2026’nın En İyi 10 Açık Kaynak Yapay Zekâ Aracı Koşumu
Kodlama, otomasyon, yerel LLM’ler, çoklu ajan iş akışları, bellek, MCP entegrasyonları ve performans için en iyi yapay zekâ aracı koşumlarını karşılaştırın.
Yapay zekâ aracı koşumları bir süredir hayatımızda, ancak son bir buçuk yılda ciddi biçimde değişti. Sadece Bash komutları çalıştırıp dosya düzenleyebilen basit ajanlardan; web’de arama yapabilen, harici araçlara bağlanabilen, bağlamı yöneten, geçmiş konuşmaları hatırlayan ve karmaşık görevleri tamamlayabilen sistemlere geçtik.
Modern yapay zekâ koşumları artık yeniden kullanılabilir becerileri, birlikte çalışan birden çok ajanı ve paralel araç yürütmeyi destekliyor. Geliştiriciler ayrıca bağlamı yönetmenin, belirteç kullanımını azaltmanın ve ajanları daha hızlı ve güvenilir kılmanın daha iyi yollarını buluyor.
İlginç bulduğum nokta, odağın modelleri iyileştirmekten çok, onların etrafındaki koşumu iyileştirmeye kayması. Bugün yapay zekâ ajanlarında gördüğümüz performans kazanımlarının büyük bölümü, yalnızca daha iyi modellerden değil; daha iyi araçlardan, daha akıllı iş akışlarından ve daha verimli bağlam yönetiminden geliyor.
Özünde bir yapay zekâ aracı koşumu, bir yapay zekâ modelini araçlarına bağlayan, yürütmeyi yöneten ve ajanın sonuçlara göre kendini ayarlamasını ve hatalarını düzeltmesini sağlayan geri bildirim döngüsünü oluşturan koddur.
Bu yazıda, 2026’nın en popüler ve kullanışlı 10 açık kaynak yapay zekâ aracı koşumunu ele alacak, her birini farklı kılan özelliklere ve nasıl başlanacağına bakacağım. GitHub yıldız sayıları Kasım 2026 itibarıyladır. Koşumların nasıl inşa edildiğine dair daha derin bir bakış için Agent Harness Engineering Guide rehberimize göz atın.
Yapay Zekâ Aracı Koşumu Nedir?
Yapay zekâ aracı koşumu, bir yapay zekâ modeline görevlerini tamamlaması için gereken araçları ve ortamı sağlayan sistemdir.
Modeli beyin, koşumu ise harekete geçmesini sağlayan her şey olarak düşünün. Koşum, modelin kendi önerileri doğrultusunda hareket etmesini sağlar: dosya okuyabilir, komut çalıştırabilir ve sonuçları kontrol edebilir.
Örneğin, sürekli çöken bir Python uygulamanız olduğunu düşünün. Hata iletisini ChatGPT’ye kopyalayıp önerilen düzeltmeleri tek tek uygulamak yerine, bir yapay zekâ kodlama ajanına şunu söylersiniz:
"Python uygulamamın neden çöktüğünü bul, sorunu düzelt ve tüm testlerin geçtiğinden emin ol."
Koşum, yapay zekâ modelinin kodunuzu okumasına, uygulamayı çalıştırmasına, hatayı bulmasına, ilgili dosyaları düzenlemesine ve testleri çalıştırmasına imkân tanır. Testler başarısız olursa, sonuçları modele geri gönderir; model de başka bir çözüm dener.
Tüm bunlar tek bir istekte, minimum manuel müdahale ile gerçekleşebilir.
Bir yapay zekâ aracı koşumu gerçekte ne yapar?
Çoğu yapay zekâ aracı koşumu 5 temel yetenek sunar:
Araç yürütme: Modelin dosya okumasına, komut çalıştırmasına, web’e göz atmasına ve uygulamalarla etkileşime girmesine olanak tanır.
Bağlam yönetimi: Modelin görevini tamamlamak için ihtiyaç duyduğu ilgili dosyaları, önceki eylemleri ve bilgileri takip eder.
Ajan döngüsü: Modelin araçları yinelemeli olarak kullanmasına, sonuçları kontrol etmesine ve bir sınırı tamamlayana kadar hataları düzeltmesine izin verir.
İzinler ve güvenlik: Ajanın hangi dosyalara, araçlara ve komutlara erişip çalıştırabileceğini kontrol eder.
Bellek ve uzantılar: Yeniden kullanılabilir becerileri, harici entegrasyonları ve bazı koşumlarda oturumlar arasında belleği destekler.
Bazı koşumlar ayrıca bir projenin farklı bölümlerinde birlikte çalışan birden fazla ajanı destekler.
Aynı yapay zekâ modeli, koşuma bağlı olarak çok farklı performans gösterebilir. Composio’nun DeepSeek V4 Flash testlerinde aynı model, koşuma göre %46,7 ile %66,7 arasında puan aldı ve minimal Pi ajanı zirveye yerleşti.
Birkaç faydalı araç ve iyi bağlam yönetimine sahip iyi tasarlanmış bir koşum, bazen çok daha karmaşık olanı geride bırakabilir. Bu nedenle, bir modeli seçtiğiniz kadar dikkatle bir koşum seçmeye değer.
Şimdi, 2026’daki en iyi 10 açık kaynak yapay zekâ aracı koşumuna bakalım.
1. Codex CLI: Yazılım Mühendisliği için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Codex CLI, açık kaynak bir yapay zekâ kodlama ajanı için benim bir numaralı seçimim. OpenAI tarafından geliştirilen ve ağırlıklı olarak Rust ile yazılan bu araç hafif yapıda ve profesyonel yazılım projeleri üzerinde çalışan geliştiriciler için tasarlandı. Yaklaşık 134 bin GitHub yıldızına sahip.
Codex’i öne çıkaran şey, tek başına ne kadar çok işi üstlenebildiği. Tam projeler inşa edebilir, mevcut araçlarınızla çalışabilir, hataları düzeltebilir ve testler çalıştırabilir. Karmaşık bir görev verip geliştirme sürecinin büyük kısmını ona bırakabilirsiniz.
Başlıca ödün noktası OpenAI odaklı olmasıdır: hızlı başlangıç, ChatGPT hesabı veya OpenAI API anahtarıyla oturum açtırır.
Codex CLI’ı öne çıkaran özellikler
Rust tabanlı ve açık kaynak: Geliştiricilerin özelleştirip üzerine inşa edebileceği, hafif ve terminal-öncelikli bir ajan ile açık kaynak bir koşum.
Çoklu ajan desteği: Farklı görevleri uzman alt ajanlara devredin ve bağımsız işleri paralel olarak yürütün.
Yerel ve bulut iş akışları: Yerelde kodlamaya başlayın, görevleri Codex Cloud’a taşıyın ve komut satırı arayüzü (CLI), tümleşik geliştirme ortamı (IDE) veya masaüstü uygulaması üzerinden çalışmaya devam edin.
Genişletilebilir ekosistem: Model Context Protocol (MCP) sunucuları, yeniden kullanılabilir beceriler ve eklentilerle harici araçlara bağlanın ve kodlamanın ötesinde iş akışlarını otomatikleştirin.
Gerçek mühendislik için tasarlandı: Otomatik kod incelemeleri çalıştırın, sürekli tümleştirme ve sürekli teslim (CI/CD) hatlarına entegre edin, uzun süreli görevleri yönetin ve korumalı alanlar ve izinlerle yürütmeyi kontrol edin.
Codex CLI nasıl kurulur
Bu yazıdaki her yükleyici, uzaktaki bir betiği kabuğunuza yönlendirir; ne yaptığını görmek isterseniz önce betiği inceleyin.
Başlamak için ChatGPT hesabınızla oturum açın veya API erişimini yapılandırın.
Örneğin, Codex’ten bir önyüz, arka uç, testler ve dokümantasyon içeren eksiksiz bir Python panosu oluşturmasını isteyebilirsiniz. Uygulamanın büyük kısmını kendisi hallederken siz sonuçları inceleyebilirsiniz. Uygulamalı bir anlatım için OpenAI Codex CLI eğitimimize bakın.
2. OpenCode: Model Esnekliği için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
OpenCode bir yıldan uzun süredir favori yapay zekâ kodlama ajanlarımdan biri. Windows, macOS ve Linux’ta çalışır, çok geniş bir model yelpazesini destekler ve geliştiricilere iş akışlarını özelleştirme özgürlüğü sunar.
Ayrıca yaklaşık 226 bin GitHub yıldızıyla en popüler açık kaynak kodlama ajanlarından biridir. Özellikle hoşuma giden nokta, tek bir AI sağlayıcısına kilitlenmemeniz: OpenAI, Anthropic, Google veya yerel modelleri aynı arayüzde kullanabilirsiniz.
OpenCode’u öne çıkaran özellikler
75+ model sağlayıcısı: Kodlama ortamınızı değiştirmeden ticari ve yerel modeller arasında geçiş yapın.
Çoklu platform desteği: Farklı işletim sistemlerinde terminali, masaüstü uygulamasını (şu anda beta), web arayüzünü veya yazılım geliştirme kitini (SDK) kullanın.
Paralel ajanlar ve oturumlar: Birden fazla kodlama görevini aynı anda çalıştırın ve farklı işler için uzman ajanlar oluşturun.
Yüksek özelleştirilebilirlik: Eklentiler, MCP sunucuları, özel komutlar ve yeniden kullanılabilir becerilerle işlevselliği genişletin.
İstemci-sunucu mimarisi: Ajansı arayüzünden ayırın ve diğer araçlara, uygulamalara ve iş akışlarına bağlayın.
Benim için tek olumsuz yanı, daha basit kodlama ajanlarına kıyasla biraz şişkin hissettirebilmesi. Çoğu geliştiricinin hiç kullanmayacağı pek çok özelliği içeriyor ve büyük oturumlar bazen daha az tepkisel hissedebiliyor. Yine de esneklik ve model seçimi sizin için önemliyse, OpenCode’u geçmek zor.
OpenCode CLI nasıl kurulur
Windows (Windows Subsystem for Linux veya WSL), macOS ve Linux:
Tercih ettiğiniz AI sağlayıcısını yapılandırmak için /connect komutunu kullanın veya mevcut ücretsiz modellerle başlayın. Grafik bir arayüz tercih ediyorsanız OpenCode masaüstü uygulamasını da indirebilirsiniz.
3. OpenClaw: Kişisel Yapay Zekâ Otomasyonu için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
OpenClaw, 2026’nın en büyük açık kaynak yapay zekâ ajan projelerinden biri; yaklaşık 394 bin GitHub yıldızına sahip. Bu listedeki çoğu kodlama ajanının aksine OpenClaw, uygulamalarınız genelinde gerçekten görev icra edebilen kişisel bir yapay zekâ asistanı olarak tasarlandı.
OpenClaw’ı ilginç kılan, onu kendi bilgisayarınızda veya sunucunuzda çalıştırıp WhatsApp, Telegram, Discord, Slack ve diğer platformlar üzerinden iletişim kurabilmeniz. Faydalı bağlamı hatırlayabilir, komut çalıştırabilir, web’e göz atabilir ve günlük görevleri otomatikleştirebilir.
Ayrıca Codex dâhil diğer kodlama ajanları için bir platform olarak da çalışır ve asistan katmanı, bu listedeki bir başka koşum olan Pi üzerine kuruludur.
OpenClaw’ı öne çıkaran özellikler
Uygulamalar arasında yapay zekâ asistanı: Tek bir ajanı WhatsApp, Telegram, Slack, Discord ve 20’den fazla mesajlaşma kanalına bağlayın.
Her zaman açık ajan: Görevleri yönetip mesajlara uzaktan yanıt vermesi için kendi bilgisayarınızda veya sunucunuzda çalıştırın.
Kalıcı bellek ve bağlam: Oturumlar arasında konuşmaları, proje bilgilerini ve faydalı bağlamı koruyun.
Ajan ve model esnekliği: Farklı AI sağlayıcılarını, yerel modelleri ve Codex dâhil desteklenen kodlama ajanı çalışma zamanlarını bağlayın.
Otomasyon ekosistemi: Beceriler, eklentiler, tarayıcı araçları, zamanlanmış görevler ve çoklu ajan yönlendirme ile özel iş akışları oluşturun.
Başlıca dezavantajı karmaşıklığı ve güvenlik gereksinimleridir. OpenClaw hassas araçlara ve dosyalara erişebilir; bu yüzden izinleri, korumalı alanları ve harici entegrasyonları dikkatle yapılandırmanız gerekir.
OpenClaw’ı, kodlama asistanlarının ötesine geçip birden çok uygulama genelinde çalışan kişisel yapay zekâ ajanları kurmak isteyen geliştiricilere öneririm.
Başlamak için tercih ettiğiniz AI modelini ve mesajlaşma platformunu bağlayın.
Örneğin OpenClaw’ı, geliştirme projelerinizi izleyip güncellemeleri özetlemeye, onayladığınız görevleri yürütmeye ve sonuçları doğrudan Telegram veya WhatsApp’a göndermeye ayarlayabilirsiniz.
4. Hermes Agent: Kalıcı Bellek için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Hermes Agent, Nous Research tarafından geliştirildi ve oturumlar arasında sizinle, konuşmalarınızla ve projelerinizle ilgili faydalı bilgileri hatırlar.
Hermes’i ilginç kılan, kalıcı belleği eksiksiz bir yapay zekâ ajanıyla birleştirmesi. Kod yazabilir, komut çalıştırabilir, yeniden kullanılabilir beceriler öğrenebilir ve önceki konuşmalardan önemli bağlamı takip ederken görevleri otomatikleştirebilir.
Kalıcı bellek: Konuşmalar arasında önemli tercihleri, proje ayrıntılarını ve çıkarılan dersleri kaydeder.
Konuşma geçmişi arama: SQLite kullanarak önceki oturumları tarar ve etkin belleğinde olmayan bilgileri geri getirir.
Kendini geliştiren beceriler: Tamamlanan görevlerden yeniden kullanılabilir beceriler oluşturur ve deneyim kazandıkça bunları iyileştirebilir.
Platformlar arası çalışma: Terminal, Telegram, Discord, Slack, WhatsApp ve diğer desteklenen platformlarda sohbet edin.
Otonom iş akışları: Görevleri zamanlayın, çalışmaları alt ajanlara devredin ve ticari veya yerel AI modellerine bağlanın.
Kodlama performansı da rekabetçidir. Composio Bench’te, her koşumu aynı çoklu uygulama görev setinden geçirerek test eden değerlendirmede, Hermes OpenAI’nin GPT-6 Astra’sını kullanarak %75,9 başarı oranına (29 görevden 22) ulaştı ve Codex CLI ile aynı seviyeye geldi. Ayrıca bu modelle test edilen koşumlar arasında görev başına ortalama 125 saniye ile en hızlı tamamlama süresini kaydetti.
Başlıca dezavantajı, belleğinin kusursuz olmamasıdır. Her şeyi değil, seçili bilgileri kaydeder ve küçük yerel modellerle karmaşık iş akışları çalıştırmak zor olabilir.
Hermes’i yalnızca kodlama asistanından fazlasını isteyen, özellikle de çalışmalarını hatırlayan ve zamanla daha faydalı hale gelen kişisel bir yapay zekâ ajanı arayan geliştiricilere öneririm.
Ek araçları, mesajlaşma platformlarını ve otomasyon özelliklerini yapılandırmak için hermes setup komutunu da çalıştırabilirsiniz. Tam bir anlatım için Hermes Agent kurulum rehberimize bakın.
5. Pi: Yerel LLM’ler için En İyi Hafif Açık Kaynak Yapay Zekâ Aracı Koşumu
Pi, en sevdiğim hafif yapay zekâ aracı koşumu. Büyük dil modellerini (LLM) yerelde çalıştırmayla ilgili eğitimler yazdığımda neredeyse her zaman Pi’yi kullanıyorum; çünkü kurulumu kolay, minimal bir mimariye sahip ve daha büyük kodlama ajanlarına göre çok daha hafif hissettiriyor.
Özellikle sadeliğini seviyorum. Pi, küçük ve verimli bir ajan döngüsüne odaklanıyor. Deneyimlerime göre bu, iş akışını hızlı tutmaya ve belirteç kullanımını yönetilebilir kılmaya yardımcı olurken, daha karmaşık ajanlarla karşılaştırılabilir kodlama sonuçları sunuyor.
Yaklaşık 120 bin GitHub yıldızına sahip. Pi, Nisan 2026’da projenin yaratıcısı Mario Zechner’dan projeyi devralan Earendil tarafından geliştiriliyor ve MIT lisanslı olmaya devam ediyor. OpenClaw, Pi’nin bileşenleri üzerine inşa edilmiştir.
Pi’yi öne çıkaran özellikler
Minimal ajan mimarisi: Gereksiz yerleşik özellikler veya karmaşık iş akışları olmadan, küçük ve odaklı bir ajan döngüsü.
Yerel LLM’ler için harika: llama.cpp, Ollama, LM Studio ve uyumlu API’ler üzerinden yerel modelleri destekler.
Verimli bağlam yönetimi: Minimal sistem istemi ve özelleştirilebilir bağlam, gereksiz ek yükü azaltmaya ve potansiyel olarak belirteç tasarrufu yapmaya yardımcı olur.
Tamamen özelleştirilebilir: Pi 1.0 ile eklenen yerleşik destek sayesinde çekirdek ajani gereksiz yere karmaşıklaştırmadan uzantılar, beceriler ve özel komutlar ekleyin veya MCP sunucularına bağlanın.
Geliştirici dostu SDK: Kendi yapay zekâ ajanlarınızı ve otomasyon araçlarınızı oluşturmak için Pi’yi CLI, uzak yordam çağrısı (RPC) arayüzü veya TypeScript SDK üzerinden kullanın.
Performansı da rekabetçi. Composio Bench’te, Pi GPT-6 Astra kullanarak %69 başarı oranına ulaştı ve aynı 29 görevde OpenCode ile aynı seviyede performans gösterdi.
Başlıca sınırlaması; alt ajanlar ve planlama gibi özelliklerin varsayılan olarak yerleşik olmaması. Bunlar için uzantılara veya özel uygulamalara ihtiyaç duyulur. Ancak tam da bu sadelik, yerel LLM deneyleri ve hafif kodlama projeleri için Pi’yi tercih etmemin nedeni.
Bir AI sağlayıcısına bağlanmak veya yerel bir model yapılandırmak için /login kullanın. Ardından çalıştırmak istediğiniz modeli seçmek için /model komutunu kullanın.
6. Cline: VS Code için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Cline, VS Code uzantısı olarak popülerleşen, ilk açık kaynak yapay zekâ kodlama ajanlarından biridir. Hızla büyük bir geliştirici kitlesi kazandı ve Roo Code gibi çatallara ilham verdi.
Bu listedeki diğer ajanlar kadar kapsamlı kullanmasam da geliştirme hızı ve topluluk geri bildirimleri etkileyici. Artık birden fazla IDE, bir CLI, Kanban görev panosu ve bir SDK’yı destekliyor; yaklaşık 70 bin GitHub yıldızına sahip.
Cline’ı öne çıkaran özellikler
IDE-öncelikli deneyim: VS Code ve diğer desteklenen editörlerde, görsel kod değişiklikleri ve onay kontrolleriyle doğrudan çalışın.
Plan ve Uygula kipleri: Ajanın projenizi keşfetmesine ve değişiklik yapmadan önce bir plan oluşturmasına izin verin.
Kontrol noktaları ve güvenlik: Dosya değişikliklerini gözden geçirin, terminal komutlarını onaylayın ve gerektiğinde önceki kontrol noktalarına dönün.
Model esnekliği: OpenAI, Anthropic, Google, OpenRouter ve Ollama veya LM Studio üzerinden yerel modelleri destekler.
Genişletilebilir ajan platformu: MCP sunucuları, özel beceriler, bir CLI ve bir SDK ile otomatikleştirilmiş kodlama iş akışları oluşturun.
Composio Bench’te Cline, GPT-6 Astra ile %79,3 başarı oranı (29 görevden 23) elde etti; Codex CLI ve Hermes Agent’ın bir görev önünde. Bu da görev tamamlama açısından en yüksek puanı alan koşum olmasını sağladı.
Başlıca dezavantajı hız. Aynı karşılaştırmada Cline, görev başına ortalama 193 saniye sürerken, Hermes Agent 125 saniyeydi.
Cline Yapay Zekâ Ajanı nasıl kurulur
VS Code (Windows, macOS ve Linux):
VS Code’u açın, Uzantılar’a gidin (Windows ve Linux’ta Ctrl+Shift+X, macOS’ta Cmd+Shift+X), Cline araması yapın ve Yükle’ye tıklayın.
Alternatif olarak, CLI’yi npm ile kurun (Node.js 22 veya üzeri gerekir):
Artık Cline’dan kod tabanınızı keşfetmesini, özellikler uygulamasını, hataları düzeltmesini ve değişikliklerini gözden geçirirken testleri çalıştırmasını isteyebilirsiniz. Uygulamalı örnekler için Cline AI rehberimize bakın.
7. DeepSeek Harness: DeepSeek Modelleri için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
DeepSeek Harness 13 Ağustos 2026’da yayına girdi ve ilk 10 gününde 186 bin GitHub yıldızını geçti; bu da onu en hızlı büyüyen açık kaynak yapay zekâ ajan projelerinden biri yaptı. Bugün yaklaşık 279 bin yıldızı var.
DeepSeek Harness’i kullandım ve en çok etkileyen şey, özellikle DeepSeek-V4.1-Flash ile çalışırken hızı oldu. DeepSeek modelleri için ayarlanmış durumda ve modern bir kodlama ajanından bekleyeceğiniz hemen her şeyle birlikte geliyor.
Bir diğer sevdiğim nokta da şeffaflığı. Araç çağrılarını, yürütme izlerini ve ayrıntılı istatistikleri inceleyerek ajanın nasıl performans gösterdiğini anlayabilirsiniz.
DeepSeek Harness’i öne çıkaran özellikler
Her şey bir eklenti: Cordis üzerine kurulu; geliştiricilerin modelleri, araçları, becerileri, belleği, korumalı alanları ve hatta ajan döngüsünü özelleştirmesine izin verir.
DeepSeek modelleri için inşa edildi: Özellikle DeepSeek-V4.1-Flash ile çok iyi çalışır; resmî güncellemeler kodlama performansı ve verimliliğini artırmaya odaklanır.
Ayrıntılı performans istatistikleri: Geliştirici araçları üzerinden bağlam kullanımı, model etkinliği, önbellek bilgileri, araç çağrıları ve yürütme zamanlamalarını inceleyin.
Tam ajan yetenekleri: Kodlama, dosya düzenleme, terminal yürütme, alt ajanlar, beceriler, otomasyon ve çok adımlı iş akışlarını destekler.
Web ve masaüstü arayüzleri: Ajani yerel bir web arayüzü üzerinden çalıştırın veya masaüstü uygulamasını (Apple silicon’lu macOS ve Windows) kullanın; işlevselliği eklentilerle genişletin.
Başlıca dezavantajı, DeepSeek Harness’in hâlen geliştirici ön izlemesinde olması. Eklentiler ve API’ler değişiyor; güncellemeler bozucu değişiklikler getirebilir.
Bunu düzenli olarak DeepSeek modelleri kullanan veya ayrıntılı yürütme içgörüleri sunan, yüksek özelleştirilebilir bir ajan koşumu isteyen geliştiricilere öneririm.
DeepSeek Harness nasıl kurulur
Önce Windows, macOS veya Linux’a Node.js 22.19 veya daha yenisini kurun.
8. Deep Agents: Özel Yapay Zekâ Ajanları için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Deep Agents, LangChain tarafından geliştirilen açık kaynak bir yapay zekâ aracı koşumudur. Bu listedeki çoğu kodlama ajanından farklı olarak hem yazılım geliştirme hem de karmaşık, çok adımlı görevleri üstlenebilen özel yapay zekâ ajanları oluşturmak için tasarlanmıştır.
Deep Agents’ı ilginç kılan, hazır terminal kodlama ajanını kullanabildiğiniz gibi Python veya TypeScript ile kendinizin de ajan inşa edebilmesi. Planlama, bellek, alt ajanlar ve bağlam yönetimi zaten dâhil; her şeyi sıfırdan kurmanız gerekmiyor.
Proje ayrıca ciddi ilgi gördü; yaklaşık 31 bin GitHub yıldızı bulunuyor.
Deep Agents’ı öne çıkaran özellikler
Kodlama ajanı ve SDK: Deep Agents Code’u hazır bir CLI olarak kullanın veya Python ve TypeScript kütüphaneleriyle özel uygulamalar geliştirin.
Uzun süreli görevler için tasarlandı: Ajanlar iş akışlarını planlayabilir, bağlamı yönetebilir ve çok adımı içeren karmaşık görevlerde çalışabilir.
Alt ajan görevlendirme: Büyük görevleri daha küçük işlere bölün ve ayrı bağlam pencerelerine sahip uzman ajanlara devredin.
Esnek yürütme ortamları: Yerel dosya sistemleri, uzak korumalı alanlar, özel araçlar ve MCP sunucularıyla çalışın.
Üretime hazır temel: LangGraph üzerine inşa edilmiştir; kalıcı durum, kontrol noktaları, insan onayları ve izleme/değerlendirme için LangSmith entegrasyonu destekler.
Kıyaslardaki iyileştirmeleri de anmaya değer. Şubat 2026’da LangChain, sadece istemleri, araçları ve ara katmanı ayarlayarak gpt-5.2-codex ile kodlama ajanının Terminal Bench 2.0 skorunu %52,8’den %66,5’e yükselttiğini raporladı; altta yatan modeli değiştirmeden.
Deep Agents’ı, en basit kodlama yardımcısını arayanlardan ziyade kendi yapay zekâ uygulamalarını inşa eden geliştiricilere öneririm. Hafif kodlama görevleri için Pi veya Codex CLI ile başlamak daha kolay olabilir. SDK hakkında daha fazlası için Deep Agents rehberimize göz atın.
Deep Agents nasıl kurulur
Deep Agents Code’u kurun (macOS ve Linux veya WSL üzerinden Windows):
Çalışmaya başlamak için AI modelinizi seçin ve kimlik doğrulamayı yapılandırın.
Python ile özel yapay zekâ ajanları için, uv ile bir proje oluşturup SDK’yı kurun:
uv init my-agent
cd my-agent
uv add deepagentsAltyapı:
Ardından create_deep_agent() ile kendi modelleriniz, araçlarınız, istemleriniz ve iş akışlarınızla ajanlar inşa edebilirsiniz.
Örneğin; web’i arayan, belgeleri analiz eden, araştırmayı alt ajanlara devreden ve nihai bir rapor üreten bir araştırma ajanı inşa edebilirsiniz.
9. OpenHands: Otonom Yazılım Geliştirme için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
OpenHands, en erken açık kaynak yapay zekâ kodlama ajanı projelerinden biridir. Mart 2024’te OpenDevin olarak başladı; geliştiricilerin GPT-3.5 ve GPT-4’ün basit sohbet ve kod üretiminin ötesinde neler yapabileceğini keşfettiği dönemde.
O zamanlar, bir yapay zekâ ajanına bir görev verip gerçek bir proje inşa etmesine izin vermek heyecan vericiydi. OpenHands, ajanların kod yazmasına, komut çalıştırmasına, hataları düzeltmesine ve kendi çalışmalarını test etmesine olanak tanıyarak bunu mümkün kılmaya yardımcı oldu.
Bugün yaklaşık 93 bin GitHub yıldızıyla otonom yazılım geliştirme için eksiksiz bir platforma dönüştü.
OpenHands’ı öne çıkaran özellikler
Otonom kodlamanın öncüsü: Yapay zekâ ajanlarının yazılım mühendisliği görevlerini tamamlamasına odaklanan, geniş çapta popüler ilk açık kaynak projelerden biri.
Agent Canvas: Konuşmaları, dosyaları, terminalleri ve birden fazla kodlama ajanını tek yerden yönetmeye yarayan bir web arayüzü.
Çoklu ajan desteği: OpenHands, Codex, Claude Code, Gemini ve Agent Client Protocol (ACP) destekli diğer ajanlarla paylaşılan bir arayüz üzerinden çalışın.
Esnek yürütme ortamları: Ajanları yerelde, Docker konteynerlerinde, uzak sunucularda veya bulut altyapısı üzerinden çalıştırın.
Otomasyon ve SDK: Özel ajanlar inşa edin, geliştirme iş akışlarını otomatikleştirin ve Python SDK’sı ve arka uç servisleri aracılığıyla görevleri çalıştırın.
Başlıca dezavantajı karmaşıklığıdır. Pi veya Codex CLI gibi hafif koşumlara kıyasla, özellikle yalıtılmış yürütme ortamları kullanıldığında daha fazla kurulum ve kaynak gerektirir.
Bunu, otonom kodlama ajanları çalıştırmak, birden çok iş akışını yönetmek veya ajan destekli geliştirme sistemleri inşa etmek isteyen geliştiricilere öneririm. Daha yakından bakmak için OpenHands rehberimize göz atın.
OpenHands Yapay Zekâ Ajanı nasıl kurulur
OpenHands’ı yerelde çalıştırmanın en kolay yolu Agent Canvas’tır.
Önce Node.js 24 veya daha yenisini ve uv aracını kurun.
Sonra Windows, macOS veya Linux’ta Agent Canvas’ı kurun:
Web arayüzünü http://localhost:8000 adresinde açın.
Tercih ettiğiniz AI modelini yapılandırın, bir çalışma alanı seçin ve ajana kodlama görevleri vermeye başlayın.
Varsayılan olarak bu, ajanın dosya sisteminize tam erişimle doğrudan makinenizde çalışmasına neden olur. Ajanları yapılandırılmış çalışma alanları dışındaki dosyalardan uzak tutmak için Agent Canvas’ı Docker korumalı alanları ile şöyle çalıştırın:
10. mini-SWE-agent: Yazılım Mühendisliği için En İyi Minimal Açık Kaynak Yapay Zekâ Aracı Koşumu
mini-SWE-agent, karşılaştığım en basit yapay zekâ kodlama koşumlarından biridir. SWE-agent ve SWE-bench’in arkasındaki araştırmacılar tarafından geliştirilen proje, özellik yüklü kodlama ajanlarından farklı bir yaklaşım benimser.
Çekirdek ajan yaklaşık 100 satır Python ile yazılmıştır. Karmaşık araç çağırma sistemleri kurmak yerine, modele Bash erişimi verip görevleri nasıl tamamlayacağını kendisinin bulmasına izin verir.
Bu minimal yaklaşım yine de güçlü kodlama performansı sunar. Proje yaklaşık 9,5 bin GitHub yıldızı kazandı ve NVIDIA, Meta ve IBM gibi kuruluşlardaki araştırmacı ve mühendisler tarafından kullanılıyor.
mini-SWE-agent’ı öne çıkaran özellikler
100 satırlık ajan mimarisi: Anlaması, değiştirmesi ve genişletmesi kolay, minik bir Python uygulaması.
Yalnızca Bash yürütme: Dosyaları düzenlemek, testleri çalıştırmak ve hataları düzeltmek için karmaşık araç çağırma sistemleri yerine basit kabuk komutlarını kullanır.
Şeffaf yürütme: Her eylemi incelemeyi ve ajan davranışını hata ayıklamayı kolaylaştıran doğrusal bir konuşma geçmişi tutar.
Esnek yürütme ortamları: Yerelde veya yalıtım için Docker, Podman, Singularity ve diğer desteklenen ortamlarda çalıştırın.
Yapay zekâ araştırması için geliştirildi: Birden çok model sağlayıcısını destekler ve kıyaslama, ince ayar ve pekiştirmeli öğrenme deneyleri için basit bir temel sunar.
Projenin README’sine göre, mini-SWE-agent, Gemini 3 Pro gibi güçlü modellerle eşleştirildiğinde, gerçek GitHub sorunlarından oluşan bir kıyas olan SWE-bench Verified’da %74’ün üzerinde puan alıyor. Modelleri SWE-bench bash-only lider panosunda karşılaştırabilirsiniz.
Başlıca dezavantajı, gelişmiş planlama, alt ajanlar ve kapsamlı entegrasyonlar gibi daha büyük ajanlarda bulunan birçok yerleşik özelliğin eksik olmasıdır. Geliştiricilerin bunları kendilerinin uygulaması gerekebilir.
mini-SWE-agent’ı, farklı modeller ve ajan mimarileriyle denemeler yapmak isteyen geliştiriciler ve yapay zekâ araştırmacılarına; hızlı, hafif ve kolay özelleştirilebilir bir kodlama koşumu olarak öneririm.
mini-SWE-agent nasıl kurulur
mini-SWE-agent’ı macOS veya Linux’ta kurmanın en kolay yolu uv kullanmaktır:
Örneğin mini-SWE-agent’tan bir Python deposunu keşfetmesini, başarısız testleri belirlemesini, hataları düzeltmesini ve testleri yeniden çalıştırmasını isteyebilirsiniz. Bunu, karmaşık bir ajan çerçevesine ihtiyaç duymadan basit kabuk komutlarıyla halleder.
2026’nın En İyi 10 Açık Kaynak Yapay Zekâ Aracı Koşumunun Karşılaştırması
Aşağıdaki tablo, en iyi 10 açık kaynak yapay zekâ aracı koşumunu ana güçlü yönleri, ideal kullanım alanları ve sınırlamaları temelinde karşılaştırır.
Yapay Zekâ Aracı Koşumu
En Uygun
Temel Avantaj
Başlıca Dezavantaj
1. Codex CLI
Yazılım mühendisliği
Güçlü kodlama performansı ve ajan iş akışları
OpenAI hesapları ve modelleri etrafında inşa edildi
2. OpenCode
Model esnekliği
Geniş model desteği ve özelleştirme
Şişkin hissettirebilir
3. OpenClaw
Kişisel yapay zekâ otomasyonu
Mesajlaşma entegrasyonları ve her zaman açık ajanlar
Karmaşık kurulum ve güvenlik gereksinimleri
4. Hermes Agent
Kalıcı bellek
Bağlamı hatırlar ve yeniden kullanılabilir beceriler geliştirir
Bellek her zaman güvenilir değil
5. Pi
Yerel LLM’ler
Hafif, basit ve verimli
Daha az yerleşik özellik
6. Cline
VS Code geliştirme
IDE entegrasyonu ve onay kontrolleri
Kıyaslarda görev başına daha yavaş
7. DeepSeek Harness
DeepSeek modelleri
Eklenti mimarisi ve yürütme istatistikleri
Hâlâ geliştirici ön izlemesinde
8. Deep Agents
Özel yapay zekâ uygulamaları
Planlama, alt ajanlar ve esnek SDK
Daha dik öğrenme eğrisi
9. OpenHands
Otonom geliştirme
Esnek yürütme ortamları
Kaynak yoğun kurulum
10. mini-SWE-agent
Araştırma ve deney
Minimal Python mimarisi
Sınırlı yerleşik işlevsellik
Son Düşünceler
Kodlama ajanları bir süredir bu alanın lokomotifiydi; şimdi ise kişisel yapay zekâ asistanlarına ve günlük işler için araçlara doğru bir kayma görüyoruz.
Bu listeye kapalı kaynak araçları dâhil etmedim; ancak ChatGPT Work ve OpenAI’nin dots ürünleri, gidişatın iyi örnekleri. Sadece geliştiricilere değil; ofis çalışanları, işletme sahipleri, araştırmacılar ve hatta kodlama deneyimi olmayan kişiler, belgelerle çalışmak, e-tabloları analiz etmek, e-posta göndermek, projeleri yönetmek ve günlük görevleri otomatikleştirmek için yapay zekâyı kullanabiliyor.
Google’ın Flow’u da yapay zekâyı yaratıcı işler için faydalı kılmaya yönelik benzer bir değişimi gösteriyor. Elbette, yukarıdaki açık kaynak koşumların çoğu doğru araçlar ve entegrasyonlarla bu görevlerin birçoğunu zaten halledebiliyor. Fark şu ki şirketler artık esas olarak kodlamaya odaklanmak yerine, özellikle bu iş akışları için deneyimler inşa ediyor.
Artık işin büyük kısmı koşumda gerçekleşiyor. Geliştiriciler, belirli görevlerde modelleri daha iyi performans gösterecek şekilde; araçlar, bellek, bağlam yönetimi ve iş akışları dâhil tüm ajan koşumunu ayarlıyor.
Bir yapay zekâ aracı koşumu, bir yapay zekâ modelini terminal, dosya sistemi ve tarayıcı gibi araçlara bağlayan koddur. Yürütmeyi yönetir, bağlamı takip eder ve sonuçları modele geri besleyerek hatalarını düzeltebilmesini sağlar. Nasıl inşa edildiğine daha derin bir bakış için Agent Harness Engineering Guide’ımıza bakın.
En iyi açık kaynak yapay zekâ aracı koşumu hangisidir?⌄
İşe bağlıdır. Yazılım mühendisliği için Codex CLI, model esnekliği için OpenCode, yerel modeller için Pi ve kalıcı bellek için Hermes Agent benim tercihim. GPT-6 Astra ile Composio Bench’te Cline, %79,3 ile en yüksek puanı aldı; Codex CLI ve Hermes Agent %75,9’un gerisinde bıraktı.
Claude Code bir yapay zekâ aracı koşumu mu?⌄
Evet. Claude Code, Anthropic’in aracısal kodlama aracıdır ve yukarıdaki araçlar ile aynı anlamda bir koşumdur. Kapalı kaynak olduğu için bu listede yer almıyor. GPT-6 Astra ile Composio Bench’te %72,4 puan aldı.
Yapay zekâ aracı koşumunu yerel modellerle kullanabilir miyim?⌄
Evet, birkaçı kullanılabilir. Pi; llama.cpp, Ollama ve LM Studio ile çalışır; OpenCode ve Cline da yerel modelleri destekler. Daha küçük yerel modeller karmaşık iş akışlarında zorlanabilir; bu yüzden basit görevlerle başlayın.
Yapay zekâ aracı koşumlarını bilgisayarımda çalıştırmak güvenli midir?⌄
Olabilir, ancak yalnızca neye erişebileceklerini siz kontrol ederseniz. Koşumlar komut çalıştırır ve dosya düzenler; bu nedenle mevcutsa izin istemleri ve korumalı alanlar kullanın. Örneğin OpenHands, varsayılan olarak ajana dosya sisteminize tam erişim verir; Docker korumalı alanlarıyla çalıştırmak bunu sınırlar.
Sertifikalı bir veri bilimcisi olarak, yenilikçi makine öğrenimi uygulamaları oluşturmak için en son teknolojileri kullanmaya büyük ilgi duyuyorum. Konuşma tanıma, veri analizi ve raporlama, MLOps, konuşma yapay zekası ve NLP alanlarında güçlü bir geçmişe sahip olarak, gerçek bir etki yaratabilecek akıllı sistemler geliştirme becerilerimi geliştirdim. Teknik uzmanlığımın yanı sıra, karmaşık kavramları açık ve özlü bir dille ifade etme yeteneğine sahip, becerikli bir iletişimciyim. Sonuç olarak, veri bilimi konusunda aranan bir blog yazarı oldum ve giderek büyüyen veri profesyonelleri topluluğuyla görüşlerimi ve deneyimlerimi paylaşıyorum. Şu anda, içerik oluşturma ve düzenlemeye odaklanıyorum. Büyük dil modelleriyle çalışarak, hem işletmelerin hem de bireylerin verilerinden en iyi şekilde yararlanmalarına yardımcı olabilecek güçlü ve ilgi çekici içerikler geliştiriyorum.
Yapay zekâ aracı koşumları bir süredir hayatımızda, ancak son bir buçuk yılda ciddi biçimde değişti. Sadece Bash komutları çalıştırıp dosya düzenleyebilen basit ajanlardan; web’de arama yapabilen, harici araçlara bağlanabilen, bağlamı yöneten, geçmiş konuşmaları hatırlayan ve karmaşık görevleri tamamlayabilen sistemlere geçtik.
Modern yapay zekâ koşumları artık yeniden kullanılabilir becerileri, birlikte çalışan birden çok ajanı ve paralel araç yürütmeyi destekliyor. Geliştiriciler ayrıca bağlamı yönetmenin, belirteç kullanımını azaltmanın ve ajanları daha hızlı ve güvenilir kılmanın daha iyi yollarını buluyor.
İlginç bulduğum nokta, odağın modelleri iyileştirmekten çok, onların etrafındaki koşumu iyileştirmeye kayması. Bugün yapay zekâ ajanlarında gördüğümüz performans kazanımlarının büyük bölümü, yalnızca daha iyi modellerden değil; daha iyi araçlardan, daha akıllı iş akışlarından ve daha verimli bağlam yönetiminden geliyor.
Özünde bir yapay zekâ aracı koşumu, bir yapay zekâ modelini araçlarına bağlayan, yürütmeyi yöneten ve ajanın sonuçlara göre kendini ayarlamasını ve hatalarını düzeltmesini sağlayan geri bildirim döngüsünü oluşturan koddur.
Bu yazıda, 2026’nın en popüler ve kullanışlı 10 açık kaynak yapay zekâ aracı koşumunu ele alacak, her birini farklı kılan özelliklere ve nasıl başlanacağına bakacağım. GitHub yıldız sayıları Kasım 2026 itibarıyladır. Koşumların nasıl inşa edildiğine dair daha derin bir bakış için Agent Harness Engineering Guide rehberimize göz atın.
Yapay Zekâ Aracı Koşumu Nedir?
Yapay zekâ aracı koşumu, bir yapay zekâ modeline görevlerini tamamlaması için gereken araçları ve ortamı sağlayan sistemdir.
Modeli beyin, koşumu ise harekete geçmesini sağlayan her şey olarak düşünün. Koşum, modelin kendi önerileri doğrultusunda hareket etmesini sağlar: dosya okuyabilir, komut çalıştırabilir ve sonuçları kontrol edebilir.
Örneğin, sürekli çöken bir Python uygulamanız olduğunu düşünün. Hata iletisini ChatGPT’ye kopyalayıp önerilen düzeltmeleri tek tek uygulamak yerine, bir yapay zekâ kodlama ajanına şunu söylersiniz:
"Python uygulamamın neden çöktüğünü bul, sorunu düzelt ve tüm testlerin geçtiğinden emin ol."
Koşum, yapay zekâ modelinin kodunuzu okumasına, uygulamayı çalıştırmasına, hatayı bulmasına, ilgili dosyaları düzenlemesine ve testleri çalıştırmasına imkân tanır. Testler başarısız olursa, sonuçları modele geri gönderir; model de başka bir çözüm dener.
Tüm bunlar tek bir istekte, minimum manuel müdahale ile gerçekleşebilir.
Bir yapay zekâ aracı koşumu gerçekte ne yapar?
Çoğu yapay zekâ aracı koşumu 5 temel yetenek sunar:
Bazı koşumlar ayrıca bir projenin farklı bölümlerinde birlikte çalışan birden fazla ajanı destekler.
Aynı yapay zekâ modeli, koşuma bağlı olarak çok farklı performans gösterebilir. Composio’nun DeepSeek V4 Flash testlerinde aynı model, koşuma göre %46,7 ile %66,7 arasında puan aldı ve minimal Pi ajanı zirveye yerleşti.
Birkaç faydalı araç ve iyi bağlam yönetimine sahip iyi tasarlanmış bir koşum, bazen çok daha karmaşık olanı geride bırakabilir. Bu nedenle, bir modeli seçtiğiniz kadar dikkatle bir koşum seçmeye değer.
Şimdi, 2026’daki en iyi 10 açık kaynak yapay zekâ aracı koşumuna bakalım.
1. Codex CLI: Yazılım Mühendisliği için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Codex CLI, açık kaynak bir yapay zekâ kodlama ajanı için benim bir numaralı seçimim. OpenAI tarafından geliştirilen ve ağırlıklı olarak Rust ile yazılan bu araç hafif yapıda ve profesyonel yazılım projeleri üzerinde çalışan geliştiriciler için tasarlandı. Yaklaşık 134 bin GitHub yıldızına sahip.
Codex’i öne çıkaran şey, tek başına ne kadar çok işi üstlenebildiği. Tam projeler inşa edebilir, mevcut araçlarınızla çalışabilir, hataları düzeltebilir ve testler çalıştırabilir. Karmaşık bir görev verip geliştirme sürecinin büyük kısmını ona bırakabilirsiniz.
Başlıca ödün noktası OpenAI odaklı olmasıdır: hızlı başlangıç, ChatGPT hesabı veya OpenAI API anahtarıyla oturum açtırır.
Codex CLI’ı öne çıkaran özellikler
Codex CLI nasıl kurulur
Bu yazıdaki her yükleyici, uzaktaki bir betiği kabuğunuza yönlendirir; ne yaptığını görmek isterseniz önce betiği inceleyin.
macOS ve Linux:
Windows (PowerShell):
npm veya Homebrew (desteklenen herhangi bir platform):
Proje dizininize gidin ve Codex’i başlatın:
Başlamak için ChatGPT hesabınızla oturum açın veya API erişimini yapılandırın.
Örneğin, Codex’ten bir önyüz, arka uç, testler ve dokümantasyon içeren eksiksiz bir Python panosu oluşturmasını isteyebilirsiniz. Uygulamanın büyük kısmını kendisi hallederken siz sonuçları inceleyebilirsiniz. Uygulamalı bir anlatım için OpenAI Codex CLI eğitimimize bakın.
2. OpenCode: Model Esnekliği için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
OpenCode bir yıldan uzun süredir favori yapay zekâ kodlama ajanlarımdan biri. Windows, macOS ve Linux’ta çalışır, çok geniş bir model yelpazesini destekler ve geliştiricilere iş akışlarını özelleştirme özgürlüğü sunar.
Ayrıca yaklaşık 226 bin GitHub yıldızıyla en popüler açık kaynak kodlama ajanlarından biridir. Özellikle hoşuma giden nokta, tek bir AI sağlayıcısına kilitlenmemeniz: OpenAI, Anthropic, Google veya yerel modelleri aynı arayüzde kullanabilirsiniz.
OpenCode’u öne çıkaran özellikler
Benim için tek olumsuz yanı, daha basit kodlama ajanlarına kıyasla biraz şişkin hissettirebilmesi. Çoğu geliştiricinin hiç kullanmayacağı pek çok özelliği içeriyor ve büyük oturumlar bazen daha az tepkisel hissedebiliyor. Yine de esneklik ve model seçimi sizin için önemliyse, OpenCode’u geçmek zor.
OpenCode CLI nasıl kurulur
Windows (Windows Subsystem for Linux veya WSL), macOS ve Linux:
Kurulumdan sonra proje klasörünüze gidin ve OpenCode’u başlatın:
Tercih ettiğiniz AI sağlayıcısını yapılandırmak için
/connectkomutunu kullanın veya mevcut ücretsiz modellerle başlayın. Grafik bir arayüz tercih ediyorsanız OpenCode masaüstü uygulamasını da indirebilirsiniz.Kendi makinenizde çalışan bir modelle OpenCode’u denemek için, Qwen3.8-Flash-Next’i yerelde çalıştırma rehberimize bakın.
3. OpenClaw: Kişisel Yapay Zekâ Otomasyonu için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
OpenClaw, 2026’nın en büyük açık kaynak yapay zekâ ajan projelerinden biri; yaklaşık 394 bin GitHub yıldızına sahip. Bu listedeki çoğu kodlama ajanının aksine OpenClaw, uygulamalarınız genelinde gerçekten görev icra edebilen kişisel bir yapay zekâ asistanı olarak tasarlandı.
Kaynak: OpenClaw rehberimiz
OpenClaw’ı ilginç kılan, onu kendi bilgisayarınızda veya sunucunuzda çalıştırıp WhatsApp, Telegram, Discord, Slack ve diğer platformlar üzerinden iletişim kurabilmeniz. Faydalı bağlamı hatırlayabilir, komut çalıştırabilir, web’e göz atabilir ve günlük görevleri otomatikleştirebilir.
Ayrıca Codex dâhil diğer kodlama ajanları için bir platform olarak da çalışır ve asistan katmanı, bu listedeki bir başka koşum olan Pi üzerine kuruludur.
OpenClaw’ı öne çıkaran özellikler
Başlıca dezavantajı karmaşıklığı ve güvenlik gereksinimleridir. OpenClaw hassas araçlara ve dosyalara erişebilir; bu yüzden izinleri, korumalı alanları ve harici entegrasyonları dikkatle yapılandırmanız gerekir.
OpenClaw’ı, kodlama asistanlarının ötesine geçip birden çok uygulama genelinde çalışan kişisel yapay zekâ ajanları kurmak isteyen geliştiricilere öneririm.
OpenClaw Yapay Zekâ Ajanı nasıl kurulur
macOS, Linux ve Windows (WSL2):
Windows (PowerShell):
Yükleyici, başlangıç sürecini başlatır. Gerekirse şunu çalıştırın:
Yapılandırdıktan sonra web panosunu başlatın:
Başlamak için tercih ettiğiniz AI modelini ve mesajlaşma platformunu bağlayın.
Örneğin OpenClaw’ı, geliştirme projelerinizi izleyip güncellemeleri özetlemeye, onayladığınız görevleri yürütmeye ve sonuçları doğrudan Telegram veya WhatsApp’a göndermeye ayarlayabilirsiniz.
4. Hermes Agent: Kalıcı Bellek için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Hermes Agent, Nous Research tarafından geliştirildi ve oturumlar arasında sizinle, konuşmalarınızla ve projelerinizle ilgili faydalı bilgileri hatırlar.
Hermes’i ilginç kılan, kalıcı belleği eksiksiz bir yapay zekâ ajanıyla birleştirmesi. Kod yazabilir, komut çalıştırabilir, yeniden kullanılabilir beceriler öğrenebilir ve önceki konuşmalardan önemli bağlamı takip ederken görevleri otomatikleştirebilir.
Kaynak: Nous Research Hermes Yapay Zekâ Ajanı | Resmî Site
Yaklaşık 260 bin GitHub yıldızına sahip.
Hermes Agent’ı öne çıkaran özellikler
Kodlama performansı da rekabetçidir. Composio Bench’te, her koşumu aynı çoklu uygulama görev setinden geçirerek test eden değerlendirmede, Hermes OpenAI’nin GPT-6 Astra’sını kullanarak %75,9 başarı oranına (29 görevden 22) ulaştı ve Codex CLI ile aynı seviyeye geldi. Ayrıca bu modelle test edilen koşumlar arasında görev başına ortalama 125 saniye ile en hızlı tamamlama süresini kaydetti.
Başlıca dezavantajı, belleğinin kusursuz olmamasıdır. Her şeyi değil, seçili bilgileri kaydeder ve küçük yerel modellerle karmaşık iş akışları çalıştırmak zor olabilir.
Hermes’i yalnızca kodlama asistanından fazlasını isteyen, özellikle de çalışmalarını hatırlayan ve zamanla daha faydalı hale gelen kişisel bir yapay zekâ ajanı arayan geliştiricilere öneririm.
Hermes Agent nasıl kurulur
Linux, macOS ve Windows (WSL2):
Windows (PowerShell):
Tercih ettiğiniz model sağlayıcısını yapılandırın:
Ajani başlatın:
Ek araçları, mesajlaşma platformlarını ve otomasyon özelliklerini yapılandırmak için
hermes setupkomutunu da çalıştırabilirsiniz. Tam bir anlatım için Hermes Agent kurulum rehberimize bakın.5. Pi: Yerel LLM’ler için En İyi Hafif Açık Kaynak Yapay Zekâ Aracı Koşumu
Pi, en sevdiğim hafif yapay zekâ aracı koşumu. Büyük dil modellerini (LLM) yerelde çalıştırmayla ilgili eğitimler yazdığımda neredeyse her zaman Pi’yi kullanıyorum; çünkü kurulumu kolay, minimal bir mimariye sahip ve daha büyük kodlama ajanlarına göre çok daha hafif hissettiriyor.
Özellikle sadeliğini seviyorum. Pi, küçük ve verimli bir ajan döngüsüne odaklanıyor. Deneyimlerime göre bu, iş akışını hızlı tutmaya ve belirteç kullanımını yönetilebilir kılmaya yardımcı olurken, daha karmaşık ajanlarla karşılaştırılabilir kodlama sonuçları sunuyor.
Yaklaşık 120 bin GitHub yıldızına sahip. Pi, Nisan 2026’da projenin yaratıcısı Mario Zechner’dan projeyi devralan Earendil tarafından geliştiriliyor ve MIT lisanslı olmaya devam ediyor. OpenClaw, Pi’nin bileşenleri üzerine inşa edilmiştir.
Pi’yi öne çıkaran özellikler
Performansı da rekabetçi. Composio Bench’te, Pi GPT-6 Astra kullanarak %69 başarı oranına ulaştı ve aynı 29 görevde OpenCode ile aynı seviyede performans gösterdi.
Başlıca sınırlaması; alt ajanlar ve planlama gibi özelliklerin varsayılan olarak yerleşik olmaması. Bunlar için uzantılara veya özel uygulamalara ihtiyaç duyulur. Ancak tam da bu sadelik, yerel LLM deneyleri ve hafif kodlama projeleri için Pi’yi tercih etmemin nedeni.
Pi Yapay Zekâ Agent CLI nasıl kurulur
macOS ve Linux:
Windows (PowerShell):
Proje dizininize gidin ve Pi’yi başlatın:
Bir AI sağlayıcısına bağlanmak veya yerel bir model yapılandırmak için
/loginkullanın. Ardından çalıştırmak istediğiniz modeli seçmek için/modelkomutunu kullanın.Pi’nin yerel bir modelle çalışmasını görmek için, Bonsai 27B’yi yerelde çalıştırma rehberimizi deneyin.
6. Cline: VS Code için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Cline, VS Code uzantısı olarak popülerleşen, ilk açık kaynak yapay zekâ kodlama ajanlarından biridir. Hızla büyük bir geliştirici kitlesi kazandı ve Roo Code gibi çatallara ilham verdi.
Bu listedeki diğer ajanlar kadar kapsamlı kullanmasam da geliştirme hızı ve topluluk geri bildirimleri etkileyici. Artık birden fazla IDE, bir CLI, Kanban görev panosu ve bir SDK’yı destekliyor; yaklaşık 70 bin GitHub yıldızına sahip.
Cline’ı öne çıkaran özellikler
Composio Bench’te Cline, GPT-6 Astra ile %79,3 başarı oranı (29 görevden 23) elde etti; Codex CLI ve Hermes Agent’ın bir görev önünde. Bu da görev tamamlama açısından en yüksek puanı alan koşum olmasını sağladı.
Başlıca dezavantajı hız. Aynı karşılaştırmada Cline, görev başına ortalama 193 saniye sürerken, Hermes Agent 125 saniyeydi.
Cline Yapay Zekâ Ajanı nasıl kurulur
VS Code (Windows, macOS ve Linux):
VS Code’u açın, Uzantılar’a gidin (Windows ve Linux’ta
Ctrl+Shift+X, macOS’taCmd+Shift+X), Cline araması yapın ve Yükle’ye tıklayın.Alternatif olarak, CLI’yi npm ile kurun (Node.js 22 veya üzeri gerekir):
Tercih ettiğiniz AI sağlayıcısını yapılandırın:
Proje dizininize gidin ve Cline’ı başlatın:
Artık Cline’dan kod tabanınızı keşfetmesini, özellikler uygulamasını, hataları düzeltmesini ve değişikliklerini gözden geçirirken testleri çalıştırmasını isteyebilirsiniz. Uygulamalı örnekler için Cline AI rehberimize bakın.
7. DeepSeek Harness: DeepSeek Modelleri için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
DeepSeek Harness 13 Ağustos 2026’da yayına girdi ve ilk 10 gününde 186 bin GitHub yıldızını geçti; bu da onu en hızlı büyüyen açık kaynak yapay zekâ ajan projelerinden biri yaptı. Bugün yaklaşık 279 bin yıldızı var.
DeepSeek Harness’i kullandım ve en çok etkileyen şey, özellikle DeepSeek-V4.1-Flash ile çalışırken hızı oldu. DeepSeek modelleri için ayarlanmış durumda ve modern bir kodlama ajanından bekleyeceğiniz hemen her şeyle birlikte geliyor.
Bir diğer sevdiğim nokta da şeffaflığı. Araç çağrılarını, yürütme izlerini ve ayrıntılı istatistikleri inceleyerek ajanın nasıl performans gösterdiğini anlayabilirsiniz.
DeepSeek Harness’i öne çıkaran özellikler
Başlıca dezavantajı, DeepSeek Harness’in hâlen geliştirici ön izlemesinde olması. Eklentiler ve API’ler değişiyor; güncellemeler bozucu değişiklikler getirebilir.
Bunu düzenli olarak DeepSeek modelleri kullanan veya ayrıntılı yürütme içgörüleri sunan, yüksek özelleştirilebilir bir ajan koşumu isteyen geliştiricilere öneririm.
DeepSeek Harness nasıl kurulur
Önce Windows, macOS veya Linux’a Node.js 22.19 veya daha yenisini kurun.
Sonra npx ile DeepSeek Harness’i başlatın:
Bu, yerel web arayüzünü otomatik olarak
http://127.0.0.1:3080adresinde başlatır.DeepSeek API anahtarınızı yapılandırın, tercih ettiğiniz modeli seçin ve işe koyulun. Masaüstü uygulamasını resmî DeepSeek Harness web sitesinden de indirebilirsiniz. Adım adım anlatım için DeepSeek Harness eğitimimize bakın.
8. Deep Agents: Özel Yapay Zekâ Ajanları için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
Deep Agents, LangChain tarafından geliştirilen açık kaynak bir yapay zekâ aracı koşumudur. Bu listedeki çoğu kodlama ajanından farklı olarak hem yazılım geliştirme hem de karmaşık, çok adımlı görevleri üstlenebilen özel yapay zekâ ajanları oluşturmak için tasarlanmıştır.
Kaynak: Deep Agents genel bakış - LangChain Dokümanları
Deep Agents’ı ilginç kılan, hazır terminal kodlama ajanını kullanabildiğiniz gibi Python veya TypeScript ile kendinizin de ajan inşa edebilmesi. Planlama, bellek, alt ajanlar ve bağlam yönetimi zaten dâhil; her şeyi sıfırdan kurmanız gerekmiyor.
Proje ayrıca ciddi ilgi gördü; yaklaşık 31 bin GitHub yıldızı bulunuyor.
Deep Agents’ı öne çıkaran özellikler
Kıyaslardaki iyileştirmeleri de anmaya değer. Şubat 2026’da LangChain, sadece istemleri, araçları ve ara katmanı ayarlayarak gpt-5.2-codex ile kodlama ajanının Terminal Bench 2.0 skorunu %52,8’den %66,5’e yükselttiğini raporladı; altta yatan modeli değiştirmeden.
Deep Agents’ı, en basit kodlama yardımcısını arayanlardan ziyade kendi yapay zekâ uygulamalarını inşa eden geliştiricilere öneririm. Hafif kodlama görevleri için Pi veya Codex CLI ile başlamak daha kolay olabilir. SDK hakkında daha fazlası için Deep Agents rehberimize göz atın.
Deep Agents nasıl kurulur
Deep Agents Code’u kurun (macOS ve Linux veya WSL üzerinden Windows):
Kodlama ajanını başlatın:
Çalışmaya başlamak için AI modelinizi seçin ve kimlik doğrulamayı yapılandırın.
Python ile özel yapay zekâ ajanları için,
uvile bir proje oluşturup SDK’yı kurun:Ardından
create_deep_agent()ile kendi modelleriniz, araçlarınız, istemleriniz ve iş akışlarınızla ajanlar inşa edebilirsiniz.Örneğin; web’i arayan, belgeleri analiz eden, araştırmayı alt ajanlara devreden ve nihai bir rapor üreten bir araştırma ajanı inşa edebilirsiniz.
9. OpenHands: Otonom Yazılım Geliştirme için En İyi Açık Kaynak Yapay Zekâ Aracı Koşumu
OpenHands, en erken açık kaynak yapay zekâ kodlama ajanı projelerinden biridir. Mart 2024’te OpenDevin olarak başladı; geliştiricilerin GPT-3.5 ve GPT-4’ün basit sohbet ve kod üretiminin ötesinde neler yapabileceğini keşfettiği dönemde.
Kaynak: OpenHands/OpenHands: OpenHands: AI-Driven Development
O zamanlar, bir yapay zekâ ajanına bir görev verip gerçek bir proje inşa etmesine izin vermek heyecan vericiydi. OpenHands, ajanların kod yazmasına, komut çalıştırmasına, hataları düzeltmesine ve kendi çalışmalarını test etmesine olanak tanıyarak bunu mümkün kılmaya yardımcı oldu.
Bugün yaklaşık 93 bin GitHub yıldızıyla otonom yazılım geliştirme için eksiksiz bir platforma dönüştü.
OpenHands’ı öne çıkaran özellikler
Başlıca dezavantajı karmaşıklığıdır. Pi veya Codex CLI gibi hafif koşumlara kıyasla, özellikle yalıtılmış yürütme ortamları kullanıldığında daha fazla kurulum ve kaynak gerektirir.
Bunu, otonom kodlama ajanları çalıştırmak, birden çok iş akışını yönetmek veya ajan destekli geliştirme sistemleri inşa etmek isteyen geliştiricilere öneririm. Daha yakından bakmak için OpenHands rehberimize göz atın.
OpenHands Yapay Zekâ Ajanı nasıl kurulur
OpenHands’ı yerelde çalıştırmanın en kolay yolu Agent Canvas’tır.
Önce Node.js 24 veya daha yenisini ve uv aracını kurun.
Sonra Windows, macOS veya Linux’ta Agent Canvas’ı kurun:
Uygulamayı başlatın:
Web arayüzünü
http://localhost:8000adresinde açın.Tercih ettiğiniz AI modelini yapılandırın, bir çalışma alanı seçin ve ajana kodlama görevleri vermeye başlayın.
Varsayılan olarak bu, ajanın dosya sisteminize tam erişimle doğrudan makinenizde çalışmasına neden olur. Ajanları yapılandırılmış çalışma alanları dışındaki dosyalardan uzak tutmak için Agent Canvas’ı Docker korumalı alanları ile şöyle çalıştırın:
10. mini-SWE-agent: Yazılım Mühendisliği için En İyi Minimal Açık Kaynak Yapay Zekâ Aracı Koşumu
mini-SWE-agent, karşılaştığım en basit yapay zekâ kodlama koşumlarından biridir. SWE-agent ve SWE-bench’in arkasındaki araştırmacılar tarafından geliştirilen proje, özellik yüklü kodlama ajanlarından farklı bir yaklaşım benimser.
Çekirdek ajan yaklaşık 100 satır Python ile yazılmıştır. Karmaşık araç çağırma sistemleri kurmak yerine, modele Bash erişimi verip görevleri nasıl tamamlayacağını kendisinin bulmasına izin verir.
Bu minimal yaklaşım yine de güçlü kodlama performansı sunar. Proje yaklaşık 9,5 bin GitHub yıldızı kazandı ve NVIDIA, Meta ve IBM gibi kuruluşlardaki araştırmacı ve mühendisler tarafından kullanılıyor.
mini-SWE-agent’ı öne çıkaran özellikler
Projenin README’sine göre, mini-SWE-agent, Gemini 3 Pro gibi güçlü modellerle eşleştirildiğinde, gerçek GitHub sorunlarından oluşan bir kıyas olan SWE-bench Verified’da %74’ün üzerinde puan alıyor. Modelleri SWE-bench bash-only lider panosunda karşılaştırabilirsiniz.
Başlıca dezavantajı, gelişmiş planlama, alt ajanlar ve kapsamlı entegrasyonlar gibi daha büyük ajanlarda bulunan birçok yerleşik özelliğin eksik olmasıdır. Geliştiricilerin bunları kendilerinin uygulaması gerekebilir.
mini-SWE-agent’ı, farklı modeller ve ajan mimarileriyle denemeler yapmak isteyen geliştiriciler ve yapay zekâ araştırmacılarına; hızlı, hafif ve kolay özelleştirilebilir bir kodlama koşumu olarak öneririm.
mini-SWE-agent nasıl kurulur
mini-SWE-agent’ı macOS veya Linux’ta kurmanın en kolay yolu
uvkullanmaktır:Alternatif olarak pip ile kurun:
Tercih ettiğiniz AI modelini ve API anahtarını yapılandırın:
Proje dizininize gidin ve ajanı başlatın:
Kalıcı kurulum olmadan doğrudan da çalıştırabilirsiniz:
Örneğin mini-SWE-agent’tan bir Python deposunu keşfetmesini, başarısız testleri belirlemesini, hataları düzeltmesini ve testleri yeniden çalıştırmasını isteyebilirsiniz. Bunu, karmaşık bir ajan çerçevesine ihtiyaç duymadan basit kabuk komutlarıyla halleder.
2026’nın En İyi 10 Açık Kaynak Yapay Zekâ Aracı Koşumunun Karşılaştırması
Aşağıdaki tablo, en iyi 10 açık kaynak yapay zekâ aracı koşumunu ana güçlü yönleri, ideal kullanım alanları ve sınırlamaları temelinde karşılaştırır.
Son Düşünceler
Kodlama ajanları bir süredir bu alanın lokomotifiydi; şimdi ise kişisel yapay zekâ asistanlarına ve günlük işler için araçlara doğru bir kayma görüyoruz.
Bu listeye kapalı kaynak araçları dâhil etmedim; ancak ChatGPT Work ve OpenAI’nin dots ürünleri, gidişatın iyi örnekleri. Sadece geliştiricilere değil; ofis çalışanları, işletme sahipleri, araştırmacılar ve hatta kodlama deneyimi olmayan kişiler, belgelerle çalışmak, e-tabloları analiz etmek, e-posta göndermek, projeleri yönetmek ve günlük görevleri otomatikleştirmek için yapay zekâyı kullanabiliyor.
Google’ın Flow’u da yapay zekâyı yaratıcı işler için faydalı kılmaya yönelik benzer bir değişimi gösteriyor. Elbette, yukarıdaki açık kaynak koşumların çoğu doğru araçlar ve entegrasyonlarla bu görevlerin birçoğunu zaten halledebiliyor. Fark şu ki şirketler artık esas olarak kodlamaya odaklanmak yerine, özellikle bu iş akışları için deneyimler inşa ediyor.
Artık işin büyük kısmı koşumda gerçekleşiyor. Geliştiriciler, belirli görevlerde modelleri daha iyi performans gösterecek şekilde; araçlar, bellek, bağlam yönetimi ve iş akışları dâhil tüm ajan koşumunu ayarlıyor.
Kendi koşumunuzu oluşturma konusunda daha fazlasını öğrenmek isterseniz, Building AI Agent Harnesses with Strands Agents kursumuza göz atmanızı öneririm.