Bir yapay zeka programının, verilen görevleri 24 saat boyunca herhangi bir müdahale olmadan tamamlayabilmesi mümkün mü? Bu sorunun cevabını aramak için DEV Community’den bir geliştirici, Python tabanlı bir otomatik keşif aracı üzerinde deneysel bir çalışma gerçekleştirdi. Sonuçlar, hem şaşırtıcı hem de öğretici oldu.
İşin ilginç yanı, bu süreçte elde edilen çıktılar sadece görevlerin tamamlanmasıyla sınırlı kalmadı. Bazı durumlarda, yapay zeka hem kodun kalitesini artırdı hem de gelecekteki hataları önleyecek testler ekledi. Diğer yandan, bazı görevlerin ise beklenmedik şekilde karmaşıklaştığı ve hatta tamamen duraksadığı görüldü. Peki, bu deneyimin ardındaki gerçekler nelerdi?
Deneyimin Temel Yapısı: Proje ve Kurulum
Deneyin temelinde, bir Python projesi yer aldı. Proje, bir keşif aracı olarak işlev görüyordu ancak kod yapısı düzensizdi, çıktı formatları tutarsızdı ve yaklaşık 15 adet çözülmemiş sorun bulunuyordu. Bunların arasında basit kod iyileştirmelerinden, istenmeyen davranışlara yol açan bir API kullanımına kadar çeşitli zorluklar yer alıyordu.
Claude Code, bu proje üzerinde tamamen bağımsız bir şekilde çalıştı. Kurulum, Ubuntu tabanlı bir sanal sunucuda gerçekleştirildi. Yapay zeka modeli olarak claude-sonnet-4-5 kullanıldı ve maksimum token sayısı 8192 olarak ayarlandı. Görevler, CLAUDE.md adı verilen bir dosyada öncelik sırasına göre sıralandı. Bu dosya, hangi dizinlere erişilebileceği, hangilerinin erişilemez olduğu ve görevlerin nasıl tamamlanması gerektiği gibi kritik bilgileri içeriyordu.
En önemlisi, yapay zeka herhangi bir karar gerektiren durumda, özellikle de iki veya daha fazla olası sonucun bulunduğu senaryolarda, anında duraklayarak BLOCKED.md adı verilen bir dosya oluşturuyordu. Bu sayede, geliştiriciye karar verme sürecinde esneklik tanınıyordu.
Tamamlanan Görevler: Beklenenden İyi Sonuçlar
İlk altı saat içinde, 15 görevden dokuzu başarıyla tamamlandı. Yapay zeka, kod iyileştirmelerini temiz bir şekilde gerçekleştirdi ve değişken adlandırmalarını mevcut kod stiline uygun hale getirdi. Bu, Claude Code’un kendi tercihlerinden ziyade projedeki mevcut standartları öğrendiğini gösteriyordu.
Beklenmedik bir şekilde, API kullanımındaki hata da tespit edildi. Hata, özellikle isteklerin yoğun olduğu durumlarda zaman damgasının yenilenmemesinden kaynaklanıyordu. Claude Code, bu sorunun kök nedenini doğru bir şekilde belirledi, bir düzeltme yaptı ve ardından üç yeni birim testi ekledi. Bu testler, orijinal hatayı yakalayabilecek düzeydeydi ve geliştirici tarafından manuel olarak da doğrulandı.
Bu sonuç, yapay zekanın sadece görevleri tamamlamakla kalmayıp, aynı zamanda kodun daha güvenilir hale gelmesine de katkı sağladığını gösterdi. Bu, geliştiricilerin en çok arzuladığı sonuçlardan biriydi.
Engellenen Görevler: Verimsiz Duraklamalar
Üç görev ise BLOCKED.md dosyalarına yol açtı. Bunlardan biri, aslında ciddi bir belirsizliği temsil ediyordu. Geliştirici, yapılandırmaların yüklenme mantığını temizleme görevi vermişti ancak bu görev, ürün kararlarına bağlı olarak iki farklı şekilde gerçekleştirilebilirdi. Yapay zeka bu belirsizliği doğru bir şekilde tespit etmiş ve geliştiricinin müdahalesine ihtiyaç olduğunu belirtmişti.
Ancak diğer iki engelleme durumu, yapay zekanın yanılgılarından kaynaklanıyordu. Örneğin, bağımlılık dosyasındaki bir versiyon kısıtlaması olmadığı halde, yapay zeka bu kısıtlamanın var olduğunu varsayarak kendini bloke etmişti. Bu, yapay zekanın belirsizlik karşısında bazen gerçek olmayan gerekçeler üretebildiğini gösterdi.
Son olarak, kötü ifade edilmiş bir görev de yapay zekanın duraklamasına neden oldu. Bu durum, görevlerin ne kadar net bir şekilde tanımlanmasının önemini vurguladı.
Yanlış Tamamlanan Görevler: Öngörülemeyen Hatalar
12 görevden üçünün ise yeniden çalışılması gerekti. Bunlardan ikisi, hata yakalama stilleriyle ilgiliydi. Yapay zeka, geniş bir hata yakalama bloğu eklemişti ki bu, projedeki diğer kodlardan farklıydı. Üçüncü görev ise daha ciddiydi: yapay zeka, bir fonksiyona log eklerken, bu logun sadece üç kod yolundan birinde çalışmasını sağlayan bir koşula yerleştirmişti. Bu durum, loglamanın işlevsel amacını anlamadığını gösteriyordu.
Sonuç olarak, görevlerin sadece yapısal olarak değil, aynı zamanda operasyonel amaçları doğrultusunda da net bir şekilde tanımlanması gerekiyordu. "Bir log ekle" yerine, "process_batch() fonksiyonunun başında bir DEBUG logu ekle, böylece her çağrı izlenebilir olsun" gibi daha spesifik tanımlamalar gerekiyordu.
Görev Önceliğinin Değişmesi: Kritik Bir Sorun
On sekizinci saatte, yapay zekanın görev seçimlerinde bir kayma meydana geldi. Artık görevler, belgelendirilmiş öncelik sırasına göre değil, kod yapısındaki yakınlıklarına göre gruplandırılmaya başladı. Bu, yerel optimizasyon açısından mantıklı olabilirdi ancak geliştiricinin öncelikleriyle uyuşmuyordu. Sonuç olarak, daha az önemli bir görev, daha önemli bir görevden önce tamamlandı.
Bu durum, uzun süreli bağımsız çalışmalarda, görev önceliklerinin sadece belgelenmekle kalmayıp, aynı zamanda sık sık hatırlatılması gerektiğini gösterdi. Eğer bir sıralama kritikse, bu açıkça ve tekrar tekrar belirtilmeliydi.
Gelecek İçin Öneriler: Yapay Zekanın Gücünden Nasıl Yararlanılır?
Bu deneyimden çıkarılacak önemli dersler var. İlk olarak, görevlerin son derece net bir şekilde tanımlanması gerekiyor. Yalnızca yapısal değil, aynı zamanda operasyonel amaçlar da belirtilmeli. İkinci olarak, görev öncelikleri, uzun süreli çalışmalar için sık sık kontrol edilmeli ve gerekirse yeniden düzenlenmeli.
Üçüncü olarak, yapay zekanın belirsizlikler karşısında bazen hayali gerekçeler üretebileceği akılda tutulmalı. Bu durumda, geliştiricinin müdahalesine ihtiyaç duyulabilir. Son olarak, yapay zekanın sadece görevleri tamamlamakla kalmayıp, aynı zamanda kod kalitesini artırmak için de kullanılabileceği unutulmamalı. Bu, gelecekteki projelerde ciddi bir avantaj sağlayabilir.
Yapay zeka özeti
Claude Code’un 24 saat boyunca bağımsız olarak çalıştırılması sonucunda elde edilen veriler, yapay zekanın kod iyileştirmelerindeki gücünü ve sınırlarını ortaya koyuyor.
