Yapay Zeka Ajanları İçin Geliştirme: Apidog CLI Yolculuğu

Bu, Apidog'un Apidog CLI'yi nasıl geliştirdiğini paylaşan 10 bölümlük bir seridir—API testi ve API yaşam döngüsü yönetimi için bir komut satırı aracı. Sırayla okuyun veya ilginizi çeken herhangi bir yazıya atlayın:

126 MCP Tool Build Edtik. Sonra Agentlarla API Development üzerinde çalışmak için En İyi Çözüm olmadığını Keşfettik.

MCP (Model Context Protocol) 2025 başında industry hotspot haline geldiğinde, her API product'un face ettiği soru simple'ti: "MCP'niz var mı?"

Apidog için, cevapladık evet. Full bir MCP Server build etti—sadece bir simple demo değil. MCP client bir session initialize ederdi, server bir sessionId generate ederdi, ve session state'i Redis üzerinden save ederdi. Protocol-level bir session system idi. Tools'ları categories'e divide ettik: native project tools, built-in domain tools, ve OpenAPI endpoint definitions'ten automatically convert edilen 126 generated tools.

Apidog MCP çalışmaya devam ediyor ve MCP integration need eden users'a serve ediyor. MCP protocol'u takiben standardized tool connections sağlıyor, ki ecosystem için valuable.

Ama complex R&D workflows involve eden real tasks'a enter ettiğimizde, limitations keşfettik. Bir user "bu endpoint için bir test add et ve verification run et" dediğinde, Agent random tools'un bir wall'ı face etti—hangi birini use edeceğini, hangi sequence'da, hangi validation ile deciding.

Realized: MCP tool connecting'de excels, ama complex R&D tasks tool connection'dan daha fazla need eder—they need executable engineering processes.

Bu insight bizi Apidog CLI'yi bir better approach olarak develop etmeye led—development workflows'ı better handle eden bir.

Apidog CLI Nedir?

Apidog CLI, API test için bir command-line tool'dur ve test scenarios run etmenize, API documentation manage etmenize, ve testing workflows'ı terminal'den veya CI/CD pipelines'dan directly automate etmenize izin verir. AI agents'in API resources manage etmesi için specifically build edilmiş, traditional CLI for API testing'in ötesine goes—structured output, schema validation, ve agents'in complex workflows'ı safely execute etmesi için need ettiği next-step guidance sağlıyor. GitHub Actions'da automated API tests run ediyor olsanız, Claude Code ile code'dan test cases generate ediyor olsanız, veya projects across test scenarios maintain ediyor olsanız, Apidog CLI AI agents ve API testing infrastructure'nız arasında bridge olarak serves.

Quick Start: Apidog CLI + SKILL'ı Try Edin

Bu seride described approach'u try etmek isterseniz, başlamak için:

# Install Apidog CLI
npm install -g apidog-cli@latest

# Install companion SKILL for AI Agents
apidog skill install

# Check version (need 2.2.5+ for new capabilities)
apidog -v

# Authenticate

Or AI Agent'niza install etmesini ask:

Read the instructions and help me install Apidog CLI:

Your First Agent Task

Installation'dan sonra, Agent'nize small, low-risk bir task verin:

Use Apidog CLI to help me create my first API endpoint in Apidog.
First, check my Apidog CLI setup and list the projects I can access.
Ask me which project to use. After I confirm, create a simple GET /health
endpoint named Health Check with a 200 response example. Validate any
structured input before writing, then read the endpoint back and summarize

Bu size concrete bir starting point verir: Agent setup'ı check eder, writing'den önce asks, small bir API definition create eder, writing'den önce validates, ve saved result'ı confirms.

The Core Architecture

The Safer Loop for Agent-Driven Testing

AI Branch outer security layer olarak, complete workflow böyle looks:

┌─────────────────────────────────────────────────────────────────────┐
│                        AI BRANCH (Security Layer)                      │
│  ┌──────────────┐     ┌──────────────┐     ┌──────────────┐         │
│  │  Read Assets │────▶│  Generate    │────▶│  Validate    │         │
│  │  (CLI get)   │     │  (Agent)     │     │  (cli-schema)│         │
│  └──────────────┘     └──────────────┘     └──────────────┘         │
│                                                │                    │
│                                                ▼                    │
│  ┌──────────────┐     ┌──────────────┐     ┌──────────────┐         │
│  │  Run Tests   │◀────│  Read Back   │◀────│    Write     │         │
│  │  (apidog run)│     │  (CLI get)   │     │  (to AI Br.) │         │
│  └──────────────┘     └──────────────┘     └──────────────┘         │
│          │                                                          │
│          ▼                                                          │
│  ┌──────────────────────────────────────┐                           │
│  │         Human Review & Merge          │                           │
│  │   (User confirms before main branch)  │                           │
│  └──────────────────────────────────────┘                           │

Bu loop matters çünkü birçok Apidog resource structured. Test cases ve test scenarios request data, assertions, variable extraction, pre/post processors, step order, ve environment references include eder. Bir Agent structure'ı guess ederse, small mistakes failed writes, incomplete display, veya expected gibi behave etmeyen tests cause eder.

Agent generate et, CLI validate et, ve AI Branch changes'ı human review'a kadar isolate et.

The Apidog CLI Journey Overview

Bu series, Apidog CLI'yi API R&D workflows için bir better strategy olarak nasıl develop ettiğimizi documents.

Apidog MCP standardized tool connections sağlamaya devam ediyor—that's valuable ve maintain ediyoruz. Ama multi-step workflows, validation gates, ve structured execution involve eden tasks için, CLI + SKILL better experience offer ettiğini bulduk.

We didn't just add commands to the old CLI, users CI/CD'leriyle integrate automatic API tests run eden yerde. Apidog's core capabilities'ı systematically CLI'ya introduced, developers, scripts, ve AI Agents için bir workflow layer making.

The key difference complexity'in nerede lives:

• MCP route: Complexity model context ve tool selection stage'de—simple tool calls için great
• CLI + SKILL route: Complexity engineering system'e distributed—more advanced workflows için better

Result: complex tasks için safer Agent workflows, fewer tool calls, less token waste, ve better error recovery—while MCP that approach'ı prefer eden users için available remains.

The Apidog CLI Journey Map

┌─────────────────────────────────────────────────────────────────┐
│                    THE APIDOG CLI + SKILL JOURNEY               │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  [Problem Discovery]                                            │
│     │                                                           │
│  ┌───┐                                                          │
│  │ 1 │ We Built 126 MCP Tools. Then We Found                    │
│  └───┘ a Better Approach for Workflows.                         │
│     │                                                           │
│     ▼                                                           │
│  [Architecture Development]                                     │
│  ┌───┐                                                          │
│  │ 2 │ Why We Developed a Brand-new Apidog CLI                  │
│  └───┘                                                          │
│     │                                                           │
│     ├──────────────────┬──────────────────┐                     │
│     ▼                  ▼                  ▼                     │
│  [Core Philosophy]  [Technical Design]                          │
│  ┌───┐              ┌───┐              ┌───┐                    │
│  │ 3 │ CLI Produces │ 4 │ agentHints:  │ 5 │ SKILL: Shipping    │
│  └───┘ Facts        └───┘ Teaching     └───┘ Operational        │
│     │              │    CLIs           │    Experience          │
│     │              │                  │                         │
│     └──────────────┴──────────────────┘                         │
│                        │                                        │
│                        ▼                                        │
│               [Validation & Practice]                           │
│               ┌───┐        ┌───┐                                │
│               │ 6 │───────│ 7 │                                 │
│               └───┘ Numbers│   PRD to Testing                   │
│                   │        │   Loop                             │
│                   ▼        ▼                                    │
│               [Foundation]   [Security Layer]                    │
│               ┌───┐        ┌───┐                                │
│               │ 8 │───────│ 9 │                                 │
│               └───┘ CI/CD  │   AI Branch                       │
│                   │        │                                    │
│                   └────────┘                                    │
│                        │                                        │
│                        ▼                                        │
│                   [Vision]                                      │
│                   ┌────┐                                        │
│                   │ 10 │ Spec-First → Skill-First               │
│                   └────┘                                        │
│                                                                 │

Quick Journey Navigation

Part 1: Problem Discovery

126 MCP Tool Build Edtik. Sonra AI Agents ile API Development Workflows için Bir Better Solution Keşfettik.

MCP standardized tool connections sağlıyor—ama complex R&D workflows için, limitations keşfettik. Agents, tasks multi-step processes involve ettiğinde random tools'un bir wall'ını faced. Bu post four structural challenges explore ediyor ve CLI + SKILL'in workflow-heavy tasks için neden better olduğunu.

Part 2: Architecture Development

2. Neden Brand-new Apidog CLI Geliştirdik

MCP'yi abandon etmedik—MCP'nin optimize olmadığı şeyi handle etmek için CLI + SKILL build etti: validation gates ve structured execution ile complex workflows. Bu post execution chains compare ediyor ve CLI + SKILL'in complexity'yi engineering system'e distribute ettiğini, MCP'nin purpose'ını continue serving ederken explain ediyor.

Part 3: Core Philosophy

3. Altın Kural: CLI Facts Üretir, Model Facts Üzerine Hareket Eder

Core principle: model'i tüm rules'ları memorize make etmeyin—rules'ların right places'de execute olmasına izin verin. Bu post `cli-schema validate'ı introduce ediyor, field errors, wrong enums, ve structural problems'ı failed writes becomemadan önce catch eden quality gate.

Part 4-5: Technical Design

4. agentHints: CLIs'e Agentlarla Konuşmayı Öğretmek

Traditional CLI output humans için. Agents structured results, failure reasons, ve next-step suggestions need eder. `agentHints` product experience'ı machine-readable guidance'a turns—Agents decisions make need ettiği exactly where appearing.

5. SKILL: Operational Experience'ı Code olarak Shipleme

Bir SKILL sadece bir command reference değil. AI Agents için bir operating guide: bir command when use etmek, hangisi first comes, hangi fields guess shouldn't, when validate, when read back. SKILL workflow knowledge'ı versionable, evolvable guides'a packages.

Part 6-7: Validation & Practice

6. Sayılar Yalan Söylemez: 30% Daha Az Tool Call, 25% Daha Az Token

Typical tasks across MCP vs. CLI + SKILL compare ettik. Tool call steps ~30% decreased. Invalid descriptions ve retries'dan token consumption ~25% decreased. Structural error retries ~40% decreased. Bu post savings'ın nereden geldiğini break down ediyor.

7. PRD'den Test Loop'a: Apidog CLI ile Tam Bir Agent Workflow

Real bir example walk through: bir team Order Refund PRD ve codebase have. Bir Agent'ın OpenAPI generate, test cases create, structures validate, test scenarios build, ve verification run etmek için CLI + SKILL nasıl use ettiğini see—end to end.

Part 8-9: Foundation & Security

8. Agent Tools için CI/CD Compatibility Neden Tartışılır Değil

Agent-friendliness CI/CD-friendliness üzerine build edilmeli. `apidog run` both serve eder: CI exit codes, report files, stable parameters care eder; Agents structured results, failure reasons, next-step suggestions care eder. One command, multiple consumers.

9. AI Branch: AI Agents ile Daha Güvenli Project Changes

Agents project resources modify ettiğinde, security matters. AI Branch isolated editing sağlıyor—changes human review'a kadar separate bir branch'te stay. Bu automated changes'ın directly main branch'ı affect etmesini prevent eder. Create, review, sonra confidence ile merge.

Part 10: Vision & Future

10. Spec-First Geçen Gün. Skill-First'e Hoş Geldiniz.

API development AI Agents workflow'a joining ile changing. Spec-First human collaboration için idi. Skill-First specs, tests, ve scenarios'ı executable, verifiable skills'a packages—Agent era için existing approaches complementing. Bu post future'ı outline ediyor ve concrete getting-started steps sağlıyor.

Key Takeaways (TL;DR)

Okumaya Başlayın

Dive in ready? Post 1: 126 MCP Tool Build Edtik. Sonra Workflows için Bir Better Solution Keşfettik. ile başlayın.

Apidog download edin design, mock, test, ve document APIs için one workspace'te. Command-line API testing, CI automation, ve AI Agent workflows için Apidog CLI hakkında daha fazla learn.