Proje testlerinin saniyeler s\u00fcren bir kabusa d\u00f6n\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc hayal edin; CI\/CD s\u00fcre\u00e7leriniz kilitleniyor, geli\u015ftirici verimlili\u011fi d\u00fc\u015f\u00fcyor ve yeni \u00f6zellikler canl\u0131ya \u00e7\u0131kmakta zorlan\u0131yor. Bir zamanlar bu bizim de ger\u00e7e\u011fimizdi. Vitest testlerimiz 22 saniye s\u00fcr\u00fcyordu, ta ki yapay zekan\u0131n g\u00fcc\u00fcn\u00fc ke\u015ffedene kadar. Bu makalede, bu s\u00fcreyi nas\u0131l 4 saniyeye indirdi\u011fimizi, yapay zekan\u0131n test optimizasyonundaki d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc rol\u00fcn\u00fc ve kendi projelerinizde Vitest performans\u0131n\u0131 nas\u0131l radikal bir \u015fekilde h\u0131zland\u0131rabilece\u011finizi ad\u0131m ad\u0131m inceleyece\u011fiz. Haydi, bu h\u0131zland\u0131r\u0131c\u0131 yolculu\u011fa birlikte \u00e7\u0131kal\u0131m!<\/p>\n
Modern web geli\u015ftirme d\u00fcnyas\u0131nda, h\u0131zl\u0131 ve g\u00fcvenilir testler, y\u00fcksek kaliteli yaz\u0131l\u0131m\u0131n temel ta\u015f\u0131d\u0131r. Vitest, Vite altyap\u0131s\u0131 sayesinde geli\u015ftiricilere inan\u0131lmaz bir h\u0131z ve esneklik sunan pop\u00fcler bir test \u00e7er\u00e7evesidir. Ancak her g\u00fc\u00e7l\u00fc ara\u00e7 gibi, Vitest de yanl\u0131\u015f kullan\u0131ld\u0131\u011f\u0131nda veya proje karma\u015f\u0131kl\u0131\u011f\u0131 artt\u0131\u011f\u0131nda performans darbo\u011fazlar\u0131na yol a\u00e7abilir. Projeler b\u00fcy\u00fcd\u00fck\u00e7e, test s\u00fcresi de genellikle do\u011fru orant\u0131l\u0131 olarak artar ve bir noktadan sonra bu art\u0131\u015f, geli\u015ftirme s\u00fcrecini ciddi \u015fekilde aksatan bir “performans kabusuna” d\u00f6n\u00fc\u015febilir.<\/p>\n
Peki, Vitest testlerini yava\u015flatan yayg\u0131n nedenler nelerdir? \u0130lk olarak, disk G\/\u00c7 (Giri\u015f\/\u00c7\u0131k\u0131\u015f) operasyonlar\u0131<\/strong> \u00f6nemli bir fakt\u00f6rd\u00fcr. \u00d6zellikle testleriniz \u00e7ok say\u0131da dosya okuma\/yazma i\u015flemi i\u00e7eriyorsa, bu durum genel test s\u00fcresini uzatabilir. B\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015fan entegrasyon testleri veya veritaban\u0131 etkile\u015fimleri olan testler bu kategoriye girer. Her test \u00e7al\u0131\u015fmas\u0131nda ba\u011f\u0131ml\u0131l\u0131klar\u0131n yeniden y\u00fcklenmesi, mod\u00fcl \u00e7\u00f6z\u00fcmlemeleri ve a\u011f istekleri de benzer \u015fekilde G\/\u00c7 y\u00fck\u00fcn\u00fc art\u0131r\u0131r.<\/p>\n \u0130kinci olarak, yetersiz veya karma\u015f\u0131k mocklama stratejileri<\/strong> test performans\u0131n\u0131 olumsuz etkileyebilir. Ger\u00e7ek ba\u011f\u0131ml\u0131l\u0131klar\u0131 (API \u00e7a\u011fr\u0131lar\u0131, veritaban\u0131 ba\u011flant\u0131lar\u0131 vb.) her testte \u00e7al\u0131\u015ft\u0131rmak yerine, bunlar\u0131 mocklamak testleri h\u0131zland\u0131rman\u0131n anahtar\u0131d\u0131r. Ancak k\u00f6t\u00fc tasarlanm\u0131\u015f veya gere\u011finden fazla karma\u015f\u0131k mocklar, testlerin anla\u015f\u0131lmas\u0131n\u0131 zorla\u015ft\u0131rd\u0131\u011f\u0131 gibi, kendi ba\u015flar\u0131na da performans maliyeti olu\u015fturabilir. \u00d6zellikle b\u00fcy\u00fck nesneleri veya mod\u00fclleri mocklarken gereksiz detaylara tak\u0131lmak, test \u00e7al\u0131\u015fma s\u00fcresini uzatabilir.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc bir yayg\u0131n neden ise inefektif test yap\u0131s\u0131 ve test suite’lerinin b\u00fcy\u00fckl\u00fc\u011f\u00fc<\/strong>d\u00fcr. Tek bir test dosyas\u0131nda y\u00fczlerce testin bulunmas\u0131, her bir testin di\u011ferlerini etkileyebilece\u011fi karma\u015f\u0131k senaryolar, veya gere\u011finden fazla kurulum\/y\u0131k\u0131m (setup\/teardown) operasyonlar\u0131 testlerin yava\u015flamas\u0131na neden olabilir. Paralel test \u00e7al\u0131\u015ft\u0131rma potansiyelini tam olarak kullanamamak da Vitest’in sundu\u011fu h\u0131z avantaj\u0131n\u0131 ortadan kald\u0131r\u0131r. Vitest’in varsay\u0131lan olarak paralel \u00e7al\u0131\u015fsa da, baz\u0131 testlerin birbirine ba\u011f\u0131ml\u0131l\u0131\u011f\u0131 veya kaynak kilitleri, paralelizasyonu s\u0131n\u0131rlayabilir.<\/p>\n Ayr\u0131ca, bellek s\u0131z\u0131nt\u0131lar\u0131 ve yo\u011fun CPU kullan\u0131m\u0131<\/strong> da g\u00f6z ard\u0131 edilmemelidir. \u00d6zellikle uzun \u00f6m\u00fcrl\u00fc test s\u00fcre\u00e7lerinde, testler aras\u0131nda d\u00fczg\u00fcn bir \u015fekilde temizlenmeyen kaynaklar (a\u00e7\u0131k dosya kollar\u0131, bellek i\u00e7i veri yap\u0131lar\u0131) birikerek test ortam\u0131n\u0131n yava\u015flamas\u0131na veya \u00e7\u00f6kmesine neden olabilir. Karma\u015f\u0131k hesaplamalar yapan veya b\u00fcy\u00fck veri yap\u0131lar\u0131n\u0131 i\u015fleyen testler, CPU’yu a\u015f\u0131r\u0131 y\u00fckleyebilir ve bu da test s\u00fcresini uzat\u0131r.<\/p>\n Bizim durumumuzda, bu fakt\u00f6rlerin birle\u015fimi, test s\u00fcremizi 22 saniyeye \u00e7\u0131karm\u0131\u015ft\u0131. Her kod de\u011fi\u015fikli\u011finde bu kadar uzun s\u00fcre beklemek, geli\u015ftiricilerin motivasyonunu d\u00fc\u015f\u00fcr\u00fcyor ve CI\/CD pipeline’\u0131m\u0131z\u0131n verimsizle\u015fmesine neden oluyordu. \u00d6zellikle b\u00fcy\u00fck bir e-ticaret uygulamas\u0131n\u0131n UI bile\u015fenleri, servis katmanlar\u0131 ve yard\u0131mc\u0131 fonksiyonlar\u0131 i\u00e7in yaz\u0131lm\u0131\u015f binlerce testin her biri, k\u00fc\u00e7\u00fck bir gecikmeye neden olsa da birle\u015fti\u011finde ciddi bir problem olu\u015fturuyordu. Testleri \u00e7al\u0131\u015ft\u0131rmadan \u00f6nce ba\u011f\u0131ml\u0131l\u0131klar\u0131 \u00e7\u00f6zmek, taray\u0131c\u0131 ortam\u0131n\u0131 sim\u00fcle etmek ve karma\u015f\u0131k Redux state’lerini mocklamak gibi ad\u0131mlar, toplam s\u00fcreyi katlayarak art\u0131r\u0131yordu. Bu durum, yeni \u00f6zelliklerin devreye al\u0131nmas\u0131n\u0131 yava\u015flatan ve hata tespit s\u00fcre\u00e7lerini uzatan bir k\u0131s\u0131r d\u00f6ng\u00fcye yol a\u00e7m\u0131\u015ft\u0131.<\/p>\n Performans sorunlar\u0131n\u0131n karma\u015f\u0131kl\u0131\u011f\u0131 artt\u0131k\u00e7a, geleneksel manuel optimizasyon y\u00f6ntemleri yetersiz kalmaya ba\u015flar. \u0130\u015fte tam bu noktada yapay zeka (YZ) ve makine \u00f6\u011frenimi (ML) devreye girerek test optimizasyonu s\u00fcre\u00e7lerine devrim niteli\u011finde bir yakla\u015f\u0131m getirir. YZ, b\u00fcy\u00fck veri k\u00fcmelerindeki desenleri tan\u0131mlama ve gelecekteki davran\u0131\u015flar\u0131 tahmin etme yetene\u011fi sayesinde, test s\u00fcre\u00e7lerimizi daha ak\u0131ll\u0131, daha h\u0131zl\u0131 ve daha verimli hale getirebilir.<\/p>\n Yapay zekan\u0131n test optimizasyonundaki temel rol\u00fc, test s\u00fcre\u00e7lerinin “ak\u0131ll\u0131” hale getirilmesidir. Geleneksel olarak, t\u00fcm testler her kod de\u011fi\u015fikli\u011finde \u00e7al\u0131\u015ft\u0131r\u0131l\u0131r. Ancak \u00e7o\u011fu zaman, k\u00fc\u00e7\u00fck bir de\u011fi\u015fiklik projenin testlerinin sadece k\u00fc\u00e7\u00fck bir b\u00f6l\u00fcm\u00fcn\u00fc etkiler. YZ bu noktada, kod de\u011fi\u015fikliklerini analiz ederek, hangi testlerin ger\u00e7ekten \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131 gerekti\u011fini belirleyebilir. Bu, ak\u0131ll\u0131 test se\u00e7imi (intelligent test selection)<\/strong> olarak bilinir ve gereksiz testlerin \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131n\u0131 \u00f6nleyerek test s\u00fcresini radikal bir \u015fekilde k\u0131salt\u0131r.<\/p>\n YZ algoritmalar\u0131, ge\u00e7mi\u015f test \u00e7al\u0131\u015fma verilerini (hangi testler ba\u015far\u0131s\u0131z oldu, hangi testler belirli kod de\u011fi\u015fikliklerinden etkilendi, hangi testler en uzun s\u00fcrd\u00fc) analiz ederek bir model olu\u015fturur. Bu model, yeni bir kod de\u011fi\u015fikli\u011fi geldi\u011finde, o de\u011fi\u015fiklikle ili\u015fkili olarak en kritik veya etkilenme olas\u0131l\u0131\u011f\u0131 en y\u00fcksek olan testleri tahmin edebilir. \u00d6rne\u011fin, bir dosyadaki k\u00fc\u00e7\u00fck bir fonksiyon de\u011fi\u015fikli\u011fi sadece o fonksiyonu kullanan birim testlerinin \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131n\u0131 gerektirebilirken, daha geni\u015f kapsaml\u0131 bir refactoring i\u015flemi \u00e7ok daha fazla testi tetikleyebilir. YZ, bu kararlar\u0131 dinamik olarak alarak gereksiz i\u015f y\u00fck\u00fcn\u00fc ortadan kald\u0131r\u0131r.<\/p>\n Bir di\u011fer \u00f6nemli uygulama alan\u0131 ise test paralelleyicisinin optimizasyonu<\/strong>dur. Vitest, testleri paralel \u00e7al\u0131\u015ft\u0131rma yetene\u011fine sahip olsa da, bu paralelizasyon genellikle statik kurallara dayan\u0131r. YZ ise, her bir testin \u00e7al\u0131\u015fma s\u00fcresini, ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 ve kaynak kullan\u0131m\u0131n\u0131 tahmin ederek, en uygun paralel \u00e7al\u0131\u015ft\u0131rma plan\u0131n\u0131 dinamik olarak olu\u015fturabilir. Bu, testlerin i\u015f y\u00fck\u00fcn\u00fc CPU \u00e7ekirdekleri aras\u0131nda en verimli \u015fekilde da\u011f\u0131tarak bo\u015fta kalan kaynaklar\u0131 en aza indirir ve toplam test s\u00fcresini maksimize eder. \u00d6rne\u011fin, YZ algoritmalar\u0131, yava\u015f testleri daha az yo\u011fun testlerle e\u015fle\u015ftirerek veya belirli testlerin ayn\u0131 anda \u00e7al\u0131\u015fmamas\u0131n\u0131 sa\u011flayarak potansiyel darbo\u011fazlar\u0131 \u00f6nleyebilir.<\/p>\n Yapay zeka ayn\u0131 zamanda “flaky” testlerin (ara s\u0131ra ba\u015far\u0131s\u0131z olan testler) tespiti ve analizi<\/strong> i\u00e7in de kullan\u0131labilir. Flaky testler, test suite’lerinin g\u00fcvenilirli\u011fini d\u00fc\u015f\u00fcr\u00fcr ve geli\u015ftiricilerin test sonu\u00e7lar\u0131na olan g\u00fcvenini sarsar. YZ modelleri, bir testin neden ara s\u0131ra ba\u015far\u0131s\u0131z oldu\u011funu (\u00f6rne\u011fin, zamanlama sorunlar\u0131, d\u0131\u015f hizmet ba\u011f\u0131ml\u0131l\u0131klar\u0131, rastgele veri \u00fcretimi) belirlemek i\u00e7in ge\u00e7mi\u015f \u00e7al\u0131\u015fma verilerini ve loglar\u0131 analiz edebilir. Bu sayede, geli\u015ftiricilere spesifik sorunlar\u0131 \u00e7\u00f6zmeleri i\u00e7in de\u011ferli i\u00e7g\u00f6r\u00fcler sunar.<\/p>\n Ek olarak, YZ test verisi y\u00f6netimi ve mocklama stratejileri<\/strong> konusunda da yard\u0131mc\u0131 olabilir. Karma\u015f\u0131k test senaryolar\u0131 i\u00e7in anlaml\u0131 ve kapsaml\u0131 test verileri olu\u015fturmak zaman al\u0131c\u0131d\u0131r. YZ, mevcut verilerden \u00f6\u011frenerek veya belirli kurallara g\u00f6re sentetik veri \u00fcreterek bu s\u00fcreci otomatik hale getirebilir. Ayr\u0131ca, hangi ba\u011f\u0131ml\u0131l\u0131klar\u0131n mocklanmas\u0131 gerekti\u011fini, hangi mocklar\u0131n daha performansl\u0131 olaca\u011f\u0131n\u0131 veya hangi durumlarda ger\u00e7ek bir entegrasyona ihtiya\u00e7 duyuldu\u011funu tahmin ederek mocklama stratejilerini optimize edebilir.<\/p>\n Son olarak, kod kalitesi analizi ve test kapsam\u0131 optimizasyonu<\/strong>nda YZ’nin rol\u00fc b\u00fcy\u00fckt\u00fcr. YZ, kod taban\u0131n\u0131 analiz ederek potansiyel hata kaynaklar\u0131n\u0131, karma\u015f\u0131k kod b\u00f6l\u00fcmlerini veya eksik test kapsam\u0131na sahip alanlar\u0131 belirleyebilir. Bu sayede, geli\u015ftiriciler test \u00e7abalar\u0131n\u0131 en kritik alanlara odaklayabilir ve yeni testler yazarken daha bilin\u00e7li kararlar alabilirler. Yapay zeka, sadece testlerin h\u0131z\u0131n\u0131 art\u0131rmakla kalmaz, ayn\u0131 zamanda test suite’lerinin genel kalitesini ve verimlili\u011fini de art\u0131r\u0131r.<\/p>\n Projemizde Vitest testlerinin 22 saniyeden 4 saniyeye d\u00fc\u015f\u00fcr\u00fclmesi, birden fazla a\u015famadan olu\u015fan ve yapay zeka destekli ak\u0131ll\u0131 stratejilerin uyguland\u0131\u011f\u0131 b\u00fct\u00fcnc\u00fcl bir s\u00fcre\u00e7ti. Bu vaka analizi, benzer sorunlarla kar\u015f\u0131la\u015fan ekipler i\u00e7in de\u011ferli bir yol haritas\u0131 sunacakt\u0131r. Bizim i\u00e7in bu s\u00fcre\u00e7, sadece bir optimizasyon de\u011fil, ayn\u0131 zamanda test k\u00fclt\u00fcr\u00fcm\u00fczde \u00f6nemli bir de\u011fi\u015fimin de kataliz\u00f6r\u00fc oldu.<\/p>\n \u0130lk ad\u0131m, mevcut durumun detayl\u0131 bir analizini yapmakt\u0131. 22 saniyelik test s\u00fcresinin nedenlerini anlamak i\u00e7in Vitest’in kendi raporlama yeteneklerinden ve baz\u0131 \u00f6zel komut dosyalar\u0131ndan faydaland\u0131k. \u00d6zellikle hangi test dosyalar\u0131n\u0131n en uzun s\u00fcrd\u00fc\u011f\u00fcn\u00fc, hangi testlerin birden fazla kez \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 ve hangi ba\u011f\u0131ml\u0131l\u0131klar\u0131n y\u00fcklenmesinin zaman ald\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in a\u015fa\u011f\u0131daki yakla\u015f\u0131mlar\u0131 kulland\u0131k:<\/p>\n Bu analizler sonucunda, yava\u015flaman\u0131n ana nedenleri olarak \u015funlar\u0131 belirledik:<\/p>\n \u00d6rne\u011fin, yava\u015f bir test dosyam\u0131z\u0131n yap\u0131s\u0131 a\u015fa\u011f\u0131daki gibiydi:<\/p>\n <\/code><\/p>\n Yukar\u0131daki \u00f6rnek, hem ger\u00e7ek servis \u00e7a\u011fr\u0131lar\u0131n\u0131n mocklanmas\u0131 ihtiyac\u0131n\u0131 (ki bu yap\u0131lm\u0131\u015f), hem de her K\u00f6k nedenleri anlad\u0131ktan sonra, yapay zekay\u0131 devreye sokma zaman\u0131 geldi. Bu a\u015famada, CI\/CD pipeline'\u0131m\u0131z\u0131 ve yerel geli\u015ftirme ortamlar\u0131m\u0131z\u0131 optimize etmek i\u00e7in bir dizi YZ destekli ara\u00e7 ve strateji geli\u015ftirdik:<\/p>\n Her kod de\u011fi\u015fikli\u011finde t\u00fcm testleri \u00e7al\u0131\u015ft\u0131rmak yerine, sadece de\u011fi\u015fen kodla ilgili testleri \u00e7al\u0131\u015ft\u0131rmay\u0131 hedefledik. Bunu ba\u015farmak i\u00e7in, a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 izleyen \u00f6zel bir YZ modeli geli\u015ftirdik:<\/p>\n Bu ak\u0131ll\u0131 test se\u00e7imi, \u00f6zellikle k\u00fc\u00e7\u00fck kod de\u011fi\u015fikliklerinde test s\u00fcresini %80'e kadar azaltmam\u0131z\u0131 sa\u011flad\u0131. Modelimiz s\u00fcrekli olarak yeni verilerle (kod de\u011fi\u015fiklikleri, test sonu\u00e7lar\u0131) e\u011fitilerek zamanla daha do\u011fru hale geldi.<\/p>\n Vitest'in zaten paralel \u00e7al\u0131\u015ft\u0131rma yetenekleri olsa da, YZ bu s\u00fcreci daha da optimize etti. Geleneksel olarak, Vitest testleri \u00e7ekirdek say\u0131s\u0131na veya \u00f6nceden tan\u0131mlanm\u0131\u015f bir s\u0131n\u0131ra g\u00f6re b\u00f6ler. Ancak, baz\u0131 testler di\u011ferlerinden \u00e7ok daha uzun s\u00fcrebilir ve bu da \"kuyruk\" sorunlar\u0131na yol a\u00e7abilir. YZ modelimiz, her bir testin ge\u00e7mi\u015f ortalama \u00e7al\u0131\u015fma s\u00fcresini ve kaynak t\u00fcketimini (CPU, bellek) analiz ederek dinamik bir plan olu\u015fturdu:<\/p>\n Bu dinamik paralelle\u015ftirme, \u00f6zellikle test s\u00fcresi varyasyonlar\u0131 y\u00fcksek olan projelerde genel test s\u00fcresini %30 oran\u0131nda daha da d\u00fc\u015f\u00fcrd\u00fc.<\/p>\n <\/code><\/p>\n Yukar\u0131daki Vitest yap\u0131land\u0131rma \u00f6rne\u011fi, ak\u0131ll\u0131 test se\u00e7imi ve dinamik paralelle\u015ftirme i\u00e7in nas\u0131l bir entegrasyon yap\u0131labilece\u011fini g\u00f6stermektedir. Son olarak, yapay zekay\u0131 test verisi y\u00f6netimi ve mocklama stratejilerimizi iyile\u015ftirmek i\u00e7in kulland\u0131k. Geleneksel mocklama, genellikle manuel ve statiktir, ancak YZ bu s\u00fcreci dinamik ve ak\u0131ll\u0131 hale getirebilir.<\/p>\n Bu a\u015famalar\u0131n sonunda, Vitest test s\u00fcremizi 22 saniyeden 4 saniyeye indirmeyi ba\u015fard\u0131k. Bu, CI\/CD pipeline'\u0131m\u0131z\u0131n h\u0131z\u0131n\u0131 yakla\u015f\u0131k %80 art\u0131rd\u0131 ve geli\u015ftirici verimlili\u011fimizi \u00f6nemli \u00f6l\u00e7\u00fcde y\u00fckseltti. En \u00f6nemlisi, YZ'nin dinamik adaptasyonu sayesinde bu performans kazan\u00e7lar\u0131 zamanla s\u00fcrd\u00fcr\u00fclebilir hale geldi.<\/p>\n Yapay zeka entegrasyonu her zaman m\u00fcmk\u00fcn olmayabilir veya ba\u015flang\u0131\u00e7 i\u00e7in fazla karma\u015f\u0131k gelebilir. Ancak Vitest performans\u0131n\u0131z\u0131 iyile\u015ftirmek i\u00e7in uygulayabilece\u011finiz bir\u00e7ok pratik ve etkili ipucu bulunmaktad\u0131r. \u0130\u015fte kendi projelerinizde Vitest test s\u00fcrelerini d\u00fc\u015f\u00fcrmenize yard\u0131mc\u0131 olacak baz\u0131 uygulamal\u0131 stratejiler ve p\u00fcf noktalar\u0131:<\/p>\n Her test dosyas\u0131n\u0131n veya test blo\u011funun gereksiz mod\u00fclleri y\u00fcklemesini engelleyin. B\u00fcy\u00fck ve karma\u015f\u0131k mod\u00fcllerin y\u00fcklenmesi zaman alabilir:<\/p>\n B\u00fcy\u00fck ve karma\u015f\u0131k test verileri testlerin yava\u015flamas\u0131na neden olabilir. Veri y\u00f6netimini optimize etmek \u00f6nemlidir:<\/p>\n Test performans\u0131n\u0131 s\u00fcrekli olarak izlemek, olas\u0131 gerilemeleri (regresyonlar\u0131) erken tespit etmenizi sa\u011flar:<\/p>\n <\/code><\/p>\n Yukar\u0131daki CSS, CI\/CD panolar\u0131nda veya \u00f6zel raporlama aray\u00fczlerinde test sonu\u00e7lar\u0131n\u0131n mobil cihazlarda daha okunakl\u0131 g\u00f6r\u00fcnmesini sa\u011flar. Bu sayede, Vitest performans iyile\u015ftirmelerini her platformda takip etmek kolayla\u015f\u0131r ve ekibinizin test sonu\u00e7lar\u0131na eri\u015fimi kolayla\u015f\u0131r.<\/p>\n<\/div>\n Uzun s\u00fcren test s\u00fcre\u00e7leri bellek s\u0131z\u0131nt\u0131lar\u0131na veya gereksiz CPU kullan\u0131m\u0131na yol a\u00e7abilir:<\/p>\n Bu uygulamal\u0131 ipu\u00e7lar\u0131n\u0131 Vitest projelerinize entegre ederek, manuel olarak bile \u00f6nemli performans art\u0131\u015flar\u0131 elde edebilirsiniz. Yapay zeka bu s\u00fcreci daha da h\u0131zland\u0131rabilir ve otomatikle\u015ftirebilir, ancak temel optimizasyon prensiplerini uygulamak her zaman iyi bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r.<\/p>\n Vitest testlerimizin 22 saniyeden 4 saniyeye inmesi, sadece bir performans iyile\u015ftirmesi de\u011fil, ayn\u0131 zamanda geli\u015ftirme s\u00fcrecimizin ve CI\/CD pipeline'\u0131m\u0131z\u0131n tamamen d\u00f6n\u00fc\u015ft\u00fcr\u00fcld\u00fc\u011f\u00fc bir ba\u015far\u0131 hikayesidir. Bu yolculuk, yapay zekan\u0131n test optimizasyonunda ne kadar g\u00fc\u00e7l\u00fc ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc bir rol oynayabilece\u011fini a\u00e7\u0131k\u00e7a g\u00f6sterdi. Ak\u0131ll\u0131 test se\u00e7imi, dinamik paralel \u00e7al\u0131\u015ft\u0131rma ve YZ destekli veri\/mock y\u00f6netimi sayesinde, hem testlerimizin h\u0131z\u0131n\u0131 art\u0131rd\u0131k hem de geli\u015ftirici verimlili\u011fini ve yaz\u0131l\u0131m kalitesini \u00f6nemli \u00f6l\u00e7\u00fcde y\u00fckselttik.<\/p>\n Yapay zeka, sadece testlerin h\u0131z\u0131n\u0131 art\u0131rmakla kalm\u0131yor, ayn\u0131 zamanda test s\u00fcre\u00e7lerini daha ak\u0131ll\u0131, daha \u00f6ng\u00f6r\u00fclebilir ve daha g\u00fcvenilir hale getiriyor. Testlerinizin s\u00fcrekli yava\u015flamas\u0131 veya karars\u0131z olmas\u0131 gibi sorunlarla kar\u015f\u0131la\u015f\u0131yorsan\u0131z, YZ destekli yakla\u015f\u0131mlar, bu zorluklar\u0131n \u00fcstesinden gelmenize yard\u0131mc\u0131 olabilir. Unutmay\u0131n, h\u0131zl\u0131 testler daha h\u0131zl\u0131 geri bildirim d\u00f6ng\u00fcleri, daha h\u0131zl\u0131 da\u011f\u0131t\u0131mlar ve sonu\u00e7 olarak daha mutlu geli\u015ftiriciler anlam\u0131na gelir. Kendi projelerinizde de benzer performans kazan\u0131mlar\u0131 elde etmek i\u00e7in bu makalede payla\u015ft\u0131\u011f\u0131m\u0131z stratejileri ve ipu\u00e7lar\u0131n\u0131 uygulamaktan \u00e7ekinmeyin. Gelecekte, YZ'nin test otomasyonundaki rol\u00fcn\u00fcn daha da b\u00fcy\u00fcyece\u011fi ve yaz\u0131l\u0131m geli\u015ftirme d\u00fcnyas\u0131nda yeni ufuklar a\u00e7aca\u011f\u0131 ka\u00e7\u0131n\u0131lmazd\u0131r.<\/p>\n Vitest, Vite'\u0131n derleyici h\u0131z\u0131ndan ve optimize edilmi\u015f mod\u00fcl \u00e7\u00f6z\u00fcmlemesinden faydalan\u0131r. H\u0131zl\u0131 ba\u015flang\u0131\u00e7 s\u00fcreleri, anl\u0131k geri bildirim sa\u011flayan watch modu ve yerle\u015fik paralel \u00e7al\u0131\u015ft\u0131rma yetenekleri sayesinde geleneksel test \u00e7er\u00e7evelerine g\u00f6re genellikle daha h\u0131zl\u0131 performans sunar.<\/p>\n<\/li>\n Genellikle hay\u0131r. K\u00fc\u00e7\u00fck projeler i\u00e7in Vitest'in kendi optimizasyonlar\u0131 ve bu makaledeki manuel ipu\u00e7lar\u0131 yeterli olacakt\u0131r. Yapay zeka entegrasyonu, \u00f6zellikle b\u00fcy\u00fck kod tabanlar\u0131na, \u00e7ok say\u0131da teste ve karma\u015f\u0131k ba\u011f\u0131ml\u0131l\u0131klara sahip, s\u00fcrekli entegrasyon\/da\u011f\u0131t\u0131m yap\u0131lan projelerde en b\u00fcy\u00fck fayday\u0131 sa\u011flar.<\/p>\n<\/li>\n Yapay zeka, \"flaky\" (ara s\u0131ra ba\u015far\u0131s\u0131z olan) testleri tespit ederek ve k\u00f6k nedenlerini analiz ederek testlerinizin g\u00fcvenilirli\u011fini art\u0131r\u0131r. Ge\u00e7mi\u015f verilerden \u00f6\u011frenerek, belirli ko\u015fullar alt\u0131nda ba\u015far\u0131s\u0131z olma olas\u0131l\u0131\u011f\u0131 y\u00fcksek olan testleri belirleyebilir ve geli\u015ftiricilere d\u00fczeltilmesi gereken alanlar hakk\u0131nda bilgi sa\u011flayabilir.<\/p>\n<\/li>\n Vitest'i YZ destekli test optimizasyonu genellikle custom komut dosyalar\u0131, bir CI\/CD otomasyonu ve ge\u00e7mi\u015f test verilerini analiz eden bir ML modeli gerektirir. Piyasada hen\u00fcz standart bir \"YZ Vitest optimizasyon arac\u0131\" olmasa da, kendi ba\u011f\u0131ml\u0131l\u0131k grafi\u011finizi olu\u015fturarak, ge\u00e7mi\u015f test sonu\u00e7lar\u0131n\u0131 kaydederek ve basit bir de\u011fi\u015fiklik alg\u0131lama mekanizmas\u0131 geli\u015ftirerek ba\u015flayabilirsiniz. Daha karma\u015f\u0131k YZ modelleri i\u00e7in, veri bilimci veya ML m\u00fchendisi deste\u011fi gerekebilir.<\/p>\n<\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"Proje testlerinin saniyeler s\u00fcren bir kabusa d\u00f6n\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc hayal edin; CI\/CD s\u00fcre\u00e7leriniz kilitleniyor, geli\u015ftirici verimlili\u011fi d\u00fc\u015f\u00fcyor ve yeni \u00f6zellikler…","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":[1],"tags":[],"class_list":{"0":"post-35167","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n--coverage<\/code> veya --reporter verbose<\/code> gibi se\u00e7enekleri bu konuda size de\u011ferli bilgiler sunabilir.\n<\/div>\nYapay Zeka Test Optimizasyonunda Nas\u0131l Bir Rol Oynar?<\/h2>\n
Ad\u0131m Ad\u0131m Yapay Zeka Destekli Vitest Optimizasyonu: Bir Vaka Analizi<\/h2>\n
1. A\u015fama: Performans Analizi ve K\u00f6k Neden Tespiti<\/h3>\n
\n
--reporter verbose<\/code> se\u00e7ene\u011fini kullanarak her bir test dosyas\u0131n\u0131n \u00e7al\u0131\u015fma s\u00fcresini detayl\u0131ca inceledik. Bu, bize en yava\u015f test dosyalar\u0131n\u0131 ve potansiyel darbo\u011fazlar\u0131 g\u00f6sterdi.<\/li>\n--coverage<\/code> ile test kapsam\u0131n\u0131 incelerken, ayn\u0131 zamanda gereksiz veya tekrar eden test senaryolar\u0131n\u0131 da belirlemeye \u00e7al\u0131\u015ft\u0131k.<\/li>\nbeforeAll<\/code>) yap\u0131lan a\u011f\u0131r i\u015flemler veya dosya sistemi okumalar\u0131 dikkatimizi \u00e7ekti.<\/li>\n<\/ul>\n\n
\n \/\/ src\/components\/ProductPage.test.ts\n import { render, screen, waitFor } from '@testing-library\/vue';\n import { describe, it, expect, beforeEach, afterEach, vi } from 'vitest';\n import ProductPage from '.\/ProductPage.vue';\n import { getProductDetails, addProductToCart } from '..\/api\/productService'; \/\/ Ger\u00e7ek API\n import { initializeStore, clearStore } from '..\/store\/index'; \/\/ Her testte yeniden init\n\n \/\/ API servislerini mockla\n vi.mock('..\/api\/productService', () => ({\n getProductDetails: vi.fn(),\n addProductToCart: vi.fn(),\n }));\n\n \/\/ Store'u her testten \u00f6nce yeniden ba\u015flat\n beforeEach(() => {\n initializeStore();\n vi.mocked(getProductDetails).mockResolvedValue({ id: '1', name: 'Test \u00dcr\u00fcn\u00fc', price: 100 });\n vi.mocked(addProductToCart).mockResolvedValue(true);\n });\n\n afterEach(() => {\n vi.restoreAllMocks();\n clearStore(); \/\/ Store'u temizle\n });\n\n describe('ProductPage Component', () => {\n it('\u00fcr\u00fcn detaylar\u0131n\u0131 do\u011fru \u015fekilde g\u00f6r\u00fcnt\u00fcler', async () => {\n render(ProductPage);\n expect(screen.getByText('Y\u00fckleniyor...')).toBeInTheDocument();\n await waitFor(() => {\n expect(screen.getByText('Test \u00dcr\u00fcn\u00fc')).toBeInTheDocument();\n });\n expect(screen.getByText('100 TL')).toBeInTheDocument();\n });\n\n it('sepete ekleme butonuna t\u0131klan\u0131nca \u00fcr\u00fcn ekler', async () => {\n render(ProductPage);\n await waitFor(() => {\n expect(screen.getByText('Test \u00dcr\u00fcn\u00fc')).toBeInTheDocument();\n });\n const addToCartButton = screen.getByRole('button', { name: \/sepete ekle\/i });\n await userEvent.click(addToCartButton);\n expect(addProductToCart).toHaveBeenCalledWith('1');\n });\n\n \/\/ ... Di\u011fer 150 test senaryosu ...\n });\n <\/pre>\nbeforeEach<\/code>'de store'un yeniden ba\u015flat\u0131lmas\u0131 gibi potansiyel performans sorunlar\u0131n\u0131 g\u00f6stermektedir. \u00d6zellikle 150 test senaryosunun her birinde bu i\u015flemlerin tekrar etmesi ciddi bir y\u00fck olu\u015fturur.<\/p>\n<\/div>\n2. A\u015fama: Yapay Zeka ile Ak\u0131ll\u0131 Test Se\u00e7imi ve Paralelle\u015ftirme<\/h3>\n
Yapay Zeka Destekli Ak\u0131ll\u0131 Test Se\u00e7imi<\/h4>\n
\n
git diff<\/code>) izleyen bir \u00f6n i\u015flemci geli\u015ftirdik. Bir dosya de\u011fi\u015fti\u011finde, YZ modelimiz bu dosyayla ili\u015fkili testleri ba\u011f\u0131ml\u0131l\u0131k grafi\u011fi ve ge\u00e7mi\u015f verilere dayanarak tahmin etti. \u00d6rne\u011fin, bir servis katman\u0131ndaki bir de\u011fi\u015fiklik, bu servisi kullanan bile\u015fen testlerini tetikleyebilirken, sadece bir UI stil de\u011fi\u015fikli\u011fi \u00e7ok az testi etkileyecekti.<\/li>\n<\/ol>\nDinamik Paralel Test \u00c7al\u0131\u015ft\u0131rma<\/h4>\n
\n
\n \/\/ vitest.config.ts - YZ ile optimize edilmi\u015f bir yap\u0131land\u0131rma \u00f6rne\u011fi\n import { defineConfig } from 'vitest\/config';\n\n \/\/ Ak\u0131ll\u0131 test se\u00e7imi i\u00e7in kullan\u0131lacak fonksiyon (d\u0131\u015far\u0131dan import edildi\u011fi varsay\u0131l\u0131r)\n \/\/ Bu fonksiyon, git diff'e ve ge\u00e7mi\u015f verilere dayanarak hangi testlerin \u00e7al\u0131\u015ft\u0131r\u0131laca\u011f\u0131n\u0131 d\u00f6nd\u00fcr\u00fcr.\n \/\/ Ger\u00e7ek bir senaryoda bu daha karma\u015f\u0131k bir CLI arac\u0131 veya YZ servisi olurdu.\n const getSmartlySelectedTests = async () => {\n \/\/ Pseudo kod: Git diff'i al, YZ modeline g\u00f6nder, etkilenen test dosyalar\u0131n\u0131 d\u00f6nd\u00fcr\n \/\/ return ['src\/components\/ProductPage.test.ts', 'src\/services\/userService.test.ts'];\n return process.env.CI_MODE === 'true' ? [] \/* YZ servisten al *\/ : []; \/\/ Varsay\u0131lan olarak t\u00fcm\u00fcn\u00fc \u00e7al\u0131\u015ft\u0131r\n };\n\n export default defineConfig({\n test: {\n environment: 'jsdom',\n globals: true,\n setupFiles: '.\/vitest.setup.ts',\n \/\/ Dinamik olarak se\u00e7ilen testleri kullanma (e\u011fer varsa)\n include: process.env.SMART_TEST_RUN === 'true'\n ? await getSmartlySelectedTests()\n : ['**\/*.{test,spec}.{js,mjs,cjs,ts,mts,cts,jsx,tsx}'],\n \/\/ YZ taraf\u0131ndan tahmin edilen paralel thread say\u0131s\u0131n\u0131 kullanma\n poolOptions: {\n threads: {\n singleThread: process.env.SINGLE_THREAD_MODE === 'true',\n \/\/ \u00d6rne\u011fin, YZ modeli 6 \u00e7ekirde\u011fin optimal oldu\u011funu s\u00f6ylerse\n maxThreads: parseInt(process.env.VITEST_MAX_THREADS || '8', 10),\n minThreads: 1,\n },\n },\n \/\/ Bellek s\u0131z\u0131nt\u0131lar\u0131n\u0131 tespit etmek i\u00e7in\n onConsoleOutput: (log, type) => {\n if (type === 'stderr' && log.includes('memory leak')) {\n \/\/ YZ sistemimize bir uyar\u0131 g\u00f6nder\n console.warn('Bellek s\u0131z\u0131nt\u0131s\u0131 tespit edildi:', log);\n }\n },\n \/\/ ... di\u011fer yap\u0131land\u0131rmalar\n },\n });\n <\/pre>\ngetSmartlySelectedTests<\/code> fonksiyonu ve poolOptions.threads.maxThreads<\/code> de\u011feri, YZ servisimiz taraf\u0131ndan dinamik olarak belirlenirdi. Bu sayede her buildde en g\u00fcncel ve en verimli test \u00e7al\u0131\u015ft\u0131rma stratejisi uygulan\u0131rd\u0131.<\/p>\n<\/div>\n3. A\u015fama: Test Verisi Y\u00f6netimi ve Mocklama \u0130yile\u015ftirmeleri<\/h3>\n
\n
Uygulamal\u0131 \u0130pu\u00e7lar\u0131: Kendi Vitest Performans\u0131n\u0131z\u0131 Nas\u0131l H\u0131zland\u0131r\u0131rs\u0131n\u0131z?<\/h2>\n
1. Vitest'in Dahili \u00d6zelliklerini Etkin Kullan\u0131n<\/h3>\n
\n
concurrent<\/code> Testleri:<\/strong> Vitest, testleri varsay\u0131lan olarak paralel \u00e7al\u0131\u015ft\u0131rsa da, describe.concurrent<\/code> veya it.concurrent<\/code> kullanarak belirli test bloklar\u0131n\u0131 veya testleri a\u00e7\u0131k\u00e7a paralel \u00e7al\u0131\u015facak \u015fekilde i\u015faretleyebilirsiniz. Bu, \u00f6zellikle ba\u011f\u0131ms\u0131z testlerin oldu\u011fu durumlarda faydal\u0131d\u0131r.<\/li>\n.only<\/code> ve .skip<\/code>:<\/strong> Geli\u015ftirme a\u015famas\u0131nda, sadece \u00fczerinde \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131z testleri \u00e7al\u0131\u015ft\u0131rmak i\u00e7in .only<\/code>, sorunlu veya hen\u00fcz bitmemi\u015f testleri ge\u00e7ici olarak atlamak i\u00e7in .skip<\/code> kullan\u0131n. Ancak bu etiketleri production koduna push etmemeye dikkat edin.<\/li>\nvitest --watch<\/code> komutuyla sadece de\u011fi\u015fen dosyalar\u0131 tekrar test edin. Bu, h\u0131zl\u0131 geri bildirim d\u00f6ng\u00fcs\u00fc sa\u011flar ve geli\u015ftirme h\u0131z\u0131n\u0131z\u0131 art\u0131r\u0131r.<\/li>\njsdom<\/code>, node<\/code>, happy-dom<\/code>) do\u011fru se\u00e7mek performans i\u00e7in kritik. E\u011fer taray\u0131c\u0131 DOM'una ihtiyac\u0131n\u0131z yoksa node<\/code> ortam\u0131n\u0131 kullanmak daha h\u0131zl\u0131 olacakt\u0131r.<\/li>\n<\/ul>\n2. Mod\u00fcl Y\u00fckleme ve Ba\u011f\u0131ml\u0131l\u0131klar\u0131 Optimize Edin<\/h3>\n
\n
setupFiles<\/code> veya globalSetup<\/code> kullanarak t\u00fcm testler i\u00e7in tek seferde gerekli olan kurulumlar\u0131 (\u00f6rne\u011fin, global mock'lar, \u00e7evre de\u011fi\u015fkenleri) yap\u0131n. Bu, her test dosyas\u0131nda tekrar tekrar ayn\u0131 kurulumu yapmaktan ka\u00e7\u0131n\u0131r.<\/li>\nvi.mock()<\/code> veya vi.spyOn()<\/code> gibi ara\u00e7lar\u0131n\u0131 kullanarak ger\u00e7ek ba\u011f\u0131ml\u0131l\u0131klar\u0131 izole edin.<\/li>\nimport()<\/code>) d\u00fc\u015f\u00fcnebilirsiniz.<\/li>\n<\/ul>\n3. Test Veri Y\u00f6netimini \u0130yile\u015ftirin<\/h3>\n
\n
4. CI\/CD Entegrasyonu ve Performans Metrikleri Takibi<\/h3>\n
\n
\n \/* CI\/CD test raporlar\u0131 i\u00e7in mobil uyumlu d\u00fczen *\/\n .test-report-container {\n display: grid;\n grid-template-columns: 1fr 1fr 1fr; \/* Varsay\u0131lan olarak 3 s\u00fctun *\/\n gap: 20px;\n padding: 20px;\n font-family: Arial, sans-serif;\n }\n\n \/* 768px geni\u015fli\u011fin alt\u0131ndaki ekranlar i\u00e7in *\/\n @media (max-width: 768px) {\n .test-report-container {\n grid-template-columns: 1fr; \/* Tek s\u00fctuna d\u00fc\u015f\u00fcr *\/\n padding: 10px;\n }\n .test-report-card {\n font-size: 0.9em; \/* Yaz\u0131 boyutunu k\u00fc\u00e7\u00fclt *\/\n padding: 12px;\n }\n }\n\n \/* 480px geni\u015fli\u011fin alt\u0131ndaki ekranlar i\u00e7in *\/\n @media (max-width: 480px) {\n .test-report-container {\n gap: 10px; \/* Bo\u015fluklar\u0131 azalt *\/\n }\n .test-report-card h3 {\n font-size: 1em;\n }\n }\n\n .test-report-card {\n background-color: #f0f8ff; \/* A\u00e7\u0131k mavi arka plan *\/\n border-radius: 8px;\n padding: 15px;\n box-shadow: 0 2px 5px rgba(0,0,0,0.1);\n border: 1px solid #cceeff;\n }\n .test-report-card.success { border-left: 5px solid #28a745; } \/* Ye\u015fil kenarl\u0131k *\/\n .test-report-card.failure { border-left: 5px solid #dc3545; } \/* K\u0131rm\u0131z\u0131 kenarl\u0131k *\/\n .test-report-card h3 {\n margin-top: 0;\n color: #333;\n }\n .test-report-card p {\n margin-bottom: 5px;\n color: #555;\n }\n <\/pre>\n5. Bellek S\u0131z\u0131nt\u0131lar\u0131n\u0131 ve CPU Yo\u011funlu\u011funu Y\u00f6netin<\/h3>\n
\n
afterEach<\/code> veya afterAll<\/code> blo\u011funda t\u00fcm kaynaklar\u0131n (a\u00e7\u0131k ba\u011flant\u0131lar, mocklanm\u0131\u015f global nesneler, DOM elemanlar\u0131) d\u00fczg\u00fcn bir \u015fekilde temizlendi\u011finden emin olun.<\/li>\nSonu\u00e7<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n
\n
--inspect<\/code> veya --heap-profiler<\/code> gibi Node.js hata ay\u0131klama bayraklar\u0131yla \u00e7al\u0131\u015ft\u0131rarak bellek kullan\u0131m\u0131n\u0131 izleyebilirsiniz. Ayr\u0131ca, afterEach<\/code> ve afterAll<\/code> bloklar\u0131nda kaynak temizli\u011fini do\u011fru yapt\u0131\u011f\u0131n\u0131zdan emin olun. Baz\u0131 durumlarda, test ortam\u0131n\u0131 her testten sonra yeniden ba\u015flatmak (ancak bu performans\u0131 d\u00fc\u015f\u00fcrebilir) veya testleri daha k\u00fc\u00e7\u00fck par\u00e7alara b\u00f6lmek de yard\u0131mc\u0131 olabilir.<\/p>\n<\/li>\n