Yapay zeka modelleriyle \u00e7al\u0131\u015f\u0131rken en s\u0131k kar\u015f\u0131la\u015f\u0131lan sorunlardan biri, “haf\u0131za kayb\u0131” olarak adland\u0131rd\u0131\u011f\u0131m\u0131z durumdur. Uzun konu\u015fmalarda veya karma\u015f\u0131k projelerde AI’\u0131n \u00f6nceki etkile\u015fimleri unutmas\u0131, \u00fcretkenli\u011fi ciddi \u015fekilde d\u00fc\u015f\u00fcrebilir. Peki, bu yayg\u0131n AI “unutkanl\u0131\u011f\u0131n\u0131” basit bir B\u00fcy\u00fck Dil Modelleri (LLM’ler) gibi yapay zeka sistemleriyle etkile\u015fimde bulunan bir\u00e7ok ki\u015fi, zaman zaman AI’\u0131n daha \u00f6nce konu\u015ftu\u011funuz konular\u0131, verdi\u011finiz talimatlar\u0131 veya belirledi\u011finiz ba\u011flam\u0131 “unutmu\u015f” gibi davrand\u0131\u011f\u0131n\u0131 fark eder. Bu durum, \u00f6zellikle uzun s\u00fcreli projeler \u00fczerinde \u00e7al\u0131\u015f\u0131rken veya karma\u015f\u0131k bir problemi ad\u0131m ad\u0131m \u00e7\u00f6zerken olduk\u00e7a sinir bozucu olabilir. Peki, modern yapay zeka bu temel “haf\u0131za kayb\u0131n\u0131” neden ya\u015far?<\/p>\n Asl\u0131nda, bu bir t\u00fcr amnezi de\u011fildir; daha ziyade, \u00e7o\u011fu yapay zeka modelinin \u00e7al\u0131\u015fma prensiplerinden kaynaklanan yap\u0131sal bir s\u0131n\u0131rlamad\u0131r. Bir\u00e7ok AI modeli, her bir etkile\u015fimi (prompt) ba\u011f\u0131ms\u0131z bir olay olarak i\u015fler. Yani, her yeni girdi, \u00f6nceki diyaloglardan veya verilen bilgilerden do\u011frudan bir ba\u011flam ta\u015f\u0131maz. Bu durum, modellerin “durumsuz” (stateless) yap\u0131s\u0131ndan kaynaklan\u0131r. Her sorgu, model i\u00e7in taze bir ba\u015flang\u0131\u00e7 gibidir. Sanki her seferinde yeni bir g\u00f6r\u00fc\u015fmeye ba\u015fl\u0131yormu\u015fsunuz gibi d\u00fc\u015f\u00fcnebilirsiniz. Bu, i\u015flem g\u00fcc\u00fc ve verimlilik a\u00e7\u0131s\u0131ndan belirli avantajlar sunsa da, ba\u011flam\u0131n s\u00fcreklili\u011fini sa\u011flamak konusunda ciddi zorluklar yarat\u0131r.<\/p>\n \u00d6zellikle dikkat etmemiz gereken bir di\u011fer kritik fakt\u00f6r ise “ba\u011flam penceresi” (context window) olarak bilinen s\u0131n\u0131rlamad\u0131r. Her LLM’nin i\u015fleyebilece\u011fi belirli bir token (kelime veya karakter par\u00e7ac\u0131\u011f\u0131) s\u0131n\u0131r\u0131 vard\u0131r. Bu ba\u011flam penceresi, modelin belirli bir anda “hat\u0131rlayabilece\u011fi” veya dikkate alabilece\u011fi bilgi miktar\u0131n\u0131 belirler. Diyalog uzad\u0131k\u00e7a, bu pencere dolar ve en eski girdiler bu pencereden “d\u00fc\u015fmeye” ba\u015flar. Bu, AI’\u0131n ger\u00e7ekten de fiziksel olarak \u00f6nceki konu\u015fmalar\u0131 “unutmas\u0131” anlam\u0131na gelir; \u00e7\u00fcnk\u00fc bu bilgiler art\u0131k i\u015flem i\u00e7in eri\u015filebilir de\u011fildir. \u00d6rne\u011fin, 4000 tokenl\u0131k bir ba\u011flam penceresine sahip bir modelle saatlerce sohbet etti\u011finizde, ilk verdi\u011finiz talimatlar\u0131n veya tan\u0131mlad\u0131\u011f\u0131n\u0131z karakter \u00f6zelliklerinin bu pencereden \u00e7\u0131km\u0131\u015f olmas\u0131 muhtemeldir. Bu, AI’\u0131n tutars\u0131z cevaplar vermesine veya \u00f6nceki ba\u011flamdan tamamen kopuk bir \u015fekilde hareket etmesine neden olabilir.<\/p>\n Bu “unutkanl\u0131k” sadece bir sohbet robotuyla vakit ge\u00e7irirken de\u011fil, ayn\u0131 zamanda yaz\u0131l\u0131m geli\u015ftirme, i\u00e7erik olu\u015fturma veya veri analizi gibi profesyonel senaryolarda da b\u00fcy\u00fck bir engel te\u015fkil eder. Bir yaz\u0131l\u0131mc\u0131, belirli bir kod par\u00e7as\u0131 \u00fczerinde iterasyonlar yaparken, AI’\u0131n her seferinde kodun amac\u0131n\u0131 veya mevcut durumunu tekrar hat\u0131rlatmak zorunda kal\u0131rsa, s\u00fcre\u00e7 olduk\u00e7a yava\u015flar. Ayn\u0131 \u015fekilde, bir i\u00e7erik \u00fcreticisi, uzun bir makalenin farkl\u0131 b\u00f6l\u00fcmleri i\u00e7in AI’dan yard\u0131m al\u0131rken, konunun ana temas\u0131n\u0131 veya daha \u00f6nce belirlenen anahtar noktalar\u0131 s\u00fcrekli olarak tekrarlamak zorunda kalabilir. Bu durum, hem zaman kayb\u0131na hem de AI’\u0131n potansiyelinden tam olarak yararlanamamaya yol a\u00e7ar. \u0130\u015fte bu noktada, yapay zeka haf\u0131za kayb\u0131n\u0131 gidermek i\u00e7in daha yap\u0131land\u0131r\u0131lm\u0131\u015f ve bilin\u00e7li bir yakla\u015f\u0131ma ihtiya\u00e7 duyar\u0131z.<\/p>\n Yapay zekan\u0131n ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131 ve durumsuz do\u011fas\u0131 g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, bu “haf\u0131za kayb\u0131n\u0131” a\u015fmak i\u00e7in yarat\u0131c\u0131 bir \u00e7\u00f6z\u00fcm bulmak elzemdir. \u0130\u015fte tam bu noktada “Oturum Protokol\u00fc” devreye giriyor. Oturum Protokol\u00fc, yapay zeka ile olan etkile\u015fimlerimizi daha yap\u0131land\u0131r\u0131lm\u0131\u015f, tutarl\u0131 ve verimli hale getirmek i\u00e7in tasarlanm\u0131\u015f bir yakla\u015f\u0131md\u0131r. Geleneksel “prompt m\u00fchendisli\u011fi” tekniklerinin \u00f6tesine ge\u00e7erek, AI’\u0131n “ne yapt\u0131\u011f\u0131m\u0131z\u0131”, “neye ihtiyac\u0131m\u0131z oldu\u011funu” ve “\u015fu anki durumu” her zaman bilmesini sa\u011flayan sistematik bir \u00e7er\u00e7eve sunar.<\/p>\n Basit\u00e7e ifade etmek gerekirse, Oturum Protokol\u00fc, yapay zeka ile yap\u0131lan her etkile\u015fimin bir dizi \u00f6nceden tan\u0131mlanm\u0131\u015f ad\u0131m\u0131 takip etmesini ve bu ad\u0131mlar boyunca ba\u011flam\u0131n aktif olarak y\u00f6netilmesini sa\u011flamay\u0131 ama\u00e7lar. Bu, AI’a her yeni sorguda sadece anl\u0131k iste\u011fi g\u00f6ndermek yerine, projenin genel durumu, \u00f6nceki kararlar, tamamlanm\u0131\u015f g\u00f6revler ve bekleyen i\u015fler hakk\u0131nda g\u00fcncel bir \u00f6zet sunmak anlam\u0131na gelir. Bu sayede, modelin her zaman “b\u00fcy\u00fck resmi” g\u00f6rmesini ve buna g\u00f6re yan\u0131t vermesini garantileriz. Bu bilin\u00e7li durum y\u00f6netimi, AI’\u0131n ge\u00e7mi\u015f konu\u015fmalardan ders \u00e7\u0131karmas\u0131n\u0131 ve gelecekteki etkile\u015fimlerde daha ak\u0131ll\u0131ca hareket etmesini sa\u011flar. Yani, art\u0131k AI’dan her seferinde s\u0131f\u0131rdan ba\u015flamas\u0131n\u0131 istemiyoruz; aksine, onu projenin bir par\u00e7as\u0131, s\u00fcrekli bilgilendirilen bir ekip \u00fcyesi olarak konumland\u0131r\u0131yoruz.<\/p>\n Oturum Protokol\u00fc’n\u00fcn en temel bile\u015fenlerinden biri, harici bir “bellek” veya “durum” mekanizmas\u0131 kullanmakt\u0131r. Bu mekanizma, yapay zekan\u0131n ba\u011flam penceresinin \u00f6tesine ge\u00e7erek, kal\u0131c\u0131 bilgileri saklamas\u0131na olanak tan\u0131r. \u0130\u015fte bu noktada Oturum Protokol\u00fc’n\u00fc benimsemek, asl\u0131nda yapay zeka ile \u00e7al\u0131\u015fma \u015feklimizi temelden de\u011fi\u015ftirir. Onu basit bir “ara\u00e7” olmaktan \u00e7\u0131kar\u0131p, s\u00fcrekli \u00f6\u011frenen ve ba\u011flama duyarl\u0131 bir “ekip arkada\u015f\u0131na” d\u00f6n\u00fc\u015ft\u00fcr\u00fcr\u00fcz. Bu yakla\u015f\u0131m, sadece AI’\u0131n haf\u0131za sorununu \u00e7\u00f6zmekle kalmaz, ayn\u0131 zamanda proje y\u00f6netimini kolayla\u015ft\u0131r\u0131r, hata oranlar\u0131n\u0131 d\u00fc\u015f\u00fcr\u00fcr ve nihayetinde yapay zeka destekli s\u00fcre\u00e7lerimizde \u00e7ok daha y\u00fcksek bir verimlilik ve kalite sa\u011flar. Geleneksel prompt m\u00fchendisli\u011fi genellikle “tek at\u0131\u015fl\u0131k” (one-shot) veya “birka\u00e7 at\u0131\u015fl\u0131k” (few-shot) \u00f6\u011frenmeye odaklan\u0131rken, Oturum Protokol\u00fc s\u00fcrekli ve uzun vadeli bir \u00f6\u011frenme ve adaptasyon d\u00f6ng\u00fcs\u00fc yarat\u0131r. Bu, AI’\u0131n zamanla projeniz hakk\u0131nda daha derinlemesine bilgi edinmesine ve giderek daha uzmanla\u015fm\u0131\u015f yan\u0131tlar sunmas\u0131na olanak tan\u0131r.<\/p>\n Oturum Protokol\u00fc’n\u00fcn kalbinde, AI’\u0131n “haf\u0131zas\u0131” olarak i\u015flev g\u00f6ren bir mekanizma bulunur. Bu mekanizma i\u00e7in neden karma\u015f\u0131k bir veritaban\u0131 veya \u00f6zel bir API yerine basit bir Bu yakla\u015f\u0131mda, Bu yap\u0131, yapay zekaya her seferinde geni\u015f bir ba\u011flam penceresi sunarak, sanki projeyi ba\u015ftan sona takip eden bir insan gibi davranmas\u0131n\u0131 sa\u011flar. Model, bu Ayr\u0131ca, \u015eimdi Oturum Protokol\u00fc’n\u00fc ger\u00e7ek bir senaryo \u00fczerinden nas\u0131l uygulayaca\u011f\u0131m\u0131z\u0131 inceleyelim. Diyelim ki, basit bir “yemek tarifi web uygulamas\u0131” geli\u015ftirmek istiyoruz ve yapay zekadan hem kod yaz\u0131m\u0131nda hem de proje y\u00f6netiminde yard\u0131m al\u0131yoruz. Bu \u00f6rnek, Oturum Protokol\u00fc’n\u00fcn nas\u0131l somut bir fayda sa\u011flad\u0131\u011f\u0131n\u0131 a\u00e7\u0131k\u00e7a g\u00f6sterecektir.<\/p>\n Amac\u0131m\u0131z: Kullan\u0131c\u0131lar\u0131n tarifleri arayabilece\u011fi, kaydedebilece\u011fi ve yeni tarifler ekleyebilece\u011fi basit bir web uygulamas\u0131 olu\u015fturmak. AI’dan bu projenin farkl\u0131 a\u015famalar\u0131nda (API tasar\u0131m\u0131, frontend komponentleri, veritaban\u0131 \u015femas\u0131 vb.) destek alaca\u011f\u0131z.<\/p>\n Projenin ilk ad\u0131m\u0131 olarak, temel gereksinimleri ve hedefleri belirten bir <\/code><\/p>\n \u0130lk etkile\u015fimde AI'a bu AI, Bu \u00f6neri ho\u015fumuza gider ve <\/code><\/p>\n Ard\u0131ndan AI'a yeni bir talimat g\u00f6ndeririz, yine g\u00fcncel Bu s\u00fcre\u00e7, projenin her a\u015famas\u0131nda devam eder. Her yeni etkile\u015fimde, g\u00fcncel Bu, asl\u0131nda AI ile bir \"oturum\" olu\u015fturdu\u011fumuz anlam\u0131na gelir. Bu oturum boyunca, Pratikte, bu s\u00fcre\u00e7 bir API arac\u0131l\u0131\u011f\u0131yla veya basit bir komut sat\u0131r\u0131 aray\u00fcz\u00fc ile y\u00f6netilebilir. A\u015fa\u011f\u0131daki \u00f6rnek, Python kullanarak OpenAI API's\u0131 ile bu Oturum Protokol\u00fc'n\u00fc nas\u0131l uygulayaca\u011f\u0131m\u0131z\u0131 g\u00f6sterir:<\/p>\n <\/code><\/p>\n Bu Python kodu, her AI \u00e7a\u011fr\u0131s\u0131nda TODO.md<\/code> dosyas\u0131 ve ak\u0131ll\u0131 bir protokol ile nas\u0131l kal\u0131c\u0131 olarak \u00e7\u00f6zebiliriz?<\/p>\nOturum Protokol\u00fc Nedir ve Yapay Zeka \u0130leti\u015fimini Nas\u0131l D\u00f6n\u00fc\u015ft\u00fcr\u00fcr?<\/h2>\n
TODO.md<\/code> gibi basit ama etkili ara\u00e7lar devreye girer. Bir TODO.md<\/code> dosyas\u0131, sadece yap\u0131lacaklar listesinden \u00e7ok daha fazlas\u0131d\u0131r; o, projenin mevcut durumu, al\u0131nan kararlar, tamamlanan ad\u0131mlar ve hatta \u00fczerinde \u00e7al\u0131\u015f\u0131lan belirli kod bloklar\u0131 gibi her t\u00fcrl\u00fc ilgili bilginin g\u00fcncel bir kayd\u0131d\u0131r. Bu dosya, AI ile olan her etkile\u015fimde ona sunulan bir “ge\u00e7mi\u015f ve gelecek” haritas\u0131 g\u00f6revi g\u00f6r\u00fcr. Bu, AI’\u0131n, sanki sizden uzun bir proje \u00f6zeti okumu\u015f gibi, her sorgunuza tam ba\u011flam i\u00e7inde yan\u0131t vermesini sa\u011flar. B\u00f6ylece, tekrarlayan a\u00e7\u0131klamalara veya ge\u00e7mi\u015fi hat\u0131rlatma \u00e7abalar\u0131na gerek kalmaz, bu da etkile\u015fimlerin hem daha h\u0131zl\u0131 hem de daha isabetli olmas\u0131n\u0131 sa\u011flar. Bu sayede, AI’\u0131n yan\u0131tlar\u0131 daha alakal\u0131, tutarl\u0131 ve projenin genel hedefleriyle uyumlu hale gelir.<\/p>\nTODO.md: Haf\u0131zan\u0131n G\u00f6rselle\u015ftirilmi\u015f Kayna\u011f\u0131 Nas\u0131l Olur?<\/h3>\n
TODO.md<\/code> dosyas\u0131 tercih ediliyor olabilir? Cevap, sadeli\u011finde ve esnekli\u011finde gizlidir. TODO.md<\/code> dosyas\u0131, sadece bir yap\u0131lacaklar listesi olman\u0131n \u00f6tesinde, yapay zeka ile olan projemizin g\u00fcncel durumunu, hedeflerini, tamamlanan ad\u0131mlar\u0131n\u0131, kararlar\u0131n\u0131 ve hatta kritik notlar\u0131n\u0131 i\u00e7eren dinamik bir bellek bankas\u0131 haline gelir.<\/p>\nTODO.md<\/code> dosyas\u0131 asl\u0131nda AI’\u0131n her etkile\u015fimden \u00f6nce “okumas\u0131” gereken bir belge g\u00f6revi g\u00f6r\u00fcr. Dosya, projenin mevcut durumu hakk\u0131nda anl\u0131k bir \u00f6zet sunar. \u00d6rne\u011fin, bir yaz\u0131l\u0131m geli\u015ftirme projesinde, TODO.md<\/code> \u015funlar\u0131 i\u00e7erebilir:<\/p>\n\n
TODO.md<\/code> dosyas\u0131n\u0131 okuyarak, ge\u00e7mi\u015fte ne yap\u0131ld\u0131\u011f\u0131n\u0131, \u015fu an neyin \u00f6nemli oldu\u011funu ve gelecekteki ad\u0131mlar\u0131n ne olmas\u0131 gerekti\u011fini otomatik olarak anlayabilir. Bu da AI’\u0131n verdi\u011fi yan\u0131tlar\u0131n \u00e7ok daha alakal\u0131, tutarl\u0131 ve projenin genel hedefleriyle uyumlu olmas\u0131n\u0131 sa\u011flar. Ayr\u0131ca, TODO.md<\/code> dosyas\u0131n\u0131n Markdown format\u0131nda olmas\u0131, hem insanlar hem de yapay zeka i\u00e7in okunabilirli\u011fini art\u0131r\u0131r. Hiyerar\u015fik yap\u0131s\u0131 (ba\u015fl\u0131klar, listeler) sayesinde bilgiler kolayca organize edilebilir ve h\u0131zl\u0131ca tarat\u0131labilir.<\/p>\nTODO.md<\/code> dosyas\u0131 sadece AI’\u0131n okudu\u011fu bir dosya de\u011fildir; ayn\u0131 zamanda AI’\u0131n g\u00fcncelleyebilece\u011fi bir dosya olarak da i\u015flev g\u00f6rebilir. Elbette, bu otomatik g\u00fcncellemeler genellikle insan denetimi alt\u0131nda veya belirli otomasyon kurallar\u0131 \u00e7er\u00e7evesinde ger\u00e7ekle\u015fir. \u00d6rne\u011fin, AI bir g\u00f6revi tamamlad\u0131\u011f\u0131nda, TODO.md<\/code> dosyas\u0131ndaki ilgili maddeyi i\u015faretleyebilir veya yeni bir g\u00f6rev ke\u015ffetti\u011finde bunu listeye ekleyebilir. Bu dinamik etkile\u015fim, projenin canl\u0131 bir bellek kayd\u0131na sahip olmas\u0131n\u0131 sa\u011flar ve AI’\u0131n s\u00fcrekli olarak projenin geli\u015fimine adapte olmas\u0131na olanak tan\u0131r. B\u00f6ylece, Oturum Protokol\u00fc’n\u00fcn temel amac\u0131 olan “kal\u0131c\u0131 bellek” mekanizmas\u0131, basit bir metin dosyas\u0131 \u00fczerinden olduk\u00e7a etkili bir \u015fekilde ger\u00e7ekle\u015ftirilmi\u015f olur. Bu yakla\u015f\u0131m, sadece yapay zeka etkile\u015fimlerinin kalitesini art\u0131rmakla kalmaz, ayn\u0131 zamanda proje y\u00f6netimini daha \u015feffaf ve izlenebilir hale getirir. T\u00fcm ekip \u00fcyeleri, yapay zeka da dahil olmak \u00fczere, projenin mevcut durumu hakk\u0131nda her zaman g\u00fcncel bilgiye sahip olurlar.<\/p>\nOturum Protokol\u00fc’n\u00fc Ad\u0131m Ad\u0131m Uygulama: Ger\u00e7ek D\u00fcnya Senaryosu<\/h2>\n
Vaka Analizi: Bir Yemek Tarifi Web Uygulamas\u0131 Geli\u015ftirme<\/h3>\n
Ad\u0131m 1: Proje Ba\u015flang\u0131c\u0131 ve TODO.md Olu\u015fturma<\/h3>\n
TODO.md<\/code> dosyas\u0131 olu\u015fturuyoruz. Bu dosya, AI’\u0131n her etkile\u015fimden \u00f6nce okuyaca\u011f\u0131 temel ba\u011flam\u0131 sa\u011flayacak.<\/p>\n\n# Yemek Tarifi Uygulamas\u0131 Projesi\n\nProje Hedefi<\/strong>\nKullan\u0131c\u0131lar\u0131n tarifleri ke\u015ffetmesine, kaydetmesine ve y\u00f6netmesine olanak tan\u0131yan basit bir web uygulamas\u0131 olu\u015fturmak.\n\nTemel \u00d6zellikler<\/strong>\n- Tarifleri listeleme ve g\u00f6r\u00fcnt\u00fcleme\n- Tarif arama\n- Yeni tarif ekleme\n- Mevcut tarifleri d\u00fczenleme\/silme\n\nDurum<\/strong>\n- [ ] API Tasar\u0131m\u0131 (Devam Ediyor)\n- [ ] Veritaban\u0131 \u015eemas\u0131 Olu\u015fturma\n- [ ] Frontend Ana Sayfa Tasar\u0131m\u0131\n- [ ] Tarif Ekleme Formu\n- [ ] Kullan\u0131c\u0131 Giri\u015f\/Kay\u0131t (Opsiyonel)\n\nNotlar<\/strong>\n- Backend i\u00e7in Node.js ve Express.js kullan\u0131lacak.\n- Frontend i\u00e7in React kullan\u0131lacak.\n- Veritaban\u0131 olarak MongoDB d\u00fc\u015f\u00fcn\u00fclebilir.\n- Her tarif i\u00e7in en az\u0131ndan \u015fu alanlar olmal\u0131: isim, malzemeler, talimatlar, pi\u015firme s\u00fcresi, kategori.\n<\/pre>\nTODO.md<\/code> dosyas\u0131n\u0131n i\u00e7eri\u011fini g\u00f6ndeririz ve \u00f6rne\u011fin \u015f\u00f6yle bir talimat veririz: \"Yukar\u0131daki TODO.md<\/code> dosyas\u0131n\u0131 oku ve projenin mevcut durumunu anla. \u015eu anda API tasar\u0131m\u0131 \u00fczerinde \u00e7al\u0131\u015f\u0131yoruz. Tarifler i\u00e7in uygun bir REST API endpoint yap\u0131s\u0131 \u00f6nerebilir misin?\"<\/p>\nAd\u0131m 2: Etkile\u015fim ve G\u00fcncelleme<\/h3>\n
TODO.md<\/code> i\u00e7eri\u011fini okuduktan sonra, ba\u011flama uygun bir API yap\u0131s\u0131 \u00f6nerir. \u00d6rne\u011fin:<\/p>\n\n
GET \/api\/recipes<\/code>: T\u00fcm tarifleri listele<\/li>\nGET \/api\/recipes\/:id<\/code>: Belirli bir tarifi g\u00f6r\u00fcnt\u00fcle<\/li>\nPOST \/api\/recipes<\/code>: Yeni tarif ekle<\/li>\nPUT \/api\/recipes\/:id<\/code>: Mevcut tarifi g\u00fcncelle<\/li>\nDELETE \/api\/recipes\/:id<\/code>: Tarifi sil<\/li>\n<\/ul>\nTODO.md<\/code> dosyas\u0131n\u0131 g\u00fcncelleriz:<\/p>\n\n# Yemek Tarifi Uygulamas\u0131 Projesi\n\nProje Hedefi<\/strong>\n...\n\nTemel \u00d6zellikler<\/strong>\n...\n\nDurum<\/strong>\n- [x] API Tasar\u0131m\u0131 (Tamamland\u0131)\n- [ ] Veritaban\u0131 \u015eemas\u0131 Olu\u015fturma (Devam Ediyor)\n- [ ] Frontend Ana Sayfa Tasar\u0131m\u0131\n- [ ] Tarif Ekleme Formu\n- [ ] Kullan\u0131c\u0131 Giri\u015f\/Kay\u0131t (Opsiyonel)\n\nNotlar<\/strong>\n- ...\n- API Endpointler (Onayland\u0131):<\/strong>\n - GET \/api\/recipes\n - GET \/api\/recipes\/:id\n - POST \/api\/recipes\n - PUT \/api\/recipes\/:id\n - DELETE \/api\/recipes\/:id\n<\/pre>\nTODO.md<\/code> i\u00e7eri\u011fiyle birlikte: \"\u015eimdi TODO.md<\/code> dosyas\u0131n\u0131 tekrar oku. API tasar\u0131m\u0131 tamamland\u0131. 'Veritaban\u0131 \u015eemas\u0131 Olu\u015fturma' maddesine ge\u00e7tik. MongoDB i\u00e7in tarif koleksiyonu i\u00e7in uygun bir \u015fema (JSON format\u0131nda) \u00f6nerebilir misin? Pi\u015firme s\u00fcresi i\u00e7in Number, malzemeler i\u00e7in String dizisi kullanabiliriz.\"<\/p>\nAd\u0131m 3: S\u00fcrekli Ba\u011flam Y\u00f6netimi<\/h3>\n
TODO.md<\/code> dosyas\u0131n\u0131 AI'a sunar\u0131z. B\u00f6ylece AI, her zaman projenin en son durumunu, tamamlanan ad\u0131mlar\u0131 ve bekleyen g\u00f6revleri bilir. Bu, AI'\u0131n her seferinde ge\u00e7mi\u015fi tekrar \u00f6\u011frenmek zorunda kalmamas\u0131n\u0131 sa\u011flar. \u00d6rne\u011fin, frontend tasar\u0131m\u0131 a\u015famas\u0131na ge\u00e7ti\u011fimizde, AI'a backend ve veritaban\u0131 kararlar\u0131n\u0131 tekrar anlatmam\u0131za gerek kalmaz, \u00e7\u00fcnk\u00fc bu bilgiler zaten TODO.md<\/code>'de kay\u0131tl\u0131d\u0131r.<\/p>\nTODO.md<\/code> dosyas\u0131 s\u00fcrekli olarak g\u00fcncellenir ve AI'\u0131n belle\u011fini taze tutar. AI'\u0131n ald\u0131\u011f\u0131 her yan\u0131t, \u00f6nceki etkile\u015fimler ve projenin genel durumuyla tamamen uyumlu olur. Bu y\u00f6ntemle, uzun ve karma\u015f\u0131k projeleri dahi tutarl\u0131 bir \u015fekilde y\u00f6netebiliriz, \u00e7\u00fcnk\u00fc AI hi\u00e7bir zaman ba\u011flam\u0131 kaybetmez.<\/p>\nKod \u00d6rnekleri: AI ile Etkile\u015fim Sim\u00fclasyonu<\/h3>\n
\n# Gerekli k\u00fct\u00fcphaneleri y\u00fckleyin\nimport openai\nimport os\n\n# OpenAI API anahtar\u0131n\u0131z\u0131 ayarlay\u0131n\n# os.environ[\"OPENAI_API_KEY\"] = \"sk-...\" \n# openai.api_key = os.getenv(\"OPENAI_API_KEY\")\n\ndef read_todo_md(file_path=\"TODO.md\"):\n \"\"\"TODO.md dosyas\u0131n\u0131 okur ve i\u00e7eri\u011fini d\u00f6nd\u00fcr\u00fcr.\"\"\"\n with open(file_path, \"r\", encoding=\"utf-8\") as f:\n return f.read()\n\ndef write_todo_md(content, file_path=\"TODO.md\"):\n \"\"\"TODO.md dosyas\u0131n\u0131n i\u00e7eri\u011fini g\u00fcnceller.\"\"\"\n with open(file_path, \"w\", encoding=\"utf-8\") as f:\n f.write(content)\n\ndef send_to_ai(prompt_text, todo_content):\n \"\"\"AI'ya g\u00fcncel TODO.md i\u00e7eri\u011fiyle birlikte bir prompt g\u00f6nderir.\"\"\"\n full_prompt = f\"\"\"\n A\u015fa\u011f\u0131daki TODO.md dosyas\u0131n\u0131 dikkate alarak sana sordu\u011fum g\u00f6revi tamamla:\n\n --- TODO.md Ba\u015flang\u0131c\u0131 ---\n {todo_content}\n --- TODO.md Sonu ---\n\n G\u00f6rev: {prompt_text}\n \"\"\"\n \n try:\n response = openai.chat.completions.create(\n model=\"gpt-4o\", # veya ba\u015fka bir model\n messages=[\n {\"role\": \"system\", \"content\": \"Sen bir proje y\u00f6neticisi ve yaz\u0131l\u0131m geli\u015ftirme asistan\u0131s\u0131n. Sana sunulan TODO.md dosyas\u0131na g\u00f6re g\u00f6revleri yerine getirir ve s\u00fcrekli ba\u011flam\u0131 korursun.\"},\n {\"role\": \"user\", \"content\": full_prompt}\n ],\n max_tokens=1000,\n temperature=0.7\n )\n return response.choices[0].message.content\n except Exception as e:\n return f\"AI ile ileti\u015fimde hata olu\u015ftu: {e}\"\n\n# \u00d6rnek kullan\u0131m:\nif __name__ == \"__main__\":\n current_todo = read_todo_md()\n print(\"G\u00fcncel TODO.md:\\n\", current_todo)\n\n # \u0130lk Etkile\u015fim: API tasar\u0131m\u0131\n user_query_1 = \"Tarifler i\u00e7in uygun bir REST API endpoint yap\u0131s\u0131 \u00f6nerebilir misin?\"\n ai_response_1 = send_to_ai(user_query_1, current_todo)\n print(\"\\nAI Yan\u0131t\u0131 1:\\n\", ai_response_1)\n\n # TODO.md'yi manuel olarak g\u00fcncelledi\u011fimizi varsayal\u0131m\n # (Ger\u00e7ekte bu, bir CI\/CD veya CLI arac\u0131 ile otomatikle\u015ftirilebilir)\n print(\"\\nTODO.md manuel olarak g\u00fcncelleniyor...\")\n updated_todo_1 = \"\"\"\n# Yemek Tarifi Uygulamas\u0131 Projesi\n\nProje Hedefi<\/strong>\n... (ayn\u0131)\n\nTemel \u00d6zellikler<\/strong>\n... (ayn\u0131)\n\nDurum<\/strong>\n- [x] API Tasar\u0131m\u0131 (Tamamland\u0131)\n- [ ] Veritaban\u0131 \u015eemas\u0131 Olu\u015fturma (Devam Ediyor)\n- ...\n\nNotlar<\/strong>\n- ...\n- API Endpointler (Onayland\u0131):\n - GET \/api\/recipes\n - GET \/api\/recipes\/:id\n - POST \/api\/recipes\n - PUT \/api\/recipes\/:id\n - DELETE \/api\/recipes\/:id\n\"\"\"\n write_todo_md(updated_todo_1)\n current_todo = read_todo_md() # G\u00fcncel TODO.md'yi tekrar oku\n\n # \u0130kinci Etkile\u015fim: Veritaban\u0131 \u015femas\u0131\n user_query_2 = \"MongoDB i\u00e7in tarif koleksiyonu i\u00e7in uygun bir \u015fema (JSON format\u0131nda) \u00f6nerebilir misin? Pi\u015firme s\u00fcresi i\u00e7in Number, malzemeler i\u00e7in String dizisi kullanabiliriz.\"\n ai_response_2 = send_to_ai(user_query_2, current_todo)\n print(\"\\nAI Yan\u0131t\u0131 2:\\n\", ai_response_2)\n<\/pre>\nTODO.md<\/code> dosyas\u0131n\u0131n i\u00e7eri\u011fini bir sistem mesaj\u0131 veya ana prompt'un bir par\u00e7as\u0131 olarak g\u00f6nderir. Bu, AI'\u0131n her seferinde g\u00fcncel ve eksiksiz bir ba\u011flama sahip olmas\u0131n\u0131 sa\u011flar. Mobil uyumluluk i\u00e7in, kod bloklar\u0131n\u0131n ekranda ta\u015fmamas\u0131n\u0131 sa\u011flamak amac\u0131yla a\u015fa\u011f\u0131daki CSS kurallar\u0131n\u0131 kullanabiliriz:<\/p>\n\n