AI-SLOP Detector — Yapay zekanın ürettiği ‘abartılı sahte kodu’ analiz edip tespit eden araç

(github.com/flamehaven01)

2 puan yazan flamehaven01 2026-01-09 | Henüz yorum yok. | WhatsApp'ta paylaş

##Bu araç kişisel bir başarısızlık deneyiminden doğdu.

Birkaç gün önce, büyük bir özgüvenle
“HRPO-X v1.0.1 – Hibrit çıkarım optimizasyonu framework implementasyonu” adlı
ihtişamlı isimli bir repository’yi yayımladım.
En yeni makalelere dayanarak mimariyi uyguladığıma inandığım bir projeydi.

Ama yayımlandıktan hemen sonra gelen ilk tepki beklentilerimi paramparça etti.

“Bir bakayım dedim, yine şaşırtmadı.
Halüsinasyonlarla dolu bir AI Slop reposu.”

İlk başta bunun kötü niyetli bir yorum olduğunu düşündüm.
Ama kodu yeniden açıp tek tek incelediğimde,
o eleştirinin can yakacak kadar isabetli olduğunu gördüm.

Sorun “niyet” değil, “yoğunluk”tu

Bu proje basit bir demo değil,
bir makaleyi prodüksiyon mimarisine taşıma süreci üzerine bir araştırma çıktısıydı.

Mimari tasarım vardı
Klasör ağacı düzenlenmişti
Yapılandırma dosyası (Config) mevcuttu
Sınıf tanımları ve arayüzler eksiksizdi
İç denetim (audit) algoritması da sorunsuz geçiyordu

Dışarıdan bakınca kusursuz görünüyordu.
Hatta mevcut linter’lar ve yapısal bütünlük kontrollerinin hepsinden de geçiyordu.

Ama nedenini derinlemesine araştırırken,
ölümcül bir sorun keşfettim.

“Yapısal bütünlük (Structural Integrity) kusursuzdu,
ama içerik yoğunluğu (Content Density) neredeyse 0’a yaklaşıyordu.”

Yani,

kabuk (Shell) inandırıcı görünüyordu ama
gerçek uygulama mantığı boştu ya da pass düzeyindeydi
her şey aşırı cilalanmış yorumlarla doldurulmuştu

Bunun,
yapay zekanın ürettiği kodlarda görülen tipik çöp örüntüsü,
yani “AI Slop” olduğunu kabul etmek zorunda kaldım.

Bu yüzden yaptığım araç: AI-SLOP Detector

İşte bu yüzden AI-SLOP Detector aracını geliştirdim.

Amaç basit.

kodun ne kadar iyi çalıştığını değil
kod ile açıklama arasında ne kadar kopukluk olduğunu
statik olarak gözlemlemek

Bunun için aşağıdaki göstergeleri kullanıyor.

Neyi tespit ediyor

README’de tanımlanan AI Slop örüntüleri büyük ölçüde üç gruba ayrılıyor.

1. Empty Function Slop (boş işlev)

Açıklaması karmaşık ama
gerçek implementasyonu pass seviyesinde kalan işlevler

2. Buzzword Inflation (terim enflasyonu)

Kod karmaşıklığıyla ilgisiz biçimde
neural, transformer, quantum, enterprise gibi terimlerin
aşırı kullanılması

3. Overhyped Comments (aşırı pazarlanmış yorumlar)

Basit bir mantık için
“çığır açan”, “state-of-the-art” gibi ifadeleri tekrar eden yorumlar

Analiz yöntemi (özet)

AI-SLOP Detector, Python AST tabanlı olarak
birden çok metriği paralel hesaplayıp Deficit Score (0–100) üretir.

Temel metrikler

LDR (Logic Density Ratio)

Tüm kod içinde gerçek mantığın kapladığı oran
Eşik: %45’in altı CRITICAL(F) derecesi

Inflation Score

Doküman ve yorumlardaki buzzword yoğunluğunun kod karmaşıklığına oranı
Eşik: 2.0x ve üzeri CRITICAL

DDC (Dependency Density Check)

Kullanılmayan import’lar
Anlamsız bağımlılık oranı

Pattern Registry

empty function
bare except
TODO / FIXME aşırı kullanımı vb.
yapay zeka üretimi kodlara özgü çok sayıda örüntünün tespiti

Bu değerler bir araya getirilerek şu durumlara ayrılıyor.

CLEAN
SUSPICIOUS
INFLATED
CRITICAL

Proje durumu

Python 3.8+
CLI ve Python API sunuyor
34 test başarıyla geçti
Güncel sürüm: v2.5.0 (2026-01-09)

Kimler için

No-code / low-code araçları kullananlar
Yapay zeka ile üretilmiş kodu gözden geçirmek zorunda olan geliştiriciler
“İkna edici görünüyor ama insanın içine sinmiyor” türü repository’lerle sık karşılaşanlar

Amaç, bu kişilere
“Bu kod neden garip görünüyor?” sorusunu açıklayabilecek sinyaller
sağlamak.

Son olarak

Yukarıda bahsedilen HRPO-X v1.0.1, baştan sona refactor edilerek
şu anda eğitim amaçlı bir sürüm olarak daha gerçekçi şekilde yeniden düzenlendi.

Umarım bu yazı ve bu araç,
benzer dertler yaşayanlara
ufak da olsa yardımcı olur.

Tüm geliştiricilere başarılar!