06KütüphaneŞablon 06 / 08
Sprint Sözleşmesi & Rubrik
Üreten ile değerlendiren arasında kod yazımından önce kurulan ön-anlaşma ve değerlendirme varyansını düşüren A/B/C/D bant tablosu.
- Okuma
- 3 dakika
- Markdown
- sprint-rubric.md
- Yayın
- 19 Mayıs 2026
Bir oturumda kaybedilen zamanın büyük kısmı, üreten ajan ile değerlendiren ajanın aynı şeyi konuşmadığını birkaç tur sonra fark etmekten doğar. Düzenek Mühendisliği (Harness Engineering), bu kaybı iki süreç-aparatı ile sönümler: sprint sözleşmesi (kod yazımından önce müzakere edilen ön-anlaşma), evaluator rubriği (değerlendirmeyi öznel yargıdan kanıt tabanlı puanlamaya çeviren A/B/C/D tablosu). İkisi birden, üreten ile değerlendirenin ön-anlaşması olarak çalışır.
Ne işe yarar
Sprint sözleşmesi generator ve evaluator arasında implementation başlamadan kurulan kontrattır. Anthropic'in "Designing harnesses for long-running agentic apps" yazısı bu deseni açıkça tarifler: generator ne inşa edeceğini ve başarının nasıl doğrulanacağını önerir, evaluator anlayışı sınar, iki taraf uzlaşana kadar müzakere eder, implementation ancak ondan sonra başlar. Sonuç: generator'ın ürettiğini evaluator'ın hemen reddetmesi ihtimali düşer.
Evaluator rubriği ise aynı çıktıya farklı değerlendiricilerin neredeyse aynı notu vermesini sağlar. Anthropic'in "Demystifying Evaluations for AI Agents" çalışması iyi bir görevin tanımını şöyle koyar: iki alan uzmanı bağımsız olarak aynı geç/kal kararına varabilmelidir. Rubrik tam olarak bu izolasyonu sağlar: her boyut ayrı puanlanır, her bant ölçülebilir bir eşiğe bağlanır, değerlendirme varyansı düşer.
Şablon: Sprint Sözleşmesi
# Sprint Sözleşmesi: Şifre Sıfırlama Akışı
## Kapsam
- E-posta ile sıfırlama linki üretimi ve gönderimi
- Tek kullanımlık token üretimi, doğrulama, süre dolumu
- Yeni şifre belirleme formu ve sunucu tarafı doğrulama
- Brute-force koruması: oturum başına en fazla beş deneme
## Doğrulama standartları
- Token tek kullanımlık; ikinci kullanım dört yüz on bir döner
- Token süresi otuz dakika; süresi dolan token dört yüz on döner
- Yeni şifre kuralı: en az on iki karakter, en az bir rakam, en az bir sembol
- E2E test: kullanıcı linke tıklar, yeni şifre belirler, eski şifre reddedilir, yeni şifre geçer
- Birim test kapsamı yüzde seksen beş üstü
- Brute-force testi: altıncı deneme dört yüz yirmi dokuz döner
## Dışlananlar
- SMS ile sıfırlama yok
- Üçüncü parti SSO sağlayıcılar için sıfırlama yok
- Eski parolaların arşivi tutulmuyor; "son üç paroladan farklı olsun" kuralı yok
## Zaman bütçesi
- Tek oturum, doksan dakika üst sınır
## Risk notları
- E-posta sağlayıcı sandbox modunda; canlı SMTP integration testi dışlandı
- Token saklama anahtarı .env üzerinden geliyor — secret rotation prosedürü ayrı sprintteÜç zorunlu başlık (kapsam, doğrulama standartları, dışlananlar) sözleşmenin omurgasıdır. Zaman bütçesi ve risk notları opsiyoneldir, eklenince oturum kapanışında karar gerekçesi olarak işe yarar. Daha fazlası sözleşmeyi değil tasarımı şişirir.
Şablon: Evaluator Rubriği
| Boyut | A | B | C | D |
|---|---|---|---|---|
| Kod doğruluğu | Tüm testler geçer | Yüzde doksan beş üstü geçer | Yüzde seksen ila doksan beş bandı | Yüzde seksenin altı |
| Mimari uyum | Modül sınırı ihlali yok, katman bağımlılıkları tek yönlü | Bir küçük ihlal, dokümante edilmiş | İki ila üç ihlal | Üçten fazla ihlal veya döngüsel bağımlılık |
| Test kapsamı | E2E ve birim ve sözleşme testi | E2E ve birim | Sadece birim | Test yok veya kapsam yüzde ellinin altında |
| Doküman | README, API referansı, karar kaydı güncel | README ve API güncel | Eksik, sadece kod yorumu | Yok |
| Gözlemlenebilirlik | Span'lar OTel semconv uyumlu, hata bağlamı tam | Span var, attribute eksik | Sadece log var | Trace yok |
Her hücre ölçülebilir bir eşik taşır, "iyi" ya da "yeterli" gibi öznel sözcükler yer almaz. Anthropic'in "Demystifying Evaluations" rehberi bu izolasyona özellikle vurgu yapar: her boyut ayrı puanlanmalı, tek bir nihai puana çökertilmemelidir. Bir boyut D alırsa sprint genel olarak başarısız sayılır: sert eşik (hard threshold) deseni.
Konvansiyon
Sprint sözleşmesi kod yazımından önce yazılır. Sonradan retroaktif eklenen sözleşme ön-anlaşma değil, mazerettir. Rubrik tüm değerlendiriciler için aynıdır: ister insan ister LLM yargı olsun, aynı tablo kullanılır. İkisi de repoda yaşar, sprint sözleşmesi sprints/NN-konu.md altında, rubrik evals/rubric.md altında. Oturum kapanırken sözleşme ve rubrik birlikte commit edilir, ileride "neden bu yolu seçtik" sorusu kanıt tabanlı cevaplanabilsin diye.
Özelleştirme
A/B/C/D dört bant bir varsayılan, kanun değil. Bazı ekipler beşli skala kullanır (1-5), bazıları pass/fail ile yetinir. Anthropic'in tarif ettiği frontend rubriği dört boyutlu olabilir, full-stack rubriği beş. Alan değişince boyutlar da değişir. Tipik özelleştirme eksenleri:
- Skala genişliği: pass/fail (en katı), A/B/C/D (varsayılan), 1-5 (ince ayrıntı).
- Boyut seçimi: frontend için "tasarım kalitesi" ve "özgünlük", backend için "veri tutarlılığı" ve "geri-uyum", ML için "metrik" ve "fairness".
- Ağırlıklandırma: tasarım ve özgünlüğe daha fazla ağırlık vermek modeli estetik risk almaya iter, Anthropic'in açık gözlemi.
- Sert eşik: herhangi bir boyut D alırsa sprint başarısız. Ekibe göre eşik C de olabilir.
Otomasyona bağlama
Rubriğin önemli kısmı deterministik olarak puanlanabilir. Code-based grader'lar LLM yargısından her zaman daha ucuz ve daha tutarlıdır. Tipik bağlamalar:
- Test geçiş oranı → Kod doğruluğu bandı. CI çıktısı oran üretir, oran A/B/C/D eşiğine eşlenir.
- Lint, dependency-graph ihlal sayısı → Mimari uyum bandı. ESLint, Ruff, depcheck, madge gibi araçlar sayı üretir, sayı banda çevrilir.
- Coverage raporu → Test kapsamı bandı. Cobertura, lcov, pytest-cov çıktısı doğrudan banda eşlenir.
- Docstring kapsamı, broken-link sayısı → Doküman bandı. interrogate, pydocstyle, markdown-link-check raporları.
- Trace span sayısı, OTel semconv uyumluluğu → Gözlemlenebilirlik bandı. Trace store'a kısa bir sorgu.
LLM yargı yalnız öznel boyutlar için (örneğin kod okunabilirliği ya da karar gerekçesinin kalitesi) devreye alınır. Anthropic'in rehberi açıkça uyarır: LLM yargıyı insan uzman ile kalibre etmeden kullanmayın, tartışmalı görevlerde birden fazla bağımsız yargıcı paralel çalıştırın. Geri kalan her şeyi deterministik bir grader'a devretmek hem maliyeti hem varyansı düşürür.