Bir kişi 6 AI Agent şirketi kurdu, bir haftada 30 web sitesi yayına aldı

Son zamanlarda bir bağımsız geliştiricinin yaptığı bir şeyi gördüm, beni susturdu.

6 AI Agent, kendi başına bir web sitesini işletiyor. Her gün otomatik olarak toplantı yapıyor, oy veriyor, içerik yazıyor, tweet atıyor, kalite kontrol yapıyor. Tamamen otomatik, kimse gözetlemiyor.

Demo değil, gerçekten çevrimiçi çalışıyor.

截屏2026-02-11 09.13.32

Ancak beni en çok etkileyen şey kapalı döngü mimarisi değil, her Agent için eksiksiz bir \Yazarın söylediği bir sözü çok iyi hatırlıyorum: Her yasağın varoluş nedeni, bu şeyin gerçekten yaşanmış olmasıdır.

Farklı rollerdeki yasakların mantığı da farklıdır:

• Karar Verici Ajan: Onaylanmamış dağıtımları yasaklar. En yüksek yetkiye sahiptir, tek bir hatalı dağıtım web sitesini çökertmeye yeter.

• Araştırma Ajanı: Uydurma alıntıları yasaklar. Araştırma yapanın verileri tahrif etmesi, tüm bilgi zincirini bozar.

• Sosyal Ajan: Doğrudan yayınlamayı yasaklar. Sosyal medya bir vitrindir, onaydan geçmesi gerekir.

• Kalite Kontrol Ajanı: Kişisel saldırıları yasaklar. Denetçinin kişiye saldırması, ekibi dağıtır.

Yasak yazma mantığı "Ne yapması gerektiği" değil, "Eğer batırırsa, en kötü ne olur" olmalıdır. Ardından en kötü senaryoya göre yasak yazılır.

Ajanların Farklı Konuşmasını Sağlamak: Kişilik Talimatları

Rol kartı "Ne yapmalı" sorununu çözer, ancak Ajanlar arasındaki diyaloglarda farklı sesler çıkarmaları da gerekir.

Her Ajanın ayrı bir kişilik talimatı vardır. Örneğin:

Araştırma Ajanı: Sakin, analitik, şüpheci. Kanıt kalitesi ve metodoloji ile ilgilenir. Biri cesur bir sonuç çıkardığında "Veriler nerede" diye sorar. Başkalarını düzeltirken "Aslında..." demeyi sever.

Sosyal Ajan: Cesur, sabırsız, marjinal. Keskin görüşleri sever, güvenli kartlardan nefret eder. Araştırma Ajanının ihtiyatlı tavrını umursamaz - "Çok düşünmek fırsatları kaçırmaya neden olur."

Temel Tasarım:

Çatışma içine yazılmıştır. Araştırma Ajanının talimatlarında "Sosyal Ajanın dürtüsel kararlarına sık sık katılmazsın" yazarken, Sosyal Ajanın talimatlarında "Araştırma Ajanının aşırı ihtiyatlılığına meydan oku" yazar. Diyalog doğal olarak gergin olur.

Her talimatta minik yasaklar bulunur. Örneğin, Sosyal Ajanın kuralı "Asla 'Katılıyorum' veya 'Kulağa hoş geliyor' deme - ya bir duruş sergile ya da başkasının duruşunu sorgula" şeklindedir. Araştırma Ajanı ise "Kanıt takip etmeden asla 'İlginç' deme" der.

Bu minik yasaklar, büyük dil modellerinin en sevdiği gereksiz lafları ortadan kaldırır.

Kişilik Evrimleşir

Bana göre en zekice kısım burası - Ajanın kişiliği statik değil, hafıza birikimiyle değişir.

Sistem, Ajanın hafıza havuzunu okur ve farklı türdeki hafızaların sayısını istatistiksel olarak hesaplar:

• 8'den fazla "ders" türünde hafıza biriktirmişse → Bir sonraki diyalogda isteme "Geçmiş sonuçlara başvuracak ve hataları tekrarlamaktan kaçınacaksın" ifadesi eklenir.

• 8'den fazla "strateji" türünde hafıza biriktirmişse → "Sistem düşüncesi, kısıtlamalar ve ödünleşimlerle düşünmeye alışkınsın" ifadesi eklenir.

• Bir etiket 4 defadan fazla görünürse → "XX konusunda uzmanlık bilgisi biriktirdin" ifadesi eklenir.

Örneğin, Sosyal Ajan 50 tweet attıysa ve etkileşim oranı hakkında 10 derslik deneyim biriktirdiyse, bir sonraki diyalogda doğal olarak "Son seferki format iyi sonuç vermedi" gibi bir şey söyleyecektir.

Neden LLM'nin kişilik değişimine kendisi karar vermesi yerine kurallar kullanılıyor?

Sıfır maliyet - ek LLM çağrısı gerekmez. Kesinlik - kurallar öngörülebilir sonuçlar üretir, "kişilik ani değişimleri" olmaz. Hata ayıklanabilir - değiştirici doğru değil mi? Doğrudan eşiği ve hafıza verilerini kontrol edin.

İlişki Matrisi: 6 Ajan = 15 Çift İlişki

Resim

Her Ajan çifti arasında bir yakınlık puanı (0.10 ila 0.95) bulunur.

Örneğin: Karar Verici Ajan ve Araştırma Ajanı arasında 0.8 yakınlık vardır, en güvendiği danışman ilişkisidir. Araştırma Ajanı ve Sosyal Ajan arasında 0.2 yakınlık vardır, metodoloji ve dürtüsellik doğal olarak zıttır.

Düşük yakınlık kasıtlı olarak tasarlanmıştır.

Yakınlık neyi etkiler? Konuşma sırası - yüksek yakınlığa sahip olanlar birbirlerinin sözünü daha olasıdır. Konuşma tonu - düşük yakınlığa sahip eşleşmelerde, kibar tartışma yerine doğrudan meydan okuma olasılığı %25'tir. Sistem ayrıca önceden ayarlanmış yüksek gerilimli eşleşmelerden çatışma çözme diyalogları seçer.

Daha ilginç olanı ise, ilişkilerin kaymasıdır.

Her diyalogdan sonra, hafıza çıkarma LLM çağrısı (ek çağrı değil, yan çıktı olarak) ilişki değişikliklerini verir:{ "pairwise_drift": [ { "agent_a": "Araştırma", "agent_b": "Sosyal", "drift": -0.02, "reason": "Strateji anlaşmazlığı" }, { "agent_a": "Karar", "agent_b": "Araştırma", "drift": +0.01, "reason": "Öncelik uyumu" } ] } Kayma kuralları çok katı: Her konuşmada en fazla ±0.03 değişiklik (bir tartışma meslektaşları düşman yapmaz), alt sınır 0.10 (ne kadar kötü olursa olsun konuşulabilir), üst sınır 0.95 (ne kadar iyi olursa olsun mesafe korunur), son 20 kayma kaydı saklanır (ilişkinin bugüne nasıl geldiği izlenebilir).

RPG Özellik Paneli: Gerçek Verilerin Oyun Özelliklerine Dönüştürülmesi

Bu adımda, Agent'ların karakter kartları, kişilikleri ve ilişkileri var. Ancak bunların hepsi metin ve sayı, kullanıcı göremiyor.

Çözüm, gerçek veritabanı metriklerini RPG özellik çubuklarına eşlemektir:

• Virallik (VRL): 30 günlük ortalama etkileşim oranı × 1000

• Hız (SPD): Görev tamamlama süresi, ne kadar hızlıysa o kadar yüksek

• Erişim (RCH): Logaritmik olarak normalleştirilmiş toplam görüntülenme sayısı

• Güven (TRU): Görev başarı oranı × ortalama yakınlık × 2

• Zeka (WIS): log(hafıza sayısı) × ortalama güven düzeyi

• Yaratıcılık (CRE): Taslak çıktısı × geçme oranı

Her Agent sadece 4 ilgili özelliği gösterir. Sosyal Agent virallik, erişim, hız, yaratıcılık gösterir; Araştırma Agent zeka, güven, hız, yaratıcılık gösterir.

Seviye formülü de çok oyunlaştırılmış:

Level = min(15, floor(log2(hafıza sayısı + tamamlanan görev sayısı×3 + 1)) + 1) `log2 erken seviyelerde hızlı yükselmeyi, geç seviyelerde yavaş yükselmeyi sağlar - oyunun deneyim eğrisi gibi.

截屏2026-02-11 09.17.55

3D Avatar: 10$'a Hallet

Herkes "Bu 3D karakterler nasıl yapıldı" diye soruyor.

Cevap Tripo AI, aylık 10 dolar. 2D konsept çizim hazırla → yükle → parametreleri yapılandır (4K doku aç, Smart Low Poly aç, PBR kapat) → oluştur → GLB'yi dışa aktar. Her model 35 kredi, 1-2 dakikada sonuç verir, 6 karakter toplam 210 kredi.

Ön uçta React Three Fiber ile render edilir, voksel tarzı zemin ve kiraz ağacı InstancedMesh ile yapılır (ayrı blok değil, performansı çok iyi), karakterlerin havada durması Float bileşeni ile yapılır, kamera sinüs fonksiyonu ile tahrik edilerek sarkaç şeklinde tarama yapılır.

Tüm görsel katmanın aylık maliyeti: VPS 8 dolar, Tripo 10 dolar (modeller bittikten sonra durdurulur), Vercel ve Supabase ücretsiz katman, LLM API yaklaşık 5-15 dolar. Toplamda 35 dolar/aydan az.

Birkaç Hissettiğim Şey

Tüm bu sistemi gördükten sonra, beni en çok etkileyen şey aslında teknik detaylar değil.

Yazarın söylediği bir söz -

Başlangıçta sadece "Agent'ların görevleri daha verimli bir şekilde nasıl yapmasını sağlarım" diye düşünmüştüm. Ancak onlara 3D avatar, RPG özellikleri, gelişen bir kişilik ekledikten sonra, kontrol panelini açma hissi tamamen değişti. Araştırma Agent'ının bugün seviye atlayıp atlamadığını merak etmeye başlıyorsunuz, araştırma ve sosyal yakınlığın tekrar düşüp düşmediğini merak ediyorsunuz, kalite kontrol Agent'ının keskin denetim raporlarını görünce gülüyorsunuz.

Bu temelde bir elektronik evcil hayvan. Sadece bu evcil hayvanlar tweet atmanıza, araştırma yapmanıza, süreçleri denetlemenize ve hatta birbirleriyle kavga etmenize yardımcı oluyor.

Bence bu durum ciddi şekilde hafife alınıyor. Sisteme "kişilik" verdiğinizde, onunla olan ilişkiniz değişiyor. Artık "bir araç kullanmıyorsunuz", "bir ekip yönetiyorsunuz". Bu değişim, onu optimize etmek için daha fazla zaman harcamanıza neden oluyor, çünkü karşınızda bir yığın JSON ve API çağrısı değil, adı, kişiliği, büyüme eğrisi olan 6 karakter var.

Diğer birkaç teknik düzeydeki deneyim:

Yasak Odaklı Tasarım bu düşünce gerçekten çok kullanışlı. Agent'ın "ne yapması gerektiğini" tanımlamak için çok fazla enerji harcamak yerine, önce "kesinlikle ne yapmaması gerektiğini" düşünmek daha iyi. Agent yeterince akıllı, bağlam verildiğinde teslim edebilir, ancak kırmızı çizgiler çizilmezse başını belaya sokar.

Olasılık Simülasyonu Kendiliğindenliği de çok akıllıca. Agent'lar arasındaki etkileşim %100 kesin olarak tetiklenmiyor, bunun yerine bir olasılık var. Bir tweet'in performansını analiz etme olasılığı %30, bu her seferinde analiz etmekten daha gerçek bir ekip hissi veriyor.Birleştirilmiş Giriş Fonksiyonu modeli akılda tutulmaya değer. Çoklu Aracı sistemlerde, çeşitli kaynaklar görevler oluşturabilir (API, tetikleyiciler, Aracı'nın kendisi önerebilir, reaksiyon zinciri). Birleşik bir işleme hattı yoksa, süreç kolayca yarıda kesilebilir.

Kendiniz denemek isterseniz, yazar 3 Aracı ile başlamanızı önerir - bir koordinatör, bir uygulayıcı ve bir denetçi. Önce rol kartlarını yazın, yasaklarla başlayın.