Vibe Coding Eğitimi
Vibe Coding Eğitimi
Eğitim Hakkında
Vibe Coding, geliştiricinin klavyede karakter tek tek kod yazdığı değil, yapay zekaya "niyetini" (vibe/intent) aktardığı, AI'ın "ağır işçiliği" (boilerplate, syntax, refactoring) yaptığı, insanın ise bir "Yönetici Editör" rolünde kodu denetlediği akışkan bir geliştirme sürecidir. Eğitimimiz, yazılım geliştiricilerin LLM (Büyük Dil Modelleri) tabanlı yeni nesil IDE'leri (Cursor, Windsurf, GitHub Copilot) ve otonom kodlama ajanlarını kullanarak; syntax yazmaktan ziyade mantık yönetimine, mimari kararlara ve ürün kalitesine odaklandığı yeni nesil bir yazılım geliştirme metodolojisini öğretir. Eğitim; basit kod tamamlamadan başlayarak, "Natural Language to Code" (Doğal Dilden Koda) dönüşümünü, bağlam (context) mühendisliğini, AI destekli hata ayıklamayı ve AI ile güvenli kod üretim yaşam döngüsünü kapsar.
Ön Koşul
Bu eğitimin herhangi bir ön koşulu bulunmamaktadır.
Eğitim İçeriği
- Bu modül, sadece araçları tanıtmaz; yazılımcının rolünün "Code Writer"dan "Code Architect"e evrilişini işler.
- Syntax'tan Semantiğe Geçiş
- Bilişsel Yük Teorisi (Cognitive Load): Syntax detaylarını AI'ya devredip, sistem tasarımına odaklanmak.
- Karpathy’nin "Vibe Coding" Tanımı: Kodu satır satır yazmak vs. Kodu "yönetmek" ve "inşa etmek".
- Deterministik Kodlamadan Olasılıksal Kodlamaya Geçiş: AI çıktılarının doğasını anlama ve yönetme.
- AI-Native IDE Ekosistemi
- Cursor & Windsurf Mimarisi: VS Code fork'ları nasıl çalışır? Standart Copilot eklentisinden farkları nelerdir?
- Model Seçimi ve Maliyet/Performans
- IDE'nin kodu nasıl "anladığını" ve geliştiricinin modele en doğru veriyi nasıl besleyeceğini anlatan teknik modül.
- IDE İçinde RAG (Retrieval-Augmented Generation)
- Indexing Süreci: IDE'nin kod tabanını (Codebase) vektörel olarak nasıl indekslediği.
- Embeddings & Similarity Search: Bir sorunun cevabını bulmak için IDE'nin proje içinde yaptığı semantik aramalar.
- Context Window Yönetimi: Modele "gereksiz dosya" yüklemenin doğruluğu düşürmesi (Lost-in-the-middle phenomenon).
- Referanslama Stratejileri
- @Codebase: Tüm projeyi tarama stratejileri.
- @Files ve @Folders: Scope daraltarak halüsinasyonu engelleme.
- @Docs: Kütüphane dokümantasyonlarını (örn: Next.js 14 docs) canlı olarak modele besleme.
- @Git: Commit geçmişi ve PR farkları üzerinden kod değişikliği isteme.
- "Bana bir login sayfası yap" demek yerine, teknik spesifikasyonlarla kod ürettirme sanatı.
- Spec-Driven Development (Spesifikasyon Güdümlü Geliştirme)
- Önce Markdown ile teknik tasarımı (Schema, API Endpoint, Flow) yazma, sonra AI'ya "Implement this spec" komutu verme.
- Pseudo-Code to Production: Kaba mantık örgüsünü çalışan koda dönüştürme.
- Prompt Desenleri (Patterns)
- Chain-of-Thought for Code: Karmaşık algoritmaları "adım adım düşünerek" yazdırma.
- Role Prompting: "Sen Kıdemli bir Golang Mühendisisin ve Clean Architecture uygularsın" talimatının çıktı kalitesine etkisi.
- Iterative Refinement: İlk çıktıyı kabul etmeyip, "Memory Leak riskini azalt", "Time Complexity'i O(n)'e düşür" şeklinde revize ettirme.
- Vibe Coding'in kalbi burasıdır. Tek bir komutla tüm backend ve frontend katmanlarını aynı anda düzenleme.
- Composer (Cursor) & Flows (Windsurf) Kullanımı
- Multi-File Edits: Bir özelliği eklerken Model/View/Controller dosyalarının aynı anda senkronize güncellenmesi.
- Dependency Management: Yeni bir kütüphane eklendiğinde package.json ve docker-compose.yml dosyalarının otomatik yönetimi.
- Terminal Entegrasyonu ve Otonom Hata Düzeltme
- AI'ya terminal komutu (npm run build, pytest vb.) çalıştırma yetkisi verme.
- Auto-Debug Loop: Terminaldeki hata çıktısını (stderr) okuyup, kodu düzeltip, tekrar çalıştırma döngüsü.
- Code Review Simülasyonu: AI'ın kendi yazdığı kodu commit etmeden önce "Diff" ekranında insan onayına sunması.
- Ekip içindeki kod kalitesini korumak için AI'yı kurallara bağlama.
- Project-Specific Rules (.cursorrules)
- Projeye özel "Anayasa" oluşturma: "Her zaman TypeScript kullan", "Tailwind class'larını grupla", "Error handling için try-catch değil Result pattern kullan".
- Global Rules vs. Local Rules.
- Tech Stack Tanımları
- Modele kullanılan teknolojileri (Örn: "Next.js 14 App Router kullanıyoruz, Pages router önerme") en baştan öğretme.
- Örnek Kod (Few-Shot) Besleme: "Bizim projede API çağrıları tam olarak böyle yapılır" diyerek şablon gösterme.
- Test yazmayı "angarya" olmaktan çıkarıp, geliştirme sürecinin başına alma.
- Test-First AI Development
- AI'ya önce "Fail eden testleri" yazdırma, sonra bu testleri geçecek kodu ürettirme (Red-Green-Refactor döngüsü).
- Edge Case & Security Testing
- Happy Path dışında; sınır değerleri, null pointer durumlarını ve güvenlik açıklarını test eden senaryolar ürettirme.
- Mock Data Generation: Testler için gerçekçi ve ilişkisel (Relational) dummy veriler oluşturma (SQL, JSON).
- Self-Healing Tests: UI değiştikçe kırılan testleri AI ile otomatik tamir etme.
- Eski, anlaşılmaz veya spagetti kodları modern standartlara taşıma.
- Legacy Code Explanation: Dokümantasyonu olmayan 5 yıllık bir fonksiyonun ne iş yaptığını AI'ya analiz ettirme.
- Language Migration: Java kodunu Go'ya veya Python kodunu Rust'a çevirme stratejileri.
- Refactoring Komutları:
- "Bu fonksiyonu daha küçük parçalara böl."
- "Magic Number'ları sabitlere (constants) çevir."
- "Bu kodu SOLID prensiplerine uygun hale getir."
- Kurumsal ortamda AI kullanırken dikkat edilmesi gereken kırmızı çizgiler.
- Data Privacy & Telemetry:
- "Privacy Mode" nedir? Kodun model eğitimi için kullanılmasını engelleme.
- API Key ve Secret'ların yanlışlıkla prompt'a yapıştırılmasını önleme.
- Secure Code Generation:
- AI'ın ürettiği kodda SQL Injection, XSS veya Insecure Deserialization risklerini tarama.
- Package Hallucination: AI'ın uydurduğu (var olmayan) npm/pip paketlerine karşı savunma (Supply Chain Attacks)
Kazanımlar
Geliştirme Hızı (Velocity): Boilerplate kod, unit test ve dokümantasyon yükünü AI'ya devrederek üretim hızını artırma.
Bilişsel Yükü Azaltma: Syntax detaylarında boğulmak yerine iş mantığına (Business Logic) odaklanma.
Modernizasyon: Legacy (eski) kodların AI yardımıyla hızlıca refactor edilmesi ve modern dillere çevrilmesi.
Hata Yakalama: AI'ın bir "Pair Programmer" gibi çalışarak potansiyel bug'ları yazım aşamasında fark etmesi.
Standardizasyon: .cursorrules gibi yapılarla tüm ekibin aynı kod kalitesinde çıktı almasını sağlama.
Hedef Kitle
Junior Geliştiriciler
DevOps Mühendisleri
QA & Test Mühendisleri
Senior & Lead Geliştiriciler
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
SEKTÖRÜN GÜVENDİĞİ ÇÖZÜM ORTAĞI
BT Akademi'yi tercih eden 4.000'den fazla kurum yanılmıyor.
