Show HN: Lathe – LLM ile yeni alanları atlamadan öğrenmek

• Lathe, LLM'in sizin yerinize düşünmesi yerine onu öğretmek için kullanmaya yönelik bir deney; prompt içinde uygulamalı teknik öğreticiler üretiyor ve kullanıcının bunları yerel UI üzerinde bizzat takip ederek öğrenmesini sağlıyor
• Tek bölümlü veya çok bölümlü öğretici üretimini destekliyor; soru sorma, öğreticiyi doğrulama, yeni bölüm genişletme ve arama etiketleri ekleme için LLM skills sunuyor
• Claude Code, Cursor ve Codex'in etkileşimli LLM oturumlarında öğreticiler üretilebiliyor; Go ile yazılmış lathe CLI ise öğreticilerin kaydedilmesi, yönetimi, render edilmesi ve kalıcı durumdan sorumlu
• CLI'nin kendisi LLM çağırmıyor; web düğmeleri ile lathe verify ve lathe extend komutları, LLM oturumuna yapıştırılacak skill command sağlayan bir yöntem izliyor
• Yerel web UI, lathe serve ile çalıştırılıyor ve varsayılan port 4242; öğretici listesinde başlık, konu, etiket, depo, araç sürümü araması ile en yeni, en eski ve başlığa göre sıralama; ayrıca durum, tür, etiket ve sürüm filtreleri destekleniyor
• Okuma UI'si, sağ kenar çubuğunda içindekiler gezinmesi, metin içinde yan notlar ve öğretici sonunda okuyucuya yönelik alıştırmalar sunuyor
• Tüm öğreticiler, kullanılan kaynakları, modeli ve öğreticinin üslubunu yönlendiren prompt'u kaydediyor; kaynak kayıtları metadata.json içindeki sources alanından ve UI'deki kaynak panelinden görülebiliyor
• Öğreticiler, küresel yol ~/.lathe/tutorials/ altında slug bazlı dizinlerde saklanıyor ve metadata.json ile part-01.md gibi bölüm dosyalarından veya index.md dosyasından oluşuyor
• Kurulum, tek başına çalışan lathe ikili dosyasını $PATH içine koyma yoluyla yapılıyor; macOS için Homebrew cask, curl | sh kurulum betiği, Go 1.25+ tabanlı go install ve kaynaktan derleme destekleniyor
• Skills, ikili dosyaya gömülü geliyor ve lathe skills install ile Claude Code, Cursor ve Codex konumlarına kurulabiliyor
• Öğretici üslubu voice ile kontrol ediliyor; varsayılan olarak plainspoken ve companion birlikte geliyor, ayrıca /lathe-voice ile özel bir voice oluşturulabiliyor
• Voice yalnızca üslubu değiştiriyor; doğruluk, araştırma, alıntılama, doğrulama veya yapıyı değiştirmiyor; özel voice'lar, gerçek kişileri taklit etmeyi, kimlik/uzmanlık uydurmayı ve LLM tarafından yazıldığını inkâr etmeyi reddedecek şekilde ayarlanmış
• Doğrulama isteğe bağlı ve etkileşimli LLM oturumunda /lathe-verify <slug> ile çalıştırılıyor; yeni bir mktemp -d scratch dizininde dosyalar oluşturuyor, komutları ve ## Checkpoint bloklarını çalıştırıyor, ardından sonuçları kaydediyor
• Doğrulama durumu unverified, verifying, verified, failed, skipped, extending değerlerinden biri olabiliyor; gerekli araçlar yoksa bu başarısızlık değil, skipped olarak kaydediliyor
• Doğrulama, normal LLM yetki modeli altında çalıştığı için araç çağrılarını görüp onaylayabiliyorsunuz; scratch dizini, build çıktılarının depolama alanı dışında tutulmasına yönelik bir gelenek, bir güvenlik sınırı değil
• Lathe bir LLM olduğu için LLM'lerin başarısız olduğu şekillerde başarısız olabilir; öğretici üretimi için erişilebilen en büyük “thinking” modelin kullanılması öneriliyor
• Şu anki dahili test kullanım senaryosunun macOS üzerinde Claude Code olduğu belirtiliyor; diğer yapılandırmalar çalışabilir ama doğrulanmış değil
• Kişisel öğrenme için bireysel kullanım dışında içerik yazma amacıyla tasarlanmamış

[GN⁺]

Hacker News yorumları

• İlgilenilen bir konuda LLM’in Sokratik diyalog yöntemiyle sürekli mini sınavlar sormasını sağlayan benzer bir yaklaşım da iyi oluyor
  Kişinin kendi cevabına ulaşmasını sağlamak için giderek daha derin sorular sormaya devam ediyor ve bu süreçte problemi ciddi şekilde düşünmesini sağlayarak anlama, öğrenme ve hatırlamaya yardımcı oluyor
  Bu yüzden herhangi bir kodlama ajanında ya da benzer araçlarda kullanılabilecek bir Socratic-quiz becerisi yaptım: https://pchalasani.github.io/claude-code-tools/plugins-detai...
  Bunu örneğin diyabet/insülin, dopamin ve motivasyon, Claude’un nasıl çalıştığı gibi sezgiye ters düşen konuları daha iyi anlamakta kullandım; ayrıca sözde bilişsel borcu azaltmaya da yardımcı oluyor
  Güçlü LLM’ler bu tür sınavlarda şaşırtıcı derecede yetenekli ve bir tür zihin kuramı benzeri özellik sergiliyor

  • Bu durumda bağlam uzunluğu bozulmasını nasıl ele aldığınızı merak ediyorum
    Daha zor sorular muhtemelen ancak bağlam neredeyse dolduğunda ortaya çıkacaktır
  • Gücünüzün kaynağı LLM ise, LLM olmadan siz nesiniz?
  • Gerçek materyallerle çalışmayı tamamlayıcı bir araç olarak kullanılıyorsa faydalı olabilir
    Diyabet/insülin, dopamin ve motivasyon gibi karmaşık konuları “anladım” diye hafifçe söylediniz ama bunları gerçekten tam anlamak için epey çalışma gerekir
    Bunu merak temelli öğrenme olarak görmek tamam, ama gerçekten önemli ya da ciddi şeyleri öğrenmenin yolu olarak ne kadar uygun emin değilim
    Kaynakları araştırıp yönlendirmeli dersleri takip etmenin geleneksel yolu, bu yöntemden daha düzenli ve daha hızlı

• Sanırım eskiden beri var olan tam o kapsamdaki insanlar hep var olmaya devam edecek
  Bazı insanlar meraklıdır; yaptıkları şeyi anlamak ister ya da anlamak zorundadır, bazıları ise değildir ve sadece uygulamak ister
  Bu istek, uzmanları oluşturan temel karakter özelliğidir
  LLM’ler bu meraklı insanlar için adeta rüya gibi bir araç ve onları daha da hızlandıracak
  Gerçek bir “kayıp” pek yok; sadece umursamayan insanların işleri daha da kolaylaşacak
  Bu onlar için de iyi, meraklı insanlar için de iyi, yani genel olarak kazanç

  • Sanırım ikisi de; hem neyle uğraştığınıza hem de o anda ne yapıyor olduğunuza bağlı
    Bazen uzun süre derine inmek eğlenceli ve ilginç geliyor
    Bazen de bir şeyin neden çalışmadığına pek merak duymuyorsunuz; sadece çalışır hale getirip asıl yapmak istediğiniz şeye dönmek istiyorsunuz
    Sonuçta LLM’lerin her iki durumda da faydalı olduğunu düşünüyorum
  • Bazı insanlar çevre ne olursa olsun meraklarını koruyabilir, ama bazıları yaşam deneyimlerine bağlı olarak meraklarını geliştirme ya da kaybetme yönünde savrulabilir
    Sürekli elinizin altında duran bir “şimdi sadece cevabı ver” düğmesi, onları ilgisizlik tarafına çeken güçlü bir kuvvet olabilir

• Bence oldukça taze bir fikir
  LLM’lerin büyük avantajı, harika bir öğrenme aracı olmaları
  Pek çok kişi onları bir şeyler üretmek için kullanmak istiyor ama buradan edinilebilecek bilgi küçümseniyor gibi
  Belki de şu ana kadar sahip olabileceğimiz en iyi öğretmen
  Ayrıca, bir projeyle para kazanıp kazanmadığını açıklaması yönünde bir baskı ortamı olmasını pek sevmiyorum
  Para kazanmak şeytanlaştırılmamalı ya da ayıplanmamalı

• Son zamanlarda işte bu genel kalıbı çok kullanıyorum
  Belirleyici görevleri özel bir CLI uygulaması olarak kuruyor, ajan harness’ine beceriler ekliyor ve sonra ajanın içinde bu becerileri çalıştırarak CLI ile ajan tarzı akıl yürütmeyi birleştirip çıktı üretiyorum
  Örneğin “geçen ay boyunca bu ekiplerin backlog faaliyetleri hakkında yönetici özeti hazırla” dediğinizde, 5-10 dakika içinde birkaç sayfalık okunabilir bir belge alabiliyorsunuz ve içinde incelenen ticket’lardan alıntılar da oluyor
  İnsanları rahatsız etmeye ya da onlardan ek iş istemeye gerek yok; backlog’un her zamanki gibi güncel ve ayrıntılı tutulması yeterli
  Tekrarlayan işlerde tutarlı sonuç üretmekte zorlanan saf ajan kullanımı ile, her küçük iş için tam bir uygulama yapmak ya da satın almak zorunda kalmak arasında çok faydalı bir noktada duruyor

  • Bu yaklaşım iyi çalışıyor, katılıyorum
    Yalnız sürekli tersine çevirmek istediğimi düşünüyorum
    İstediğim yapı, iş akışı bilgisi ve kararlarının çoğunu gerçek kod olarak içeren geleneksel bir CLI programı; yalnızca belirli iş akışı adımlarında “çok az miktarda” kodlama ajanı çağırılıyor
    Bunu nasıl uygulayacağımı tam bilmiyorum
    Böyle bir kütüphane zaten var mı, varsa nasıl çalışıyor onu da merak ediyorum
    Bunu düzgün yapmak için, CLI yazılımının iyi bilinen bir yerel IPC soketi üzerinden etkileşime girebildiği bir arka plan servisi olması gerekiyor gibi görünüyor
    Örneğin docker daemon’una benzer şekilde
    Ama böyle bir IPC yeteneği sunan bir kodlama ajanı yazılımı ya da framework’ü bilmiyorum
  • Katılıyorum
    Bu deseni ilk kez Simon Willison’ın bazı işlerinde, galiba Rodney ve Showboat’ta görmüştüm
    Belirli iş akışlarında Skills + CLI kombinasyonu, LLM esnekliği ile CLI tutarlılığı arasında iyi bir denge sağlıyor
  • Belirleyici görevlere birkaç örnek verebilir misiniz diye merak ediyorum
    Verdiğiniz örnekte belirleyici görev “bu ekibin backlog’unu almak”, LLM kısmı ise “her backlog’u işlemek” ve “özetleri birleştirmek” miydi?

• Popüler /grill-me becerisini tam da bu amaç için güncelledim
  Dün pandas’ta aşırı büyük veri kümeleri yüklemeye çalışırken tam olarak ne olduğunu, en son ayrıntısına kadar çok içgörülü ve zorlayıcı bir soru-cevap oturumuyla ele aldım

  • O sürümü yayımladığınız bir yer var mı?

• Harika bir yaklaşım.
  Kısa süre önce bir arkadaşıma programlamanın kodu elle yazarak öğrenildiğini söylemiştim.
  Bu yüzden, ilgi alanlarına ve ihtiyaçlarına göre uyarlanmış asgari düzeyde eğitsel örnekleri LLM ile üretmesini önerdim.
  Zed Shaw tarzı programlama öğrenimini, yani müzikte ya da resimde etüt yapmak gibi kod örneklerini elle aynen yazma yöntemini denedim.
  Bunu bir süredir öğrenmeye çalışıp da zorlandığım bir programlama dilinde test ettim ve sadece birkaç saat yazı yazarak akıcılığımın büyük ölçüde arttığını gördüm.
  Birkaç saat boyunca yazarken, haftalarca çalışırken yazdığımdan daha fazla kod yazdığımı fark ettim.
  Dili henüz bilmiyorsanız kod üretmek çok yavaş ve hataya açık oluyor, ama doğru kodu yazmak görece daha basit.
  Bu yüzden yaklaşımı “sadece körlemesine yazmak” olarak değiştirince, en azından okuma ve kas hafızası açısından birkaç saatte önceki birkaç haftadan daha fazla pratik yapmış oldum.
  Elbette anlama da önemli, ama benim deneyimime göre bu ayrı bir eksen ve çoğunlukla hafıza ile akıcılıktan sonra geliyor.
  Bir şeyi teorik olarak anlamakla onu gerçekten kullanabilmek arasında çok büyük fark var.
  Bunun altındaki genel ilke Stephen Krashen’in dil edinimindeki girdi hipotezi: https://en.wikipedia.org/wiki/Input_hypothesis
  Buna göre çocuk, dili sadece duyarak ve girdiye maruz kalarak öğreniyor; yetişkinlerin de aynı şekilde öğrenebileceği düşünülüyor.
  Belki artık var olmayan harika bir site olan All Japanese All The Time’da da bunu görmüştüm.
  Yazarı, çok fazla Japonca dinleyerek bu hipotezi kendi üzerinde test etmiş ve bir yıl içinde akıcılık kazandığını söylüyordu.
  https://web.archive.org/web/20080705194055/http://www.alljap...

• Gerçekten harika bir fikir ve bu karmaşık dönemde LLM’leri aklı başında kullanmanın bir yolu gibi geliyor.
  Yeni bir projeye başlarken her şeyin sürtünme gibi hissettirdiği durumlarda başlangıç havasını açmak için iyi bir yöntem olabilir.

  • Aslında benim ana kullanım alanım tam olarak bu.
    Yeni bir projeye girme eşiğini düşürüyor ve alıştıktan sonra kendi başıma daha derine inebilmem için bir temel sağlıyor.

• İlginç bir alana dokunduğunu düşünüyorum.
  Sistem tasarımı mülakatlarına hazırlanırken ben de benzer bir şey düşünmüştüm.
  Twitter tasarımı ve WhatsApp tasarımı üzerine birkaç blog yazısı serisiyle deneme yaptım: https://prepcommons.com/
  Yine de ilk isteği doğrudan karşılamaktan çok daha fazla emek gerektirdi.
  AI herkesin ortalama sonuçlar üretmesini sağlıyor ama iyi sonuçlar üretmek için hâlâ zevk ve sezgi gerekiyor.
  Muhtemelen dersler için de aynısı geçerlidir.

• Harika bir proje, denemeyi düşünüyorum.
  Yeni bir konu çalışırken elimdeki tüm materyali bir LLM “projesine” koyup, gerçek içeriğe dayanarak öğretmesini isteyerek hız kazanma yöntemini epey seviyorum.
  Ama aynı zamanda her şey tam istediğim biçimde düzenlenip önüme gelirse, doğrudan kaynak materyale bakıp zorlanarak kurulan anlayışın zayıflamasından endişe ediyorum.
  Bu yüzden, bu yaklaşım gibi LLM’nin tetiklediği entelektüel tembelliği bir ölçüde yatıştırırken aynı zamanda gerçekten bizzat yapmaya daha çok odaklanan yöntemler benim zevkime daha uygun.

• Asıl daha çok merak ettiğim şey, kendi yaptığınız vibe coding aracını fiilen kullanma deneyiminiz.
  Tanıtımdan, gerçekten kullanıp sevip sevmediğiniz pek anlaşılmıyor.
  Kullandığınızı ve bazen karşı çıktığınızı söylemişsiniz; bu başlı başına bir öğrenme stratejisi de olabilir.
  Ayrıca “başka bir modelle eğitimin derlenip derlenmediğini test etmek” pek de özellik denecek bir şey gibi gelmiyor.
  Elbette tek bir istekte kusursuz bir eğitim beklemiyorum.
  Elle yazılmış prompt’lar yerine neden bunu kullanmam gerektiğini de çok bilmiyorum; ayrıca ChatGPT Study modunun neden başarısız olduğunu da merak ediyorum.
  Çünkü ilgi çekici görünüyordu.

  • Epey kullandım ve çok hoşuma gidiyor.
    Tabii ki prompt’ları doğrudan kendiniz de yazabilirsiniz.
    Benim gördüğüm değer, yeniden kullanılabilir beceri/prompt’ların eğitimi yapılandırıp Claude’un sadece kopyala-yapıştır kod vermesi yerine yeni kavramları düşünmeme ve öğrenmeme yardımcı olması.
    Ayrıca yerel arayüz sayesinde Claude’un Markdown çıktısını kaydırmaktan çok, eğitimi takip etmek çok daha rahat.
    Eğitim serileri kalıcı olarak durduğu için, sonradan ilgimi çeken bir konuya ya da bir eğitimin uzantısına /lathe-extend ile kolayca devam edebiliyorum.
    Ama sonuçta bu kişisel olarak bana yardımcı olan bir araç; herkes için de öyle olmak zorunda değil.
    ChatGPT Study’yi hiç kullanmadım, o yüzden daha yakından bakarım. Söylediğiniz için teşekkürler.