- Yapay zeka kodlama asistanları, 2025 boyunca gerçek dünya geliştirmesinin temel araçları haline geldi; bunları etkili kullanmak için yapılandırılmış bir iş akışı ve insanın sorumlu müdahalesi şart
- Doğrudan kod üretmesini istemek yerine önce net bir spesifikasyon ve plan oluşturmak, ardından buna dayalı olarak adım adım uygulamaya geçmek hem kaliteyi hem de üretkenliği artırıyor
- İşi küçük parçalara bölmek ve yeterli bağlam ile kısıtlar sağlamak, LLM’lerin hata ve tutarlılık sorunlarını büyük ölçüde azaltabiliyor
- Tek bir modele bağımlı kalmak yerine birden fazla LLM ve aracı amaca göre seçme yaklaşımı ve yapay zekayı geliştirme yaşam döngüsünün tamamında yardımcı olarak kullanma eğilimi yayılıyor
- Son aşamada test, inceleme ve sürüm kontrolü ile insan denetimi korunduğunda, yapay zeka güçlü bir üretkenlik çarpanı olarak çalışıyor
Genel Bakış
- 2025 boyunca yapay zeka kodlama asistanları, gerçek ürün kodu yazımında büyük ölçekte kullanılmaya başlandı
- Anthropic mühendisleri Claude Code’u aktif biçimde benimsedi ve bugün Claude Code’un kodunun yaklaşık %90’ını yine Claude Code’un kendisi yazar seviyesine ulaştılar
- LLM’leri programlamada kullanmak tek tuşla çalışan bir sihir değil; yeni kalıpları öğrenmek ve eleştirel düşünmek zorunlu
- Yapay zekayı agresif biçimde kullansanız bile, üretilen yazılımın sorumluluğu geliştiricinin kendisindedir
- Asıl mesele, LLM’leri otonom karar vericiler olarak değil; açık yönlendirme, bağlam ve gözetim gerektiren güçlü bir pair programmer olarak görmek
Net bir planla başlayın (önce spesifikasyon, sonra kod)
- LLM’e belirsiz istekler atmak yerine, önce problemin tanımı ve çözüm planı ile başlamak gerekir
- Yeni bir projede fikri açıklayıp LLM’den tekrarlı biçimde soru sormasını istemek, gereksinimleri ve edge case’leri somutlaştırır
- Sonunda gereksinimler, mimari kararlar, veri modeli ve test stratejisini içeren bir spec.md hazırlanır
- Bu spesifikasyonu akıl yürütme yapabilen bir modele vererek uygulamayı mantıklı ve küçük görev birimlerine bölen bir proje planı üretmek mümkün
- Les Orchard’ın ifadesiyle "15 dakikada waterfall" yaklaşımıyla hızlı ama yapılandırılmış bir planlama aşamasından geçmek, sonrasındaki kodlamayı çok daha akıcı hale getirir
- Net bir spesifikasyon ve plan olduğunda hem insan hem LLM neyi neden yaptığını tam olarak bilir ve yeniden çalışma ile boşa harcanan döngüler önlenir
Çalışmayı küçük ve yinelemeli parçalara bölün
- LLM’den tek seferde devasa bir çıktı istemek yerine, projeyi tekrarlanabilir adımlar veya ticket’lar halinde bölüp sıralı işlemek gerekir
- Örneğin: “planda Step 1’i uygula” gibi istemlerle ilerleyip, kodlama ve testten sonra Step 2’ye geçilen bir akış oturtulabilir
- Tek seferde çok geniş bir kapsam verildiğinde model karışabilir ya da dağınık sonuçlar üretebilir; bunun toparlama maliyeti hızla artar
- Uygulamanın büyük bölümlerini tek parça halinde ürettirince tutarlılık çöküşü ve yinelenen kod birikmiş; hatta “sanki konuşmadan 10 kişi yapmış gibi” yorumu bile gelmiş
- Her yinelemede mevcut bağlam korunup üzerine kademeli ekleme yapılması, TDD (test odaklı geliştirme) yaklaşımıyla da iyi uyuşur
- Bazı kodlama ajanı araçları bu parça odaklı iş akışını açıkça destekler ve sıralı çalıştırma için prompt plan dosyaları oluşturabilir
Geniş bağlam ve rehberlik sağlayın
- LLM’ler yalnızca kendilerine verilen bağlam kadar iyi performans gösterir; bu yüzden ilgili kodu, belgeleri ve kısıtları yeterince sağlamak gerekir
- Claude, Projects modunda tüm GitHub deposunu bağlam olarak yükleyebilir; Cursor ve Copilot gibi IDE asistanları ise açık dosyaları otomatik olarak dahil eder
- Brain dump yaklaşımıyla modelin bilmesi gereken bilgileri en baştan vermek etkilidir; buna üst düzey hedefler, istenen çözüm örnekleri ve kaçınılması gereken yaklaşımlar da dahildir
- gitingest veya repo2txt gibi araçlarla kod tabanının gerekli kısımlarını metin dosyası olarak dışa aktarıp LLM’e verebilirsiniz
- Claude Skills, tekrar eden prompt’lara dayanan yaklaşımın ötesine geçerek; talimatları, script’leri ve alan uzmanlığını kalıcı ve yeniden kullanılabilir modüller halinde paketlemeyi hedefler
- Topluluk tarafından derlenmiş bir Skills koleksiyonu da var
- frontend-design becerisi, LLM’in ürettiği arayüzlerde sık görülen mor ağırlıklı tasarım estetiğini düzeltmeye de yardımcı olabiliyor
- Yapay zekayı yönlendirmek için prompt’un içine yorumlar ve kuralları doğrudan eklemek oldukça etkilidir
- Örneğin: “Burada X’in mevcut implementasyonu var. Bunu Y’ye genişlet ama Z’yi bozma.”
- LLM’ler talimatları harfiyen izleme eğiliminde olan literal bir karaktere sahip olduğundan, ne kadar ayrıntılı ve bağlamı net talimat verilirse halüsinasyonlar ve alakasız öneriler o kadar azalır
Doğru modeli seçin (gerekirse birden fazlasını kullanın)
- Tüm kodlama odaklı LLM’ler aynı seviyede değildir; görevin niteliğine uygun model veya hizmeti bilinçli seçmek önemlidir
- Bazı durumlarda iki veya daha fazla LLM’i paralel kullanıp, aynı probleme yönelik farklı yaklaşımları çapraz doğrulamak etkili olabilir
- Her modelin kendine özgü eğilimleri ve güçlü yanları vardır; bu nedenle bir model tıkandığında veya sıradan sonuç verdiğinde başka bir modele geçmek gerekir
- Aynı prompt’u farklı hizmetlere aynen taşıyarak denenen “model musical chair” yaklaşımı, belirli bir modelin kör noktalarından kaçınmayı sağlayabilir
- Mümkünse en güncel pro seviye modelleri kullanmak, kalite açısından belirgin bir avantaj sağlar
- Uzun süreli iş birliği hedefleniyorsa, yapay zeka pair programmer’ın "vibe"ı - yani yanıt tonu ve etkileşim hissinin size uyup uymadığı da önemli bir seçim ölçütüdür
Yapay zeka kodlamayı tüm yaşam döngüsüne yayın
- Komut satırı ortamında Claude Code, OpenAI Codex CLI, Google Gemini CLI gibi yapay zeka ajanları ortaya çıktı; bunlar proje dizininde dosya okuma, test çalıştırma ve çok adımlı düzenlemeler yapabiliyor
- Google’ın Jules’u ve GitHub’ın Copilot Agent’ı, depoyu bulut VM’e kopyalayıp çalıştıktan sonra PR açan asenkron kodlama ajanları olarak kullanılabiliyor
- Bu araçlar kusursuz değil; sınırlarını bilerek kullanmak şart
- Boilerplate üretme, tekrarlayan değişiklikleri uygulama ve otomatik test çalıştırma gibi mekanik işlerde ciddi hız kazandırsalar da, kalitenin belirleyicisi hâlâ insan yönlendirmesi
- Ajan kullanırken başlangıç aşamasında plan veya yapılacaklar listesi vermek, doğru iş sırasını kavramalarına ciddi ölçüde yardımcı olur
- Yapay zeka ajanlarının bir özelliğin tamamını insansız biçimde eksiksiz uyguladığı aşamada henüz değiliz; gözetimli kullanım daha gerçekçi bir yaklaşım
- Conductor gibi orkestrasyon araçlarıyla birden fazla ajanı paralel çalıştırıp, farklı özellikleri aynı anda ele alma yönünde deneyler sürüyor
Döngüde insanı tutun - doğrulama, test ve incelemeyi sıkı yapın
- AI tereddüt etmeden kulağa makul gelen kod üretebilir, ancak kalite ve sonuçların sorumluluğu tamamen geliştiriciye aittir
- Simon Willison’ın ifadesiyle LLM eşli programlama partneri, aşırı özgüvenli ve hata yapmaya yatkın bir varlık olarak görülmelidir; bug’lı ya da anlamsız kodları da büyük bir özgüvenle yazabilir
- AI’nın ürettiği kod parçaları junior geliştirici kodu gibi ele alınmalı; kod doğrudan okunmalı, çalıştırılmalı ve gerektiğinde test edilmelidir
- Testleri iş akışının doğal bir parçası haline getirin; planlama aşamasından itibaren her adım için test listesi ve test planını birlikte tasarlayın
- Claude Code gibi araçlara, görevi tamamladıktan sonra test suite’i çalıştırmasını açıkça söyleyin; başarısız olursa nedenini analiz edip düzeltmesini isteyin
- Kodlama ajanlarının en iyi kullanıldığı durumlar çoğunlukla sağlam bir test kültürüne sahip ekipler ve bireylerdir
- Test olmayan ortamlarda ajan, gerçekte birçok kısmı bozmuş olsa bile sorun olmadığını varsayıp devam etme riski taşır
- Otomatik testlerin yanında kod incelemesini de zorunlu bir adım olarak koruyun; manuel inceleme ile AI tabanlı incelemeyi birlikte kullanın
- Ayrı bir AI oturumu ya da farklı bir model kullanarak, ilk AI’nın yazdığı kodu eleştirmesini veya incelemesini isteyin
- Örnek: Claude kodu yazdıktan sonra Gemini’den ilgili fonksiyondaki hataları ya da iyileştirme alanlarını incelemesini isteyin
- Chrome DevTools MCP, debugging ve kalite döngüsünün temel araçlarından biri olarak kullanılabilir; statik analiz ile gerçek tarayıcı çalıştırması arasındaki boşluğu kapatır
- AI ajanına DOM yapısını, performans izlerini, konsol loglarını ve ağ isteklerini doğrudan gözlemleme yetkisi verin
- Bağlamı elle taşıma süreci olmadan LLM tabanlı otomatik UI testleri yapılabilir
- Gerçek çalışma zamanı verilerine dayanarak bug’ları hassas biçimde teşhis etme ve düzeltme akışı kurulabilir
- Acil bir projede AI üretimine aşırı güvenmenin sonucunu bir geliştirici tutarsız bir karmaşa olarak tanımlıyor
- Yinelenen mantık, farklı yöntem adları ve bütünleşmemiş mimari zamanla birikti
- Sürekli üretmeye odaklandığını, AI’nın ördüğü genel yapıyı kontrol etmek için bir adım geri çekilmediğini söylüyor
- Sonunda büyük çaplı bir refactoring yaptı ve bir daha asla gözetimsiz bırakmamaya karar verdi
- AI kullanım miktarından bağımsız olarak geliştirici sonuna kadar sorumlu bir mühendis olarak kalmalıdır
- Pratikte ise kodu ancak anladıktan sonra merge edin veya dağıtıma alın; AI karmaşık bir implementasyon çıkarırsa açıklayıcı yorum eklemesini ya da daha basit bir biçimde yeniden yazmasını isteyin
Sık commit atın ve sürüm kontrolünü güvenlik ağı olarak kullanın
- Hızlıca büyük miktarda kod üreten AI ile çalıştıkça daha sıkı sürüm kontrolü alışkanlıkları gerekir
- Küçük bir görev bittiğinde ya da otomatik bir düzeltme başarıyla tamamlandığında, anlamlı mesajlarla git commit bırakın; böylece bir sonraki değişiklik sorun çıkarırsa hemen geri dönebileceğiniz kontrol noktaları oluşur
- Commit’leri oyundaki save point’ler gibi görün; LLM oturumu yoldan çıkarsa istediğiniz an son kararlı duruma dönebilin
- Sürüm kontrolü, AI ile iş birliğinde de önemli bir rol oynar; bağlam penceresi sınırları nedeniyle tüm değişiklikler hatırlanamadığında git geçmişi güvenilir bir çalışma günlüğü haline gelir
- Son commit’lere göz atarak değişiklikleri AI’ya ya da kendinize hızlıca özetleyebilirsiniz
- İsteme git diff veya commit log’u eklerseniz, LLM yeni kodu ve önceki durumu daha doğru kavrar
- LLM’ler diff yorumlama ve git bisect gibi araçları kullanmada iyidir; commit geçmişini izleyerek bug’ın sisteme hangi noktada girdiğini ısrarla takip edebilirler
- Küçük parçalara bölünmüş commit’ler ve açık mesajlar, geliştirme sürecini doğal biçimde belgelendirir ve kod incelemesinde büyük yardım sağlar
- AI ajanı bir seferde birçok değişiklik yaptığında bile, değişiklikler commit bazında ayrılmışsa soruna yol açan noktayı tam olarak belirlemek kolaylaşır
- AI deneylerini asıl koddan izole etmek için branch veya worktree kullanın
- Jesse Vincent’tan ilham alan bir yöntemle, her yeni özellik ya da alt proje için taze bir git worktree oluşturun
- Aynı repository içinde birden fazla AI kodlama oturumunu birbirini etkilemeden paralel çalıştırın, sonra sonuçları seçerek merge edin
- Her AI görevi kendi sandbox branch’inde gibidir; başarısız deneyler atılsa bile main etkilenmez
- Anlamadığınız ve açıklayamadığınız kodu asla commit etmeme ilkesini koruyun
Kurallar ve örneklerle AI davranışını özelleştirin
- AI’nın varsayılan stilini veya yaklaşımını olduğu gibi kabul etmek yerine, net yönergeler vermek bile çıktı kalitesi ve tutarlılığı üzerinde büyük etki yaratır
- CLAUDE.md dosyasını düzenli olarak yönetin; Claude’un uyması gereken süreç kurallarını ve tercihleri belirtin. Gemini CLI kullanırken de aynı şekilde GEMINI.md kullanın
- Örnek: proje stiline uygun kod yazma, lint kurallarına uyma, belirli fonksiyonları kullanmama, OOP yerine fonksiyonel stili tercih etme gibi
- Oturum başında bu dosyayı Claude’a vererek tüm çalışmayı bu kurallara göre hizalayabilirsiniz
- Jesse Vincent’a göre bu yaklaşım, AI’nın istenmeyen yönlere sapma veya yabancı kalıplar ekleme sıklığını azaltıyor
- Ayrı bir kural dosyası olmasa bile özel talimatlar veya sistem prompt’ları ile genel ton ve davranış ayarlanabilir
- GitHub Copilot ve Cursor, proje düzeyinde AI davranışını genel olarak ayarlama özelliği sunar
- Kodlama stilini kısa bir paragrafla tanımlayın: “4 boşluk girintisi kullan, React’te arrow function kullanma, açıklayıcı değişken adları kullan, kod ESLint’ten geçmeli”
- Ben Congdon, Copilot’un özel talimat özelliğinin neredeyse hiç kullanılmamasına şaşırdığını belirtirken, önceden birkaç örnek ve tercih vermenin bile takımın yerleşik üslubuna uygun kod üretmeye yettiğini vurguluyor
- Satır içi örnek vermek özellikle güçlü bir tekniktir
- Bir fonksiyonun belirli bir şekilde yazılmasını istiyorsanız, önce kod tabanında zaten bulunan benzer bir fonksiyonu gösterip “X böyle implement edildi, Y için de aynı yaklaşımı kullan” diye yönlendirin
- Yorum stilini eşleştirmek istiyorsanız, önce kendiniz bir satır yazın ve o stilin sürdürülmesini isteyin
- Sonuçta bu, modeli izleyeceği bir desenle önceden hazırlama (priming) yöntemidir; LLM’ler bu tür taklitlerde çok güçlüdür
- Toplulukta, LLM davranışını inceltmek için çeşitli kural setleri paylaşılıyor
- "Big Daddy" kuralları veya prompt’a “halüsinasyon ve aldatma yasak” maddesi eklemek gibi
- Bunlar, AI’nın var olmayan kod uydurmasını ya da aşırı özgüvenli davranmasını azaltmak için kullanılan önlemlerdir
- Örnek: “Emin değilsen veya kod tabanı bağlamı yoksa cevap uydurma, açıklama iste” cümlesini prompt’un başına eklemek halüsinasyonları azaltabilir
- Bir başka kural olarak “bug düzeltirken her zaman nedeni kısa bir yorumla açıkla” denirse, AI
// Fixed: spec’e göre Z’yi önlemek için X, Y olarak değiştirildi gibi açıklayıcı yorumlar da bırakır
Test ve otomasyonu bir güç çarpanı olarak benimsemek
- CI/CD, linter ve kod inceleme botları ne kadar aktif kullanılırsa, yapay zeka da hataları otomatik olarak ayıklayan bir ortamda en iyi şekilde çalışır
- AI kodlamasının payının yüksek olduğu repolarda sağlam bir sürekli entegrasyon ortamı şarttır
- Her commit veya PR için otomatik test çalıştırma, ESLint·Prettier gibi kod stili kontrollerini zorunlu kılma, mümkünse branch bazlı staging dağıtımlarını da kapsama
- Bunlar, yapay zekanın doğrudan tetiklemesi ve sonuçları değerlendirmesi için yapılandırılabilir
- Örn: Jules veya GitHub Copilot Agent bir PR açtığında CI testleri çalıştırır ve başarısızlığı raporlar → başarısızlık loglarını yapay zekaya iletip “entegrasyon testi XYZ’de başarısız oldu, birlikte debug edelim” akışına bağlanabilir
- Hata düzeltme süreci, hızlı geri bildirim içeren bir işbirliği döngüsüne dönüşür ve yapay zeka buna özellikle iyi yanıt verir
- Otomatik kod kalitesi kontrolleri de yapay zeka için bir dümen görevi görür
- Linter çıktısını doğrudan prompt’a ekleyerek, lint hatası veren kod yazdığında hata mesajını kopyalayıp “bu sorunları çöz” diye istekte bulunabilirsiniz
- Bu, sanki katı bir öğretmen yapay zekanın omzunun üzerinden izliyormuş gibi etki eder
- Yapay zeka, test başarısızlığı veya linter uyarısı gibi araç çıktılarını fark ettiğinde ısrarla düzeltme denemelerine girişir
- AI kodlama ajanlarının kendisi de giderek otomasyon hook’ları yerleşik olarak sunuyor
- Bazı ajanlar, tüm testler geçmeden işin “tamamlandığını” kabul etmiyor
- Kod inceleme botları da (AI ya da insan) ek bir filtre olarak kullanılabilir
- İnceleme yorumlarını doğrudan iyileştirme prompt’u olarak kullanın
- Örn: CodeRabbit veya başka bir reviewer “bu fonksiyon X yapıyor ama ideal değil” diye yorum bırakırsa, yapay zekaya “bu geri bildirimi yansıtarak refactor edebilir misin” diye sorabilirsiniz
- Yapay zeka ile otomasyon birleştirildiğinde olumlu bir geri besleme döngüsü oluşur
- Yapay zeka kod yazar → otomasyon araçları sorunları yakalar → yapay zeka düzeltir → tekrar eder; geliştirici ise yalnızca yüksek seviyeli yönü denetler
- Bu, son derece hızlı bir junior geliştiricinin işini yorulmayan bir QA mühendisinin anında doğrulaması gibi hissettirir
- Ancak bu ortamı geliştiricinin bizzat kurması gerekir; test veya otomasyonun olmadığı projelerde yapay zekanın ince hataları ya da kalite düşüşü çok daha sonra ortaya çıkma riski taşır
- 2026’ya yönelik hedeflerden biri, AI kod katkılarının etrafındaki kalite kapılarını güçlendirmek
- Daha fazla test, daha fazla izleme ve gerekirse AI’ın AI’ı incelediği bir yapı da buna dahil
- Bir modelin gözden kaçırdığı sorunu başka bir modelin yakaladığı durumlar pratikte gerçekten gözlemleniyor
Sürekli öğrenme ve uyum (AI becerileri büyütüyor)
- Her AI kodlama oturumunu bir öğrenme fırsatı olarak ele almak, bilgi arttıkça yapay zekadan alınan faydanın da büyüdüğü olumlu bir döngü oluşturur
- LLM’leri geliştirmede kullanırken, normalde denemeyeceğiniz yeni diller, framework’ler ve teknikler ile doğal olarak karşılaşırsınız
- Sağlam bir yazılım mühendisliği temeli olduğunda yapay zeka üretkenliği kat kat artırır; ancak temel zayıfsa kafa karışıklığını da aynı ölçüde büyütür
- Deneyimli geliştiricilerin ortak gözlemine göre LLM’ler, mevcut best practice’leri güçlendirme eğilimindedir
- Net spesifikasyon yazımı, iyi hazırlanmış testler ve düzenli kod incelemesi; AI devreye girdikçe daha da büyük etki yaratır
- Yapay zeka boilerplate işleri hallederken geliştirici tasarım, arayüz ve mimari gibi yüksek seviyeli soyutlamalara odaklanabilir; ancak bunun için önce bu yetkinliklerin mevcut olması gerekir
- Simon Willison’ın işaret ettiği gibi, senior mühendisi senior yapan unsurların neredeyse tamamı—sistem tasarımı, karmaşıklık yönetimi, otomasyon ile manuel çalışma arasında doğru karar verme— artık AI ile birleştiğinde en iyi sonuçları üretir
- AI kullanımı gerçekten de mühendislik yetkinliğini geliştirmeyi teşvik eder
- Planlama aşamasında daha disiplinli olmayı ve mimari hakkında daha bilinçli düşünmeyi sağlar
- Çok hızlı ama biraz saf bir kodlayıcı olan yapay zekayı yönetme rolünü üstlenirken muhakeme gücünüzü güçlendirirsiniz
- AI’ın yetenekleri köreltebileceği yönündeki kaygılara karşı, doğru kullanıldığında sonuç aslında tam tersidir
- AI kod incelemeleri aracılığıyla yeni idiom’lar ve çözüm yaklaşımları öğrenirsiniz
- Yapay zekanın hatalarını debug ederken dil ve problem alanına dair anlayışınızı derinleştirirsiniz
- Ondan kodu ya da yaptığı değişikliğin nedenini açıklamasını isteyerek, sanki bir adayı mülakatta sorgular gibi sürekli soru sorup içgörü elde edebilirsiniz
- Bir kütüphane veya yaklaşım net değilse, seçenekleri ve trade-off’ları karşılaştırmak için yapay zekayı bir araştırma asistanı olarak kullanabilirsiniz
- Büyük resimde AI araçları uzmanlığı büyütür
- 2026’ya gidildikçe işleri kaybetme korkusundan çok, tekrarlı ve tekdüze işlerden kurtulup yaratıcı ve karmaşık problemlere daha fazla zaman ayırma beklentisi öne çıkıyor
- Tersine, sağlam bir temel yoksa yapay zeka steroid almış bir Dunning-Kruger etkisine de yol açabilir
- Tavsiye olarak, teknik becerileri sürekli keskinleştirirken AI ile öğrenmeyi ve üretkenliği hızlandırmak; ayrıca belirli aralıklarla AI olmadan kod yazarak temel yetkinlikleri diri tutmak şeklinde bilinçli bir denge gerekir
- Sonuçta geliştirici ile AI’ın birleşimi, taraflardan yalnızca birinin olduğu durumdan çok daha güçlüdür ve bu birleşimde geliştirici tarafının kendi rolünü tam olarak yerine getirmesi gerekir
Sonuç
- AI’ı geliştirme iş akışının geneline aktif biçimde dahil ettim, ancak temkinli ve uzman liderliğinde bir yaklaşımı koruyorum
- Hedeflenen yaklaşım, AI’ın her şeyi otomatikleştirdiği bir geliştirme değil; “AI destekli yazılım mühendisliği”
- En iyi sonuçlar, klasik yazılım mühendisliği disiplinlerini AI ile işbirliğine aynen uyguladığınızda ortaya çıkar
- Tasarımdan sonra kodlama, test yazma, versiyon kontrolü ve kod standartlarını koruma gibi emekle oluşturulmuş tüm pratikler hâlâ geçerlidir ve AI’ın kodun yarısını yazdığı bir ortamda daha da önemlidir
- Araçlar gelişmeye devam edecek ve iş akışları da onlarla birlikte evrilecek
- Tam otonom bir “AI geliştirme stajyeri” daha fazla basit işi üstlenecek, insanlar ise yüksek seviyeli problemlere odaklanacak
- Yeni debug yöntemleri ve kod keşfi paradigmalarının ortaya çıkması mümkün
- Hangi değişim yaşanırsa yaşansın, her zaman döngünün içinde kalma tutumu korunmalı
- Yapay zekayı yönlendirmek, sonuçları doğrulamak, süreç boyunca öğrenmek ve üretkenliği sorumlu biçimde artırmak gerekir
- Nihai sonuç net: AI kodlama asistanları güçlü birer çarpandır, ancak sahnenin yönetmeni sonuna kadar insan mühendistir
1 yorum
Soyutlama arttıkça mühendisliğin daha da önemli hâle geldiğini düşünüyorum.