Yapay Zeka ile Kodlama Yapanlar İçin Tavsiyeler

Yapay zeka destekli kodlamada uzmanlaşmak, sadece “yazılım bilmek” değil, aynı zamanda bir “yapay zeka operatörü” gibi düşünmeyi gerektirir. Reddit’te agenticlab1 adlı kullanıcının paylaştığı 2025 yılında LLM’lerle 2000 saat kodlama yaptım. İşte en sevdiğim Claude Code kullanım kalıpları
gönderesini örneklerle yeniden düzenlendi.

1. Hata Günlüğü Sistemi (Error Logging)

AI bir hata yaptığında genellikle hemen “burayı düzelt” deriz. Oysa bu sistem, hatanın kök nedenini bulmanızı sağlar.

Gerçek Hayat Örneği: AI sürekli olarak veritabanı bağlantı kodunda hata yapıyor olsun.
Uygulama: Bir not defteri veya tablo tutun.
AI Hatası: db_connection değişkenini tanımlamadan kullanıyor.
Tetikleyici İstem (Prompt): “Veritabanına bağlan ve verileri çek.”
Hata Analizi: AI’ya ortam değişkenlerini (env variables) içeren dosyayı okutmadım.
Ders: Bir sonraki istemde mutlaka “Bağlam olarak .env dosyasını referans al” demeliyim.
Sonuç: Bir hafta sonra hangi konularda eksik talimat verdiğinizi istatistiksel olarak görürsünüz.

Bunlar, saatlerce sürecek işleri saniyelere indiren “makrolar” gibidir.

Örnek Komut: /test-yaz
Arka Plandaki İşleyiş: Bu komutu çalıştırdığınızda AI şu gizli talimatı alır: “Seçili fonksiyonun kenar durumlarını (edge cases) analiz et, Jest kütüphanesi kullanarak %100 kapsayıcı test kodu yaz ve bunları __tests__ klasörüne kaydet.”
Fayda: Her seferinde AI’ya hangi test kütüphanesini kullandığınızı veya testleri nereye koyacağını anlatmak zorunda kalmazsınız.

AI’ya tam yetki (dangerously-skip-permissions) vermek işi hızlandırır ama risklidir. “Hook”lar burada birer emniyet kemeri görevi görür.

Örnek Senaryo: AI’nın projedeki tüm dosyaları okuma ve silme yetkisi var.
Hook Uygulaması: Sisteme şu kuralı koyarsınız: “Eğer AI aynı anda 5’ten fazla dosyayı silmeye çalışırsa, işlemi durdur ve benden manuel onay iste.”
Fayda: AI’nın bir “halüsinasyon” görüp tüm src klasörünü temizlemesini engellerken, küçük dosya güncellemelerinde sizi soru yağmuruna tutmamasını sağlarsınız.

LLM’lerin “ortada kaybolma” (lost in the middle) sorunu şudur: Uzun bir konuşmada AI, başı ve sonu hatırlar ama ortadaki kritik detayları unutur.

Örnek: 500 satırlık bir kod dosyanız var ve 10 saattir aynı sohbet penceresindesiniz.
Uygulama: Konuşma çok uzadığında “Autocompact” (otomatik sıkıştırma) özelliğini kapatın. Bunun yerine manuel olarak şunu yapın: “Şu ana kadar yaptığımız UI değişikliklerini unut, sadece backend veri yapısına odaklanalım.”
Double-Escape Time Travel: Hatalı bir yola girdiğinizde sohbeti silmek yerine, AI’nın “temiz” olduğu (saçmalamaya başlamadığı) bir önceki konuşma noktasına geri dönüp oradan yeni bir dal (branch) başlatın.

Bu, bir genel müdürün (Orchestrator) farklı uzmanlara (Subagents) iş dağıtmasıdır.

Örnek: Çok karmaşık bir ödeme sistemi yazıyorsunuz.
İş Akışı:
1. Ana Ajan (Sonnet): “Ben yapıyı kuracağım.”
2. Alt Ajan 1 (Opus - Mantık Uzmanı): “Sen algoritmaları ve güvenlik açıklarını kontrol et.”
3. Alt Ajan 2 (Haiku - Hız Uzmanı): “Sen de bu kodun dökümantasyonunu yaz.”

Neden: Tek bir model her şeyi aynı anda mükemmel yapamaz. Görevleri uzmanlıklarına göre dağıtmak hata payını sıfıra yaklaştırır.

Klavye ile yazmak, düşünce hızınızın gerisinde kalır ve detayları atlamanıza neden olur.

Uygulama:
1. Sesli Not: (Telefonunuza konuşun) “Ya şimdi bir ürün listeleme sayfası istiyorum ama ürünler kart şeklinde olsun, üzerine gelince parlasın, bir de sepete ekle butonu sağ alt köşede kırmızı çıksın.”
2. Reprompter AI: Sizin bu dağınık cümlenizi alır ve yapılandırılmış bir XML formatına sokar:
```xml

Product Listing Page Hover effects, Card layout Position: Bottom-right, Color: Red

```