Claude Code ile bkamp.ai’yi yayına almak 9 gün sürdü; bu deneyimi bkit eklentisine aktardım.
(bkit.ai)bkit — Context Engineering ile Claude Code’u “doğru şekilde” kullanmak
2025 Aralık ayında bkamp.ai adlı bir hizmeti yayına aldım.
- 11 mikroservis
- Next.js tabanlı portal
- AWS EKS + GitOps (ArgoCD)
- Terraform altyapısı
Ve bunların hepsini yalnızca 9 günde prodüksiyona çıkardım.
Geliştirici olarak tek başımaydım,
yapay zeka tarafında ise Claude Code kullandım.
Bu yazı “hızlı yaptım” hikayesi değil
Birçok yapay zeka geliştirme örneği şöyle anlatılıyor:
- “Yapay zekayla N günde yaptım”
- “Prompt’u iyi yazmak yeterli”
Ama 9 gün boyunca gerçekten geliştirme yaparken hissettiğim şey tamamen farklıydı.
Yapay zekanın iyi kod yazdığı doğru.
Ancak neyin yazılması gerektiğine yapay zeka karar vermiyor.
Buna sonunda karar veren şey şunlar:
- tasarım
- kurallar
- iş birimleri
- doğrulama yöntemi
Ben buna Context Engineering adını verdim.
Context Engineering nedir
Kısaca şöyle:
Mesele iyi prompt yazmak değil,
yapay zekanın çalıştığı ortamın kendisini tasarlamak
Örneğin:
- önce tasarım dokümanları hazırlanır
- iş birimleri dokümanlara göre bölünür
- sonucu doğrulayan kurallar oluşturulur
- tekrar edilebilir bir döngü kurulur
Yani,
yapay zeka bir “yazar” değil,
tanımlanmış context’i render eden bir motor haline gelir
bkamp’ta fiilen uygulanan yöntem
1. Day 0 — kod yazmadan önce kuralları koy
İlk commit’te hiç kod yoktu.
Onun yerine şunları hazırladım:
.claude/CLAUDE.md(yaklaşık 150 satır)- gereksinim dokümanı
- strateji dokümanı
Burada şunlar tanımlanmıştı:
- PDCA döngüsü (Plan → Do → Check → Act)
- tüm çıktılar insan tarafından doğrulanır
- planlama Korece, kod İngilizce, commit Korece
- iş birimleri ve ilerleme yöntemi
Bu yaklaşık 100 satırlık kural seti, sonraki tüm geliştirmeyi belirledi.
2. İş birimi “özellik” değil “doküman”
Normalde talep şöyle olur:
- “Sohbet özelliği yap”
Ama gerçekte çalışma şekli şuydu:
- “7 numaralı dokümanın 3.2 bölümünü uygula”
Bu fark çok büyük.
Yapay zeka açısından:
- özellik → yorum gerekir (belirsizlik)
- doküman → doğrudan uygulanır (deterministik)
Sonuç olarak:
çıktının değişkenliği neredeyse ortadan kalkar
3. Bir gün = bir PDCA döngüsü
Geliştirme şu şekilde ilerler:
- Plan (tasarım)
- Do (uygulama)
- Check (Gap analizi)
- Act (düzeltme)
Ve bu döngü günlük bazda tekrarlanır.
Bu yaklaşımın avantajları şunlar:
- context her zaman güncel kalır
- iş kapsamı nettir
- yapay zekanın “şu anda ne yapması gerektiği” açıktır
4. Checkpoint al ve gerekirse cesurca baştan kur
- günde frontend’i tamamen yeniden yapılandırdım.
Ama bundan önce mutlaka yapılan bir şey var:
- geri alınabilir bir checkpoint oluşturmak
Böylece:
başarısız olsa bile güvenli olur
→ cesur yapısal değişiklikler mümkün hale gelir
5. Altyapıyı en sonda tek seferde bağla
- günde, tek bir gün içinde:
- Terraform
- Kubernetes
- CI/CD
- ArgoCD
hepsini tek seferde bağladım.
Bunun mümkün olmasının nedeni basit:
çünkü ondan önce tüm yapı zaten hizalanmıştı
Buradan çıkan temel desen
Bu 9 gün boyunca tekrar eden desen şuydu:
- Önce kuralları tanımla
- Önce tasarımı oluştur
- Dokümanı referans alarak çalış
- PDCA döngüsüyle yinele
- Checkpoint oluştur
- Tutarsızlıkları dokümanda çöz
- Kod en son gelir
Peki bunu sürdürülebilir kılmak mümkün mü?
Sorun tam burada başlıyor.
Bu yaklaşım güçlü, ama:
insanın bunu sürekli sürdürmesi çok zor
- kuralları sürekli akılda tutmak gerekir
- dokümanları sürekli uyumlu tutmak gerekir
- her seferinde PDCA’ya uymak gerekir
Bu yüzden bkit ortaya çıktı.
bkit nedir
bkit, Claude Code için bir eklenti.
Ama sıradan bir araç değil.
bkamp’ta kullanılan çalışma biçimini
aynı şekilde sisteme dönüştüren bir yapı
En önemli kavram: PDCA = durum makinesi
bkit içinde PDCA şu şekilde uygulanıyor:
- durumlar: plan, design, do, check, act vb.
- geçişler: durumlar arası ilerleme kuralları
- guard’lar: koşul kontrolleri
Örneğin:
- tasarım ve uygulama uyum oranı %90’ın üzerindeyse → geçer
- değilse → düzeltme döngüsü otomatik çalışır
Yani,
“inceleme → düzeltme” otomatik olarak tekrar eder
Context Engineering’i sisteme dönüştüren yapı
bkit şu bileşenlerden oluşuyor:
- Skills (alan bilgisi)
- Agents (rol tabanlı davranış)
- PDCA durum makinesi
- Context enjeksiyon sistemi
- Quality Gate (doğrulama)
- Audit Log (kayıt)
- Feedback Loop (otomatik yineleme)
Bunu tek cümlede özetlersek:
mesele yapay zekayı kullanmak değil,
yapay zekanın çalıştığı sistemi kurmak
Sonuç
Bu yaklaşımla elde edilen sonuçlar şunlar:
- Claude Code’un 79 sürümüyle art arda uyumluluk
- 4.000+ test, 0 hata
- 200+ CI doğrulama kuralı
- Docs ve Code arasında tam senkronizasyon
Sonuç olarak
Bu, yapay zekanın daha akıllı hale gelmesinin hikayesi değil.
Bu, insanın yaptığı işin daha öne çekilmesinin hikayesi
- önce tasarım
- önce kurallar
- önce doğrulama
Bundan sonra:
- yapay zeka uygular
- sistem doğrular
- insan onaylar
TL;DR
- Sadece prompt ile bir sınır var
- Asıl kritik nokta Context Engineering
- Yapay zeka yazar değil, renderer’dır
- Workflow, modelden daha önemlidir
Linkler
- bkit: https://github.com/popup-studio-ai/bkit-claude-code
- örnek olay: https://bkamp.ai
Bu yaklaşım hakkında görüş veya geri bildirimlerinizi gerçekten memnuniyetle karşılarım.
Henüz yorum yok.