Sıradan kullanıcılar hâlâ "en güçlü ipucu büyüsü" üzerinde çalışırken, Silicon Valley'in en üst düzey laboratuvarları AI altyapısını bir üretim hattına dönüştürdü.

Yazan: Yeni Zihin

ChatGPT'in sohbet kutusunda tekrar tekrar prompt ayarlıyor musunuz?

Son zamanlarda bir X kullanıcısı, başlıca şirketlerin gizlice kullandığı Claude Code proje şablonunun sızdığına dair bir tweet attı: "Aa!"

Bu artık bir ipucu yazmak değil. Bu bir Yapay Zeka mühendisliği altyapısı.

Tüm strateji, bir dosya olan «CLAUDE.md» etrafında dönüyor ve temel ilkeleri sadece üç tanedir:

Claude her hata yaptığında → bir kural ekliyorsunuz; her seferinde kendinizi tekrarladığınızda → bir iş akışı ekliyorsunuz; her hata çıktığında → bir koruma duvarı ekliyorsunuz.

Bu, proje deneyimini her başlatıldığında okunan uzun vadeli bağlam ve otomasyon kısıtlamalarına dönüştürmektir.

Tüm yapı, bir AI şirketinin pozisyon organizasyonuna benzer: CLAUDE.md giriş el kitabı, skills-/ iş SOP’ları, hooks-/ uygunluk bölümü, docs-/ şirket sözleşmesi, tools-/ lojistik ekibi, src-/ ise gerçek işleri yapan iş birimidir.

Artık bir AI ile sohbet etmiyorsunuz, kod deposunuzu tanıyan bir AI oluşturuyorsunuz.

En çılgın kısmı, bir kez yapılandırmak zorunda kalmanız; Claude, kodu otomatik olarak inceleyecek, talimatlara göre yeniden yapılandıracak, mimari kuralları uygulayacak, yayın notları yazacak, becerilerden iş akışlarını çalıştıracak ve geçmiş hataları hatırlayacak.

Ayrıca kullanıldıkça daha akıllı hale gelir.

Çoğu kişi, ChatGPT'yi açıp uyarı metni yazıyor, kopyalayıp yapıştırıyor, tekrar tekrar yapıyor; ancak bu yöntemde sadece terminali açıp teslim edilmiş bir beceri kodunu çalıştırmanız yeterli.

Bu, kendi kod kitaplığınızda bir AI ekibi yetiştirmek gibi.

Bu tweet'in ardında, çoğu kişinin henüz farkına varmadığı, bu çağın sessizce geçiş yaptığının bir sinyali yatıyor.

İçeriği sızdırmayan bir “sızıntı ekran görüntüsü”, bir gerçeği açığa çıkarıyor

@ai_rohitt tarafından paylaşılan bu ekran görüntüsü, Anthropic'in resmi belgelerinde açıkça önerilen Claude Code standart şablonudur.

CLAUDE.md, Claude Code'un her oturum başında otomatik olarak okuduğu proje hafıza dosyasıdır.

.claude/skills/ ve .claude/hooks/ resmi desteklenen uzantı mekanizmalarıdır.

Bu, aylardır topluluk tarafından tartışılan açık bir uygulamadır ve kimse tarafından çalınan bir «içerik şablonu» değildir.

Ancak bazı deneyimli geliştiricilerin aktif olarak paylaşmasının nedeni, Claude'yi günlük olarak kullanan geliştiricilerden onay almasıdır.

Bu, çok sayıda kişi için belki de bu iki gün içinde nasıl kullanılabileceği fark edilen bir şey.

Ve Silicon Valley'nin en üst düzey ekibi, bu işi bir üretim hattına dönüştürdü.

İlk örnek, OpenAI Frontier ekibidir.

OpenAI'nin resmi olarak açıkladığı Frontier ekibi deneyinde, boş bir repo'dan başlayan bir iç beta, yaklaşık 5 ay içinde Codex tarafından yaklaşık 1 milyon satır kod ve yaklaşık 1.500 PR üretti; ekip 3 kişiden 7 kişiye genişledi ve insan kaynakları doğrudan kod yazmadı.

Ryan Lopopolo, sonraki röportajda, bu iş akışının "0 insan kodu, 0 insan incelemesi" sınırına ulaştığını belirtti.

O, token tasarrufu yapmak yerine, modelin çok yüksek paralel kapasitesini ve çok düşük maliyetini insanın sınırlı ve pahalı senkronizasyon dikkatini karşılamak için kullanmayı tercih eder.

İkinci örnek, Stripe'in dahili otomasyon kodu proxy sistemi Minions'tur.

Stripe içindeki Minions, haftada 1300'den fazla PR'nin birleştirilmesini üretiyor ve sürüyor; bu kodlar tamamen AI tarafından oluşturulmuş olmakla birlikte, insan tarafından gözden geçiriliyor.

Burada bir başka veri çifti var: %1,6 vs %98,4; bu, Mohamed bin Zayed Yapay Zeka Üniversitesi VILA-Lab tarafından yayınlanan bir makaleden gelmektedir.

https://arxiv.org/pdf/2604.14228

Bir araştırmacı, Claude Code v2.1.88 sürümünün 512.000 satır TypeScript kaynak kodunu sistematik olarak inceledi ve sonucunda yalnızca %1,6'sının AI karar verme mantığı olduğunu, kalan %98,4'ünün ise belirleyici mühendislik altyapısı olduğunu ortaya koydu.

Tam olarak, yetki ağ geçidi, bağlam yönetimi, araç yönlendirme ve hata kurtarma olmak üzere dört kategori.

Bu sayılar, modelin yalnızca %1,6'lık bir kapasite katkıda bulunduğunu göstermez; bunun yerine, Claude Code ürününün büyük ölçüde karmaşıklığının modelin kendisinde değil, yetki, bağlam, araç yönlendirme, kurtarma mekanizmaları gibi belirleyici mühendislik altyapısında olduğunu gösterir.

@ai_rohitt Resimdeki CLAUDE.md/skills/hooks yapısı, normal bir geliştiricinin kurabileceği bir «giriş seviyesi altyapı»dır ve OpenAI ile Stripe'in üretken altyapısı aynı paradigmaya sahiptir, sadece ölçeği çok daha küçüktür.

CLAUDE.md'nin açığa çıkan sırları

Geçen 3 yıl boyunca herkes "GPT ne zaman daha akıllı olacak?" ve "Claude'nin yeni versiyonu ne zaman çıkacak?" diye soruyordu.

Ancak üretim ortamında AI programlamayı gerçekleştiren takımlar, muhtemelen bunun yerine AI'nın önceki karşılaştığı sorunları nasıl hatırlayacağını, AI'nın çalışmaya başlamadan önce projenin mimari kısıtlarına nasıl bir göz atacağını ve AI'nın hata yaptığında araçlar tarafından nasıl engelleneceğini daha çok ilgilendirir.

CLAUDE.md tam olarak bunların taşıyıcısıdır.

Anthropic'in resmi tanımı sadece bir cümledir:

Proje kök dizinine konulan bir Markdown dosyası; Claude Code, her oturum başında otomatik olarak okur.

https://code.claude.com/docs/en/memory

Görünüşte basit gibi görünüyor, ancak etrafında oluşturulan bu katmanlar, onun gerçekten güçlü olduğu yer.

CLAUDE.md proje beynidir.

Mimari kararlar, adlandırma kuralları, test gereksinimleri ve defalarca karşılaşılan sorunlar burada birikmiştir. Bu, AI'nın her başlatıldığında ilk gördüğü «çalışan el kitabıdır».

.claude/skills/ yeniden kullanılabilir iş akışlarıdır.

Claude Code'un kurucusu Boris Cherny, toplulukta sürekli şu cümleyi vurguluyor: "Bir şeyi her gün bir defadan fazla yapıyorsanız, bunu bir beceri veya komut haline getirin."

Bir beceri, yürütülebilir bir yöntemdir. Kod incelemesi, commit mesajı oluşturma, yayın notları yazma gibi işler her gün el ile talimat yazmak için değil, bir beceriyle hemen sonuç almak için olmalıdır.

.claude/hooks/ otomatik koruyucudur.

Bu en kritik kısımdır. AI'nın kendi kararını vermesine bağlı değildir; AI hata yapmadan önce belirli kodlar tarafından engellenir. Bu yüzden AI'nın "gözlem olmadan" çalıştırılmasına izin verilebilir, çünkü hata sınırları hook'lar tarafından sabitlenmiştir.

docs/decisions/ yapısal karar kayıtlarıdır.

Yapay zekânın sadece kodun "ne olduğunu" değil, "neden böyle olduğunu" da anlamasını sağlayın.

Bu, en çok gözden kaçırılan ancak AI iş birliğinin en büyük kaldıraç noktasıdır.

tools/ ve src/ yürütme katmanıdır.

Bu mimarinin gerçekten dikkat çekici yanı, bir geliştiricinin güzel bir dizin oluşturması değil, giderek daha fazla bağımsız takımın aynı yöne doğru birleşmesi: modeli bağlam, araçlar, izinler, değerlendirme ve geri bildirim döngülerinden oluşan bir çerçeve içine yerleştirmek.

GitHub'da benzer projeler zaten görülebiliyor:

rohitg00'un awesome-claude-code-toolkit'i, diet103'un claude-code-infrastructure-showcase'ı ve affaan-m'in everything-claude-code'u, agents, skills, hooks, rules, MCP config'leri gibi bileşenler etrafında Claude Code için mühendislik tabanlı bir çalışma ortamı kurmaktadır.

Bu, gerçekten olgun bir AI programlama iş akışının, yalnızca daha güçlü bir model veya daha uzun bir prompt ile değil, modeli yeniden kullanılabilir, sınırlı, geri yüklenebilir ve denetlenebilir bir mühendislik sistemi içine entegre etmekle mümkündür.

Özel dizin yapısı, uygulamalara göre tamamen farklı olabilir.

OpenAI Laboratuvarı'nın Sınır Deneyleri

11 Şubat 2026'da OpenAI resmi blogu, "Mühendisliği Kullanmak: Bir Ajant-Önceli Dünyada Codex'ten Yararlanmak" adlı bir makale yayınladı.

https://openai.com/index/harness-engineering/

Anthropic, Claude Code'un mimari yaklaşımını bu kavram etrafında yeniden düzenledi; Martin Fowler'un websitesi bunu bir formüle indirgedi: «Ajan=Model+Kaplama.»

Harness, atıcılıktan gelir. Atın tam kültürüdür: süngü, mide kemeri, eyer, başlık.

Bir at çok hızlı ve güçlü koşabilir, ancak kendi başına nereye gideceğini bilmez: tam takımla yönü belirlenir.

AI programlama ile karşılaştırıldığında: Modelin kendisi çok güçlüdür, ancak kod kütüphanenizde nereye gideceğini bilmez. Harness, ona içinizde bir direksiyon, fren ve navigasyon oluşturur.

OpenAI Frontier ekibinin "1 milyon satır, 0 insan" deneyi, temelde Harness'ı en üst düzeye çıkarmaktır.

Ana mühendislik uygulamaları şunları içerir:

Katmanlı yapı sıkı kısıtlamalara tabidir.

Türlerden yapılandırmaya, depoya, hizmete, çalışma zamanına ve kullanıcı arayüzüne kadar bağımlılık tek yönlü akar ve linter CI katmanında zorunlu kılar. Agent, katman ilişkisini ihlal eden kod yazarsa, derleme doğrudan başarısız olur.

Linter hata mesajı kendisi bir onarım talimatıdır, bu da en az beklentilere uygun detaydır.

Normal projelerdeki lint hatası «violation detected»dir ve insanlar için yazılmıştır; OpenAI Frontier'in lint hatası ise «console.log yerine logger.info({event: 'name', …data}) kullanın»dır ve Agent'lar için doğrudan okunabilir ve düzeltilabilir talimatlardır.

Belge, tek gerçek kaynağıdır. Tüm mimari diyagramlar, yürütme planları ve tasarım spesifikasyonları repo içindeki docs/ dizininde yer alır. Agent'in dış bir bilgi tabanına ihtiyacı yoktur, her şey repoda vardır.

Bu şeyin etkisi ne kadar güçlü?

Model değiştirilmedi, ancak LangChain, sistem ipuçlarını, araçları, ara yazılımı ve çıkarım modunu ayarladı ve sonuç olarak Terminal Bench 2.0 puanı 52,8'den 66,5'e çıkarıldı.

Bugün yapabileceğiniz şeyler

Bir AI için bir proje beyni oluşturun

Sorular normal geliştiricilere döndü: Eğer paradigmalar değiştiyse, bir mühendis olarak bugün ne yapabilirsiniz?

İlk adım, en önemli projenizin kök dizinine bir CLAUDE.md dosyası oluşturun.

Gerekli değil, gerekli değil uzun. Takımınızın mimari kurallarını, adlandırma kurallarını, test gereksinimlerini, sürekli düşüldüğü yerleri yazın; 10 dakikada çalışır bir sürüm yazabilirsiniz.

Bir sonraki AI hatasında, manuel olarak düzeltmeden önce kendinize şunu sorun: CLAUDE.md'de eksik ne?

İkinci şey, her gün tekrarlanan işleri beceri haline getirmektir.

Boris Cherny'nin şu sözünü dikkate alın: "Bir şeyi her gün bir kereden fazla yapıyorsanız, bunu bir beceri veya komut haline getirin."

Kod incelemesi, commit mesajı oluşturma, sürüm notları yazma, tekrarlayan bir tür hatayı düzeltme; bunlar becerilerdir, her gün el ile uyarı ifadeleri yazmak değildir.

Üçüncü olarak, kolayca hata yapabileceğiniz yerlere bir ilgi çekici nokta ekleyin.

Hook, %98,4'ün en kaldıraçlı kısmıdır. AI'dan akıllılaşmak için bağımlı değildir; kesin kodlarla zorunlu kontroller yapar. Bu, insan mühendislerinin yargılarını makineye okunabilir kısıtlamalara çevirmek sürecidir.

Bu olayın çekirdeği kod yazmak değil, kurallar yazmak.

Karpathy, bu yıl Ocak'ta Twitter'da paylaştığı ve çokça paylaşılan sözü: "80% kodu kendim yazmaktan, 80%'ini Agent'e bırakmaya geçtim."

Gelecek beş yıl içinde, mühendislerin yetenek eğrisi, “Kaç satır kod yazabilirim?” yerine “AI için ne kadar katı bir çalışma ortamı tasarlayabilirim?” yönüne doğru kaymaktadır.

Kod yazma işi, Agent tarafından devralınıyor.

Ancak Agent'in iyi kod yazabileceği bir dünya tasarlamak, hâlâ insanın işidir. Ve daha öncekinden daha zor, daha önemli ve daha ilginç.