5 GitHub Repos: Kill AI Slop, Go Viral, Make Money
Greg Isenberg · 2026-09-02
💡 Hızlı Bilgi
1. Peter Yang'ın "No AI Slop Skill" deposunu hemen kullan; taslaklardaki jenerik yapay zeka kalıplarını temizleyerek gerçek insan sesini korumak için ajan iş akışına ekle.
2. Yapay zeka ajanları için açık kaynaklı bir CRM olan "trycompai" deposunu kullan; ancak tam bir Salesforce alternatifi olarak değil, unutulmaması gereken sıcak potansiyel müşteriler ve kritik takip iş akışları için dene.
3. Kodlama ajanlarıyla video düzenlemeyi sağlayan "video use" (browser use) reposunu hemen tüm kanal otomasyonu için değil, küçük ve tekrarlanabilir tek bir formatla (örneğin Loom videolarını kısa kliplere dönüştürme) dene.
4. Nvidia'nın yapay zeka ajan yeteneklerini ve MCP sunucularını tarayan "Skill Specter" deposunu güvenlik riskleri ve istem enjeksiyonlarına karşı hemen kullan; LLM'e veri göndermemek için --no-LLM bayrağını tercih et.
5. Ajanların telefon ekranını kontrol etmesini sağlayan "Phone Harness" deposu henüz çok erken aşamada ve sınırları var; mobil QA testleri gibi kontrollü ve basit akışlar için dene, kilitli ekranlar ve Face ID zorluklarına dikkat et.
📊 Detaylı Açıklama
Konuşmacı, yapay zeka çağında GitHub'ın haksız bir avantaj elde etmek ve insanların altı ay sonra konuşacağı erken aşama araçları keşfetmek için en iyi yerlerden biri olduğunu vurguluyor. Videoda incelenen tüm projeler ücretsiz ve açık kaynak kodlu; ancak bazılarının 11 Labs gibi ücretli harici bağımlılıkları bulunuyor. İlk olarak ele alınan Peter Yang'ın "No AI Slop Skill" projesi, ChatGPT veya Claude ile üretilen metinlerdeki aşırı cilalanmış, simetrik ve jenerik "yapay zeka kokusunu" gidermeyi amaçlıyor. Konuşmacı, bu aracın her şeyi sıfırdan yazdırmak yerine, önce insan tarafından yazılmış dağınık bir taslak oluşturulmasını ve ardından bu yetenek yardımıyla ses korunarak yapay zeka törpüleme kalıplarının temizlendiği hibrit bir iş akışını savunuyor.
İkinci olarak sunulan "trycompai" CRM deposu, geleneksel CRM'lerin veri mezarlığına dönüşme sorununu hedef alıyor. Normal CRM'ler manuel güncelleme gerektirdiği için zamanla terk edilirken, bu açık kaynaklı proje CRM'i bir dosya dolabı yerine bir ajan çalışma alanı olarak ele alıyor. Ajan; kayıtları inceliyor, şirket bilgilerini zenginleştiriyor, kişileri araştırıyor ve takip işlemlerini planlıyor. Konuşmacı, bu aracı devasa kurumsal süreçler için değil, sponsorluk hatları, yatırımcı güncellemeleri veya kaçırılmaması gereken sıcak potansiyel müşteriler gibi spesifik ve dar alanlarda test etmeyi öneriyor.
Üçüncü araç olan "video use" (browser use), ham video dosyalarını Claude Code veya CodeX gibi kodlama ajanlarıyla düzenlemeye olanak tanıyor. Dolgu kelimelerini kesmek, altyazı eklemek ve renk ayarı yapmak gibi tekrarlayan video düzenleme süreçlerini otomatikleştiren bu araç, içerik üreticilerinin en büyük dar boğazlarından birini çözüyor. Konuşmacı, ilk gün tüm bir YouTube kanalını bu sistemle otomatikleştirmenin başarısızlıkla sonuçlanabileceğini belirterek, işe küçük ve tekrarlanabilir tek bir formatla (örneğin bir kurucunun Loom kaydını lansman videosuna çevirmek) başlanması gerektiğini ifade ediyor.
Dördüncü araç olarak Nvidia'nın geliştirdiği "Skill Specter", GitHub'dan indirilen yapay zeka yeteneklerinin, MCP sunucularının ve eklentilerin güvenliğini tarıyor. İstem enjeksiyonu, veri sızdırma ve tedarik zinciri risklerini tespit eden bu araç, yapay zeka çalışma ortamları modülerleştikçe artan güvenlik açıklarına karşı kritik bir savunma hattı oluşturuyor. Konuşmacı, hassas dosyaların taranmasında gizlilik için statik --no-LLM bayrağının kullanılmasını tavsiye ediyor. Beşinci ve son araç olan "Phone Harness" ise Claude Code veya CodeX gibi ajanların gerçek iPhone (Mac ekran yansıtma üzerinden) veya Android (ADB üzerinden) cihazları kontrol etmesini sağlıyor. Mobil QA testleri ve API'si olmayan uygulamalarda onboarding adımlarını test etmek için devrim niteliğinde olan bu araç, Face ID veya kilitli ekranlar gibi henüz aşılması gereken erken aşama sınırlamalara sahip bulunuyor.
🎯 Teknoloji Uzmanı Yorumu
Videoda tanıtılan GitHub depoları, yapay zeka ajan ekosisteminin teorik sohbet botu aşamasından modüler, iş akışı odaklı ve operasyonel araçlar evresine geçtiğini net bir şekilde gösteriyor. Konuşmacının sunduğu araç yelpazesi; içerik kalitesinden müşteri takibine, video prodüksiyonundan güvenlik taramaları ve mobil cihaz otomasyonuna kadar geliştiricilerin ve kurucuların günlük operasyonel acı noktalarını doğrudan hedef alıyor. Ancak bu araçların açık kaynaklı ve büyük ölçüde deneysel olması, kurumsal düzeyde doğrudan üretime (production) alınmadan önce dikkatli bir sandbox test sürecinden geçirilmesi gerektiğini ortaya koyuyor.
Konuşmacının önerdiği kullanım biçimi —özellikle karmaşık otomasyonlarda tüm sistemi tek seferde kurmak yerine dar kapsamlı alt iş akışlarıyla (pilot projelerle) başlama stratejisi— erken aşama teknolojileri benimserken izlenmesi gereken en doğru yaklaşımdır. "No AI Slop" ve "Skill Specter" gibi araçlar minimum riskle hemen entegre edilebilir nitelikteyken; "Phone Harness" ve "trycompai" gibi sistemler yerel terminal, Docker, auth ve çevre değişkenleri (env) gibi teknik ön hazırlıklar gerektirdiğinden her seviyedeki kullanıcı için aynı derecede "tak-çalıştır" konforu sunmamaktadır.
Sonuç olarak, bu videodaki araçlar erken benimseyenler (early adopters) ve kendi iş akışlarını otomatikleştirmek isteyen teknik kurucular için çok değerli kaldıraçlar sunmaktadır. "v1'i körü körüne prod'a taşıyın" varsayımı yerine, konuşmacının da altını çizdiği gibi; araçları güvenli bir şekilde taramak (Nvidia Skill Specter ile), izole küçük görevlerde test etmek ve elde edilen çıktılara göre ürünleştirme potansiyellerini değerlendirmek en rasyonel teknoloji stratejisidir.
Kanal: Greg Isenberg