Bu video, yapay zeka ajan ekiplerini kurmak ve yönetmek için sistemli bir yol haritası sunuyor. Tek bir ajana tek iş vermekten başlayıp, hiçbir görev yapmayan, sadece diğer ajanları koordine eden bir ekip liderine kadar uzanan altı seviye anlatılıyor. Videonun temel mesajı, yapay zeka sistemlerini ölçeklendirebilmek için ajanları paralel olarak, farklı modeller ve roller ile çalıştırmanın ve bağlam penceresi (context window) optimizasyonunun ne kadar önemli olduğu.

Yapay zeka ajan sistemleri, geleneksel yazılımdan farklı bir paradigma sunuyor. Tek bir büyük model yerine, çeşitli modelleri (Claude, Codex, DeepSeek gibi) ve her birinin farklı güçlü yönlerini kullanan mimariler daha verimli sonuçlar verir. Ultracode gibi araçlar, birden fazla ajanı paralel olarak çalıştırabilir ve bağlamı etkin şekilde paylaştırabilir. Her ajan farklı roller üstlenebilir—araştırmacı, yazı yazıcısı, editör, görsel tasarımcı—ve bu roller ayrı model seçimleriyle desteklenebilir. Token yönetimi çok kritik bir konudur; bağlam penceresi sınırlı olduğu için her seviyeye çıktıkça bu sınırların nasıl atlatılacağı planlanması gerekir.

Seviyeler arttıkça, sistem daha karmaşık hale geliyor ama daha akıllı ve verimli oluyor. Seviye 1-2'de temel paralel işlemler; Seviye 3'te rol ve model diferansiyasyonu; Seviye 4'te heterojen ekipler (Claude yönetiyor, Codex görsel üretiyor gibi); Seviye 5'te dinamik model seçimi (bütçeye/karmaşıklığa göre); Seviye 6'da asıl yenilik—hiçbir görev yapmayan, sadece lejyonluk ajanı yöneten bir lider ajan. Bu mimaride bağlam sıkıştırması (context compaction) önemli rol oynar; Claude Code'un otomatik bağlam yönetimi sayesinde milyonlarca token belleğe sığabilir. Videoda ayrıntılı olarak token tüketimi, farklı araçların (Hermes, harness) rol oynadığı ve 2 milyon token neden tek ajana sığmadığı açıklanıyor.

Bu içerik, yapay zeka sistemlerini kuran mühendisler, prompt engineering alanında çalışanlar ve özellikle otonom ajan sistemleri tasarlayan ekipler için yönlendiricidir. Tüm projelerde altı seviyenin tamamını uygulamak gerekmez; temel mantığı anladıktan sonra kendi iş gereksinimlerine göre seçim yapılmalıdır. Video, Claude Code ve Codex gibi modern araçların yanı sıra Kimi, DeepSeek, Antigravity (Gemini) gibi alternatif modellerin skill'e dönüştürülebileceğini gösteriyor. Bu yaklaşım, maliyeti optimize ederken kaliteyi korumaya, büyük ölçekli projeleri yönetilebilir hale getirmeye ve AI sistemlerinin gerçek potansiyelini ortaya koymaya yardımcı olur.