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:

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:

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.

Vibe Coding Nedir?​

Karpathy'nin tanımıyla vibe coding: kodu anlamadan, sadece ne istediğini AI'ya anlatarak yazılım üretmek. Detayları takip etmiyorsunuz, hata mesajlarını okumuyorsunuz — AI'a yapıştırıyorsunuz, o düzeltiyor, devam ediyorsunuz.

"I just see stuff, say stuff, run stuff, and copy-paste stuff, and it mostly works." — Andrej Karpathy

Bu tanım başlangıçta bir şaka gibi geldi. Ama arkasında gerçek bir gözlem var: AI araçları artık o kadar iyi ki, bir şeyin nasıl çalıştığını tam anlamadan da çalışan kod üretmek mümkün.

Vibe Coding: Tehlike mi, Fırsat mı?​

İki keskin yorum var:

Eleştirenler: "Anlamadığın kodu production'a sokarsın, güvenlik açıkları yaratırsın, debug edemezsin."

Savunanlar: "Prototype hızı inanılmaz artıyor. Bir fikri saatler içinde ayağa kaldırabiliyorsun. Temel mantığı anlayıp detayları AI'a bırakmak yeni bir beceri."

Gerçek ikisinin arasında bir yerde. Vibe coding keşif, prototipleme ve tekrarlayan görevler için güçlü bir yaklaşım. Kritik production sistemlerinde körü körüne uygulamak ise hâlâ riskli.

Önemli olan şu: AI araçlarını pasif kullanmak ile aktif kullanmak arasındaki fark. En iyi geliştiriciler AI'ı bir oracle gibi değil, hızlı bir çalışma arkadaşı gibi kullanıyor.

Araç Ekosistemi​

2025-2026 itibarıyla AI coding araçları iki ana kategoriye ayrıldı:

IDE araçları zaten yaygın. Terminal tabanlı araçlar ise özellikle backend ve veri mühendisleri arasında hızla popülerleşiyor — çünkü IDE açmadan, doğrudan terminalden çalışıyorlar.

OpenCode Nedir?​

OpenCode, SST ekibi tarafından geliştirilen terminal tabanlı, açık kaynaklı bir AI coding ajanıdır. Go ile yazılmıştır, hızlıdır ve terminal içinde tam bir TUI (Text User Interface) sunar.

Neden öne çıkıyor:

• Model agnostik: Claude, GPT-4o, Gemini, yerel modeller (Ollama) destekler
• Bağlam farkındalığı: Proje dosyalarını, git history'yi okur
• Terminal native: IDE gerektirmez, SSH üzerinden uzak sunucularda da çalışır
• Açık kaynak: MIT lisansı, kendi modelinizi bağlayabilirsiniz

OpenCode Kurulumu​

macOS / Linux​

curl -fsSL https://opencode.ai/install | bash

npm ile​

npm install -g opencode-ai

Doğrulama​

opencode --version

Temel Kullanım​

Başlatmak​

# Proje dizininde başlat
cd my-project
opencode

TUI açılır. Sol panel dosya ağacı, sağ panel konuşma arayüzü.

Model Seçimi​

İlk kurulumda veya sonradan model seçebilirsiniz:

opencode --model claude-opus-4-5
opencode --model gpt-4o
opencode --model ollama/llama3.2  # yerel model

~/.config/opencode/config.json ile varsayılan model kalıcı olarak ayarlanır:

{
  "model": "claude-sonnet-4-5",
  "providers": {
    "anthropic": {
      "apiKey": "sk-ant-..."
    }
  }
}

Pratik Kullanım Senaryoları​

Yeni bir özellik yazmak:

> Bu projedeki fct_orders modelini incele ve customer_lifetime_value 
  hesaplayan yeni bir mart modeli yaz. dbt standartlarına uy.

OpenCode projeyi tarar, mevcut modelleri okur, bağlama uygun kod yazar.

Hata ayıklamak:

> Bu hata mesajını al ve neden oluştuğunu açıkla, düzelt:
  KeyError: 'customer_sk' - line 47 in fct_orders.sql

Refactor:

> stg_crm__orders.sql dosyasındaki tekrar eden CTE'leri bir makroya çıkar

Test yazmak:

> dim_customer modeli için dbt test tanımlarını _schema.yml'e ekle.
  surrogate key, natural key ve email sütunları için.

Slash Komutları​

OpenCode içinde / ile başlayan komutlar:

OpenCode vs Cursor vs Claude Code​

Veri Mühendisleri İçin Vibe Coding​

Veri projelerinde vibe coding en çok şu alanlarda verim sağlıyor:

dbt modelleri: "Bu staging modelini inceleyip fact tablosuna dönüştür" — OpenCode mevcut stili okur, tutarlı kod üretir.

SQL optimizasyonu: Yavaş bir sorguyu yapıştırıp "Bu sorguyu ClickHouse için optimize et, PREWHERE kullan" demek yeterli.

YAML sıkıcılığı: dbt _schema.yml dosyaları yazmak zaman alıcı. "Bu SQL modelindeki tüm kolonlar için schema YAML üret" ile saniyeler içinde biter.

Boilerplate: Pipeline kodu, Airflow DAG iskeletleri, test dosyaları — bunları AI'a bırakmak mantıklı.

Özet​

Vibe coding, "AI'a bırak, sen sadece ne istediğini bil" yaklaşımı. Tehlikeli mi? Yanlış ellerde evet. Güçlü mü? Doğru kullanıldığında kesinlikle.

OpenCode bu yaklaşımın terminal-native, model-agnostik ve açık kaynak versiyonu. IDE açmadan, SSH üzerinden, istediğiniz modelle çalışıyor.

Önerilen başlangıç noktası: Gerçek bir proje değil, bir side project veya yerel deney ortamında başlayın. Neyi yaptığını anlayın, sonra asıl işinize entegre edin.

Temel Sorun: "Bende Çalışıyor"​

Geleneksel yazılım dağıtımında uygulama ve çalışma ortamı birbirinden ayrıdır:

Geliştirici makinesi:  Python 3.11, pandas 2.0, libpq-dev kurulu
Üretim sunucusu:       Python 3.9,  pandas 1.5, libpq-dev yok

Sonuç: Uygulama geliştirici makinesinde çalışır, sunucuda çalışmaz.

Docker bu sorunu şu şekilde çözer: uygulamayı ve çalışması için gereken her şeyi birlikte paketler.

Docker Nedir?​

Docker, uygulamaları container adı verilen izole paketler içinde çalıştırmaya yarayan bir platformdur.

Container; uygulamanın kaynak kodunu, bağımlılıklarını, sistem kütüphanelerini ve çalışma zamanını tek bir birim olarak içerir. Bu container her makinede — geliştirici laptopunda, CI sunucusunda, bulut ortamında — birebir aynı şekilde çalışır.

Container vs Sanal Makine (VM)​

Container'lar sık sık sanal makinelerle karıştırılır. İkisi de izolasyon sağlar ama çok farklı şekillerde:

VM, gerçek bir bilgisayarın tamamını simüle eder. Container ise host işletim sisteminin çekirdeğini paylaşır ve sadece uygulamanın ihtiyaç duyduğu katmanları izole eder.

Temel Kavramlar​

Image​

Image, container'ın şablonudur. İçinde uygulamanın çalışması için gereken her şey bulunur: işletim sistemi katmanı, bağımlılıklar, uygulama kodu, başlatma komutu.

Image'lar Dockerfile ile tanımlanır ve değişmezdir (immutable).

# Bu bir Dockerfile — image'ın tarifi
FROM python:3.11-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

CMD ["python", "main.py"]

Container​

Container, çalışan bir image örneğidir. Aynı image'dan istediğiniz kadar container başlatabilirsiniz.

Image → Container ilişkisi, sınıf → nesne (class → instance) ilişkisine benzer.

Registry​

Image'ların depolandığı ve paylaşıldığı yer. En yaygın registry Docker Hub'dır. Binlerce hazır image barındırır: python, postgres, nginx, clickhouse gibi.

# Docker Hub'dan resmi Python image'ını indir
docker pull python:3.11-slim

İlk Docker Komutları​

Image Build Etmek​

# Bulunduğunuz dizindeki Dockerfile'dan image oluştur
docker build -t benim-uygulama:1.0 .

Container Başlatmak​

# Image'dan container başlat
docker run benim-uygulama:1.0

# Arka planda (detached) başlat
docker run -d benim-uygulama:1.0

# Port yönlendirme ile başlat
# Host'un 8080 portu → Container'ın 80 portuna
docker run -d -p 8080:80 nginx

Çalışan Container'ları Görmek​

docker ps

Container'a Bağlanmak​

docker exec -it <container_id> bash

Container'ı Durdurmak ve Silmek​

docker stop <container_id>
docker rm <container_id>

Dockerfile Yazımı​

Katmanlı yapı Docker'ın en önemli özelliklerinden biridir. Her RUN, COPY, ADD komutu yeni bir katman oluşturur. Docker bu katmanları cache'ler — değişmeyen katmanlar her build'de yeniden oluşturulmaz.

FROM python:3.11-slim

# Sistem bağımlılıkları — nadiren değişir, önce koy
RUN apt-get update && apt-get install -y \
    libpq-dev \
    && rm -rf /var/lib/apt/lists/*

WORKDIR /app

# requirements.txt — uygulama kodundan önce kopyala
# Böylece sadece bağımlılıklar değiştiğinde pip install çalışır
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# Uygulama kodu — en sık değişen katman, en sona koy
COPY . .

CMD ["python", "main.py"]

Kötü örnek — her build'de tüm pip install yeniden çalışır:

# KÖTÜ: Her şeyi kopyala, sonra install et
COPY . .
RUN pip install -r requirements.txt

Docker Compose: Çoklu Servis​

Gerçek projeler genellikle birden fazla servise ihtiyaç duyar: uygulama + veritabanı + cache gibi. docker-compose.yml bu servisleri birlikte tanımlar ve yönetir.

# docker-compose.yml
version: '3.8'

services:
  app:
    build: .
    ports:
      - "8000:8000"
    environment:
      - DATABASE_URL=postgresql://user:pass@db:5432/mydb
    depends_on:
      - db

  db:
    image: postgres:15
    environment:
      POSTGRES_USER: user
      POSTGRES_PASSWORD: pass
      POSTGRES_DB: mydb
    volumes:
      - postgres_data:/var/lib/postgresql/data

volumes:
  postgres_data:

Tüm stack'i başlatmak için:

docker compose up -d

Durdurmak için:

docker compose down

Volume: Veriyi Kalıcı Hale Getirmek​

Container'lar stateless'tır — container silindiğinde içindeki veri de gider. Veriyi kalıcı tutmak için volume kullanılır.

# Host dizinini container'a bağla
docker run -v /host/data:/container/data postgres:15

# Docker tarafından yönetilen named volume
docker run -v postgres_data:/var/lib/postgresql/data postgres:15

Veri Mühendisliğinde Docker​

Veri projelerinde Docker özellikle şu durumlarda kritik hale gelir:

• Yerel ClickHouse / PostgreSQL: Gerçek veritabanını local olarak dakikalar içinde ayağa kaldırın
• dbt geliştirme: Tüm dbt bağımlılıklarını izole tutun
• Airflow: Docker Compose ile tam Airflow stack'i local'de çalıştırın
• Spark: PySpark ortamını versiyonlayın, Java/Scala çakışmalarından kaçının

# ClickHouse'u local'de başlat
docker run -d \
  --name clickhouse-local \
  -p 8123:8123 \
  -p 9000:9000 \
  clickhouse/clickhouse-server:latest

Özet​

Docker öğrenmek, modern yazılım geliştirmede artık temel bir beceri haline geldi. Geliştirme ortamı kurulumundan CI/CD pipeline'larına, yerel testlerden üretim dağıtımına kadar her aşamada karşınıza çıkacak.

Bir sonraki adım: Dev Containers ile geliştirme ortamınızı Docker üzerine kurun.

Dev Container Nedir?​

Dev Container, geliştirme ortamını bir Docker container'ı içinde tanımlayan bir standarttır. Projenin kaynak kodunda .devcontainer/ klasörü altında bir devcontainer.json dosyası bulunur. VS Code veya GitHub Codespaces bu dosyayı okuyarak container'ı otomatik olarak oluşturur ve geliştirme oturumunu doğrudan bu container'ın içinde açar.

Sonuç: Python versiyonu, uzantılar, environment variable'lar, port yönlendirmeleri — hepsi kod olarak tanımlı, hepsi takım genelinde aynı.

Neden Dev Container Kullanmalısınız?​

Kurulum​

Gereksinimler​

• Docker Desktop (Windows/macOS) veya Docker Engine (Linux)
• VS Code
• VS Code Dev Containers uzantısı (ms-vscode-remote.remote-containers)

Temel Kullanım​

.devcontainer/devcontainer.json Oluşturun​

Projenizin kök dizinine .devcontainer/devcontainer.json ekleyin:

{
  "name": "Python Data Project",
  "image": "mcr.microsoft.com/devcontainers/python:3.11",
  "customizations": {
    "vscode": {
      "extensions": [
        "ms-python.python",
        "ms-python.black-formatter",
        "ms-toolsai.jupyter",
        "innoverio.vscode-dbt-power-user"
      ],
      "settings": {
        "python.defaultInterpreterPath": "/usr/local/bin/python",
        "editor.formatOnSave": true
      }
    }
  },
  "forwardPorts": [8888, 8080],
  "postCreateCommand": "pip install -r requirements.txt",
  "remoteEnv": {
    "SNOWFLAKE_ACCOUNT": "${localEnv:SNOWFLAKE_ACCOUNT}",
    "SNOWFLAKE_USER": "${localEnv:SNOWFLAKE_USER}"
  }
}

Container'ı Açın​

1. VS Code'da projeyi açın
2. Sol alt köşedeki >< ikonuna tıklayın → Reopen in Container
3. VS Code container'ı build eder ve içinde açar

İlk açılış biraz sürebilir çünkü Docker image'ı indirilir. Sonraki açılışlar cache'den gelir ve çok hızlıdır.

Daha Gelişmiş Kullanım: Dockerfile ile​

Özel kurulum gerektiren projeler için Docker image yerine kendi Dockerfile'ınızı kullanabilirsiniz:

.devcontainer/
├── devcontainer.json
└── Dockerfile

# .devcontainer/Dockerfile
FROM mcr.microsoft.com/devcontainers/python:3.11

RUN apt-get update && apt-get install -y \
    build-essential \
    libpq-dev \
    && rm -rf /var/lib/apt/lists/*

COPY requirements.txt /tmp/
RUN pip install --no-cache-dir -r /tmp/requirements.txt

{
  "name": "Custom Python Project",
  "build": {
    "dockerfile": "Dockerfile"
  },
  "customizations": {
    "vscode": {
      "extensions": ["ms-python.python"]
    }
  }
}

Docker Compose ile Çoklu Servis​

dbt + ClickHouse gibi birden fazla servise ihtiyaç duyulan projelerde docker-compose.yml ile entegrasyon kurabilirsiniz:

# .devcontainer/docker-compose.yml
version: '3.8'
services:
  app:
    build:
      context: .
      dockerfile: Dockerfile
    volumes:
      - ..:/workspace:cached
    command: sleep infinity

  clickhouse:
    image: clickhouse/clickhouse-server:latest
    ports:
      - "8123:8123"
      - "9000:9000"

{
  "name": "dbt + ClickHouse",
  "dockerComposeFile": "docker-compose.yml",
  "service": "app",
  "workspaceFolder": "/workspace",
  "customizations": {
    "vscode": {
      "extensions": [
        "ms-python.python",
        "innoverio.vscode-dbt-power-user"
      ]
    }
  }
}

VS Code app servisinin içinde açılır, ClickHouse ise localhost:8123'ten erişilebilir olur.

Environment Variable'ları Güvenli Yönetmek​

Hassas bilgileri (API key, şifre) devcontainer.json'a yazmayın. Bunun yerine host makinedeki environment variable'lardan okuyun:

"remoteEnv": {
  "SNOWFLAKE_PASSWORD": "${localEnv:SNOWFLAKE_PASSWORD}",
  "DBT_PROFILES_DIR": "/workspace"
}

Host makinede .bashrc veya .zshrc'ye export edin:

export SNOWFLAKE_PASSWORD="your_password_here"

GitHub Codespaces ile Kullanım​

Aynı devcontainer.json dosyası GitHub Codespaces'te de çalışır. Repo'yu GitHub'da açın → Code → Codespaces → Create codespace. Sıfırdan tarayıcıda tam geliştirme ortamı, herhangi bir kurulum olmadan.

Özet​

Dev Containers ile:

• Geliştirme ortamı kod gibi versiyonlanır
• Yeni takım üyesi dakikalar içinde çalışmaya başlar
• "Bende çalışıyor" problemi ortadan kalkar
• CI/CD ortamıyla geliştirme ortamı aynı base image'ı paylaşabilir

Özellikle veri projeleri için — farklı Python versiyonları, ağır bağımlılıklar, yerel veritabanı servisleri — Dev Containers olmazsa olmaz bir araç haline gelmiştir.

Öncelikle, bir CV'yi güncellemek için mevcut bir CV'yi kullanabilir veya bir arkadaşınızın CV'sini temel alabilirsiniz. Bu örnekte, bir front-end geliştirici CV'si ele alınacak ve yapay zeka kullanılarak güncellenerek daha etkileyici bir hale getirilecektir.

CV'nin başlangıç kısmını ele alalım. Burada, "Özet Profil" veya "Kısa Özgeçmiş" başlığını kullanarak front-end geliştirici için kısa bir özet paragrafı yazmanız gerekmektedir. Yapay zeka, kullanıcının verilerini analiz ederek bu paragrafı otomatik olarak oluşturacaktır. Örneğin, "Metin, yaratıcı çözümler üretme konusunda tutkulu bir front-end geliştiricisidir. Sürekli olarak kendini geliştirerek yenilikçi teknolojileri takip etmekte ve mükemmel web deneyimleri sunma konusunda enerjik ve motive bir şekilde çalışmaktadır."

Bu paragrafı, üçüncü tekil şahıs olarak yazdırabilen yapay zeka modelleri kullanarak daha etkileyici hale getirebilirsiniz. Örneğin, "Metin, bir front-end geliştiricisi olarak çalışan ve yaratıcı çözümler üreten biridir. HD arkadaşlar, onu yenilikçi teknolojilere uyumlu siteler geliştirebilen ve kullanıcıları etkileme konusunda güçlü becerilere sahip bir model olarak tanır. Ayrıca, trendlere çıkan yenilikçi teknolojileri sürekli olarak takip etme ve kendini geliştirme konusunda da çaba göstermektedir."

Sonraki bölüm, "Beceriler" veya "Yetenekler" başlığı altında front-end geliştiricinin sahip olduğu yazılım dilleri ve araçlarını içermektedir. Yapay zeka, bu bilgileri liste şeklinde düzenleyebilir. Örneğin, yazılım dillerini ve araçları şu şekilde listeleyebilirsiniz:
Yazılım Dilleri:

• HTML
• CSS
• JavaScript

Frame Geliştirme Araçları:

• React
• Angular
• Vue.js

Arayüz Geliştirme Araçları:

• Adobe XD
• Sketch
• Figma

Bu şekilde, front-end geliştiricinin becerilerini açıklayıcı bir şekilde sunabilirsiniz.

"Deneysimler" bölümü, front-end geliştiricinin geçmiş iş deneyimlerini içermektedir. Her bir iş deneyimi için, şirket adını, çalışma pozisyonunu ve yaptığı çalışmaları açıklayan bir paragraf yazmanız gerekmektedir. Örneğin:

Şirket: Aksoy Teknik Hizmetler
Çalışma Pozisyonu: Front-End Geliştirici
Çalışma Yılları: 2021 - Şu Anda
Yaptığı Çalışmalar: Aksoy Teknik Hizmetler şirketinde front-end geliştirici olarak çalışmaktadır. Burada, kullanıcı dostu ve etkileyici web siteleri geliştirme konusunda başarılı projeler gerçekleştirmiştir. Sürekli olarak güncel trendlere ayak uydurma ve kullanıcıları etkileme konusunda öncelikli hedefleri arasında yer almaktadır.

Bu şekilde, front-end geliştiricinin deneyimlerini vurgulayabilirsiniz. Aynı şekilde diğer iş deneyimleri için de benzer paragraflar yazabilirsiniz.

Son olarak, CV'nin son kısmında "Eğitim Bilgileri", "Sertifikalar" ve "Referanslar" gibi bölümleri ekleyebilirsiniz. Bu bölümlerde, ilgili eğitim kurumları, aldığı sertifikalar ve referanslar hakkında bilgi verebilirsiniz.

Yapay zeka ile güncellenen CV'niz, kullanıcılar arama yaptığında veya filtre uyguladığında ön plana çıkacaktır. CV içeriğindeki anahtar kelimeler, yapay zeka tarafından analiz edilecek ve arama sonuçlarında görünmenizi sağlayacaktır.

Sonuç olarak, yapay zeka teknolojileri kullanarak güncellenen bir CV oluşturmak, iş başvurularınızı daha etkileyici hale getirmenize yardımcı olabilir. Özgün ve dikkat çekici bir CV, işverenlerin ilgisini çekmenizde büyük bir rol oynayacaktır. Yapay zekanın sunduğu imkanlardan faydalanarak, CV'nizi başarılı bir şekilde oluşturabilir ve iş arama sürecinde avantaj elde edebilirsiniz.

Güncellenmiş CV'nizi oluştururken yapay zekanın sadece bir araç olduğunu ve kişisel dokunuşunuzun da önemli olduğunu unutmayın. Kendinizi en iyi şekilde ifade etmek için yapay zekayı doğru bir şekilde kullanarak özgün ve dikkat çekici bir CV oluşturabilirsiniz. Başarılar dileriz!