Claude Code'u 1800+ Saat Kullandıktan Sonra Söylemek İstediğim Şeyler
Mert Durmazer | Digital Academy · 2026-10-21
💡 Hızlı Bilgi
1. 1800 saatten fazla Claude Code kullanan konuşmacı, 100 dolarlık Max aboneliğinin API liste fiyatıyla karşılığının 8.265 doları bulduğunu ve kota limitlerinin en büyük dert olduğunu belirtiyor.
2. Projeyi tarayıp kalıcı hafıza oluşturan komutlardan slash init deneysel sürümünde sorular sorarak daha iyi sonuç veriyor; konuşmacı buna vasat (D) notu verirken, oluşturduğu CLAUDE.md dosyasına en yüksek notu (S) veriyor.
3. Tekrar eden işlerin tarifini içeren skiller topluluk desteğiyle birlikte S notunu alıyor; konuşmacı SKILLS.sh dizininden usta mühendislerin hazırladığı paketlerin kullanılmasını öneriyor.
4. Shift ve taba basılarak açılan plan modu (Plan Mode) koda dokunmadan önce araştırma yapıp plan sunduğu için B notunu alıyor; konuşmacı küçük işlerde zaman kaybettirdiğini, büyük işlerde ise hayat kurtardığını söylüyor.
5. Git, veri tabanı ve tarayıcı gibi araçlara erişim sağlayan MCP (Model Context Protocol) 10 binden fazla çağrı ile A notunu alıyor; konuşmacı 22 sunucu kurduğunu ancak çağrıların çoğunun tek bir yere yapıldığını vurguluyor.
📊 Detaylı Açıklama
Konuşmacı, Claude Code kullanımına terminalden başladığını ve kayıtlarının ezici çoğunluğunu terminal üzerinden yürüttüğünü belirtiyor. IDE veya web arayüzü yerine terminali tercih etmesinin sebebi, ajanların arka planda yüzlerce oturumu ekrana gelmeden çalıştırabilmesi. Şirketlerin çalışanlardan 10 kişilik iş çıkarmasını beklediğini ve bu nedenle Claude Code gibi araçların iş ilanlarında aranan bir yetenek haline geldiğini ifade ediyor. Ancak yoğun kullanım, kota limitlerinin hızla tükenmesine yol açıyor; paralel çalışan ajanlar yüzünden binlerce saatlik harcamalar yapıldığını ve Anthropic’in limitleri iki katına çıkarmasına rağmen bütçe yönetiminin şart olduğunu vurguluyor.
Kod tabanının hafızasını yönetmek için CLAUDE.md dosyasının kritik önem taşıdığını, bu dosyanın mimari kuralları ve test tetikleyicilerini barındırdığını aktarıyor. Konuşmacıya göre skiller, yani sık yapılan işlerin metin dosyaları olarak tanımlanması, topluluk havuzundan beslendiği için iş akışını büyük ölçüde hızlandırıyor. Mat Pocok gibi isimlerin hazırladığı paketlerin tek komutla kurulabildiğini, kod incelemelerinde doğrulama (validation) alışkanlığının yapay zekaya bırakılmayacak kadar temel bir yazılım kuralı olduğunu belirtiyor. Claude’un kendi yazdığı koda kendi testini yazmasının kopya çekmek anlamına geldiğini, bu yüzden testlerin doğru sıralamayla yapılması gerektiğinin altını çiziyor.
Token tüketimi ve bağlam penceresi (Context Window) yönetimi konusunda konuşmacı çok sert uyarılarda bulunuyor. Oturumlar uzadıkça modellerin hafızasının dolduğunu, bu duruma aptal bölge adını verdiğini ve modelin hata oranının arttığını söylüyor. Ana çağrıların çoğunda bağlamın 400 bin tokenı aştığını, bu yüzden işler arasında slash clear komutuyla temizlik yapılması gerektiğini ifade ediyor. Konuşmacıya göre Claude’un kendi başına yaptığı slash compact (özetleme) detayların kaybolmasına neden olduğu için, uzun oturumlarda bağlamın manuel olarak kontrol edilmesi ve net promptlar yazılması token tasarrufu sağlıyor.
Öğrenme sürecini hızlandırmak isteyenler için slash output-style learning komutunun terminale kişisel bir öğretmen getirdiğini, bu modun kodu doğrudan yazmak yerine kullanıcıyı yönlendirerek 'yaparak öğrenme' (earn by doing) döngüsü yarattığını söylüyor. Otomasyon tarafında ise arka planda sürekli çalışan slash loop ve hedefe ulaşana kadar durmayan slash goal komutlarının verimliliği katladığını belirtiyor. Son olarak, Claude Code dışında Codex, Open Code, Cursor ve T3 Code gibi alternatiflerin de bulunduğunu, aboneliklerin tek ekrandan yönetilebileceği araçların piyasada yer aldığını aktarıyor.
🎯 Teknoloji Uzmanı Yorumu
Konuşmacının 1800 saati aşkın deneyimi, yapay zeka destekli kodlama ajanlarının gerçek dünya senaryolarındaki sınırlarını ve maliyet gerçeklerini gözler önüne seriyor. 100 dolarlık Max aboneliğinin API maliyet karşılığının binlerce doları bulması, şirketlerin bu araçları ölçeklendirirken bütçe optimizasyonuna gitmesini zorunlu kılıyor. Konuşmacının token tüketimi ve aptal bölge olarak nitelendirdiği bağlam şişmesi tespiti teknik olarak oldukça yerinde; uzun süreli oturumlarda LLM modellerinin dikkat dağınıklığı yaşaması, yazılım mimarisinde insan denetiminin hâlâ bir zorunluluk olduğunu kanıtlıyor.
Araç ekosistemine verilen notlar ve kullanım sıklığı analizi, her popüler komutun günlük iş akışında aynı karşılığı bulmadığını gösteriyor. Örneğin herkesin önerdiği slash init komutunun pratikte arka planda çok az kullanılması, hazır şablonların her projeye uymadığını ve geliştiricilerin kendi CLAUDE.md dosyalarını özelleştirmesinin daha verimli olduğunu doğruluyor. Buna karşın alt ajanların ve plan modunun yüksek not alması, karmaşık projelerin tek bir ana model yerine iş yükünü bölen mini ajanlarla yürütülmesinin geleceğin standart iş akışı olacağını işaret ediyor.
Yapay zeka araçlarının yazılımcıyı tembelleştirdiği yönündeki yaygın korkuya karşı konuşmacının 'learning' modunu ve doğrulama alışkanlığını savunması dengeli bir yaklaşım sunuyor. Kodu okuyamayan ve körü körüne onaylayan geliştiricilerin zamanla ajanların çıkardığı maliyet ve hata sarmalında kaybolacağı açıkça görülüyor. Bu tür araçları kullanan ekiplerin, prompt mühendisliğinden öte bağlam yönetimi, maliyet takibi ve test disiplini konularında yetkinleşmesi gerekiyor; aksi takdirde artan token maliyetleri ve düşen kod kalitesi projeleri sürdürülemez hale getirecektir.