<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tugba Akan on Medium]]></title>
        <description><![CDATA[Stories by Tugba Akan on Medium]]></description>
        <link>https://medium.com/@akan-tugba?source=rss-ebb726cb7165------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*xOeEZ7iQyzy2koSbirwyHQ.png</url>
            <title>Stories by Tugba Akan on Medium</title>
            <link>https://medium.com/@akan-tugba?source=rss-ebb726cb7165------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 19:41:26 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@akan-tugba/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[2026’da Yazılımcı Olmak: Kod Yazmayı Yapay Zekaya Bırakıp Dümeni Ele Almak]]></title>
            <link>https://akan-tugba.medium.com/2026da-yaz%C4%B1l%C4%B1mc%C4%B1-olmak-kod-yazmay%C4%B1-yapay-zekaya-b%C4%B1rak%C4%B1p-d%C3%BCmeni-ele-almak-b1a09e855651?source=rss-ebb726cb7165------2</link>
            <guid isPermaLink="false">https://medium.com/p/b1a09e855651</guid>
            <category><![CDATA[human-in-the-loop]]></category>
            <category><![CDATA[code-review]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[project-analysis]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <dc:creator><![CDATA[Tugba Akan]]></dc:creator>
            <pubDate>Mon, 12 Oct 2026 20:10:22 GMT</pubDate>
            <atom:updated>2026-10-12T20:10:22.896Z</atom:updated>
            <content:encoded><![CDATA[<p>2026 yılı itibariyle Large Language Model’ler (LLM’ler) neredeyse her dilde kodu ustalıkla, üstelik hepimizden daha hızlı ve birçoğumuzdan daha hatasız yazabiliyor. Ancak endişelenmeyin; dümen hâlâ bizde.</p><p>Geçmişte saatlerimizi alan syntax hataları, boiler-plate kodlar ve yorucu yazım süreçleri artık yapay zekanın omuzlarında. Kod yazmak her zaman keyifliydi, ancak işin tamamına baktığımızda aslında büyük bir kısmı el oyalayan ameleliklerden ibaretti. Bu rutin kısımları yapay zekaya devrettiğimize göre, artık vaktimizi ve enerjimizi işin büyük resmine, mimariye ve gerçek katma değere ayırabiliriz.</p><p>Peki, kodun büyük çoğunluğunu yapay zekanın yazdığı bu yeni düzende bir yazılımcı nelere dikkat etmelidir? Gelin, modern geliştirme döngüsüne yakından bakalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*X-FT78x86oYGnLcBQsGvDQ.jpeg" /><figcaption>birbirlerini iyi tamamlıyorlar şu an için</figcaption></figure><h4>1. Problem ve İhtiyacın Doğru Anlaşılması</h4><p>Kullanıcının yaşadığı problemin ve gerçekte neye ihtiyaç duyduğunun doğru teşhis edilmesi her zaman ilk ve en kritik adımdır. Yapay zeka hayatımıza girmeden önce de bu böyleydi, bugün de önemini katlayarak koruyor.</p><p>Teknik olmayan paydaşlar veya ürün ekipleri bu süreci ne kadar iyi yönetmeye çalışırsa çalışsın, işin içine teknik gözle bakacak bir yazılımcının dahil olması şarttır. Çünkü <strong><em>sistemin sınırlarını, mevcut teknik borçları ve ölçeklenebilirlik potansiyelini</em></strong> ancak yazılımcı tam olarak öngörebilir.</p><h4>2. Stratejik Çözüm Tasarımı</h4><p>Kullanıcının ihtiyacını netleştirdikten sonra, bu probleme giden birden fazla yol (veya mimari yaklaşım) bulunabilir.</p><p>Seçilecek çözüm yolu; uygulamanın mevcut metriklerine (anlık kullanıcı sayısı, trafik yoğunluğu, kullanılan teknoloji yığını), işin aciliyetine ve bütçeye göre değişiklik gösterir. Bu aşamada tüm bu bağlamı yapay zekaya vererek karşılıklı bir <strong><em>beyin fırtınası</em></strong> yapmalı ve en doğru çözüm tasarımına (Solution Design) birlikte karar vermeliyiz.</p><h4>3. Kod Öncesi Test Senaryolarının Hazırlanması</h4><p>Değişiklik yapılmadan önce uygulamanın mevcut halinin ilgili isteklere nasıl yanıt verdiğini bilmek ve geliştirme sonrasında beklentiyi karşıladığını teyit etmek hayati önem taşır. Kod yazımına geçilmeden önce <strong><em>test senaryolarının çalışılması</em></strong> ve ilgili testlerin hazırlanması, süreci baştan sağlam temellere oturtur.</p><h4>4. Etkili Prompt Yönetimi ve Analiz Odaklı Geliştirme</h4><p>Çözüm tasarımı tamamlandıktan sonra sıra yapay zekaya bu tasarımı doğru şekilde tarif etmeye gelir. İşte bu noktada güçlü bir belgeleme kültürü hayat kurtarır.</p><p>Proje yönetim süreçlerinde kapsamlı bir <strong><em>analiz döküman</em>ı</strong> kullanmak bu aşamada devasa bir avantaj sağlar. Nuevo geliştirme ekibi olarak sıfırdan yaptığımız projelerde geliştirme öncesi detaylı bir analiz süreci işletiyoruz:</p><ul><li>Proje yöneticimiz müşteri ile bir araya gelerek isterleri toplar ve kapsamlı bir analiz dökümanı hazırlar.</li><li>Onaylanan bu döküman üzerinden projeyi küçük task’lara böleriz.</li><li>Bu task’ların yazılım geliştirmesi için yapay zekaya analiz dökümanının ilgili kısmını context olarak veririz.</li><li>Müşteriden gelen yeni taleplerde önce analiz dökümanını günceller, ardından yapay zekaya bu değişiklikleri göstererek kod tabanına yansıtırız.</li></ul><p>Bu yaklaşım sayesinde, açtığımız her yeni yapay zeka oturumunda model, modülü ve iş mantığını doğrudan kavramış olur. Yapay zeka kod tabanında körlemesine arama yapmak zorunda kalmaz; hem <strong><em>token tasarrufu</em></strong> hem de zamandan kazanç sağlanır.</p><p>Eğer elinizde güncel bir analiz dökümanı yoksa, değişikliğin yapılacağı ilgili entity’ler veya metotlar yapay zekaya context olarak verilerek keşif süreci hızlandırılabilir.</p><p><strong><em>Cursor ile İki Aşamalı Geliştirme Akışı</em></strong><br>Geliştirme aşamasını (biz Nuevo ekibi olarak Cursor kullanıyoruz) iki temel faza bölmek verimli sonuç verir:</p><p><strong><em>1- Plan Oluşturma:</em></strong> Model listesinden görece daha “düşünme modunda” ve zeki bir model seçilir. Yapay zekadan doğrudan kod yazması değil, bir uygulama planı (plan) çıkarması istenir. Plan incelenir; eksik, hatalı veya mimari açıdan uyumsuz bir yer varsa düzeltilmesi sağlanır.</p><p><strong><em>2- Planın Uygulanması:</em></strong> Onaylanan bu plan, daha maliyet-etkin veya hızlı bir modele verilerek adım adım koda dökülmesi sağlanır.</p><h4>5. Otomatik Testlerin Çalıştırılması</h4><p>Yapay zeka kodu ürettikten sonra, 3. adımda hazırlanan testler koşturulur. Amaç, yazılan kodun mevcut sisteme zarar vermediğini ve istenen senaryoları başarıyla geçtiğini doğrulamaktır.</p><h4>6. Yapay Zeka Destekli Kod İncelemesi (Review) ve Güvenlik</h4><p>Yapay zeka kodu yazdıktan sonra yazılımcı mutlaka kodu incelemelidir. Ancak günümüzde kod tabanı büyüdükçe her satırı tek tek manuel incelemek zorlaşabilir. Burada da imdadımıza yine yapay zeka yetişiyor.</p><p>Önceden hazırlanmış özel komutlar (custom commands) veya prompt setleriyle yapay zekadan <strong><em>kod kalitesi, performans ve güvenlik bakımından bir code review</em></strong> yapması istenir. Yapay zeka bulduğu zafiyetleri veya potansiyel riskleri madde madde önünüze serer. Bu maddelerin dikkatle incelemesi gerekir. Bazı noktalarda model size birden fazla alternatif sunar; hangisiyle ilerlemeniz gerektiğine siz karar verirsiniz. Bazı uyarılar ise iş gereksinimleriyle çelişebilir; bu tür durumlarda insan muhakemesiyle bu uyarılar göz ardı edilebilir.</p><h4>7. Son Test ve Güvenli Yayın</h4><p>Review sonrasında yapılan düzeltmelerin ardından testler bir kez daha çalıştırılır ve uygulamanın kararlılığından emin olunarak canlıya geçiş adımları atılır.</p><p>Yapay zeka çağında yazılımcılık, <strong><em>“satır yazmak”</em></strong>tan çıkıp <strong><em>“mühendislik, yönlendirme ve kalite güvencesi”</em></strong>ne evrildi. Kod ham maddesini yapay zeka çok daha hızlı üretirken; mimariyi kuran, doğru soruları soran, işi analiz eden ve riski yöneten dümendeki kaptan olmaya devam ediyoruz. Bu dönüşümü yakalayan yazılımcılar için sınırlar ortadan kalkıyor.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b1a09e855651" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Derinlemesine Context Engineering: Kapalı LLM Modellerinde Hafıza, Performans ve Maliyet Yönetimi]]></title>
            <link>https://akan-tugba.medium.com/derinlemesine-context-engineering-kapal%C4%B1-llm-modellerinde-haf%C4%B1za-performans-ve-maliyet-y%C3%B6netimi-fdf4244205eb?source=rss-ebb726cb7165------2</link>
            <guid isPermaLink="false">https://medium.com/p/fdf4244205eb</guid>
            <category><![CDATA[context]]></category>
            <category><![CDATA[prompt]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[kv-cache]]></category>
            <category><![CDATA[rags]]></category>
            <dc:creator><![CDATA[Tugba Akan]]></dc:creator>
            <pubDate>Mon, 27 Jul 2026 18:45:26 GMT</pubDate>
            <atom:updated>2026-07-28T08:07:51.674Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="delikli kartlar ve RAG" src="https://cdn-images-1.medium.com/max/1024/1*KlSEdSNCkCPqACzzEb_nwg.png" /></figure><p>Büyük Dil Modelleri (LLM) ile uygulama geliştirirken karşılaşılan en büyük zorluklardan biri, modelin sınırlı bağlam penceresini (context window) en verimli şekilde kullanabilmektir. Çoğu zaman performans sorunları veya yüksek maliyetler, yanlış prompt yazımından ziyade bağlamın (context) nasıl yönetildiğiyle ilgilidir. Bu makalede, tokenization ve transformer mimarisinin temellerinden başlayarak, büyük dil modellerinde “Context Engineering” tekniklerini, harici hafıza yapılarını ve maliyet optimize eden prompt caching mekanizmalarını detaylarıyla inceliyoruz.</p><h3>1. LLM ve Transformer Mimarisi Temelleri</h3><h4>1.1. Tokenization Nedir?</h4><p>Dil modelleri kelimelerle değil, “token” dediğimiz alt-birimlerle çalışır. Token bazen bir kelime, bazen bir kelime parçası, bazen tek bir karakterdir. Bunun sebebi pratik: sözlük (vocabulary) sonsuz olamaz, ama dilde sonsuz kelime türetilebilir (ekler, birleşik kelimeler, yazım hataları, yabancı kelimeler). Model bir sabit boyutlu sözlükle (mesela 100 bin token) çalışmak zorunda, o yüzden nadir/uzun kelimeleri parçalara bölerek temsil ediyor.</p><p><strong><em>Nasıl bölünüyor?<br></em></strong>En yaygın yöntem BPE (Byte Pair Encoding) veya benzerleri. Mantık: çok sık geçen karakter/harf çiftlerini birleştirerek büyüt, nadir kalanları küçük parçalarda bırak.<br><strong><em>Örnek:</em></strong></p><pre>&quot;tokenization&quot; → [&quot;token&quot;, &quot;ization&quot;]<br>&quot;kediler&quot;      → [&quot;kedi&quot;, &quot;ler&quot;]<br>&quot;asdkfjaskdjf&quot; → [&quot;as&quot;, &quot;d&quot;, &quot;k&quot;, &quot;f&quot;, &quot;j&quot;, &quot;as&quot;, &quot;kd&quot;, &quot;j&quot;, &quot;f&quot;] (bilinmeyen kelime, çok parçaya bölünür)</pre><p>Sık kullanılan kelimeler genelde tek token (İngilizce’de “the”, “is” gibi), nadir/uydurma kelimeler çok token’a bölünüyor. Türkçe gibi eklemeli dillerde bu bölünme İngilizce’ye göre daha agresif oluyor çünkü eklerin (-ler, -de, -dan) çoğu ayrı token olarak sayılıyor — yani aynı anlamı Türkçe’de ifade etmek genelde daha fazla token tüketiyor. Kabaca İngilizce’de 1 token ≈ 4 karakter, ama Türkçe’de bu oran daha düşük (daha fazla token gerekiyor).<br><strong>Bu bizim için pratik bir sonuç doğuruyor: Türkçe promptlar/dokümanlar İngilizce eşdeğerlerine göre context bütçesini daha hızlı tüketir.</strong></p><p><strong><em>Somut pratik önerisi</em></strong>: Tiktoken (OpenAI’nin tokenizer’ı) veya Anthropic’in tokenizer’ıyla aynı cümleyi Türkçe ve İngilizce yazıp token sayısını karşılaştırabilirsin — fark gözle görülür, sezgiyi netleştirir.</p><h4>1.2. Transformer Mimarisi, Attention (Q/K/V) ve KV Cache Nedir?</h4><p>Bir cümlede her kelimenin (token’ın) anlamı, diğer kelimelere bağlı. “Banka” kelimesi “para yatırdım” cümlesinde başka, “nehir kıyısında oturduk” cümlesinde başka bir şey ifade eder. Model her token’ı işlerken “bu token’ın anlamını netleştirmek için cümledeki hangi diğer token’lara bakmalıyım” sorusunu çözmek zorunda. İşte attention mekanizması tam olarak bunu yapıyor: her token’a, cümledeki diğer token’lardan ne kadar “bilgi çekeceğini” öğretiyor.</p><p>Q, K, V’yi bir arama motoru ya da bir hash map / arama sistemi gibi düşün:<br>Normal bir dictionary’de: key tam eşleşirse value’yu alırsın. Attention’da eşleşme “yumuşak” (soft) — yani her key ile ne kadar eşleştiğine göre bir ağırlık hesaplanıyor, tam eşleşme aranmıyor.</p><p>Her token için üç farklı vektör üretiliyor (embedding’ten, üç ayrı öğrenilmiş ağırlık matrisiyle çarpılarak):<br><strong><em>Query (Q):</em></strong> “Ben şu an ne arıyorum?” — bu token’ın diğer token’lardan ne tür bilgi istediğini temsil eder.<br><strong><em>Key (K)</em></strong>: “Bende ne var, beni nasıl bulabilirsin?” — her token’ın “etiketi”, aranabilir kimliği.<br><strong><em>Value (V)</em></strong>: “Eğer beni bulursan, sana vereceğim gerçek içerik.”</p><p><strong><em>Somut örnek:</em></strong> “Kedi masanın üstüne çıktı çünkü o aç kalmıştı” cümlesinde “o” kelimesinin Query’si “ben kimin yerine geçiyorum, bir özne arıyorum” gibi bir şey kodluyor. “Kedi” kelimesinin Key’i buna güçlü uyum sağlıyor (yüksek benzerlik skoru), “masa”nın Key’i sağlamıyor. Sonuçta “o” token’ı, Value’sunu hesaplarken ağırlıklı olarak “kedi”nin Value’sundan besleniyor.</p><p><strong><em>Matematik olarak (adım adım)<br>1- </em></strong>Her token embedding’i (bir vektör : X) üç ayrı matrisle çarpılır:</p><p>Q = X·Wq, K = X·Wk, V = X·Wv.</p><p>Bunlar sadece öğrenilebilir ağırlıklar, lineer projeksiyon.</p><p>2- Bir token’ın diğer tüm token’larla “uyumu” Q · K (dot product) ile hesaplanır — iki vektör ne kadar aynı yöne bakıyorsa skor o kadar yüksek.</p><p>3- Bu skorlar softmax’tan geçirilir → toplamı 1 olan ağırlıklara dönüşür (yüzdelik dilim gibi düşün: “%70 kediye bak, %20 masaya bak, %10 diğerlerine”).</p><p>4- Bu ağırlıklarla tüm token’ların Value’ları ağırlıklı ortalaması alınır → o token’ın yeni, bağlama duyarlı temsili çıkar.</p><p>Bu tek bir “attention head”. Model aynı işlemi paralel olarak birden fazla kez yapar (multi-head attention) — biri özne-yüklem ilişkisine bakar, biri zamana, biri konuya vs. Her biri farklı bir Wq/Wk/Wv seti kullandığı için farklı ilişki türlerini yakalar.</p><p>Model bir kelime ürettikten sonra bir sonrakini üretirken, önceki tüm token’ların K ve V vektörlerini tekrar tekrar hesaplaması gerekir çünkü her yeni token, geçmişteki her token’la bu Q·K çarpımını yapmak zorunda. K ve V, o token embedding’i değişmediği sürece hiç değişmez — bu yüzden onları önbelleğe (cache) alıp tekrar hesaplamak yerine sakladığın an “KV cache” kavramı çıkıyor. Uzun context = çok sayıda token = saklanacak çok fazla K,V vektörü = büyük bellek yükü.</p><h4>1.3. Autoregressive Generation Nedir?</h4><p>LLM bir cümleyi tek seferde yazmıyor, bir token üretip onu geriye ekleyip tekrar baştan tüm diziye bakarak bir sonraki token’ı üretiyor. Yani “otomatik olarak kendi çıktısını bir sonraki adımın girdisi yapan” bir döngü:</p><pre>tokens = [t1, t2, t3] # Başlangıç Promptu<br>loop: <br>  next_token = model(tokens) # Tüm dizisine bakarak bir sonraki token&#39;ı tahmin et<br>  tokens.append(next_token)</pre><p>Neden böyle? Çünkü model olasılık dağılımı üretiyor: “bu diziden sonra hangi token gelir” sorusuna cevap veriyor, cümlenin tamamını bir çırpıda üretmiyor. Her adımda sadece “bir sonraki” token için bir olasılık dağılımı hesaplayıp oradan örnekliyor (ya da en yüksek olasılıklıyı seçiyor).</p><p><strong><em>Sorun: naif yaklaşım çok pahalı<br></em></strong>Her yeni token üretilirken, önceki attention açıklamasındaki işlemi hatırla: model dizideki her token için Q, K, V hesaplayıp, her token’ın diğer tüm token’larla Q·K çarpımını yapıyordu. Eğer her adımda bunu sıfırdan yaparsan, 3. token’ı üretirken 1. ve 2. token’ın K,V’lerini yeniden hesaplarsın, 4. token’ı üretirken 1, 2, 3&#39;ün K,V’lerini yeniden hesaplarsın… Dizinin başındaki token’ların K ve V vektörleri hiç değişmiyor (o token’ın embedding’i sabit, Wk/Wv matrisleri sabit), yani aynı hesabı defalarca tekrarlamış oluyorsun. N token’lık bir cümle üretmek için toplam iş O(N²)’ye çıkıyor gereksiz yere.</p><p><strong><em>Çözüm: KV cache<br></em></strong>Model her token’ı ilk ürettiğinde onun K ve V vektörünü bir kere hesaplayıp bir yere (GPU belleğinde) saklıyor. Bir sonraki token’ı üretirken sadece yeni token için Q, K, V hesaplanıyor; K ve V önceki tüm token’lar için cache’ten okunuyor, sadece yeni token’ın Q’su ile eski K’ların çarpımı yapılıyor.<br>Böylece her adımın maliyeti dizinin uzunluğuyla orantılı (O(N)) oluyor ve gereksiz tekrar hesaplama ortadan kalkıyor.</p><p><strong><em>Bunun bedeli<br></em></strong>Hız kazanıyorsun ama bunun karşılığında bellekte bir şey biriktiriyorsun: her token, her katman, her attention head için bir K ve bir V vektörü. Context arttıkça bu depolanan K,V miktarı da büyüyor.</p><p><strong><em>Somut pratik önerisi:</em></strong> HuggingFace transformers ile use_cache=True/False farkını ölç, generation süresini karşılaştır.</p><h3>2. Context Engineering</h3><h4>Prompt Engineering vs Context Engineering</h4><p>Şimdiye kadar token, attention ve KV cache üzerine konuştuk. Context window artık somut: modelin her adımda “görebildiği” token dizisi, ve bu dizideki her token bir K,V çifti olarak belleğe oturuyor, attention hesabına giriyor.</p><p><strong><em>Prompt engineering’in odağı:</em></strong> “sistem promptunu nasıl yazarım, hangi kelimeleri seçerim, few-shot örnekleri nasıl sıralarım” — yani modele giden metnin kendi cümlelerinin kalitesi.</p><p><strong><em>Context engineering’in odağı farklı bir soru:</em></strong> o promptla birlikte modele toplamda ne kadar ve hangi bilgi gidiyor. Yani sadece son cümle değil, sistem promptu + tool tanımları + RAG’dan çekilen dokümanlar + konuşma geçmişi + few-shot örnekler — bunların tamamı context window’u dolduruyor.</p><p><strong><em>Neden bu ayrım önemli?</em></strong></p><p>İki sebep var, ikisi de öğrendiğimiz temel kavramlara dayanıyor:</p><p><strong><em>Birincisi</em></strong>, dikkat (attention) sınırlı bir kaynak. Her token, softmax ile diğer tüm token’lara bir ağırlık dağıtıyor, toplam ağırlık 1. Context’e 40 bin token dolduysan ve bunun 39 bini alakasız doküman parçasıysa, model dikkatini o gürültüye de “harcamak” zorunda kalıyor — gerçekten önemli olan 1000 token’a düşen etkin ağırlık zayıflıyor. Yani context’e çok şey tıkmak illa iyi değil, “en küçük yüksek-sinyalli token kümesi” arandığı için.</p><p><strong><em>İkincisi</em></strong>, maliyet ve hız. Token sayısı arttıkça KV cache büyüyor, hem hesaplama hem bellek maliyeti artıyor. Kapalı API’lerde (Anthropic, OpenAI, Google) sen modelin içine, KV cache’ine dokunamıyorsun — API sana sadece “prompt caching aç/kapa” gibi bir düğme veriyor. Kaldıraç modelin dışında: o pencereye neyin, nasıl gireceğini kuran gateway/orkestrasyon katmanında.</p><p><strong><em>Somut örnek </em></strong>: Diyelim bir müşteri destek botun var. Prompt engineering yaklaşımı: “sistem promptunu daha nazik, daha net yaz.” Context engineering yaklaşımı: “bu soruyu cevaplamak için gerçekten hangi 3 doküman parçası lazım, geçmiş konuşmanın hangi kısmı hâlâ alakalı, tool tanımlarından hangileri bu istekte gerçekten kullanılacak” — yani cilalamak yerine budamak ve seçmek.</p><p>— — —</p><p>Context Engineering söz konusu olduğunda işe yarayacak 4 temel bileşen şunlardır:</p><p>1- RAG (Retrieval-Augmented Generation) Temelleri: Chunking (Anthropic Contextual Retrieval), Retrieval (LlamaIndex/LangChain) ve Reranking (Cohere Rerank)<br>2- Context sıkıştırma (LongLLMLingua)<br>3- Harici hafıza mimarileri (MemGPT/Letta, Mem0)<br>4- Prompt caching mekaniği</p><h4>2.1. RAG (Retrieval-Augmented Generation) Nedir?</h4><p>Modelin bilmediği ya da context’e sığmayacak kadar büyük bir bilgi kaynağın var (mesela şirketinin 10 bin sayfalık dokümantasyonu). Bunun tamamını her istekte modele gönderemezsin — hem token limiti hem maliyet. Retrieval, kullanıcının sorusuna göre bu büyük kaynaktan en alakalı birkaç parçayı seçip sadece onları context’e koyma işi.</p><p><strong><em>Tipik akış:</em></strong></p><p>1- Dokümanları önceden küçük parçalara (chunk) bölersin.</p><p>2- Her parçayı bir embedding modeliyle vektöre çevirirsin (anlamsal temsil).</p><p>3- Kullanıcı soru sorduğunda, sorunun embedding’i ile chunk embedding’leri arasında benzerlik (cosine similarity) hesaplarsın.</p><p>4- En benzer N parçayı (mesela top-20) çekip context’e koyarsın.</p><p>Bu adıma “RAG” (Retrieval-Augmented Generation) deniyor — modelin cevabını, retrieval’dan gelen dokümanlarla “zenginleştiriyorsun.”</p><p><strong><em>Peki reranking neden lazım?</em></strong></p><p>Embedding benzerliği ( 3. ve 4. adımlar ) kaba bir filtre. Vektör benzerliği hızlı hesaplanır ama kaba: “anlamsal olarak yakın” ile “bu soruyu cevaplamak için gerçekten en doğru parça” her zaman aynı şey değil. Embedding modeli tüm chunk’ı tek bir vektöre sıkıştırdığı için ince nüansları kaybeder — mesela soru ile chunk’ın sadece konusu aynı ama cevap orada yok, yine de yüksek benzerlik skoru çıkabilir.</p><p>Reranker, bu kaba listeyi (top-20) alıp, soru ile her chunk’ı birlikte (çift olarak) modele verip “bu chunk bu soruyu ne kadar iyi cevaplıyor” skorunu daha pahalı ama daha isabetli bir şekilde yeniden hesaplıyor. Sonra bu yeni sıralamayla top-3 ya da top-5&#39;i seçip context’e koyuyorsun.</p><p>İki aşamalı olmasının sebebi maliyet: reranker daha doğru ama daha yavaş/pahalı, tüm dokümana uygulanamaz. Önce ucuz embedding araması ile kabaca eleyip (10 bin parçadan 20&#39;ye düşürerek), sonra pahalı ama isabetli reranker ile o 20&#39;yi 5&#39;e indiriyorsun.</p><p>Bu yüzden context engineering’in ilk kuralı burada somutlaşıyor: modele “belki lazım olur” diye 20 chunk göndermek yerine, gerçekten lazım olan 3–5 chunk’ı bulup göndermek. Az önce konuştuğumuz gibi, gereksiz chunk hem dikkat bütçesini (attention) gereksiz yere paylaştırıyor hem de token/maliyet artırıyor.</p><h4>2.2. Context Sıkıştırma Nedir?</h4><p>Retrieval + reranking sonunda elinde “alakalı” 3–5 chunk var diyelim, ama bu chunk’ların kendisi hâlâ gereksiz kelimelerle dolu olabilir — bağlaç, tekrar, dolgu cümleler, konuyla ilgisiz ara cümleler. Context sıkıştırma, retrieval’ın “hangi chunk’ları seçelim” sorusundan bir adım sonrasına odaklanıyor: seçilen chunk’ların içindeki token’ları da budayarak sadece bilgi taşıyan kısmı bırakıyor.</p><p><strong><em>LongLLMLingua Nasıl Çalışıyor?</em></strong></p><p>Küçük bir dil modeli (asıl büyük modelden çok daha ucuz) her token’ın “ne kadar bilgi taşıdığını” (perplexity/entropi bazlı) ölçüyor. Sezgi şu: bir token, önceki token’lardan zaten büyük ölçüde tahmin edilebiliyorsa (yani model onu “şaşırmadan” tahmin edebiliyorsa), o token pek yeni bilgi katmıyor demektir — bağlaçlar, kalıp ifadeler, tekrarlar genelde böyle. Buna karşılık modelin “şaşırdığı” (yüksek belirsizlikli) token’lar genelde özel isim, rakam, sonuç cümlesi gibi asıl bilgiyi taşıyanlar.</p><p>Bu ölçüme göre düşük bilgi değerli token’lar elenip, yüksek bilgi değerli olanlar tutuluyor — sonuçta anlam büyük ölçüde korunurken token sayısı ciddi düşüyor.</p><p><strong><em>Retrieval’dan farkı</em></strong></p><p>Retrieval “hangi dokümanı/parçayı dahil edeyim” seçimidir (chunk seviyesinde, kaba taneli). Sıkıştırma ise “seçtiğim parçanın içindeki hangi kelimeyi tutayım” seçimidir (token seviyesinde, ince taneli). İkisi birbirini tamamlıyor: önce doğru chunk’ları bul, sonra o chunk’ların kendisini de yağını alarak küçült.</p><h4><strong><em>2.3. Harici Hafıza (external memory) Nedir?</em></strong></h4><p>Context sıkıştırma ve retrieval, “elimdeki bilgiyi nasıl daha verimli sığdırırım” sorusunu çözüyor. Ama başka bir sorun var: context window’un kendisi sabit boyutlu (128K, 200K token gibi) ve konuşma uzadıkça, ya da bir agent uzun süre çalıştıkça, geçmişin tamamı hiçbir zaman sığmayabilir. Ayrıca bir oturum bitip yeni bir oturum başladığında, model varsayılan olarak hiçbir şey hatırlamaz — her context window kendi başına bir “temiz sayfa.”</p><p>MemGPT/Letta ve Mem0&#39;ın çözdüğü problem bu: konuşmanın/agent’ın tüm geçmişini context window’a sıkıştırmaya çalışmak yerine, hafızayı katmanlı bir yapı olarak yönetmek.</p><p><strong><em>“İşletim sistemi hafızası gibi” benzetmesi</em></strong></p><p>Bir bilgisayarda RAM sınırlı ama disk büyük; işletim sistemi hangi sayfaların RAM’de kalacağına, hangilerinin diske (swap) yazılacağına karar verir, ihtiyaç olduğunda diskten geri okur. MemGPT tam bu modeli LLM’e uyguluyor:</p><ul><li><strong><em>Context window (RAM’e benzer)</em></strong>: şu anki konuşmanın aktif kısmı, model burada “görüyor.”</li><li><strong><em>Harici depo (disk’e benzer)</em></strong>: geçmiş konuşmalar, kullanıcı hakkında öğrenilen bilgiler, uzun vadeli notlar — bir veritabanında/vektör deposunda saklanıyor, context window’da değil.</li><li>Modelin kendisi, bir tür “fonksiyon çağrısı” (tool call) ile bu harici depoya yazabiliyor (“bu bilgiyi hatırlamam gerek, kaydet”) ve oradan okuyabiliyor (“bu konuşmada lazım olan eski bilgiyi getir”).</li></ul><p>Yani model, kendi hafıza yönetimine kısmen kendisi karar veriyor: hangi bilgiyi context’te tutacağını, hangisini dışarı “sayfalayıp” gerektiğinde geri çağıracağını yönetiyor.</p><p><strong><em>Retrieval’dan farkı</em></strong></p><p>Retrieval genelde statik bir doküman kümesinden (şirket dokümantasyonu gibi) çekiyordu. Harici hafıza daha çok dinamik, konuşmaya özel bilgi için: “kullanıcı geçen hafta bana X dedi”, “bu agent görev boyunca şu ara sonuçları çıkardı” gibi zamanla biriken, kişiye/oturuma özel bilgiler. Mem0 bunu daha çok “kullanıcı profili/tercih hafızası” gibi kullanır (chatbot’un seni hatırlaması), MemGPT/Letta daha genel amaçlı, agent’ın kendi kendine yönettiği bir hafıza sistemidir.</p><p><strong><em>Somut örnek </em></strong>: Bir chatbot yapıyorsan ve “kullanıcı her oturumda baştan başlamasın, geçen ay konuştuklarımızı hatırlasın” istiyorsan, çözüm “context window’u büyütmek” değil (hem pahalı hem attention’ı sulandırıyor), çözüm bu bilgiyi context dışında saklayıp sadece ilgili olanı seçici şekilde enjekte etmek — retrieval’a çok benzer bir mantık ama kaynak dokümanlar değil geçmiş etkileşimlerdir.</p><h4>2.4. Prompt Caching Nedir?</h4><p>Şimdiye kadarki konularda hep “context’e ne koyalım, neyi atalım” sorusunu konuştuk. Prompt caching farklı bir eksende çalışıyor: aynı içeriği tekrar tekrar gönderiyorsan, onu her seferinde yeniden hesaplatmayalım.</p><p>Hatırla, autoregressive generation konusunda konuştuğumuz KV cache: model bir dizideki her token için K,V vektörlerini hesaplayıp saklıyordu, böylece bir sonraki token üretilirken bu hesap tekrarlanmıyordu. Ama bu, tek bir istek/oturum içindeydi. Prompt caching bunu istekler arası genişletiyor: eğer sistem promptun, tool tanımların, RAG’dan gelen büyük bir doküman her istekte aynıysa (değişmiyorsa), o kısmın K,V hesabını API sağlayıcısı tarafında saklayıp, bir sonraki istekte sıfırdan hesaplamak yerine cache’ten okuyabilirsin.</p><p><strong><em>“Statik içeriği başa, dinamiği sona koy” kuralı neden var?</em></strong></p><p>Attention’ın çalışma şeklinden (Q·K·V) kaynaklanıyor: bir token’ın K,V değeri, o token’a kadarki tüm önceki token’lara bağlı değil, sadece kendi embedding’ine bağlı — ama pratikte cache mekanizması diziyi baştan itibaren aynıysa geçerli sayıyor (bir nevi “prefix matching”). Yani:</p><pre>[sistem promptu (sabit)] + [tool tanımları (sabit)] + [RAG dokümanı (sabit)]<br> + [kullanıcı sorusu (her seferinde değişir)]</pre><p>Bu sırada, ilk üç blok her istekte birebir aynıysa, API bunların K,V’sini önceki istekten hatırlıyor ve sadece en sondaki değişken kısmı (kullanıcı sorusu) yeniden hesaplıyor. Eğer değişken kısmı başa koysaydın, dizinin en başından itibaren “prefix” değişmiş olurdu, cache tamamen geçersiz kalırdı — çünkü sonraki her token’ın hesabı, zincirleme olarak öncekilere bağlı bir şekilde işleniyor (autoregressive yapı).</p><p><strong><em>Maliyet etkisi</em></strong></p><p>Sistem promptun + tool tanımların + sabit doküman 10 bin token, kullanıcı sorusu 50 token olsun. Cache olmadan her istekte 10 bin+ token’ı baştan hesaplıyorsun. Cache ile sadece o 50 token’ın maliyetini ödüyorsun, geri kalan 10 bin token için çok daha düşük bir “cache okuma” ücreti var. Özellikle sistem promptu/tool tanımı büyük ve sabit olan, kullanıcı sorusu kısa olan uygulamalarda (agent’lar, kod asistanları gibi) etkisi çok büyük.</p><h4>Sonuç ve Değerlendirme</h4><p>Özetle; kapalı LLM modelleriyle mimari inşa ederken performansı, hızı ve maliyeti belirleyen ana unsur modellere ne kadar veri aktardığımız değil, bu veriyi nasıl <strong><em>filtrelediğimiz ve yönettiğimizdir</em></strong>. Token bazlı maliyet hesaplarından transformer mimarisindeki attention dağılımına kadar her teknik detay, üretim seviyesindeki (production-ready) uygulamalarda Context Engineering’in neden bir lüks değil, zorunluluk olduğunu gösteriyor.</p><p><strong><em>Bu konularda hâlâ çok yeniyim; araştırıp öğrendiklerimi, deneyimlerimi yazıya dökmeye ve paylaşmaya devam edeceğim.</em></strong></p><p>Görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fdf4244205eb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Three Ways to Run Code “Before and After” in .NET]]></title>
            <link>https://akan-tugba.medium.com/three-ways-to-run-code-before-and-after-in-net-063eb81cd945?source=rss-ebb726cb7165------2</link>
            <guid isPermaLink="false">https://medium.com/p/063eb81cd945</guid>
            <category><![CDATA[action-filter]]></category>
            <category><![CDATA[middleware]]></category>
            <category><![CDATA[aspnetcore]]></category>
            <category><![CDATA[aop]]></category>
            <category><![CDATA[interceptors]]></category>
            <dc:creator><![CDATA[Tugba Akan]]></dc:creator>
            <pubDate>Fri, 19 Dec 2025 06:36:20 GMT</pubDate>
            <atom:updated>2025-12-19T06:36:20.114Z</atom:updated>
            <content:encoded><![CDATA[<h3>Three Ways to Run Code “Before and After” in .NET</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*E7zn3BuPgzh0u4w0d4ZfWA.png" /><figcaption>Understanding where middleware, action filters, and interceptors run in the request lifecycle</figcaption></figure><p>When you build a backend API in .NET, you’ll often hear these three terms:</p><ul><li><strong>Middleware</strong></li><li><strong>Action Filters</strong></li><li><strong>Interceptors</strong></li></ul><p>At first, they sound similar. All of them “run code before or after something.”<br> But <strong>what they wrap</strong>, <strong>where they live</strong>, and <strong>when they execute</strong> are very different.</p><p>In this article, we’ll explain each concept <strong>in simple terms</strong>, then look at <strong>one real example</strong> from a my recent project in production.</p><p>If you’re a junior developer, this will help you answer questions like:</p><blockquote>“Where should I put this logic?”<em><br> </em>“Why not just use middleware for everything?”</blockquote><h3>🌐Middlewares: Runs for <strong>Every HTTP Request</strong></h3><h4>👉 What is middleware?</h4><p>A <strong>middleware</strong> is a component that runs <strong>for every HTTP request and response</strong>.</p><p>Think of middleware like a <strong>security checkpoint at the entrance of a building</strong>:</p><ul><li>Every request must pass through it</li><li>It runs <strong>before your controller</strong></li><li>It can also run <strong>after the response is created</strong></li></ul><p>Middleware lives in the <strong>HTTP pipeline</strong> and is registered in Program.cs.</p><h4>👉 What is middleware good for?</h4><p>Use middleware when logic is:</p><ul><li>Request-wide</li><li>Cross-cutting</li><li>Independent of controllers</li></ul><p>Examples:</p><ul><li>Exception handling</li><li>Authentication</li><li>Logging</li><li>Localization</li><li>Security headers</li></ul><h4>🧪 Example: SecurityHeadersMiddleware</h4><p>A SecurityHeadersMiddleware adds HTTP security headers to <strong>every response</strong>.</p><p><strong>What problem does this solve?</strong></p><p>Modern browsers rely on security headers like:</p><ul><li>X-Content-Type-Options</li><li>X-Frame-Options</li><li>Content-Security-Policy</li></ul><p>If you add these manually in controllers:</p><ul><li>You’ll repeat yourself</li><li>You might forget some endpoints</li></ul><p><strong>What the middleware does:</strong></p><ul><li>Intercepts every outgoing response</li><li>Adds security headers consistently</li><li>Requires zero controller changes</li></ul><p><strong>Implementation:</strong></p><pre>public class SecurityHeadersMiddleware<br>{<br>    private readonly RequestDelegate _next;<br><br>    public SecurityHeadersMiddleware(RequestDelegate next)<br>    {<br>        _next = next;<br>    }<br><br>    public async Task InvokeAsync(HttpContext context)<br>    {<br>        context.Response.Headers[&quot;X-Content-Type-Options&quot;] = &quot;nosniff&quot;;<br>        context.Response.Headers[&quot;X-Frame-Options&quot;] = &quot;DENY&quot;;<br>        context.Response.Headers[&quot;Referrer-Policy&quot;] = &quot;no-referrer&quot;;<br><br>        await _next(context);<br>    }<br>}<br></pre><p><strong>Registering ( Program.cs ):</strong></p><pre>app.UseMiddleware&lt;SecurityHeadersMiddleware&gt;();</pre><p><strong>Usage:</strong></p><p>Once registered, <strong>every request and response</strong> goes through it.</p><h4>🧩 Related design pattern</h4><p><strong>Chain of Responsibility</strong></p><p>Each middleware:</p><ul><li>Decides whether to act</li><li>Then passes control to the next one</li></ul><p>This pattern is a perfect match for middleware pipelines.</p><h3>🎯Action Filters: Run Around <strong>Controller Actions</strong></h3><h4>👉What is an action filter?</h4><p>An <strong>action filter</strong> runs <strong>before or after a controller action</strong>.</p><p>Unlike middleware:</p><ul><li>It only runs <strong>inside MVC</strong></li><li>It knows about controllers, actions, and action results</li><li>It does <strong>not</strong> run for every request automatically</li></ul><p>Think of action filters like a <strong>bodyguard assigned to specific rooms</strong>, not the whole building.</p><h4>👉What are action filters good for?</h4><p>Use action filters when logic is:</p><ul><li>Related to controllers or responses</li><li>About validation, formatting, or authorization</li><li>Needed before or after an action method</li></ul><p>Examples:</p><ul><li>Model validation</li><li>CAPTCHA validation</li><li>Response shaping</li><li>Transaction handling at controller level</li></ul><h4>🧪 Example: CaptchaValidationFilter</h4><p>A CaptchaValidationFilter validates a CAPTCHA token <strong>before</strong> a controller action runs.</p><p><strong>What problem does this solve?</strong></p><p>Some endpoints (login, register, form submit) must:</p><ul><li>Block bots</li><li>Validate CAPTCHA tokens</li><li>Stop execution early if validation fails</li></ul><p>Putting this logic in controllers would:</p><ul><li>Pollute action methods</li><li>Cause duplicated code</li></ul><p><strong>What the filter does:</strong></p><ul><li>Runs before the action</li><li>Validates the CAPTCHA token</li><li>Short-circuits the request if invalid</li></ul><p><strong>Implementation:</strong></p><pre>public class CaptchaValidationFilter : IAsyncActionFilter<br>{<br>    public async Task OnActionExecutionAsync(<br>        ActionExecutingContext context,<br>        ActionExecutionDelegate next)<br>    {<br>        if (!context.HttpContext.Request.Headers.TryGetValue(&quot;Captcha-Token&quot;, out var token))<br>        {<br>            context.Result = new BadRequestObjectResult(&quot;Captcha token is missing&quot;);<br>            return;<br>        }<br><br>        var isValid = await ValidateCaptchaAsync(token!);<br><br>        if (!isValid)<br>        {<br>            context.Result = new BadRequestObjectResult(&quot;Invalid captcha&quot;);<br>            return;<br>        }<br><br>        await next();<br>    }<br><br>    private Task&lt;bool&gt; ValidateCaptchaAsync(string token)<br>    {<br>        // Call CAPTCHA provider here<br>        return Task.FromResult(true);<br>    }<br>}</pre><p><strong>Registering ( ConfigureServices.cs ):</strong></p><pre>services.AddControllers(options =&gt;<br>{<br>    options.Filters.Add&lt;CaptchaValidationFilter&gt;();<br>});</pre><p><strong>Usage:</strong></p><pre>[ServiceFilter(typeof(CaptchaValidationFilter))]<br>[ApiController]<br>[Route(&quot;api/auth&quot;)]<br>public class AuthController : ControllerBase<br>{<br>    [HttpPost(&quot;login&quot;)]<br>    public IActionResult Login(LoginRequest request)<br>    {<br>        return Ok(&quot;Login successful&quot;);<br>    }<br>}</pre><h4>🧩 Related design pattern</h4><p><strong>Decorator Pattern</strong></p><p>The action filter:</p><ul><li>Wraps the controller action</li><li>Adds behavior without changing the action itself</li></ul><p>This keeps controllers clean and focused.</p><h3>🧠Interceptors: Run Around <strong>Method Calls (Not HTTP)</strong></h3><h4>👉What is an interceptor?</h4><p>An <strong>interceptor</strong> wraps <strong>method calls</strong>, not HTTP requests.</p><p>This is important.</p><p>Interceptors:</p><ul><li>Are <strong>not part of ASP.NET Core</strong></li><li>Usually implemented with <strong>Dynamic Proxy</strong></li><li>Work at the <strong>service or application layer</strong></li></ul><p>Think of interceptors like a <strong>phone call recorder</strong>:</p><ul><li>It doesn’t care who called</li><li>It wraps the method call itself</li><li>It can run before and after execution</li></ul><h4>👉What are interceptors good for?</h4><p>Use interceptors when logic is:</p><ul><li>Business-layer focused</li><li>Independent of HTTP</li><li>Applied to services, not controllers</li></ul><p>Examples:</p><ul><li>Transaction management</li><li>Caching</li><li>Retry logic</li><li>Exception translation</li></ul><h4>🧪Example: CacheInvalidationInterceptor</h4><p>A CacheInvalidationInterceptor clears cache entries <strong>after a successful method call</strong>.</p><p><strong>What problem does this solve?</strong></p><p>Imagine:</p><ul><li>Data is cached for performance</li><li>A method updates that data</li><li>Cache must be invalidated afterward</li></ul><p>Without interceptors:</p><ul><li>Developers must remember to clear cache manually</li><li>Bugs happen when someone forgets</li></ul><p><strong>What the interceptor does:</strong></p><ul><li>Wraps the method execution</li><li>Lets the method run normally</li><li>Invalidates cache <em>only if execution succeeds</em></li></ul><p><strong>Implementation</strong></p><pre>public class CacheInvalidationInterceptor : IInterceptor<br>{<br>    public void Intercept(IInvocation invocation)<br>    {<br>        invocation.Proceed(); // Call the real method<br><br>        if (invocation.ReturnValue != null)<br>        {<br>            InvalidateCache(invocation.Method.Name);<br>        }<br>    }<br><br>    private void InvalidateCache(string methodName)<br>    {<br>        // Remove related cache entries<br>    }<br>}</pre><p><strong>Registering:</strong></p><pre>builder.Services.AddScoped&lt;ICacheInvalidationProvider, CacheInvalidationProvider&gt;();</pre><p><strong>Usage:</strong></p><pre>[InvalidatesCache]<br>public void UpdateProduct(Product product)<br>{<br>    // Business logic only<br>}</pre><h4>🧩Related design pattern</h4><p><strong>Proxy Pattern</strong></p><p>The interceptor acts as a proxy:</p><ul><li>Controls access to the real method</li><li>Adds behavior transparently</li><li>Leaves business logic untouched</li></ul><h3>⚖️Final Thought</h3><p>These three concepts are <strong>not competitors</strong> — they are tools for <strong>different layers</strong>.</p><p>A good rule of thumb:</p><ul><li>🌐 HTTP-wide concern → <strong>Middleware</strong></li><li>🎯 Controller-specific concern → <strong>Action Filter</strong></li><li>🧠 Business logic concern → <strong>Interceptor</strong></li></ul><p>Understanding <em>where</em> each one belongs is a big step toward writing clean, professional .NET applications.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=063eb81cd945" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Onion Architecture Notlarım]]></title>
            <link>https://akan-tugba.medium.com/onion-architecture-notlar%C4%B1m-f19a3df6a599?source=rss-ebb726cb7165------2</link>
            <guid isPermaLink="false">https://medium.com/p/f19a3df6a599</guid>
            <dc:creator><![CDATA[Tugba Akan]]></dc:creator>
            <pubDate>Sun, 19 Jun 2022 08:43:52 GMT</pubDate>
            <atom:updated>2022-06-19T08:43:52.088Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Core katmanlar:</strong></p><p>Domain — Entity’ler</p><p>Application — Abstraction sağlayan Interface’ler</p><p><strong>Dışarı katmanlar</strong></p><p>Persistance — Data Access Layer</p><p>Infrastructre — Veritabanı dışındaki çevresel birimlere bağlantı</p><p>Presentation — Uygulamanın dışa bakan yüzü, Controller’lar</p><p>Dışarı katmanlardan biri ( A ), bu katmanlardan bir diğerinden ( B ) bilgi almak istediğinde, B katmanındaki nesneyi instantiate etmek yerine, nesneyi, IoC Container’dan talep eder ( type olarak da Application layer’da tanımlanan interface’leri kullanır ). Böylece bu katmanlar birbirlerine sıkı sıkıya bağlı değildir ( loose coupling ).</p><p>Geleneksel Çok Katmanlı Mimaride (N Layer Architectre) ( DAL-BL-PL) DAL merkezdedir. Verinin geliş şekli değiştiği anda, diğer katmanlar da DAL’a bağlı oldugu için, katmanlar arası sıkı bağımlılık oldugu için, abstraction’lar olmadıgı için, tüm uygulamada yüksek maliyetli bir değişiklik yapmak durumunda kalırız.<br>Bir clean architecture çeşidi olan Onion Architecture’da DAL dışarda olduğu için, ve buna bağımlı başka bir katman olmadığı için, veri geliş şekil değiştiği zaman bu değişikliği yönetmek kolay ve düşük maliyetli olur.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f19a3df6a599" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Restful API kullanarak konsol uygulaması yapalım]]></title>
            <link>https://akan-tugba.medium.com/restful-api-kullanarak-konsol-uygulamas%C4%B1-yapal%C4%B1m-6669188f5da9?source=rss-ebb726cb7165------2</link>
            <guid isPermaLink="false">https://medium.com/p/6669188f5da9</guid>
            <dc:creator><![CDATA[Tugba Akan]]></dc:creator>
            <pubDate>Fri, 05 Mar 2021 21:33:01 GMT</pubDate>
            <atom:updated>2021-07-16T12:09:57.345Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir Restful API’den data çekip basit bir uygulamada kullanalım mı? Hangi API’yi kullanabilirim, ne yapabilirim diye araştırırken RapidApi sitesinde API cennetine düştüm. Kategorilere ayrılmış yüzlerce API var. Ücretli olanlar olsa da ücretsiz API’lerle hiç para ödemeden uygulamamızı yapabiliriz.</p><p>Uygulamamızda Referential isimli API’yi kullanacağız. Bu API bize kıta, ülke, şehir bilgilerini veriyor:</p><p><a href="https://rapidapi.com/referential/api/referential/endpoints">Referential API Documentation (referential) | RapidAPI</a></p><p>Basit bir bilgi oyunu yapalım, soruda bir şehir ismi verelim ve şıklarda verilen ülkelerden hangisinde olduğu soralım. Oyunu basitleştirmek için kıta bazlı yapalım, oyuncuya soruyu sormadan önce hangi kıta için oynamak istediğini soralım.</p><p>1- Visual Studio’da Console App seçerek yeni bir proje oluşturalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/804/1*_4wJuzO5AKqYyCN3OnesiQ.png" /></figure><p>2- İlk model’imizi oluşturarak başlayalım. Proje içine Models isimli bir klasör ekleyelim ve altına kıta bilgilerini içerecek Continent isimli yeni bir class oluşturalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/718/1*7uaE3vvjpMIbCSyppvRTXQ.png" /></figure><p>Sınıfımızın özellikleri için API’dan dönecek sonuçları incelememiz gerecek. Get Continents endpoint’ini çalıştırıp dönen sonuçlara bakalım. Sonuçların türkçe olması için (lang: tr) parametresi verdim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/813/1*YWHhkBeJPuTD3HUgUPr0SA.png" /></figure><p>Results tab’inda sonuçlara bakalım, Value ve Key olmak üzere iki property dönüyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/327/1*NzmJmq8olOv46rp_cAo8dQ.png" /></figure><p>Continent sınıfında da Value ve Key alanları olacak. Ayrıca oyunda kullanmak üzere Id diye bir alan da ekleyelim. Value ve Key alanları API’dan dönen sonuç ile besleneceği için önüne JsonProperty yazıyoruz. Bunun için de Newtonsoft.Json paketini eklememiz gerekiyor.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c3e495881ed9307dc5e52194f56e58dc/href">https://medium.com/media/c3e495881ed9307dc5e52194f56e58dc/href</a></iframe><p>API’yi çağırıp sonuçları uygulamamızda görelim. Services diye yeni bir klasör, altına da APICall diye yeni bir sınıf ekleyelim. RapidAPI’deki her API ve her endpoint için kullanabileceğimiz generic bir sınıf olacak.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/609/1*Rj2q1E_Yz4P23WnTyNoqJA.png" /></figure><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/6d667222c1d529f3e6938f545df3c266/href">https://medium.com/media/6d667222c1d529f3e6938f545df3c266/href</a></iframe><p>Yeri gelmişken referans vereyim, bu metotu aşağıdaki medium yazısından uyarladım:</p><p><a href="https://medium.com/c-programming/how-to-call-restful-apis-in-c-demo-using-zomato-api-d1f042cccb9d">How to Call RESTful APIs in C# (Demo using Zomato API)</a></p><p>Services klasörü altına ReferentialAPIInfo isimli yeni bir sınıf ekleyelim. API ve endpoint bilgilerini buraya yazacağız.</p><p>RapidAPI’de code snippets tab’ında API’yı nasıl çağırmamız gerektiği yazıyor. Her endpoint için ortak url’in “<a href="https://referential.p.rapidapi.com/v1">https://referential.p.rapidapi.com/v1</a>” oldugunu görüyoruz. Kıta bilgilerini çekmek için buna “/continent?lag=tr” eklememiz lazım. Ayrıca api host ve api key bilgilerini de kopyalayıp ve ReferentialAPIInfo sınıfını düzenleyelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/506/1*fESzynj_9Aw6Dh6KxJHDkg.png" /></figure><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0e3182a95a4691b1840325db81b179d7/href">https://medium.com/media/0e3182a95a4691b1840325db81b179d7/href</a></iframe><p>Program sınıfını, API’ı çağırıp sonuçları ekrana yazacak şekilde düzenleyelim:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/56fbb65766a926b7787cf75e7fa93a0c/href">https://medium.com/media/56fbb65766a926b7787cf75e7fa93a0c/href</a></iframe><p>Geldik en heyecanlı yere, uygulamayı çalıştırıp sonuçları görelim. Bakalım yeni bir kıta keşfedilmiş mi? Derken hiç bir kıta gelmedi :(</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/380/1*D7597Oa6qEvXjSR2wxu8qA.png" /></figure><p>Kodu debug ettiğimde API’dan gelen response’un statusunda ‘Forbidden’ yazdığını gördüm. API-key’imi sizden saklayayım derken uygulamadan da saklamışım, o yüzden API bana ‘dur’ demiş.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/641/1*TT7asqc1BPCLT4mcQLIvSg.png" /></figure><p>ReferentialAPIInfo sınıfında apiKey değişkeninin değerini düzelttim, tekrar çalıştırdım ve 7 kıtayı da gördüm. Tebrikler, API çağırdınız ve sonuçları uygulamanızda görüntülediniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/1*wLFIOKCIfSD_ksBQLIeACg.png" /></figure><p>Kodun buraya kadar olan kısımları github’a yükledim:</p><p><a href="https://github.com/tugbaakan/SehirUlkeTahminOyunu/tree/4db8dbca319120d8416b5133621cdf1ebce575d3">tugbaakan/SehirUlkeTahminOyunu</a></p><p>Ayrıca oyunun son halini de ikinci commit olarak yükledim:</p><p><a href="https://github.com/tugbaakan/SehirUlkeTahminOyunu">tugbaakan/SehirUlkeTahminOyunu</a></p><p>16/07/2021 Edit: Bugünlerde geliştirme yaparken basit bir API’ya ihtiyacım olduğunda şu siteyi kullanıyorum, size de tavsiye ederim. Ayrıca ufak da olsa destek olursanız API’ı kullanmaya devam edebiliriz.</p><p><a href="https://jsonplaceholder.typicode.com/">JSONPlaceholder</a></p><p>Umarım faydalı bir yazı olmuştur. Başka çaylak yazılarda görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6669188f5da9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[.NET API uygulamalarında kullanılabilecek LINQ komutları]]></title>
            <link>https://akan-tugba.medium.com/net-api-uygulamalar%C4%B1nda-kullan%C4%B1labilecek-linq-komutlar%C4%B1-408eb900b4de?source=rss-ebb726cb7165------2</link>
            <guid isPermaLink="false">https://medium.com/p/408eb900b4de</guid>
            <category><![CDATA[api]]></category>
            <category><![CDATA[net-core]]></category>
            <category><![CDATA[linq]]></category>
            <category><![CDATA[c-sharp-programming]]></category>
            <category><![CDATA[web-development]]></category>
            <dc:creator><![CDATA[Tugba Akan]]></dc:creator>
            <pubDate>Tue, 02 Feb 2021 21:05:40 GMT</pubDate>
            <atom:updated>2022-09-03T11:32:39.126Z</atom:updated>
            <content:encoded><![CDATA[<h3>EntityFramework Core ve LINQ komutları</h3><p>Merhaba,</p><p>Web uygulama öğrenirken birçok video izledim, Udemy eğitimleri aldım. Repository sınıfları içinde veritabanından sorgu çekerken hangi komutu, ne zaman kullanacağımı çözene kadar bayağı zorlandım. Bilenler için çok kolay, bilmeyenler için zorlayıcı olan bu komutları hem kendim gelecekte bakmak hem de yeni öğrenen arkadaşlara rehber olması için toparlamaya çalıştım:</p><p><strong><em>1- Tüm listeyi çekmek için:</em></strong></p><pre>using Microsoft.EntityFrameworkCore<br>…<br>return await _context.Products.ToListAsync();</pre><p><strong><em>2- Tablonun primary key alanında bir sorgulama yapmak istediğimizde ( primary key doğası gereği tek kayıt döndürür ):</em></strong></p><pre>return await _context.Products.FindAsync(productId);</pre><p><strong><em>3- Id’sini bildiğimiz bir kaydı, ona bağlı başka tablodan kayıtlarla beraber çekmek için:</em></strong></p><pre>using Microsoft.EntityFrameworkCore<br>…<br>return await _context.Products<br>   .Include(c =&gt; c.Sizes)<br>   .SingleOrDefaultAsync(p =&gt; p.Id == productId);</pre><p>Not: Include komutu diğer tablodaki tüm alanları getirdiği için verimsiz olabilir. Ayrıca yukarıdaki komut Controller’da kullanılırsa sonsuz döngü hatası verir. Bu sebeple DTO’lar (Data Transfer Objects) kullanılır:</p><pre>return await _context.Products<br>    .ProjectTo&lt;FavoriteProductDto&gt;(_mapper.ConfigurationProvider)<br>    .ToListAsync();</pre><p><strong><em>4- Tablodan istediğimiz kriterden tek kayıt oldugunu varsayıyorsak ( diliyorsak ) tek kayıt çekmek için:</em></strong></p><pre>return await _context.Products.FirstOrDefaultAsync<br>    (p =&gt; p.CategoryId == 5 );</pre><p><strong><em>veya</em></strong></p><pre>using System.Linq<br>…<br>return await _context.Products.Where<br>     (p =&gt; p.CategoryId == 5 ).FirstOrDefaultAsync();</pre><p><strong><em>5- Tablodan istediğimiz kriterdeki kayıtları çekmek için:</em></strong></p><pre>using System.Linq<br>…<br>return await _context.Products.Where<br>     (p =&gt; p.CategoryId == 5 ).ToListAsync();</pre><p><strong><em>6- Tabloda kayıt olup olmadığını kontrol etmek için (boolean döner):</em></strong></p><pre>using Microsoft.EntityFrameworkCore<br>…<br>return await _context.Products.AnyAsync();</pre><p><strong><em>7- Tabloda istedigimiz kriterde kayıt olup olmadığını kontrol etmek için (boolean döner):</em></strong></p><pre>using Microsoft.EntityFrameworkCore<br>…<br>return await _context.Products.AnyAsync(p =&gt; p.CategoryId == 5);</pre><p><strong><em>8- Kayıtları sıralı çekmek için:</em></strong></p><pre>return await _context.Products.OrderBy<br>       (p =&gt; p.ProductName).ToListAsync();</pre><p><strong><em>9-Sadece istedigimiz tek alanı çekmek için:</em></strong></p><pre>return await _context.Products.Select <br>       (p =&gt; p.ProductName).ToListAsync();</pre><p><strong><em>10- Sadece istedigimiz alanları çekmek için(farklı class döner):</em></strong></p><pre>return await _context.Products.Select(p =&gt; new Product2 <br>    {<br>         Name2 = p.ProductName, Desc2 = p.ProductDescription <br>    }).ToListAsync();</pre><p>Not: Bunun çok kullanılan bir şey olmadığını düşünüyorum. Genel olarak yapılan şey DTO tanımlamak ve AutoMapperProfiles() metodu içinde mapping oluşturmak. Örnek iki mapping tanımı:</p><pre>CreateMap&lt;Photo, PhotoDto&gt;();</pre><p>veya</p><pre>CreateMap&lt;Message, MessageDto&gt;()<br>   .ForMember(dest =&gt; dest.SenderPhotoUrl, opt =&gt; opt.MapFrom(<br>   src =&gt;   src.Sender.Photos.FirstOrDefault(x =&gt; x.IsMain).Url))<br>   .ForMember(dest =&gt; dest.RecipientPhotoUrl, opt =&gt; opt.MapFrom(<br>   src =&gt; src.Recipient.Photos.FirstOrDefault(x =&gt; x.IsMain).Url));</pre><p><strong><em>11- Kayıt eklemek için ( kaydetme işleminin başarıyla tamamlanıp tamamlanmadığını bilmek istediğimiz için async tanımlamıyoruz ):</em></strong></p><pre>_context.Products.Add(product);</pre><p><strong><em>12- Kayıt güncellemek için ( güncelleme işleminin başarıyla tamamlanıp tamamlanmadığını bilmek istediğimiz için async tanımlamıyoruz ):</em></strong></p><pre>_context.Products.Update(product);</pre><p><strong><em>13- Kayıt silmek için ( silme işleminin başarıyla tamamlanıp tamamlanmadığını bilmek istediğimiz için async tanımlamıyoruz ):</em></strong></p><pre>_context.Products.Remove(product);</pre><p>Bu bilgilerin hepsi ve daha fazlası için size bir Udemy kursunu önerebilirim. Web uygulamaya dair nerdeyse tüm bilgileri içerdiği ve ders gruplamaları çok iyi yapıldığı için kafama bir şey takıldığı anda ilgili bilgiyi nokta atışı bulabildiğim için benim için birincil kaynak oldu:</p><p><a href="https://www.udemy.com/share/101Wh2A0IedF9QQ34=/">Building an App with ASPNET Core and Angular</a></p><p>Sizin de yapmak istediğiniz ama yapamadığınız sorgu varsa yorumlara yazın, beraber uğraşalım. Başka yazılarda görüşmek üzere!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=408eb900b4de" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yazılımcının alet çantası]]></title>
            <link>https://akan-tugba.medium.com/yaz%C4%B1l%C4%B1mc%C4%B1n%C4%B1n-alet-%C3%A7antas%C4%B1-49ee42d74d31?source=rss-ebb726cb7165------2</link>
            <guid isPermaLink="false">https://medium.com/p/49ee42d74d31</guid>
            <category><![CDATA[office]]></category>
            <category><![CDATA[ergonomics]]></category>
            <category><![CDATA[health]]></category>
            <category><![CDATA[software-developer]]></category>
            <dc:creator><![CDATA[Tugba Akan]]></dc:creator>
            <pubDate>Tue, 15 Dec 2020 20:34:30 GMT</pubDate>
            <atom:updated>2021-02-20T17:49:36.371Z</atom:updated>
            <content:encoded><![CDATA[<p>5 yıldır bilgi teknolojileri sektöründe, yani masa başı çalışıyorum. Oturarak çalışmak dışardan rahat gibi görünse de aslında yaşadığımız şey bilgisayar karşısında, sandalye tepesinde yıpranmak. Sırt, boyun, bel ve baş ağrıları, göz kuruluğu, bilekte sinir sıkışması, panik atak gibi psikolojik, şeker-tansiyon gibi fizyolojik rahatsızlıklar… Çalışmaya ilk başladığım zamanlar gençliğime güvenip bu sorunlarla hiç karşılaşmayacağımı düşündüm. Sorunlar baş gösterdiği zaman uzunca süre somurtup şikayet ettim. Ama en sonunda bir mühendisin yapması gerekeni yaptım: Elime aldığım işlerde çıkan sorunları düzeltiyor ve bu sorunların tekrarlanmaması için gerekeni düşünüyorsam aynı ilgiyi pekala kendime de gösterebilirdim. Kendime yaptığım yatırımlara madde madde bakalım:</p><p>Bilgisayar yükseltici + kablosuz klavye+ kablosuz fare: Bu üçlü set çalışma koşullarımı sıfırdan zirveye çıkardı. Artık dik oturuyorum, bilgisayar üzerine kapanıp kamburumu çıkarmıyorum. Bilgisayar yüksekte olduğu için boynum dik duruyor, gıdım çıkmıyor, yüz ifadem bile iyi yönde değişti. Bonus olarak da stres seviyem azaldı. Bu nasıl oldu derseniz, eski işyerinde bir abimiz vardı. Acayip rahat bir duruşu vardı, çözemediğimiz bir sorun olduğunda telaşla yanına giderdik. Bakalım derdi ama böyle yaylana yaylana bakardı. Ya da ben mi öyle algılıyordum? Bu abinin yükseltici seti olduğu için bizim gibi kapanmaz ve hep dik çalışırdı. Aslında işe aynı ilgiyi gösteriyorduk ama ben ergonomik olmayan koşularda hem vücuduma hem de ruhuma eziyet ediyorum. Artık vücut olarak dik duruşum sorunlara yaklaşımı da değiştirdi, daha sakin yaklaşıyorum ve çözüyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*e2cslW8kIiJJEV4v" /><figcaption>Photo by <a href="https://unsplash.com/@workperch?utm_source=medium&amp;utm_medium=referral">Workperch</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/453/1*aeDScxTrcKd11ZZv4QUYOQ.jpeg" /><figcaption>Bel minderi</figcaption></figure><p>Bel minderi: Dik oturmak sırt ve boyun için iyi olsa da desteksiz dik oturmak bele aşırı yük binmesine sebep olup ağrı yapabilir. Bu yüzden bir bel minderi gerek. İnternette farklı seçenekler var, ben aldığım bir tanesinden memnun kalmamıştım bu yüzden evdeki ufak bir minderi ofise getirdim. Gayet işimi gördü.</p><p>Mousepad: Bileğinizi destekleyecek, hem de desenleri ile size keyif verecek bir mousepad size iyi gelir. Kolay kirlenen bir şey olduğu için, özellikle bu pandemi zamanında, hijyenik olmadığı için uzak durmak isteyebilirsiniz. Ben sünger yapıda olanından iki tane aldım, sık sık yıkayıp temiz temiz kullanıyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/1*A1fHl8eP_hYoy7MI4ehIEQ.jpeg" /><figcaption>Mousepad</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/780/1*dv-4YolFgc8_z-kj6W3-FA.jpeg" /></figure><p>Çocuk basamağı: Bu madde ortama, sandalye tipine ve kişinin boyuna göre değişebilir. Ben şahsen sandalyede oturmayı sevmiyorum ve beceremiyorum. Ofiste kurallara uyarım ama evde yemek yerken falan sandalyenin tepesine tüner gibi otururum :) Pandemi sebebiyle evden çalıştığım için uzun süre bu şekilde oturmak dizlerimi ağrıtıyor. Sandalyede oturur pozisyonda ise ayaklarım tam olarak yere basmıyor ve belim ağrıyor. Çocuk basamağı sayesinde hem belim ağrımıyor hem de bacaklarımda kan dolaşımı sekteye uğramıyor. Ayaklarımı yerden yükseltecek herhangi bir şey yerine çocuk basamağı kullanma sebebim ise altındaki kaymaz kaplamalar sayesinde sabit durması.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*zQ0fSqLIiVXP6j38q0loyw.jpeg" /><figcaption>Mavi ışık filtreli gözlük</figcaption></figure><p>Mavi ışık filtreli gözlük: Antirefle kaplamalı gözlükleri yeşil-pembe yansımaları olduğu seviyordum ve mavi yansımalı camlara mesafeliydim. Ama bilgisayar karşısında yanan ve kuruyan gözlerim sonucu bu camları denemeye karar verdim. Gayet memnunum, ayrıca mavi yansımasına da alıştım, kötü gelmiyor artık. Yine de gözlerinizde kuruma/yanma devam ederse FullFresh marka tek kullanımlık gözyaşı damlalarından kullanabilirsiniz.</p><p>Sağlam ve rahat bir kulaklık: Müzik dinlemeden çalışabilen insanlara şaşırıyorum. Olur da kulaklığımı evde unutursam ofiste gün bitmiyor, çalışamıyorum, konsantre olamıyorum. Sebebinin müzik değil, kulaklığın kendisi olma ihtimali yüksek. Yıllardır alışmışım kulaklığı takıp ders çalışmaya veya iş yapmaya. Kulaklık hem dışarıya ‘çalışıyorum, rahatsız etmeyin’ mesajı veriyor, hem de beynime ‘dışarıya kendini kapat ve işin yoğunlaş’ emri veriyor. Bu yüzden kulaklığım beni bilgisayar ile bütünleştiren bir bağ. Hem kölesiyiz, hem seviyoruz.</p><p>Bir müzik dinleme platformunda premium üyelik: Ben spotify kullanıyorum. Eski işyerimde youtube’a girebiliyorduk ve oradan şarkı dinliyordum. İş değiştirdim, ve yeni işyerimde youtube’a erişim yoktu. Ben de spotify kullanmaya başladım. O kadar seviyorum ki evden çalışırken youtube, radyo, televizyon her bi’şeyim olmasına rağmen spotify premium üyeliğimi kapatmıyorum. Küçük bir meblaya istediğiniz her şeyi dinleyebiliyorsunuz, podcast’ler dahil. Reklamsız.</p><p>Telefon şarj aleti/kablosu: Bunu bir kamu spotu olarak yazıyorum. Arkadaşlar herkes kendi şarj aletini getirsin, milletin şarjına sulanmasın. Yardımlaşmak güzel, paylaşmak güzel. Ama benim şarjım bittiğinde ofiste şarj aletimi aramam, ödünç ister gibi insanlara yalvarmam hiç hoş olmuyor.</p><p>Ethernet kablosu: Bu maddeyi ofis değil de evden çalışma için yazıyorum. Ev internetimde sık sık kopmalar oluyor ve evden çalışırken VPN bağlantısı ile şirkete bağlandığım için bu kopmalar çalışmama engel oluyordu. İlk yaptığım şey internet sağlayıcımı arayıp kopmalardan şikayet etmek oldu. Çağrı temsilcisi bana kablosuz mu kablolu mu bağlanıyorsunuz diye sordu, ben de ‘2020 yılındayız ne kablosu ya, kablosuz bağlanıyorum tabiki de. Masaüstü bilgisayar mı kaldı?’ diye çıkıştım. Halbuki dizüstü bilgisayarın da ethernet girişi var değil mi? Hepimiz yanılabiliriz arkadaşlar, hepimizin kafası karışabilir. Önemli olan hatada ısrarcı olmamak. Gittim bir ethernet kablosuz aldım, o günden beri bağlantı problemi yaşamıyorum, çağrı temsilcilerini azarlamıyorum, herkese de öneriyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/160/1*_R5B4F6rSpG557WYWkbKaw.jpeg" /><figcaption>Limon kolonyası</figcaption></figure><p>Sakız, naneli şeker, kolonya: Ama kolonya dediğin limon kolonyası olur, bu konuda anlaşalım. Uykunuz geldiğinde, canınız sıkıldığında sizi canlandırır. Aynı zamanda işte yeniyseniz arkadaş edinmenizi de hızlandırır. Yanınızdan geçerken bir sakız almak için masanıza uğrayan bir iş arkadaşınızla sohbet edebilir, sosyalleşebilir, ofiste sevilebilirsiniz.</p><p>El kremi: Kolonya olur da el kremi olmaz mı? Pandemi zamanı ellerimizi yıkaya yıkaya, dezenfekte ede ede yara ettik. Korumak da lazım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*DP9LthhKiUwNvsexacuiQA.jpeg" /><figcaption>Erkeklere özel cep aynası</figcaption></figure><p>Ayna: Çekmecemde küçük, kapaklı bir ayna bulundururum. Bence bunun cinsiyeti yok, erkeklerin de arada saçı düzgün mü, dişinde bir şey kalmış mı kontrol etmesi çok normal bence. Erkekler üzerindeki toplumsal baskıyı düşünüp üzülüyorum bazen.</p><p>Suluk: Sağlık için, su için. Ben su almak için mutfağa gitmeyi masadan kalkmış olmak için fırsat olarak görüyordum. Ama bazen masamdan ayrılamayacak kadar yoğun oluyoruz, ve susuz kalıyorum. Kaç litrelik olur, hangi materyalden olur, size kalmış. Ama masada sürahimsi bir suluk şart.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t9tJ8fbMpe7r_9oB30XNGw.jpeg" /><figcaption>Sağlık için, su için.</figcaption></figure><p>Şimdilik kendime yaptığım yatırımlar bu kadar. Ben bunlara yazılımcı kızın çeyizi diyorum. İş değişikliği yaparsam hepsini toplayıp yeni masama götüreceğim. Keşke işe başladığım ilk günden sahip olsaydım bunlara diyorum ama geç olsun, güç olmasın. Eklemek istediğiniz varsa yorumlara beklerim.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=49ee42d74d31" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>