Vibe Coding - Vibe Kodlama

• Andrej Karpathy, LLM'ler yeterince iyi hale geldikçe kodun kendisini neredeyse hiç düşünmeden üretmeye dayanan yeni bir yaklaşım olarak vibe coding kavramından söz ediyor
• Cursor Composer, Sonnet ve SuperWhisper ses girişini birleştirerek klavyeyi neredeyse hiç kullanmadan gereksinimleri sözlü olarak iletiyor
• Padding'i yarıya indirmek gibi küçük bir istekte bile bunu kendisi aramak yerine sisteme bırakıyor ve diff'i okumadan Accept All düğmesine basıyor
• Hata mesajlarını açıklama eklemeden kopyalayıp yapıştırıyor; LLM hatayı düzeltemezse sorunu aşmayı deniyor ya da problem ortadan kalkana kadar rastgele değişiklikleri tekrar tekrar yaptırıyor
• Hafta sonu için yapılan tek kullanımlık projelerde işe yarayabilir, ancak kod anlayış sınırının ötesine geçecek kadar büyüyebildiği için bu yaklaşım kodlamaktan çok bakma, konuşma, çalıştırma ve yapıştırma yöntemine benziyor

---

“vibe coding” çalışma biçimi

• vibe coding, her şeyi tamamen LLM'e bırakıp kodun varlığını neredeyse unutmaya yaklaşan bir yöntem
• Araç örneği olarak Cursor Composer with Sonnet, ses girişi için ise SuperWhisper kullanılıyor
• Kodu doğrudan arayıp düzenlemek yerine şu akış tekrar ediyor
  • Ekranda gereken değişikliği görüyor
  • Composer'a sözlü olarak istekte bulunuyor
  • Sonucu çalıştırıyor
  • Hata mesajını kopyalayıp yapıştırıyor
• Artık diff okunmuyor ve her zaman Accept All seçiliyor
• Kod, normalde anlayabildiği seviyeyi aşacak kadar büyüdüğünde, gerçekten anlamak için bir süre kodu okumak gereken bir duruma dönüşüyor

Sınırlar ve örnekler

• LLM bazen hatayı düzeltemeyebiliyor
  • Bu durumda hatanın etrafından dolaşılıyor
  • Ya da sorun kaybolana kadar rastgele değişiklikler istenerek tekrar tekrar deneniyor
• Bu yaklaşımın throwaway weekend projects için fena olmadığı değerlendiriliyor
• Yaklaşık bir saatlik vibe coding ile bir Battleship oyunu da yapılmış
  • Kullanıcının seçtiği rastgele iki LLM modeli gerçek zamanlı olarak birbirine karşı savaşıyor
  • Henüz güçlü istatistikler yok, ancak 4o'nun 4o-mini'yi yendiği söyleniyor

[GN⁺]

Hacker News görüşleri

• Bizzat deneyince oldukça iyi, ama halüsinasyonlara kesinlikle dikkat etmek gerekiyor
  Örneğin benden 500 kelimelik bir tanıtım raporu yazmasını istediğimde en az 3 hata çıktı. Stack Overflow itibar puanımın 47.000 olduğunu söyledi; oysa gerçekte profilimdeki “ulaşılan kişi sayısı 47k” bilgisini 525 itibar puanımla karıştırmıştı. Ayrıca PHP monkey-patching hakkında bir yanıt verdiğimi alıntıladı; gerçekte ise bu, 15 yıl önce benim sorduğum bir soruydu ve yanıtlayan başka biriydi. Son olarak röportaj alıntısı da bana ait değildi; birlikte şirket kurduğum kardeşimin röportajıydı
  Başlangıç noktası olarak kullanılabilir, ama sonuç mutlaka kaynak bağlantıları takip edilerek doğrulanmalı

  • “Oldukça iyi ama halüsinasyonlara dikkat” değerlendirmesi sorunu fazla hafife alıyor. Aklına geleni uyduran birini işe almazsınız, alsanız da uzun süre çalıştırmazsınız; öyleyse bu “AI” araçlara neden ilginç bir araştırma projesinden fazlası denebildiğini anlamıyorum. Güvenilirlik belli bir seviyeye gelene kadar büyük dil modellerini yeniden tasarım aşamasına döndürmek gerekmez mi diye düşünüyorum
  • Buna yararlı bir başlangıç noktası demek zor; AI konusunda iyimser tarafta olsam bile böyle düşünüyorum. Titiz bir stajyerin yapmayacağı olgusal hatalarla dolu bir rapor, işe yaramaz olmaktan daha kötüdür
    Zor kısım cümleleri yazmaksa, araştırmayı kendiniz yapıp taslağı çıkarmak ve büyük dil modeline bunu tamamlanmış cümlelere dönüştürtmek daha hızlı olabilir. Ancak bunu yaptığınızda da düzyazı üslubunun işin düşük değerli kısmı olduğunu kanıtlamış olursunuz; İngiliz edebiyatı mezunu biri olarak can acıtıcı ama genel olarak doğru
  • Sıfırdan araştırıp 500 kelimelik raporu kendin yazmak mı, yoksa AI yazdıktan sonra tüm yanıtları fact-check edip elle düzeltmek mi daha hızlı, emin değilim. Bu yüzden “doğru cevap” gerektiren işlerde AI kullanmıyorum. Paragrafları ya da cümleleri daha okunur hâle getirmek için kullanıyorum, ama AI’ın verdiği bilginin kendisine güvenmiyorum
  • “Stack Overflow’da yanıt verdim” diye yanlış hatırlaması neredeyse yapay demans gibi
    Bazı yerler, ürünü düzgün biçimde piyasaya sürebilecek olgunluğa gelmeden çok daha erken çıkarıyor; hukuki savunmalarının da o kadar sağlam olup olmadığını bilmiyorum. Ancak veritabanıyla desteklenen çıktılar bu tür yanlış hatırlama olgusunu güçlü biçimde sınırlayabilir ve sınırlamalı. İnsan gibi fikir ürettikten sonra verilerle karşılaştıran doğrusal bir doğrulama gerekir; bu hem durum tespiti hem de akıl yürütme sürecinin bir parçasıdır. Ana ürün evriminin yönünden farklı hareketler Ar-Ge’yi sarsıyor gibi görünüyor ve bir tür erteleme hissi veriyor
  • Son birkaç yıldır büyük dil modeli tabanlı ürünler için yapılacak değerlendirme tam olarak “oldukça iyi ama halüsinasyonlara dikkat”

• “Derin araştırma” dendiğinde, bunun sonunda doğru cevabı bulmayı da içerdiği okunuyor
  Artık tamamen yanlış cevap oranı yalnızca %10 olsa bile, ister sağduyuya aykırı ister kendi içinde çelişkili olsun, bunun tüm etkileşimin güvenini ciddi biçimde sarstığını düşünen çok kişi var. Zaten bildiğiniz şeyleri yeniden teyit etmek dışında, dil modeli gerçekten her şeyi bilecek kadar büyük değil; sadece biliyormuş gibi duyuluyor
  İstenen şey yalnızca doğru cevap değil; benim kendi araştırma süremden de, makinenin verdiği cevabı doğrulama süremden de daha hızlı gelen doğru cevap. Cevabını bildiğim bir sınav kâğıdını öğrenciye çözdürmekle, cevabını bilmediğim bir soru için o cevaba güvenmek zorunda kalmak bambaşka seviyeler

  • Son özellikler halüsinasyonları azaltmak için geniş kapsamlı web aramasına yaslanıyor, ama web’in kendisinin filtrelenmemiş büyük dil modeli çıktılarıyla hızla kirleniyor olması endişe verici. Bir noktadan sonra, güncelliğin önemli olmadığı sorularda bir araştırma ajanına gerçek zamanlı web yerine yaklaşık 5 yıl önceki web anlık görüntüsünü vermek daha doğru hâle gelebilir
  • Kendimi “LLM ≠ AI” kuşkucusu olarak görüyorum, ama insanların büyük dil modellerinden bir şey elde ediyormuş gibi yapmasını görünce endişeleniyorum. Neredeyse hizmet olarak daktilo başındaki maymunlar gibi
    Ara sıra şurada burada kullanmak için faydalı, ama içine akan para kadar faydalı değil. Elbette o parayı alan şirketler için faydalıdır. Gerçek AI olsaydı tek başına çözmesini bekleyeceğiniz bir örnek; mevcut büyük dil modelleri ise feci şekilde başarısız oluyor: https://x.com/RadishHarmers/status/1885884032220643587
  • Bu yüzden AI araçlarını pek faydalı bulamadım. Cevabı doğrulayıp düzeltmek için harcanan süre, çoğu zaman işi doğrudan kendim yapmaktan ya da öğrenmekten daha uzun sürüyor
  • Büyük dil modeli türü AI’ın pratikte işe yaradığı problemlerin biraz NP-benzeri bir niteliği olduğunu hep düşündüm. Yani problemi çözmek zor olsa da çözümü kontrol etmek hızlı olmalı
    Hataları ya da halüsinasyonları kabul edebileceğiniz bir alan değilse, gerçek bir kazanç için insanın çözümü kontrol etme süresi, AI’ın çözümü bulma süresinden üstel ölçekte daha hızlı olmalı
  • Tamamen yanlış cevap oranı bir yıl önce %30, birkaç yıl önce %60 idiyse ve şimdi %10 ise, bir gün yeterince iyi olacağı bir noktaya ulaşabilir. Günümüzde cevapları doğrulama yöntemleri de giderek iyileşiyor
    Her sorunun çözümü olmayacak, ama birçok mühendislik problemine benziyor. Örneğin ORM’nin her sorgu için iyi olmaması, ama önemli bir kısmı için yeterli olması gibi

• Bu bana korkutucu geliyor. Halüsinasyon ve hata sorunlarını kabul etsek bile, gerçek kullanıcıların bunu görmezden gelip çıktıyı kendi PowerPoint sunumlarına koyma olasılığı yüksek.
  Yönetim danışmanlığı zaten yeterince kötüydü; grafik ve istatistikleri keyfi biçimde seri üretmek mümkün olunca daha da kötüleşecek. Yine de eskiden sayıların nereden geldiğine dair perde arkasında bir ölçüde anlayış vardı ve kaynak da sunulabiliyordu.
  Bu tür araçlar güçlendikçe, bu çıktıların her yere sızma etkisi daha yaygın hale gelecek.

  • Ya doğruluğu önemserler ya da önemsemezler. Önemsemiyorlarsa, bunu bir insanın uydurmuş olmasıyla AI’ın uydurmuş olması arasında fark yok. Önemserlerse, yayımlamadan önce doğruluk kontrolü yaparlar. Bu aracın bunu neden değiştirdiğini anlamıyorum.
  • Halüsinasyonla üretilmiş araştırma yazı olarak yayımlanır, o yazı başka AI araştırmalarında alıntılanır ve yanlış bilgi sürekli yukarı itilirse, ileride o yalanın kaynağının neresi olduğunu anlamak zorlaşır.
  • Bunu bir tür aşı gibi de görebiliriz. İnsanların yazdığı danışman raporlarının çoğu zaten tamamen sallapati. Doğruluğu düşük, sinyal-gürültü oranı düşük ve genellemeleri hacimle bastıran bir formatta.
    Büyük dil modelleri, insanların bu tür bilgi değeri düşük içeriklere karşı bağışıklık kazanmasını sağlıyor. LLM düzeyinde çıktı üreten kişiler artık LLM kullandıkları şüphesiyle karşılaşıyor ve artık değer katıyormuş gibi yapmakta zorlanıyorlar. Sonuçta danışmanlardan daha yüksek kalite beklenecek; doğru, içgörülü ve bağlama uygun bilgi yerine yalnızca uzun laf üretenler elenecek.
  • Açıkçası danışmanlık yaptım ve hâlâ yapan çok arkadaşım var; McKinsey raporları bile dört seferin üçünde gerçeğe çok sağlam biçimde dayanmıyor, içinde çok fazla tahmin oluyor.
  • Bence o gemi, Facebook’un yanlış bilginin yayılmasına serbestçe izin verdiği anda, hatta belki daha da önce çoktan kalkmıştı.

• Gemini’de de bir-iki aydır aynı adlı Deep Research vardı: https://blog.google/products/gemini/google-gemini-deep-resea...
  Meta bir soru olarak, AI sektöründe isimlerin neden bu kadar çakıştığını merak ediyorum. Aklıma Triton(Nvidia, OpenAI) ya da Gro{k,q}(X.ai, groq, OpenAI) geliyor.

  • OpenAI Triton’un geliştiricisine göre “Triton” adı, 2019 ortalarında doktora tezini yayımlarken verilmiş. Bir yıl sonra “TensorRT Inference Server”, “Triton Inference Server” olarak değiştirilmiş; ama kendi doktora danışmanlarını projeye bağlayan tek ad bu olduğu için değiştirmemiş.
  • “Meta soru”ysa, sorgunun başına “@Meta AI” eklemek gerekir gibi.
  • Belirli terimlerin yeniden tanımlanmasını satış ve PR’a uygun biçimde birlikte dayatan gayriresmî bir sektör topluluğu varmış gibi hissettiriyor. Önce “zekâ”, sonra “açık kaynak”, ardından “çıkarım”ı aldılar; devamı da gelecek.
    PR için gerekli olup gerçekte başarılamayan kelimeler yeniden tanımlanıyor. “grok” bunun kusursuz örneği; orijinal bilimkurgu kitabında “tam kavrayış” anlamına geliyordu. Mitolojide Triton derin denizleri yönetiyordu; yani “deep learning” satış söylemi de bunu doğrudan kapmış oldu.
  • Gemini sürümünü çıktığında denemek istemiştim ama sanırım yanlış ülkede yaşıyorum. ABD dışında çalışmıyor gibi. OpenAI ve DeepSeek’te böyle bir sorun yok, yazık. Para ödemeye razı olmama rağmen kabul etmiyorlar.
  • Gemini sürümüne pek “derin” demek zor. Çok bilgi gösteriyor ama oldukça yüzeysel. OpenAI sürümü gerçek derinliğe bir adım daha yaklaşmış gibi görünüyor.
    Kendiniz denediğinizde, büyük dil modelinin gerçekten derine inmesini sağlamanın epey zor olduğunu görüyorsunuz. OpenAI’ın Deep Research’ü, büyük bir laboratuvarın bunu nasıl yapabileceğini gösteren ilk örneklerden biri gibi geliyor. Genellikle zor olan kısım “ajan”ın kendisi değil, modelin derine inmeyi unutmamasını zorla sağlamak.

• Fark ettiniz mi bilmiyorum ama bu özellik yayımlanmamış o3 modeli ile çalışıyor gibi görünüyor. Benchmark’larda açık ara önde olmasının nedeni ve o3’ün herkese açık çıkış için fazla pahalı olduğu iddiasıyla da örtüşüyor. Google, DeepSeek ve Perplexity’nin önünde duran etkileyici bir model gibi.

  • Herkese açık benchmark’larda yalnızca bu araç/sistem araçlara ve web’e erişebiliyordu. Bu yüzden performans artışının, teknik olarak büyük olasılıkla bundan kaynaklandığını düşünüyorum.
    o3 halka açmak için fazla pahalıysa, soru başına yüzlerce çıkarım çağrısı yapması gereken bir araçta neden kullanılsın? Çok daha ucuz bir model kullanılırdı. Muhtemelen o3-mini veya o1-mini’ye, bazı işler için de o4-mini’nin eklendiği bir kombinasyon olabilir.
  • Pahalı demek, daha pahalıya satmak istedikleri anlamına gelmiş olabilir; DeepSeek ise onları hamle yapmaya zorladı.
  • Bu çalışma ortamındaki etkinin tek bir belirli modelin çok ötesinde bir mesele olduğunu düşünüyorum. Araştırma işinin her aşamasında aynı boyutta tek bir model kullanmak aptalca bir tercih olurdu.
    Nihai yanıtı sentezlerken ya da çelişen kaynaklar arasında seçim yaparken o3 avantajlı olabilir; ama o noktaya gelene kadar çok fazla adım gerekiyor.
  • o3 on ay sonra çıktığında, o zamanki DeepSeek, Google ve Meta’dan bir nesil önde olacağına eminim. Gerçekten etkileyici.
  • Bunun yayımlanmamış o3 ile çalıştığına inanmanızın dayanağını merak ediyorum.

• Akademide çalışanlar için gerçekten ilginç bir araç. Denemek isterdim ama şu anda ayda 200 doları karşılayamam.
  Şu istemle test edebilecek biri olsa iyi olurdu: Bir parçacık fiziği araştırma asistanı olarak CERN’in Future Circular Collider (FCC), International Linear Collider (ILC), Compact Linear Collider (CLIC), çeşitli Muon Collider önerileri ve 2024 itibarıyla başlıca yeni nesil parçacık çarpıştırıcısı planlarını; enerji aralığı, çarpışma türü, takvim, teknik artılar ve eksiler, maliyet, fizik hedefleri, tasarım raporları, uluslararası iş birliği, maliyet-etkinlik, keşif olasılığı, altyapı, çevresel etki ve yükseltme yollarına kadar karşılaştıran teknik bir özet olarak yazmasını istemek.

  • o3-high ile çalıştırdım, sonuç bağlantısı burada: https://chatgpt.com/share/67a0b227-8ee4-800f-a8ed-882e7bab97...
    Ham çıktı HN’ye yazmak için fazla uzundu; FCC, ILC, CLIC, Muon Collider, CEPC/SppC vb. için planlanan enerji, çarpışma yöntemi, takvim, maliyet, teknik zorluklar, fizik hedefleri, uluslararası destek, çevresel etki ve uzun vadeli yükseltme yollarını tablo ve kaynak formatında karşılaştıran bir rapor biçimindeydi.

• Bu yeteneğin gerçekten AGI ve ASI için bir önkoşul olup olmadığından emin değilim.
  Muhakeme, problem çözme ve araştırma doğrulaması temelde rafine edilmiş düşünmeye daha yakın. Araştırma, hâlâ bunun önemine şüpheyle yaklaşılan bir alan; çünkü geçerli kanıt, düzenli bir yanıttan değil, yürütme sonuçlarından gelir.
  Örneğin internette en iyi elektrikli süpürgeyi ne kadar araştırırsanız araştırın, bizzat kullanmadan önce pazarlama, sahte yorumlar ve influencer’lar arasında sıkışıp kalırsınız. Bilim alanı sıkıcı olduğu için bu tür sorunlardan bir ölçüde korunuyor olabilir; ama bir ilaç şirketinin üst düzey tıbbi “araştırma sonuçları” içeren kişiye özel blog yazılarıyla interneti doldurup istediği makale havasını yaratabileceğini düşünmek korkutucu. Bir noktada internete hiç güvenilemez hale gelebiliriz; o nokta da yakında gelebilir.
  Üretilen metinlerin patlamasıyla, araştırmanın değeri muazzam miktardaki bilgi çöpü yüzünden ciddi ölçüde azalacak gibi. İnternetin hâlâ “gerçek” olduğu zamanlarda yapılan bir iş olarak kalabilir.

  • Bu tür kullanım için bu aracı kullanmazsın, olur biter. Yine de eleştiri yerinde.
    Eskiden Hydroflask, Klean Kanteen ve Thermos’un sıcak/soğuk içeceklerde nasıl farklılaştığını karşılaştırmak için gerçek ölçümler içeren yazılar aramıştım; Google sonuçlarının çoğu, somut veri içermeyen genel karşılaştırmalardı. Buna rağmen “Hydroflask sıcak içecekler için daha iyidir” gibi yazılar üst sıralarda çıkıyordu.
    Asıl mesele, bu aracın böyle yazıları yok sayıp yalnızca gerçek deney içeren yazıları kullanıp kullanamayacağı ve bir kişinin yaptığı deneyi birçok blog yazarının tekrar tekrar alıntılamasından doğan yinelenen sonuçları eleyip eleyemeyeceği.
  • Bu tamamen “AGI”yi nasıl tanımladığına bağlı.
  • Bu tek bir özellikten ziyade devasa bir arazideki bir yön. Arama gibi çeşitli görevlerde ve muhakemeyle birleşen araştırmada daha iyi hale gelmek, modelleri AGI’ye daha da yaklaştırır.
    AGI böyle görevleri yapabilmelidir; bu yeteneklerin Venn diyagramı genişledikçe, AGI’nin temel mekanizması olabilecek şeyi daraltabiliriz. Moravec, insan yetenekleri arazisinin AI yetenekleri tarafından yavaş yavaş sular altında bırakıldığı bir imgeden söz etmişti; AI, insanın yapabildiği her şeyi fiilen ya da ilke olarak yapabildiği noktada gerçek genel amaçlı AI’ye ulaştığımızı anlayacağız. Deep Research, o selde su altında kalan bir adadan ibaret.

• Grafiği doğru anladıysam, iç testlerde geçme oranı yalnızca %20 gibi görünüyor. Öyleyse 30 dakika bekleyip yüksek bir ücret ödedikten sonra, çoğunlukla yanlış olma ihtimali yüksek uzun bir metin duvarını taramamız mı gerekiyor diye düşünüyorum.
  Halüsinasyon olasılığı göz ardı edilebilecek kadar düşük değilse, tek seferde incelenecek içerik çok fazla. Sürecin çok daha yinelemeli olması gerekiyor gibi.

  • O %20’ye ulaştığı problem türlerine örnekler şu seviyede: İki functor arasındaki doğal dönüşümü bir end olarak ifade etmek, doğal eşdönüşümü bir coend olarak tanımlamak ve ardından simetrik gruplar Σ4 ile Σ7’nin delooping nerve’ü altındaki ∞-kategoriyi ele alıp doğal eşdönüşüm sayısını sormak gibi.
    Yani bunlar sıradan sorgular değil, en uç düzey matematik benchmark’larına daha yakın problemler.
  • Humanity’s Last Exam’de %26,6 geçme oranı aslında etkileyici. Geçme oranını görevin zorluk bağlamında değerlendirmek gerekir.
  • Bu ancak en uç benchmark seviyesinde sorular sorduğunda geçerli olan bir durum.
  • Veri az olduğu için kesin konuşmak zor. Tek bir sorgunun bir günlük işi yaptığını varsayarsak, 5 günlük işi gözden geçirmek bir günden az sürüyorsa makul biçimde kullanılabilir.
    Gerçek araştırmada olduğu gibi hazırlık işinin nihai çıktısından daha büyük olduğu durumlarda kavramsal olarak iyi oturabilir. Benchmark’lara kabaca bakınca, yıl sonuna doğru sorgu başına %50’yi aşabilecek gibi görünüyor; modelin her bir-iki neslinde ikiye katlanıyor gibi.
  • Bu rakamlar, o alanın uzmanlarının bile doğru yanıtlamakta zorlanacağı problemlerden geliyor.

• Blog dünyasında dar alanlarda bilinen uzmanlar ya da o alanda ünlü kişiler var; faydalı yazılar yazan çok daha fazla insan da var. En azından başka insanların okumasını umarak yazıyorlar.
  Ama okurların tamamı bot olursa, bunların yazmaya devam edip etmeyeceğini merak ediyorum. Ölü internet yaklaşıyor gibi.

  • Sadece botların okuyacağı yazılar yazmak bile yöntemini biliyorsak bence iyi. Akademik makaleler de aslında düzgün okunmuyor; çoğu zaman atıf yapmak için kısa süreliğine göz atılıyor, dergi makaleleri ya da tezler gibi büyük yayınlarda bu daha da böyle.
    Yine de insanların istediklerinde kolayca erişebilecekleri bir bilgi dünyasına katkıda bulunabilmek, yazar olarak çekici. Artık yalnızca başlığı ilgili görünen makaleleri zahmetle taramaya gerek yok; başkalarının da benim makalemi zahmetle okumasına gerek kalmaması sorun değil.
  • Elbette yazmaya devam edecekler. Kimsenin gönüllü olarak bakmayacağı fotoğraflar çekmek için bütçelerinin yettiği en büyük kamerayı taşıyıp yüzlerce kare çeken bir sürü insan da var.

• Gerçekten bu özelliğe erişimi olan biri var mı merak ediyorum. Web sitesinde bugünden itibaren Pro kullanıcılarına sunulduğu yazıyor, ama şirket hesabıyla Pro olsam da mesaj yazma alanında Deep Research seçeneğini görmüyorum.

  • Pro’yum ve ABD’deyim, bende hâlâ görünmüyor.
  • Yaklaşık 3 saat önce erişimim açıldı. Bazı özelliklerin geç geldiği Windows masaüstü uygulamasında da görünüyor.
    Herhangi bir modeli açınca, web arama seçeneğinin yanında giriş kutusunda (Deep research) etiketi beliriyor. Önbelleği temizlemedim ya da benzeri bir şey yapmadım.
  • Pro’yum ama bende hâlâ görünmüyor.
  • Pro aboneliği olan iki tanıdığım da hâlâ erişimlerinin olmadığını söylüyor.
  • ABD’de yaşıyorum, Pro kullanıyorum ama hâlâ erişemiyorum.

[GN⁺]

Hacker News görüşleri

• Her yıl yazılım için kalite standardının artık daha fazla düşemeyeceğini düşünüyorum, ama her seferinde yanıldığımı görüyorum

  • Neden düzgün yapılmayacak bir şeyi yapmaya kalktıklarını anlamıyorum
  • Bu, sanki düzgün kesilmemiş tahtaları çivileyip sandalyeye benzeyen bir şey yapıp sonra üstüne oturmak gibi
  • “Bazen sadece oturacak bir yere ihtiyaç olur” deniyor ama yine de en azından asgari bir bitmişlik düzeyi olması gerektiğini düşünüyorum
  • Bazı insanların İngilizce konusunda kendine güveni olmadığı için LLM'lere tamamen bağımlı hale geldiğini, bunun sonucunda da kendini ifade etme becerilerini ve özgüvenlerini kaybettiklerini görüyorum
  • Yazılımda daha en baştan yaptığınız şeyin bir ‘sandalye’ olduğunu bildiğiniz durumlar nadirdir
    • Sonuçta bu sadece keşif odaklı programlama ya da prototiplemenin başka bir adı
  • Bazen önemli olan varış noktası değil, sadece hızlıca bir yere ulaşmak istemek oluyor
    • Bu, yorgun olduğu için kısa süreliğine yere oturan birini azarlamak gibi
  • Bugünlerde kodun gerçek donanım üzerinde çalıştığına dair gerçeklik hissinin kaybolduğundan endişe ediyorum
    • Genç geliştiriciler çoğu zaman kodun fiziksel sonuçlarını anlamıyor
    • AI ve onun hype'ının bir gün çökeceğini düşünüyorum ama kaliteyi koruma mücadelesi sürmeli

• Ben de bu şekilde hafif projeler yaparken keyif alıyorum

  • Ama güvenlik asla baştan savma yapılamaz
  • AI kodlama asistanlarının kimlik doğrulaması olmayan API'ler oluşturduğu ya da XSS riski taşıyan şablonlar ürettiği çok oldu
  • LLM'leri her gün kullanıyorum ama güvenlik mühendisinin rolünün gelecekte de fazlasıyla var olacağından eminim

• Bu yaklaşıma bakınca, sanki ‘yiyip kod yazan biri’ ortaya bir çıktı teslim ediyormuş gibi geliyor

• Bu şekilde kodlamaya başlamanın zor problemleri çözme yeteneğini körelteceğinden endişe ediyorum

  • Ama başka biri, hâlâ gerekli yerlerde elle dikkatli çalışma yapılabildiğini söylüyor
  • Buna karşılık yeni şeyler denemenin giriş bariyeri düştüğü için çok daha özgür keşif yapılabiliyor

• Bugünlerde en baştan bu yöntemle öğrenen AI-native geliştiriciler giderek çoğalıyor

  • Artık çağın kod yazmaktan çok AI coder yönetimine yaklaştığını düşünüyorum

• Doğal dil komutlarıyla düzenlenebilen WYSIWYG benzeri araçlarda, RAD araçlarının sınırları gibi ani bir zorluk duvarı olacağını düşünüyorum

• Bazıları “bu şekilde öğrenilmez” diyor ama bence önemli olan harcanan emek ile ortaya çıkan kaliteyi dengelemek

  • Vibe Coding, öğrenme ve keşif için iyi bir yöntem
  • Yeni bir emek–kalite spektrumu açabilir
  • Ancak Fred Brooks'un dediği gibi, ilk deneme yetersizse onu cesurca atabilmek gerekir
    • LLM'in ürettiği ilk implementasyona saplanıp kalırsanız, problemi doğru düzgün anlamadan yanlış bir referans noktasına bağlanabilirsiniz

• CSS için Vibe Coding'in yeterli olduğunu düşünüyorum

  • Ama başka biri, erişilebilirlik ve duyarlı tasarım düşünülünce bunun o kadar basit olmadığını savunuyor
  • İyi yazılmış CSS aksine daha sade ve bakımı daha kolay olur
  • Araya AI sokmak tersine engel olabilir
  • Bir başkası Claude ile küçük bir web yardımcı aracını baştan sona tamamen geliştirdiğini söylüyor
  • Bir diğeri ise React tabanlı bir arama DSL'i ya da GUI pipeline editörünü aynı şekilde yaptığını, bu yaklaşımın basit CSS düzeyinin ötesine geçtiğini anlatıyor