Kodlama Bilmeden Bebek Takip Uygulaması Yaptı: Claude Code ile Bir Babanın Deneyimi

İzlediği süreç şu adımlardan oluştu:

1. Claude Code’u indirip Mac Terminal üzerinden çalıştırdı.
2. Uygulamanın özelliklerini ve çalışma biçimini anlatan dört sayfalık bir doküman hazırladı.
3. Claude Code’dan uygulamayı bu gereksinimlere göre oluşturmasını ve her adımı kodlama bilmeyen birinin anlayacağı şekilde açıklamasını istedi.
4. GitHub, Supabase ve Vercel’de hesaplar açtı.
5. Bu servisleri birbirine bağladı: GitHub kodları sakladı, Supabase veritabanı ve kullanıcı doğrulamasını sağladı, Vercel ise uygulamayı bir web bağlantısı üzerinden yayımladı.

Bu araçların her biri farklı bir görev üstlendi. Claude Code geliştirme arayüzü olarak çalışırken GitHub kod deposu, Supabase arka uç hizmeti, Vercel de dağıtım platformu işlevi gördü. Böylece Tan, geleneksel bir programlama yığınında uzmanlaşmadan yazılı bir fikirden çalışan bir web uygulamasına ilerleyebildi.

Ayrıntılı istemler neden önemliydi?

Tan, ilk oluşturulan sürümün kusursuz olmasını beklemedi. Uygulamayı denedi, eksik veya hatalı gördüğü noktaları açıkladı ve Claude Code’dan değişiklik yapmasını istedi. Süreç sürekli tekrarlandı: istem yazma, sonucu inceleme, test etme ve iyileştirme.

Bu deneyim, Tan’ı basit bir sonuca götürdü: Belirsiz talimatlar genellikle belirsiz sonuçlar üretir. İstenen alanları, izinleri, hesaplamaları ve kullanıcı deneyimini ne kadar açık tarif ederse sonuç da o kadar kullanışlı oluyordu. Claude Code kusurlu veya “bozuk” İngilizceyi genel olarak anlayabiliyordu; ancak bir isteği anlaması, o isteğin eksiksiz ve doğru tanımlandığı anlamına gelmiyordu.

Bu ayrım, yapay zekâ destekli kodlama araçlarını kullanmak isteyen herkes için önemli. Doğal dille uygulama geliştirmek başlangıç eşiğini düşürebilir, ancak gereksinimleri belirleme ve ortaya çıkan ürünü değerlendirme sorumluluğunu ortadan kaldırmaz.

Yapay zekâ araştırmasında kaynakları doğruladı

Tan, araştırma yaparken kaynak gösterdiği için Claude Code’u Perplexity AI ile birlikte de kullandı. Ancak bir yanıtın yanında kaynak bulunmasını, onun otomatik olarak güvenilir olduğu şeklinde yorumlamadı.

Araştırma sırasında Singapur’da yüzgeçli balıkların başlıca alerjen endişelerinden biri olduğunu belirten bir bilgiyle karşılaştı. Tan, kendi deneyiminde kabuklu deniz ürünlerinin daha bilinen bir endişe olması nedeniyle bu iddiayı sorguladı. Atıf yapılan materyali kontrol etti ve uygulamadaki bilgiyi düzeltti. Bu örnek, yapay zekâ destekli arama sistemlerinin kurgusal çalışmalara atıf verebileceği riskini de gösteriyor. Özellikle sağlıkla ilgili bilgiler, yanında bağlantı veya atıf işareti bulunduğu için tıbbi kanıt kabul edilmemeli; bağımsız olarak doğrulanmalı.

Bebek takip uygulaması gözlemleri düzenleyebilir ve bunları rehberlerle karşılaştırabilir. Ancak yapay zekâ tarafından üretilen araştırma sonuçları, doğrulanmadan sağlık tavsiyesi yerine geçmez.

Aynı becerilerle 48 dilli çeviri aracı geliştirdi

Tan’ın bebek uygulamasını geliştirirken edindiği istem yazma becerileri başka bir projesine de taşındı. İngilizce içerikleri 48 dile dönüştürebilen, tek düğmeyle çalışan bir çeviri aracı oluşturdu.

Aracın talimatları yalnızca kelimeleri karşı dile aktarmakla sınırlı değildi. Önce kaynak metnin anlamını, amacını ve ikna hedefini kavraması istendi. Ardından hedef dilde, İngilizcenin cümle yapısını, ritmini veya düşünce akışını taklit etmeyen doğal bir metin üretmesi yönünde yönlendirildi.

Bu yaklaşım, bebek takip uygulamasındaki temel ilkeyle aynıydı: Sonucun kalitesi yalnızca görevin ne olduğuna değil, hedefin, bağlamın ve kısıtların ne kadar iyi anlatıldığına da bağlıydı.

Kodlama bilmeyenler için daha geniş ders

Tan’ın deneyimi, yapay zekânın yazılım geliştirmeyi tamamen otomatik hâle getirdiğini göstermiyor. Gerçek bir sorunu tanımlaması, ayrıntılı bir ürün tanımı yazması, hesapları açıp servisleri birbirine bağlaması, uygulamayı test etmesi ve güvenilir olmayan araştırma sonuçlarını sorgulaması gerekti.

Buna rağmen deneyim, kodlama geçmişi olmayan bir kişinin yıllarca programlama eğitimi almadan dar kapsamlı ve işe yarar bir araç geliştirmeye başlayabileceğini gösteriyor. Tan’a göre deneme yapmak ve açık istemler yazmak, kusursuz İngilizce kullanmayan kişiler için bile giderek daha pratik becerilere dönüşüyor.

Buradaki en taşınabilir ders “Yapay zekâ her şeyi yapabilir” değil. Asıl ders, kodlama bilmeyen kişilerin iyi tanımlanmış sorunlar için yapay zekâ yardımıyla prototipler geliştirebileceği; ancak gereksinimlerden testlere ve bilgilerin doğruluğuna kadar son sorumluluğun kullanıcıda kalacağı.