Qwen3-Coder’ı Yerelde Nasıl Çalıştırırsınız

Qwen3-Coder, geliştiricilere kod üretimi ve otomasyonda gelişmiş yetenekler sunmak üzere tasarlanmış gelişmiş bir ajan odaklı kod modelidir. Birden çok boyutta sunulur; amiral gemisi sürüm ise Qwen3-Coder-480B-A35B-Instruct’tur. 

Bu 480 milyar parametreli Mixture-of-Experts modelinde 35 milyar etkin parametre bulunur ve açık kaynak kod modelleri için yeni bir standart belirler. Agentic Coding, Agentic Browser Use ve temel kodlama görevlerinde son teknoloji performans sunar; sonuçları Claude Sonnet gibi önde gelen modellerle karşılaştırılabilir düzeydedir.

Bu eğitimde, Qwen3-Coder’ı yerelde nasıl çalıştıracağımızı, Msty sohbet uygulamalarıyla nasıl kullanacağımızı, VSCode Copilot ile nasıl entegre edeceğimizi, gelişmiş ajan odaklı kod iş akışları için Kilo Code uzantısını nasıl kuracağımızı ve son olarak bir yerel uygulamaya entegre etmek için Python çerçevesini nasıl kullanacağımızı öğreneceğiz.

Daha fazla bilgi için Qwen3 ve Qwen Code CLI için ayrı rehberlerimize göz atabilirsiniz. 

1. Ollama’yı Yükleme

Ollama son aylarda önemli iyileştirmeler gördü ve artık ChatGPT’ye benzer, kullanıcı dostu bir sohbet uygulaması sunuyor. Yeni uygulama ile yapay zekâ modellerini doğrudan grafik arabirimden indirip çalıştırabilir, yerel yapay zekâyı her zamankinden daha erişilebilir hâle getirebilirsiniz.

Kaynak: Ollama’nın yeni uygulaması

Windows ve macOS için: indirme sayfasını ziyaret edin ve işletim sisteminiz için yükleyiciyi indirin. Kurulum süreci basittir; başlamak için yönergeleri izlemeniz yeterlidir.

Kaynak: Ollama’yı İndir

Linux için: Terminalinizi açın ve aşağıdaki komutu çalıştırın. Bu komut Ollama’yı sisteminize otomatik olarak indirip kuracaktır.

curl -fsSL https://ollama.com/install.sh | sh  

GPU’nun algılanmadığına dair bir mesaj görürseniz, birkaç sistem aracını kurmanız gerekir:

sudo apt update
sudo apt install -y pciutils lshw

NVIDIA GPU desteği için sürücüyü ve CUDA araç takımını kurun:

sudo apt install -y nvidia-driver-525 nvidia-cuda-toolkit

Kurulumdan sonra Ollama uygulamasını başlatabilir ve modelleri indirmeye ya da doğrudan arayüzden sohbet etmeye başlayabilirsiniz. Bu sayede Windows, macOS veya Linux’ta yerel yapay zekâ modelleriyle denemeler yapmak kolaylaşır.

2. Qwen3-Coder’ı Çalıştırma 

Qwen3-Coder ile başlamak için, Ollama web sitesindeki Modeller sekmesine gidin ve “qwen3-coder” araması yapın.

Kaynak: qwen3-coder

Bulduktan sonra, kurulum komutunu kopyalayın ve modeli indirmek ve çalıştırmak için terminalinizde çalıştırın:

ollama run qwen3-coder

İnternet hızınıza bağlı olarak indirme işlemi birkaç dakika sürebilir. Tamamlandığında, model doğrudan terminalinizden kullanıma hazır olacaktır.

Hemen sohbete başlayabilir veya bir uygulama oluşturmasına yardım etmesini isteyebilirsiniz.

Ollama artık yerleşik bir sohbet uygulaması içerse de, Qwen3-Coder’ı gelişmiş araç ve uygulamalarla entegre ederek çok daha fazla potansiyel açığa çıkarabilirsiniz. 

Bunu yapmak için modeli bir API uç noktası olarak sunmanız gerekir:

ollama serve

Bu komut, http://localhost:11434/ adresinde OpenAI uyumlu bir sunucu başlatır ve Qwen3-Coder’ı favori geliştirme araçlarınıza ve iş akışlarınıza bağlamayı kolaylaştırır.

3. Qwen3-Coder’ı Msty Uygulamasıyla Entegre Etme

Msty, yerel ve tescilli büyük dil modellerini test etmek için başvurduğum uygulamadır. Sevileceğiniz özelliklerle dolu ve Ollama sunucusuyla entegrasyon için mükemmel bir eşleşmedir. Resmî Msty web sitesini ziyaret edin ve platformunuz için uygulamayı kurun.

Ardından,

1. Uygulamayı açın ve Ayarlar menüsüne gidin.
2. Uzak Model Sağlayıcıları sekmesine gidin.
3. Yeni bir sağlayıcı ekleyin, tür olarak Ollama Remote’u seçin ve bir ad ile hizmet uç noktasını girin (genellikle http://localhost:11434/).

4. Modelleri Getir düğmesine tıklayın ve listeden qwen3-coder:latest’i seçip Ekle’ye basın.

5. Sohbet menüsüne gidin, Qwen3-Coder modelini seçin ve ondan dilediğiniz şeyi oluşturmasını istemeye başlayın.

Bu entegrasyon basit ve esnektir. Ollama serve çalıştırarak Ollama modellerini birden çok uygulama ve araca bağlayabilir, çok daha yaratıcı olasılıkların kilidini açabilirsiniz.

4. Qwen3-Coder’ı Copilot’ta Kullanma

Bildiğiniz gibi Qwen3-Coder, özellikle kodlama ve ajan odaklı iş akışları için tasarlanmıştır. Onu kod düzenleyicimize entegre etmezsek potansiyelini boşa harcamış oluruz.

Şimdi Qwen3-Coder’ı VS Code’da GitHub Copilot ile entegre edeceğiz. Yeni VS Code kurulumunda Copilot uzantısı zaten geliyor. Tek yapmanız gereken, alttaki model seçimi menüsüne tıklamak, ardından “Modelleri Yönet” bağlantısını seçmek ve model sağlayıcı olarak Ollama’yı tercih etmek. Bu, kullanılabilir modelleri gösterecektir. Qwen3-Coder modelini seçmeniz ve GitHub Copilot sohbetini her zamanki gibi kullanmaya başlamanız yeterlidir.

HTML’yi Markdown’a dönüştürecek bir betik oluşturmasını istedik ve tam yanıtı üretmesi sadece 10 saniye sürdü. 

Hızlı, yerel ve kullanımı kolay.

5. Qwen3-Coder’ı Kilo Code ile Kurma

Kilo-Org/kilocode VSCode uzantısı, planlama, inşa etme ve kod düzeltme için en iyi açık kaynaklı yapay zekâ kod asistanlarından biri olarak popülerlik kazanıyor. 

Yerelde çalıştırdığımız Qwen3-Coder modelini entegre etmek için önce gerekli uzantıları kurun, ardından ayarlara gidin. API sağlayıcısını Ollama olarak değiştirin; model varsayılan URL’den otomatik olarak algılanacaktır. 

Bundan sonra sohbete dönün ve yapay zekâdan basit bir yapay zekâ sunucusu kurmasını isteyin. Önce projedeki tüm dosyaları inceleyecek ve ardından sorgunuz için en iyi çözümü sunacaktır.

6. Qwen3-Coder’ı Ollama Python SDK ile Kullanma

Qwen3-Coder’ı Python uygulamalarınıza entegre etmek, ollama/ollama-python Python paketiyle kolaydır. Bu, güçlü yapay zekâ modellerini yerelde çalıştırmanıza ve doğrudan iş akışlarınıza gömmenize olanak tanır

Başlamak için Ollama paketini kurmanız yeterli:

pip install ollama

Aşağıda, Qwen3-Coder’ı Python kodunuzda kullanmanın, OpenAI’nin API’sini çağırmaya benzer şekilde, en basit örneği yer alıyor:

from ollama import chat

def main():
    # Define a system + user prompt
    messages = [
        {"role": "system", "content": "You are a helpful coding assistant."},
        {
            "role": "user",
            "content": (
                "Please write a Python function `quicksort(arr)` "
                "that takes a list of integers and returns it sorted."
            ),
        },
    ]

    # Stream the response from Qwen3-Coder
    stream = chat(
        model="Qwen3-Coder",
        messages=messages,
        stream=True
    )

    # Print chunks as they arrive
    for chunk in stream:
        # chunk is a dict-like with ['message']['content']
        print(chunk["message"]["content"], end="", flush=True)

    # Finish with a newline
    print()

if __name__ == "__main__":
    main()

Yanıt neredeyse anında akış olarak gelmeye başlar. Aşağıdaki quicksort çözümünün üretilmesi yalnızca 15 saniye sürdü:

Here's a Python implementation of the quicksort algorithm:

```python
def quicksort(arr):
    """
    Sorts a list of integers using the quicksort algorithm.
    
    Args:
        arr: List of integers to be sorted
        
    Returns:
        A new list containing the sorted integers
    """
    # Base case: arrays with 0 or 1 element are already sorted
    if len(arr) <= 1:
        return arr

    # Choose pivot (using the middle element)
    pivot = arr[len(arr) // 2]
    
    # Partition the array into three parts
    left = [x for x in arr if x < pivot]      # Elements less than pivot
    middle = [x for x in arr if x == pivot]   # Elements equal to pivot
    right = [x for x in arr if x > pivot]     # Elements greater than pivot

    # Recursively sort left and right parts, then combine
    return quicksort(left) + middle + quicksort(right)

# Example usage:
if __name__ == "__main__":
    # Test cases
    print(quicksort([64, 34, 25, 12, 22, 11, 90]))  # [11, 12, 22, 25, 34, 64, 90]
    print(quicksort([5, 2, 8, 1, 9]))               # [1, 2, 5, 8, 9]
    print(quicksort([1]))                           # [1]
    print(quicksort([]))                            # []
    print(quicksort([3, 3, 3, 3]))                  # [3, 3, 3, 3]
```

Son Düşünceler

Bu rehber, yerel yapay zekânın ne kadar erişilebilir hâle geldiğini gösteriyor. Bugün, açık kaynaklı modelleri eski bir dizüstünde bile çalıştırabilir, onları kod düzenleyicileriniz ve sohbet uygulamalarınızla entegre edebilir veya Ollama Python SDK’sını kullanarak özel yerel yapay zekâ uygulamaları geliştirebilirsiniz. 

Başka seçenekler de var; örneğin Qwen Code CLI’yi kullanmak (ayrı rehberimizde ele aldık: Qwen Code CLI: Örneklerle Bir Rehber | DataCamp) ya da modelleri yerel bir sunucuda servis edip birden fazla bilgisayardan SSH ile erişmek gibi. İmkânlar hızla genişliyor ve yerel yapay zekâ her zamankinden daha pratik ve çok yönlü hâle geliyor.