AI iş verimliliği radarı | 2026-07-22

Günümüzün en bariz sinyali, AI Agent araç zincirinin “sonuç üretebilir” durumundan “kurulabilir, erişilebilir, hatırlanabilir ve kabul edilebilir” duruma geçmeye başladığıdır. Diğer bir değişiklik ise tarayıcı kontrolünün ve uzun vadeli görev çalıştırmanın altyapıyı desteklemeye başlamasıdır: eylem doğrulanabilirliği vurgulanırken, uzun vadeli yürütme için izolasyon ve kurtarılabilirlik vurgulanır. Kişisel verimlilik açısından takip edilmesi gereken en değerli şey artık tek nokta modelinin yeteneği değil, becerileri, MCP’yi, belleği ve otomatikleştirilmiş süreçleri istikrarlı bir iş akışında birleştirme yeteneğidir.

rolecraft-sh/rolecraft

Herhangi bir kaynaktan AI aracı becerilerinin ve MCP sunucularının kurulumuna odaklanan sıfır bağımlılıklı bir CLI’dir. Amaç çok açık: “araç bulma, araçları eşleştirme ve becerileri yükleme” konusunu yürütülebilir komutlara sıkıştırmak. Şimdi izlemeye değer çünkü aracıları uygularken dağınık araçlar, parçalanmış konfigürasyonlar ve yüksek geçiş maliyetleri gibi en yaygın sürtünme noktalarıyla karşılaşıyor.

Geliştirme ve otomasyon çalışmaları için yerel temsilci yetenek yöneticisi olarak uygun görünmektedir: becerilerin birleştirilmiş şekilde çekilmesi, MCP sunucusunun birleştirilmiş kurulumu ve farklı projeler için iş akışlarının hızlı bir şekilde birleştirilmesi. Ayrıca, özellikle herkesin yeniden kullanılabilir bir dizi aracı özelliğini paylaşması gerektiğinde, ekip işbirliği için de değerlidir. Bu tür araçların “herhangi bir kaynaktan yükleme” sözü verdiğinde, kaynak güvenilirliğine, sürüm kilitlemeye ve güvenlik sınırlarına özel dikkat gösterilmesi gerektiği unutulmamalıdır. Orijinal bağlantı: https://github.com/rolecraft-sh/rolecraft

kentcdodds/kody

MCP ana bilgisayarları için bir “ev asistanıdır”. Anıları, anahtarları, kodları ve otomasyon yeteneklerini taşınabilir bir merkeze dönüştürür ve bunların ana bilgisayarlar arasında mevcut olduğunu vurgular. Şimdi bakmaya değer çünkü birçok kodlama aracısının sorunu artık modelin kendisinde değil, “durumun nereye yerleştirileceği, kimlik bilgilerinin nasıl yönetileceği ve otomasyonun nasıl yeniden kullanılacağı” ile ilgilidir.

Bu proje olgunlaşırsa, geliştiriciler bunu aracının durum katmanı olarak kullanabilirler: farklı MCP ana bilgisayarları arasında bir dizi bellek ve otomasyon yapılandırması yeniden kullanılır, böylece her araç için ayrı yapılandırmaların kaybı azalır. Ayrıca, özellikle ortak işlemleri, bağlamı ve kimlik bilgilerini tek bir IDE/CLI’den ayırmak istediğinizde veri organizasyonu ve ekip işbirliği için de faydalıdır. Risk, bu “ev” tipi bileşenin doğal olarak yüksek ayrıcalıklı bilgiler taşımasıdır. Bunu kullanırken depolama izolasyonunu, izin modellerini ve yedekleme/kurtarma çözümlerini kontrol etmeye odaklanmalısınız. Orijinal bağlantı: https://github.com/kentcdodds/kody

aartiq/servicenow-mcp

Bu bir ServiceNow MCP sunucusudur. 450’den fazla araç, 26 AI özelliği sağladığını ve stdio, SSE ve HTTP gibi birden fazla iletim yöntemini desteklediğini iddia ediyor. Varsayılan olarak salt okunurdur. Şimdilik izlemeye değer; bunun tek nedeni “çoklu işlevler” değil, daha pratik bir yönü temsil etmesi: kurumsal sistem yeteneklerinin, aracıların arayabileceği standart arayüzler halinde paketlenmesi.

Geliştirme ve ekip otomasyonu için bu tür MCP sunucusunun değeri çok doğrudandır: iş emri sorgulama, bilgi tabanı alımı, süreç düzenleme ve durum senkronizasyonunun tümü Claude, ChatGPT, Cursor veya Copilot gibi ana bilgisayarlara bağlanabilir. Aynı zamanda veri organizasyonu açısından da pratik öneme sahiptir. İşletmelerin birçok içsel bilgisi “serbest diyalog” yoluyla erişime uygun değildir, ancak kontrollü araçlarla açığa çıkarılmaya daha uygundur. Dikkat edilmesi gereken nokta, 450’den fazla araçtan oluşan bir ölçeğin kolayca izin genişlemesine ve arayüz gürültüsüne yol açabileceğidir. Bunu uygulamak için öncelikle araç beyaz listesi, okuma-yazma ayrımı ve denetimi uygulamanız gerekir. Orijinal bağlantı: https://github.com/aartiq/servicenow-mcp

akitaonrails/ai-bellek

CLI aracılarını kodlamak için uzun vadeli bir bellek çözümüdür ve ayrıca farklı aracı satıcıları arasındaki aktarımı vurgular. Şimdilik bakmaya değer çünkü “tek seansta iyi performans” artık yeterli değil. Verimliliği gerçekten artıran şey oturumlar, araçlar ve ekip üyeleri arasındaki bağlamsal sürekliliktir.

Geliştiriciler için “Claude Code’un bugün yarısını yapmasına izin verin ve devam etmek için yarın Codex’e geçin” bağlantı kopma sorununu çözmek için uygun olabilir; aynı zamanda veri organizasyonu ve bilgi birikimi için de faydalıdır ve proje tercihlerini, anlaşmaları ve geçmiş kararları yeniden kullanılabilir hafızalara sıkıştırabilir. Ekip işbirliği için uzun süreli hafıza, eğer iyi tasarlanırsa, bağlamı tekrar tekrar açıklamanın maliyetini azaltabilir. Risk şu ki, bellek sistemi çok fazla biriktiğinde gürültüyü kurtarmak kolaydır, dolayısıyla versiyonlama, temizleme stratejileri ve gerekli minimum prensibe ihtiyaç duyulur. Orijinal bağlantı: https://github.com/akitaonrails/ai-memory

Tsaagan

Bu, AI aracıları için bir tarayıcı kontrol çözümüdür. Odak noktası “tarayıcıyı çalıştırabilmek” değil, "işlemin her adımda doğrulanması"dır. Şimdi izlemeye değer çünkü tarayıcı aracıları gösteri aşamasından kullanılabilirlik rekabeti aşamasına geçti. Aradaki farkı asıl genişleten şey çoğu zaman tıklama yeteneği değil, tıklamaların doğru mu yanlış mı olduğu ve zamanla keşfedilip keşfedilemeyeceğidir.

Geliştirme otomasyonu yapıyorsanız web sayfası etkileşimi, form doldurma, arka plan işlemleri ve veri toplama gerektiren, her doğrulama adımını kapalı döngüye dahil etmeye çalışan süreçler için uygundur. Veri toplama için, doğrulamalı bir tarayıcı aracısı, “modeli doğrudan körlemek” yerine tekrarlanabilir bir iş akışına daha yakındır. Doğrulama mekanizmasının ilave gecikme ve uygulama karmaşıklığı yaratacağını ve tüm istisna sayfalarını kapsamayabileceğini unutmayın; hız odaklı bir çözümden ziyade güvenilirliği ön planda tutan bir çözüme benziyor. Orijinal bağlantı: https://github.com/michaelolmos/tsaagan

Süperservis

Uzun süredir çalışan AI aracıları için Firecracker microVM sanal alanını sağlamaya odaklanıyor. Şimdi izlemeye değer çünkü birçok ajanın asıl takıldığı şey akıl yürütmek değil, “uzun görevlerin kontrolden çıkması”: çevre kirli, bağımlılıklar berbat, devletin kurtarılması zor ve izolasyon yeterli değil.

Geliştirme ve otomasyon için bu tür bir altyapı, çok adımlı kodlama, toplu veri işleme ve deneme yanılma yoluyla otomatikleştirilmiş süreçler gibi uzun bağlantılı görevlerin, özellikle de görevler güçlü izolasyon gerektirdiğinde taşınması için uygundur. Aynı zamanda ekip işbirliği için de anlamlıdır, çünkü tekrarlanabilir bir mikro sanal makine ortamı “makinemde çalıştırılabilir” ifadesini “sabit bir sanal alanda sunulabilir” ifadesine daha yakın bir şeye dönüştürebilir. Risk, microVM’nin daha yüksek operasyonel ve kaynak yükü getirmesi ve tüm kısa görevler için mutlaka uygun olmamasıdır; Uzun süren net görevler, yeniden deneme görevleri ve yüksek riskli görevler için daha uygundur. Orijinal bağlantı: https://www.superserve.ai/

DataFlow-Harness: Düzenlenebilir Yüksek Lisans Veri İşlem Hatları Oluşturmak için Topraklanmış Bir Kod Aracısı Platformu

Bu bir arXiv kağıdıdır. Temel sorun, doğal dil oluşturma veri işleme sürecinin sonuçlarını tek seferlik komut dosyaları yerine sürdürülebilir ve düzenlenebilir platform varlıklarına dönüştürmektir. Şimdi izlemeye değer çünkü birçok ekip kodlama aracılarının “süreci yazmasına” olanak tanıyabildi, ancak henüz “süreci bakımı yapılabilir mühendislik nesneleri halinde sağlamlaştırmayı” başaramadılar.

Geliştiriciler için bu, çok pratik bir kontrol listesine dönüştürülebilir: aracı tarafından oluşturulan işlem hattının kalıcı yapıya dahil edilip edilemeyeceği; düzenlenip düzenlenemeyeceği; yeniden kullanılıp kullanılamayacağı; ve sonraki görevlerde devralınmaya devam edip edemeyeceği. Veri organizasyonu ve otomasyonu açısından da değerlidir; özellikle veri temizleme, ETL ve kolayca komut dosyasıyla yazılabilen içerik aktarımı gibi görevler. Risk, tez önerilerinin genellikle üretimden uzak olmasıdır. Bunları uygularken, sadece demoyu optimize etmek yerine düzenlenebilirlik, platform bağlama derecesi ve “son kilometrenin” gerçekten çözülüp çözülmediğine odaklanılmalıdır. Orijinal bağlantı: https://arxiv.org/abs/2607.16617

Günümüzde en değerli yön "aracı altyapısı"dır: MCP/beceriler erişimden, bellek devamlılıktan sorumludur ve tarayıcı ve sanal alan yürütme güvenilirliğinden sorumludur. Günümüzde bu projeler, tek noktalı bir modelin yeteneklerine bakmaktan ziyade, çalışan bir dizi mühendislik yığınını tamamlamaya benziyor.