Claude Code'un altyapısını adım adım inşa edelim

Size her şeyi kapsayan bir kodlama koşum takımı, ajan döngüsü, planlama, alt ajanlar, kum havuzu (sandbox), bellek ve kontrol noktası (checkpoint) oluşturma sürecini adım adım anlatacağız.

Kendi kodlama ajanınızı oluşturmayı denediyseniz, bunun nasıl işlediğini bilirsiniz. Bir modeli dosya araçlarına ve bir kabuğa (shell) bağlar, gerçek bir kod tabanına yönlendirirsiniz ve bir düzine araç çağrısı içinde çöker.

Yanlış dosyaları okur, hedefi yarı yolda kaybeder ve bağlamını (context) artık ihtiyaç duymadığı çıktılarla doldurur.

Sonra aynı görev Claude Code'dan geçer ve temiz bir şekilde tamamlanır. Kolay çıkarım, Anthropic'in daha iyi bir modele sahip olduğudur ve bu çıkarım asıl işin nerede yapıldığını gözden kaçırır.

Fark, koşum takımıdır (harness). Koşum takımı, modelin etrafına sarılmış sıradan koddur; planlama, araç yürütme, bellek ve güvenliği yönetirken, model yalnızca bir sonraki adıma karar verir.

Tam donanımlı bir ajanın çizildiğinde nasıl göründüğüne bakalım:

GIF

Resim karmaşık görünüyor, ancak dört gruba ayrılıyor:

• Bellek (Memory), modele çalışma bağlamını ve oturumlar arasında öğrendiği gerçekleri besler.
• Beceriler (Skills), ajanın nasıl çalışması gerektiğini, yani izlediği prosedürleri, kısıtlamaları ve buluşsal yöntemleri (heuristics) kodlar.
• Protokoller (Protocols), ajanı kullanıcılara, araçlara ve diğer ajanlara bağlar.
• Koşum takımı çekirdeği (The harness core), alt ajan orkestrasyonu, bir kum havuzu, bir değerlendirici, bir onay döngüsü, gözlemlenebilirlik (observability) ve bağlam sıkıştırması (context compression) ile hepsini bir araya getirir.

Anthropic bu ayrımı beyin ve eller olarak tanımlar. Model, her eylemi seçen beyindir; koşum takımı ise bu eylemleri gerçekleştiren ve çalışmayı rayında tutan ellerdir.

Yani sizin ajanınız ile Claude Code arasındaki fark model değil, modelin etrafındaki mekanizmadır.

Claude Code, bugün üretimdeki en yetenekli koşum takımlarından biridir ve bu illüstrasyondaki şaşırtıcı derecede küçük bir katman kümesinden oluşur. Bu mekanizmanın ne kadarını kendiniz oluşturmanız gerektiğini görmek için, onu ajanları orkestre etmek için açık kaynaklı bir çerçeve olan CrewAI'de yeniden oluşturdum.

Beklediğimden daha fazlası yerleşik özelliklerle eşleşti ve eşleşmeyen kısım, gerçek mühendisliğin olduğu yerdir.

Hadi bunu katman katman oluşturalım, temel döngüden başlayarak planlama, alt ajanlar, kum havuzu ve belleği üst üste ekleyelim. Her adımda çerçevenin nerede bittiğini ve sizin işinizin nerede başladığını işaretleyeceğiz.

Claude Code'un koşum takımı nasıl çalışır?

Claude Code'un merkezinde basit bir ajan döngüsü (agent loop) bulunur. Ona bir mesaj gönderirsiniz, model bir sonraki adımda ne yapacağına karar verir ve ya doğrudan yanıt verir ya da bir araç talep eder. Bir araç talep ederse, araç çalıştırılır, sonuç konuşmaya geri döner ve model tekrar karar verir.

Bu, model daha fazla araç çağrısı olmadan nihai bir yanıt döndürene kadar tekrarlanır.

Bu döngünün içinde model dosyaları okur, kodu düzenler, kabuk komutlarını çalıştırır ve testleri yürütür. Bunlar ayrı modlar değildir. Sadece aynı döngü içindeki farklı araç çağrılarıdır.

Ancak döngü tek başına güvenilir bir kodlama ajanı için yeterli değildir. Claude Code, etrafına planlama, dosya araçları, alt ajanlar, bellek ve bir izin ve kum havuzu sistemi ekler. Bu katmanlar döngünün yerini almaz, onu gerçek işler için yeterince güvenli ve güvenilir hale getirir.

İşte yeniden oluşturacağımız mimari budur: önce temel döngü, sonra her bir katman üstüne, her katmanı işleyen CrewAI özelliğiyle eşleyerek.

Temel ajan döngüsü

Döngü, görev tamamlanana kadar aynı sırayı çalıştırır:

1. Modelden görevi gerçekleştirmesini isteyin.
2. Model ya doğrudan yanıt verir ya da bir veya daha fazla araç talep eder.
3. Araç talep edilirse, bunları çalıştırın ve sonuçları modele döndürün.
4. Güncellenen konuşmayla tekrarlayın.
5. Model herhangi bir araç talep etmeden yanıt verdiğinde görev tamamlanır.

1while True:
2    reply = model(messages, tools)
3    calls = [b for b in reply if b.type == "tool_use"]
4    if not calls:            # düz metin, araç çağrısı yok: iş bitti
5        return reply.text
6    messages += [reply, run_all(calls)]

Her araç çağrısı bir adımı tamamlar, modele yeni bilgi verir ve bir sonraki kararı besler. Basit bir soru bir yinelemede bitebilirken, karmaşık bir hatayı düzeltmek veya büyük bir kod tabanını yeniden düzenlemek (refactoring), modelin nihai bir yanıt üretecek kadar bilgiye sahip olması için düzinelerce yineleme gerektirebilir.

CrewAI, bir ajan oluşturur oluşturmaz bu yürütme döngüsünü otomatik olarak sağlar. While döngüsünü kendiniz uygulamazsınız; ajanı tanımlar ve ona bir görev atarsınız.

İlk ajanı oluşturma

Basit bir Hata Düzeltici (Bug Fixer) ajanı oluşturalım.

1from crewai import LLM, Agent, Crew, Task
2
3bug_fixer = Agent(
4    role="Hata Düzeltici",
5    goal="Kod tabanındaki bildirilen hata için düzeltmeyi bulun ve açıklayın.",
6    backstory="Kodun doğru bir resmini oluşturmak için dizinleri ve dosyaları okursunuz.",
7    llm="claude-sonnet-4-6",
8)
9
10task = Task(
11    description="{objective} için düzeltmeyi bulun.",
12    expected_output="Düzeltmenin kısa bir açıklaması ve hangi dosyada olduğu.",
13)
14
15result = Crew(agents=[bug_fixer], tasks=[task]).kickoff(
16    inputs={"objective": "account.py'deki overdraft hatası"}
17)

Burada anlaşılması gereken üç kavram var:

• Bir Ajan (Agent), işi kimin yapacağını, rolü, hedefi, LLM'si ve araçları aracılığıyla tanımlar.
• Bir Görev (Task), atamayı tanımlar.
• Bir Ekip (Crew), ajanları ve görevleri bir araya getirir. kickoff() çağrısı, altta yatan model Anthropic, OpenAI, Google veya başka bir şey olsun, yukarıda açıklanan aynı yürütme döngüsünü çalıştırır.

Ajana araçlar verme

Araçlar, yalnızca metin üreten bir modelin bir kod tabanında gerçekten çalışmasını sağlayan şeydir. Dosyaları okur, yazar, kabuk komutlarını çalıştırır ve harici API'leri çağırır.

CrewAI, dosya sistemi araçlarını kutu kutusuna sunar:

• FileReadTool dosyaları okur.
• DirectoryReadTool dizinleri listeler.
• FileWriterTool dosyaları yazar.

1from crewai_tools import DirectoryReadTool, FileReadTool, FileWriterTool
2
3read_file = FileReadTool()
4write_file = FileWriterTool()
5list_dir = DirectoryReadTool()
6
7filesystem_tools = [read_file, write_file, list_dir]

Bunlar ayrıca harici bellek olarak da işlev görür. Modelin bağlam penceresinde büyük bir arama sonucu tutmak yerine, ajan bunu bir dosyaya yazabilir, yalnızca dosya adını tutabilir ve gerektiğinde geri okuyabilir.

Bu, bağlam penceresini daha küçük ve modeli daha odaklı tutar; Anthropic'in bağlam mühendisliği (context engineering) dediği şey budur.

Yerleşik araçlar yalnızca yaygın iş akışlarını kapsar. Daha spesifik herhangi bir şey için, @tool dekoratörüyle bir Python fonksiyonunu araç olarak kullanıma sunarsınız.

Docstring (belge dizesi), modele aracın ne yaptığını, ne zaman kullanılacağını ve girdi olarak ne beklediğini söyleyen bir kullanım kılavuzu görevi görür.

1from crewai.tools import tool
2import subprocess
3
4@tool("testleri_calistir")
5def testleri_calistir(path: str = "tests/") -> str:
6    """Verilen yolda pytest paketini çalıştırır ve sonucu döndürür."""
7    result = subprocess.run(
8        ["pytest", path, "-q"], capture_output=True, text=True, timeout=120
9    )
10    output = result.stdout + result.stderr
11    return output[-4000:] if len(output) > 4000 else output

Uzun süreli görevleri planlama

Görevler karmaşıklaştıkça, düz bir yürütme döngüsü orijinal hedefi gözden kaçırmaya başlar. Yeterli sayıda araç çağrısı, dosya okuma ve ara sonuçtan sonra bağlam dolar ve hedef, ondan sonra gelen her şey tarafından gölgede bırakılır.

Bu yavaş bozulmaya bağlam çürümesi (context rot) denir.

Planlama bunu doğrudan ele alır. Ajan, herhangi bir iş yapmadan önce adım adım bir plan oluşturur ve bu planı yürütme boyunca bağlamda tutar.

Plan işi yapmaz. Modeli orijinal hedefe bağlı tutan bir yol haritasıdır; Claude Code'un yapılacaklar listesinin yaptığı işle aynıdır.

CrewAI bunu ekip düzeyinde planning=True ile ekler. Yürütmeden önce bir plan oluşturur ve görev ilerledikçe onu kullanılabilir tutar.

1from crewai import Crew, LLM
2
3crew = Crew(
4    agents=self.agents,
5    tasks=self.tasks,
6    planning=True,
7    planning_llm=LLM(model="gpt-4o-mini"),
8)

Not: Varsayılan olarak CrewAI, planlama için gpt-4o-mini kullanır ve bu adım için istediğiniz herhangi bir LLM'yi değiştirebilirsiniz.

Bireysel ajanlar ayrıca reasoning=True ile kendi çalışmaları hakkında akıl yürütebilir:

1from crewai import Agent
2
3bug_fixer = Agent(
4    role="Hata Düzeltici",
5    goal="Kod tabanındaki bildirilen hata için düzeltmeyi bulun ve açıklayın.",
6    backstory="Kodun doğru bir resmini oluşturmak için dizinleri ve dosyaları okursunuz.",
7    tools=[FileReadTool()],
8    reasoning=True,
9    max_reasoning_attempts=3  # İsteğe bağlı: Maksimum akıl yürütme denemesi sayısını ayarlar
10)

Planlama ve akıl yürütme farklı sorunları çözer. Planlama, genel görev için üst düzey bir yol haritası oluştururken, akıl yürütme bir ajana harekete geçmeden önce kendi yaklaşımını düşünmesi için zaman tanır.

Akıl yürütme etkinleştirildiğinde, ajan:

1. Görev üzerinde düşünür ve bir yürütme planı taslağı oluşturur.
2. Planın hazır olup olmadığını değerlendirir.
3. Gerekirse planı, tatmin olana veya max_reasoning_attempts'e ulaşana kadar iyileştirir.
4. Yürütmeden önce son haline getirilmiş akıl yürütme planını göreve enjekte eder.

Birlikte, ajanı uzun süreli görevlerde sabit tutar ve orijinal hedeften sapmayı azaltırlar.

Alt ajanlarla yetki devri

Planlama ajanı odaklanmış tutar, ancak modelin tutması gereken bilgi miktarını azaltmaz. Büyük bir kod tabanında, iyi planlanmış bir görev bile tek bir bağlam penceresini aşabilir.

Bir hatayı bulmak düzinelerce dosyayı okumayı gerektirebilir ve ana ajanın hepsini bellekte tutması gerekmez.

Alt ajanlar (subagents) bunu yetki devri (delegation) yoluyla çözer. Ana ajan, belirli bir görevi kendi bağlamında çalışan ve kısa bir özet döndüren bir yardımcı ajana devreder. Ana ajan, ara adımları değil, sonucu görür.

CrewAI bunu, bir yönetici ajanın uzman ajanlara yetki verdiği ve sonuçlarını birleştirdiği hiyerarşik iş akışları (hierarchical workflows) aracılığıyla destekler.

Önceki kurulumumuzda, bir Hata Düzeltici ajan tüm ağır işi yapıyordu. Şimdi işi bir yönetici ve üç uzman arasında bölelim:

• Kod Tabanı Kaşifi (Codebase Explorer) kodu keşfeder ve depoyu haritalar.
• Yazılım Mühendisi (Software Engineer) istenen değişikliği uygular.
• Test Çalıştırıcı (Test Runner) testleri kum havuzunda çalıştırır ve geçti/kaldı bildirir.
• Mühendislik Lideri (Engineering Lead) üç uzmanı denetler.

1from crewai import Crew, Agent, Task, Process
2
3explorer = Agent(
4    role="Kod Tabanı Kaşifi",
5    goal="Depoyu haritalayın ve görevle ilgili dosyaları ortaya çıkarın.",
6    backstory="Kodun bir resmini oluşturmak için dizinleri ve dosyaları okursunuz.",
7    tools=[read_file, list_dir],
8    llm=llm,
9)  # Diğer iki uzman ajan için de aynı
10
11manager = Agent(
12    role="Mühendislik Lideri",
13    goal="İsteği adımlara bölün ve her birini doğru uzmana devredin.",
14    backstory="Kimin ne yapacağına siz karar verir, testleri inceler, değişiklik tamamlandığında işi bitirirsiniz.",
15    llm=llm,
16    allow_delegation=True,
17)
18
19crew = Crew(
20    agents=[explorer, coder, tester],
21    tasks=[task],
22    manager_agent=manager,
23    process=Process.hierarchical,
24)

Dikkat edilmesi gereken bir nokta, allow_delegation'ın varsayılan olarak devre dışı olmasıdır, bu nedenle yöneticide açıkça etkinleştirilmesi gerekir.

Kum Havuzu: Ajan yürütmesini güvence altına alma

Kabuk erişimi olan bir ajan yıkıcı bir komut çalıştırabilir ve modele bir şey yapmamasını söylemek bir güvenlik önlemi değildir.

Gerçek koruma iki katmandan gelir:

1. Hassas eylemler için onay gerektiren bir izin sistemi (permission system).
2. Onaylanan komutların bile ana makineye dokunamaması için yürütmeyi izole eden bir kum havuzu (sandbox).

Anthropic aynı yaklaşımı kullanır. Kod yürütmeyi bir kum havuzuna taşımak, kullanıcının eylemleri onaylama sıklığını azaltırken ana sistemi korur.

CrewAI'de kum havuzu oluşturma

Kodu ana makine yerine bir kum havuzunun içinde yürütmek, ikinci katmanı uygular. Bu kurulumda kod, oturum başına yeni bir VM başlatan ve daha sonra onu yok eden E2B içinde çalışır.

Kabuk komutları ve Python, tamamen bu izole edilmiş ortamda çalışır.

1from crewai_tools import E2BExecTool, E2BPythonTool
2sandbox_tools = [E2BExecTool(), E2BPythonTool()]  # testleri çalıştır / kodu çalıştır

İnsan döngüde onayı

Bir Görevde human_input=True ayarlamak, ekibin bir yanıt oluşturduktan sonra duraklamasına neden olur. Çıktıyı inceler, ardından onaylar veya başka bir yineleme için geri gönderirsiniz.

Yürütme bu göreve ulaştığında, CrewAI standart girdi (stdin) aracılığıyla geri bildiriminizi bekler.

1from crewai import Task
2
3task = Task(
4    description=(
5        "Çalışma dizini ./workspace içinde, {objective}. "
6        "Önce kodu keşfedin, değişikliği yapın, ardından testleri çalıştırın ve raporlayın."
7    ),
8    expected_output="Değiştirilen dosyaların ve son test çıktısının bir özeti.",
9    human_input=True,
10)

Eğer ekibiniz bir terminal yerine bir web uygulaması veya sohbet arayüzünün arkasında çalışıyorsa, CrewAI'nin webhook tabanlı insan döngüde sistemi aynı inceleme adımını gerçekleştirir.

Bellek ve kontrol noktası (checkpoint)

Varsayılan olarak, bir ajan bir çalışma sona erdiğinde her şeyi unutur. Yarın aynı projede başka bir hatayı düzeltmek için geri gelin, sıfırdan başlar.

İki mekanizma, bir ajanın bilgileri çalışmalar arasında taşımasına izin verir ve her biri farklı bir amaca hizmet eder:

• Kontrol noktası (Checkpointing), bir çalışma sırasında ajanın durumunu kaydeder, böylece bir kesintiden sonra devam edebilir veya farklı bir yol boyunca aynı noktadan devam edebilir.
• Kalıcı bellek (Persistent memory), "bitirmeden önce son kodu her zaman biçimlendir" gibi proje tercihleri de dahil olmak üzere, ayrı konuşmalar arasında gerçekleri depolar.

CrewAI'de bellek

CrewAI, ayrı kısa süreli, uzun süreli, varlık ve harici bellek türleri yerine birleşik bir Bellek (Memory) arayüzü sağlar. Kaydederken, önemli ayrıntıları belirlemek, düzenlemek ve daha sonra alınabilir kılmak için bir LLM kullanır.

Ekipte memory=True ayarlamak, ona çalışmalar arasında bellek kazandırır. Her görevden sonra CrewAI, çıktıdan yararlı gerçekleri çıkarır ve depolar ve gelecekteki çalışmalarda ilgili anıları alır ve bunları görev istemine ekler.

1from crewai import Crew
2
3crew = Crew(
4    agents=[explorer, coder, tester],
5    tasks=[task],
6    memory=True,
7)

Bir ekipteki tüm ajanlar, bir ajana kendi belleği verilmediği sürece belleğini paylaşır.

CrewAI'de kontrol noktası (checkpoint)

Kontrol noktası, bir ajanın ilerlemesinin, yapılandırması, görev durumu, belleği, ara sonuçları, girdileri ve yürütme geçmişi dahil olmak üzere bir anlık görüntüsüdür (snapshot).

Varsayılan olarak CrewAI, bir görev her bittiğinde bir kontrol noktası oluşturur ve iş akışının kesintiye uğraması durumunda bu noktadan devam etmesine olanak tanır.

Kontrol noktaları, iki yerleşik depodan birinde yaşayabilir:

• JsonProvider, her kontrol noktasını ayrı bir JSON dosyası olarak kaydeder; bu dosyayı okumak ve manuel olarak incelemek kolaydır.
• SqliteProvider, tüm kontrol noktalarını tek bir SQLite veritabanında saklar; bu, sık kontrol noktası oluşturma ve daha büyük iş yükleri altında daha iyi performans gösterir.

1from crewai import Crew
2
3crew = Crew(
4    agents=[explorer, coder, tester],
5    tasks=[task],
6    checkpoint=True,
7)

Ekip (Crew), Akış (Flow) ve Ajan (Agent) kontrol noktası argümanını kabul eder ve alt öğeler, kendi değerlerini ayarlamadıkları sürece üst öğelerinden devralır.

Hepsini bir araya getirmek

İşte tek bir görevde, yürütme döngüsü, araçlar, planlama, alt ajanlar, kum havuzu ve belleğin birlikte çalıştığı tam koşum takımı:

1from crewai import Agent, Crew, LLM, Process, Task
2from crewai.tools import tool
3from crewai_tools import (DirectoryReadTool, FileReadTool, FileWriterTool,
4E2BExecTool, E2BPythonTool)
5
6llm = LLM(model="anthropic/claude-sonnet-4.6")
7
8list_dir = DirectoryReadTool(directory="./workspace")
9filesystem_tools = [FileReadTool(), FileWriterTool(), list_dir]
10sandbox_tools = [exec_tool, E2BPythonTool()]
11
12@tool("testleri_calistir")
13def testleri_calistir(path: str = "tests/") -> str:
14    """./workspace'i kum havuzuna senkronize eder, ardından orada pytest'i çalıştırır."""
15    return E2BExecTool().run(command=sync_and_test_command(path))
16
17explorer = Agent(role="Kod Tabanı Kaşifi", goal="Depoyu haritala, ilgili dosyaları ortaya çıkar.",
18    tools=[read_file, list_dir], llm=llm)
19coder = Agent(role="Yazılım Mühendisi", goal="İstenen değişikliği uygula.",
20    tools=filesystem_tools, reasoning=True, llm=llm)
21tester = Agent(role="Test Çalıştırıcı", goal="Testleri kum havuzunda çalıştır, geçti/kaldı bildir.",
22    tools=sandbox_tools + [read_file] + [testleri_calistir], llm=llm)
23manager = Agent(role="Mühendislik Lideri", goal="Adımları devret, testler geçince bitir.",
24    allow_delegation=True, llm=llm)
25
26task = Task(
27    description="./workspace içinde, {objective}. Keşfet, düzenle, test et, raporla.",
28    expected_output="Değişikliklerin ve test çıktısının özeti.", human_input=True,
29)
30crew = Crew(
31    agents=[explorer, coder, tester], tasks=[task],
32    manager_agent=manager, process=Process.hierarchical,
33    planning=True, memory=True, checkpoint=True,
34)
35result = crew.kickoff(inputs={"objective": "account.py'deki başarısız testleri düzelt"})

Ajan koşum takımlarını değerlendirmek en kolay, başarı otomatik olarak kontrol edilebildiğinde yapılır. Bir test paketi, ajana somut bir hedef verir, böylece her şey geçene kadar planlayabilir, düzenleyebilir, test edebilir ve tekrarlayabilir.

Bu, iki gerçek hatası ve beş testi olan, üçü başarısız olan küçük bir kod tabanına, bir BankAccount sınıfına karşı test edildi. Kural yalnızca uygulamayı düzeltmekti, testleri değil.

Bu, Anthropic'in kodlama ajanlarını dahili olarak nasıl değerlendirdiğini yansıtır. Yayınlanmış bir örnekte, Claude geniş bir başarısız test paketine karşı claude.ai arayüzünün bir klonunu yeniden oluşturur.

Burada, koşum takımı projeyi 3 başarısız ve 2 geçenden 5'inin de geçmesine taşıdı; yalnızca uygulama kuralı, başarısız testleri düzenleme veya kaldırma kısayolunu kapattı.

Hala sizin işiniz olanlar

Sistemin bazı bölümleri çerçevenin sizin için oluşturmadığı şeylerdir:

• İstemler (Prompts). Her ajanın davranışı, rolü, hedefi ve geçmişinden (backstory) gelir. Bunları doğru ayarlamak test ve yineleme gerektirir ve hiçbir yapılandırma bayrağı bunun yerini tutmaz.
• Yürütme ortamı (Execution environment). İster E2B ister kendi kendine yönetilen bir VM olsun, kum havuzunun kurulması ve bağlanması gerekir.
• Araç seçimi (Tool selection). Hangi ajanın hangi araçları alacağı ve hangi ajanın neye erişmesi gerektiği, çerçevenin vermediği bir tasarım kararıdır.

Ayrıca koşum takımının kendisinin bir maliyeti vardır. Planlama, alt ajanlar ve döngüleme, API çağrıları ekler; bu nedenle karmaşık bir ajan kurulumu, tek bir model çağrısının doğrudan çözeceği bir görevden daha pahalıya mal olabilir.

Ve akılda tutulması gereken daha uzun vadeli bir sınırlama var. Modeller geliştikçe, bazı iskeleler (scaffolding) gereksiz hale gelir, çünkü bugün bir koşum takımına inşa edilenlerin bir kısmı, kalıcı bir gereklilikten ziyade bugünün model sınırlamaları için bir geçici çözümdür (workaround).

Anthropic, Claude Sonnet 4.5'in görevleri çok erken sonlandırmasını önlemek için bağlam sıfırlamaları (context resets) kullanıyordu ve daha yetenekli Claude Opus 4.5 ile bunlara artık gerek kalmadı.

Toparlarken

Bütün bulgu budur. Bir kodlama ajanının yeteneği çoğunlukla koşum takımında yaşar ve bir orkestrasyon çerçevesi, tahmin edeceğinizden daha fazlasını size sunar.

Döngü, planlama, yetki devri, kum havuzu ve belleğin tümü yapılandırma olarak gelirken, istemler, yürütme ortamı ve araç seçimleri sizin olarak kalır.

Bunu kendi kod tabanınıza karşı çalıştırmak isterseniz, CrewAI belgeleri burada kullanılan her özelliği kapsar ve çerçeve tamamen açık kaynaktır.

CrewAI Belgelerine Göz Atın →

Tüm kodu burada bulun →

Okuduğunuz için teşekkürler!

Şerefe! :)