Sahadan notlar.Notes from the field.
Üretimde çalışan sistemlerden öğrendiklerimiz — AI/LLM, yeni teknolojiler, framework'ler ve ölçek üzerine kısa, işe yarar yazılar. Pazarlama yok; mühendislik var.What we learn from systems running in production — short, useful writing on AI/LLM, new technologies, frameworks and scale. No marketing; just engineering.
MCP: Yapay zekâ ajanlarına servis açmanın standardıMCP: the standard for exposing your service to AI agents
Model Context Protocol, ajan-araç entegrasyonunun N×M problemini tek protokole indirdi. Nasıl çalışır, ne zaman MCP sunucusu yazmalısınız, güvenlikte neye dikkat etmeli?
Model Context Protocol collapsed the N×M problem of agent-tool integration into one protocol. How it works, when to write an MCP server, and what to watch for in security.
Yazıyı okuRead the post →RAG 2026: naif retrieval'ın ötesiRAG in 2026: beyond naive retrieval
Tek atımlık vektör aramasından agentic RAG ve graf yaklaşımlarına: hangi problem hangi retrieval desenini istiyor?
From one-shot vector search to agentic RAG and graph approaches: which problem shape wants which retrieval pattern?
Küçük modeller, büyük iş: her problem frontier model istemezSmall models, big work: not every problem needs a frontier model
Sınıflandırma, çıkarım, yönlendirme: küçük modellerin kazandığı yerler, kaybettiği yerler ve router deseni.
Classification, extraction, routing: where small models win, where they lose, and the router pattern.
LLM'den güvenilir JSON: structured output pratiğiReliable JSON from LLMs: structured output in practice
Şema tasarımı, constrained decoding, doğrulama katmanı ve retry desenleri — model çıktısını üretim sistemine güvenle bağlamak.
Schema design, constrained decoding, a validation layer and retry patterns — wiring model output into production safely.
React Server Components: sunucuya dönüşün mantığıReact Server Components: the logic of the return to the server
RSC neyi çözüyor, neyi karmaşıklaştırıyor? Bundle, veri erişimi ve zihinsel model üzerinden sakin bir değerlendirme.
What RSC solves and what it complicates — a calm read on bundles, data access and the new mental model.
Bun, Node, Deno: JavaScript runtime'ını nasıl seçmeliBun, Node, Deno: choosing your JavaScript runtime
Üç runtime, üç felsefe. Benchmark'ların söylediği ve söylemediği; üretim için karar kriterleri.
Three runtimes, three philosophies. What benchmarks do and don't tell you; decision criteria for production.
Kodu kullanıcıya taşımak: edge'de ne çalışmalı, ne çalışmamalıMoving code to the user: what belongs at the edge — and what doesn't
Isolate'ler, veri yerçekimi ve mimari sınırlar: edge fonksiyonlarının gerçek kazanç sağladığı yerler.
Isolates, data gravity and architectural limits: where edge functions genuinely pay off.
Passkey'ler üretimde: şifresiz girişin gerçek durumuPasskeys in production: the real state of passwordless login
WebAuthn seremonileri, kurtarma senaryoları ve geçiş stratejisi — passkey-first, passkey-only değil.
WebAuthn ceremonies, recovery scenarios and the migration strategy — passkey-first, not passkey-only.
LLM maliyet mühendisliği: token bütçeleri, cache ve model routingLLM cost engineering: token budgets, caching and model routing
Korkutucu faturadan öngörülebilir birim maliyete: context disiplini, prompt cache ve kademeli model seçimi.
From scary invoice to predictable unit economics: context discipline, prompt caching and tiered model choice.
Kod asistanlarıyla ekip olmak: hız, disiplin, kod sahipliğiWorking as a team with AI code assistants: speed, discipline, ownership
Asistanların gerçekten hızlandırdığı işler, yeni hata türleri ve kaliteyi koruyan ekip pratikleri.
Where assistants genuinely accelerate, the new failure modes, and the team practices that protect quality.
RAG demoda çalışır. Üretimde neden düşer?RAG works in the demo. Why does it fail in production?
Beş dakikada kurulan RAG demosuyla, gerçek kullanıcıya cevap veren sistem arasındaki mesafe: retrieval kalitesi, eval seti ve gözlemlenebilirlik.
The distance between a five-minute RAG demo and a system answering real users: retrieval quality, eval sets and observability.
llms.txt: Siteni yapay zekâ ajanlarına açllms.txt: Open your site to AI agents
Müşterilerin artık önce bir modele soruyor. Tek bir metin dosyasıyla markanı LLM'lere doğru anlatmanın pratik rehberi — kendi dosyamız örneğiyle.
Your customers now ask a model first. A practical guide to describing your brand to LLMs with a single text file — using our own file as the example.
→ Yeni yazılar geldikçe burada. Ajanlar için: → New posts land here. For agents: llms.txt