<\/p>\n
Yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7leri h\u0131zland\u0131k\u00e7a, kod kalitesini korumak ve geli\u015ftirmek giderek daha b\u00fcy\u00fck bir zorluk haline geliyor. Geleneksel manuel kod incelemeleri genellikle zaman al\u0131c\u0131, yorucu ve insan hatas\u0131na a\u00e7\u0131k olabilir. Peki, geli\u015ftirme hatt\u0131n\u0131z\u0131 yapay zeka destekli kod incelemeleriyle s\u00fcper \u015farj etmeye ve GitHub Actions ile kusursuz bir \u015fekilde entegre etmeye ne dersiniz? Bu makale, geli\u015ftirme s\u00fcre\u00e7lerinizi otomatikle\u015ftirmek, kod kalitesini art\u0131rmak ve ekibinizin verimlili\u011fini maksimize etmek i\u00e7in ad\u0131m ad\u0131m bir rehber sunuyor.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn rekabet\u00e7i yaz\u0131l\u0131m d\u00fcnyas\u0131nda, h\u0131zl\u0131 ve hatas\u0131z kod teslimat\u0131 kritik bir \u00f6nem ta\u015f\u0131maktad\u0131r. Ancak her yaz\u0131l\u0131m projesinin kalbinde yer alan kod inceleme s\u00fcreci, \u00e7o\u011fu zaman bir darbo\u011faz olu\u015fturabilir. Geli\u015ftiriciler, \u00fczerinde saatlerce \u00e7al\u0131\u015ft\u0131klar\u0131 kodlar\u0131 inceleme i\u00e7in g\u00f6nderdi\u011finde, geri bildirim almak i\u00e7in bazen g\u00fcnler beklemek zorunda kalabilirler. Bu bekleme s\u00fcresi, geli\u015ftirme d\u00f6ng\u00fclerini uzat\u0131r, “ba\u011flam de\u011fi\u015ftirme” maliyetini art\u0131r\u0131r ve dolay\u0131s\u0131yla genel verimlili\u011fi d\u00fc\u015f\u00fcr\u00fcr. \u00dcstelik manuel incelemeler, insan\u0131n do\u011fas\u0131 gere\u011fi \u00f6znel olabilir ve yorgunluk, dikkat da\u011f\u0131n\u0131kl\u0131\u011f\u0131 gibi fakt\u00f6rler nedeniyle \u00f6nemli hatalar\u0131n g\u00f6zden ka\u00e7mas\u0131na neden olabilir.<\/p>\n
\u0130\u015fte tam bu noktada, yapay zeka destekli kod incelemeleri devreye giriyor ve geleneksel yakla\u015f\u0131mlar\u0131n s\u0131n\u0131rl\u0131l\u0131klar\u0131n\u0131 a\u015fmam\u0131za olanak tan\u0131yor. Yapay zeka (YZ) ve makine \u00f6\u011frenimi (ML) algoritmalar\u0131 sayesinde, kodunuzu saniyeler i\u00e7inde analiz edebilir, potansiyel hatalar\u0131, g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131, performans sorunlar\u0131n\u0131 ve hatta stil tutars\u0131zl\u0131klar\u0131n\u0131 tespit edebilirsiniz. Bu otomatikle\u015fmi\u015f incelemeler, insan incelemecilerinin y\u00fck\u00fcn\u00fc hafifletmekle kalmaz, ayn\u0131 zamanda geri bildirim d\u00f6ng\u00fcs\u00fcn\u00fc inan\u0131lmaz derecede h\u0131zland\u0131r\u0131r. Geli\u015ftiriciler, kodlar\u0131n\u0131 hen\u00fcz bir insana g\u00f6ndermeden \u00f6nce bile ilk geri bildirimlerini alabilir, b\u00f6ylece potansiyel sorunlar\u0131 \u00e7ok daha erken a\u015famalarda d\u00fczeltebilirler. Bu yakla\u015f\u0131m, sadece hata d\u00fczeltme maliyetini d\u00fc\u015f\u00fcrmekle kalmaz, ayn\u0131 zamanda daha temiz, daha g\u00fcvenli ve daha s\u00fcrd\u00fcr\u00fclebilir bir kod taban\u0131 olu\u015fturulmas\u0131na da katk\u0131da bulunur. K\u0131sacas\u0131, YZ destekli kod incelemeleri, modern yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerinin vazge\u00e7ilmez bir par\u00e7as\u0131 haline gelmekte ve ekiplerin daha az \u00e7aba harcayarak daha y\u00fcksek kalitede \u00fcr\u00fcnler ortaya koymas\u0131na olanak tan\u0131maktad\u0131r. Bu yenilik\u00e7i yakla\u015f\u0131m\u0131 GitHub Actions gibi g\u00fc\u00e7l\u00fc bir CI\/CD platformu ile birle\u015ftirdi\u011fimizde ise ortaya ger\u00e7ek bir otomasyon \u015fampiyonu \u00e7\u0131k\u0131yor.<\/p>\n
Yapay zeka destekli kod incelemelerini GitHub Actions ile entegre etmeye ba\u015flamadan \u00f6nce, bu iki temel teknolojinin ne anlama geldi\u011fini ve neden bu kadar g\u00fc\u00e7l\u00fc bir ikili olu\u015fturduklar\u0131n\u0131 anlamak \u00f6nemlidir.<\/p>\n
Yapay zeka destekli kod incelemesi, makine \u00f6\u011frenimi ve do\u011fal dil i\u015fleme (NLP) tekniklerini kullanarak yaz\u0131l\u0131m kodunuzu otomatik olarak analiz eden bir s\u00fcre\u00e7tir. Bu ara\u00e7lar, geli\u015ftiricilerin yazd\u0131\u011f\u0131 kodu, belirlenmi\u015f kurallar, en iyi uygulamalar, \u00f6nceden \u00f6\u011frenilmi\u015f hata kal\u0131plar\u0131 ve g\u00fcvenlik a\u00e7\u0131klar\u0131 veritabanlar\u0131 ile kar\u015f\u0131la\u015ft\u0131r\u0131r. Temel amac\u0131, insan incelemesinin gerektirdi\u011fi zaman\u0131 ve \u00e7abay\u0131 azalt\u0131rken, kod kalitesini ve g\u00fcvenli\u011fini art\u0131rmakt\u0131r. Bir otomatik g\u00f6z kula\u011f\u0131 gibi, yeni yaz\u0131lan veya de\u011fi\u015ftirilen kodlardaki potansiyel sorunlar\u0131 an\u0131nda tespit eder ve geli\u015ftiriciye geri bildirim sunar.<\/p>\n
Bu t\u00fcr ara\u00e7lar, geni\u015f bir yelpazedeki sorunlar\u0131 belirleyebilir: \u00d6rne\u011fin, klasik statik kod analizinden daha fazlas\u0131n\u0131 sunarak, kodun mant\u0131ksal tutars\u0131zl\u0131klar\u0131n\u0131, performans\u0131 olumsuz etkileyebilecek yap\u0131lar\u0131 veya zor fark edilen g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 bulabilirler. Ayr\u0131ca, kod stilini ve bi\u00e7imlendirme kurallar\u0131n\u0131 da denetleyerek kod taban\u0131nda tutarl\u0131l\u0131\u011f\u0131 sa\u011flamaya yard\u0131mc\u0131 olurlar. \u00d6rne\u011fin, “e\u011fer bu de\u011fi\u015fken tan\u0131mland\u0131 ama kullan\u0131lmad\u0131ysa, bu bir hata olabilir” ya da “bu SQL sorgusu potansiyel bir enjeksiyon zafiyeti i\u00e7erebilir” gibi tespitleri otomatik olarak yapabilirler. Bu sayede, geli\u015ftiriciler tekrarlayan ve standartla\u015ft\u0131r\u0131lm\u0131\u015f kontrollerle vakit kaybetmek yerine, daha karma\u015f\u0131k mimari ve i\u015f mant\u0131\u011f\u0131 konular\u0131na odaklanabilirler. Bu teknolojinin sundu\u011fu h\u0131z ve tutarl\u0131l\u0131k, yaz\u0131l\u0131m geli\u015ftirme ekipleri i\u00e7in ger\u00e7ek bir oyun de\u011fi\u015ftiricidir, \u00e7\u00fcnk\u00fc erken a\u015famada tespit edilen her hata, daha sonraki a\u015famalarda d\u00fczeltmekten \u00e7ok daha ucuzdur.<\/p>\n
GitHub Actions, GitHub deposunda bar\u0131nd\u0131r\u0131lan kod taban\u0131n\u0131zla do\u011frudan entegre olan, bir s\u00fcrekli entegrasyon (CI) ve s\u00fcrekli teslimat (CD) platformudur. Basit\u00e7e ifade etmek gerekirse, GitHub Actions, belirli bir olaya (\u00f6rne\u011fin, bir kod g\u00f6nderme, bir pull iste\u011fi olu\u015fturma veya bir s\u00fcr\u00fcm yay\u0131nlama) yan\u0131t olarak otomatik i\u015f ak\u0131\u015flar\u0131 (workflows) \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131r. Bu i\u015f ak\u0131\u015flar\u0131, kodunuzu derlemek, test etmek, da\u011f\u0131tmak veya yukar\u0131da bahsetti\u011fimiz gibi kod incelemesi yapmak gibi \u00e7e\u015fitli g\u00f6revleri yerine getirebilir.<\/p>\n
GitHub Actions’\u0131n g\u00fcc\u00fc, esnekli\u011finde ve geni\u015f ekosisteminde yatmaktad\u0131r. Her bir i\u015f ak\u0131\u015f\u0131, YAML dosyalar\u0131 arac\u0131l\u0131\u011f\u0131yla tan\u0131mlan\u0131r ve bir veya daha fazla “i\u015f” (job) i\u00e7erir. Her i\u015f ise bir dizi “ad\u0131m” (step) i\u00e7erir. Bu ad\u0131mlar, komutlar\u0131 \u00e7al\u0131\u015ft\u0131rmak, betikler y\u00fcr\u00fctmek veya \u00f6nceden tan\u0131mlanm\u0131\u015f “eylemleri” (actions) kullanmak anlam\u0131na gelebilir. Eylemler, GitHub toplulu\u011fu taraf\u0131ndan geli\u015ftirilen ve yeniden kullan\u0131labilir g\u00f6revler sa\u011flayan k\u00fc\u00e7\u00fck uygulamalard\u0131r. \u00d6rne\u011fin, projenizi belirli bir Node.js s\u00fcr\u00fcm\u00fcyle kurmak i\u00e7in bir eylem, testleri \u00e7al\u0131\u015ft\u0131rmak i\u00e7in ba\u015fka bir eylem ve sonu\u00e7lar\u0131 raporlamak i\u00e7in \u00fc\u00e7\u00fcnc\u00fc bir eylem kullanabilirsiniz. Kendi \u00f6zel betiklerinizi yazmak yerine bu eylemleri kullanmak, i\u015f ak\u0131\u015flar\u0131n\u0131z\u0131 daha h\u0131zl\u0131 ve daha okunabilir hale getirir. GitHub Actions, bu y\u00f6nleriyle adeta otomasyon d\u00fcnyas\u0131n\u0131n bir orkestra \u015fefi gibi \u00e7al\u0131\u015f\u0131r; her geli\u015ftirme ad\u0131m\u0131n\u0131 koordine eder ve s\u00fcrecin p\u00fcr\u00fczs\u00fcz ve hatas\u0131z ilerlemesini sa\u011flar. Bu platform, modern DevOps uygulamalar\u0131n\u0131n temel direklerinden biridir ve geli\u015ftirme s\u00fcre\u00e7lerinizi tamamen otomatikle\u015ftirme potansiyeli sunar.<\/p>\n
Yapay zeka destekli kod incelemelerini GitHub Actions ile entegre etmek, modern yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7leri i\u00e7in sadece bir l\u00fcks de\u011fil, ayn\u0131 zamanda stratejik bir zorunluluk haline gelmi\u015ftir. Bu entegrasyon, bir dizi \u00f6nemli avantaj sunarak geli\u015ftirme ekibinin verimlili\u011fini, kod kalitesini ve genel geli\u015ftirme h\u0131z\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. Bu iki g\u00fc\u00e7l\u00fc teknolojinin birle\u015fimi, geli\u015ftirme d\u00f6ng\u00fcs\u00fcndeki darbo\u011fazlar\u0131 ortadan kald\u0131r\u0131r ve ekiplerin daha ak\u0131ll\u0131ca \u00e7al\u0131\u015fmas\u0131na olanak tan\u0131r.<\/p>\n
\u00d6ncelikle, bu entegrasyon h\u0131zl\u0131 geri bildirim d\u00f6ng\u00fcleri<\/strong> sa\u011flar. Bir geli\u015ftirici bir pull request (PR) a\u00e7t\u0131\u011f\u0131nda veya bir koda push yapt\u0131\u011f\u0131nda, GitHub Actions an\u0131nda tetiklenir ve yap\u0131land\u0131r\u0131lm\u0131\u015f yapay zeka destekli kod inceleme arac\u0131n\u0131 \u00e7al\u0131\u015ft\u0131r\u0131r. Bu, potansiyel sorunlar\u0131n dakikalar i\u00e7inde tespit edilip geli\u015ftiriciye bildirilmesi anlam\u0131na gelir; insan incelemesi i\u00e7in beklemeye gerek kalmaz. Bu erken geri bildirim, hatalar\u0131n daha az karma\u015f\u0131k ve daha ucuz oldu\u011fu geli\u015ftirme a\u015famas\u0131nda d\u00fczeltilmesine olanak tan\u0131r. \u00d6rne\u011fin, bir ekip manuel incelemeler nedeniyle PR’lar\u0131n ortalama \u00fc\u00e7 g\u00fcn bekledi\u011fi bir s\u00fcre\u00e7 ya\u015f\u0131yorsa, YZ entegrasyonu bu s\u00fcreyi otuz dakikaya indirebilir. Bu sadece zaman kazand\u0131rmakla kalmaz, ayn\u0131 zamanda geli\u015ftiricinin “ba\u011flam de\u011fi\u015ftirme” maliyetini de minimize eder, \u00e7\u00fcnk\u00fc kodunu yazd\u0131\u011f\u0131 anda geri bildirim al\u0131r.<\/p>\n \u0130kinci olarak, tutarl\u0131 kod kalitesi ve g\u00fcvenlik<\/strong> temin edilir. YZ ara\u00e7lar\u0131, yorgunluk, dikkat da\u011f\u0131n\u0131kl\u0131\u011f\u0131 veya \u00f6znel yorumlamalardan etkilenmezler. Her kod de\u011fi\u015fikli\u011fini ayn\u0131 titizlik ve ayn\u0131 kurallar setiyle inceleyerek, kod taban\u0131nda tutarl\u0131 bir kalite standard\u0131 olu\u015ftururlar. Bu, kod stilinden g\u00fcvenlik a\u00e7\u0131klar\u0131na kadar her alanda ge\u00e7erlidir. \u00d6zellikle g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131n erken tespiti, b\u00fcy\u00fck \u00f6l\u00e7ekli projeler i\u00e7in hayati \u00f6nem ta\u015f\u0131r. YZ, bilinen zafiyet kal\u0131plar\u0131n\u0131 veya potansiyel riskleri h\u0131zla belirleyerek, yaz\u0131l\u0131m\u0131n daha g\u00fcvenli olmas\u0131na katk\u0131da bulunur.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc olarak, bu entegrasyon insan incelemecilerin y\u00fck\u00fcn\u00fc azalt\u0131r<\/strong> ve onlar\u0131n daha karma\u015f\u0131k g\u00f6revlere odaklanmas\u0131n\u0131 sa\u011flar. Yapay zeka, rutin, tekrar eden ve standartla\u015ft\u0131r\u0131lm\u0131\u015f hatalar\u0131 tespit edip d\u00fczelttik\u00e7e, insan incelemecilerin temel i\u015f mant\u0131\u011f\u0131, mimari kararlar, tasar\u0131m desenleri veya stratejik kod yap\u0131s\u0131 gibi daha \u00fcst d\u00fczey konulara odaklanacak zaman\u0131 ve enerjisi olur. Bu, ekibin genel bilgi birikimini ve inovasyon yetene\u011fini art\u0131r\u0131r. Bir vaka analizi olarak, uluslararas\u0131 bir fintech \u015firketi d\u00fc\u015f\u00fcnelim: Geli\u015ftiricileri her g\u00fcn y\u00fczlerce sat\u0131r kod yaz\u0131yor ve her PR, ortalama 1000 sat\u0131r kod i\u00e7eriyor. Bu hacimli kodlar, manuel olarak incelendi\u011finde hem ciddi zaman kayb\u0131na yol a\u00e7\u0131yor hem de g\u00f6zden ka\u00e7an g\u00fcvenlik a\u00e7\u0131klar\u0131 nedeniyle potansiyel finansal riskler olu\u015fturuyordu. YZ destekli kod incelemesi entegrasyonu sayesinde, rutin g\u00fcvenlik kontrolleri ve kod stili denetimleri otomatize edildi. B\u00f6ylece, manuel incelemeciler art\u0131k sadece karma\u015f\u0131k i\u015f mant\u0131\u011f\u0131 hatalar\u0131na ve mimari uyumlulu\u011fa odaklanabiliyor, bu da g\u00fcvenlik insidentlerinde %40 azalma ve PR birle\u015ftirme s\u00fcrelerinde %50 iyile\u015fme sa\u011fl\u0131yor. Bu sayede ekip, sadece daha h\u0131zl\u0131 de\u011fil, ayn\u0131 zamanda daha g\u00fcvenli ve kaliteli kod \u00fcretmeye odaklanabiliyor.<\/p>\n Yapay zeka destekli kod incelemelerini GitHub Actions i\u015f ak\u0131\u015flar\u0131n\u0131za entegre etmek, d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcn\u00fczden daha kolayd\u0131r. Bu b\u00f6l\u00fcm, s\u00fcreci ad\u0131m ad\u0131m a\u00e7\u0131klayacak ve kendi projeniz i\u00e7in bu g\u00fc\u00e7l\u00fc otomasyonu nas\u0131l kuraca\u011f\u0131n\u0131z\u0131 g\u00f6sterecektir.<\/p>\n Piyasada bir\u00e7ok YZ destekli kod inceleme arac\u0131 bulunmaktad\u0131r ve her birinin kendine \u00f6zg\u00fc g\u00fc\u00e7l\u00fc y\u00f6nleri vard\u0131r. Se\u00e7iminiz, projenizin dili, b\u00fct\u00e7eniz, ihtiya\u00e7 duydu\u011funuz analiz derinli\u011fi ve g\u00fcvenlik gereksinimlerinize ba\u011fl\u0131 olacakt\u0131r:<\/p>\n Bir ara\u00e7 se\u00e7erken, projenizin ihtiya\u00e7lar\u0131n\u0131 ve entegrasyon kolayl\u0131\u011f\u0131n\u0131 g\u00f6z \u00f6n\u00fcnde bulundurun. \u00d6rne\u011fin, genel kod kalitesi ve g\u00fcvenli\u011fi i\u00e7in SonarCloud harika bir ba\u015flang\u0131\u00e7 noktas\u0131 olabilirken, derinlemesine g\u00fcvenlik analizi i\u00e7in Snyk daha uygun olabilir.<\/p>\n Entegrasyon i\u00e7in ilk ad\u0131m, GitHub deponuzda bir \u00e7al\u0131\u015fma alan\u0131 olu\u015fturmakt\u0131r. GitHub Actions, deponuzun Baz\u0131 YZ ara\u00e7lar\u0131 (\u00f6zellikle \u00fccretli veya harici API kullananlar) i\u00e7in API anahtarlar\u0131 veya belirte\u00e7leri (token) gerekecektir. Bu hassas bilgileri do\u011frudan i\u015f ak\u0131\u015f\u0131 dosyalar\u0131n\u0131za yazmak yerine, GitHub Secrets olarak saklaman\u0131z en iyi uygulamad\u0131r. GitHub Secrets, hassas verileri g\u00fcvende tutman\u0131za olanak tan\u0131yan \u015fifrelenmi\u015f depolard\u0131r. \u015eunlar\u0131 yap\u0131n:<\/p>\n \u015eimdi <\/code><\/p>\n Bu YAML dosyas\u0131 \u015funlar\u0131 yapar:<\/p>\n Bu i\u015f ak\u0131\u015f\u0131, her pull request veya belirli dal push'unda otomatik olarak \u00e7al\u0131\u015facak ve kodunuzu SonarCloud'da analiz edecektir. Sonu\u00e7lar SonarCloud aray\u00fcz\u00fcnde g\u00f6r\u00fcnt\u00fclenecek ve pull request'inize geri bildirim olarak eklenecektir (e\u011fer SonarCloud'u GitHub ile entegre ettiyseniz).<\/p>\n Yapay zeka destekli kod incelemelerini GitHub Actions ile entegre etmenin temel ad\u0131mlar\u0131n\u0131 anlad\u0131ktan sonra, \u015fimdi daha detayl\u0131 senaryolara ve geli\u015fmi\u015f kullan\u0131m tekniklerine ge\u00e7ebiliriz. Bu b\u00f6l\u00fcmde, geri bildirim mekanizmalar\u0131n\u0131 nas\u0131l daha etkili hale getirece\u011finizi, g\u00fcvenlik ve performans odakl\u0131 incelemeleri nas\u0131l entegre edece\u011finizi ve hatta \u00f6zelle\u015ftirilmi\u015f yapay zeka modelleriyle derinlemesine analizler nas\u0131l yapabilece\u011finizi inceleyece\u011fiz.<\/p>\n Bir YZ arac\u0131n\u0131n kodunuzdaki sorunlar\u0131 tespit etmesi harikad\u0131r, ancak bu sorunlar\u0131n do\u011frudan geli\u015ftiricinin \u00e7al\u0131\u015ft\u0131\u011f\u0131 ortamda, yani Pull Request (PR) sayfas\u0131nda g\u00f6r\u00fcnmesi, geri bildirim d\u00f6ng\u00fcs\u00fcn\u00fc \u00e7ok daha verimli hale getirir. \u00c7o\u011fu modern YZ kod inceleme arac\u0131, GitHub ile do\u011frudan entegrasyon sunar ve analiz sonu\u00e7lar\u0131n\u0131 PR yorumlar\u0131 olarak veya GitHub'\u0131n Checks API'si arac\u0131l\u0131\u011f\u0131yla otomatik olarak yay\u0131nlayabilir. Bu, geli\u015ftiricinin ba\u015fka bir araca ge\u00e7meden sorunlar\u0131 g\u00f6rmesini ve h\u0131zla d\u00fczeltmesini sa\u011flar.<\/p>\n \u00d6rne\u011fin, SonarCloud, GitHub Apps entegrasyonu sayesinde bu yetene\u011fi do\u011frudan sunar. Bir pull request'te yeni bir \"code smell\" veya hata tespit edildi\u011finde, SonarCloud otomatik olarak ilgili kod sat\u0131r\u0131na bir yorum b\u0131rak\u0131r. Ancak, baz\u0131 \u00f6zel YZ ara\u00e7lar\u0131 veya kendi geli\u015ftirdi\u011finiz botlar i\u00e7in bu entegrasyonu manuel olarak yapman\u0131z gerekebilir. GitHub CLI veya GitHub API'yi kullanan \u00f6zel bir GitHub Action olu\u015fturarak bunu ba\u015farabilirsiniz.<\/p>\n <\/code><\/p>\n Bu \u00f6rnek, \u00f6zel bir yapay zeka beti\u011fi \u00e7al\u0131\u015ft\u0131r\u0131r ve \u00e7\u0131kt\u0131s\u0131n\u0131 bir PR yorumu olarak yay\u0131nlar. Kendi beti\u011finizi Yapay zeka, sadece genel kod kalitesi i\u00e7in de\u011fil, ayn\u0131 zamanda \u00e7ok \u00f6zel alanlarda da derinlemesine incelemeler sunabilir: g\u00fcvenlik ve performans. GitHub Actions i\u015f ak\u0131\u015flar\u0131n\u0131za bu \u00f6zel kontrolleri entegre ederek, projenizin daha g\u00fcvenli ve daha h\u0131zl\u0131 olmas\u0131n\u0131 sa\u011flayabilirsiniz.<\/p>\n En ileri d\u00fczey entegrasyonlardan biri, B\u00fcy\u00fck Dil Modelleri (LLM'ler) gibi \u00f6zelle\u015ftirilmi\u015f yapay zeka modellerini kullanarak, statik analiz ara\u00e7lar\u0131n\u0131n \u00f6tesine ge\u00e7en, daha n\u00fcansl\u0131 kod incelemeleri yapmakt\u0131r. Bu, kodun sadece syntax veya bilinen zafiyetleri de\u011fil, ayn\u0131 zamanda tasar\u0131m prensiplerine uygunlu\u011fu, okunabilirli\u011fi, s\u00fcrd\u00fcr\u00fclebilirli\u011fi ve hatta i\u015f mant\u0131\u011f\u0131na uygunlu\u011fu gibi konular\u0131 da de\u011ferlendirmesini sa\u011flayabilir.<\/p>\n Bu yakla\u015f\u0131m, \u00f6zel bir betik yazmay\u0131 ve bu beti\u011fi GitHub Actions i\u00e7inde \u00e7al\u0131\u015ft\u0131rmay\u0131 gerektirir. Betik, PR'daki kod de\u011fi\u015fikliklerini al\u0131r, bunlar\u0131 bir LLM'e (\u00f6rne\u011fin OpenAI'nin GPT modellerine) g\u00f6nderir ve modelden kod incelemesi, iyile\u015ftirme \u00f6nerileri veya olas\u0131 hatalar hakk\u0131nda geri bildirim ister. Bu geri bildirim daha sonra PR'a yorum olarak eklenebilir.<\/p>\n <\/code>\"} if __name__ == \"__main__\": changed_file_path = sys.argv[1] # Bu, GitHub Actions'dan gelecek dosya yolu olmal\u0131 <\/code># .github\/workflows\/llm-code-review.yml on: jobs: - name: Setup Python - name: Install Dependencies - name: Get PR Changes - name: Run LLM Code Review - name: Post LLM Review Comment to PR Bu ileri d\u00fczey entegrasyonlar, geli\u015ftirme s\u00fcre\u00e7lerinizi sadece otomatikle\u015ftirmekle kalmaz, ayn\u0131 zamanda kod kalitesi, g\u00fcvenlik ve performansta insan\u00fcst\u00fc bir hassasiyet ve tutarl\u0131l\u0131k sa\u011flar. Bu da ekiplerin daha g\u00fcvenle, daha h\u0131zl\u0131 ve daha yarat\u0131c\u0131 bir \u015fekilde \u00e7al\u0131\u015fmas\u0131na olanak tan\u0131r.<\/p>\n Teorik bilgiler ve pratik kurulum ad\u0131mlar\u0131 \u00f6nemlidir, ancak yapay zeka destekli kod incelemelerinin ger\u00e7ek d\u00fcnyadaki etkisini g\u00f6rmek, de\u011ferini tam olarak anlamam\u0131z\u0131 sa\u011flar. \u015eimdi, b\u00fcy\u00fck ve da\u011f\u0131t\u0131k bir ekip yap\u0131s\u0131na sahip, birden fazla mikroservisten olu\u015fan bir projede bu entegrasyonun nas\u0131l bir fark yaratt\u0131\u011f\u0131na dair bir vaka analizine odaklanal\u0131m.<\/p>\n Proje ve Ekip Yap\u0131s\u0131:<\/strong> \"GlobalTech Solutions\" adl\u0131 hayali bir \u015firket, e-ticaret platformlar\u0131 i\u00e7in mikroservis tabanl\u0131 bir altyap\u0131 geli\u015ftiriyor. Yakla\u015f\u0131k 150 geli\u015ftiriciden olu\u015fan ekip, 20 farkl\u0131 mikroservis \u00fczerinde e\u015f zamanl\u0131 \u00e7al\u0131\u015f\u0131yor. Her mikroservis farkl\u0131 bir teknoloji y\u0131\u011f\u0131n\u0131na sahip olabilse de (Java, Node.js, Python), hepsi GitHub \u00fczerinde y\u00f6netiliyor ve her g\u00fcn ortalama 50-70 aras\u0131 pull request (PR) a\u00e7\u0131l\u0131yor.<\/p>\n Entegrasyon \u00d6ncesi Durum:<\/strong> Entegrasyondan \u00f6nce GlobalTech'in ciddi sorunlar\u0131 vard\u0131:<\/p>\n Entegrasyon S\u00fcreci:<\/strong> GlobalTech, bu sorunlar\u0131 \u00e7\u00f6zmek i\u00e7in SonarCloud ve Snyk Code'u GitHub Actions ile entegre etmeye karar verdi. S\u00fcre\u00e7 a\u015famal\u0131 olarak uyguland\u0131:<\/p>\n Entegrasyon Sonras\u0131 Etkiler ve \u0130yile\u015fmeler:<\/strong> Entegrasyonun ard\u0131ndan GlobalTech Solutions, \u00e7arp\u0131c\u0131 iyile\u015fmeler kaydetti:<\/p>\n Bu vaka analizi, yapay zeka destekli kod incelemelerinin GitHub Actions ile entegrasyonunun, b\u00fcy\u00fck ve karma\u015f\u0131k projelerde dahi nas\u0131l somut ve \u00f6l\u00e7\u00fclebilir faydalar sa\u011flad\u0131\u011f\u0131n\u0131 a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Bu, sadece bir otomasyon arac\u0131 olmaktan \u00f6te, geli\u015ftirme k\u00fclt\u00fcr\u00fcn\u00fc d\u00f6n\u00fc\u015ft\u00fcren stratejik bir yat\u0131r\u0131md\u0131r.<\/p>\n Yapay zeka destekli kod incelemelerini GitHub Actions ile entegre etmek bir\u00e7ok avantaj sunsa da, her teknoloji entegrasyonunda oldu\u011fu gibi, bu s\u00fcre\u00e7te de baz\u0131 zorluklarla kar\u015f\u0131la\u015fmak m\u00fcmk\u00fcnd\u00fcr. Bu b\u00f6l\u00fcmde, bu potansiyel engelleri ve bunlarla ba\u015fa \u00e7\u0131kmak i\u00e7in pratik \u00e7\u00f6z\u00fcm \u00f6nerilerini ele alaca\u011f\u0131z.<\/p>\n Zorluk:<\/strong> Yapay zeka ara\u00e7lar\u0131 bazen ge\u00e7erli kodu hatal\u0131 veya sorunlu olarak i\u015faretleyebilir. Bu \"yanl\u0131\u015f pozitifler\", geli\u015ftiricilerin ara\u00e7lara olan g\u00fcvenini sarsabilir ve gereksiz zaman kay\u0131plar\u0131na yol a\u00e7abilir.<\/p>\n \u00c7\u00f6z\u00fcm \u00d6nerileri:<\/strong><\/p>\n Zorluk:<\/strong> \u00d6zellikle \u00e7ok dilli veya karma\u015f\u0131k yap\u0131daki projelerde, YZ arac\u0131n\u0131 projenin build sistemiyle (Maven, Gradle, npm, pip vb.) ve GitHub Actions ile do\u011fru bir \u015fekilde entegre etmek ba\u015flang\u0131\u00e7ta zorlay\u0131c\u0131 olabilir.<\/p>\n \u00c7\u00f6z\u00fcm \u00d6nerileri:<\/strong><\/p>\n Zorluk:<\/strong> Geli\u015ftiriciler, \u00e7ok fazla ara\u00e7tan gelen \u00e7ok fazla geri bildirimle kar\u015f\u0131la\u015ft\u0131klar\u0131nda \"ara\u00e7 yorgunlu\u011fu\" ya\u015fayabilirler. Bu, YZ \u00f6nerilerini g\u00f6rmezden gelmelerine veya sistemden so\u011fumalar\u0131na neden olabilir.<\/p>\n \u00c7\u00f6z\u00fcm \u00d6nerileri:<\/strong><\/p>\n Zorluk:<\/strong> \u00d6zellikle bulut tabanl\u0131 YZ ara\u00e7lar\u0131 veya OpenAI gibi LLM API'leri kullan\u0131ld\u0131\u011f\u0131nda, maliyetler bir endi\u015fe kayna\u011f\u0131 olabilir.<\/p>\n \u00c7\u00f6z\u00fcm \u00d6nerileri:<\/strong><\/p>\n G\u00fcn\u00fcm\u00fczde yapay zeka destekli kod incelemeleri, statik analiz ve temel g\u00fcvenlik kontrolleriyle s\u0131n\u0131rl\u0131 gibi g\u00f6r\u00fcnse de, teknolojinin h\u0131zla geli\u015fmesiyle gelecekte \u00e7ok daha yetenekli ve entegre sistemler g\u00f6rece\u011fiz. Yapay zeka ve otomasyonun bu alandaki evrimi, yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerini k\u00f6kten de\u011fi\u015ftirecek potansiyele sahiptir.<\/p>\n \u00d6ncelikle, daha proaktif ve ba\u011flam duyarl\u0131 geri bildirimler<\/strong> bekleyebiliriz. Mevcut ara\u00e7lar genellikle kurallara dayal\u0131 veya \u00f6nceden tan\u0131mlanm\u0131\u015f kal\u0131plara g\u00f6re \u00e7al\u0131\u015f\u0131rken, gelecekteki YZ modelleri, projenin ge\u00e7mi\u015fini, ekibin kodlama al\u0131\u015fkanl\u0131klar\u0131n\u0131 ve hatta i\u015f gereksinimlerini anlayarak daha ak\u0131ll\u0131 \u00f6neriler sunacakt\u0131r. \u00d6rne\u011fin, sadece bir g\u00fcvenlik a\u00e7\u0131\u011f\u0131n\u0131 tespit etmekle kalmayacak, ayn\u0131 zamanda projenin mevcut mimarisi ve teknoloji y\u0131\u011f\u0131n\u0131na en uygun d\u00fczeltmeyi de \u00f6nerebilecektir. Kodun belirli bir b\u00f6l\u00fcm\u00fcn\u00fcn neden bu \u015fekilde yaz\u0131ld\u0131\u011f\u0131na dair ge\u00e7mi\u015f tart\u0131\u015fmalar\u0131 ve kararlar\u0131 da g\u00f6z \u00f6n\u00fcnde bulundurarak, \u00f6nerilerini daha anlaml\u0131 hale getirecektir.<\/p>\n \u0130kinci olarak, otomatik hata d\u00fczeltme ve hatta \"self-healing code\" (kendi kendini onaran kod)<\/strong> konsepti ger\u00e7e\u011fe d\u00f6n\u00fc\u015febilir. Yapay zeka, tespit etti\u011fi k\u00fc\u00e7\u00fck hatalar\u0131 (\u00f6rne\u011fin, yaz\u0131m hatalar\u0131, basit stil tutars\u0131zl\u0131klar\u0131) otomatik olarak d\u00fczeltebilir ve bu d\u00fczeltmeleri do\u011frudan PR'a ekleyebilir. Daha karma\u015f\u0131k senaryolarda ise, bir g\u00fcvenlik a\u00e7\u0131\u011f\u0131 tespit etti\u011finde, bunu kapatacak en uygun kod par\u00e7as\u0131n\u0131 \u00f6nerebilir veya hatta otomatik olarak bir yama olu\u015fturabilir. Bu, geli\u015ftiricilerin en s\u0131k\u0131c\u0131 ve tekrar eden d\u00fczeltme g\u00f6revlerinden tamamen kurtulmas\u0131n\u0131 sa\u011flayacak ve onlar\u0131n daha yarat\u0131c\u0131 ve karma\u015f\u0131k sorunlara odaklanmas\u0131na imkan tan\u0131yacakt\u0131r.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc olarak, ki\u015fiselle\u015ftirilmi\u015f YZ geli\u015ftirme asistanlar\u0131<\/strong> yayg\u0131nla\u015facak. Her geli\u015ftiricinin kendi kodlama al\u0131\u015fkanl\u0131klar\u0131n\u0131, g\u00fc\u00e7l\u00fc ve zay\u0131f y\u00f6nlerini \u00f6\u011frenen yapay zeka asistanlar\u0131, bireysel ihtiya\u00e7lara g\u00f6re \u00f6zelle\u015ftirilmi\u015f geri bildirimler sunacakt\u0131r. Bu asistanlar, geli\u015ftiricinin favori IDE'sine (Entegre Geli\u015ftirme Ortam\u0131) entegre olacak, ger\u00e7ek zamanl\u0131 olarak kod yazarken \u00f6nerilerde bulunacak ve potansiyel hatalar\u0131 hen\u00fcz commit edilmeden tespit edecektir. Bu, geli\u015ftiricilerin becerilerini geli\u015ftirmelerine ve daha y\u00fcksek kalitede kod \u00fcretmelerine yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n Son olarak, yapay zeka, CI\/CD boru hatlar\u0131n\u0131n \u00f6tesine ge\u00e7erek, yaz\u0131l\u0131m ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fcn her a\u015famas\u0131nda derinlemesine bir rol oynayacak<\/strong>. Gereksinim analizinden mimari tasar\u0131ma, test otomasyonundan da\u011f\u0131t\u0131m stratejilerine kadar her alanda YZ destekli ara\u00e7lar, s\u00fcre\u00e7leri optimize etmek ve insan karar verme s\u00fcre\u00e7lerini desteklemek i\u00e7in kullan\u0131lacakt\u0131r. \u00d6rne\u011fin, YZ, test senaryolar\u0131n\u0131 otomatik olarak \u00fcretebilir, da\u011f\u0131t\u0131m stratejilerini risk ve performans verilerine g\u00f6re optimize edebilir ve hatta kullan\u0131c\u0131 geri bildirimlerini analiz ederek bir sonraki \u00f6zellik setini belirleyebilir.<\/p>\n Mobil uyumlu HTML'den bahsetmek gerekirse, bu t\u00fcr geli\u015fmi\u015f otomasyon ve YZ ara\u00e7lar\u0131, frontend geli\u015ftirme s\u00fcre\u00e7lerinde de kritik rol oynayacakt\u0131r. \u00d6rne\u011fin, YZ, farkl\u0131 cihaz boyutlar\u0131 ve ekran y\u00f6nelimleri i\u00e7in responsive tasar\u0131m hatalar\u0131n\u0131 tespit edebilir. GitHub Actions i\u015f ak\u0131\u015flar\u0131, bu YZ analizlerini tetikleyerek, <\/code><\/p>\n Yapay zeka, bu t\u00fcr CSS kurallar\u0131n\u0131n HTML yap\u0131s\u0131yla uyumunu veya potansiyel \u00e7ak\u0131\u015fmalar\u0131n\u0131 analiz ederek, geli\u015ftiricinin g\u00f6z\u00fcnden ka\u00e7abilecek responsive tasar\u0131m sorunlar\u0131n\u0131 otomatik olarak i\u015faretleyebilir. B\u00f6ylece, kullan\u0131c\u0131 deneyimi a\u00e7\u0131s\u0131ndan kritik olan mobil uyumluluk, daha h\u0131zl\u0131 ve hatas\u0131z bir \u015fekilde sa\u011flanm\u0131\u015f olur.<\/p>\n T\u00fcm bu geli\u015fmeler, yaz\u0131l\u0131m geli\u015ftirmenin gelece\u011finin sadece daha otomatik de\u011fil, ayn\u0131 zamanda daha ak\u0131ll\u0131, daha verimli ve daha insan odakl\u0131 olaca\u011f\u0131n\u0131 g\u00f6stermektedir. Yapay zeka, geli\u015ftiricilerin yeteneklerini art\u0131rarak, onlar\u0131 rutin i\u015flerden kurtar\u0131p daha yarat\u0131c\u0131 ve stratejik g\u00f6revlere y\u00f6nlendiren g\u00fc\u00e7l\u00fc bir m\u00fcttefik haline gelecektir.<\/p>\n Yaz\u0131l\u0131m geli\u015ftirme d\u00fcnyas\u0131nda h\u0131z, kalite ve g\u00fcvenlik hi\u00e7 olmad\u0131\u011f\u0131 kadar kritik bir \u00f6neme sahiptir. Geleneksel manuel kod inceleme s\u00fcre\u00e7lerinin yaratt\u0131\u011f\u0131 darbo\u011fazlar, yava\u015f geri bildirim d\u00f6ng\u00fcleri ve insan hatas\u0131 riski, modern geli\u015ftirme ekiplerinin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 en b\u00fcy\u00fck zorluklardan baz\u0131lar\u0131d\u0131r. Ancak bu makalede detaylar\u0131yla inceledi\u011fimiz gibi, yapay zeka destekli kod incelemelerini GitHub Actions ile entegre etmek, bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in g\u00fc\u00e7l\u00fc ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc bir \u00e7\u00f6z\u00fcm sunmaktad\u0131r.<\/p>\n Bu entegrasyon sayesinde, geli\u015ftirme s\u00fcre\u00e7lerinizi otomatikle\u015ftirerek kod kalitesini art\u0131rabilir, g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 erken a\u015famada tespit edebilir ve geli\u015ftiricilerinizin verimlili\u011fini maksimize edebilirsiniz. Pull request'leriniz dakikalar i\u00e7inde kapsaml\u0131 bir incelemeden ge\u00e7ecek, potansiyel sorunlar an\u0131nda geli\u015ftiricinin \u00f6n\u00fcne d\u00fc\u015fecek ve k\u0131demli ekip \u00fcyeleriniz rutin i\u015f y\u00fck\u00fcnden kurtularak daha stratejik ve yarat\u0131c\u0131 g\u00f6revlere odaklanabilecektir. Vaka analizimiz de g\u00f6sterdi\u011fi gibi, bu yakla\u015f\u0131m, PR birle\u015ftirme s\u00fcrelerinde, kod kalitesinde ve g\u00fcvenlik insidentlerinde somut iyile\u015fmeler sa\u011flayarak ger\u00e7ek bir fark yaratmaktad\u0131r.<\/p>\n Yapay zeka ve otomasyonun evrimiyle birlikte, gelecekte daha proaktif, ki\u015fiselle\u015ftirilmi\u015f ve hatta otomatik hata d\u00fczeltme yeteneklerine sahip kod inceleme sistemleriyle kar\u015f\u0131la\u015faca\u011f\u0131z. Bu teknolojileri bug\u00fcnden benimsemek, ekiplerinizi gelece\u011fin yaz\u0131l\u0131m geli\u015ftirme metodolojilerine haz\u0131rlamak anlam\u0131na gelir. Geli\u015ftirme s\u00fcrecinizi s\u00fcper \u015farj etmek ve rekabette \u00f6ne ge\u00e7mek i\u00e7in yapay zeka destekli kod incelemelerini GitHub Actions ile entegre etmeye \u015fimdi ba\u015flay\u0131n. Bu, sadece bir otomasyon ad\u0131m\u0131 de\u011fil, ayn\u0131 zamanda yaz\u0131l\u0131m kalitesi ve geli\u015ftirici deneyimi i\u00e7in at\u0131lm\u0131\u015f stratejik bir ad\u0131md\u0131r.<\/p>\n <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7leri h\u0131zland\u0131k\u00e7a, kod kalitesini korumak ve geli\u015ftirmek giderek daha b\u00fcy\u00fck bir zorluk haline geliyor. Geleneksel manuel…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1401],"tags":[],"class_list":{"0":"post-33703","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-git","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nAd\u0131m Ad\u0131m Entegrasyon: GitHub Actions ile Yapay Zeka Destekli Kod \u0130nceleme Arac\u0131n\u0131 Kurulumu<\/h2>\n
Ad\u0131m 1: Bir Yapay Zeka Destekli Kod \u0130nceleme Arac\u0131 Se\u00e7imi<\/h3>\n
\n
Ad\u0131m 2: GitHub Repository ve Gerekli Ayarlar<\/h3>\n
.github\/workflows<\/code> dizini alt\u0131nda tan\u0131mlanan YAML dosyalar\u0131n\u0131 otomatik olarak alg\u0131lar. Bu dizini hen\u00fcz olu\u015fturmad\u0131ysan\u0131z, projenizin k\u00f6k dizininde bu klas\u00f6r\u00fc olu\u015fturman\u0131z gerekecektir.<\/p>\n\n
Settings<\/code> (Ayarlar) sekmesine t\u0131klay\u0131n.<\/li>\nSecrets and variables<\/code> (S\u0131rlar ve de\u011fi\u015fkenler) > Actions<\/code> (Eylemler) se\u00e7ene\u011fini t\u0131klay\u0131n.<\/li>\nNew repository secret<\/code> (Yeni depo s\u0131rr\u0131) d\u00fc\u011fmesine t\u0131klay\u0131n.<\/li>\nSONAR_TOKEN<\/code> gibi bir isim ve ard\u0131ndan API anahtar\u0131n\u0131z\u0131 veya belirtecinizi girin.<\/li>\n<\/ol>\nAd\u0131m 3: \u0130lk GitHub Actions Workflow’unuzu Olu\u015fturma<\/h3>\n
.github\/workflows<\/code> dizinine yeni bir YAML dosyas\u0131 olu\u015ftural\u0131m. \u00d6rne\u011fin, sonarcloud-analysis.yml<\/code> ad\u0131n\u0131 verebilirsiniz. \u0130\u015fte temel bir SonarCloud entegrasyonu i\u00e7in \u00f6rnek bir i\u015f ak\u0131\u015f\u0131:<\/p>\nname: SonarCloud Code Analysis\n\non:\n pull_request:\n types: [opened, synchronize, reopened]\n push:\n branches:\n - main\n - master\n\njobs:\n sonarcloud-analysis:\n runs-on: ubuntu-latest\n steps:\n - name: Checkout Code\n uses: actions\/checkout@v4\n with:\n fetch-depth: 0 # T\u00fcm ge\u00e7mi\u015fi getir, SonarCloud i\u00e7in \u00f6nemli\n\n - name: Setup Java JDK\n uses: actions\/setup-java@v4\n with:\n distribution: 'temurin'\n java-version: '17'\n\n - name: Cache SonarCloud packages\n uses: actions\/cache@v4\n with:\n path: ~\/.sonar\/cache\n key: ${{ runner.os }}-sonar\n restore-keys: ${{ runner.os }}-sonar\n\n - name: Build and analyze with SonarCloud\n env:\n GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }} # Github Actions i\u00e7in gerekli\n SONAR_TOKEN: ${{ secrets.SONAR_TOKEN }} # SonarCloud token\n run: |\n # Projenizin yap\u0131s\u0131na g\u00f6re bu komutu de\u011fi\u015ftirmeniz gerekebilir\n # \u00d6rne\u011fin, Maven projesi i\u00e7in: mvn clean install org.sonarsource.scanner.maven:sonar-maven-plugin:sonar -Dsonar.projectKey=YOUR_PROJECT_KEY\n # Gradle projesi i\u00e7in: gradlew sonarqube -Dsonar.projectKey=YOUR_PROJECT_KEY\n # Genel CLI i\u00e7in (kurulum gerektirir): sonar-scanner \\\n # -Dsonar.projectKey=YOUR_PROJECT_KEY \\\n # -Dsonar.organization=YOUR_ORGANIZATION_KEY \\\n # -Dsonar.host.url=https:\/\/sonarcloud.io \\\n # -Dsonar.login=${{ secrets.SONAR_TOKEN }}\n\n # Bu \u00f6rnekte genel bir Java projesi i\u00e7in maven komutu kullan\u0131yoruz\n # Kendi projenizin build sistemine g\u00f6re uygun komutu yazmal\u0131s\u0131n\u0131z.\n # \u00d6rnek olarak bir Maven projesi i\u00e7in basit bir analiz komutu:\n mvn -B verify org.sonarsource.scanner.maven:sonar-maven-plugin:sonar \\\n -Dsonar.projectKey=my-org_my-repo \\\n -Dsonar.organization=my-org \\\n -Dsonar.host.url=https:\/\/sonarcloud.io \\\n -Dsonar.login=${{ secrets.SONAR_TOKEN }}\n<\/pre>\n\n
name<\/code>: \u0130\u015f ak\u0131\u015f\u0131n\u0131n ad\u0131n\u0131 tan\u0131mlar.<\/li>\non<\/code>: \u0130\u015f ak\u0131\u015f\u0131n\u0131n ne zaman tetiklenece\u011fini belirtir (\u00f6rne\u011fin, bir pull iste\u011fi a\u00e7\u0131ld\u0131\u011f\u0131nda veya main<\/code>\/master<\/code> dallar\u0131na push yap\u0131ld\u0131\u011f\u0131nda).<\/li>\njobs<\/code>: \u00c7al\u0131\u015ft\u0131r\u0131lacak i\u015fleri i\u00e7erir. Burada tek bir i\u015f, sonarcloud-analysis<\/code>, tan\u0131mlanm\u0131\u015ft\u0131r.<\/li>\nruns-on<\/code>: \u0130\u015fin hangi i\u015fletim sistemi \u00fczerinde \u00e7al\u0131\u015faca\u011f\u0131n\u0131 belirtir (ubuntu-latest<\/code>).<\/li>\nsteps<\/code>: \u0130\u015fin ad\u0131mlar\u0131n\u0131 listeler.\n\n
actions\/checkout@v4<\/code>: Depodaki kodu \u00e7eker. fetch-depth: 0<\/code>, SonarCloud'un tam ge\u00e7mi\u015fe eri\u015fmesi i\u00e7in \u00f6nemlidir.<\/li>\nactions\/setup-java@v4<\/code>: Java projesi i\u00e7in JDK'y\u0131 kurar.<\/li>\nactions\/cache@v4<\/code>: SonarCloud analizini h\u0131zland\u0131rmak i\u00e7in \u00f6nbellek kullan\u0131r.<\/li>\nBuild and analyze with SonarCloud<\/code>: SonarCloud analizini tetikler. env<\/code> blo\u011funda GitHub ve SonarCloud token'lar\u0131 environment de\u011fi\u015fkenleri olarak ayarlan\u0131r. run<\/code> blo\u011fu ise SonarCloud taray\u0131c\u0131s\u0131n\u0131 \u00e7al\u0131\u015ft\u0131ran komutu i\u00e7erir. Kendi projenizin diline ve build sistemine (Maven, Gradle, npm, vb.) g\u00f6re bu komutu \u00f6zelle\u015ftirmeniz gerekecektir. YOUR_PROJECT_KEY<\/code> ve YOUR_ORGANIZATION_KEY<\/code> de\u011ferlerini kendi SonarCloud projenizden almay\u0131 unutmay\u0131n.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\nDetayl\u0131 Entegrasyon Senaryolar\u0131 ve Geli\u015fmi\u015f Kullan\u0131m Teknikleri<\/h2>\n
Geri Bildirim Mekanizmalar\u0131n\u0131 Olu\u015fturma: Pull Request Yorumlar\u0131<\/h3>\n
# .github\/workflows\/custom-ai-review.yml\nname: Custom AI Code Review on PR\n\non:\n pull_request:\n types: [opened, synchronize, reopened]\n\njobs:\n ai_review_and_comment:\n runs-on: ubuntu-latest\n steps:\n - name: Checkout Code\n uses: actions\/checkout@v4\n\n - name: Run Custom AI Review Script\n id: ai_review\n run: |\n # Bu k\u0131s\u0131mda kendi AI kod inceleme beti\u011finizi \u00e7al\u0131\u015ft\u0131r\u0131n.\n # \u00d6rnek: python your_ai_reviewer.py --pr-url ${{ github.event.pull_request.html_url }} > ai_findings.json\n # Bu betik, JSON format\u0131nda bulgular\u0131 ai_findings.json dosyas\u0131na kaydetmelidir.\n # Veya do\u011frudan standart \u00e7\u0131kt\u0131ya yazabilir.\n\n # Basit bir \u00f6rnek olarak, sadece bir metin \u00e7\u0131kt\u0131s\u0131 verelim\n echo \"::set-output name=review_comment::Potansiyel kod karma\u015f\u0131kl\u0131\u011f\u0131 tespit edildi: 'magic number' kullan\u0131m\u0131.\"\n # Ger\u00e7ek bir senaryoda, bu ad\u0131m\u0131n \u00e7\u0131kt\u0131s\u0131 daha yap\u0131land\u0131r\u0131lm\u0131\u015f bir veri olacakt\u0131r.\n\n - name: Post AI Review Comment to PR\n if: steps.ai_review.outputs.review_comment != '' # E\u011fer bir yorum varsa\n uses: actions\/github-script@v6\n with:\n script: |\n const comment = # Yapay Zeka Kod \u0130ncelemesi Bulgular\u0131 \ud83e\udd16\\n\\n${{ steps.ai_review.outputs.review_comment }}\\n\\n<\/code>;<\/strong>\n github.rest.issues.createComment({\n issue_number: context.issue.number,\n owner: context.repo.owner,\n repo: context.repo.repo,\n body: comment\n });\n<\/pre>\nRun Custom AI Review Script<\/code> ad\u0131m\u0131nda entegre etmeniz gerekecektir. Bu betik, \u00f6rne\u011fin OpenAI API'sini kullanarak kod par\u00e7ac\u0131klar\u0131n\u0131 inceleyebilir ve olas\u0131 iyile\u015ftirmeler \u00f6nerebilir.<\/p>\nG\u00fcvenlik ve Performans Odakl\u0131 \u0130ncelemeler<\/h3>\n
\n
\u00d6zelle\u015ftirilmi\u015f Yapay Zeka Modelleriyle Derinlemesine Analiz<\/h3>\n
# your_ai_reviewer.py (basitle\u015ftirilmi\u015f \u00f6rnek)\nimport os\nimport openai\nimport sys\n\ndef get_pr_changes(file_path):\n # Bu fonksiyon ger\u00e7ekte git diff veya GitHub API \u00fczerinden PR de\u011fi\u015fikliklerini almal\u0131\n # Basitlik ad\u0131na, do\u011frudan bir dosyadan okuyal\u0131m.\n with open(file_path, 'r') as f:\n return f.read()\n\ndef review_code_with_ai(code_changes):\n openai.api_key = os.getenv(\"OPENAI_API_KEY\")\n response = openai.chat.completions.create(\n model=\"gpt-4o\", # Veya ba\u015fka bir uygun model\n messages=[\n {\"role\": \"system\", \"content\": \"Sen k\u0131demli bir yaz\u0131l\u0131m geli\u015ftiricisin ve kod incelemesi yap\u0131yorsun. Sadece kodda buldu\u011fun potansiyel sorunlar\u0131 veya iyile\u015ftirme \u00f6nerilerini listele.\"},\n {\"role\": \"user\", \"content\": f\"A\u015fa\u011f\u0131daki kod de\u011fi\u015fikliklerini incele ve geri bildirimde bulun:\\n\\n\\n{code_changes}\\n<\/pre>\n
\n ],
\n temperature=0.7,
\n max_tokens=500
\n )
\n return response.choices[0].message.content<\/p>\n
\n if len(sys.argv) < 2:\n print(\"Kullan\u0131m: python your_ai_reviewer.py
\n sys.exit(1)<\/p>\n
\n code_to_review = get_pr_changes(changed_file_path) # De\u011fi\u015fiklikleri al
\n ai_feedback = review_code_with_ai(code_to_review)
\n print(ai_feedback) # Bu \u00e7\u0131kt\u0131y\u0131 GitHub Actions yakalayacak
\n<\/code><\/p>\n<\/pre>\n
\nname: LLM Powered Code Review<\/p>\n
\n pull_request:
\n types: [opened, synchronize, reopened]<\/p>\n
\n llm_review:
\n runs-on: ubuntu-latest
\n steps:
\n - name: Checkout Code
\n uses: actions\/checkout@v4<\/p>\n
\n uses: actions\/setup-python@v5
\n with:
\n python-version: '3.x'<\/p>\n
\n run: pip install openai<\/p>\n
\n id: pr_changes
\n run: |
\n # Bu k\u0131s\u0131m, PR'daki ger\u00e7ek de\u011fi\u015fiklikleri bir dosyaya yazacak veya direkt stdin\/stdout kullanacak.
\n # Basitlik i\u00e7in \u00f6rnek bir dosya olu\u015fturuyoruz. Ger\u00e7ekte git diff<\/code> veya GitHub API kullan\u0131lmal\u0131.
\n git diff --unified=0 ${{ github.event.pull_request.base.sha }} ${{ github.event.pull_request.head.sha }} > pr_diff.txt
\n echo \"::set-output name=diff_file::pr_diff.txt\"<\/p>\n
\n id: llm_review_output
\n env:
\n OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
\n run: |
\n python your_ai_reviewer.py ${{ steps.pr_changes.outputs.diff_file }} > llm_feedback.txt
\n cat llm_feedback.txt # Debug ama\u00e7l\u0131 \u00e7\u0131kt\u0131
\n echo \"::set-output name=review_comment::$(cat llm_feedback.txt)\"<\/p>\n
\n if: steps.llm_review_output.outputs.review_comment != ''
\n uses: actions\/github-script@v6
\n with:
\n script: |
\n const comment = # Geli\u015fmi\u015f Yapay Zeka Kod \u0130ncelemesi (LLM) \ud83e\udde0\\n\\n${{ steps.llm_review_output.outputs.review_comment }}\\n\\n<\/code>;<\/strong>
\n github.rest.issues.createComment({
\n issue_number: context.issue.number,
\n owner: context.repo.owner,
\n repo: context.repo.repo,
\n body: comment
\n });
\n<\/code><\/p>\nVaka Analizi: B\u00fcy\u00fck Bir Projede Yapay Zeka Destekli Kod \u0130ncelemesi Nas\u0131l Fark Yaratt\u0131?<\/h2>\n
\n
\n
.github\/workflows<\/code> dizinine \u00f6zel YAML dosyalar\u0131 eklendi. Bu i\u015f ak\u0131\u015flar\u0131, her pull request a\u00e7\u0131ld\u0131\u011f\u0131nda veya g\u00fcncellendi\u011finde SonarCloud ve Snyk analizini otomatik olarak tetikleyecek \u015fekilde yap\u0131land\u0131r\u0131ld\u0131.<\/li>\n\n
Entegrasyon S\u00fcrecinde Kar\u015f\u0131la\u015f\u0131labilecek Zorluklar ve \u00c7\u00f6z\u00fcm \u00d6nerileri<\/h2>\n
\n
\n
<\/code> gibi yorumlar veya .eslintignore<\/code> gibi dosyalar bu ama\u00e7la kullan\u0131labilir.<\/li>\n<\/ul>\n<\/li>\n\n
.github\/workflows<\/code> dizinlerindeki yap\u0131land\u0131rmalar\u0131n\u0131 incelemek, size ilham verebilir ve do\u011fru yakla\u015f\u0131m\u0131 bulman\u0131za yard\u0131mc\u0131 olabilir.<\/li>\n\n
\n
Gelece\u011fin Kod \u0130ncelemesi: Yapay Zeka ve Otomasyonun Evrimi<\/h2>\n
media query<\/code>'lerin do\u011fru uygulan\u0131p uygulanmad\u0131\u011f\u0131n\u0131, esnek kutu modellerinin (flexbox) veya \u0131zgara d\u00fczenlerinin (grid layout) beklendi\u011fi gibi \u00e7al\u0131\u015f\u0131p \u00e7al\u0131\u015fmad\u0131\u011f\u0131n\u0131 kontrol edebilir. Frontend testlerini otomatikle\u015ftiren YZ ara\u00e7lar\u0131, farkl\u0131 taray\u0131c\u0131larda ve cihazlarda g\u00f6rsel tutars\u0131zl\u0131klar\u0131 bulabilir. \u00d6rne\u011fin:<\/p>\n\/* Mobil cihazlar i\u00e7in \u00f6zel CSS kurallar\u0131 *\/\n@media (max-width: 768px) {\n .container {\n flex-direction: column; \/* K\u00fc\u00e7\u00fck ekranlarda s\u00fctun d\u00fczeni *\/\n }\n .image {\n max-width: 100%;\n height: auto;\n }\n}\n<\/pre>\nSonu\u00e7: Geli\u015ftirme S\u00fcre\u00e7lerinizi Yapay Zeka ile D\u00f6n\u00fc\u015ft\u00fcr\u00fcn<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n
\n
\n Hay\u0131r, yapay zeka destekli kod incelemesi insan incelemesinin yerini almaktan ziyade, onu tamamlar ve g\u00fc\u00e7lendirir. YZ ara\u00e7lar\u0131, tekrarlayan, standart ve kural tabanl\u0131 kontrolleri otomatikle\u015ftirerek insan incelemecilerin y\u00fck\u00fcn\u00fc azalt\u0131r. B\u00f6ylece insanlar, i\u015f mant\u0131\u011f\u0131, mimari tasar\u0131m, kullan\u0131c\u0131 deneyimi ve karma\u015f\u0131k stratejik kararlar gibi daha \u00fcst d\u00fczey ve yarat\u0131c\u0131 konulara odaklanabilir. YZ, ilk katman filtreleme ve h\u0131zl\u0131 geri bildirim sa\u011flayarak s\u00fcrecin verimlili\u011fini art\u0131r\u0131r.\n <\/li>\n
\n Ara\u00e7 se\u00e7imi, projenizin diline, b\u00fct\u00e7enize, g\u00fcvenlik gereksinimlerinize ve istedi\u011finiz analiz derinli\u011fine ba\u011fl\u0131d\u0131r. Pop\u00fcler se\u00e7enekler aras\u0131nda genel kod kalitesi ve g\u00fcvenli\u011fi i\u00e7in SonarCloud (veya SonarQube), g\u00fcvenlik odakl\u0131 analizler i\u00e7in Snyk Code, \u00f6zelle\u015ftirilebilir kurallar i\u00e7in Codiga ve \u00e7ok daha derinlemesine, \u00f6zelle\u015ftirilmi\u015f geri bildirimler i\u00e7in OpenAI (veya benzeri B\u00fcy\u00fck Dil Modelleri) API'lar\u0131 bulunmaktad\u0131r. Projenizin ihtiya\u00e7lar\u0131n\u0131 belirleyerek en uygun arac\u0131 se\u00e7melisiniz.\n <\/li>\n
\n Maliyetler kullan\u0131lan araca g\u00f6re b\u00fcy\u00fck \u00f6l\u00e7\u00fcde de\u011fi\u015fir. A\u00e7\u0131k kaynak ara\u00e7lar (ESLint, Bandit gibi) genellikle \u00fccretsizdir ancak daha fazla manuel yap\u0131land\u0131rma gerektirebilir. Ticari YZ ara\u00e7lar\u0131 (SonarCloud, Snyk Code gibi) genellikle kullan\u0131c\u0131 say\u0131s\u0131, taranan kod miktar\u0131 veya \u00f6zellik setine g\u00f6re fiyatland\u0131r\u0131lan abonelik modelleri sunar. OpenAI API gibi LLM'ler ise kullan\u0131m miktar\u0131na (token ba\u015f\u0131na) g\u00f6re faturaland\u0131r\u0131l\u0131r. Maliyetleri optimize etmek i\u00e7in \u00fccretsiz katmanlar\u0131 kullanabilir, a\u00e7\u0131k kaynak alternatifleri de\u011ferlendirebilir ve analizleri yaln\u0131zca gerekti\u011finde \u00e7al\u0131\u015ft\u0131rarak kaynak t\u00fcketimini azaltabilirsiniz.\n <\/li>\n
\n GitHub Actions, herhangi bir programlama dilini ve ortam\u0131 destekler, \u00e7\u00fcnk\u00fc sanal makineler (runner) \u00fczerinde komutlar\u0131 \u00e7al\u0131\u015ft\u0131rabilir. Yapay zeka destekli kod inceleme ara\u00e7lar\u0131n\u0131n kendisi ise belirli dilleri veya dil ailelerini destekler. \u00c7o\u011fu pop\u00fcler YZ arac\u0131 Java, Python, JavaScript, TypeScript, C#, Go gibi yayg\u0131n dilleri kapsar. Nadir veya \u00f6zel bir dil kullan\u0131yorsan\u0131z, arac\u0131n o dili destekleyip desteklemedi\u011fini veya kendi \u00f6zel entegrasyonunuzu geli\u015ftirip geli\u015ftiremeyece\u011finizi kontrol etmeniz gerekir.\n <\/li>\n
\n Mobil uyumlu HTML, frontend geli\u015ftirmenin \u00f6nemli bir par\u00e7as\u0131d\u0131r ve YZ destekli kod incelemeleri bu alanda da b\u00fcy\u00fck rol oynayabilir. YZ ara\u00e7lar\u0131, CSS medya sorgular\u0131n\u0131n do\u011fru uygulan\u0131p uygulanmad\u0131\u011f\u0131n\u0131, responsif tasar\u0131m prensiplerine uyulup uyulmad\u0131\u011f\u0131n\u0131, g\u00f6rsel tutars\u0131zl\u0131klar\u0131 veya farkl\u0131 cihazlarda ortaya \u00e7\u0131kabilecek d\u00fczen sorunlar\u0131n\u0131 otomatik olarak tespit edebilir. Bu sayede, kullan\u0131c\u0131 deneyimini do\u011frudan etkileyen mobil uyumluluk hatalar\u0131, hen\u00fcz \u00fcretim ortam\u0131na ge\u00e7meden erken a\u015famada belirlenerek d\u00fczeltilebilir, bu da frontend kalitesini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.\n <\/li>\n<\/ol>\n