Mon Aug 31 2026
Hadi konuşalım, kod yazarken bazen her şey biraz karışır, değil mi? Proje büyüdükçe, birçok farklı dosya, sınıf ve bağlantı ağı ortaya çıkar. Bu karmaşıklık birikecek olursa, projeniz bir labirent haline gelir ve işte tam o noktada herkes için zorlu bir hale gelir.
Peki neden karmaşıklık yönetimi bu kadar önemli?
İşte burada yapay zeka devreye giriyor 🚀 AI, karmaşıklığı azaltmak için bize üç temel alanda destek olabilir:
Kısacası, AI, senin ve takımın zamanının gereksiz karmaşıklığı çözmek yerine değerli işlere odaklanmasına yardımcı olur.
Hazırsan başlayalım, büyük ölçekli projelerde nelerle karşılaştığımızı ele alalım.
Sonuç: Her bir değişiklik, kapsamlı bir manuel veya otomatik test sürecine yol açtığından, takvim defalarca uzar.
Sonuç: Her yeni özellik, yeniden başlatma ve yeniden yapılandırma sürecine yol açtığından, proje takvimi altüst olur.
Sonuç: Yeni geliştiriciler kilitleme süreci uzuyor ve senkronizasyon toplantıları çoğalıyor, bu da zamanı israf ediyor.
Sonuç: Test zinciri her kod değişikliği sırasında bir yapı taşına dönüşüyor ve yaygın dağıtım hedefleri elimine ediliyor.
Aşağıda görünüşü basit bir fonksiyon var. Çoğu kişi kontrol listesi olarak görse de, bazı temel sorunları barındırıyor.
def factorial(n):
if n == 0:
return 1
else:
return n * factorial(n-1)
Ne oluyor burada?
n değerleri için, her çağrı, yeni bir yığın çerçevesi yaratır; stack overflow riskini artırır.n geçersiz olduğunda, sıfırdan fazla çarpma işlemi hatası basitçe bir değer verir, yardımcı olmaz.Bu yüzden ne oluyor?
def factorial(n):
if not isinstance(n, int) or n < 0:
raise ValueError("n sıfır veya pozitif bir tam sayı olmalıdır")
result = 1
for i in range(2, n + 1):
result *= i
return result
Tüm bunlar birlikte alındığında, küçük görünen bir sorun, üstesinden gelinmesi gereken bir dizi gündem maddesine dönüşerek, geliştirme sürecini yavaşlatır ve gerçekten büyük projeler inşa etmeyi zorlaştırır.
Hadi birlikte LLM tabanlı kod tarayıcıları (🎯 SonarQube, AWS CodeGuru vb.) ile ilk adımı atalım. Bu süreç, kodunuzu tarayarak yapay zeka destekli öneriler almanıza olanak tanır – hem düzenli ifade hataları hem de olası güvenlik ihlalleri için.
src/) seçin. Çoğu araç, kodunuzda gördüğü her dosyayı işaret eder ve AI destekli analiz için sonuçları bir JSON veya XML çıktısına basar.scan.json) bir LLM'ye verin ve düzenli ifade sorunlarını ve hata düzeltme önerilerini açıklamasını isteyin.Aşağıdaki isteği (prompt) bir LLM modeline verebilirsiniz. İsteğe, tarama çıktısını (JSON formatında) eklemeniz gerekecek:
Aşağıdaki kod tarama çıktısını inceleyin ve her bir sorun için düzenli ifade eşleşmeleri ve düzeltme önerileri sağlayın:
{
"issues": [
{
"file": "utils/helper.py",
"line": 12,
"rule": "regex-missing-anchor",
"message": "Düzenli ifade '.*password.*' oturum açma bilgilerini ortaya çıkarabilir, ancak başlangıç/sonu eşleştirme işaretleri eksik.",
"code_snippet": "if re.search('.*password.*', input):"
},
{
"file": "routes/auth.py",
"line": 5,
"rule": "sql-injection-risk",
"message": "SQL sorgusu parametreli ifadeler kullanılmadan oluşturulmuş – giriş füzyonuna açık.",
"code_snippet": "query = f\"SELECT * FROM users WHERE username = '{username}'\""
}
]
}
Ne yapmalı?
Aşağıda, bir Python dosyasını basit bir şekilde tarayan ve "işaretlenmesi gereken" satırları gösteren küçük bir betik bulunmaktadır. SonarQube gerçekliğiyle karşılaştırın – AI ise YAML/JSON çıktısını yorumlayarak hataları içeren satırları işaretleyecektir.
import re
import sys
def analyze_file(filepath):
issues = []
# Örnek kurallar:
# - İç içe geçmiş print() çağrıları (basit bir kural)
# - 'eval' fonksiyonunun kullanımı (güvenlik riski)
# - Parametresiz fonksiyon tanımları (stil)
pattern_print = re.compile(r'\bprint\([^)]*print\(') # basit kontrol
pattern_eval = re.compile(r'\beval\(')
pattern_def = re.compile(r'^\s*def\s+\w+\(\)\s*:$') # parametresiz
with open(filepath, 'r', encoding='utf-8') as f:
for i, line in enumerate(f, start=1):
if pattern_print.search(line):
issues.append({'line': i, 'rule': 'nested-print', 'message': 'İç içe geçmiş print çağrısı – okunabilirlik sorununa neden olabilir.'})
if pattern_eval.search(line):
issues.append({'line': i, 'rule': 'eval-usage', 'message': 'eval() kullanımı güvenlik açığını oluşturabilir.'})
if pattern_def.match(line.strip()):
issues.append({'line': i, 'rule': 'no-params-def', 'message': 'Fonksiyon parametresiz tanımlanmış – esneklik eksik olabilir.'})
return issues
if __name__ == '__main__':
# Kullanım: python analyzer.py sample.py
for issue in analyze_file(sys.argv[1]):
print(f"[{issue['line']}] {issue['rule']}: {issue['message']}")
Bu sayede ne oluyor?
sample.py (veya herhangi bir Python dosyası) okur.issues listesi oluşturur.Sonuç olarak, insan müdahalesi veya AI destekli analizle SonarQube/CodeGuru gibi tarayıcılar için hemen kullanılabilir JSON/CSV çıktısı elde edersiniz.
Bu şekilde ilk adımı atmış olursunuz – kodunuzu AI ile inceleyebilir, sorunları tespit edebilir ve sonraki adımda düzenli ifade önerilerini uygulayabilirsiniz. 🚀
Hadi pratik bir örnek üzerinden anlayalım. Biraz önce yaptığımız değişiklikleri otomatikleştirmek için GitHub Actions veya GitLab CI ile birlikte çalışan yapay zeka tarafından oluşturulmuş pipeline'ları nasıl ekleyeceğimize dair hızlı bir rehber paylaşacağım. 🎯
.github/workflows/ci.yml (veya benzeri) dosyası oluşturmakla başlıyorsunuz..github/workflows/ci.ymlname: CI Pipeline (AI-Optimizasyonlu)
on:
push:
branches: [main, develop]
pull_request:
branches: [main]
jobs:
test:
runs-on: ubuntu-latest
strategy:
matrix:
python-version: ["3.9", "3.10", "3.11"]
steps:
# 1️⃣ Depoyu çek
- name: Checkout repo
uses: actions/checkout@v4
# 2️⃣ Python'u kur
- name: Set up Python ${{ matrix.python-version }}
uses: actions/setup-python@v5
with:
python-version: ${{ matrix.python-version }}
# 3️⃣ Bağımlılıkları yükle
- name: Install dependencies
run: |
python -m pip install --upgrade pip
pip install -r requirements.txt
pip install pytest pytest-cov black isort flake8
# 4️⃣ Kodu biçimlendir (isteğe bağlı)
- name: Run black
run: black --check src/ tests/
# 5️⃣ İthalatları sırala (isteğe bağlı)
- name: Run isort
run: isort --check-only src/ tests/
# 6️⃣ Syntax check
- name: Run flake8
run: flake8 src/ tests/
# 7️⃣ Birim testlerini çalıştır
- name: Run tests
run: |
pytest -v --cov=src --cov-report=xml
# 8️⃣ SonarQube'a gönderme (isteğe bağlı)
- name: Upload coverage to SonarQube
uses: sonarsource/sonarcloud-github-action@master
env:
GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
SONAR_TOKEN: ${{ secrets.SONAR_TOKEN }}
Özet: Her push veya pull request'te bu pipeline:
1️⃣ Yeni bir Python sürümü eklendiğinde otomatik olarak test çalıştırır.
2️⃣ Kod stil kontrolleri (black, isort, flake8) ile birlikte bilgi yapılandırması da yapılır.
3️⃣ Kod kapsamı raporunu toplayarak SonarQube gibi araçlara gönderebilirsiniz.
Bazen yanlış bir öntanımlı çizgi, black ve isort gibi araçlarla çözülebilir. Bunu her commit'te otomatik olarak yapmak için pre-commit kullanın.
Yükleyin ve yapılandırın
# .pre-commit-config.yaml
repos:
- repo: https://github.com/psf/black
rev: 23.12.1
hooks:
- id: black
- repo: https://github.com/timothycrosley/isort
rev: 5.13.2
hooks:
- id: isort
- repo: https://github.com/pycqa/flake8
rev: 6.1.0
hooks:
- id: flake8
Ekleyin ve çalıştırın
pre-commit install # her commit'te kontrolü başlatır
pre-commit run --all-files # tüm dosyalar üzerinde bir kez çalıştırır
Artık her commit'te ne oluyor?
Bu şekilde birçok basit ama tekrar eden kod düzeltici işlemi otomatikleştirebilir ve dizine geri dönüp AI ile oluşturulmuş pipeline'ı test sürecine entegre edip tasarım standartlarını koruyabilirsiniz. ✨
Umarım işe yarar ve workflow'larınız daha akıllıca çalışmaya başlar! 🚀
Uygulamanı daha modüler ve bakımı kolay hale getirmek istiyorsan, bir tane yapay zekâya kısa bir istem ver. 🧠 İstek sadece “Bu monolitik servisi birkaç bağımsız hizmete ayır” demekle kalmaz, aynı zamanda adımları da paylaşır.
Kullanabileceğin bir istem (prompt):
Görüşümüze göre şu hizmete sahip bir mikro servis mimarisi oluşturun:
- `UserManagement` (kullanıcı kayıt, oturum açma)
- `Notification` (e-posta, SMS)
- `AuthToken` (JWT yönetimi)
Her bir servisin özel veritabanı olsun ve HTTP API'leri açık.
Diğer tüm işlemleri kaldırarak monolitik yapıyı nasıl azaltacağımı göster.
Yapay zekâ, şunları önerir:
Aşağıda PlantUML kodunu görebilirsin. Bu, büyük bir servisizin nasıl bölündüğünü gösteriyor.
@startuml
!theme plain
package MonolithicService {
component [Auth] as A
component [User] as B
component [Notif] as C
}
package Microservices {
component [UserManagement] as UM
component [Notification] as N
component [AuthToken] as AT
}
A ..> UM
B ..> UM
C ..> N
A ..> AT
@enduml
Bu diyagram, tek bir yapı taşı olan her bir eski bileşeni (A, B, C) üç küçük ve bağımsız hizmete (UserManagement, Notification, AuthToken) nasıl bağladığını gösteriyor. ✅
Bir sonraki adımda, bu yapıyı nasıl geçiş yapacağımızı konuşalım. 🚀
Hadi pratik bir örnek üzerinden anlayalım. Çoğu modern DevOps pipeline'ında yapay zeka (AI) destekli analizler, güvenlik taramaları veya şifreleme yönergeleri görmek yaygınlaştı. Bunları Git ile entegre ederek, her kod değişikliği birlikte çalıştığında her şeyi kontrol altında tutabiliriz.
Neler oluyor burada?
Aşağıda, AI tarayıcısı + Terraform state yönetimi + GitOps'ı nasıl birleştirebileceğimizi gösteren basit bir akıştan örnekler bulacaksınız.
Aşağıda, main.tf adlı tipik bir Terraform konfigürasyonu örneği bulunmaktadır. Bu, basit bir AWS EC2 örneğini oluşturur ve S3 + DynamoDB arka ucunu kullanarak state'i uzaktan yönetir.
provider "aws" {
region = "us-east-1"
}
# 📦 Üretim EC2 örneği
resource "aws_instance" "app_server" {
ami = "ami-0c02fb55956c7d316"
instance_type = "t2.micro"
tags = {
Name = "ai-app-server"
}
}
# 🔐 State'i uzaktan depolamak için arka uç
terraform {
backend "s3" {
bucket = "my-terraform-state-bucket"
key = "prod/terraform.tfstate"
region = "us-east-1"
dynamodb_table = "my-terraform-lock-table"
encrypt = true
}
}
Bağlantıyı başlat
terraform init
Arka uç tanıtılarak yerel .tfstate dosyası merkezi bir depoya yönlendirilir.
Değişiklikleri planla
terraform plan -out=tfplan
AI tarayıcınız burada devreye girebilir – örneğin, Terraform uygulamasından önce bir güvenlik kontrolü yaparak eksik izinleri bildirebilir.
Uygula ve kaydet
terraform apply tfplan
Her şey sürücüye uygulandıktan sonra state otomatik olarak S3/DynamoDB'ye yazılır.
✅ Sonuç: Artık her ekip üyesi, git pull ileTerraform durumunu doğrudan depodan okuyabilir ve herkes aynı state ile çalışır.
Helm, kubeyi sabit bir YAML topluluğuna dönüştürmemize yardımcı olur. GitOps, ana koddaki herhangi bir değişiklik olduğunda ana kütüğü otomatik olarak güncellemeyi sağlar.
# values.yaml
replicaCount: 3
image:
repository: myrepo/ai-model
tag: "v1.2.0"
service:
type: LoadBalancer
port: 80
Helm çatısı (Chart.yaml):
apiVersion: v2
name: ai-helm-chart
description: Helm chart for AI microservice
version: 0.1.0
appVersion: "1.2.0"
Kurulum akışı (örnek, Argo CD kullanılarak):
# Depo değişikliğini kodlayın
git add helm-chart/
git commit -m "🔄 Helm chart güncellendi: v1.2.0"
git push
# Argo CD, değişikliği algılar ve Helm ile uygular
# (Argo CD panosu üzerinden yapılandırılır)
Ne oluyor?
values.yaml dosyası main dalında güncellendiğinde, Argo CD otomatik olarak yeni sürümü indirir.| Adım | Araç | İşlev |
|---|---|---|
| 1️⃣ | Git | Tek kaynaktan bilgi depolama (altyapı, Helm chartları, AI politikaları) |
| 2️⃣ | Terraform | Bulut kaynaklarını kodlamak ve S3/DynamoDB ile state yönetimi |
| 3️⃣ | AI Tarayıcı | Terraform planından veya Helm template'ten önce zayıf noktaları kontrol etmek için devreye girer |
| 4️⃣ | GitOps (Argo CD / Flux) | Chart veya Terraform modülü için bir commit olduğunda küheyi otomatik olarak uygular |
| 5️⃣ | CI/CD (GitHub Actions / GitLab CI) | Terraform planını doğrulamak, AI kontrolünden geçirmek ve arka uca göndermek için iş akışları çalıştırır |
Başlarken hızlı komut seti:
# 1️⃣ Yerinizi ayarlayın
git clone https://github.com/your-org/infra.git
cd infra
# 2️⃣ Terraform çevresini başlatın ve planlayın
terraform init
terraform plan -out=tfplan
# 3️⃣ AI tarayıcınızı çalıştırın (örnek: bir güvenlik kontrolü komutu)
ai-security-scan tfplan
# 4️⃣ Arka uca göndermeyi doğrulayın (örnek: GitHub Actions adımı)
terraform apply tfplan
# 5️⃣ Helm chart'ı kodesi haline getirin
helm package helm-chart/
git add helm-chart-*.tgz
git commit -m "📦 Helm package v0.1.0"
git push
Hadi bunları lokal bir ortamda deneyin, birkaç commit atın ve arka uçta gerçekleşen otomatik değişikliklerin keyfini çıkarın. Sağlıklı kodlamalar! 🚀
Hazırsan başlayalım. Bu kılavuz, kontrol noktalarını ve sonuçlarını görsel bir şekilde takip etmen için her adımı adım adım sürüyor. Hadi pratik bir örnek üzerinden anlayalım.
git init çalıştır.README.md dosyası ve tutulmaması gereken şeyleri içeren .gitignore ekle.# Repository oluştur
git init my-project
cd my-project
# Temel dosyaları ekle
echo "# Proje" > README.md
echo ".env" > .gitignore
# İlk commit
git add .
git commit -m "initial commit"
# Etiketle
git tag v1.0.0
Kontrol noktaları
.git klasörü var)package.json veya setup.cfg dosyasına uygun bir lint komutu ekle (örneğin npm run lint veya flake8 .).# Örnek (Node.js)
npm install -g eslint
npx eslint .
Kontrol noktaları
pre-commit run --all-files veya CodeGuru gibi bir hizmete) gönder.Kontrol noktaları
git add -A.feat: add linting script).git add -A
git commit -m "feat: add linting script"
Kontrol noktaları
.github/workflows/ci.yml (veya kendi CI süreçleriniz) ekle.# .github/workflows/ci.yml
name: CI
on: [push, pull_request]
jobs:
test:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- name: Lint
run: npm run lint
- name: Test
run: npm test
Kontrol noktaları
dockerfilelint, architectural decision record aracı) çalıştır.Kontrol noktaları
git log --oneline).Kontrol noktaları
Özet: Bu adımları takip ederek her aşamada ufak denetimlerle birlikte çalışabilir, repository'yi temiz ve sürüm kontrollü bir hale getirebilirsiniz. ✌️
Bölgemizi tamamladığımız için beni dinlediğin için teşekkür ederim. Sana bir tane daha veriyorum; artık kendi projen için bu konuda kendini kanıtlamaya hazırsın.
Bölgemiz, daha sağlam bir yazılım geliştirmek ve uygulamak için sağlam bir temel oluşturdu. İlhamını korumanın en iyi yolu, öğrenen biri olarak kalabilmektir.
Bölgemizle birlikte, temel kavramları ve gerçek dünya örneklerini ele aldık. Sana güven verdim, pratik bir yol sundum ve büyümeye devam etmen için kaynaklar sundum.
Bölümümüzü bu makale ile tamamladığımız için mutluyum. Tamamlamaya hazırsan GitHub deposunu keşfet ve topluluk üyeleriyle etkileşime geç; bugün uygulanmaya başladığın pratik bir ipucu bir sonraki büyük gelişme olabilir.
Umarım bu bölüm, azımsız bir bonus kılavuz ve güven verici bir kapanış olarak hizmet etti. Daha zengin bir yazılım geliştirmek için bekleyemeyeceğim! 🚀
Bu içerik tamamen yapay zeka destekli otomasyon sistemi ile üretilmiştir.
All rights reserved