Cursor (AI IDE) nasıl çalışır

• Cursor, Windsurf ve Copilot gibi yapay zeka kodlama araçlarının iç işleyişini anlamak, karmaşık kod tabanlarında verimliliği artırmayı ve tutarlı performans sağlamayı mümkün kılar
• Pek çok kişi AI IDE'lerin sınırlarını anlamadan onları geleneksel araçlar gibi kullanıyor ve bu yüzden performans sorunları yaşıyor
• Bu yazı, Cursor'un iç çalışma mantığını, sistem prompt'unu ve kodlama ile Cursor kurallarını optimize etme yöntemlerini açıklıyor

LLM'den kodlama ajanına

Büyük dil modelleri (LLM)

• LLM'ler temelde bir sonraki kelimeyi tahmin ederek çalışır
• Bir prompt verdiğinizde LLM otomatik tamamlama gibi yanıt üretir
  • İlk decoder tabanlı LLM'lerde (ör. GPT-2) istenen çıktıyı almak için belirli prompt'lar yazmak gerekiyordu
  • Prompt engineering, modelden istenen cevabı almak için onu bir anlamda 'yönlendirme' tekniğidir
• Instruction tuning'in devreye girmesiyle kullanım kolaylığı arttı
  • “Foo metodunu refactor eden bir PR hazırla” gibi komutlar doğrudan çalıştırılabilir hale geldi
  • Aslında bu da otomatik tamamlama sürecinin genişletilmiş bir sürümüdür
• Tool calling eklendi
  • Model artık dosya okuma, yazma ve komut çalıştırma gibi işlemleri yapabilir
  • Örnek: read_file('index.py') → istemci dosya içeriğini sağlar → model işe devam eder

Ajan tabanlı kodlama

Cursor gibi AI IDE'ler karmaşık bir wrapper yapısı kullanarak oluşturulur:

• VSCode fork'u → açık kaynak temeliyle başlar
• Sohbet arayüzü eklenir ve uygun LLM seçilir (ör. Sonnet 3.7)
• Kodlama ajanı için araçlar uygulanır
  • read_file(full_path: str)
  • write_file(full_path: str, content: str)
  • run_command(command: str)
• Prompt optimizasyonu
  • “Sen uzman bir yazılımcısın”, “tahmin etme, araç kullan” gibi talimatlar eklenir
    → Sadece bu adımları uygulamak bile pratikte çalışır, ancak söz dizimi hataları, halüsinasyonlar ve tutarsızlık sorunları ortaya çıkabilir

Ajan tabanlı kodlamayı optimize etme stratejileri ve ipuçları

• İyi bir AI IDE yapmak için LLM'nin hangi işlerde iyi olduğunu anlamak ve prompt'ları ile araçları LLM'nin sınırlarına göre dikkatle tasarlamak gerekir.
  • Ana işi basitleştirmek ve alt görevlerde daha küçük modeller kullanmak etkili bir yaklaşımdır
  • Karmaşık işleri dağıtarak performans ve tutarlılık artırılabilir

• Kullanıcı bağlamı ekleme (@file kullanımı)

  • Kullanıcı büyük olasılıkla doğru dosyayı veya bağlamı zaten biliyordur
  • @file sözdizimi eklenir → tüm dosya ya da klasör içeriği bağlam olarak dahil edilir
  • İpucu: @folder/@file kullanımını aktif biçimde tercih edin → açık bağlam, yanıt hızını ve doğruluğu artırır

• Kod aramayı optimize etme

  • Kod arama karmaşık olabilir; özellikle anlam temelli arama (ör. “kimlik doğrulama kodu nerede”) zordur
  • Kod tabanı bir vektör veritabanında (Vectorstore) indekslenir → arama sırasında LLM otomatik olarak filtreleme ve yeniden sıralama yapar
  • İpucu: Kod yorumları ve dokümantasyon önemlidir → embedding modelinin performansını güçlendirir
    • Dosyanın başına amacını, anlamını ve ne zaman değiştirildiğini açıklayan bilgiler ekleyin

• Dosya yazımını optimize etme

  • Kusursuz kod yazmak zordur ve maliyetlidir
  • Tüm dosya yerine anlamsal diff (Semantic Diff) üretilir → yalnızca değişen kod parçaları sağlanır
  • Ayrı bir uygulama modeli, bu anlamsal diff'e göre gerçek dosyayı yazar → söz dizimi hatalarını düzeltir
  • İpucu: Uygulama modeline doğrudan prompt verilemez → tüm dosyayı sağlayarak kontrolü artırın
  • İpucu: Uygulama modeli büyük dosyalarda yavaşlayabilir ve hata üretebilir → dosya boyutunu 500 LoC'nin altında tutun
  • İpucu: Linter geri bildirimi çok önemli bir sinyaldir → güçlü bir linter kullanmak şarttır
    • Derleme ve tip denetimli dillerin sunduğu geri bildirim de kullanılabilir
  • İpucu: Benzersiz dosya adları kullanın → page.js yerine foo-page.js, bar-page.js gibi daha açık isimler tercih edin
    • Belgelerde tam dosya yolunu verin → düzenleme aracındaki belirsizliği ortadan kaldırın

• Ajan odaklı model kullanımı

  • Genel amaçlı kod yazma modelleri yerine ajan odaklı modellerin kullanılması önerilir
  • Anthropic modellerinin Cursor gibi IDE'lerde çok iyi performans göstermesinin nedeni budur
  • İpucu: Sadece kod yazan değil, ajan tabanlı IDE'lere optimize edilmiş modeli seçin
    • Model performansı WebDev Arena leaderboard'unda görülebilir

• Kendi kendini düzeltme araçlarını kullanma (ileri seviye strateji)

  • apply_and_check_tool → pahalı linter çalıştırma + headless browser'da console log ve ekran görüntüsü toplama
  • MCP(Model Context Protocol) → ajanın özerkliğini ve bağlam sağlama yeteneğini güçlendirir

Cursor sistem prompt'unun ayrıntılı analizi

• Cursor'un en güncel prompt'u (Mart 2025), MCP tabanlı prompt injection tekniğiyle çıkarıldı
  • Cursor'un prompt mühendisleri, diğer AI IDE'lerle kıyaslandığında bile son derece güçlü prompt yazma becerilerine sahip.
  • Prompt yapısını analiz etmek, kod üretim performansını ve ajan mimarisi tasarlama yeteneğini geliştirebilir

• Başlıca prompt öğeleri ve anlamları

  • "<communication>", "<tool_calling>" gibi etiketlerin kullanımı
    • Markdown ile XML etiketleri birlikte kullanılır → insanlar için okunabilir, LLM için işlenmesi kolaydır
  • "powered by Claude 3.5 Sonnet"
    • Model tutarlılığını güçlendirir → LLM'nin çalıştığı model hakkında yanlış bilgi vermesini önler
  • "the world's best IDE"
    • LLM'nin hata durumunda başka ürünler önermesini engeller
  • "we may automatically attach some information…follow the USER's instructions…by the <user_query> tag."
    • Kullanıcı prompt'unu doğrudan vermek yerine özel etiket içine alarak karışıklık önlenir
  • "Refrain from apologizing"
    • Gereksiz özürleri engeller (Sonnet modelinin eğilimlerini dengelemek için)
  • "NEVER refer to tool names when speaking"
    • Araç adlarını anmama talimatı eklenir → ancak gerçek model bazen bunu görmezden gelebilir
  • "Before calling each tool, first explain"
    • Araç çağırmadan önce durumu açıklama → kullanıcı deneyimini iyileştirir
  • "partially satiate the USER's query, but you're not confident, gather more information"
    • Aşırı özgüven nedeniyle erken yanıt vermeyi engeller → ek bilgi toplamaya yönlendirir
  • "NEVER output code to the USER"
    • Doğrudan kod çıktısı vermeyi yasaklar → kod üretimi yalnızca araçlar üzerinden yapılır
  • "If you're building a web app from scratch, give it a beautiful and modern UI"
    • Tek bir prompt ile çekici web uygulamaları üretmeyi teşvik eder (demo amaçlı)
  • "you MUST read the the contents or section of what you're editing before editing it"
    • Kod düzenlemeden önce bağlamı okuma zorunluluğu → bağlamsal farkındalığı artırır
  • "DO NOT loop more than 3 times on fixing linter errors"
    • Düzeltme döngüsünü sınırlar → sonsuz döngüyü önler
  • "Address the root cause instead of the symptoms."
    • Sorunun belirtilerini değil kök nedenini gidermeye yönlendirir
  • "DO NOT hardcode an API key"
    • Güvenliği artırmaya yönelik talimat → hardcode etmeyi engeller
  • "codebase_search", "read_file", "grep_search", "file_search", "web_search"
    • Kod yazmadan önce doğru bağlamı toplamak için çeşitli arama araçları sunulur
  • "One sentence explanation…why this command needs to be run…" talebi
    • Araç argümanlarını işlerken muhakemeyi güçlendirir → prompt iyileştirme tekniğidir
  • "reapply" aracı "Calls a smarter model to apply the last edit"
    • Son düzenlemeyi daha gelişmiş bir modelle yeniden uygular → düzenleme kalitesini artırır
  • "edit_file" aracı "represent all unchanged code using the comment of the language you're editing"
    • Değişmeyen kodu yorum olarak gösterir → düzenleme modelinin çalışma doğruluğunu artırır
• Prompt caching kullanımı
  • Sistem prompt'u ve araç açıklamaları statik durum olarak tutulur
  • Kod tabanına veya kullanıcıya göre özelleştirme yoktur → prompt caching ile maliyet ve işlem hızı iyileştirilebilir

Cursor kurallarını etkili biçimde yazmak ve kullanmak

• Cursor kuralları yazmanın tek bir doğru yolu olmayabilir; ancak prompt yazma deneyimi ve Cursor'un iç yapısını anlama temelinde bazı yararlı ipuçları sunuluyor
• Kuralları basit komutlar olarak değil, ansiklopedik yönergeler olarak yazmak önemlidir.

• Kural yazımındaki temel kavramlar

  • LLM, kural listesindeki ad ve açıklamalara göre fetch_rules(…) çağrısı yapar
  • Kurallar sistem prompt'una eklenmez; gerektiğinde referans alınır
  • Bu nedenle komut değil, ansiklopedi tarzı açıklamalar daha etkilidir

• Kural yazarken kaçınılması gerekenler

  • Kimlik(identity) tanımı yapmayın
    • “Sen bir TypeScript uzmanısın” gibi tanımlardan kaçının
    • LLM kimliğini zaten gömülü prompt'tan bilir → çakışma riski vardır
  • Sistem prompt'unu geçersiz kılmaya çalışmayın
    • “Yorum ekleme”, “soru sorduktan sonra kod yaz” gibi komutlar → iç araç kullanımında karışıklık yaratır
  • Olumsuz komutlardan kaçının
    • “Yapma” yerine “yap” gibi olumlu ifadeler LLM için daha etkilidir
    • Olumlu komut örneği: “Dosyayı düzenlerken önce tüm bağlamı kontrol et”

• Kural yazarken önerilenler

  • Açık ve sezgisel kural adları ile açıklamalar yazın
    • Kod tabanı hakkında çok az bilgiyle bile kuralın ne zaman uygulanacağı anlaşılabilmelidir
    • Yinelenen kurallar yazmak mümkündür → arama doğruluğunu artırabilir
  • Kuralları ansiklopedik tarzda yazın
    • Kesin komutlar yerine durum ve amaca dair açıklamalar verin
    • Gerekirse bağlamı güçlendirmek için kod dosyaları bağlanabilir
  • Kural taslağı hazırlamak için Cursor'u kullanın
    • LLM'ler, başka bir LLM için bağlam yazma konusunda güçlüdür
    • Örnek: @folder/ sık değiştirilen kod yolları ve tanımlarına dair bir Markdown dosyası oluştur
  • Aşırı sayıda kural yazmaktan kaçının
    • Çok fazla kural verimsizdir ve sezgisel olmayan bir kod tabanına işaret eder
    • İdeal kod tabanında ajan, mümkün olan en az kuralla çalışabilmelidir

• Etkili kural yazımı örnekleri

  • ✅ Kural komutları:
    • “Dosyayı düzenlemeden önce tüm bağlamı oku”
    • “Sunucu kodunu değiştirirken kimlik doğrulama mantığını kontrol et”
    • “Hata oluştuğunda önce nedeni düzelt”
  • ❌ Kural komutları (kaçınılmalı):
    • “Yorumları silme”
    • “Düzenlemeden önce bana soru sor”
    • “Gereksiz kodu değiştirme”

• Kural yazımının temel stratejisi

  • Kurallar komut olarak değil, durum açıklaması olarak yazılmalıdır
  • Sezgisel adlar ve açıklamalar kullanın → en az kuralla en yüksek performansı alın
  • Kesin komutlar yerine durum açıklamalarını ve kod bağlantılarını güçlendirin

Sonuç

• Açık kaynak temelli prompt'lar ve herkese açık model API'leri kullanan, VSCode fork'u olarak başlayan Cursor'un 10 milyar dolara (yaklaşık 13 trilyon won) yakın değerlemeye ulaşması şaşırtıcı
  • Cursor şu anda wrapper multiple ölçütüyle 6 kat değerleme alıyor
• Cursor, optimize edilmiş prompt'lar ve güçlü bir tool calling sistemi sayesinde güçlü performans sunuyor
• Cursor'un kendi ajan modelini geliştirme olasılığı düşük görünüyor
  • Bunun yerine Anthropic'in Claude Code ve Sonnet tabanlı rakip ürünler çıkarma ihtimali daha yüksek

• Temel içgörüler

  • Kod tabanını, dokümantasyonu ve kuralları doğru biçimde yapılandırmak gelecekte de önemli bir beceri olmaya devam edecek
  • Yapay zeka kodlama araçlarının optimizasyon stratejilerini anlamak, verimliliği ve doğruluğu artırabilir
  • Cursor düzgün çalışmıyorsa bunun nedeni büyük olasılıkla kullanım biçimiyle ilgili bir sorundur

"Cursor çalışmıyorsa, onu nasıl kullandığınızı yeniden gözden geçirmelisiniz."

[bluekai17]

Denemek gerekecek sanırım.

[ohyecloudy]

Cursor kullanarak kural taslağı yazma
LLM'ler, başka LLM'ler için bağlam yazma konusunda güçlüdür

İlginçmiş. Sonuçta aynı sudan içtikleri için mi acaba?

[linker]

İçgörü dolu. Teşekkür ederim.

[nicewook]

• Cursor sistem promptunun ayrıntılı analizi - etkileyici.
• Anthropic'in bir yapay zeka IDE'si çıkarma ihtimali olması bile şimdiden heyecan verici.