TL;DR
Muse Ember, yönlendirme, çıkarım, araç çağırma ve odaklı kodlama gibi yüksek hacimli ajan görevleri için tasarlanmış, Meta’nın en küçük çok modlu akıl yürütme modelidir. Meta, Muse Ember’ı 9 Kasım 2026’da tanıttı.
1,048,576 belirteçlik bağlam penceresi kapsamlı kaynak materyali sığdırır. Meta, Model API ve Muse Code üzerinden erişim sunar; CometAPI, muse-ember’ı listeler; etkinleştirme durumu aşağıda ele alınmaktadır. Çıktısını doğrulayabileceğiniz tekrarlanan bir görevle başlayın ve muhakeme, araçlar ve yeniden denemeler dahil olmak üzere başarılı sonuç başına maliyeti karşılaştırın.
Temel Noktalar
- Rol: Muse Ember, sınıflandırma, çıkarım, araç çağrıları ve sınırlı kodlama görevleri dahil olmak üzere tekrarlanan ajan yürütmesi için geliştirildi.
- Girdiler ve kapasite: Muse Ember metin, görsel, ses ve video kabul eder; 1M belirteçlik bağlam penceresi ve 512K’ya kadar çıktı belirteci sınırı vardır.
- Performans: Meta’nın sonuçları Muse Ember’ı çeşitli ajan kıyaslarında öne çıkarırken, bağımsız analitik testler düşük belirteç fiyatlarının her zaman en düşük görev maliyetini üretmediğini gösteriyor.
- Fiyatlandırma: 200K girdi belirteç üzerindeki istekler daha yüksek fiyat katmanına girer; toplam görev maliyeti ayrıca muhakeme ve araç kullanımına bağlıdır.
- Erişim: Meta Model API ve Muse Code mevcuttur; CometAPI’de model listesi şu anda Coming soon olarak işaretlidir.
Muse Ember En Çok Ne İçin Uygundur?
Muse Ember, daha büyük bir model planlamayı yönetirken bir ajan iş akışındaki yürütme adımlarını ele alır. Net girdileri, sınırlı kapsamı ve uygulamanızın doğrulayabileceği bir sonucu olan yüksek hacimli görevler için uygundur. Temel işleri:
- Sınıflandırma ve yönlendirme: İstekleri etiketleyin ve doğru kuyruğa veya hizmete gönderin.
- Çıkarım: Belgeleri ve medyayı kaynak kanıtıyla yapılandırılmış alanlara dönüştürün.
- Araç çağırma: Bir işlev seçin ve uygulamanızın yürüteceği argümanları sağlayın.
- Toplu işleme: Tekrarlanabilir bir işlemi dosyalar veya kayıtlar üzerinde uygulayın.
Destek Bileti Yönlendirme
Pratik bir destek iş akışı, Ember’dan bir sipariş referansı çıkarmasını, bir kategori atamasını ve eksik bilgileri işaretlemesini isteyebilir. Uygulamanız, bileti yönlendirmeden önce referansı kendi kayıtlarına karşı doğrulayabilir. Geri ödemeler, hesap değişiklikleri ve diğer sonuç doğuran eylemleri uygulamanın kendi yetkilendirme kontrollerinin arkasında tutun.
Kanıtla Belge Çıkarma
Fatura veya sözleşme işleme için çıkarılan değerin yanı sıra bunu destekleyen sayfayı veya pasajı isteyin. Eksik ve okunamayan alanları, modelin tahmin etmesini istemek yerine açık sonuçlar olarak ele alın. Bu yaklaşım, her belgeyi baştan okumadan denetçilerin inceleyebileceği kayıtlar üretir.
Odaklı Kodlama Çalışması
Bir kodlama çalışanına küçük bir sahiplik sınırı verin: değiştirebileceği dosyalar, korunacak davranış ve tamamlanmayı tanımlayan testler. Meta’nın paralel kod taşıma örneği bu iş bölümü yaklaşımını gösterir. Çevredeki ajan komutları çalıştırır ve sonuçları kontrol eder; modelin yanıtı tek başına bir değişikliğin testleri geçtiğine dair kanıt değildir.
Meta’nın Muse Ember lansman görseli, bir yürütme modelini daha büyük bir planlama modeliyle birleştirmeye yönelik kılavuzuyla birlikte sunulur.
Meta, Muse Ember’ın Muse Wonder Full kullanılarak eğitilen ilk model olduğunu ve daha büyük modellerle uzman modellere giden stratejisini genişlettiğini söylüyor.
Muse Ember Teknik Özellikleri
Temel özellikler şunlardır:
| Özellik | Muse Ember |
|---|---|
| Geliştirici | Meta Superintelligence Labs |
| Duyuru tarihi | 9 Kasım 2026 |
| Model kategorisi | Çok modlu akıl yürütme ve ajan yürütümü |
| Bağlam penceresi | 1,048,576 belirteç |
| Maksimum çıktı | 524,288 belirteç |
| Girdi türleri | Metin, görseller, ses, video |
| Dosya girdileri | Responses API aracılığıyla desteklenir |
| Çıktı türü | Metin |
| Akıl yürütme düzeyi | Minimal, Low, Medium, High, XHigh, Max |
| Varsayılan düzey | Max |
| Araç çağırma | Desteklenir |
| Yapılandırılmış çıktı | Desteklenir |
| Arama temellendirme | Model API aracılığıyla desteklenir |
Meta, Muse Ember’ın ağırlıklarını yayımlamadı ve parametre sayısını açıklamadı. İstek ve belirteç sınırları takım başınadır; o takımdaki tüm API anahtarları modelin kullanım hakkını paylaşır.
Bağlam ve Çok Modlu Girdiler
PDF iş akışları için Meta, ilk 100 sayfadan metni ve ilk 50 sayfadan görselleri çıkarır; daha uzun dosyaları işlemden önce bölün. Görev için gerekli materyali gönderin; muhakeme belirteçleri, nihai yanıtla birlikte 524,288 belirteçlik çıktı kotasını paylaşır.
Düzen önemli olduğunda ekran görüntülerini, belge çıkarımı için taramaları, toplantı analizi için sesi ve zaman içinde gelişen olaylar için videoyu kullanın. Metinle sınırlı bir özet için bir döküm yeterlidir. Dosyalar Responses API üzerinden desteklenir ve sonuçlar metin olarak döner.
Yapılandırılabilir Akıl Yürütme Düzeyi
Muse Ember altı muhakeme düzeyi sunar: Minimal, Low, Medium, High, XHigh ve Max. Meta’nın varsayılanı Max’tir; none desteklenmez ve HTTP 400 döner. Rutin yönlendirme ve sınıflandırmada daha düşük bir düzeyle başlayın, ardından kabul edilen yanıt oranındaki artış ek gecikme ve çıktı belirteci maliyetini haklı çıkardığında artırın.
Araç Çağırma ve Yapılandırılmış Çıktı
Muse Ember araç çağırma ve yapılandırılmış çıktıyı destekler. Araç çağrıları model kararlarını uygulama işlevlerine bağlarken, yapılandırılmış çıktı çıkarılan alanların doğrulanmasını ve bir sonraki adıma aktarılmasını kolaylaştırır.
Bu örnek destek bileti sonucu, bir yönlendirme uygulamasına bir kategori, bir öncelik ve bir inceleme bayrağı verir:
{
"category": "billing",
"priority": "high",
"requires_human_review": true
}
Meta Model API ayrıca arama temellendirme ve bilgisayar kullanım iş akışlarını destekler. Bağlı uygulama araçları sağlar, eylemleri yürütür ve izinleri kontrol eder.
Muse Ember Kıyaslamalarda Nasıl Performans Gösteriyor?
Meta’nın lansman sonuçları maksimum muhakeme düzeyini kullanır. Agents’ Last Exam, Meta’nın dahili değerlendirmesindeki Linux alt kümesini kapsarken, Terminal-Bench her modelin yayımlanmış en iyi harness’ını kullanır. Haricen raporlanan Artificial Analysis sonuçlarını Meta’nın dahili değerlendirmeleriyle birleştirirler; Personal Superintelligence Index, ayrı bir bağımsız liderlik tablosu değil, Meta’nın dahili bileşik ölçütüdür.
Muse Ember Kıyaslama Sonuçları
| Kıyaslama | Muse Ember | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| AutomationBench-AA | 37.8 | 13.9 | 20.2 |
| Agents' Last Exam | 61.6 | 57.0 | 57.1 |
| Personal Superintelligence Index | 46.8 | 36.1 | 37.0 |
| Terminal-Bench 4.0 | 40.9 | 39.2 | 16.4 |
| Coding Agent Index-AA | 46 | 37 | 31 |
| FrontierCode 2.0-AA | 27.2 | 34.9 | 25.2 |
| GDP.pdf-AA | 22.8 | 20.8 | 22.8 |
| OSWorld 2.1 (partial score) | 69.5 | 68.9 | 50.5 |
| OSWorld 2.1 (binary score) | 33.8 | 27.8 | 17.0 |
| PerceptionBench (with tools) | 80.6 | 78.6 | 62.8 |
| Artificial Analysis Intelligence Index | 36 | 36 | 28 |
Terminal-Bench 4.0, Muse Ember için mini-swe-agent, Haiku 5.5 için Claude Code ve GPT-6 Luna için Codex kullanır. Bunlar aynı yürütme ortamları değildir. OSWorld 2.1 hem kısmi kredi hem de ikili puanlar rapor ederken, PerceptionBench araçları içerir. Artificial Analysis Intelligence Index sonuçları, 9 Kasım 2026’da yayımlanan sürüm 5’ten alınmıştır.
Muse Ember Kıyaslama Analizi
Ajan yürütümü, Muse Ember’ın en güçlü alanıdır.
AutomationBench-AA’da Muse Ember 37.8 puan alırken, Haiku 5.5 13.9 ve GPT-6 Luna 20.2 puan alır. Bu, Muse Ember’ın uçtan uca iş akışları ve tekrarlanan ajan işlemleri için konumlandırılmasını destekler.
Kodlama performansı rekabetçidir, ancak evrensel olarak üstün değildir.
Muse Ember, Terminal-Bench 4.0’da 40.9 ve Coding Agent Index-AA’da 46 puan alır. Ancak FrontierCode 2.0-AA’da 27.2 puanla Haiku 5.5’in 34.9’unun gerisinde kalır. Bu, Muse Ember’ın sınırlı kodlama alt görevleri için faydalı bir aday olduğunu, daha zor mühendislik çalışmalarının ise daha güçlü alternatiflere karşı test edilmesi gerektiğini gösterir.
Çok modlu ve bilgisayar kullanım sonuçları umut vericidir.
Muse Ember, araçlarla PerceptionBench’te 80.6 ve OSWorld 2.1 kısmi kredi puanlamasında 69.5 puan alır. Bu sonuçlar, görsel anlama ve bilgisayar etkileşimi içeren iş akışları için konumlandırılmasını destekler.
Genel zeka, Haiku 5.5 ile karşılaştırılabilirdir.
Muse Ember ve Haiku 5.5, Artificial Analysis Intelligence Index’te 36’ya yuvarlanır ve GPT-6 Luna’nın 28’inin önündedir. Bir seçim kararı için, bu geniş karşılaştırmayı yukarıdaki görev-özel sonuçlarla eşleştirin.
Görev Başına Maliyet Karşısında Muse Ember Zekası

Meta’nın grafiği, farklı muhakeme düzeyi ayarlarında Artificial Analysis Intelligence Index puanlarını görev başına tahmini maliyetle karşılaştırır.
Maksimum muhakeme düzeyinde, Muse Ember Artificial Analysis Intelligence Index’te 35.8 puan alırken tahmini görev başına maliyet $0.136’dır. Haiku 5.5 $0.411 maliyetle 36.2, GPT-6 Luna ise $0.152 maliyetle 27.8 puan alır. Bu kıyaslamada Ember, Haiku’nun puanına yaklaşık üçte bir görev maliyetiyle yaklaşır ve Luna’nın puanını biraz daha düşük bir maliyetle aşar.
Bu tahminler, kıyaslama belirteç tüketimini ve liste fiyatlarını kullanır. Bir sonraki değerlendirme, belirli bir iş akışı için model seçerken araç etkinliğinin neden önemli olduğunu gösterir.
Bağımsız Veri-Analizi Sonuçları
Plotly’nin 10 Kasım 2026 tarihli veri-analizi değerlendirmesi, Plotly Studio Embedded’da sentetik bir rüzgar enerjisi veri kümesine karşı 43 soruyu test etti. Muse Ember, OpenRouter üzerinden çalıştırıldı; raporlanan maliyetler, her model çalıştığında mevcut olan fiyatları kullanır. Bunlar iş yüküne özgü sonuçlardır, Meta’nın yerel API faturalandırma testi değildir.
| Değerlendirme metriği | Muse Ember | GPT-6 Luna | Claude Haiku 5.5 |
|---|---|---|---|
| Geçilen soru | 38/43 | 38/43 | 37/43 |
| Tam test maliyeti | $1.04 | $0.13 | $0.38 |
| Soru başına medyan süre | 28 saniye | 18 saniye | 14 saniye |
Bu veri-analizi iş yükü için, GPT-6 Luna, toplam maliyetin sekizde biriyle Ember ile aynı 38/43 geçiş sayısını sağladı ve daha düşük medyan yanıt süresi sundu. Haiku, soru başına 14 saniye ile en hızlıydı ve 37/43 geçiş elde etti. Benzer maliyet hassasiyetine sahip bir analitik iş akışı için başlangıç adayı olarak Luna daha güçlüdür; Ember’ın düşük belirteç oranı tek başına onu daha ucuz seçenek yapmaz.
Plotly, gizli kalıplar içeren sorularda Muse Ember’ın ortalama 78 sorgu yaptığını, test edilen modeller genelinde medyanın 25 olduğunu buldu. Ek araç etkinliği belirteç tüketimini ve toplam maliyeti artırdı.
Test ayrıca güçlü yönleri de gösterdi: Muse Ember, açıkça tanımlanmış 20 analitik sorunun tamamını, beş belirsiz sorunun tamamını, beş imkansız isteğin tamamını ve üç veri kalitesi kontrolünün tamamını doğru yanıtladı. En çok verideki gizli kalıplarla zorlandı.
Plotly, her modeli bir kez çalıştırdı ve diğer modelleri tekrarladığında üç soruya kadar varyasyon gözlemledi. 38’e karşı 37 geçiş sayısını yakın kabul edin; burada daha net fark, araç kullanımı ve toplam maliyettir.
Muse Ember, Muse Wonder ve Muse Spark Karşılaştırması
Bir Muse modelini, üstleneceği sorumluluğa göre seçin: planlama, ana ajan döngüsü veya tekrarlanan yürütme.
| Boyut | Muse Wonder | Muse Spark 1.3 | Muse Ember |
|---|---|---|---|
| Birincil rol | Sınır zeka muhakemesi ve karmaşık mühendislik | Ana kodlama ve ajan modeli | Yüksek hacimli yürütme |
| Ana güç | Planlama, uzun süreli görevler, karmaşık kodlama | Kodlama ve ajansal iş akışları | Tekrarlayan alt görevler ve araç çağrıları |
| Tipik iş yükü | Depo ölçeğinde mühendislik | Ana ajan yürütmesi | Sınıflandırma, yönlendirme, çıkarım |
| API model kimliği | muse-wonder-1.0 | muse-spark-1.3 | muse-ember-1.0 |
| Bağlam penceresi | 1M belirteç | 1M belirteç | 1M belirteç |
| Varsayılan muhakeme | Max | High | Max |
| Standart girdi fiyatı / 1M | $4.00 | $1.25 | $0.10 |
| Standart çıktı fiyatı / 1M | $20.00 | $4.25 | $0.50 |
Tablo, Meta’nın Standart mod belirteç fiyatlarını kullanır. Buradaki Ember fiyatları, 200K’ye kadar girdi belirteç içeren istekler için geçerlidir; Wonder ve Spark, Ember’ın uzun bağlam primi taşımaz.
Muse Model Seçimi
Zor planlama, depo genelinde mühendislik ve uzun adım dizileri boyunca toparlanma için Wonder’ı seçin. Ana kodlama veya ajan döngüsünü çalıştırmak için Spark’ı seçin. Bağımsız olarak doğrulanabilir çıktıları olan tekrarlanan alt görevler (yönlendirme, çıkarım ve hedefli dosya değişiklikleri gibi) için Ember’ı seçin.
Örneğin, bir depo geçişinde bağımlılık analizini daha büyük bir modele ve dar kapsamlı dosya değişimini Ember’a atayabilirsiniz. Devir teslim, dosyaları, beklenen davranışı ve kabul kontrolünü adlandırmalıdır. Bu iş bölümü, yalnızca daha küçük görevleri koordine etmek ve incelemek, tüm işi ana modelle tamamlamaktan daha az maliyetli olduğunda faydalıdır.
Aralarında seçim yapmak için, aynı temsilci görevleri, aynı kabul kontrolleriyle adaylarınız üzerinden çalıştırın. Önce gerekli başarı oranı veya gecikme hedefinizi kaçıran yapılandırmaları eleyin. Geçenler arasında, yeniden denemeler ve araç çağrıları dahil olmak üzere kabul edilen sonuç başına toplam harcamayı karşılaştırın. Ember’a, bu maliyeti düşürdüğü görev türlerini atayın ve çözülmeyen vakaları Spark veya Wonder’a geri yönlendirin.
Muse Ember’ın Maliyeti Ne Kadar?
Tablo, Meta’nın resmi tarifelerini CometAPI için %20 indirimli tahminle eşleştirir; bir milyon belirteç başına USD cinsindendir. Her hücre Meta / indirimli tahmin gösterir. CometAPI listesinin henüz canlı bir tarife yayımlamadığını unutmayın; bütçe planlaması için indirimli rakamları kullanın.
| 1M belirteç başına kullanım (Meta / %20 indirimli tahmin) | 200K girdi belirtecine kadar | 200K girdi belirteci üzeri |
|---|---|---|
| Girdi | $0.10 / $0.08 | $0.30 / $0.24 |
| Önbelleğe alınmış girdi | $0.004 / $0.0032 | $0.012 / $0.0096 |
| Çıktı | $0.50 / $0.40 | $1.50 / $1.20 |
İsteğin toplam girdi belirteçleri (önbelleğe alınmış girdi dahil) katmanı belirler. 200K girdi belirtecinin üzerindeki bir istek, çıktısı dahil olmak üzere tüm istek için daha yüksek oranları kullanır. Meta’nın previous_response_id’siyle depolanan konuşma geçmişi, bu girdi toplamına dahil edilir.
Tipik Muse Ember İstek Maliyetleri
Önbelleksiz girdi ve muhakeme dahil faturalandırılan 20K çıktı belirteciyle, 200K girdili bir istek Meta’nın oranlarında $0.0300, %20 indirimli senaryoda $0.0240 tutar. Girdiyi 220K’ya çıkarmak tüm isteği daha yüksek katmana taşır: aynı 20K çıktıyla toplam Meta’nın oranlarında $0.0960, indirimle tahmini $0.0768 olur. Bu örnekler ayrı araç ücretlerini içermez. İlgili bağlamı daha düşük katmanda tutmak, tek başına %20 indirimden daha fazla tasarruf sağlayabilir.
| Senaryo | Girdi belirteç | Faturalı çıktı belirteç | Meta maliyet | CometAPI maliyeti |
|---|---|---|---|---|
| Standart istek | 200K | 20K | $0.0300 | $0.0240 |
| Uzun bağlam isteği | 220K | 20K | $0.0960 | $0.0768 |
Muhakeme belirteçleri faturalandırılan çıktı olarak sayılır. Meta’nın yerel API’si için web araması temellendirme 1.000 sorgu başına ek $2.50 tutar ve Ember’ın Contributor modu varyantı yoktur. Yukarıdaki belirteç fiyat karşılaştırması, ayrı araç ücretlerine %20 indirim uygulamaz.
Muse Ember’a Nasıl Erişilir
CometAPI listesi: model sayfası modeli muse-ember olarak tanımlar, ancak kataloğu 16 Kasım 2026 itibarıyla Coming soon durumundadır. Etkinleştirme ve fiyatlandırma için bu sayfayı takip edin; hemen erişim için Meta Model API veya Muse Code’u kullanın.
Meta Model API üzerinden: muse-ember-1.0 ve https://api.meta.ai/v1 kullanın. Yerel API, Responses, Chat Completions ve Messages biçimlerini destekler. Dosya girdileri Responses kullanır. İstemcinizi yapılandırırken her sağlayıcının uç noktasını ve model tanımlayıcısını birlikte tutun.
Yerel API sınırları ve diğer erişim: Meta, takım başına dakikada 3.000 istek ve dakikada 4.000.000 belirteç listeler; model kotası, takımın API anahtarları arasında paylaşılır. Muse Ember ayrıca Muse Code’da mevcuttur. Bir partiyi boyutlandırırken seçtiğiniz yolun sınırlarını kontrol edin ve yerel API kurulumu için Meta’nın entegrasyon kılavuzunu kullanın.
Muse Ember’ın Sınırlamaları Nelerdir?
Muse Ember’ın bir sonraki iş akışınız için uygun olup olmadığını üç faktör belirler:
- Karmaşık mühendislik iş yüküne bağlı kalır. Ember, Terminal-Bench sonucuna rağmen FrontierCode 2.0-AA’da Haiku 5.5’in gerisinde kalır. Dar bir kodlama galibiyeti, her depo ölçekli değişiklik için uygunluğu kanıtlamaz.
- Uzun bağlam ve düşük belirteç fiyatları, düşük görev maliyetini garanti etmez. Büyük istekler daha yüksek fiyat katmanına geçer ve tekrarlanan araç kullanımı, düşük belirteç oranını gölgede bırakacak kadar belirteç tüketebilir.
- Araç desteği yine bir uygulama gerektirir. Çevredeki sistem çağrıları yürütür, izinleri kontrol eder ve sonuçları doğrular. Bir modelin eylem talep edebilmesi tek başına güvenilir bir iş akışı sağlamaz.
Sonuç
Kabul kriterlerinin ölçülebilecek kadar net olduğu yerlerde Ember’ı devreye alın. Faydalı bir ilk kullanım, etiketli biletleri yönlendirme veya gözden geçirilmiş belgelerden alan çıkarma gibi zaten bilinen bir sonuca sahip yüksek hacimli bir adımdır. Rolünü genişletmeden önce başarılı görev başına maliyeti, hata oranlarını ve gecikmeyi mevcut modelinizle karşılaştırın. Bu kanıt, Ember’ın iş akışınızın maliyetini gerekli kaliteyi korurken düşürüp düşürmediğini gösterecektir.
SSS
Muse Ember çıkarım sonuçlarını nasıl doğrulamalısınız?
Eksik alanlar, okunamayan taramalar ve çelişen değerler dahil olmak üzere insan tarafından kontrol edilmiş yanıtları olan bir belge başvuru seti oluşturun. Her geçerli JSON yanıtını başarı saymak yerine doğruluğu alan bazında ölçün. Her çıkarılan değerin, atıf yapılan kaynak pasajıyla desteklenip desteklenmediğini kontrol edin ve uyumsuzlukları incelemeye gönderin. Bu, biçimsel güvenilirliği olgusal güvenilirlikten ayırır.
Bir Muse Ember alt görevi ne zaman ana ajana geri dönmelidir?
Yürütmeden önce yükseltme koşullarını tanımlayın: Gerekli bir dosya atanan kapsamın dışındadır, kaynaklar çelişmektedir, bir kabul kontrolü tekrar tekrar başarısız olur veya görev çalışanın yetkilendirildiği kararın ötesinde bir karar gerektirir. Kanıtları, denenen adımları ve çözülemeyen soruyu ana ajana geri döndürün. Net bir devir teslim, çalışanın görevini süresiz genişletmesine izin vermekten daha faydalıdır.
Muse Ember’ı üretimde test ederken neyi kaydetmelisiniz?
Sağlayıcı ve model tanımlayıcısını, muhakeme ayarını, girdi ve faturalandırılan çıktı belirteçlerini, önbelleğe alınmış belirteçleri, araç çağrısı sayısını, yeniden denemeleri, gecikmeyi ve nihai kabul sonucunu kaydedin. Kabul doğrulamasını kullanım kaydının yanında tutun ki kabul edilen görev başına maliyeti hesaplayabilesiniz. Benzer görev türlerini ayrı ayrı karşılaştırın; yönlendirme, kodlama ve uzun belge çalışmaları genelindeki bir ortalama, modelin nerede yardımcı olduğunu veya maliyet eklediğini gizleyebilir.
Bir Muse Ember iş akışında yinelenen eylemleri nasıl önleyebilirsiniz?
Uygulamayı eylem kimliğinden ve tamamlanma durumundan sorumlu yapın. Bir bilet oluşturma gibi bir işlem için kararlı bir işlem anahtarı atayın, zaten tamamlanıp tamamlanmadığını kontrol edin ve mevcut olduğunda hedef API’nin idempotency desteğini kullanın. Zaman aşımından sonra yeniden denemeden önce işlemin durumunu inceleyin. Bu tasarım, belirsiz bir yanıtı, özgün eylemin hiç gerçekleşmediğine dair kanıt olarak ele almaktan kaçınır.
