar uydurur ya da yapıyı dosya ağacından çıkarırken context harcar.

Yazı ayrıca commit mesajlarını ve test docstring'lerini akıl yürütmenin kalıcı kaydı olarak konumlandırıyor: diff neyin değiştiğini gösterirken, commit gövdesi ve test açıklamaları nedenini yakalar — ve ikisi de zaten repository'de versiyonlanmış ve aranabilir durumdadır.

Kalan pattern'lar

El kitabının geri kalanı, yazının kendi özetinden:

• Context'i tam zamanında yükle: her şeyi önceden yüklemek yerine, her görev için ilgili dosyaları, testleri, geçmişi ve geçmiş kararları bir araya getir.

• Dayanıklı araçlarla başla: tanıdık komutlar artı birkaç odaklanmış, görevle ilgili skill.

• Validation'ı, insanlar, agent'lar ve CI'nın paylaştığı hızlı bir komut menüsü üzerinden keşfedilebilir kıl.

• Agent'ların açık retry sınırlarıyla validate etmesine, gözlemlemesine ve düzeltmesine izin vererek geri bildirim döngüsünü kapat.

• Görsel geri bildirimi seçici kullan — önce metin, yalnızca pikseller önemli olduğunda hedefli ekran görüntüleri.

• Amaç için prompt yaz: istenen sonucu ve karar sürecini açıklayarak, katı kuralları yalnızca gerçek invariant'lar için ayırarak.

• Planlamayı orantılı tut: kısa planlar ve düşük riskli deneyler, ayrıntıyı yalnızca hataların pahalı olduğu yerlere ekleyerek.

• Hataları guardrail'e dönüştür: sürtünmeyi checkpoint'lerde yakalayarak ve tekrarlayan sorunları dokümanlara, testlere veya linter'lara yükselterek.

• Model değişimlerine hazırlıklı ol: modeller ve araçlar geliştikçe iş akışını ve validation kontratını istikrarlı tutarak.

Neden önemli

Rehber, mühendislik ekiplerinde halihazırda devam eden bir kaymaya dair bir saha raporu: kodlama agent'ları daha fazla uygulama işini üstlendikçe, güvenilirliklerinin tavanını prompt kalitesinden çok çevredeki sistem belirliyor — agent hangi context'i alıyor, neye dokunmasına izin var ve incelemeden önce hangi kontrollerden geçmesi gerekiyor. Bu, agent benimsemeyi bir altyapı yatırımı olarak yeniden çerçevelendiriyor: AGENTS.md dosyaları, validation menüleri ve lint seviyesindeki guardrail'ler, repo'da yaşayan ve herhangi bir modelin ya da aracın ömründen uzun süren versiyonlanmış varlıklar. Son pattern dayanıklılık noktasını doğrudan ortaya koyuyor — modeller değişmeye devam edecek, dolayısıyla kurulumun kalıcı kısmı iş akışı ile onun validation'ı arasındaki kontrat. Agent'lı kodlamayı değerlendiren ekipler için deepsense.ai kontrol listesi, satıcı vaatleri yerine somut, test edilebilir adımlar sunuyor ve neyin işe yaradığı ile neyin ayarlamaya ihtiyaç duyduğuna dair dürüst hesap verişi, ona kıyaslanacak faydalı bir taban çizgisi katıyor.