Yapay Zeka Yürütmesi: Yazılım için 'Metin Olarak Yapay Zeka' Çağının Sonu

Yazılım geliştirmede yapay zeka alanı derin bir dönüşümden geçiyor. Son iki yıldır, yapay zeka ile etkileşim için baskın paradigma basit bir alışverişi içeriyordu: metin girdisi ver, metin çıktısı al, ardından bir sonraki eylem planına manuel olarak karar ver. Bu "metin olarak yapay zeka" çağı, çığır açıcı olsa da, şimdi daha dinamik ve entegre bir yaklaşıma yerini bırakıyor. GitHub Copilot SDK ile, yürütme olarak yapay zeka'nın arayüz haline geldiği yeni bir çağ başlıyor.

Üretim yazılımı doğası gereği yürütme ile ilgilidir; adımları planlama, araçları çağırma, dosyaları değiştirme, hatalardan kurtulma ve kısıtlamalara uyum sağlama. Bunlar, yalnızca metin üretimiyle tam olarak kapsanamayacak karmaşık, çok adımlı operasyonlardır. GitHub Copilot SDK, bu boşluğu doğrudan ele alarak, GitHub Copilot CLI'ın temelini oluşturan güçlü yürütme katmanını herhangi bir yazılım uygulaması içinde programlanabilir bir yetenek olarak sunar. Bu, ekiplerin üretim ortamında test edilmiş planlama ve yürütme motorlarını doğrudan sistemlerine gömebilecekleri, böylece yapay zeka destekli uygulamaların mimarisi ve işleyişini temelden değiştirebilecekleri anlamına gelir.

Statik Betiklerden Adaptif Ajansiyel İş Akışlarına

Geleneksel yazılım geliştirme, tekrarlayan görevleri otomatikleştirmek için uzun süredir betiklere ve 'yapıştırıcı kodlara' güvenmektedir. Sabit diziler için etkili olsa da, bu çözümler bağlamsal incelikler, çalışma ortasında değişiklikler veya sağlam hata kurtarma ihtiyacı ile karşılaşıldığında hızla kırılgan hale gelir. Geliştiriciler genellikle uç durumları elle kodlar veya özel orkestrasyon katmanları oluşturur ki bu da zaman alıcı ve çoğu zaman sürdürülemez bir çabadır.

GitHub Copilot SDK, her bir adımı açıkça kodlamak yerine niyeti devretmelerine izin vererek uygulamaları bu kısıtlamalardan kurtarır. Bir uygulamanın "Bu depoyu yayın için hazırla"ması gerektiğini hayal edin. Katı bir betik yerine, Copilot SDK bir yapay zeka ajanının şunları yapmasını sağlar:

Keşfet: Deponun yapısını ve içeriğini keşfet.
Planla: Belgeleme güncelleme, testleri çalıştırma veya sürüm numaralarını artırma gibi gerekli adımları planla.
Değiştir: Gerektiği gibi dosyaları değiştir.
Çalıştır: Sistem ortamı içinde komutları çalıştır.
Adapte Ol: Herhangi bir adım başarısız olursa veya yeni bilgiler ortaya çıkarsa dinamik olarak adapte ol, tüm bunları önceden tanımlanmış sınırlar ve izinler dahilinde gerçekleştir.

Bu değişim, modern yazılım sistemleri için kritik öneme sahiptir. Uygulamalar büyüdükçe ve ortamlar geliştikçe, sabit iş akışları başarısızlığa açıktır. Copilot SDK tarafından desteklenen ajansiyel yürütme, yazılımın karmaşık orkestrasyonu sıfırdan yeniden inşa etme yükü olmadan adaptasyon sağlamasına ve kendi kendini düzeltmesine, gözlemlenebilirliği ve kısıtlamaları sürdürmesine olanak tanır. Bu, yapay zekayı geliştirme yaşam döngüsünde aktif, zeki bir katılımcı haline getirir ve temel kod tamamlama yeteneğinin ötesine geçerek akıllı görev otomasyonuna doğru ilerler. Bu karmaşık iş akışlarının nasıl güvence altına alındığına dair daha fazla bilgi için GitHub Ajansiyel İş Akışlarının güvenlik mimarisi makalesini inceleyin.

Güvenilir Yapay Zeka için Yapılandırılmış Bağlam: Model Bağlam Protokolü (MCP)

"Metin olarak yapay zeka" çağında yaygın bir tuzak, çok fazla sistem davranışını ve verisini yapay zeka istemlerine (prompt'larına) itmeye çalışmaktı. Görünüşte kullanışlı olsa da, mantığı metin olarak kodlamak, iş akışlarını test etmeyi, anlamlandırmayı ve geliştirmeyi zorlaştırır. Zamanla, bu ayrıntılı istemler, uygun yapılandırılmış sistem entegrasyonunun kırılgan ikameleri haline gelir.

GitHub Copilot SDK, Model Bağlam Protokolü (MCP)'den yararlanarak bağlama yapılandırılmış ve birleştirilebilir bir yaklaşımla bu sorunu ele alır. MCP ile geliştiriciler şunları yapabilir:

Tanımla: Yapay zekanın çağırabileceği alana özgü araçları veya ajan yeteneklerini tanımla.
Görünür Kıl: Bu araçları ve yetenekleri MCP aracılığıyla görünür kıl.
Etkinleştir: Yürütme motorunun çalışma zamanında bağlamı dinamik olarak almasını etkinleştir.

Bu, hizmet sahipliği verileri, API şemaları, geçmiş karar kayıtları, bağımlılık grafikleri veya dahili API'ler gibi kritik bilgilerin artık istemlere (prompt'lara) sıkıştırılması gerekmediği anlamına gelir. Bunun yerine, ajanlar planlama ve yürütme aşamalarında bu sistemlere doğrudan erişir. Örneğin, bir sorunu çözmekle görevli dahili bir ajan, tanımlanmış güvenlik kısıtlamalarına bağlı kalarak hizmet sahipliğini otomatik olarak sorgulayabilir, ilgili geçmiş verileri çekebilir, etki değerlendirmesi için bağımlılık grafiklerini kontrol edebilir ve çözüm önermek için dahili API'lere başvurabilir. Bu yaklaşım, bağlam enjeksiyonunun karmaşık olabildiği OpenAI API ile istem mühendisliği için en iyi uygulamalar zorluklarıyla keskin bir tezat oluşturur.

Neden Önemli: Güvenilir yapay zeka iş akışları, temellendirilmiş, izinli ve yapılandırılmış bağlam üzerine kuruludur. MCP, ajansiyel yürütmenin gerçek araçlar ve gerçek veriler üzerinde çalışmasını sağlayarak, metin tabanlı istem mühendisliğiyle ilişkili tahmini ve kırılganlığı ortadan kaldıran kritik altyapıyı sağlar.

Altyapı Olarak Yapay Zeka: Yürütmeyi IDE Dışına Gömme

Tarihsel olarak, geliştiriciler için yapay zeka araçlarının çoğu Entegre Geliştirme Ortamı (IDE) ile sınırlı kalmıştır. Kodlama için paha biçilmez olsa da, modern yazılım ekosistemleri tek bir düzenleyicinin çok ötesine uzanır. Ekipler, masaüstü uygulamaları, dahili operasyonel araçlar, arka plan hizmetleri, SaaS platformları ve olay güdümlü sistemler gibi sayısız ortamda ajansiyel yeteneklere ihtiyaç duyar.

Copilot SDK bu sınırları aşarak yürütmeyi bir uygulama katmanı yeteneği haline getirir. Bu, sisteminizin artık olayları (bir dosya değişikliği, bir dağıtım tetikleyicisi, bir kullanıcı eylemi) dinleyebileceği ve ajansiyel bir iş akışını başlatmak için Copilot'u programatik olarak çağırabileceği anlamına gelir. Planlama ve yürütme döngüsü, ayrı bir arayüz veya geliştirici aracı olarak değil, ürününüzün içinde çalışır.

Özellik	'Metin Olarak Yapay Zeka' Çağı	'Yürütme Olarak Yapay Zeka' Çağı (Copilot SDK)
Etkileşim	Metin girişi, metin çıktısı	Programlanabilir yürütme döngüleri
İş Akışı	Manuel karar, kırılgan betikler	Adaptif, kendi kendini düzelten ajanlar
Bağlam	Genellikle istemlere gömülü (kırılgan)	MCP aracılığıyla yapılandırılmış, gerçek zamanlı alım
Entegrasyon	İzole alışverişler, IDE merkezli	Her yere gömülü (uygulama, hizmet, SaaS)
Geliştirici Rolü	İstem mühendisliği, manuel orkestrasyon	Niyet, kısıtlamalar, araçlar tanımlama
Temel Prensip	Yapay zeka tavsiye eder, insan yürütür	Yapay zeka planlar ve yürütür, insan denetler

Neden Önemli: Yapay zeka yürütmesi doğrudan uygulamanıza gömüldüğünde, yardımcı bir yan karakter olmaktan çıkar ve temel altyapı haline gelir. Yazılımınızın çalıştığı her yerde kullanılabilir hale gelir, yapay zekanın gücünü dijital operasyonlarınızın her köşesine yayar, gerçekten akıllı ve adaptif bir yazılım ortamı yaratır.

Mimari Değişim: Programlanabilir Yapay Zeka ve Gelecek

"Metin olarak yapay zeka"dan "yürütme olarak yapay zeka"ya geçiş, önemli bir mimari evrimi temsil eder. Bu, yapay zeka ajanlarının yalnızca küçük parçacıklar üretmekle kalmayıp, tanımlanmış kısıtlamalar altında çalışabilen, gerçek sistemlerle sorunsuz bir şekilde entegre olabilen ve çalışma zamanında akıllıca adapte olabilen programlanabilir planlama ve yürütme döngüleri olduğu bir paradigmayı işaret eder.

GitHub Copilot SDK, bu geleceğin temel sağlayıcısıdır. Bu gelişmiş yürütme yeteneklerini programlanabilir bir katman olarak erişilebilir kılarak, geliştirme ekiplerini yapay zeka orkestrasyonunun temel "nasıl"ını sürekli olarak yeniden inşa etmek yerine, yazılımlarının daha üst düzeyde "ne" başarması gerektiğine odaklanmaya teşvik eder. Bu değişim, yapay zekayı yeni bir yardımcı araç olmaktan çıkarıp modern yazılım mimarisinin temel, vazgeçilmez bir bileşeni haline getirir ve genel olarak daha dayanıklı, otonom ve akıllı uygulamalar vaat eder. Uygulamanız mantığı tetikleyebiliyorsa, artık ajansiyel yürütmeyi de tetikleyebilir ve böylece gerçekten akıllı yazılımın yeni bir çağını başlatır.

Orijinal kaynak

https://github.blog/ai-and-ml/github-copilot/the-era-of-ai-as-text-is-over-execution-is-the-new-interface/

Sık Sorulan Sorular

What is the core shift from 'AI as text' to 'AI as execution' introduced by the GitHub Copilot SDK?

The fundamental shift signifies a move from AI systems that merely generate text output from text input, requiring manual human intervention for the next steps, to systems where AI can actively plan, execute, adapt, and recover from errors within a predefined set of constraints. This means AI transitions from a passive assistant to an active participant, capable of orchestrating complex, multi-step operations directly within software applications, making it a functional component rather than just a conversational interface. The Copilot SDK provides the tools to embed this execution layer into any application.

How does the GitHub Copilot SDK enable sophisticated agentic workflows within applications?

The GitHub Copilot SDK empowers applications by providing access to the same production-tested planning and execution engine that drives GitHub Copilot CLI. Instead of building complex orchestration stacks from scratch, developers can embed this SDK to delegate intent to AI agents. These agents can explore repositories, plan necessary steps, modify files, run commands, and adapt to unforeseen issues—all while respecting defined boundaries. This allows software to become more adaptive and resilient, moving beyond rigid, scripted workflows to dynamic, context-aware operations.

What is the Model Context Protocol (MCP) and why is it crucial for grounded AI execution?

The Model Context Protocol (MCP) is a vital component that enables structured and composable context for AI agents. Rather than embedding critical system logic and data within prompts—a practice that leads to brittle, hard-to-test workflows—MCP allows applications to define domain-specific tools and agent skills. The execution engine then uses MCP to retrieve relevant context directly at runtime, such as service ownership data, API schemas, or dependency rules. This ensures that AI agents operate on real, permissioned data and systems, preventing guesswork and making AI workflows more reliable and maintainable.

Beyond the Integrated Development Environment (IDE), where can the GitHub Copilot SDK embed AI execution?

The GitHub Copilot SDK liberates AI execution from being confined primarily to the IDE, allowing it to function as a pervasive application-layer capability. This means agentic capabilities can be seamlessly integrated into a wide array of environments, including desktop applications, internal operational tools, background services, SaaS platforms, and event-driven systems. By enabling applications to programmatically invoke Copilot upon specific events—like a file change, deployment trigger, or user action—the SDK transforms AI from a mere helper in a side window into core infrastructure that operates wherever the software runs.

What are the primary benefits of delegating multi-step tasks to AI agents using the Copilot SDK?

Delegating multi-step tasks to AI agents via the Copilot SDK offers significant advantages over traditional scripting. It allows software to handle workflows that are context-dependent, change dynamically mid-run, or require robust error recovery, which typically break down fixed scripts. By delegating 'intent' rather than explicit steps, agents can autonomously explore, plan, execute, and adapt within defined constraints. This leads to more scalable, adaptable, and observable systems, freeing developers from continually rebuilding bespoke orchestration layers for complex, evolving processes.

How does the Copilot SDK improve the reliability and adaptability of AI-powered systems?

The Copilot SDK enhances reliability and adaptability by providing a robust execution layer and integrating structured context. Its production-tested planning and execution engine ensures agents can plan complex operations, execute commands, modify files, and recover from errors, making systems more resilient. Furthermore, by utilizing the Model Context Protocol (MCP), agents access real-time, structured, and permissioned context—like API schemas or dependency graphs—rather than relying on potentially outdated or generalized prompt information. This grounding in real data ensures agents make informed decisions, reducing errors and increasing the system's ability to adapt to changing conditions and constraints.

Is the GitHub Copilot SDK primarily for professional developers, or can others benefit from its capabilities?

While the GitHub Copilot SDK is designed to empower professional developers by extending agentic AI capabilities into their applications and infrastructure, its benefits ripple outwards. By enabling AI to handle complex, multi-step tasks and integrate directly into various software systems, it streamlines workflows, reduces manual effort, and enhances the adaptability of applications. This ultimately benefits end-users and organizations by leading to more efficient, intelligent, and robust software, even if the direct interaction with the SDK is primarily on the developer's side. The SDK makes AI a fundamental infrastructure component across the software ecosystem.

Güncel Kalın

En son yapay zeka haberlerini e-postanıza alın.

Paylaş