Lise · Yapay zekâya giriş · Kasım 2026

Yapay Zekâ ve Claude Defteri

Her terim için önce teknik tanım, sonra nasıl çalıştığı, en sonda kısa bir örnek. Ardından Claude ve Claude Code'un özellikleri aynı düzende.

saat 10:20 yağmur: var gün: salı ≈ 24 kişi Girdi Model (sinir ağı) Tahmin

Bu defterin sonunda şunları yapabileceksin

  • Bir makine öğrenmesi projesinin adımlarını (veri, eğitim, test) açıklamak
  • Bir dil modelinin nasıl metin ürettiğini ve sınırlarını (token, bağlam penceresi, halüsinasyon) anlatmak
  • Bir problem için ince ayar mı, RAG mı gerektiğine karar vermek
  • Claude ve Claude Code özelliklerinden hangisinin hangi işe yaradığını ayırt etmek

Nasıl çalışmalı: her alt bölümün sonunda bir Hatırla kutusu ve bir Düşün sorusu var. Cevabı açmadan önce kendin düşün. Sonda uygulama etkinlikleri, sözlük ve test var.

Bölüm 1

Yapay zekâ terimleri

Terimler, bir yapay zekâ projesinin ilerleyiş sırasıyla dizildi: veri, model, dil modelleri, modeli geliştirme ve ajanlar.

Temeller: makine nasıl öğrenir?

01

Yapay zekâ

Artificial Intelligence
Tanım
Algılama, öğrenme, akıl yürütme ve dil anlama gibi normalde insan bilişi gerektiren görevleri yerine getiren hesaplama sistemlerini inceleyen bilgisayar bilimi alanı.
Yaklaşımlar
Kural tabanlı sistemler: davranışı insanların yazdığı "eğer-ise" kuralları belirler. Öğrenen sistemler: davranışı veriden öğrenilir. Bugünkü yapay zekâ uygulamalarının büyük kısmı ikinci gruptadır.
Örnek
Bir spam filtresi kural tabanlı yazılabilir ("içinde 'bedava' geçiyorsa spam"). Öğrenen bir sistem ise binlerce etiketli e-postadan spam'in özelliklerini kendisi çıkarır.
02

Makine öğrenmesi

Machine Learning
Tanım
Açıkça programlanmak yerine, verideki örüntülerden girdiyi çıktıya eşleyen bir fonksiyonu öğrenen algoritmalar.
Türleri
  • Denetimli öğrenme: doğru cevapları (etiketleri) belli verilerle öğrenir. Sayı tahmini yapıyorsa regresyon, kategori tahmini yapıyorsa sınıflandırma denir.
  • Denetimsiz öğrenme: etiketsiz veride gruplar ve yapılar bulur (ör. kümeleme).
  • Pekiştirmeli öğrenme: deneme yanılmayla, ödül ve ceza sinyallerinden öğrenir.
Örnek
Kuyruk tahmini denetimli bir regresyon problemi. Girdiler saat, gün ve hava; etiket kuyruktaki kişi sayısı.
Klasik programlama Kurallar + Veri Program Sonuçlar Makine öğrenmesi Veri + Sonuçlar Öğrenme algoritması Model (kurallar)
Klasik programlamada kuralları insan yazar. Makine öğrenmesinde kurallar örneklerden çıkarılır.
03

Veri seti ve eğitim

Dataset · Training
Tanım
Veri seti: girdi özellikleri (feature) ve beklenen çıktılardan (label) oluşan örneklerin toplamı. Eğitim: modelin tahminleriyle gerçek değerler arasındaki farkı ölçen kayıp fonksiyonunu en aza indirecek şekilde parametrelerin adım adım güncellenmesi.
Nasıl çalışır
Parametreler genelde gradyan inişi ile güncellenir: hata hangi yönde azalıyorsa parametreler o yöne küçük adımlarla kaydırılır. Veri; eğitim, doğrulama ve test olarak üçe ayrılır (ör. %70 / %15 / %15). Test verisi eğitimde hiç kullanılmaz.
Örnek
300 satırlık bir kantin kuyruğu tablosu: saat, gün, hava, kişi_sayısı. Son hafta test için ayrılır.
kayıp (hata) parametre değeri en düşük hata 1 2 3 4
Gradyan inişi: her adımda parametre, hatanın azaldığı yöne kaydırılır. Dibe yaklaştıkça eğim azaldığı için adımlar küçülür.
04

Model ve parametre

Model · Parameters · Hyperparameters
Tanım
Model: eğitim sonunda elde edilen, girdiyi çıktıya eşleyen matematiksel fonksiyon. Parametre: modelin eğitim sırasında öğrendiği iç sayılar (ağırlıklar ve sapmalar). Hiperparametre: eğitimden önce insanın seçtiği ayarlar (öğrenme oranı, katman sayısı, eğitim tur sayısı gibi).
Örnek
Basit bir doğrusal regresyon modeli:
kişi = a·teneffüs + b·yağmur + c·gün + d
Burada a, b, c ve d olmak üzere 4 parametre var. Büyük dil modellerinde bu sayı milyarlarla ölçülür.
05

Aşırı öğrenme ve eksik öğrenme

Overfitting · Underfitting
Tanım
Aşırı öğrenme: modelin eğitim verisindeki gürültüyü ezberlemesi. Eğitim hatası düşük, test hatası yüksek çıkar, yani model genelleme yapamaz. Eksik öğrenme: model örüntüyü yakalayamayacak kadar basittir ve iki veride de hata yüksektir.
Çözümler
Daha fazla ve çeşitli veri toplamak, düzenlileştirme (regularization), erken durdurma ya da daha basit bir model seçmek.
Örnek
Çok karmaşık bir model eğitim verisinde neredeyse sıfır hata yapar, ama test verisinde tahminleri büyük ölçüde şaşar.
Eksik öğrenme İyi genelleme Aşırı öğrenme
Aynı veri, üç model. Soldaki eğilimi yakalayamayacak kadar basit. Sağdaki her noktadan geçiyor ama bu, gürültüyü ezberlediği anlamına geliyor. Ortadaki genel eğilimi yakalıyor.

Hatırla

  • Makine öğrenmesi kuralları veriden çıkarır. Kuyruk tahmini denetimli bir regresyon problemidir.
  • Eğitim, kayıp fonksiyonunu gradyan inişiyle küçültür. Test verisi eğitimde kullanılmaz.
  • Parametreler öğrenilir, hiperparametreler seçilir. Amaç ezberlemek değil, genelleme yapmaktır.
Düşün: Veri sadece güneşli günlerde toplansaydı, model yağmurlu bir günde ne yapardı?

Model yağmurun etkisini hiç görmediği için b parametresini öğrenemez, tahmini büyük ihtimalle düşük kalır. Veri, modelin karşılaşacağı durumları temsil etmelidir.

Dil modelleri

06

Büyük dil modeli

LLM · Large Language Model
Tanım
Transformer mimarisine dayanan, çok büyük metin derlemleri üzerinde sıradaki tokenı tahmin etmek üzere eğitilmiş, milyarlarca parametreli sinir ağı.
Nasıl çalışır
  • Ön eğitim: model, internetteki ve kitaplardaki metinlerle "sıradaki parça ne?" sorusunu milyarlarca kez çözer.
  • Dikkat (attention) mekanizması: her token, diğer tokenlarla ne kadar ilişkili olduğuna göre ağırlıklandırılır. Model bağlamı böyle yakalar.
  • Hizalama: talimat örnekleri ve insan geri bildirimiyle (RLHF gibi yöntemlerle) yardımcı ve güvenli davranması öğretilir.
Örnek
Regresyon modeli sayı tahmin eder, dil modeli ise metin üretir. Claude, GPT ve Gemini bu türden modeller.
Girdi Teneffüste kantinde sıra çok ___ uzun %62 · seçildi kalabalık %27 kısa %9 mor %2
Model her adımda olası sonraki tokenlara bir olasılık verir. Seçilen token metne eklenir ve işlem bir sonraki token için tekrarlanır. Olasılıklar örnek amaçlıdır.
07

Token

Token · Tokenizer · Embedding
Tanım
Dil modelinin işlediği en küçük metin birimi. Genelde bir kelimenin parçasıdır. Metni tokenlara bölen bileşene tokenizer denir.
Nasıl çalışır
Tokenizer, BPE gibi algoritmalarla sık görülen karakter dizilerinden bir sözlük oluşturur. Her token bir sayıya (ID), sonra o sayı bir vektöre (embedding) çevrilir. İngilizcede ortalama 1 token yaklaşık 4 karakterdir. Türkçe ekli bir dil olduğu için aynı anlam genelde daha fazla tokenla ifade edilir.
Örnek
"Kantindeki" kelimesi Kant ind eki gibi parçalara bölünebilir. API kullanım ücretleri ve sınırları token sayısıyla hesaplanır.

Mini deney: cümleni parçala

Not: Bu bölünme fikir vermesi için basitleştirildi. Gerçek tokenizer'lar eğitimle oluşturulmuş kendi sözlüklerini kullanır.

08

Prompt

Prompt · System prompt · Few-shot
Tanım
Modele verilen girdi metni. Genelde üç katmandan oluşur: sistem talimatı (modelin rolü ve kuralları), kullanıcı mesajı ve eklenen bağlam (dosyalar, önceki mesajlar).
Teknikler
Rol ve görevi açıkça belirtmek, gerekli bağlamı vermek, birkaç örnek göstermek (few-shot), istenen çıktı formatını tanımlamak ve karmaşık işleri adımlara bölmek.
Örnek
Zayıf
kuyruk uygulaması yap
Güçlü
Lise kantini için kuyruk tahmini yapan bir web sayfası yaz. Veri: data/kuyruk.csv (saat, gün, hava, kişi_sayısı). Saat seçilince tahmini göster. Python + basit HTML, yorumlar Türkçe.
09

Bağlam penceresi

Context Window
Tanım
Modelin tek bir istekte işleyebildiği en fazla token sayısı. Girdi ve üretilen çıktının toplamı bu sınırı aşamaz.
Nasıl çalışır
Model her cevapta tüm sohbeti baştan okur, yani kalıcı bir hafızası yoktur. Pencereye sığmayan bilgi, model için hiç yoktur. Güncel modellerde pencere yüz binlerce token olabilir. Ancak çok uzun bağlamlarda dikkat dağılabilir. Uygulamalar dolan pencereyi genelde eski kısımları özetleyerek yönetir.
Örnek
Saatlerce süren bir sohbette asistan, başta kararlaştırılan dosya adını unutuyor. Çözüm: bu bilgiyi kalıcı bir talimat dosyasına (ör. CLAUDE.md) yazmak.
pencere dışında: model göremez bağlam penceresi Dos ya nın adı kuy ruk . csv , şim di gra fik çiz ← eski yeni →
Sohbet uzadıkça baştaki tokenlar pencerenin dışına düşer. Burada dosya adı dışarıda kaldı, model artık onu göremez.
10

Halüsinasyon

Hallucination
Tanım
Modelin akıcı ve kendinden emin görünen ama yanlış ya da kaynağı olmayan bir içerik üretmesi.
Neden olur
Model, olasılığı yüksek olan metni üretir, doğruluğu kontrol etmez. Eğitim verisinde az bulunan konularda bu risk artar. Azaltma yolları: RAG, kaynak göstermesini istemek, araç kullanımı (ör. web araması) ve insanın doğrulaması.
Örnek
Asistan, rapor için var olmayan bir makaleyi yazar adı ve yılıyla birlikte veriyor. Bu yüzden kaynaklar tek tek kontrol edilmeli.

Hatırla

  • Dil modeli sıradaki tokenı olasılığa göre seçer. Ürettiği bilginin doğru olup olmadığını kendiliğinden kontrol etmez.
  • Token sayısı hem maliyeti hem de bağlam penceresinin ne kadar dolduğunu belirler. Türkçe metin genelde daha fazla token tutar.
  • İyi bir prompt beş şey içerir: rol, görev, bağlam, örnek ve çıktı formatı.
Düşün: Model neden bazen var olmayan bir kaynağı uydurur?

Çünkü model "en olası görünen" metni üretir ve bunun gerçek olup olmadığını kontrol eden bir adımı yoktur. Gerçek kaynak için web araması gibi bir araç ya da RAG gerekir.

Modeli geliştirmek

11

İnce ayar ve LoRA

Fine-tuning · Low-Rank Adaptation
Tanım
İnce ayar: önceden eğitilmiş bir modeli, belirli bir görev veya tarz için ek veriyle tekrar eğitmek. LoRA: bunu düşük maliyetle yapan bir yöntem.
Nasıl çalışır
LoRA'da modelin asıl ağırlıkları dondurulur, yani değişmez. Ağırlık matrislerinin yanına iki küçük matris (A ve B) eklenir ve sadece bunlar eğitilir. Eğitilen parametre sayısı çoğu zaman toplamın %1'inden azdır. Bu yüzden ev tipi bir ekran kartında bile yapılabilir.
W' = W + A·B
Örnek
Asistanın okulun kendi terimlerini ("B blok kantini", "4. teneffüs") öğrenmesi için okul metinleriyle bir LoRA eğitilebilir.
W donmuş, değişmez + A × B sadece A ve B eğitilir = W′ uyarlanmış model
Örnek: 4096×4096'lık bir W matrisinde yaklaşık 16,8 milyon parametre var. Rank r = 8 için A (4096×8) ve B (8×4096) toplam 65.536 parametre. Bu, W'nin yaklaşık %0,4'ü.
12

RAG

Retrieval-Augmented Generation
Tanım
Modelin cevap üretmeden önce dış bir bilgi kaynağından ilgili parçaları bulup (retrieval) prompta eklemesi ve cevabını bu parçalara dayandırması.
Nasıl çalışır
  • Belgeler küçük parçalara (chunk) bölünür.
  • Her parça bir embedding vektörüne çevrilip vektör veritabanında saklanır.
  • Soru da vektöre çevrilir ve anlamca en yakın parçalar bulunur.
  • Bu parçalar soruyla birlikte modele verilir.
Örnek
"Kantin kaçta kapanıyor?" sorusunda sistem, okul yönetmeliği PDF'inden ilgili maddeyi bulup asistana veriyor. İnce ayar bilgiyi modele ezberletir. RAG ise bilgiyi her soruda kaynağından getirir, bu yüzden güncellemesi kolaydır.
1 · Hazırlık (bir kez) Belgeler (PDF) Parçalara böl Embedding Vektör veritabanı benzerlik araması 2 · Her soruda Soru Embedding En yakın parçalar LLM → cevap
Belgeler bir kez hazırlanıp saklanır. Her soruda sadece soruyla en ilgili parçalar bulunur ve modele verilir.
13

Çok modlu yapay zekâ

Multimodal
Tanım
Metin, görüntü, ses ve video gibi birden fazla veri türünü girdi olarak alabilen veya çıktı olarak üretebilen modeller.
Nasıl çalışır
Görüntüler küçük karelere (patch) bölünür. Her kare, metin tokenlarıyla aynı uzayda bir vektöre çevrilir. Böylece model görüntüyü ve metni birlikte işleyebilir.
Örnek
Bir fotoğraf yüklenir, model fotoğraftaki kişi sayısını tahmin eder ya da bir grafiği yorumlar.

Hatırla

  • İnce ayar modelin davranışını veya tarzını değiştirir. LoRA bunu küçük ek matrislerle ucuza yapar.
  • RAG bilgiyi her soruda kaynağından getirir. Sık değişen ve kaynak gösterilmesi gereken bilgiler için uygundur.
  • Çok modlu modeller görüntüleri de metin tokenları gibi vektörlere çevirerek işler.
Düşün: Kantinin fiyat listesi her ay değişiyor. Asistanın güncel fiyatları bilmesi için ince ayar mı kullanırsın, RAG mı?

RAG. Liste değiştiğinde sadece belgeyi güncellemek yeterli olur. İnce ayarda her ay modeli yeniden eğitmek gerekirdi.

Harekete geçen yapay zekâ

14

Ajan

AI Agent · Agentic loop
Tanım
Bir dil modelinin döngü içinde çalışarak bir hedefe ulaşmak için kendi başına adım attığı sistem.
Nasıl çalışır
Döngü şu şekilde ilerler: hedef → plan → araç çağrısı → sonucu gözlemleme → sonraki adıma karar. Görev bitene, bir sınıra ulaşılana ya da kullanıcı durdurana kadar tekrarlanır.
Örnek
"Veriyi oku, modeli eğit, sonucu sayfada göster" görevinde ajan dosyayı açıyor, kodu yazıp çalıştırıyor, hata alınca düzeltiyor ve tekrar deniyor.
Plan yap Araç çağır Sonucu gözlemle Karar ver Hedef: modeli eğit iş bitince döngü durur
Ajan her turda bir araç çağırır (dosya okuma, kod çalıştırma gibi), sonucu görür ve bir sonraki adıma karar verir.
15

Araç kullanımı ve MCP

Tool use · Model Context Protocol
Tanım
Araç kullanımı (function calling): modelin, kendisine tanıtılan bir fonksiyonu çağırmak için yapılandırılmış bir istek üretmesi. MCP: yapay zekâ uygulamalarının araçlara ve veri kaynaklarına standart bir yolla bağlanmasını sağlayan açık protokol. Anthropic tarafından 2024'te yayımlandı.
Nasıl çalışır
Araç; adı, açıklaması ve parametre şemasıyla (genelde JSON) modele tanıtılır. Model bir çağrı isteği üretir, uygulama bu aracı çalıştırır ve sonucu modele geri verir. MCP'de araçları sunan tarafa sunucu, onları kullanan uygulamaya istemci denir. Bir kez yazılan MCP sunucusu, MCP destekleyen her uygulamada çalışır.
Örnek
hava_durumu(şehir="Ankara", gün="yarın") aracıyla yağmur bilgisi alınıp tahmine ekleniyor.
Claude (istemci) MCP Drive sunucusu GitHub sunucusu Hava durumu sunucusu
Her servis kendi MCP sunucusunu bir kez yazar. MCP destekleyen her istemci bu sunuculara aynı yolla bağlanır.
16

Yerel model ve bulut model

Local inference · Cloud API · Quantization
Tanım
Yerel çalıştırma: model ağırlıkları kendi cihazında bulunur ve modelin çalışması (inference) orada yapılır. Bulut: model sağlayıcının sunucularında çalışır, cihaz ona bir API üzerinden istek gönderir.
Nasıl çalışır
Yerelde büyük modeller genelde kuantizasyon ile küçültülür: ağırlıklar 16-bit yerine 8 veya 4 bit ile saklanır, böylece model daha az bellekle çalışır. İki yolun farkları dört başlıkta toplanabilir: gizlilik, maliyet, hız ve modelin kapasitesi.
Örnek
4 parametreli bir regresyon modeli eski bir bilgisayarda bile çalışır. Büyük bir dil modeli ise genelde bulutta çalışır.

Hatırla

  • Ajan, döngü içinde çalışan bir modeldir: plan yapar, araç çağırır, sonucu gözlemler, karar verir.
  • Araçlar modele bir JSON şemasıyla tanıtılır. MCP, bu bağlantıyı herkes için aynı hale getiren standarttır.
  • Yerel modeller kuantizasyonla küçültülür. Gizlilik ve maliyet avantajı sağlarlar ama kapasiteleri sınırlıdır.
Düşün: Bir ajana bilgisayarında sınırsız izin vermek neden risklidir?

Ajan komutları kendi başına çalıştırır. Yanlış bir adım dosya silebilir ya da veriyi yanlış bir yere gönderebilir. İzin kuralları ve onay adımları bu yüzden vardır.

Bölüm 2

Claude: sohbetten fazlası

Claude, Anthropic'in geliştirdiği büyük dil modeli ailesinin ve uygulamasının adı. Web'de, masaüstünde, mobilde ve API üzerinden kullanılabiliyor.

Model ailesi

Haiku · Sonnet · Opus · Fable
Tanım
Claude, farklı boyut ve yetenekte modellerden oluşan bir aile. Haiku küçük, hızlı ve ucuz. Sonnet hız, maliyet ve yetenek arasında denge kuruyor. Opus ve ailenin yeni üyesi Fable zorlu işler için tasarlanmış daha güçlü modeller.
Seçim
Büyük model daha iyi akıl yürütür ama daha yavaş ve pahalıdır. Görevin zorluğuna göre model seçilir.
Örnek
Kısa sorular için Haiku, büyük bir yazılım projesini planlamak için daha güçlü bir model.

Projeler

Projects
Tanım
Bir konuya ait dosyaları ve kalıcı talimatları bir arada tutan çalışma alanı. Projedeki her sohbet bu bilgi tabanına erişir. Ekip planlarında projeler başkalarıyla paylaşılabilir.
Örnek
Bir "Ödev" projesinde ders notları ve "lise seviyesinde, Türkçe cevap ver" talimatı durur.

Yapıtlar

Artifacts
Tanım
Claude'un sohbetin yanında oluşturduğu, ayrı bir panelde çalışan içerikler: HTML sayfaları, React bileşenleri, oyunlar, grafikler, diyagramlar ve belgeler. Düzenlenebilir, sürümleri tutulur ve bağlantıyla paylaşılabilir.
Örnek
Kuyruk tahmini sayfası yapıt olarak yayınlanıp sınıfla paylaşılıyor. Bu defter de bir yapıt.

Yetenekler

Skills
Tanım
Talimatlar, betikler ve kaynak dosyalardan oluşan klasör paketleri. Her yeteneğin kısa bir açıklaması vardır. Claude, istek bu açıklamayla eşleşince yeteneğin tamamını yükler, böylece bağlam penceresi gereksiz yere dolmaz. Word, Excel, PowerPoint ve PDF için hazır yetenekler var, kişiye özel yetenekler de yazılabiliyor.
Örnek
Okulun rapor şablonu bir yetenek olarak kaydediliyor. "Rapor hazırla" denince şablon otomatik uygulanıyor.

Bağlayıcılar

Connectors
Tanım
Claude'u Google Drive, Gmail, GitHub, Notion gibi dış servislere bağlayan entegrasyonlar. Arka planda MCP kullanıyorlar. Hangi bağlayıcının açık olacağına ve neye erişebileceğine kullanıcı veya yönetici karar veriyor.
Örnek
Drive bağlayıcısıyla Claude, kuyruk tablosunun güncel halini doğrudan okuyor.

Claude Design

Anthropic Labs · Nisan 2026
Tanım
Sohbetle görsel tasarım üretilen araç. Uygulama ekranı prototipleri, sunumlar, tek sayfalık tanıtımlar ve pazarlama görselleri oluşturuyor. Kod tabanından veya tasarım dosyalarından bir tasarım sistemi (renkler, yazı tipleri, bileşenler) okuyup ona uyuyor. Gerçek zamanlı ortak düzenleme destekliyor. Biten tasarım, kodlanması için Claude Code'a bir devir paketi olarak aktarılabiliyor.
Örnek
Bir uygulamanın ekran taslağı ve tanıtım afişi Claude Design'da hazırlanır, ekran taslağı kodlanmak üzere Claude Code'a aktarılır.

Cowork

Masaüstü ajanı
Tanım
Claude masaüstü uygulamasında, kullanıcının izin verdiği yerel klasörler üzerinde çalışan ajan modu. Dosya düzenleme ve rapor birleştirme gibi çok adımlı işleri yürütüyor. Zamanlanmış görevler de kurulabiliyor.
Örnek
"Proje klasöründeki notları tek bir rapor taslağında birleştir."

Hatırla

  • Projeler kalıcı bağlam sağlar, Yapıtlar çalışan içerik üretir, Yetenekler paketlenmiş talimatlardır.
  • Bağlayıcılar MCP ile dış servislere erişir. Neye erişilebileceğine kullanıcı karar verir.
  • Claude Design görsel tasarım üretir ve bitmiş tasarımı Claude Code'a devreder.
Düşün: Her yeni sohbette aynı açıklamayı yapmaktan sıkıldın. Hangi özelliği kullanırsın?

Bilgi belirli bir konuya aitse Projeler: talimatı ve dosyaları bir kez eklersin. Tekrar eden bir iş akışıysa (ör. hep aynı rapor formatı) Yetenekler daha uygun olur.

Bölüm 3

Claude Code: kod yazan ajan

Claude Code, yazılım geliştirme için tasarlanmış bir ajan. Proje dosyalarını okur, kod yazar ve düzenler, terminal komutları çalıştırır, test eder ve hataları düzeltir. Terminalde, masaüstü uygulamasında, web'de ve kod editörlerinde (VS Code, JetBrains) çalışır. Hangi işlemlerin onay gerektireceğini kullanıcı belirler.

ÖzellikTeknik tanımÖrnek
CLAUDE.mdProje kökündeki bir Markdown dosyası. Her oturumun başında bağlama otomatik eklenir ve kalıcı proje talimatı işlevi görür."Python kullan, yorumlar Türkçe, veriler data/ klasöründe."
Plan moduClaude bu modda sadece dosyaları okuyup bir uygulama planı çıkarır, hiçbir dosyayı değiştirmez. Plan onaylanınca uygulamaya geçer.Plan okunuyor, "grafik kısmını sona bırak" düzeltmesiyle onaylanıyor.
İzinlerHangi araç ve komutların sormadan, hangilerinin onayla çalışacağını belirleyen kurallar (allow / ask / deny).Dosya okumak serbest. rm ile silmek her zaman onay ister.
Slash komutları/ ile başlayan, önceden tanımlı prompt veya iş akışları. Yerleşik olanlar var, kişiye özel olanlar da yazılabiliyor./plan ile plan çıkarılıyor, /code-review ile kod inceleniyor.
YeteneklerSKILL.md dosyası içeren klasörler. Açıklaması isteğe uyduğunda yüklenir."Grafiklerde okulun renk paletini kullan" yeteneği.
Alt ajanlarKendi bağlam penceresinde, kendi sistem talimatı ve araç izinleriyle çalışan ayrı Claude örnekleri. Ana oturuma sadece sonucu döndürürler.Bir alt ajan kodu güvenlik açısından incelerken ana bağlam temiz kalıyor.
Hook'larBelirli olaylarda (araç çalışmadan önce veya sonra, oturum başında, görev bitince) otomatik çalışan kabuk komutları. Modelin kararına bağlı değildir, her seferinde çalışır.Her dosya düzenlemesinden sonra pytest otomatik çalışıyor.
MCP sunucularıClaude Code'a yeni araçlar ekleyen MCP bağlantıları: tarayıcı kontrolü, veritabanı, GitHub ve diğerleri.Tarayıcı aracıyla sayfanın gerçekten çalıştığı kontrol ediliyor.
HafızaOturumlar arasında saklanan kullanıcı tercihleri ve proje bilgileri."Kullanıcı pasta grafiği istemiyor."

Eklentiler ve pazar yerleri

Plugins · Marketplaces
Tanım
Eklenti; yetenekleri, alt ajanları, hook'ları, slash komutlarını ve MCP sunucularını tek bir dizinde paketleyen dağıtım birimi. Pazar yeri ise eklentilerin listelendiği bir katalog (marketplace.json). Kurulum /plugin install komutuyla yapılır. Ekipler aynı eklenti setini paylaşarak ortak bir çalışma ortamı kurabilir.
Örnekler

ECC

Planlama, kod inceleme, TDD ve derleme hatası çözme için çok sayıda komut, yetenek ve uzman alt ajan içerir. /plan komutu bu eklentiden gelir.

UI UX Pro Max

Arayüz tasarımı için stil, renk paleti, yazı tipi eşleşmesi ve kullanılabilirlik kuralları içeren bir tasarım bilgi tabanı.

Güvenlik
Eklentiler bilgisayarda komut çalıştırabilir. Sadece güvenilir kaynaklardan kurulmalı.
Eklenti YeteneklerSKILL.md Alt ajanlarayrı bağlam Hook'larolay → komut Komutlar/plan MCParaçlar /plugin install ile tek komutta kurulur

Hepsi bir arada: projenin akışı

  1. 1

    Claude, Projeler: fikir ve veri toplama planı, kalıcı bağlamla.

  2. 2

    Claude Design: ekran prototipi, ardından Claude Code'a devir paketi.

  3. 3

    Plan modu: sadece okuyarak plan çıkarılıyor, kullanıcı onaylıyor.

  4. 4

    Kodlama ve hook'lar: model eğitimi kodu yazılıyor, her düzenlemede testler otomatik çalışıyor.

  5. 5

    Alt ajan: ayrı bağlamda kod incelemesi yapılıyor, bulunan hatalar düzeltiliyor.

  6. 6

    Yapıt: sonuç sayfası yayınlanıyor ve linkle paylaşılıyor.

Hatırla

  • CLAUDE.md kalıcı proje kurallarını tutar. Plan modu önce plan çıkarır, onaydan sonra uygular.
  • Hook'lar her seferinde kesin çalışır, yetenekler ihtiyaç olduğunda yüklenir, alt ajanlar ayrı bağlamda çalışır.
  • Eklentiler hepsini tek pakette toplar. Sadece güvenilir kaynaklardan kurulmalıdır.
Düşün: "Kodu biçimlendirmeyi unutma" kuralını CLAUDE.md'ye mi yazarsın, hook olarak mı kurarsın?

Hook olarak. CLAUDE.md bir talimattır ve model bazen unutabilir. Hook ise her düzenlemeden sonra mutlaka çalışır.

Bölüm 4

Uygulama etkinlikleri

Kâğıt kalemle ya da Claude ile yapabileceğin üç kısa etkinlik. Önce kendin çöz, sonra cevaba bak.

Etkinlik 1 · Modeli elle çalıştır

Eğitilmiş bir kuyruk tahmin modeli şu şekilde:

kişi = 10 + 8·(ikinci teneffüs ise 1) + 6·(yağmur varsa 1)
  1. Yağmurlu bir günde, ikinci teneffüste model kaç kişi tahmin eder?
  2. O gün gerçekte 30 kişi gelmiş. Hata kaç kişidir?
  3. Kayıp fonksiyonu olarak kare hata kullanılıyorsa kayıp kaçtır?
Cevabı göster

1) 10 + 8 + 6 = 24 kişi. 2) 30 − 24 = 6 kişi. 3) 6² = 36. Eğitim, bu tür hataların toplamını küçültmek için 10, 8 ve 6 değerlerini (yani parametreleri) ayarlar.

Etkinlik 2 · Prompt'u güçlendir

Şu prompt'u rol, görev, bağlam ve format ekleyerek yeniden yaz:

rapor yaz
Örnek cevabı göster
Sen bir lise bilim fuarı danışmanısın (rol). Kantin kuyruğu tahmin projem için 1 sayfalık bir proje raporu yaz (görev). Projede 3 haftalık veri topladım ve doğrusal regresyon kullandım, test haftasında ortalama hata 4 kişi (bağlam). Başlıklar: Amaç, Yöntem, Sonuç, Gelecek çalışmalar. Lise öğrencisinin anlayacağı bir dil kullan (format).

Etkinlik 3 · Hangisini kullanırdın?

Her durum için uygun kavramı veya özelliği seç: RAG, hook, yetenek, bağlayıcı, alt ajan, ince ayar.

  1. Asistanın okul yönetmeliğinden kaynak göstererek cevap vermesi
  2. Her dosya değişikliğinden sonra testlerin mutlaka çalışması
  3. Her raporun okulun aynı şablonuyla yazılması
  4. Claude'un Google Drive'daki veri tablosunu okuyabilmesi
  5. Uzun bir güvenlik incelemesinin ana sohbeti doldurmadan yapılması
  6. Modelin belirli bir yazarın üslubuyla yazması
Cevapları göster

1) RAG · 2) Hook · 3) Yetenek · 4) Bağlayıcı (MCP) · 5) Alt ajan · 6) İnce ayar (örneğin LoRA)

Bölüm 5

Sözlük

Kaynaklarda genelde İngilizce terimlerle karşılaşırsın. Türkçe karşılıkları ve tek cümlelik tanımları aşağıda.

TürkçeİngilizceTek cümlede
Makine öğrenmesiMachine learningKuralları örneklerden öğrenen algoritmalar.
EtiketLabelBir örnek için beklenen doğru cevap.
Kayıp fonksiyonuLoss functionTahmin ile gerçek değer arasındaki farkı ölçen fonksiyon.
Gradyan inişiGradient descentParametreleri hatanın azaldığı yöne adım adım kaydırma yöntemi.
ParametreParameter / weightModelin eğitimde öğrendiği iç sayı.
HiperparametreHyperparameterEğitimden önce insanın seçtiği ayar.
Aşırı öğrenmeOverfittingEğitim verisini ezberleyip genelleme yapamama.
Büyük dil modeliLarge language model (LLM)Metinle eğitilmiş, sıradaki tokenı tahmin eden büyük sinir ağı.
TokenTokenModelin işlediği en küçük metin parçası.
Gömme vektörüEmbeddingBir metnin anlamını temsil eden sayı dizisi.
Bağlam penceresiContext windowModelin tek seferde görebildiği en fazla token sayısı.
HalüsinasyonHallucinationGerçek olmayan bilgiyi doğruymuş gibi üretme.
İnce ayarFine-tuningHazır bir modeli ek veriyle yeniden eğitme.
Bilgi getirmeyle desteklenmiş üretimRetrieval-augmented generation (RAG)Cevaptan önce ilgili belge parçalarını bulup kullanma.
AjanAgentDöngü içinde plan yapıp araç kullanan model sistemi.
Araç kullanımıTool use / function callingModelin dış fonksiyonları çağırabilmesi.
KuantizasyonQuantizationAğırlıkları daha az bitle saklayıp modeli küçültme.
Bölüm 6

Kendini dene

Sekiz soru. Bir şıkka tıkla, doğru cevabı ve açıklamasını hemen gör.