Trails - Claude Code ile 100 kitap arasındaki bağlantıları keşfetmek

• Claude Code kullanılarak 100 kitaptaki temalar arası ilişkileri otomatik olarak keşfeden web tabanlı bir proje
• Her kitabın kavramlarını analiz ederek ‘Useful Lies’, ‘Invisible Crack’, ‘Name Game’ gibi 40'tan fazla tema bağlantısını (trail) görselleştiriyor
• Her trail, psikoloji, teknoloji, organizasyon, yaratıcılık, sistem düşüncesi gibi farklı alanlardaki kavramları çapraz biçimde bağlıyor
• Kullanıcılar her trail'e tıklayarak ilgili kitapları ve temel kavramları (ör. Self-deception, Innovation, Tacit knowledge) inceleyebiliyor
• Yapay zekanın bilgiler arasındaki ilişkileri yapısal olarak keşfettiği yeni bir okuma ve araştırma yaklaşımı öneriyor

---

Proje genel bakışı

• Trails, Claude Code kullanarak birden fazla kitabın içeriğini analiz eden ve ortak temaları ya da kavramsal bağlantıları otomatik olarak çıkaran bir sistem
  • Web sitesi trails.pieterma.es adresinde yayında
  • Projenin nasıl çalıştığı ayrı bir açıklama sayfasında (explainer) görülebilir
• Ortaya çıkan sonuç, kitaplar arasındaki tematik ilişkileri trail adı verilen bir biçimde görselleştiriyor
  • Her trail, belirli bir kavram etrafında farklı kitaplardaki fikirleri birbirine bağlıyor

Öne çıkan trail örnekleri

• Useful Lies: Öz-aldatmayı bir strateji olarak kullanan insan davranışlarını ele alıyor
  • İlgili kavramlar: Self-deception, Evolutionary psychology, Blue lies
• Invisible Crack: Küçük kusurların birikerek yıkıcı başarısızlıklara yol açması olgusu
  • İlgili kavramlar: Brittle fracture, Metal fatigue, Gradual change
• Ideas Mate: Zayıf fikri mülkiyet korumasının işbirlikçi kopyalama yoluyla inovasyonu hızlandırması
  • İlgili kavramlar: Innovation spillover, Japanese copying, Open source
• Desperate Pivots: Çaresizliğin yenilikçi yön değişimlerini tetiklediği örnekler
  • İlgili kavramlar: Odeo reinvention, Startup pivot, Hindsight bias
• Expert Intuition: Uzmanlığın bilinçli düşünmenin ötesinde sezgisel bilgi olarak işlemesi
  • İlgili kavramlar: Tacit knowledge, Mētis knowledge, Intuition

Bilgi bağlantılarının çeşitliliği

• Trail'ler teknoloji, organizasyon, psikoloji, ekonomi, yaratıcılık gibi geniş bir alanı kapsıyor
  • Örnekler: Proxy Trap (metrik optimizasyonunun tuzağı), Legibility Tax (standartlaşmanın bedeli), Joy Dividend (keyfin üretkenliği)
• Her trail, 3-4 temel anahtar kelimeden oluşarak kavramlar arasındaki ilişkilerin sezgisel biçimde keşfedilmesini sağlıyor
• Görsel ve tematik keşif yoluyla okuyucu, kitaplardaki fikirleri yeni bağlamlarda birbirine bağlayabiliyor

Teknik özellikler

• Claude Code, her kitabın içeriğini analiz ederek anlamsal benzerliğe dayalı bağlantılar oluşturuyor
• Sonuçlar, kullanıcının tema bazlı keşif yapabildiği bağlantı tabanlı bir arayüz üzerinden sunuluyor
• Her trail sayfası, kısa bir özet cümlesi ve ilgili kavram etiketlerinden oluşuyor

Önemi

• Yapay zekanın bilginin yapısal ilişkilerini otomatik olarak keşfetmesine yönelik deneysel bir girişim
• Okuyucular ve araştırmacılar için farklı alanlardaki fikirleri birbirine bağlayarak düşünce ufkunu genişletebilecek bir araç
• Kitap tabanlı veri ile AI analizinin birleşimi sayesinde yeni bir bütünleşik okuma deneyimi sunuyor

[GN⁺]

Hacker News yorumları

• Çalışmanın kendisi güzel ama asıl veri çıktısı neredeyse işe yaramaz görünüyor
  İstatistiksel bir modele fazla fazla eleştirel düşünme yetkisi verilmiş gibi hissettiriyor
  Ben de uzun süre çeşitli gelişmiş LLM’leri test ettim ama metinler arasındaki ‘görünmez bağlantıları’ bulmak hâlâ mümkün olmadı. İnsan sezgisi hâlâ gerekli

  • “Us/Them”, “fictions” gibi tek bir kelimeyle bağlamak yerine, kavram düzeyinde bağlansa daha faydalı olurdu
  • Biraz daha yakından bakmak lazım. collective-brain trail harika
  • RAG ile çok sayıda metin kurup anahtar kelime, yer, tarih vb. çıkarmayı denedim ama LLM, reranker olmadan düzgün sonuç veremedi. Vektör sorgusu çalıştırınca her zaman bir cevap çıkıyor ama çoğu zaman içine ilgisiz parçalar karışıyor

• Gerçekten harika bir çalışma. Görsel olarak da şaşırtıcı derecede iyi tamamlanmış

• Harika bir deneme ama ben de diğerleri gibi metinler arasındaki gerçek bağlantıları pek göremiyorum
  Örneğin Jobs ile The Elephant in the Brain arasındaki bağlantıyı LLM yakalayamamış ama insan bunu kolayca fark edebilir — özaldatmanın stratejik olarak işlemesi bakımından iki figür benziyor

• “Thanos committing fraud” ifadesinin “useful lies” bölümünde yer alması kafamı karıştırdı
  Kurucunun hapiste olduğu bir durumda bu yalanı ‘yararlı’ görmek tuhaf. Sanki AI özensiz bir sınıflandırma yapmış

  • Belki de “yakalanana kadar yararlı bir yalandı” demek istiyordur
  • Bu arada sanırım Thanos değil, Theranos kastediliyor

• Ben de Claude Code kullanarak çok iyi bilmediğim GitHub projelerini ‘okuma’ denemeleri yaptım
  Rusça trend olan projeleri takip ederken GoodbyeDPI’ı buldum ve deep packet inspection dünyasına daldım

  • ValdikSS, Android için SBC XQ yamasıyla tanınan biri. İlgili yazılar için Habr makalesi ve Android inceleme bağlantısına bakılabilir
  • GitHub’da bu şekilde alan bilgisi olmadan anlaşılması zor projeler gerçekten çok fazla

• İki metni bağlayan çizgiler anlaşılmıyor. Çoğu anlamsız bağlantı çizgileri gibi görünüyor
  “Father wound” bölümünde “abandoned at birth” ile “did not” bağlanmış ama bu sadece görsel süsleme gibi hissettiriyor

  • Ben de aynı izlenimi aldım
  • Güzel görünüyor ama sonuçta LLM’nin rastgele kurduğu bağlantılar bunlar

• Ben de benzer bir proje yaptım
  PDF metnini pdfplumber ile çıkarıp PostgreSQL’e koydum, sonra 100 karakterlik chunking yapıp sentence_transformers ile 384 boyutlu embedding ürettim
  Ardından UMAP + HDBScan ile boyut indirgeme ve kümeleme yapıp Plotly ile görselleştirdim; konu bazlı kümeler net biçimde görünüyordu
  Ortamı Docker Compose ile kurup Flask tabanlı bir web UI’a taşıdım. Kodu toparladıktan sonra açık kaynak olarak yayımlamayı planlıyorum

  • Yaklaşımı ve depoyu mutlaka görmek isterim
  • Bertopic’e benzer bir yaklaşım gibi görünüyor. Harika bir kütüphane

• Bir zamanlar “dijital beşeri bilimler” üzerine bir kitap okumuştum ve “distant reading” kavramı çok etkileyici gelmişti
  Yüzlerce ila binlerce metni bilgisayarla analiz ederek makro içgörü elde etme yaklaşımı bu
  Bir arkadaşım tezinde Python ile böyle bir analizi bizzat uygulamıştı, gerçekten ilginçti
  Şimdi LLM sayesinde bu tür yaklaşımlar daha kolay hale geldi ve kod bilmeden de denenebiliyor
  İlgili kavram için Distant reading wiki’ye bakılabilir

  • LLM’ler böyle muğlak açıklamalarla bile kaynak bulmakta epey işe yarıyor ;)

• Fikir iyi ama her kitabın teması ile anlatısı arasındaki bağlantı zayıf
  Bazıları sanki yalnızca tek bir paragrafa bakıp tüm temayı çıkarmış gibi
  Prompt’u birkaç kez yinelemek ya da çok aşamalı bir çıkarım süreci eklemekle daha incelikli hale gelebilir gibi görünüyor

• Deleuze alıntısında olduğu gibi, kitabı ‘çalışan bir makine’ olarak da ‘anlam kutusu’ olarak da görmek mümkün

  • Kaynağını bilmiyorum ama bana çok aşırı basitleştirilmiş bir bakış gibi geliyor
    Deleuze de etkilenmiş bir düşünürdü ve bu projenin girişimini ben aslında anlamlı buluyorum
    Yine de ortaya çıkan sonuçlar, metinleri gerçekten okumuş birine tam isabetli değilmiş gibi gelebilir