LinearB, Kodlama Ajanlarına Mühendislik Bağlamı Sunmak için Agentic Studio’yu Kullanıma Sundu

LinearB, yazılım teslimat verilerini mühendislik liderlerinin ve kodlama ajanlarının karar verirken kullanabileceği bağlama dönüştürmek için Agentic Studio’yu kullanıma sundu. 2 Kasım’da duyurulan platform, doğal dilde analiz özelliğini ekiplerin yazılımı planlamak, yazmak, gözden geçirmek ve yayımlamak için kullandığı araçları kapsayan bir mühendislik bağlamı katmanıyla bir araya getiriyor.

Bu lansman, yapay zekâ destekli geliştirmede giderek büyüyen bir soruna işaret ediyor: Daha fazla kod üretmek, bir kuruluşun yararlı yazılımları daha hızlı teslim etmesine kendiliğinden yardımcı olmuyor. Kod incelemeleri yığılabilir, değişiklikleri değerlendirmek zorlaşabilir ve ajanlar hangi hizmetlerin kırılgan olduğunu ya da belirli bir düzeltmenin neden önemli olduğunu bilmeden göreve başlayabilir.

Duyuruya göre Agentic Studio, tüm LinearB müşterilerinin kullanımına açık. Bir ajanın harcadığı çabayı göreve göre ayarlamaya yönelik ilk özellik de dâhil olmak üzere ajan becerileri ise erken erişim aşamasında.

Teslimat Verilerini Mühendislik Bağlamına Dönüştürmek

LinearB, yazılım teslimatının farklı aşamalarından bilgi topluyor ve bunları ortak bir modelde standartlaştırıyor. Şirket, Git ve proje yönetimi sistemlerindeki mühendis kimliklerini eşleştirdiğini, değişiklikleri bilet aşamasından sürüme kadar ilişkilendirdiğini ve liderlerin sonuçları yorumlamasına yardımcı olmak için yapay zekâya atfedilen katkı bilgileriyle kıyaslama verileri eklediğini belirtiyor.

Önemli olan, bu kayıtları birbiriyle ilişkilendirmek. Bir çekme isteği tek başına ele alındığında basit görünebilir; oysa yakın zamanda olaylar yaşanan, sık sık yeniden çalışma gerektiren ya da sahipliği karmaşık olan bir hizmeti etkiliyor olabilir. Değişikliği bu geçmişle ilişkilendirmek, incelemeyi yapan kişiye veya kodlama ajanına yalnızca bir depo anlık görüntüsünün sunamayabileceği bilgiler sağlar.

Yeni stüdyoda liderler gündelik dille sorular sorabilir, önerilen sonraki adımları alabilir ve yapay zekâ desteğinden yararlanarak ölçümler, gösterge panoları ve başka çıktılar oluşturabilir. LinearB, kuruluşların platformda yerleşik rol tabanlı erişim sayesinde kullanıcılara sunulan bağlamı tanımlayabileceğini söylüyor.

Bu yaklaşım, şirketin bağlam mühendisliği yönergeleri ile örtüşüyor. Bu yönergeler, bir ajanın bağlam penceresini gelişigüzel bilgilerle doldurmak yerine ilgili bilgileri seçmeye önem veriyor. Çerçeve; kodu, değişikliğin ardındaki amacı, sistemler arasındaki bağlantıları ve ajanın erişebileceği bilgilerin sınırlarını dikkate alıyor.

Çabayı Riskle Eşleştirmeye Yönelik Erken Erişim Beceri

İlk ajan becerisi, bir kodlama görevinin ne ölçüde çaba gerektirdiğini belirlemek üzere tasarlandı. LinearB, bu becerinin yeniden çalışma oranları, yakın tarihli hizmet olayları ve sahiplik geçmişi gibi sinyallerden yararlanarak iş açısından önemi, karmaşıklığı ve riski değerlendirdiğini söylüyor.

Düşük riskli bir değişiklik, daha az token kullanılarak daha hafif biçimde ele alınabilirken sonuçları daha önemli olan bir değişiklik için daha kapsamlı analiz ve test yapılabilir. Mühendislik liderleri, görevlerin ne sıklıkla düşük, orta veya yüksek çaba düzeyine yönlendirildiğini görebilir. Şirket, becerinin tüm kodlama ajanlarıyla çalıştığını söylüyor; ancak duyuruda belirli ajanlar arasında karşılaştırmalı sonuçlar sunulmuyor veya gerçekleşen token tasarrufu nicel olarak belirtilmiyor.

Mühendislik yaklaşımı, maliyet tasarrufu iddiası henüz kanıtlanmamış olsa bile yararlı. Her göreve aynı akıl yürütme bütçesini ayırmak, küçük bir bakım değişikliğiyle hassas bir üretim ortamı düzeltmesini aynı şekilde ele alır. Göreve özgü bağlam, hataların maliyetli olduğu noktalara daha fazla dikkat ayrılmasına yardımcı olurken daha basit değişiklikler için gereksiz çalışmayı azaltabilir.

MCP Verileri Mevcut Yapay Zekâ İş Akışlarına Bağlıyor

LinearB ayrıca mühendislik bilgilerini Model Context Protocol (Model Bağlamı Protokolü) veya MCP aracılığıyla sunuyor. MCP ürün sayfasında teslimat ölçümlerine doğal dille erişim, özel raporlama ve darboğaz analizi anlatılıyor; incelemelerin otomatikleştirilmesi ve yönlendirme gibi önerilere de yer veriliyor.

Bu sayede ekipler, gösterge panoları arasında elle geçiş yapmak yerine mühendislik verilerini bir yapay zekâ istemcisinden inceleyebilir. MCP, araçlara ve bilgilere bağlantı sağlar; bağlam katmanıysa bir depo veya ekiple ilgili soruları anlamlı kılan, teslimata özgü ilişkileri sunar.

Yeni platform kullanıma sunulurken açıklığa kavuşturulması gereken bir ayrım var. Lansman rol tabanlı erişimden ve kurumsal koruma önlemlerinden söz etse de LinearB’nin herkese açık MCP SSS sayfasında, izinlerle sınırlandırılmış MCP erişimi hâlâ yol haritasında yer alan bir özellik olarak listeleniyor. Bu nedenle yeni stüdyonun erişim denetimine ilişkin açıklaması, mevcut tüm MCP istemcilerinin her LinearB iznini zaten devraldığının doğrulandığı şeklinde yorumlanmamalı.

Yapay Zekânın Daha Fazla Çıktı Üretmesi Sonraki Aşamalardaki Darboğazları Neden Ortaya Çıkarabilir?

LinearB’nin duyurusunda, 253 kuruluşta çalışan 83.000 geliştiricinin 2,7 milyon çekme isteğinden elde edilen 2026 yapay zekâ kıyaslama verilerine yer veriliyor. Şirkete göre, kod yazdığı günlerin en az %75’inde yapay zekâ kullanan geliştiriciler bir önceki yıla kıyasla haftada %96 daha fazla çekme isteğini birleştirdi.

Bu rakamlar, değişime tek başına yapay zekânın neden olduğunu kanıtlamıyor; yalnızca gözlemlenen faaliyetleri gösteriyor. Birleştirilen çekme isteklerinin artması, müşterilerin iki kat daha fazla değer elde ettiğini de kanıtlamıyor. Duyuruda ayrıca yapay zekâ destekli değişikliklerin daha büyük olduğu ve ajanların oluşturduğu çekme isteklerinin incelenmeyi bekleme süresinin belirgin biçimde uzadığı yönündeki bulgulara yer veriliyor. Bu da kod üretiminin hızlanmasının, iş yükünü teslimat sürecinin geri kalanına kaydırabileceğini gösteriyor.

Bir müşteri örneği bu ayrımı somutlaştırıyor. LinearB, Kraken’in inceleme gecikmelerini araştırmak için yapay zekâyla birlikte MCP sunucusunu kullandığını ve saat dilimleri ile inceleme yapanların müsaitliğinin büyük değişikliklerden daha önemli olduğunu gördüğünü belirtiyor. Kraken’in, 90. yüzdelik dilimdeki inceleme süresini dört ay içinde yarıdan fazla azalttığı bildiriliyor. Şirketin Kraken’le yayımladığı söyleşi, darboğazları ortaya çıkarmak için depo verilerinden ve teslimat ölçümlerinden yararlanma konusunda daha fazla bilgi sunuyor.

Yapay Zekâ Benimsemesini Ölçmekten Teslimatı İyileştirmeye

LinearB, inceleme, birleştirme ve yönetişim gibi sonraki aşamalardaki çalışmalar için yeni aracı becerileri sunmayı planlıyor. Bunlar, stüdyonun şu anki kullanıma sunulma durumundan ve efor becerisinin erken erişim aşamasında olmasından farklı, geleceğe yönelik planlar.

Daha geniş kapsamlı yaklaşım, kodlama aracıların kodun çevresindeki organizasyonu anlaması gerektiği yönünde: nelerin önemli olduğunu, koddan kimin sorumlu olduğunu, önceki değişikliklerin nerede başarısız olduğunu ve hangi kısıtlamaların geçerli olduğunu. Agentic Studio bu yaklaşımı geliştirici verimliliği platformuna taşıyor; platformun değeri de nihayetinde üretilen kod miktarıyla değil, teslim edilen değişikliklerin kalitesi ve akışıyla ölçülüyor.