Birden fazla AI modelini kullanarak uzun vadeli projeler yürütmek için kurduğum işbirliği yapısı
(github.com/lim8603)AI işbirliğinde hafıza sohbetlerde değil, depoda olmalı
Son birkaç ayda GPT-5 ailesi modelleri, Claude, Copilot, Gemini gibi çeşitli AI modellerini dönüşümlü kullanarak geliştirme işi yaptığım çok oldu. Eskiden yalnızca tek bir araç kullanmak yeterliydi, ancak artık işin türüne göre daha uygun modeli seçmek doğal bir akış haline geldi.
Örneğin mimari tasarım için GPT-5.4 gibi büyük modeller daha istikrarlı oluyor; kod yazımında ise Claude Sonnet / Opus ailesi bazı durumlarda daha isabetli olabiliyor. Frontend tasarımı ya da fikir keşfi içinse başka modelleri kullanmak daha verimli olabiliyor. Üstelik model güncellemeleri çok hızlı geldiği için belirli bir araca sabitlenmek yerine duruma göre seçimi sürekli değiştirmeye başlıyorsunuz.
Sorun da tam burada başlıyor.
Modeli her değiştirdiğinizde, oturum her yenilendiğinde AI projeyi hiç hatırlamıyor. Sonuçta her seferinde aynı açıklamaları tekrar etmek zorunda kalıyorsunuz. Bu projenin ne olduğu, şu anda hangi aşamada olduğu, hangi kararların zaten alındığı, hangi yapının korunması gerektiği, nelerin yapılmaması gerektiği gibi temel bağlamı durmadan yeniden aktarmak gerekiyor.
Başta bu sadece ufak bir zahmet gibi geliyordu, ancak projenin ölçeği büyüdükçe bu maliyet gözle görülür biçimde arttı. Özellikle farklı modeller arasında gidip gelirken, asıl geliştirmeden çok bağlamı yeniden açıklamaya zaman harcadığım hissine kapıldım. Böyle olunca doğal olarak şu soruyu sormaya başladım.
"AI işbirliğinde hafıza sohbetlerde mi olmalı, yoksa hafızaya projenin kendisi mi sahip olmalı?"
Prompt Engineering ile çözülemeyen sorun
AI’yi iyi kullanma yöntemleri konuşulurken sık sık Prompt Engineering’den söz ediliyor. Ancak uzun vadeli projelerde çalışınca, promptlardan daha önemli bir sorun olduğu görülüyor. O da bağlamın korunamaması sorunu.
Prompt, tek bir isteği iyi kurma yöntemidir; proje ise birbirini izleyen birçok işten oluşan bir süreçtir. Bir projeyi istikrarlı biçimde yürütmek için en azından şu bilgilerin sürekli korunması gerekir.
- mevcut gereksinimler
- şimdiye kadarki karar kayıtları
- çalışma planı
- tamamlanmış işler
- değişiklik geçmişi
- bundan sonra yapılacaklar
Bu bilgiler korunmazsa model ne kadar iyi olursa olsun aynı hataları tekrarlamaya başlar. Bu yüzden daha iyi prompt yazmaya odaklanmak yerine, bağlamın kendisini yönetmenin bir yolunu kurmaya başladım. Bu yaklaşım genelde Context Engineering olarak adlandırılıyor; ben de benzer sorunları yaşarken bu kavramı proje düzeyinde işbirliğine uygulamayı denemeye başladım.
Hafıza sohbetlerde değil, depoda olmalı
İlk değiştirdiğim şey, bağlamın saklandığı yer oldu. Eskiden tüm bağlam sohbetin içindeydi, ama sohbet oturum bitince kayboluyor. Bu yüzden bağlamı proje kök dizininde saklayan bir yapı kurdum.
.cowork/ adında bir klasör oluşturdum ve proje durumunu buraya kaydetmeye başladım. Örneğin requirements, architecture decision record, görev listesi, test kayıtları, sürüm kayıtları, oturum günlükleri gibi şeyler burada tutuluyor.
Oturum başlarken her zaman mevcut durumu okuyup plan yapıyor, onay alıyor, uyguluyor ve sonucu kaydediyorum. Konuşmalar uçup gidiyor ama belgeler kalıyor. Böylece model değişse bile proje devam edebiliyor.
Plan → Approve → Execute kuralı
AI ile işbirliği yaparken en sık karşılaştığım sorunlardan biri, modelin doğrudan kodu değiştirmeye başlamasıydı. Önceki kararları yok sayması, yapıyı bozması ya da önceden mutabık kalınmış yönün dışına çıkması tekrar tekrar yaşanıyordu.
Bu yüzden bir çalışma kuralı koydum: her zaman Plan → Approve → Execute sırasını izlemek. Önce plan oluşturuluyor, sonra insan bunu kontrol ediyor, ardından uygulama yapılıyor. Sadece bu tek kural bile uzun soluklu projelerde ortaya çıkan hataları ciddi ölçüde azalttı.
Artifact is Memory
Bu çerçevede en önemli gördüğüm ilke, 'Artifact is Memory' cümlesiyle özetlenebilir. Hafıza sohbetlerde değil, proje çıktılarında olmalıdır.
Böylece model değişse de, oturum değişse de, araç değişse de, IDE değişse de proje durumunu korumak mümkün olur. Özellikle birden fazla modelin aynı anda kullanıldığı ortamlarda bu ilke, düşündüğümden çok daha kritik hale geliyor.
Burada sözünü ettiğim çıktılar yalnızca en baştan belge olarak yazılmış şeyler değil. AI ile yapılan konuşmaların içinde de gereksinimlerin rafine edilmesi, tasarım kararları, çalışma planları, inceleme sonuçları gibi projede gerçekten kalıcı olması gereken bilgiler sürekli ortaya çıkıyor. Sorun şu ki bu içerikler sohbetin içinde kaldığı sürece tek seferlik bağlam olarak tüketilmeye çok açık oluyor.
Bu yüzden AI ile yaptığım konuşmalardaki anlamlı içerikleri otomatik olarak sınıflandırıp kaydetmeyi ve bunları yeniden proje çıktısı olarak kullanmayı önemli görüyorum. Burada amaç sadece sohbet log’ları biriktirmek değil; konuşmalardan çıkan öz bilgiyi karar kayıtları, gereksinim belgeleri, çalışma planları, oturum günlükleri gibi biçimlerde düzenleyip yeniden kullanılabilir durumda bırakmak.
Bunu yaptığınızda konuşma, tek seferlik bir arayüz olarak kalmıyor; projeyi sürekli ileri taşıyan bir çalışma malzemesine dönüşüyor. Sonuçta hatırlanması gereken şeyin konuşmanın kendisi değil, konuşmadan çıkarılan yapılandırılmış çıktılar olduğunu düşünüyorum.
Birden fazla model arasında gidip gelirken ortaya çıkan sorunlar
Günümüzde yalnızca tek bir modeli kullanmak neredeyse hiç söz konusu değil. Modellerin güçlü yanları farklı olduğu için işin aşamasına göre farklı modeller kullanılıyor; tasarım, kod değişikliği, inceleme, bağlam analizi gibi işler de birçok oturum ve birçok model arasında tekrar tekrar yürütülüyor.
Bu noktada bağlam sadece sohbetin içinde kalırsa, modeli her değiştirdiğinizde projeyi baştan anlatmanız gerekir. Bu yüzden bağlamı sohbette değil, deponun içinde tutan bir yapı kurdum.
Yaptığım şey: cowork-context-framework
Bu süreci düzenleyip tek bir çerçeve haline getirdim. Proje içinde bağlamı saklayan, oturumları geri yükleyen, kararları kaydeden, işleri izleyen ve model değişse bile çalışmaya kaldığı yerden devam etmeyi sağlayan bir yapı bu.
Daha önce bunu şablon biçiminde kullanıp gerçek projelerde uygulayarak belli ölçüde doğruladım; bu deneyime dayanarak yapıyı düzenleyip framework biçimine yükselttim. AI ile uzun vadeli projeler yürütürken gerekli olan asgari işbirliği yapısının bu olduğunu düşünüyorum.
Benzer bir deneme yapan olup olmadığını merak ediyorum
- birden fazla AI modelini birlikte kullanma deneyimi olanlar
- oturum koptuğu için aynı açıklamaları tekrar etmek zorunda kalanlar
- agent / workflow / harness benzeri yapılar kuranlar
- proje bağlamını ayrı olarak yönetmeyi deneyenler
Benzer deneyimleriniz varsa görüşlerinizi duymak isterim.
Henüz yorum yok.