Skip to main content

AI ile 10x Development — Pratik Rehber

· 6 min read
Metin Karakus
Metin Karakus
Data Professional

"10x developer" kavramı yıllardır var. Ama şimdiye kadar bu genellikle doğal yetenek veya yılların deneyimiyle açıklanıyordu. AI araçları bu denklemi değiştirdi: araç seçimi ve kullanım kalitesi, deneyim kadar belirleyici hale geldi.

Bu yazı "AI iyi bir şey" düzeyinde genel bir övgü değil. Somut araçlar, somut kullanım senaryoları ve gerçekten fark yaratan pratikler.

Önce Dürüst Bir Değerlendirme​

AI coding araçları her zaman doğru kod yazmaz. Halüsinasyon yapar, eski API kullanır, bağlamı kaçırır. Bunları görmezden gelen rehberler sizi hayal kırıklığına uğratır.

Gerçekçi beklenti şu:

  • Boilerplate ve tekrar gerektiren kod: %80-90 verim artışı
  • Yeni domain / framework keşfi: %50-70 verim artışı
  • Karmaşık business logic: %20-40 verim artışı
  • Kritik güvenlik / performans kodu: Dikkatli review şart, kör güven tehlikeli

AI bir çarpan. Temel olmadan çarpmak işe yaramaz — ama temel varsa etkisi büyük.

Araç Haritası​

Katman 1: IDE Entegrasyonu (Her Zaman Açık)​

Bunlar background'da çalışan, her tuş vuruşunda devreye giren araçlar:

AraçGüçlü YönFiyat
GitHub CopilotEn geniş dil/framework desteği, VS Code entegrasyonu$10/ay
CursorTam proje bağlamı, multi-file edit, chat$20/ay
WindsurfCascade agenti, codebase-aware$15/ay
CodeiumÜcretsiz tier güçlü, enterprise seçenekÜcretsiz

Bunlardan birini seçin ve derinlemesine öğrenin. Hepsini yüzeysel kullanmak hiçbirinden verim almamak demektir.

Katman 2: Sohbet / Reasoning (Zorlu Problemler İçin)​

IDE autocompletion'ın ötesine geçmeniz gerektiğinde:

AraçNe Zaman
Claude Sonnet/OpusUzun kod analizi, mimari tartışma, dokümantasyon
ChatGPT o1/o3Matematiksel/algoritmik problem çözme
Gemini 1.5 ProÇok büyük codebase'leri tek seferde analiz (1M token context)

Katman 3: Terminal Ajanları (Otomasyon)​

Dosya oluşturma, değiştirme, komut çalıştırma gibi multi-step görevler için:

  • OpenCode — terminal TUI, model agnostik, açık kaynak
  • Claude Code — güçlü ajan yetenekleri, Anthropic ekosistemi
  • Aider — git-native, commit mesajlarını da AI yazar

Pratik 1: Completion'ı Düzgün Kullanmak​

Çoğu geliştirici Copilot'u açıp önerilen kodu Tab ile kabul ediyor. Bu, aracın %20'sini kullanmak demektir.

Bağlamı Şekillendirin​

AI, dosyanın geri kalanına bakarak tamamlama üretir. Bunu bilinçli kullanın:

# KÖTÜ: Bağlam yok, genel bir şey üretir
def process():

# İYİ: Yorum ile bağlamı açıklayın
# Snowflake'ten müşteri verilerini çekip yaş gruplarına göre segmente et
# Sonucu {segment: [customer_id, ...]} formatında döndür
def process_customer_segments():

İkinci örnekte Copilot çok daha isabetli bir tamamlama üretir.

Çoklu Öneri Görüntüleme​

Copilot'ta Alt+] / Alt+[ ile alternatif önerilere bakın. İlk öneri her zaman en iyisi değildir.

Yorum → Kod Pattern'i​

Karmaşık bir işlevi yazmadan önce önce yorumları yazın, sonra Copilot'un doldurmasına izin verin:

def calculate_customer_ltv(customer_id: str, lookback_days: int = 365) -> float:
    # 1. Son lookback_days içindeki tüm siparişleri çek
    # 2. İade edilen siparişleri filtrele
    # 3. Ağırlıklı ortalama ile LTV hesapla (son 90 gün 2x ağırlık)
    # 4. Float olarak döndür, müşteri yoksa 0.0

Pratik 2: Chat'i Doğru Kullanmak​

Kötü Prompt vs İyi Prompt​

# KÖTÜ
"Bu kodu düzelt"

# İYİ
"Aşağıdaki dbt incremental modeli Snowflake'te çalışıyor ama
merge strategy'de duplicate row oluşturuyor.
unique_key 'order_line_sk', incremental_strategy 'merge'.
Sorunun neden kaynaklandığını açıkla ve düzelt:

[kod]"

Fark: bağlam (Snowflake, dbt, merge), belirti (duplicate), beklenti (açıkla + düzelt).

Rol Atayın​

"Sen senior bir veri mühendisisin. Bu dbt modelini
production'a almadan önce code review yapıyorsun.
Performans, güvenlik ve maintainability açısından
potansiyel sorunları listele:"

Rol atamak, modelin yanıt kalitesini ve odağını belirgin şekilde iyileştirir.

Adım Adım Düşündürün​

Karmaşık problemlerde doğrudan cevap istemek yerine:

"Önce bu problemi çözmek için hangi yaklaşımları
kullanabileceğimizi listele. Sonra her birinin
avantaj ve dezavantajlarını karşılaştır.
Karar vermeden önce benim onayımı bekle."

Pratik 3: AI Destekli Code Review​

Commit Öncesi Otomatik Review​

# Son değişiklikleri AI'a review ettir
git diff HEAD | opencode "Bu diff'i security, performance
ve code style açısından review et. Kritik sorunları önce listele."

Spesifik Review Türleri​

Genel "bu kodu gözden geçir" yerine odaklı sorular:

"Bu SQL sorgusunda N+1 problemi var mı?"
"Bu fonksiyonda race condition oluşabilecek bir senaryo var mı?"
"Bu Pydantic model, eksik field geldiğinde nasıl davranır?"
"Bu dbt modeli full refresh yapılırsa ne olur?"

Pratik 4: Dokümantasyon ve Test​

Dokümantasyonu AI'a Bırakın​

Geliştirme bittikten sonra:

"Bu modülün docstring'lerini yaz. Google style.
Her fonksiyon için Args, Returns, Raises ve
bir kullanım örneği ekle."

Test Senaryosu Üretimi​

"Bu fonksiyon için pytest test senaryoları yaz.
Happy path, edge case'ler (boş liste, None, negatif sayı)
ve bir exception test'i dahil et. Fixture kullan."

AI'ın ürettiği testleri körü körüne kullanmayın — edge case'leri gözden geçirin, iş mantığına uygun olduğunu doğrulayın.

Pratik 5: Veri Mühendisleri İçin Özel Senaryolar​

dbt Modeli Hızlandırma​

"Bu staging modelini analiz et:
1. Eksik testleri _schema.yml formatında yaz
2. Incremental filter'ı 2-day buffer pattern'ine uygun hale getir
3. LowCardinality kullanılabilecek kolonları işaretle
[model SQL'i]"

SQL Optimizasyonu​

"Bu Snowflake sorgusu 45 saniye çalışıyor.
Execution plan'a bakarak nerede takıldığını tahmin et
ve optimize edilmiş versiyonu yaz:
[sorgu]"

Pipeline Hata Ayıklama​

Airflow veya benzeri bir orkestratörde hata aldığınızda:

"Bu Airflow DAG hata log'u:
[log]

DAG kodu:
[kod]

Hatanın kök nedeni ne? Hangi task'ta, neden oluşuyor?
Düzeltilmiş versiyonu yaz."

Dikkat: AI'ın Kör Noktaları​

Bunlar için körü körüne güvenmeyin:

Güvenlik: SQL injection, secret exposure, authentication logic — her zaman kendiniz review edin.

Eski API'lar: Eğitim tarihinden sonra değişmiş kütüphaneler için hallüsinasyon yapabilir. Özellikle hızlı gelişen ekosistemler (LangChain, dbt yeni versiyonları) için dokümantasyonu kendiniz kontrol edin.

Business logic: Domain bilgisi gerektiren kural hesaplamalar. "Müşteri LTV" şirket bazlı farklı tanımlar içerir, AI genel formül üretir.

Performance tuning: Genel öneriler verir ama gerçek execution planı ve data distribution'ı bilemez.

İş Akışı Önerisi​

Günlük geliştirme için önerilen düzen:

Sabah planlaması  →  AI ile task breakdown ("Bu feature'ı subtask'lara böl")
         ↓
Kod yazma         →  IDE completion (Copilot/Cursor) sürekli açık
         ↓
Takıldığında      →  Chat (Claude/ChatGPT) ile derinlemesine analiz
         ↓
Bitince           →  AI review ("Bu kodu security açısından gözden geçir")
         ↓
Test/Docs         →  AI ile test senaryoları ve docstring üret
         ↓
Commit            →  AI ile commit mesajı özeti

Gerçek 10x Nerede?​

Araçlardan çok hangi işleri AI'a devredip hangilerini kendiniz yaptığınıza bağlı.

AI'a devredin:

  • Boilerplate, tekrar eden kod
  • Bilinen pattern'lerin uygulaması
  • Dokümantasyon ve test senaryoları
  • Hata mesajı analizi
  • Format dönüşümleri (JSON → Pydantic model gibi)

Kendiniz yapın:

  • Sistem tasarımı ve mimari kararlar
  • Business logic'in doğrulanması
  • Güvenlik-kritik kod review'u
  • Performance darboğazlarının gerçek analizi

Bu ayrımı doğru yapmak, AI kullanan bir geliştiriciyi sadece AI tab'ı açık tutan birinden ayırır.

Özet​

10x development için AI kullanmak üç katmanlı bir pratik:

  1. IDE completion — her zaman açık, bağlamı şekillendirerek kullanın
  2. Chat — odaklı, rol atanmış, adım adım promptlar
  3. Terminal ajanlar — multi-file, multi-step görevler için otomasyon

Araçlar hızla değişiyor. Ama temel prensipler değişmiyor: ne istediğinizi net ifade etmek, üretileni eleştirel gözle değerlendirmek ve AI'ı asistan olarak değil ortak olarak kullanmak.