Building a Software Factory that actually works (Full Course)
Greg Isenberg · 2026-09-14
💡 Hızlı Bilgi
1. Yazılım fabrikası konsepti için özel bir ticari ürün satın almayın; sistem model ve araç bağımsızdır, süreçler Markdown dosyalarıyla yönetilir.
2. Asla doğrudan main dalı (branch) üzerinde kod inşa etmeyin; her yeni özellik taze bir git çalışma ağacında (work tree) izole edilerek başlatılmalıdır.
3. Ajanların yazdığı kod kalitesini garanti altına almak için servis katmanı mimarisi kurallarına uyan kod yapısı becerilerini (skill) mutlaka entegre edin.
4. Ajanların iddialarına körü körüne güvenmeyin; kanıta dayalı testler veya kodun çalışır halini gösteren öncesi-sonrası ekran görüntüsü/video kanıtı zorunluluğu getirin.
5. Üretime geçmeden önce Grapile veya Code Rabbit gibi harici bir kod inceleme ajanı (code review agent) kullanarak otomatik güven skoru döngüleri çalıştırın.
📊 Detaylı Açıklama
Yazılım fabrikası, yapay zeka ajanlarını bir montaj hattı mantığıyla çalıştırarak birden fazla uygulamayı paralel ve hızlı bir şekilde inşa etmenizi sağlayan iş akışı odaklı bir konsepttir. Konuşmacı Ross Mike, bu sistemin belirli bir yazılım ürününe veya markaya bağlı olmadığını, tamamen kullanıcının iş akışına, becerilerine ve alan bilgisine dayandığını vurgulamaktadır. Süreç, ajan sohbetlerine enjekte edilen basit Markdown dosyaları (örneğin agents.mmd) üzerinden yürütülür ve herhangi bir ek maliyet veya ücretli araç zorunluluğu barındırmaz.
İş akışının ilk adımı olan "izole et" (isolate), birden fazla ajanın birbirinin ayaklarına basmasını ve dosyaların üzerine yazmasını engellemek için kritik önem taşır. Geliştiriciler veya teknik olmayan kullanıcılar açılış sayfası güncellemeleri, API iyileştirmeleri veya e-posta istemcileri gibi farklı özellikleri aynı anda geliştirmek istediklerinde, origin main dalından bağımsız taze bir git çalışma ağacı oluştururlar. Bu sayede onlarca ajan aynı anda farklı görevler üzerinde çalışabilir ve iş bittiğinde çakışmasız bir şekilde ana dala birleştirilebilir (merge).
İkinci aşama olan "inşa et" (build) aşamasında, en güçlü yapay zeka modelleri bile işi bitirmek adına salaş kodlar, ölü kodlar veya mükerrer fonksiyonlar üretebildiği için "kod yapısı" becerisi devreye girer. Bu beceri, ajana servis katmanı mimarisi kurallarına göre kod yazması talimatını vererek, daha sonra insan bir geliştirici veya başka bir ajan kodu incelediğinde anlaşılır ve temiz bir yapı olmasını sağlar. Böylece modelin hızı ve yeteneği korunurken kod kalitesinden ödün verilmemiş olur.
Üçüncü aşama olan "kanıtla" (prove) adımı, ajanların halüsinasyon görme veya işi bitirmeden bittiğini söyleme eğilimine karşı bir güven mekanizmasıdır. Kanıta dayalı testler veya özellik öncesi ile sonrasını kıyaslayan ekran görüntüsü/video zorunluluğu, ajanın işini görsel olarak doğrulamasını sağlar. Eğer önceki ve sonraki durum kriterleri karşılanmamışsa, sistem ajanı otomatik olarak tekrar inşa etme aşamasına geri gönderir; bu da özellikle kod okumakta zorlanan teknik olmayan kurucular için inceleme sürecini son derece basitleştirir.
Son aşama olan "sevk et" (ship) sürecinde, Grapile veya Code Rabbit gibi üçüncü taraf kod inceleme ajanları devreye girerek yazılan kodu otomatik olarak tarar ve bir güven skoru (örneğin 5 üzerinden 3) verir. Ajan, raporda belirtilen eksiklikleri (menü boşlukları veya sayfalama hataları gibi) görene kadar kendi kendine "inşa et - kanıtla - sevk et" döngüsünü tekrarlar; skor 5 üzerinden 5 olduğunda insan yönetici sadece merge tuşuna basar.
🎯 Teknoloji Uzmanı Yorumu
Yazılım fabrikası yaklaşımı, yapay zeka kodlama ajanlarının ürettiği kaotik ve kontrolsüz çıktıları kurumsal bir yazılım mühendisliği disiplinine oturtmak için son derece akılcı ve uygulanabilir bir metodolojidir. Konuşmacının "ürün değil, iş akışı ve beceri seti" vurgusu, piyasada sihirli birer asa olarak pazarlanan pahalı otomasyon araçlarına karşı kullanıcıları haklı olarak uyarmakta ve kontrolü Markdown dosyaları ile süreç optimizasyonuna devretmektedir.
Sistemin en büyük başarısı, geleneksel yazılım geliştirme süreçlerindeki dal izolasyonu (branching), kalite kontrol (QA) ve kod inceleme (code review) döngülerini yapay zeka çağna uyarlayarak ölçeklemesidir. Teknik bilgisi olmayan kurucuların bile birden fazla ajanı paralel çalıştırmasına olanak tanırken "öncesi ve sonrası kanıtı" istemesi, halüsinasyon riskini minimize eden ve körü körüne güveni ortadan kalduran pratik bir güvenlik katmanıdır.
Bununla birlikte, bu yöntemin sınırları ve riskleri göz ardı edilmemelidir; 10.000+ satırlık büyük kod tabanı değişimlerinde veya karmaşık mimari kararlarda ajanların döngüye girmesi token maliyetlerini artırabilir ve dış kod inceleme araçlarının yakalayamadığı mantıksal açıkları insan gözünün denetlemesi hâlâ şarttır. Özetle; erken aşama girişimciler ve prototip geliştirenler için bu iş akışı kesinlikle kullanılmalı ve uygulanmalıdır, ancak üretim ortamına (production) geçişte güvenlik ve mimari incelemeler asla tamamen otomatik sistemlere bırakılmamalıdır.
Kanal: Greg Isenberg