Yapay Zeka Kodlama Ajanlarında Ortak Hafıza, Sıfır-Token Kasası ve Öz-Eğitim Mimarisi Rehberi

Neden Çoklu AI Ajanlarında Ortak Hafıza ve Sıfır-Token Mimarisine İhtiyaç Duyulur?

Yapay zeka destekli yazılım geliştirme süreçlerinde geliştiriciler artık tek bir araca bağlı kalmıyor; mimari planlama, hızlı refaktör, uçtan uca test veya tersine mühendislik için Claude Code, Cursor, OpenAI Codex ve Google Antigravity gibi birden fazla otonom ajanı aynı anda kullanıyor. Ancak bu çoklu ajan ekosisteminde üç büyük mühendislik darboğazı ortaya çıkıyor:

• Bağlam Şişmesi (Context Bloat) ve Gizli Token Maliyeti: Ajanlara eklenen her yeni yetenek (SKILL.md), eklenti (plugin) ve açık bırakılan her Model Context Protocol (MCP) sunucusu, her mesajda sistem istemine (system prompt) yeniden enjekte edilir. Yüzlerce yetenek yüklendiğinde başlangıç maliyeti mesaj başına 30.000+ token'a ulaşır.
• Kurumsal Hafıza Kaybı (Amnezi): Bir kodlama ajanında saatlerce uğraşıp çözdüğünüz karmaşık bir Content-Security-Policy (CSP) veya SQLite kilitlenme sorunu, ertesi gün açtığınız başka bir ajanda sıfırdan tekrar yaşanır. Ajanlar birbirinin geçmişini ve projelerin ortak mimari kararlarını göremez.
• Mimari Halüsinasyonlar: Ajanlar, projenin gerçek model ve rota haritasını tek bakışta göremediğinde var olmayan sütun adları veya uyumsuz kütüphaneler önermeye başlar.

Bu rehberde, tüm yapay zeka kodlama ajanlarını tek bir merkezi SQLite beynine bağlayan, başlangıç token tüketimini %95 oranında düşüren ve geçmiş hatalardan ders çıkararak kendi kendini eğiten (Self-Evolving) modern bir orkestrasyon mimarisini adım adım nasıl kuracağınızı inceliyoruz.

1. Mimari Tasarım: Soğuk Kasa (Cold Vault) ve Sıfır-Token Kapısı

Geleneksel kurulumlarda geliştiriciler tüm yetenek paketlerini (SEO denetimi, UI/UX tasarım kuralları, belge üreticiler, güvenlik tarayıcıları) doğrudan ajanın aktif yapılandırma dizinine (örneğin ~/.claude/skills veya ~/.gemini/config/skills) kopyalar. Oysa bir oturumda 1.000 yetenekten yalnızca 1 veya 2 tanesi kullanılır.

Sıcak Kapı (Hot Gate) vs. Soğuk Kasa (Cold Vault)

Sıfır-token mimarisinde yetenekler iki katmana ayrılır:

1. Aktif Bağlam (Sıcak Kapı — Yalnızca 2 Yetenek): Ajanların otomatik okuduğu global dizinlerde yalnızca iki hafif çekirdek yetenek sembolik bağ (symlink) olarak bırakılır: iş akışı disiplini sağlayan Uçtan Uca Teslimat Standardı ve tüm sistemi yöneten Merkezi Orkestratör Kapısı.
2. Soğuk Kasa (Cold Vault — Sınırsız Yetenek): Binlerce uzmanlık yeteneği ve ağır eklenti, ajanların doğrudan taramadığı merkezi bir arşiv dizininde (örneğin ~/ai-memory-hub/vault/skills/) tutulur. Bu klasördeki hiçbir dosya, ihtiyaç duyulmadıkça tek bir token bile harcamaz.

Damıtılmış Kuantum Özütü (Distilled Essence)

Bir yetenek dosyası çağrıldığında bile 800 satırlık ham SKILL.md metnini modele yüklemek yerine, indeksleme sırasında her yeteneğin yalnızca başlıklarını, kritik kurallarını ve kontrol listelerini içeren ~1.200 karakterlik bir distilled_essence (damıtılmış özüt) sütunu oluşturulur. Böylece ajan, tam dosyayı okumadan önce %80 daha az token harcayarak tüm kurallara hakim olur.

2. Merkezi SQLite FTS5 Ortak Beyni

Farklı yapay zeka araçlarının aynı hafızayı paylaşabilmesi için harici bir vektör sunucusu veya ücretli bulut veritabanı gerekmez. Yerel diskte çalışan, FTS5 (Full-Text Search 5) destekli tek bir shared_memory.sqlite dosyası milisaniyeler içinde tüm ajanları senkronize eder.

Temel Veritabanı Şeması

Merkezi hafıza veritabanı altı ana tablodan oluşur:

• skills_catalog: Soğuk kasadaki tüm yeteneklerin adı, açıklaması, öncelik katmanı (priority / vault), dosya yolu ve damıtılmış özütü (distilled_essence).
• conversations ve messages_fts: Farklı AI araçlarının yerel loglarından (.jsonl ve durum veritabanları) çekilen tüm sohbet geçmişinin tam metin aranabilir indeksi.
• project_profiles: Çalışılan her projenin teknoloji yığını (Laravel, Next.js, Flutter, ESP32 vb.), gerçek model/rota yapısı ve önerilen yetenekleri.
• learned_lessons: Geçmiş sohbetlerden ve Git commit geçmişinden çıkarılan kategorize edilmiş teknik çözümler.
• self_training_rules: Kullanıcının geçmişte yaptığı düzeltmelerden ("bu yöntem çalışmadı", "token'ı şişirme", "bu alanı gizle") sentezlenen kalıcı güvenlik ve kalite bariyerleri.
• project_recommendations: Bir projede başarıyla uygulanan mimari desenlerin, eksik olan diğer projelere proaktif öneri olarak sunulduğu çapraz zeka tablosu.

CREATE TABLE IF NOT EXISTS skills_catalog (
    name TEXT PRIMARY KEY,
    description TEXT,
    skill_path TEXT,
    tier TEXT DEFAULT 'vault',
    distilled_essence TEXT,
    updated_at TEXT DEFAULT CURRENT_TIMESTAMP
);

CREATE VIRTUAL TABLE IF NOT EXISTS messages_fts USING fts5(
    conversation_id,
    source_tool,
    role,
    content
);

3. Model Context Protocol (MCP) ile Tek-Darbe (Single-Shot) Bağlam Sentezi

Ajanın bir göreve başlarken önce yetenek araması, sonra proje profilini okuması, ardından geçmiş hataları sorgulaması 3-4 ayrı araç çağrısı (tool call) ve gereksiz tur (round-trip) maliyeti yaratır. Bunun yerine merkezi MCP sunucusunda Tek-Darbe Bağlam Sentezleyici bir araç tanımlanır.

Tek Çağrıda 4 Boyutlu Gerçeklik Paketi

Ajan göreve başlarken merkezi MCP sunucusuna yalnızca görev tanımını ve proje adını gönderir. Sunucu tek bir JSON yanıtında şu dört veriyi birleştirerek döner:

1. Eşleşen Yetenek Özütleri: Görevle en alakalı 2-3 yeteneğin damıtılmış kuralları ve geçmiş başarı puanı (telemetri skoru).
2. Proje Gerçeklik Çapası (Zero-Hallucination Grounding): Projenin gerçek dizin yapısı, mevcut veritabanı modelleri ve aktif API uç noktaları.
3. İlgili Deneyimler: Daha önce benzer bir görevde çözülmüş gerçek teknik notlar.
4. Aktif Öz-Eğitim Bariyerleri: Kullanıcının kırmızı çizgileri ve tekrarlanmaması gereken anti-pattern kuralları.

Uyuyan MCP Yöneticisi (Sleeping MCPs)

Veritabanı yönetimi, bulut telemetrisi veya ikili dosya (binary) tersine mühendislik için kullanılan ağır MCP sunucuları varsayılan olarak "disabled": true (uyku) modunda tutulur. Merkezi orkestratör, yalnızca görev o uzmanlığı gerektirdiğinde ilgili MCP sunucusunu uyandırır ve görev bittiğinde tekrar uyku moduna alarak sıfır-token disiplinini korur.

4. Kendi Kendini Eğiten ve Geliştiren Deneyim Motoru (Self-Evolving Engine)

Statik dokümantasyon hızla eskir. Gerçek bir yapay zeka mühendislik asistanı, geliştiriciyle yaptığı her oturumdan ve her kod taahhüdünden (commit) otomatik olarak yeni kurallar çıkarmalıdır.

4 Katmanlı Otonom Evrim Döngüsü

Arka planda zamanlanmış bir görev (örneğin macOS LaunchAgent veya Linux systemd/cron) olarak çalışan Python tabanlı Evrim Motoru şu dört işlemi otonom olarak yürütür:

• 1. Dinamik Kategori ve Başlık Keşfi: Yeni tamamlanan sohbetleri ve Git geçmişini tarar; SEO, GEO, Veritabanı, Güvenlik, Gömülü Sistemler, Mobil Uygulama veya Ödeme Sistemleri gibi dinamik başlıklar altında deneyimler/ klasörüne Markdown özetleri yazar.
• 2. Düzeltmelerden Öz-Eğitim (Self-Correction): Kullanıcının sohbet sırasında yaptığı uyarıları tespit eder. Örneğin geliştirici bir CSS çakışmasını veya yanlış bir API kullanımını düzelttiğinde, bunu kalıcı bir kural olarak self_training_rules tablosuna işler.
• 3. Otomatik Yetenek Sentezleyici (Auto-Skill Synthesizer): Belirli bir teknik kategoride (örneğin Web Push Bildirimleri veya Performans Önbellekleme) 10'dan fazla doğrulanmış deneyim biriktiğinde, motor bu deneyimleri birleştirerek otomatik olarak yeni bir oto-uzmanlik/SKILL.md yeteneği üretir ve soğuk kasaya indeksler.
• 4. Çapraz Proje Zekası (Cross-Pollination): Tüm projelerin yapılandırma dosyalarını karşılaştırır. Örneğin A projesinde bulunan llms.txt (AI arama motoru rehberi) veya Content-Security-Policy başlığı B projesinde eksikse, B projesi açıldığında ajana "A projesindeki bu güvenlik/SEO yapısını buraya da uygulayabilirsin" şeklinde proaktif öneri sunar.

5. Gizlilik ve Güvenlik: Kişisel Hafızayı Özel Git Deposunda Yedekleme

Ortak hafıza sistemi projelerinizin mimari haritasını ve geçmiş konuşmalarınızı barındırdığı için Sıfır Güven (Zero Trust) ilkeleriyle korunmalıdır:

• Otomatik Sır Maskeleme (Secret Sanitization): Evrim motoru ve hafıza kaydedici, metinleri veritabanına veya Markdown dosyalarına yazmadan önce tüm API anahtarlarını (sk-..., AIza..., ghp_..., Bearer ...) ve parolaları Regex filtreleriyle otomatik olarak <REDACTED> şeklinde maskeler.
• Büyük İkili Dosyaları Hariç Tutma (.gitignore): Ham SQLite dosyaları, sanal ortamlar (.venv, node_modules) ve üçüncü parti kasa arşivleri .gitignore ile dışarıda bırakılır; yalnızca temizlenmiş, metin tabanlı deneyim sentezleri ve çekirdek orkestratör betikleri Private (Özel) bir Git deposunda sürüm kontrolüne alınır.
• Ön-Gönderim Güvenlik Taraması (Pre-Push Secret Scan): git push öncesinde çalışan kabuk betiği, sahnelenen (staged) dosyalarda hassas anahtar deseni arar ve en ufak bir sızıntı şüphesinde gönderimi otomatik olarak durdurur.

Sonuç: Az Token, Sıfır Halüsinasyon, Birikimli Mühendislik Zekası

Yapay zeka kodlama ajanlarını yalnızca tek seferlik komut çalıştıran araçlar olmaktan çıkarıp, her projede deneyim kazanan ortak bir mühendislik hafızasına dönüştürmek; hem API/abonelik limitlerinizi korur hem de yazılım kalitesini standartlaştırır. Soğuk Kasa (Cold Vault), SQLite FTS5 ortak veritabanı ve otonom Evrim Motoru üçlüsüyle kendi yerel AI orkestratörünüzü bugün kurabilir ve tüm geliştirme araçlarınızda tek bir komutla çalıştırabilirsiniz.