--- title: "Factory Droid 1.0 ve Programatik Tool Calling: Döngüyü Model Yazınca Ne Değişiyor?" description: "Factory Droid 1.0 ile programatik tool calling varsayılan oldu. Script aracı nasıl çalışıyor, ne kazandırıyor, Factory'nin benchmark iddiaları ne kadar sağlam?" canonical_url: https://www.oguzhan.co/tr/factory-droid-1-programatik-tool-calling/ author: "Oğuzhan Koçaklı" author_url: https://www.oguzhan.co/tr/hakkimda/ date_published: 2026-10-31T07:16:21+00:00 date_modified: 2026-10-31T07:16:21+00:00 language: tr translations: en: https://www.oguzhan.co/factory-droid-1-programmatic-tool-calling/ --- # Factory Droid 1.0 ve Programatik Tool Calling: Döngüyü Model Yazınca Ne Değişiyor? 312 tool call, 2 model isteği. [Factory’nin duyurusundaki](https://factory.com/news/frontier-harness) en çarpıcı örnek bu. Şirket 29 Ekim 2026’da Droid 1.0’ı çıkardı ve asıl yenilik şu: model artık araçları tek tek çağırmıyor. Kısa bir program yazıyor, çağrıları o program yapıyor. Aynı işin eski usulle yaklaşık 3,1 milyon input token okuyacağını söyleyen de Factory. Bu ölçülmüş bir değer değil, modellenmiş bir tahmin. Factory bunu açıkça yazıyor, ben de öyle aktarıyorum. Fikir yeni değil. Yeni olan, bir kodlama agent’ının bunu varsayılan yapması ve rakamları açıkça yayımlaması. Ben Factory’nin yazısını, [sürüm notlarını](https://docs.factory.com/changelog/release-notes) ve benchmark metodolojisini okudum. Droid’i kendim çalıştırmadım. Aşağıda neyin sağlam durduğunu, neyin ikinci bir göz beklediğini anlatıyorum. ## Harness denen şey ne, neden bu kadar pahalı? Harness, modelin etrafındaki her şey. Factory’nin tarifiyle prompt’lar, araçlar, araç sonuçlarının modele nasıl döndüğü ve bütün bunları çalıştıran döngü. Türkçede tek kelimelik karşılığı yok, ben de harness demeye devam edeceğim. [Claude Managed Agents yazısında](https://www.oguzhan.co/tr/claude-managed-agents-dinamik-is-akislari/) konuştuğumuz katman da tam olarak bu. Maliyet sorunu basit bir hesap. Agent’lar artık saatlerce, hatta günlerce çalışıyor, yüzlerce tur dönüyor. Her turda talimatlar, araç tanımları ve geçmiş yeniden gönderiliyor. Factory’nin Linear örneğinde her istekle birlikte yaklaşık 28.000 token talimat gidip geliyor. Bunu yüz istekle çarpın, faturanın büyük kısmı tekrardan ibaret. Factory belli bir modele bağlı değil, işleri Factory Router adını verdiği otomatik bir yönlendiriciyle modeller arasında dağıtıyor. Yani şirketin gerçekten sahip olduğu şey harness. Optimizasyon için en çok sebebi olan yer de orası. ## Programatik tool calling pratikte nasıl işliyor? Klasik döngüde model bir araç çağırıyor, çıktı bağlama ekleniyor, model tekrar çağrılıyor. İş bitene kadar böyle. Programatik tool calling’de ise agent araçları çağıran bir program yazıyor ve bu program tek seferde baştan sona koşuyor. Droid’de bunun adı Script aracı. Model JavaScript yazıyor, kod bir sandbox içinde çalışıyor. Sandbox’ın kendine ait dosya, ağ ya da sistem erişimi yok. Gerçek her işlem Droid’in kendi araçlarından geçiyor. Bu sınır önemli. Kendi ağ kablosu olmayan bir sandbox çok daha küçük bir hedef. [LiteLLM tedarik zinciri saldırısından](https://www.oguzhan.co/tr/litellm-tedarik-zinciri-saldirisi-block-dessa-nanbeige/) sonra üretilmiş kodu başka türlü çalıştıran bir agent’a ben açıkçası güvenmem. Factory’nin anlattığı birkaç detay: - Ekrana basılan çıktının boyutu sınırlı. Tam sonuçlar, modelin sonradan arayabileceği bir yere loglanıyor. - Birbirinden bağımsız çağrılar aynı anda koşuyor. Bir grup çağrı, en yavaşı kadar sürüyor. - Bir sonucun içeriği bir sonraki çağrıyı belirleyebiliyor. Ara, eşleşen her dosyayı oku, filtrele. Hepsi tek geçişte. Factory üç gerekçe sayıyor. Ham dosyalar, arama sonuçları ve loglar bağlamı doldurmak yerine programın değişkenlerinde kalıyor. Daha az model isteği daha düşük maliyet ve daha kısa bekleme demek. Üçüncüsü bence en az konuşulanı: döngüler ve kontroller kodda deterministik çalıştığı için model planladığı bir adımı üşenip atlayamıyor. On dosyaya bakacağım deyip yedisine bakan bir agent izlediyseniz ne demek istediğimi bilirsiniz. En temiz örnek küçük bir iş. [Factory’nin kendi ölçümüne göre](https://factory.com/news/frontier-harness) GPT-6.1 Sol ile, yüksek reasoning ayarında, patlayan bir unit test’i düzeltmek doğrudan çağrılarla 10 model çağrısı, 15 tool call ve 56,8 saniye sürmüş. Script ile 5 model çağrısı, yine 15 tool call ve 41,6 saniye. Model çağrılarının içinde geçen süre 42,3 saniyeden 28,0 saniyeye inmiş. İş aynı, gidip gelme yarıya düşmüş. ![Şema: solda model ile araçlar arasında zikzak oklar, sağda tek script bloğundan çok sayıda araca açılan çizgiler](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/10/31071616/dogrudan-tool-call-ve-script-dongusu.webp) *Doğrudan çağrılar gidip geliyor, Script tek geçişte dağıtıyor.* Factory soy ağacını da saklamıyor. 2024’te Wang ve arkadaşlarının [CodeAct](https://arxiv.org/abs/2402.01030) çalışması, kod üzerinden hareket etmenin JSON ve düz metin tool call’lardan 17 modelde daha iyi sonuç verdiğini göstermişti. Factory’nin ifadesiyle 2025 sonunda [Cloudflare](https://blog.cloudflare.com/code-mode/) ve [Anthropic](https://www.anthropic.com/engineering/advanced-tool-use) fikri üretime taşıdı, Codex de bu yıl kodlama agent’larına getirdi. Droid 1.0 bilinen bir yolun bir sonraki durağı. Script modu şu modellerde varsayılan olarak açık: GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Astra, GPT-6 Sol, GPT-5.6 Sol, Claude Fable 5.1, Claude Fable 5, Claude Opus 5.5, Claude Opus 5 ve Kimi K3. Ayarları GPT-6.1 Sol, Claude Opus 5.5, GLM 5.3 ve Kimi K3 üzerinde yapılmış. ## Rakamlar yan yana Tablodaki her rakam [Factory’nin kendi verisi](https://factory.com/news/frontier-harness). İki büyük işteki doğrudan çağrı rakamları çalıştırılarak değil, modellenerek bulunmuş tahminler. | Görev (Factory’nin örnekleri) | Doğrudan tool call | Script (PTC) | | --- | --- | --- | | Patlayan unit test’i düzeltmek, GPT-6.1 Sol | 10 model çağrısı, 15 tool call, 56,8 sn | 5 model çağrısı, 15 tool call, 41,6 sn | | Linear temizliği, 151 issue, 312 tool call | yaklaşık 36 istek, yaklaşık 3,1 milyon input token (modellenmiş) | 2 istek, yaklaşık 61.000 token | | CI taraması, 5.384 job, 550 tool call | tahminen 59 ile 187 arası istek | 2 istek, sonuçların yüzde 0,1’inden azı bağlamda | | Claude Opus 5.5’te ortalama maliyet | referans | yüzde 15 daha düşük | Linear işinde 151 issue kuyruklar arasında taşınmış ve her biri tek tek doğrulanmış. 36 istek rakamı, istek başına 10 çağrı varsayımıyla modellenmiş. 3,1 milyon token tahmini ise daha yumuşak bir varsayımdan geliyor: istek başına 3 çağrıyla 107 istek, her biri o 28.000 token talimatı sırtında taşıyarak. Script versiyonu 2 istek ve yaklaşık 61.000 token harcamış. Üstelik her yazma işleminden önce ve sonra 15 alanı karşılaştırmış, beklenmedik ilk değişiklikte durmuş. Güvenilirlik argümanı pratikte böyle görünüyor. Kontrol her seferinde çalışıyor çünkü kod. CI taraması daha da çarpıcı. Script, 547 çalıştırmadaki 5.384 desktop job’unu 550 tool call ile, aynı anda 60’ar 60’ar kontrol etmiş. Modelin gördüğü şey, 41 başarısız job’u da içeren beş sayılık bir özet. Araç sonuçlarının yüzde 0,1’inden azı bağlama ulaşmış. İş arka planda yaklaşık 8 dakika sürmüş. ![Soyut çubuklar: uzun token yığını ve yanında ince bir dilim, gönderilen tokenın azaldığını gösteriyor](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/10/31071618/yeniden-gonderilen-prompt-tokenlari.webp) *Görünmeyen fatura tekrar gönderilen talimatlar. Factory 3,1 milyon tahmini tokenın 61.000 civarına indiğini söylüyor.* ## Bu kadar iyiyse ortalama tasarruf neden sadece yüzde 15? Çünkü işlerin çoğu Linear temizliği değil. Factory’ye göre Script’lerin çoğu küçük. Görev başına tasarrufun büyük kısmı, altı ya da daha fazla tool call yapan yüzde 12,5’lik dilimden geliyor. İki çağrıyı saran bir Script neredeyse hiçbir şey kazandırmıyor. Claude Opus 5.5’teki yüzde 15’lik düşüş gerçek işlerin ortalaması ve gerçek işler çoğunlukla kısa. Factory’nin bunu yayımlamasını sevdim. Manşetteki örnekler uzun kuyruk, dürüst rakam ortalama. Yazıda daha sessiz ama bence daha değerli bir ders de var: harness ayarları modele göre değişiyor. Factory, agent’ın okuduğu her dosyanın her satırını numaralandırmayı denemiş. Bir görevde Opus maliyetini yüzde 22 düşürmüş. Ama satır başına yaklaşık iki token eklediği için GLM’de maliyeti yüzde 8, Kimi’de yüzde 32 artırmış. Aynı değişiklik, ters sonuç. Factory bunu isteğe bağlı bir seçenek olarak sunmuş. Birden fazla [frontier model](https://www.oguzhan.co/tr/frontier-model-ne-demek/) ile çalışıyorsanız bu örnek herhangi bir benchmark grafiğinden daha öğretici. ## Perde arkasındaki sıkıcı ama işe yarayan mühendislik Tasarrufun önemli kısmı manşetteki özellikten değil, tesisattan geliyor. Önce prompt cache. MCP sunucularından ve connector’lardan yeni keşfedilen araçlar artık isteğin başına yakın bir yere değil, sonuna ekleniyor. Böylece cache’lenmiş önek bozulmuyor. Factory’nin rakamlarıyla üretimdeki tipik istek input’unun yüzde 98’ini cache’ten okuyor ve isteklerin yüzde 98,6’sı öncekinin üstüne yalnızca ekleme yapıyor (append-only). Baz alınan veri, 22 Ekim’e kadarki 7 günde 20,4 milyonun üzerinde CLI isteği. Token ağırlığıyla bakınca bu oran yüzde 91,5. Sonra temel prompt. Opus 4.8 üzerindeki Droid 0.170.0 ile Opus 5.5 üzerindeki 0.250.0 arasında ilk istek 20.887 input token’dan 13.055’e inmiş, yani yüzde 37 küçülmüş. Baştan gönderilen araç tanımı sayısı 11’den 2’ye düşmüş, gerisi ihtiyaç olunca yükleniyor. Araç tanımlarının token sayısı 15.798’den 8.528’e inmiş. Sistem prompt’u ise yüzde 31 büyümüş, 1.618’den 2.155 token’a. Modellerin tokenizer’ları farklı olduğu için Factory karakter sayısını da veriyor: 57.035’ten 36.802’ye, yüzde 35 düşüş. Daha küçük ama dikkat çeken ayrıntılar: - Compaction özetlerine artık 8.000 yerine 16.000 token yer ayrılıyor. - Görünür çıktı üretmeyen üç tur agent’ı durduruyor. Aynı tool call üç kez tekrarlanırsa agent dürtülüyor, altıda durduruluyor. - Paralel oturumlar tek bir daemon sürecini paylaşıyor. Süreç başına yaklaşık 350 MB yerine oturum başına yaklaşık 20 MB. Medyan ilk açılış 1.839 ms’den 488 ms’ye, kapanış 648 ms’den 30 ms’ye inmiş. Factory bir de içeride Agent Factory dediği bir döngü anlatıyor. Bir otomasyon 20’den fazla modeli takip ediyor ve yenilerini ekliyor. Agent’lar benchmark hatalarını ve gerçek oturumlardaki sürtünmeyi okuyup gerekçesi yazılı değişiklikler öneriyor. Etkilenen her modelde kontrollü deneyler koşuyor, bir mühendis inceleyip birleştiriyor. Factory’ye göre mühendis onayı olmadan hiçbir şey yayına çıkmıyor. Satır numarası hikâyesinden sonra bu kuralın neden var olduğu belli. ![Kod çalıştıran kapalı cam küp, duvarlarında araç soketleri, yanında takılı olmayan ağ kablosu](https://oguzhanco.s3.eu-west-3.amazonaws.com/wp-content/uploads/2026/10/31071620/agsiz-sandbox-script.webp) *Script sandbox’ının kendine ait dosya, ağ ya da sistem erişimi yok.* ## Terminal-Bench 4 sonuçlarına ne kadar güvenmeli? Bu bir üretici benchmark’ı. Factory koşturmuş, Factory raporlamış. Bağımsız bir sonuç gibi değil, bir iddia gibi okumak gerekiyor. Factory, Terminal-Bench 4’ün tüm görevlerini 23 ile 28 Ekim 2026 arasında, görev başına üç denemeyle ve yüksek reasoning ayarında koşturduğunu söylüyor. İddialar şöyle: - GPT-6.1 Sol’da Droid, Codex’in 3,5 puan üstünde ve yüzde 12 daha ucuz. OpenCode ve Devin’in 6,6 ile 12,6 puan üstünde. Cursor tabloda yok, Factory’ye göre sebebi Cursor’ın OpenAI modellerine erişiminin olmaması. - Claude Opus 5.5’te Droid, Cursor, OpenCode, Devin ve Claude Code’un 3,0 ile 7,6 puan üstünde, maliyet farkı yüzde 24’e kadar. Geçilen görev başına Claude Code’dan yüzde 26 daha az süre ve yüzde 17 daha az token. - GPT-6.1 Sol’da Codex’ten yüzde 12 daha az token harcamış ama yüzde 10 daha uzun sürmüş. Son madde, saf bir pazarlama grafiğinin kolayca dışarıda bırakacağı türden bir detay. Factory bırakmamış, hakkını vermek lazım. Şirket kendi metodoloji tuhaflıklarını da listeliyor ve bunlar önemli: - Maliyet ve süre karşılaştırmasına yalnızca iki harness’ın da üç denemede geçtiği görevler alınmış. - Opus 5.5’te Anthropic içerik moderasyonuna takılan koşular Opus 5 ile tekrarlanmış. - Devin’in durup kullanıcıya soru sorduğu görevler, Codex geçtiyse geçmiş sayılmış. Deneme başına ortalama 4,7 görev. - Cursor’ın eksik token sayımı iki denemede transkriptlerden tahmin edilmiş. Test edilen sürümler: codex@0.163.0, claude-code@2.1.306, cursor-cli@2026.10.19-6bbf2c4, devin@3000.11.92, opencode@2.1.2. Bunların hiçbiri sahtekârlık gibi durmuyor. Ama “3,5 puan” gibi bir manşetin içinde kaç tane takdir kararı yattığını gösteriyor. Her düzeltme tek başına makul, hepsini de sonuçtan kazançlı çıkan taraf yapıyor. Beni ikna edecek şey aynı sürümlerle bağımsız bir tekrar ya da başka bir harness ekibinin aynı farkı üretmesi. O zamana kadar bu farklar akla yatkın ama doğrulanmamış. ## Agent geliştirenler için anlamı Droid 1.0 macOS ve Windows için desktop uygulaması, terminal arayüzü ve `@factory/droid-sdk` paketiyle Droid SDK olarak geliyor. SDK, CLI’daki Droid’in aynısını çalıştırıyor. Node içinden başlatabiliyor, çok turlu oturumlar açabiliyor, işi stream edebiliyor, MCP üzerinden özel araçlar ekleyebiliyor ya da çalışan bir daemon’a bağlanabiliyorsunuz. Asıl ders Factory’nin ötesine geçiyor. Modeller araçlarınızı koddan çağıracaksa, araçlarınızı koddan çağırması kolay olacak şekilde yazın. Tipli veri döndürün. Yazma işlemlerinden kısa özet döndürün. Model istemedikçe ham çıktıyı bağlamdan uzak tutun. Factory’nin tasarım tercihleri de aynı yönü gösteriyor: gerçek tipli veri, escape’li string yerine ham bloklarda taşınan metin, kısmi çıktıyı geri vermeden önce 5 dakikalık bekleme süresi ve çalışan bir programı kontrol edip durduran ayrı bir araç. Kimse polling yapmak zorunda kalmıyor. Bir de token bütçesi. Her istekte yeniden gönderilen 28.000 token, kafamda dönüp duran rakam bu. Uzun süre çalışan agent’ların onay tarafını [Claude Duet yazısında](https://www.oguzhan.co/tr/claude-duet-proaktif-agent-onay-sinirlar/) konuşmuştuk. Maliyet tarafı en az onun kadar gerçek. Bundan sonra izleyeceğim iki şey var. Terminal-Bench 4’teki farkları bağımsız biri tekrar üretebilecek mi? Ve insanlar agent’lara uzun, sıkıcı, çok adımlı işler verdikçe o yüzde 15’lik ortalama yukarı çıkacak mı? Bu yaklaşımın parayı geri ödediği yer tam orası. ## Kaynaklar - Factory, [Droid 1.0: Building a Frontier Harness](https://factory.com/news/frontier-harness) (29 Ekim 2026) - Factory, [Sürüm notları, CLI v1.0.0 ve Desktop v1.0.0](https://docs.factory.com/changelog/release-notes) - Factory’nin X’teki [duyurusu](https://x.com/FactoryAI/status/2115934579446182213) - Wang ve ark., [CodeAct](https://arxiv.org/abs/2402.01030) (2024) - Cloudflare, [Code Mode](https://blog.cloudflare.com/code-mode/) - Anthropic, [Advanced tool use](https://www.anthropic.com/engineering/advanced-tool-use)