Show HN: GitHub kod tabanını kolay eğitimlere dönüştüren yapay zeka

• Yapay zekayı kullanarak GitHub kod tabanlarını yeni başlayan dostu eğitimlere dönüştüren bir proje olan Pocket Flow
• GitHub depolarını tarayarak kodun temel soyutlamalarını analiz eder ve görselleştirme yoluyla karmaşık kodu kolayca anlaşılabilir eğitimlere dönüştürür
• Yapay zeka tarafından otomatik üretilen çeşitli GitHub depolarına ait örnek sonuçlar sunar
• Projeye başlamak için temel kurulum ve çalıştırma yöntemlerini açıklar
• Geliştirme eğitimleriyle ilgili ek kaynaklar sunar

---

Yapay zeka ile kod tabanı eğitimi oluşturma

• Pocket Flow, GitHub depolarını analiz ederek yeni başlayan dostu eğitimler üreten 100 satırlık bir LLM framework'ü olan bir projedir
• Bu proje, kod tabanının temel soyutlamalarını belirleyip etkileşimlerini analiz ederek karmaşık kodu yeni başlayanların da anlayabileceği eğitimlere dönüştürür
• Daha fazla bilgi için YouTube geliştirme eğitimleri ve Substack yazı eğitimlerine göz atılabilir

Popüler GitHub depoları için yapay zeka tarafından üretilmiş eğitim örnekleri

• AutoGen Core: Sorunları çözmek için yapay zeka ekiplerinin nasıl oluşturulacağını açıklar
• Browser Use: Yapay zekanın web'de gezinip dijital asistan gibi nasıl çalıştığını açıklar
• Celery: Arka plan görevleriyle uygulamaların nasıl güçlendirileceğini açıklar
• Click: Python fonksiyonlarının komut satırı araçlarına nasıl dönüştürüleceğini açıklar
• Codex: Sıradan İngilizcenin çalışan koda nasıl dönüştürüleceğini açıklar
• Crawl4AI: Web sitelerinden önemli bilgilerin nasıl çıkarılacağını açıklar
• CrewAI: Karmaşık sorunları çözmek için yapay zeka uzman ekiplerinin nasıl kurulacağını açıklar
• DSPy: LLM uygulamalarının nasıl optimize edileceğini açıklar
• FastAPI: API'lerin yüksek hızla nasıl oluşturulacağını açıklar
• Flask: Minimum kodla web uygulamalarının nasıl geliştirileceğini açıklar
• Google A2A: Yapay zeka ajanlarının nasıl iş birliği yaptığını açıklar
• LangGraph: Yapay zeka ajanlarının akış şemalarıyla nasıl tasarlanacağını açıklar
• LevelDB: Verilerin hızlı şekilde nasıl saklanacağını açıklar
• MCP Python SDK: Güçlü uygulamaların nasıl geliştirileceğini açıklar
• NumPy Core: Veri bilimi motorunun nasıl ustalıkla kullanılacağını açıklar
• OpenManus: Yapay zeka ajanlarının nasıl oluşturulacağını açıklar
• Pydantic Core: Verilerin nasıl doğrulanacağını açıklar
• Requests: Python ile internetle nasıl iletişim kurulacağını açıklar
• SmolaAgents: Küçük yapay zeka ajanlarının nasıl oluşturulacağını açıklar

Başlarken

• Depoyu klonlayın ve gerekli bağımlılıkları kurun
• utils/call_llm.py içinde LLM ayarlarını tamamlayın
• Ana betiği çalıştırarak GitHub deposunu analiz edin ve eğitim oluşturun
• Çeşitli seçeneklerle analiz edilecek dosyaları ve dili belirleyebilirsiniz

Geliştirme eğitimleri

• Agentic Coding kullanarak, insanların tasarlayıp ajanların kodladığı geliştirme paradigmasını açıklar
• Pocket Flow framework'ünü kullanarak ajanların kod yazmasını sağlar
• YouTube geliştirme eğitimleri üzerinden adım adım anlatır

[GN⁺]

Hacker News yorumu

• Deponun yalnızca dokümantasyonunu mu yoksa kodunu da kullanıp kullanmadığına dair bir soru var
• AI Studio API anahtarıyla denenmiş ve etkileyici bulunmuş
  • API'yi açıklarken restoran benzetmesi kullanmak gereksiz yere uzun hissettiriyor
  • GraphQL açıklaması da gereğinden fazla uzuyor
  • Üretilen dokümanlar, yazılım mühendislerinden ziyade biraz teknik PM'ler için daha uygun görünüyor
  • Prompt iyileştirilerek bunun etkisi azaltılabilir gibi duruyor
• Prompt'un diyagram çeşitliliğini teşvik etmesi iyi olabilir
  • Örneğin, AWS Step Functions kullanan dayanıklı state machine iş akışları için akış şeması, sıralı diyagramdan daha uygun olabilir
• Yeni bir kütüphane kullanırken ilk adım olarak depoyu klonlayıp Claude Code çalıştırarak iyi bir dokümantasyon yazmasını istiyor
  • Bunun çok sayıda adımı ortadan kaldırabileceği düşünülüyor
• Cursor'a çok sayıda soru sorarak benzer sonuçlar alıyor
  • Başkalarının da belirttiği gibi biraz farklı bir ton isteniyor
  • Tercih edilen yazım tarzına uyarlanabilen bir "stil şablonu" özelliği iyi olabilir
  • Çok zaman almayacaksa bir PR da gönderebilir
• mutable ai adlı şirket geçen yıl Google tarafından satın alındı; onlar da tutorial yerine wiki üreten bir çalışma yapmıştı
• dspy tutorial'ı harika
  • dspy kavramsal olarak anlaması zor ama tutorial bunu iyi açıklıyor
• Tarayıcı kullanımı için inşa edilmiş
  • Kütüphanenin sonuçları oldukça etkileyici
  • Çıktıya hiç dokunulmamış
  • Mevcut kod tabanı ve dokümantasyonu korumakta şu anda sorun var (kod örnekleri bazen bozuluyor)
  • Bunun Pocket'in bir kısmı kullanılarak çözülebilip çözülemeyeceği merak ediliyor
• Gerçekten harika bir çalışma olduğu ve paylaşıldığı için teşekkür edildiğine dair bir görüş var
  • LLM'lerin değerini iyi gösteren bir örnek
  • Junior mühendisler üzerindeki olumsuz bakışı aşmaya yardımcı oluyor
  • Çoğu projenin güncel dokümantasyon eksikliği sorununu çözmeye yardımcı oluyor
• Yeni açık kaynak katkıcılarının onboarding sürecinde oyun değiştirici olabilir
  • postgres veya redis kod tabanı verilip iyi anlaşılması ve katkıya başlanması sağlanabilir
• Yukarıda temiz ve yüksek seviyeli içerik var, ancak aşağı indikçe hızla insan diliyle yazılmış koda geçiliyor
  • İlgili unit test'lere bakılarak daha faydalı kullanım kalıpları çıkarılabilir gibi görünüyor
  • Tutorial okuyucularının çoğu için önemli olan şey "nasıl kullanılır" kısmı