Agent = Model + Harness: Ruflo ile Claude Code’un Üstüne Katman Koymak

Ruflo’nun tek cümlelik tezi şu: “Agent = Model + Harness.” Yani bir ajanın kalitesini belirleyen şey sadece modelin zekâsı değil; modelin etrafındaki araç seti, bellek, kontrol döngüsü ve kum havuzu.

Bu cümle sıradan görünüyor ama pratikte önemli bir şeyi işaret ediyor. Claude Code’la çalışırken model yeterince iyi olsa bile şu duvarlara çarpıyorsun: oturum kapanınca bellek gidiyor, iki ajan aynı bağlamı paylaşamıyor, hangi göreve hangi ajanı vereceğine hep sen karar veriyorsun. Ruflo kendini tam bu boşluğu dolduran katman — bir “meta-harness” — olarak konumlandırıyor.

Proje künyesi

Proje ruvnet (rUv) tarafından geliştiriliyor ve daha önce Claude Flow adıyla biliniyordu. İsim değişikliğini geliştirici kendi açıklıyor: “Ru” rUv’a, “flo” ise gece geç saatlerdeki akış hâline referans. Altyapıda Cognitum.One mimarisi, Rust tabanlı bir motor, gömme (embedding) katmanı ve eklenti sistemi var.

Rakamlar Temmuz 2026 itibarıyla. Repoya her gün commit geliyor; bu hızlı gelişimin bir bedeli de var, ona aşağıda geleceğim.

Mimari: istek nereden geçiyor?

Belgelenen akış şu şekilde işliyor:

1. 1
   İstek CLI veya MCP üzerinden Ruflo’ya giriyor.
2. 2
   Router, görevi analiz edip hangi ajan veya ajan grubunun uygun olduğuna karar veriyor.
3. 3
   Swarm katmanı topolojiyi seçiyor ve gerekiyorsa ajanlar arasında uzlaşma (consensus) yürütüyor.
4. 4
   Uzman ajanlar işi yapıyor.
5. 5
   Sonuçlar ve izler belleğe yazılıyor.
6. 6
   Bellek katmanı Router’a geri besleme yapıyor — öğrenme döngüsü burada kapanıyor.

Katmanlı yapı olarak altı seviyeden söz ediliyor: Claude Code / CLI giriş noktası, orkestrasyon (MCP sunucusu, router, 27 hook), swarm koordinasyonu (Queen ajanı, topoloji seçimi, uzlaşma), 100+ uzman ajan, bellek ve öğrenme (AgentDB, HNSW, SONA, ReasoningBank) ve en altta LLM sağlayıcıları (Claude, GPT, Gemini, Cohere, Ollama).

Claude Code tek başına vs. Ruflo ile

Repo bu karşılaştırmayı kendi yapıyor ve projenin ne iddia ettiğini en net gösteren tablo bu:

Bellek ve öğrenme katmanı

Projenin en somut teknik parçası burası. AgentDB adlı vektör deposu HNSW ile indeksleniyor ve ajanların geçmiş işlerinden çıkardığı bilgi kalıcı hâle geliyor.

• AgentDB + HNSW: yaklaşık en yakın komşu aramasıyla bellek erişimi. Repo, N=5.000’de kaba kuvvete göre 3,2–4,7 kat, N=20.000’de 1,9 kat hız ve recall@10 için 0,99’a yakın değer bildiriyor.
• SONA: sinirsel kalıp öğrenme katmanı; başarılı akışları tanıyıp tekrar kullanmayı hedefliyor.
• ReasoningBank: muhakeme izlerinin biriktiği depo.
• Trajectory learning: ajanın izlediği yolun kendisinden öğrenme.
• GOAP A* planlama: hedefi ön koşul ve etkilerle durum uzayında planlama.

Federasyon: “ajanlar için Slack”

En iddialı özellik bu. Farklı makinelerdeki veya farklı kurumlardaki ajanların birbirini bulup kimlik doğrulayarak iş alışverişi yapmasını hedefliyor. Güvenlik modeli sıfır güven (zero-trust) üzerine kurulu:

MetaHarness ve ruflo eject

İki özellik dikkatimi çekti. MetaHarness, bir projenin ajan kurulumunu 1–100 arası puanlıyor, araç yapılandırmalarını tarıyor ve proje anlık görüntüsü alıp gerilemeleri yakalıyor. ruflo eject ise projeyi bağımsız bir araç setine dönüştürüyor — yani Ruflo’ya kilitlenmeden çıkabilme yolu.

Eklenti tarafı da geniş: swarm, bellek, RAG, test üretimi, güvenlik denetimi, gözlemlenebilirlik, maliyet takibi, ADR ve SPARC metodolojileri gibi başlıklarda 35 civarı eklenti var.

Kurulum: iki yol, çok farklı kapsam

Burası projenin en kritik pratik detayı ve repo bunu bir issue’da açıkça izliyor. İki kurulum yolu aynı şeyi vermiyor:

Komutlar

• Eklenti yolu: /plugin marketplace add ruvnet/ruflo ardından /plugin install ruflo-core@ruflo
• CLI, tüm platformlar: npx ruflo@latest init wizard (Windows dahil en güvenli yol)
• CLI, global kurulum: npm install -g ruflo@latest
• CLI, macOS/Linux/WSL: curl -fsSL https://cdn.jsdelivr.net/gh/ruvnet/ruflo@main/scripts/install.sh | bash
• MCP sunucusunu Claude Code’a bağlamak: claude mcp add ruflo -- npx ruflo@latest mcp start
• Kurulumu doğrulamak: ruflo verify

Windows’ta bir tuzak var: curl’lü kurulum POSIX kabuk gerektiriyor. “bash is not recognized” hatası alırsan npx yolunu kullanman gerekiyor — ikisi de aynı init akışında birleşiyor.

Web arayüzleri

İki hosted arayüz var. flo.ruv.io, MCP araç çağrısı yapabilen çoklu model sohbeti sunuyor; OpenRouter üzerinden altı model geliyor ve OpenAI uyumlu herhangi bir uç noktayı (vLLM, Ollama, LM Studio, Together, Groq) bağlayabiliyorsun. Docker ve gömülü MongoDB ile kendi sunucunda barındırılabiliyor. goal.ruv.io ise GOAP planlayıcının arayüzü: düz İngilizce hedefi A* planına çeviriyor, plan ağacını görselleştiriyor ve başarısızlık sonrası yeniden planlıyor.

Dikkatli olunması gereken noktalar

Bu repoyu dürüst değerlendirmek için birkaç çekince koymak gerekiyor:

• Performans ve doğruluk rakamları reponun kendi beyanı. Bağımsız doğrulama yok; benchmark’lar geliştiricinin ortamında üretilmiş.
• Belgelerde iç tutarsızlıklar var: eklenti sayısı hem 33+21 hem 35 olarak, ajan sayısı hem “100+” hem 98 olarak geçiyor.
• Yüzey alanı çok geniş. Swarm, federasyon, vektör belleği, GOAP planlama, ticaret eklentisi, IoT — hepsi tek projede. Bu hıza yetişen bir dokümantasyon beklemek gerçekçi değil.
• Hızlı gelişim iki taraflı: özellik akışı hızlı ama kırıcı değişiklik riski de yüksek. Açık issue sayısı 500’ün üstünde.
• Eski isim hâlâ dolaşımda: bazı komut örnekleri npx claude-flow@latest ile yazılmış durumda.

Neden yine de takip etmeye değer?

Çünkü sorduğu soru doğru. Model tarafı hızla iyileşiyor ve ajan kalitesindeki fark giderek harness’tan geliyor: bellek kalıcı mı, ajanlar bağlam paylaşıyor mu, yönlendirme akıllı mı, geri dönüşü zor işlemler nerede duruyor. Ruflo bu soruların hepsine bir cevap denemesi yapıyor ve cevaplarını açık kaynak olarak okunabilir bırakıyor.

Ben bu projeyi bir ürün olarak değil, bir fikir kaynağı olarak takip ediyorum. Swarm topolojileri, güven puanlaması ve MetaHarness’ın kurulum puanlama yaklaşımı, kendi ajan altyapımı kurarken düşünmediğim şeyleri düşündürdü.