Geçtiğimiz yıl birkaç büyük mühendislik organizasyonu, geliştirme ekiplerinin yanında çalışan şirket içi kodlama agentları inşa etti. Stripe Minions'ı geliştirdi, Ramp Inspect'i kurdu, Coinbase ise Cloudbot'u yarattı. Bu sistemlerin ortak noktası mühendislerden yeni bir arayüz benimsemelerini istemiyor olması — Slack, Linear ve GitHub üzerinden mevcut iş akışlarına entegre oluyorlar.
Üç sistem bağımsız geliştirilmiş olsa da benzer mimari kararlarda buluşmuş: izole bulut sandbox'ları, seçilmiş araç setleri, subagent orkestrasyonu ve geliştirici iş akışlarıyla entegrasyon. Bu yakınsama, üretim ortamlarında AI agent deploy etmek için bazı ortak gereksinimlerin var olduğuna işaret ediyor.
LangChain bugün bu pattern'ları özelleştirilebilir bir formda sunan Open SWE'yi yayınladı. Deep Agents ve LangGraph üzerine inşa edilen framework, şirket içi kodlama agentı kurmayı değerlendiren ekipler için bir başlangıç noktası sunuyor.
Üretim Sistemlerindeki Ortak Pattern'lar
Stripe, Ramp ve Coinbase'in bu sistemleri nasıl inşa ettiğine bakıldığında şu mimari kararlar öne çıkıyor:
İzole çalışma ortamları. Her görev, sıkı sınırlar içinde tam yetkiye sahip ayrı bir bulut sandbox'ında çalışıyor. Her işlem için onay istemeden komut çalıştırabilirken olası bir hatanın production sistemlere etkisi sıfırlanıyor.
Seçilmiş araç setleri. Stripe'ın ekibine göre agentlarının yaklaşık 500 araça erişimi var — ama bunlar zamanla biriktirilmiş değil, özenle seçilmiş ve bakımı yapılmış. Araç kalitesi, araç miktarından daha önemli görünüyor.
Slack öncelikli tetikleme. Üç sistem de birincil arayüz olarak Slack'i kullanıyor. Yeni bir uygulama öğrenmek zorunda kalmadan, mevcut iletişim akışı içinde agenti çağırabiliyorsunuz.
Başlangıçta zengin bağlam. Agentlar çalışmaya başlamadan önce Linear issue'larından, Slack thread'lerinden veya GitHub PR'larından tam bağlamı çekiyor. Araç çağrıları yerine hazır bağlamla başlamak verimliliği artırıyor.
Subagent orkestrasyonu. Karmaşık görevler parçalanarak izole bağlam ve odaklanmış sorumluluklarla çalışan alt agentlara devrediliyor.
Open SWE'nin Mimarisi
1. Agent Harness: Deep Agents Üzerine
Open SWE mevcut bir agentten fork almak ya da sıfırdan inşa etmek yerine Deep Agents framework'ü üzerine kurulu. Ramp'in Inspect'i OpenCode üzerine inşa etmesine benzer bir yaklaşım.
Bu yaklaşımın iki avantajı var. Birincisi yükseltme yolu — Deep Agents iyileştikçe (daha iyi bağlam yönetimi, daha verimli planlama, optimize token kullanımı) kendi özelleştirmelerinizi yeniden inşa etmeden bu iyileştirmeleri alabiliyorsunuz. İkincisi fork etmeden özelleştirme — organizasyona özgü araçları, prompt'ları ve iş akışlarını core agent mantığına dokunmadan konfigürasyon olarak yönetebiliyorsunuz.
create_deep_agent(
model="anthropic:claude-opus-4-6",
system_prompt=construct_system_prompt(repo_dir, ...),
tools=[
http_request,
fetch_url,
commit_and_open_pr,
linear_comment,
slack_thread_reply
],
backend=sandbox_backend,
middleware=[
ToolErrorMiddleware(),
check_message_queue_before_model,
...
],
)
2. Sandbox: İzole Bulut Ortamları
Her görev kendi izole bulut sandbox'ında çalışıyor — tam shell erişimine sahip uzak bir Linux ortamı. Repo içeriye klonlanıyor, agent tam yetki alıyor, hatalar o ortamda kalıyor. Open SWE kutudan çıktığı haliyle Modal, Daytona, Runloop ve LangSmith sandbox provider'larını destekliyor. Kendi sandbox backend'inizi de uygulayabiliyorsunuz.
Önemli davranışlar: her conversation thread kalıcı bir sandbox alıyor ve takip mesajlarında yeniden kullanıyor. Sandbox'lar ulaşılamazsa otomatik yeniden oluşturuluyor. Birden fazla görev paralel sandbox'larda çalışıyor.
3. Araçlar: Biriktirilmiş Değil, Seçilmiş
Open SWE odaklı bir araç setiyle geliyor. Bunlara ek olarak Deep Agents'ın dahili araçları da mevcut: read_file, write_file, edit_file, ls, glob, grep, write_todos ve subagent tetikleyen task.
Küçük ve özenle seçilmiş bir araç seti test etmesi, bakımı ve üzerinde muhakeme kurması daha kolay. Organizasyona özgü ek araçlara (internal API'lar, deployment sistemleri, test framework'leri) ihtiyaç duyduğunuzda bunları açıkça ekleyebiliyorsunuz.
4. Bağlam Mühendisliği: AGENTS.md + Kaynak Bağlamı
Open SWE iki kaynaktan bağlam topluyor. Reponuzun kökünde bir AGENTS.md dosyası varsa sandbox'tan okunup sistem prompt'una enjekte ediliyor — bu dosya her agent çalışmasının uyması gereken convention'ları, test gereksinimlerini ve mimari kararları kodlayabiliyor. Öte yandan görev başlamadan önce Linear issue'sunun veya Slack thread'inin tam içeriği toplanıp agente iletiliyor; ek araç çağrısı olmadan göreve özgü bağlam sağlanıyor.
5. Orkestrasyon: Subagentlar + Middleware
İki mekanizma birlikte çalışıyor. Subagentlar sayesinde ana agent, task aracı aracılığıyla bağımsız alt görevleri kendi middleware yığını, todo listesi ve dosya operasyonlarına sahip izole subagentlara devredebiliyor. Middleware ise agent döngüsünün belirli noktalarında deterministik mantık çalıştırıyor: check_message_queue_before_model agent çalışırken gelen Linear yorumlarını veya Slack mesajlarını bir sonraki model çağrısından önce enjekte ediyor; open_pr_if_needed agent bu adımı tamamlamazsa commit açıp PR oluşturuyor; ToolErrorMiddleware araç hatalarını yakalayıp düzgün ele alıyor.
6. Tetikleme: Slack, Linear ve GitHub
Slack'te botu herhangi bir thread'de etiketle; repo:owner/name sözdizimi hangi repoda çalışacağını belirtiyor ve agent thread içinde durum güncellemeleri ile PR linkleri paylaşıyor. Linear'da herhangi bir issue üzerinde @openswe yorumu yap; agent tam issue bağlamını okuyup 👀 ile onaylıyor ve sonuçları yorum olarak gönderiyor. GitHub'da agent tarafından açılan PR'lardaki yorumlarda @openswe etiketle; agent review geri bildirimini ele alıp aynı branch'e push ediyor.
7. Doğrulama: Prompt Odaklı + Güvenlik Ağları
Agent commit etmeden önce linter, formatter ve testleri çalıştırması için yönlendiriliyor. open_pr_if_needed middleware son güvence olarak işlev görüyor — agent PR açmadan bitirirse middleware bunu otomatik hallediyor.
Neden Deep Agents?
Deep Agents bu mimariyi hem birleştirilebilir hem de sürdürülebilir kılan temeli sağlıyor.
Uzun süreli kodlama görevleri büyük miktarda ara veri üretebiliyor. Deep Agents dosya tabanlı bellek yönetimiyle büyük çıktıları conversation geçmişinde tutmak yerine dışarı aktarıyor — büyük kod tabanlarında bağlam taşmasını önlüyor. write_todos aracı karmaşık işleri yapılandırılmış biçimde parçalamak, ilerlemeyi takip etmek ve planları yeni bilgiler geldikçe uyarlamak için kullanılıyor. Ana agent bir subagent oluşturduğunda o subagent kendi izole bağlamını alıyor — farklı alt görevler birbirinin geçmişini kirletmiyor. Middleware sistemi agent döngüsünün belirli noktalarına deterministik mantık enjekte etmeyi sağlıyor. Deep Agents aktif olarak geliştirilen bağımsız bir kütüphane olduğundan bağlam sıkıştırma, prompt önbellekleme ve planlama verimliliğindeki iyileştirmeler kendi özelleştirmelerinizi yeniden inşa etmeden Open SWE'ye akıyor.
Başlarken
Open SWE şu an GitHub'da mevcut.
Framework MIT lisanslı — fork edebilir, özelleştirebilir, şirket içinde deploy edebilirsiniz.
