Context Rot: Ajan Döngüsünden Ajan Sürülerine — Yapay Zeka Destekli Geliştirmede Bağlam Kalıcılığı Sorununu Çözmek
Yapay zeka (YZ) destekli geliştirme araçları, yazılım mühendislerinin üretkenliğini artırma ve karmaşık görevleri basitleştirme potansiyeliyle hızla yaygınlaşıyor. Ancak bu sistemlerin uzun süreli etkileşimlerde karşılaştığı temel bir sorun var: “Context Rot” veya bağlam çürümesi. Bu makale, YZ ajanlarının geçmiş etkileşimleri ve öğrenilen bilgileri zamanla unutmasıyla ortaya çıkan bu kritik problemi inceleyecek, tek ajan döngülerinin sınırlılıklarını ortaya koyacak ve bu sorunu çözmek için çok ajanlı sistemler veya “ajan sürüleri” yaklaşımının nasıl çığır açıcı bir çözüm sunduğunu detaylandıracaktır.
Yapay Zeka Destekli Geliştirmenin Yükselişi
Modern yazılım geliştirme süreçleri, YZ’nin gücünden giderek daha fazla faydalanıyor. Kod tamamlama, hata ayıklama, test senaryosu oluşturma, dokümantasyon yazma ve hatta mimari tasarım önerileri sunma gibi alanlarda YZ destekli araçlar, geliştiricilere zaman kazandırıyor ve verimliliği artırıyor. Bu araçlar, karmaşık kod tabanlarını anlama, potansiyel sorunları tespit etme ve en iyi uygulamaları önerme konusunda insan yeteneklerini tamamlayıcı bir rol üstleniyor.
Bağlamın Önemi ve Kaybının Sonuçları
Bir YZ asistanının etkili olabilmesi için, üzerinde çalıştığı projenin, geliştiricinin niyetinin ve önceki etkileşimlerin “bağlamını” doğru bir şekilde anlaması ve sürdürmesi esastır. Bağlam, projenin genel mimarisinden belirli bir fonksiyonun amacına, kullanılan kütüphanelerden geliştirme ortamının özeliklerine kadar geniş bir yelpazeyi kapsar. Bu bağlamın zamanla kaybolması veya “çürümesi”, YZ’nin alakasız öneriler sunmasına, hatalı kod üretmesine veya basitçe geliştiricinin niyetinden uzaklaşmasına yol açar. Bu durum, YZ’ye olan güveni azaltır ve geliştirme sürecini yavaşlatır.
“Context Rot” Nedir?
“Context Rot”, bir YZ modelinin veya ajanının, uzun süreli veya çok aşamalı görevler sırasında edindiği önemli bilgileri ve geçmiş etkileşimleri etkin bir şekilde koruyamaması durumunu ifade eder. Özellikle büyük dil modelleri (LLM’ler) tabanlı YZ asistanları, genellikle sınırlı bir “bağlam penceresine” sahiptir. Bu pencerenin dışına çıkan bilgiler, model tarafından “unutulmuş” kabul edilir. Bu durum, YZ’nin projenin derinliklerine indikçe veya uzun süreli bir işbirliği gerektiren görevlerde tutarlılığını kaybetmesine neden olur.
Tek Ajan Döngüsü ve Bağlamın Sınırları
Geleneksel YZ destekli geliştirme yaklaşımlarının çoğu, tek bir YZ ajanının belirli bir görev veya etkileşim döngüsü içinde çalışmasına dayanır. Bu “ajan döngüsü” modeli, kısa vadeli ve iyi tanımlanmış görevlerde etkili olabilirken, bağlam kalıcılığı söz konusu olduğunda önemli sınırlılıklar barındırır.
Monolitik Ajan Yaklaşımı
Tek bir YZ ajanı, genellikle belirli bir LLM etrafında inşa edilir ve tüm görevleri (kod analizi, öneri sunma, hata ayıklama vb.) kendisi yerine getirmeye çalışır. Bu monolitik yapı, ajanın uzmanlık alanlarının genişlemesini zorlaştırır ve her göreve eşit derecede iyi adapte olmasını engeller. Ajanın tek bir bağlam penceresi üzerinden tüm bilgiyi işlemesi gerektiğinden, bilgi aşırı yüklenmesi ve ilgili bilginin kaybolması riski artar.
Bellek Yönetimi Zorlukları
Tek ajanlı sistemlerde bağlamı sürdürmek için çeşitli bellek yönetimi stratejileri kullanılır:
- Kısa Süreli Bellek (Prompt): En basit haliyle, önceki konuşmaların veya önemli bilgilerin mevcut isteme (prompt) eklenmesi. Ancak bu, LLM’lerin token limitleri nedeniyle hızla tükenir.
- Uzun Süreli Bellek (Vektör Veritabanları): Proje dokümanları, kod parçacıkları veya önceki etkileşim özetleri gibi bilgilerin vektörleştirilerek bir veritabanında saklanması ve ilgili bilgilerin sorgu anında geri çağrılması.
Bu yöntemler, bağlamın bir kısmını korusa da, ajanın “anlamlı” bir bağlamı dinamik olarak oluşturma ve sürdürme yeteneği sınırlıdır. Hangi bilginin ne zaman geri çağrılacağı, çoğu zaman basit bir benzerlik aramasına dayanır ve daha derin anlamsal ilişkileri gözden kaçırabilir.
Uzun Süreli Görevlerde Verimlilik Kaybı
Bir YZ asistanının bir geliştiriciyle günler veya haftalar süren bir proje üzerinde çalışması gerektiğinde, tek ajan döngüsünün sınırlılıkları belirginleşir. Ajan, projenin farklı modüllerini, mimari kararlarını veya geçmişte yapılan değişiklikleri hatırlamakta zorlanır. Bu durum, geliştiricinin sürekli olarak ajana bağlamı yeniden sağlamasını gerektirir, bu da YZ’nin vaat ettiği verimlilik artışını ortadan kaldırır ve süreci yavaşlatır. Ajanın “unutkanlığı”, tekrarlayan hatalara ve tutarsız önerilere yol açabilir.
Bağlam Kalıcılığı İçin Mevcut Çözümler ve Sınırlılıkları
Context Rot sorununu hafifletmek için çeşitli yöntemler geliştirilmiştir, ancak bunların her birinin kendi sınırlılıkları bulunmaktadır. Bu çözümler genellikle tek ajanlı sistemlerin bağlam penceresini genişletmeye veya daha iyi bilgi geri çağırma mekanizmaları sunmaya odaklanır.
Geleneksel Prompt Mühendisliği Yaklaşımları
Prompt mühendisliği, YZ modellerinden en iyi yanıtları almak için istemlerin (prompt) dikkatli bir şekilde tasarlanmasını içerir. Bağlam kalıcılığı için, önceki konuşmaların özetleri, anahtar bilgiler veya belirli yönergeler, her yeni isteme eklenir.
- Özetleme (Summarization): Uzun konuşmaların veya dokümanların kısa özetlerini oluşturarak prompt boyutunu küçültmek.
- In-Context Learning: Modelin belirli bir görev için birkaç örnekle eğitilmesi, böylece benzer durumlar için doğru bağlamı anlaması.
Ancak, bu yaklaşımlar LLM’lerin token limitleri nedeniyle ölçeklenemezdir. Çok uzun prompt’lar hem maliyetli hem de performans açısından verimsizdir. Ayrıca, özetleme işlemi sırasında önemli detaylar kaybolabilir.
Vektör Veritabanları ve Geri Çağırma Mekanizmaları
Vektör veritabanları (Vector Databases) ve Geri Çağırmayla Artırılmış Üretim (Retrieval-Augmented Generation – RAG) sistemleri, YZ’nin uzun süreli belleğe erişimini sağlamak için popüler bir yöntemdir. Proje dokümanları, kod parçacıkları, hata günlükleri ve önceki etkileşimler gibi veriler vektör temsillerine dönüştürülerek veritabanında saklanır. Bir sorgu geldiğinde, sorgunun vektör temsili ile en alakalı belgeler geri çağrılır ve LLM’ye bağlam olarak sunulur.
# Basit bir RAG akışı (kavramsal)
def get_relevant_context(query, vector_db):
query_embedding = embed_text(query)
relevant_docs = vector_db.search(query_embedding, top_k=5)
return " ".join([doc.content for doc in relevant_docs])
def generate_response(query, llm, vector_db):
context = get_relevant_context(query, vector_db)
prompt = f"Bağlam: {context}\nSoru: {query}\nCevap:"
response = llm.generate(prompt)
return response
Bu yöntem, büyük bilgi havuzlarından ilgili bilgiyi çekmede başarılıdır. Ancak, geri çağrılan bilginin her zaman doğru veya yeterli olmaması, bağlamın bütünsel olarak anlaşılamaması ve geri çağrılan bilginin LLM'nin bağlam penceresine sığmaması gibi sınırlılıkları vardır. Ayrıca, geri çağrılan bilgilerin güncelliği ve doğruluğu da kritik bir konudur.
Kısa Vadeli Çözümlerin Yetmezliği
Yukarıda bahsedilen çözümler, belirli senaryolarda etkili olsa da, YZ destekli geliştirmenin gerektirdiği derin ve sürekli bağlam anlayışını tam olarak sağlayamazlar. Bir projenin farklı aşamalarında (planlama, kodlama, test etme, dağıtım), farklı türde bilgilere ve farklı uzmanlıklara ihtiyaç duyulur. Tek bir ajan veya basit bir RAG sistemi, bu dinamik ve çok yönlü bağlam yönetimini tek başına idare etmekte zorlanır. Bu durum, "Context Rot"un temel nedenlerinden biri olmaya devam eder ve daha sofistike bir yaklaşım gerektirir.
Ajan Sürüleri (Agent Swarm): Bağlam Yönetimine Yeni Bir Yaklaşım
Context Rot sorununa kalıcı bir çözüm bulmak için, tek ajanlı sistemlerin ötesine geçerek çok ajanlı sistemler veya "ajan sürüleri" (Agent Swarm) yaklaşımı öne çıkmaktadır. Bu yaklaşım, karmaşık görevleri daha küçük, yönetilebilir parçalara bölerek ve bu parçaları uzmanlaşmış YZ ajanları arasında dağıtarak çalışır.
Çok Ajanlı Sistemlerin Temelleri
Ajan sürüleri, belirli bir hedefe ulaşmak için işbirliği yapan, otonom veya yarı otonom YZ ajanlarından oluşan bir koleksiyondur. Her ajan, belirli bir uzmanlık alanına, bilgiye ve yeteneğe sahip olabilir. Bu sistemler, biyolojik sürülerden veya insan organizasyonlarından esinlenerek, merkezi olmayan bir kontrol ve emergent davranışlar sergiler. Geliştirme sürecinde, farklı ajanlar kod analizi, test senaryosu oluşturma, dokümantasyon yazma veya mimari değerlendirme gibi farklı rolleri üstlenebilir.
Uzmanlaşmış Ajanların Rolü
Ajan sürülerinde her bir ajan, belirli bir görev veya bilgi alanında uzmanlaşır. Bu uzmanlaşma, her ajanın kendi bağlamını daha verimli bir şekilde yönetmesini sağlar ve genel sistemin karmaşık problemleri daha etkili çözmesine olanak tanır.
- Kod Analisti Ajanı: Kod kalitesini, güvenlik açıklarını ve performans sorunlarını analiz eder.
- Test Mühendisi Ajanı: Test senaryoları oluşturur, mevcut testleri çalıştırır ve sonuçları yorumlar.
- Dokümantasyon Ajanı: Kod yorumlarından, mimari kararlardan ve kullanıcı hikayelerinden faydalanarak dokümantasyon üretir.
- Mimar Ajanı: Sistem mimarisini değerlendirir, ölçeklenebilirlik ve sürdürülebilirlik konularında öneriler sunar.
- Proje Yöneticisi Ajanı: Görevleri koordine eder, ilerlemeyi izler ve genel proje bağlamını sürdürür.
Bu uzmanlaşma, her ajanın kendi alanındaki bağlamı derinlemesine anlamasına ve gereksiz bilgileri filtrelemesine yardımcı olur, böylece "Context Rot" riskini azaltır.
İşbirliği ve Bağlam Paylaşımı Modelleri
Ajan sürüleri, işbirliği ve bağlam paylaşımı için çeşitli modeller kullanır:
- Ortak Bellek Havuzu: Tüm ajanların erişebileceği merkezi bir bilgi tabanı veya vektör veritabanı. Bu havuz, proje dokümanları, geçmiş kararlar, kod değişiklikleri ve öğrenilen dersler gibi bilgileri içerir.
- Doğrudan İletişim: Ajanlar, belirli görevler için birbirleriyle doğrudan iletişim kurarak bilgi alışverişinde bulunabilir. Örneğin, "Kod Analisti Ajanı" bir sorun tespit ettiğinde, "Test Mühendisi Ajanı"na bu konuda test yazmasını isteyebilir.
- Mesaj Kuyrukları ve Yayın Sistemleri: Ajanlar, belirli olayları veya bilgileri bir mesaj kuyruğuna yayınlayabilir ve ilgili diğer ajanlar bu mesajları dinleyerek kendi bağlamlarını güncelleyebilir.
Bu işbirliği mekanizmaları, bağlamın dinamik olarak paylaşılmasını ve her ajanın sadece kendi görevi için gerekli olan bağlama odaklanmasını sağlar, aynı zamanda genel proje bağlamının bütünsel olarak korunmasına yardımcı olur.
Ajan Sürüleri ile Context Rot Sorununu Çözmek
Ajan sürüleri, Context Rot sorununa tek ajanlı sistemlerin sağlayamadığı kapsamlı ve dinamik bir çözüm sunar. Bu yaklaşım, bağlamın sadece depolanması değil, aynı zamanda aktif olarak yönetilmesi ve işlenmesi prensibine dayanır.
Paylaşılan Bellek ve Bilgi Tabanları
Ajan sürüleri, merkezi veya dağıtık bir paylaşılan bellek sistemi etrafında çalışır. Bu bellek, projenin tüm aşamalarındaki bilgileri, kararları, kod değişikliklerini, hata raporlarını ve kullanıcı geri bildirimlerini içerir. Her ajan, kendi uzmanlık alanına göre bu bellekten ilgili bilgiyi çeker, işler ve gerektiğinde yeni bilgileri buraya ekler. Bu sayede, bir ajanın öğrendiği veya keşfettiği bilgi, diğer ajanlar tarafından da kullanılabilir hale gelir.
# Kavramsal paylaşılan bellek yapısı
shared_knowledge_base = {
"project_goals": "E-ticaret platformu geliştirme",
"architecture_decisions": ["Microservices", "Kubernetes"],
"code_modules": {"frontend": "React", "backend": "Python/FastAPI"},
"test_results": {"unit_tests": "geçti", "integration_tests": "beklemede"},
"user_stories": ["Kullanıcı sepete ürün ekleyebilmeli"],
"past_conversations": [
{"agent": "PM", "user": "Ödeme entegrasyonu hakkında konuşalım"},
{"agent": "Dev", "user": "Stripe entegrasyonu tamamlandı"}
]
}
# Bir ajanın bellekten bilgi çekmesi
def get_project_goals(agent_role):
if agent_role == "ProjectManager":
return shared_knowledge_base["project_goals"]
return None
Bu paylaşılan bilgi tabanı, her ajanın güncel ve kapsamlı bir bağlama sahip olmasını sağlar ve bilgi tutarsızlıklarını en aza indirir.
Dinamik Bağlam Aktarımı ve Yeniden Yapılandırma
Ajan sürüleri, bağlamı statik olarak depolamak yerine, görevler ve etkileşimler arasında dinamik olarak aktarır ve yeniden yapılandırır. Bir ajan, bir görevi tamamladığında veya yeni bir bilgi edindiğinde, bu bilgiyi diğer ilgili ajanlara veya paylaşılan bellek havuzuna aktarır. Diğer ajanlar, bu yeni bilgiyi kendi bağlamlarına entegre ederek, kendi görevlerini daha bilinçli bir şekilde yerine getirirler. Örneğin, bir "Hata Ayıklama Ajanı" bir bug'ı düzelttiğinde, bu bilgiyi "Test Ajanı"na ileterek ilgili testlerin yeniden çalıştırılmasını tetikleyebilir ve "Dokümantasyon Ajanı"na hata düzeltmesiyle ilgili bir not eklemesini söyleyebilir.
Uzun Süreli Projelerde Süreklilik
Ajan sürüleri, uzun soluklu projelerde YZ asistanlarının "unutkanlığını" ortadan kaldırarak sürekli bir bağlam sağlar. Proje ilerledikçe, paylaşılan bilgi tabanı büyür ve zenginleşir. Her ajan, bu zenginleşen bilgi tabanından faydalanarak, projenin geçmişini, mevcut durumunu ve gelecekteki hedeflerini daha iyi anlar. Bu süreklilik, geliştiricinin YZ ile olan etkileşimini daha akıcı, daha verimli ve daha az tekrarlayıcı hale getirir. YZ, projenin "kurumsal hafızasının" bir parçası haline gelir ve zamanla daha akıllı ve daha yetkin hale gelir.
Ajan Sürülerini Uygulama ve En İyi Pratikler
Ajan sürüleri mimarisini başarılı bir şekilde uygulamak, dikkatli bir planlama ve doğru araçların seçilmesini gerektirir. Bu, sadece teknik bir uygulama değil, aynı zamanda geliştirme süreçlerini yeniden düşünmeyi de içerir.
Mimari Tasarım ve Ajan Rolleri
Ajan sürüsü mimarisinin temelinde, iyi tanımlanmış ajan rolleri ve bu roller arasındaki net sorumluluklar yatar.
- Rol Tanımlaması: Projenin ihtiyaçlarına göre hangi YZ ajanlarının gerekli olduğunu belirleyin (örn. kodlayıcı, testçi, mimar, proje yöneticisi).
- Uzmanlık Alanları: Her ajanın belirli bir görev veya bilgi alanında uzmanlaşmasını sağlayın. Bu, ajanın bağlam penceresini yönetmesini kolaylaştırır.
- Hiyerarşi ve Koordinasyon: Gerekirse, ajanlar arasında bir hiyerarşi veya koordinasyon mekanizması oluşturun (örn. bir "Proje Yöneticisi Ajanı" diğer ajanların görevlerini atayabilir).
Bu tasarım, ajanların gereksiz bilgi yükünden kaçınarak kendi uzmanlık alanlarına odaklanmasını ve genel bağlamı daha verimli kullanmasını sağlar.
İletişim Protokolleri ve Senkronizasyon
Ajanlar arasındaki etkili iletişim ve senkronizasyon, bir ajan sürüsünün başarısı için hayati öneme sahiptir.
- Mesajlaşma Sistemleri: Ajanların birbirleriyle güvenilir ve ölçeklenebilir bir şekilde iletişim kurmasını sağlayan mesaj kuyrukları (örn. Kafka, RabbitMQ) veya publish/subscribe (yayınla/abone ol) sistemleri kullanın.
- Ortak API'ler: Ajanların dış sistemlerle (örn. kod deposu, CI/CD boru hattı, proje yönetim araçları) etkileşim kurması için standart API'ler tanımlayın.
- Bağlam Paylaşım Formatları: Paylaşılan bağlamın (örn. proje durumu, alınan kararlar, kod değişiklikleri) tutarlı ve anlaşılır bir formatta (örn. JSON, YAML) temsil edilmesini sağlayın.
Bu protokoller, ajanların bilgi alışverişini düzenler ve "Context Rot" riskini azaltarak genel sistem tutarlılığını artırır.
İzleme ve Optimizasyon
Ajan sürüleri gibi karmaşık sistemlerin performansı ve güvenilirliği, sürekli izleme ve optimizasyon gerektirir.
- Performans Metrikleri: Her ajanın ve genel sürünün performansını (örn. görev tamamlama süresi, hata oranı, kaynak kullanımı) izleyin.
- Bağlam Tutarlılığı Denetimi: Paylaşılan bağlamın güncelliğini ve tutarlılığını düzenli olarak denetleyin.
- Dinamik Yeniden Yapılandırma: Proje gereksinimleri değiştikçe veya yeni sorunlar ortaya çıktıkça, ajan rollerini, iletişim protokollerini veya bellek yönetim stratejilerini dinamik olarak ayarlayabilme yeteneği geliştirin.
Bu süreçler, ajan sürüsünün zamanla daha akıllı, daha verimli ve daha dirençli hale gelmesini sağlar, böylece YZ destekli geliştirmenin faydaları maksimize edilir.
Sonuç: Yapay Zeka Destekli Geliştirmenin Geleceği
Context Rot'un Aşılması
Yapay zeka destekli geliştirme süreçlerinde "Context Rot" sorunu, uzun süreli ve karmaşık projelerde YZ'nin etkinliğini ciddi şekilde sınırlayan bir engeldir. Tek ajanlı sistemlerin doğal bağlam penceresi sınırlamaları ve bellek yönetimi zorlukları, YZ'nin zamanla "unutkanlaşmasına" ve geliştiricinin niyetinden uzaklaşmasına neden olmuştur. Ancak, ajan sürüleri (Agent Swarm) yaklaşımı, bu soruna güçlü ve sürdürülebilir bir çözüm sunmaktadır. Uzmanlaşmış ajanların işbirliği yapması, paylaşılan bellek havuzları ve dinamik bağlam aktarımı sayesinde, YZ asistanları artık projenin tüm yaşam döngüsü boyunca tutarlı ve derin bir bağlam anlayışını sürdürebilir.
Daha Akıllı ve Verimli Geliştirme Süreçleri
Ajan sürüleri ile YZ destekli geliştirme, sadece kod yazmakla kalmayıp, aynı zamanda mimari kararlar almak, test stratejileri geliştirmek, dokümantasyon oluşturmak ve hatta proje yönetimi görevlerini otomatikleştirmek gibi çok daha geniş bir yelpazede destek sağlayabilir. Bu, geliştiricilerin rutin ve tekrarlayan görevlerden kurtularak daha yaratıcı ve stratejik işlere odaklanmasını sağlar. Sonuç olarak, yazılım geliştirme süreçleri daha hızlı, daha az hatayla ve daha yüksek kalitede ilerleyecektir. YZ, sadece bir araç olmaktan çıkıp, projenin aktif ve bilinçli bir ortağı haline gelir.
Gelecekteki Araştırma Alanları
Ajan sürüleri teknolojisi henüz başlangıç aşamasında olsa da, potansiyeli oldukça büyüktür. Gelecekteki araştırmalar, ajanlar arası iletişimin daha doğal ve verimli hale getirilmesi, sürünün kendi kendini organize etme ve adapte olma yeteneklerinin artırılması, insan-ajan etkileşimlerinin daha sezgisel hale getirilmesi ve etik YZ prensiplerinin çok ajanlı sistemlere entegrasyonu gibi konulara odaklanacaktır. Ajan sürüleri, yapay zekanın sadece yazılım geliştirmede değil, birçok karmaşık problem alanında devrim yaratma potansiyeline sahiptir.
Sıkça Sorulan Sorular (SSS)
Context Rot sadece uzun projelerde mi görülür?
Hayır, Context Rot sadece uzun projelerde değil, aynı zamanda kısa süreli ancak yoğun etkileşim gerektiren veya çok adımlı görevlerde de görülebilir. YZ'nin bağlam penceresi dolduğunda veya önemli bilgiler istemde (prompt) yer almadığında, ajanın tutarlılığı hemen bozulabilir.
Ajan Sürüleri karmaşıklığı artırmaz mı?
Başlangıçta evet, tek bir ajana kıyasla ajan sürüleri mimarisi daha karmaşık bir kurulum ve yönetim gerektirebilir. Ancak, uzun vadede, bu karmaşıklık, her ajanın kendi uzmanlık alanına odaklanması ve bağlamı daha verimli yönetmesi sayesinde, genel sistemin daha esnek, ölçeklenebilir ve Context Rot'a karşı daha dirençli olmasını sağlar.
Ajan Sürüleri için hangi teknolojiler kullanılır?
Ajan sürüleri genellikle büyük dil modelleri (LLM'ler) üzerine inşa edilir. Bunun yanı sıra, vektör veritabanları (Pinecone, Weaviate), mesaj kuyrukları (Kafka, RabbitMQ), orchestrasyon (düzenleme) çerçeveleri (LangChain, AutoGen), dağıtık sistemler ve bulut altyapıları (Kubernetes, AWS, Azure) gibi teknolojiler kullanılır.
Küçük ekipler de Ajan Sürülerini kullanabilir mi?
Evet, ajan sürüleri sadece büyük kurumsal ekipler için değil, küçük ve orta ölçekli ekipler için de faydalı olabilir. Temel bir ajan sürüsü mimarisi, sınırlı kaynaklarla bile uygulanabilir ve geliştirme süreçlerinde önemli verimlilik artışları sağlayabilir. Önemli olan, projenin ihtiyaçlarına uygun ajan rollerini ve iletişim mekanizmalarını doğru bir şekilde tasarlamaktır.