Editör Notu: Claude Code, bir kod asistanından düzenlenebilir bir Agent çalışma masasına dönüşüyor.

Bu makalede tanıtılan iş akışları, Claude'ın aynı bağlam penceresinde yalnızca "düşünüp sonra yapmak" yerine, görevlere göre dinamik olarak bir yürütme çerçevesi oluşturmasını sağlar: görevleri bölmek, alt ajanları atamak, paralel işlemek, çapraz doğrulamak, döngüsel yinelemek ve hatta farklı ajanların birbirleriyle rekabet etmesini sağlamak, ardından sonuçları birleştirmek.

Bu, Claude Code'un kullanım alanlarının açıkça dışa doğru genişlediği anlamına gelir. Sadece kod taşıma, yeniden yapılandırma, test yeniden üretme ve kod incelemesi için değil, derin araştırmalar, gerçek doğrulama, özgeçmiş filtreleme, olay analizi, kural birikimi, ticari plan incelemesi, isimlendirme beynimleme gibi teknik olmayan görevler için de kullanılabilir. Birçok karmaşık iş, temelde programlamaya benzer: sorunları parçalara ayırmayı, bağlamı izole etmeyi, varsayımları doğrulamayı, çok sayıda detayla başa çıkmayı ve birden fazla alternatif yol arasında seçim yapmayı gerektirir.

Dinamik iş akışları, büyük modellerin uzun görevlerde sıkça karşılaştığı birkaç sorunu çözmeyi amaçlar: görevin yarısında tamamlandığını ilan eden "akıllı ajan lâzımlılığı", kendi sonuçlarını onaylamaya eğilimli "kendi tercih sapması" ve çok sayıda yürütmeyi takiben orijinal hedeften uzaklaşan "hedef kayması". Görevi bağımsız bağlamlara sahip birden fazla Claude'a vererek, karmaşık görevler "tek ajanlı uzun koşu"dan "çok ajanlı iş birliği"ye dönüştürülür.

Elbette, iş akışları da tüm cevaplar değildir. Genellikle daha fazla token tüketir ve her normal kodlama görevi için uygun olmayabilir. Ancak önemli bir yön sunar: Geleceğin AI araçları arasındaki rekabet, yalnızca tek bir modelin ne kadar akıllı olduğunda değil, karmaşık hedefler etrafında güvenilir, yeniden kullanılabilir ve denetlenebilir bir yürütme süreci oluşturabilme yeteneğinde olabilir.

Aşağıda orijinal metin yer almaktadır:

Varsayılan Claude Code yürütme çerçevesi programlama için tasarlanmış olsa da, birçok diğer görev türü için de uyguntur. Birçok görevin yapısal olarak programlama görevlerine benzediği ortaya çıkmıştır. Ancak bazı özel görev türlerinin en iyi performansı için, araştırma, güvenlik analizi, ajan takımı iş birliği veya kod incelemesi gibi alanlarda Claude Code üzerine özelleştirilmiş yürütme çerçeveleri inşa etmemiz gerekir.

İş akışları, Claude'nin yukarıdaki sorunları ve daha fazla türdeki sorunu Claude Code içinde daha doğal bir şekilde çözebilmesi için dinamik bir yürütme çerçevesi oluşturmanıza olanak tanır. Bu iş akışlarını başkalarıyla paylaşabilir ve yeniden kullanabilirsiniz.

Bu makalede, workflows kullanımına dair ilk deneyimlerimi ve içgörülerimi paylaşarak bunun yeteneklerini daha iyi kullanmanıza yardımcı olacağım.

Ancak ilgili en iyi uygulamalar halen şekillenmektedir. Dinamik iş akışları genellikle daha fazla token tüketir, bu nedenle ne zaman ve nasıl kullanacağınızı dikkatli bir şekilde değerlendirmeniz gerekir.

Not: Bu yazı Claude Blog'da da yayınlanmıştır.

Örnek Prompt

Teknik detaylara girmeden önce, workflow'ların olasılıklarını anlamanzı yardımcı olmak için bazı örnek prompt'lar vermek istiyorum:

Bu test yaklaşık her 50 çalıştırma sırasında bir kez başarısız olur. Bunun tekrarlanmasını sağlayan bir workflow oluşturun, bir hipotez geliştirin ve farklı worktree’lerde karşılaştırmalı testler yapın. /goal Bir hipotez doğrulanana kadar durmayın.

Workflow kullanarak son 50 oturumumu gözden geçirin, tekrarladığım düzeltmeleri belirleyin ve bu tekrarlanan sorunları CLAUDE.md kurallarına dönüştürün.

Workflow kullanarak, geçtiğimiz altı ay boyunca Slack'deki #incidents kanalını inceleyin ve tekrar eden ancak kimse ticket açmayan temel nedenleri belirleyin.

İş planımı bir workflow'a sokun ve farklı ajanlar bunu yatırımcı, müşteri ve rakip bakış açılarından incelesin.

Burada 80 adet özgeçmiş içeren bir klasör var. Workflow kullanarak arka plan pozisyonu gereksinimlerine göre sıralayın ve ilk onu gözden geçirin. Değerlendirme kriterlerini oluşturmanıza yardımcı olması için AskUserQuestion aracını kullanarak bana soru sorun.

Bu CLI aracına bir isim vermem gerekiyor. Workflow kullanarak bir dizi seçenek fikir üretin ve ardından bir turnuva mekanizmasıyla ilk üçü seçin.

Workflow kullanarak User modelimizi tüm yerlerde Account olarak yeniden adlandırın.

Blog taslağımı okuyun ve her teknik kararı workflow ile kod deposunu karşılaştırarak doğrulayın. Hatalı içerik yayınlamak istemiyorum.

Dinamik iş akışı nasıl çalışır

Dinamik iş akışı, alt akıllı varlıkları oluşturmak ve koordine etmek için özel fonksiyonlar içeren bir JavaScript dosyasını çalıştırır.

Dinamik iş akışı, verileri işlemek için JSON, Math ve Array gibi standart JavaScript fonksiyonlarını da içerir.

Özellikle dikkat edilmesi gereken nokta, dinamik iş akışının bir agent'in hangi modeli kullanacağını ve alt agent'lerin kendi worktree'lerinde çalışıp çalışmayacağını belirleyebilmesidir. Bu, Claude'un görev gereksinimlerine göre gerekli akıl seviyesini ve izolasyon derecesini kendi kendine seçmesini sağlar.

Bir workflow kesilirse, örneğin kullanıcı tarafından el ile işlem yapıldığında veya terminal çıkış yaptıysa, oturum geri yüklendikten sonra workflow kesildiği yerden devam edebilir.

Varsayılan Claude Code yürütme çerçevesini bir görevi işlemek için kullandığınızda, aynı bağlam penceresi içinde planlama ve yürütme aynı anda gerçekleştirilir. Bu yaklaşım, birçok programlama görevi için oldukça etkilidir, ancak uzun süreli, büyük ölçekli paralel veya yüksek yapılandırılmış rekabetçi görevlerde bazen başarısız olabilir.

Nedeni, Claude'nin tek bir bağlam penceresinde karmaşık görevleri daha uzun süre işledikçe, belirli bir dizi hata moduna daha kolay düşmesidir:

Agentic laziness (akıllı ajan tazyiği), Claude'nin çok sayıda parçadan oluşan özellikle karmaşık görevleri tamamlamadan önce, kısmi ilerleme kaydederek görevin tamamlandığını ileri sürmesidir. Örneğin, güvenlik incelemesinde 50 projeden sadece 20'sini işleyip çalışmayı bitirdiğini beyan etmek.

Kendi kendine tercih yanlılığı, Claude'nin özellikle kendi ürettiği içeriği belirli bir değerlendirme kriterlerine göre doğrulamayı veya değerlendirmeyi istendiğinde kendi sonuçlarını veya bulgularını tercih etme eğilimidir.

Hedef kayması, çoklu yürütme sürecinde Claude'un başlangıç hedefine olan sadakatinin, özellikle bağlam sıkıştırıldıktan sonra giderek azalmasıdır. Her özetleme, bilgi kaybına neden olur; kenar durumlar gibi bazı ayrıntı talepleri veya "X'i yapma" gibi kısıtlamalar kaybolabilir.

Workflow oluşturmak, bu sorunları hafifletmeye yardımcı olur çünkü birden fazla bağımsız Claude'u düzenleyerek, her birinin kendi bağlam penceresine sahip olmasını ve birbirinden izole edilmiş, hedef odaklı görevlere odaklanmasını sağlar.

Daha önce Claude Agent SDK veya claude -p aracılığıyla birden fazla Claude Code örneğini koordine etmek için statik iş akışları oluşturmuş olabilirsiniz.

Ancak statik iş akışları çeşitli kenar durumları kapsadığı için genellikle daha geneldir. Claude Opus 4.8 ve dinamik iş akışlarının ortaya çıkmasıyla, Claude artık belirli kullanım senaryolarınız için özel olarak tasarlanmış bir yürütme çerçevesi yazmak kadar akıllı hale gelmiştir.

Dinamik iş akışları kullanırken pratik modeller

Claude ile doğrudan dinamik bir iş akışı oluşturabilir veya "ultracode" tetikleme kelimesini kullanarak Claude Code'un workflow oluşturmasını sağlayabilirsiniz.

Ancak, dinamik iş akışının nasıl çalıştığını anlatan bir zihinsel model kurarsanız, bunu ne zaman kullanmanız gerektiğini daha kolay belirleyebilir ve Claude’u yönlendirmek için istekleri daha iyi oluşturabilirsiniz.

Claude, workflow'lar oluştururken genellikle aşağıdaki modelleri kullanır ve birleştirir:

Sınıflandır ve yürüt: Bir sınıflandırma ajanı görev türünü belirleyip, görev türüne göre farklı ajanlara veya davranışlara yönlendirin. Süreç sonunda bir sınıflandırıcı kullanarak çıktı sonucunu da değerlendirebilirsiniz.

Dağıtım ve entegrasyon: Bir görevi, her bir adımı bir ajan tarafından işlenen daha küçük adımlara ayırın ve ardından bu sonuçları entegre edin. Bu yöntem, görevde birçok küçük adımın bulunduğu veya her adımın birbirini etkilemeden ve kirlenmeden temiz bir bağlam penceresine ihtiyaç duyduğu durumlarda özellikle uygundur. Entegrasyon adımı, bir “bariyer” gibi davranır: Tüm dağıtılan ajansların tamamlanmasını bekler ve yapılandırılmış çıktılarını tek bir sonuçta birleştirir.

Rekabetçi Doğrulama: Oluşturulan her bir agent için, çıktılarını belirli bir değerlendirme kriterine göre rekabetçi şekilde doğrulamak üzere bağımsız bir agent daha çalıştırılır.

Oluştur ve filtrele: Bir konu etrafında çok sayıda fikir oluşturun, ardından değerlendirme kriterlerine veya doğrulama sürecine göre filtreleyin, tekrarları kaldırın ve yalnızca test edilmiş, en yüksek kalitedeki fikirleri döndürün.

Yarışma: İşleri parçalamak değil, agent'ların birbirleriyle rekabet etmesidir. N adet agent oluşturun ve her birinin aynı görevi farklı yöntemlerle tamamlamaya çalışmasını sağlayın. Daha sonra prompt veya model, agent'ların sonuçlarını ikili olarak karşılaştırarak kazananı belirler.

Tamamlana kadar döngü: İş yükü bilinmeyen görevler için sabit tur sayısı belirlemeyin, bunun yerine yeni keşifler ortaya çıkmadığında veya günlüklerde hatalar artık görünmediğinde durma koşulu sağlanana kadar agent oluşturmayı döngüye alın.

Kullanım senaryosu

Claude Code'un dinamik iş akışlarını ne zaman ve nasıl oluşturabileceğini daha yaratıcı bir şekilde düşünün. İş akışlarının bazen teknik olmayan işlerde bile daha faydalı olduğunu fark ettim.

Bun, Zig'den Rust'e workflows kullanılarak yeniden yazıldı. Sürecin ayrıntılarını Jarred'in X'teki gönderisinden okuyabilirsiniz.

Anahtar, görevi çağrı noktaları, hata testleri, modüller vb. gibi işlenecek adımlara bölmektir. Her onarım görevi için worktree içinde bir alt ajan başlatın, bu ajan onarımı tamamlayacak; ardından başka bir ajanla karşılaştırmalı inceleme yapın ve sonuçları birleştirin. Ajanlara kaynak tüketimi yüksek olan komutları kullanmamalarını açıkça söyleyerek, yerel makinenizin kaynaklarını tüketmeden maksimum paralellik sağlayabilirsiniz.

Claude Code'da /deep-research adlı bir derin araştırma becerisi yayınladık; bu, dinamik iş akışını kullanır. Özellikle, web aramalarını yürütür, kaynakları toplar, ilgili iddiaları karşılaştırmalı olarak doğrular ve alıntılarla bir rapor oluşturur.

Ancak bu tür araştırmalar yalnızca web araması için değil, örneğin Claude'nin Slack bağlamından bir durum raporu oluşturmasını veya bir özelliğin nasıl çalıştığını kod deposunu derinlemesine inceleyerek araştırmayı da içerebilir.

Öte yandan, bir raporunuz varsa ve bu raporda yer alan her bir gerçekçi iddia ile kaynağını doğrulamak istiyorsanız, bir workflow oluşturabilirsiniz: önce bir agent tüm gerçekçi iddiaları tanımlar, ardından her bir iddia için ayrı bir alt agent başlatılır ve detaylı doğrulama yapılır. Ayrıca, kaynakları araştıran alt agentleri kontrol etmek için bir doğrulama agenti de ekleyebilirsiniz, böylece kaynakların kalitesinin yeterli olduğundan emin olursunuz.

Bir dizi projeniz olabilir ve bu projeleri belirli niteliksel bir ölçüt göre sıralamak isteyebilirsiniz; Claude Code'un bu tür ölçütleri değerlendirmede iyi olduğunu düşünüyorsunuz. Örneğin, destek biletlerini hata ciddiyetine göre sıralayın.

Ancak bir prompt içinde 1000'den fazla satırı sıralamaya çalışırsanız kalite düşer ve bağlam penceresi bunu karşılayamaz. Daha iyi bir yaklaşım, ikili karşılaştırmalardan oluşan bir akış hattı kurmak için turnuva mekanizmasını çalıştırmaktır, çünkü karşılaştırmalı değerlendirme genellikle mutlak puanlamadan daha güvenilirdir; ya da önce paralel olarak gruplara ayırıp ardından sonuçları birleştirmek. Her karşılaştırma, bağımsız bir ajan tarafından gerçekleştirilir; bu nedenle belirli döngü, tüm turnuva yapısını korur ve yalnızca şu anda çalışan sıralama bağlamda tutulmalıdır.

Belirli bir set kuralınız varsa ve Claude, CLAUDE.md'de bu kuralları görse bile hâlâ sıklıkla atlıyor veya yetersiz uyguluyorsa, bu kuralları listeleyen ve doğrulama ajanının her bir kuralı tek tek kontrol ettiği bir workflow oluşturabilirsiniz—her kural için bir doğrulama ajanı. Bu kuralların mantıklı olup olmadığını incelemek için bir "şüpheci" kişiliğine sahip alt ajan oluşturmak, fazla yanlış pozitifleri önlemeye yardımcı olur.

Aynı şekilde tersine de yapılabilir: Son görüşmelerinizi ve kod incelemesi yorumlarınızı inceleyerek tekrarladığınız düzeltmeleri belirleyin; paralel ajantları bu sorunları kümelendirmek için kullanın; ardından her aday kuralı, gerçek bir hatayı gerçekten önleyip önlemediğini test etmek için karşılaştırmalı doğrulamaya tabi tutun; son olarak, filtrelenmiş kuralları CLAUDE.md dosyasına geri dönüştürün.

En etkili hata ayıklama yöntemi, birbirinden bağımsız birkaç varsayım ortaya koymak ve bunları sırayla test etmektir. Ancak yalnızca bir bağlam penceresi kullanıyorsanız, Claude kendi tercihlerine yönelik önyargıya sapabilir.

İş akışı, bu durumu yapısal olarak önleyebilir: Birbirleriyle çakışmayan kanıtlara dayanarak birden fazla ajanı başlatır ve her biri ayrı ayrı hipotezler üretir. Örneğin, farklı ajanslar sırasıyla günlükleri, dosyaları ve verileri inceleyebilir. Daha sonra her hipotez, bir dizi doğrulayıcı ve itirazcı tarafından incelenebilir.

Bu sadece kod için değil, workflow'lar satış analizinde de kullanılabilir, örneğin “Mart ayındaki satışların neden düştü?”; veri mühendisliğinde, örneğin “Bu pipeline neden başarısız oldu?”; ya da herhangi bir事后 analizde.

Her ekip, destek kuyruğu, hata raporu veya tamamen insanlar tarafından işlenemeyen diğer birikmiş işlerle karşı karşıya kalır. Bir triaj iş akışı, her bir öğeyi sınıflandırır, zaten izlenen sorunlarla tekrarları kaldırır ve eylem alır. Bu, düzeltmeye çalışmak anlamına gelebilir veya insan kullanıcılar tarafından işlenmesi için yükseltilmesi anlamına gelebilir.

Triage iş akışı için kullanışlı bir model, karantina'dır. Yani, güvenilmeyen açık içerikleri okuyan agenterin yüksek yetkili işlemler yapmasını yasaklamak; yüksek yetkili işlemler, eylemle görevli özel agenter tarafından gerçekleştirilmelidir.

Triaj workflow'larını /loop ile birlikte kullanarak Claude'ın bu tür görevleri sürekli olarak yerine getirmesini sağlayabilirsiniz.

Çözümlerin farklı yollarını keşfetmeniz gerektiğinde, özellikle tasarım ve adlandırma gibi estetik yargılar içeren görevlerde ve bir değerlendirme kriterleri setinden yararlanabildiğinizde workflows faydalıdır.

Claude'ya birçok çözümü keşfettirmeniz ve inceleme ajanına "iyi çözümün nasıl olması gerektiği" hakkında bir değerlendirme kriterleri seti sağlamanız mümkündür. İnceleme ajanı, sonuçların kriterleri karşıladığını düşündüğünde görev tamamlanır. Farklı çözümler, bu değerlendirme kriterlerine göre turnuva mekanizması ile sıralanabilir veya filtrelenebilir.

Belirli bir görev için hafif evals çalıştırmak üzere, worktree içinde bağımsız bir agent başlatın, ardından karşılaştırma agent'ını başlatın ve değerlendirme kriterlerine göre çıktıyı karşılaştırın ve puanlayın. Örneğin, kendi oluşturduğunuz bir beceriyi değerlendirip belirli standartları karşılayıp karşılamadığını inceleyebilirsiniz.

Model ve Akıllı Seviye Rotalama: Görevinize özel olarak optimize edilmiş bir sınıflandırma agenti oluşturabilir, bu agent hangi modelin kullanılacağını kararlaştırır. Görevler çok sayıda araç çağrısı içerdiğinde ve yürütmeden önce araştırma yaparak en uygun modelin belirlenmesi mümkünse, bu yöntem oldukça faydalıdır.

Örneğin, “auth modülünün nasıl çalıştığını açıkla” görevi için en uygun model, auth modülünde kaç dosya olduğunu ve kod tabanının yapısını belirler. Sınıflandırma ajanı, bu araştırmayı tamamladıktan sonra görevi beklenen karmaşıklığa göre Sonnet veya Opus’a yönlendirebilir.

İş akışları hâlâ yeni bir şey. Birçok kullanım senaryosunda geleneksel yöntemlerden çok daha fazla etki yaratabilir, ancak her görevde gerekli değildir ve token tüketimini önemli ölçüde artırabilir.

Workflows'ları, Claude Code'un yetenek sınırlarını yeni yollarla genişletebileceğiniz görevlerde kullanın. Standart programlama görevleri için şu soruyu kendinize sorun: Bu görev gerçekten daha fazla hesaplama kaynağına mı ihtiyaç duyuyor? Örneğin, çoğu geleneksel programlama görevi 5 kişilik bir inceleme ekibine ihtiyaç duymaz.

Dinamik iş akışları oluşturmanın ipuçları

Dinamik iş akışı için bir prompt yazarken, özellikle yukarıda bahsedilen özel teknikler kullanıldığında, detaylar ne kadar fazla olursa etki genellikle o kadar iyi olur.

İş akışları yalnızca büyük görevler için değil, aynı zamanda bir «hızlı iş akışı» kullanması için modele talimat vermeniz de mümkündür. Örneğin, bir varsayımı kontrol etmek için hızlı bir karşıt inceleme süreci oluşturabilirsiniz.

Tekrarlanabilir iş akışlarını, örneğin triaj, araştırma veya doğrulama iş akışlarını, sabit aralıklarla çalıştırmak için /loop ile birlikte kullanın ve tamamlama gereksinimlerini belirlemek için /goal kullanın.

Dinamik iş akışı için görevlerin tükettiği token sayısını sınırlamak üzere açık bir token bütçesi ayarlayabilirsiniz. Prompt içinde "use 10k tokens" gibi bir bütçe talebi yazarak sınırı 10k token olarak belirleyebilirsiniz.

Workflow menüsünde «s» tuşuna basarak workflow'ları kaydedebilirsiniz. Bunları ~/.claude/workflows dizinine gönderebilir veya beceri aracılığıyla dağıtabilirsiniz.

İşlevleri paylaşmak istiyorsanız, JavaScript workflow dosyalarını skill klasörüne ekleyin ve SKILL.md dosyasında referans verin. Daha fazla esneklik için Claude’ye, skill içindeki workflow’ları harfi harfine çalıştırılacak betikler değil, şablonlar olarak görmesini isteyebilirsiniz.

Tamamen yeni bir dünya

İş akışları, Claude Code'u genişletmenin kullanışlı bir yeni yoludur. Bunu bir başlangıç noktası olarak görmeyi teşvik ederiz. Bunun en iyi şekilde nasıl kullanılacağı konusunda henüz keşfedilmesi gereken birçok şey var. Keşiflerinizi bize bildirmekten lütfen çekinmeyin.

Thariq Shihipar ve Sid Bidasaria (@sidbid), Anthropic teknik ekibinin Claude Code ile ilgili görevleri üstlenen üyeleri.