Evet hocam ilk etapta böyle düşündürür. Söylediğiniz gibi küçük projelerde anında kodu tarar ve kodu istediğniz gibi yazar.
contextDL ise sadece dil değil, canlı context haritası sağlıyor. Büyük bir projenin contextDL haritası tek seferse çok az bir token miktarı ile ana bağama sabitliyor. Geniş bir persfektif. LLM in niyet ayıklaması inanılmaz kolay.
contextDL ile sadece kodu kodlamayız, UX, UI, Logic, Davranış vesaire her şeyi kodlarız.
Bu genel perspektif bize ne sağlar?
Sayısız avantaj: Bu dosyalar git ile anında farklı bir agent a verildiği zaman agent hemen bağlama sahip olur.
X özelliği eklersem ne olur? sorusunu anında cevaplar (Kendi içinde simüle edebilir).
İki farklı developer aynı anda git ile canlı context i paylaşabilir.
Bunların hiç birisi ek konfigürasyonlar vesaire gerektirmez.
contextDl kodalarının çoğunu agent yazar. İl etapta contexDL haritasını çıkartır (inanılmaz az token ile)
İsterseniz sadece if user.login.error = mail : alert(mail) gibi bir vibe yazarsınız, isterseniz de "Login olunca error mesajı emailden kaynaklı ise alert ile şu mesajı göster" gibi prompt yazarsınız.
Prompot ile alert sınıfını bir sayfada swal ile, bir sayfada da toast ile gösterir.
contextDL ise tutarlılığı da kodlamıştır.
Gibi gibi .... Hocam dökümanı inceleseniz bunlar zaten yazıyordu
Hocam benim asıl itirazım hâlâ doğal dil tarafında. Yapay zekâyla kod yazmanın olayı zaten benim makinenin anlayacağı şekilde düşünmek zorunda kalmamam. Normal Türkçe veya İngilizce ne istediğimi söylerim, ajan gider repoyu tarar, akışı bulur ve uygular.
Sizin verdiğiniz if user.login.error = mail : alert(mail) örneği tam tersine beni tekrar pseudo-code düşünmeye zorluyor. Önce ne istediğimi kafamda kuracağım, sonra bunu bir de ContextDL formatına çevireceğim. AI’nın ortadan kaldırdığı zihinsel yükü tekrar geliştiriciye vermiş oluyoruz.
“Canlı context haritası” kısmında da açıkçası yeni bir şey göremiyorum. Agent zaten repoyu okuyabiliyor, kod ilişkilerini çıkarabiliyor, proje kurallarını sabit context olarak kullanabiliyor. Büyük projelerde bunu daha sistemli yapan repo indeksleme, graph ve dependency araçları da zaten var. Üstelik bunlar bilgiyi gerçek koddan çıkarıyor, benim ayrıca ikinci bir temsil katmanını doğru tutmam gerekmiyor.
“X özelliğini eklersem ne olur, kendi içinde simüle eder” kısmı da fazla iddialı geliyor. Ortada deterministik bir analiz veya gerçek bir simulator yoksa yine LLM elindeki metne bakıp tahmin yürütüyor. Buna simülasyon demek biraz büyük laf.
Tutarlılık örneğinde de aynı şey var. “Her yerde toast kullan, swal kullanma” diye project rules’a bir satır yazınca zaten aynı sonucu alıyorum. Bunun için yeni bir dil katmanına ihtiyacım yok.
Üstelik tek böyle düşünen de ben değilmişim. Reddit’teki “so you reinvented pseudocode?” ve “yup now it’s full circle” yorumları bence durumu bayağı iyi özetlemiş
Yapay zekâyı doğal dili anlayacak hale getirdik, şimdi tekrar insanlara makineye daha yakın bir dil yazdırıyoruz.
Benim gördüğüm kadarıyla burada yeni bir capability’den çok mevcut şeylerin farklı isimlerle ve yeni bir syntax benzeri katmanla tekrar paketlenmesi var. O yüzden bana çözümden çok overengineering gibi geliyor.
Daha fazla uzatmayayım hocam, iyi akşamlar iyi çalışmalar
