<?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 Rumeysa Türkan on Medium]]></title>
        <description><![CDATA[Stories by Rumeysa Türkan on Medium]]></description>
        <link>https://medium.com/@rumeysaturkan16?source=rss-75011e6852ec------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*w9AS3QsGYZHm81DX.jpg</url>
            <title>Stories by Rumeysa Türkan on Medium</title>
            <link>https://medium.com/@rumeysaturkan16?source=rss-75011e6852ec------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 00:55:13 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@rumeysaturkan16/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[Copilot Studio ile Agent ve Workflow Geliştirmek: İki Gerçek Projeyle Uygulamalı Rehber]]></title>
            <link>https://medium.com/@rumeysaturkan16/copilot-studio-ile-agent-ve-workflow-geli%C5%9Ftirmek-i%CC%87ki-ger%C3%A7ek-projeyle-uygulamal%C4%B1-rehber-bbb8c77aa9f5?source=rss-75011e6852ec------2</link>
            <guid isPermaLink="false">https://medium.com/p/bbb8c77aa9f5</guid>
            <category><![CDATA[workflow]]></category>
            <category><![CDATA[microsoft-copilot]]></category>
            <category><![CDATA[copilot-studio]]></category>
            <category><![CDATA[ai-agent]]></category>
            <dc:creator><![CDATA[Rumeysa Türkan]]></dc:creator>
            <pubDate>Fri, 06 Nov 2026 09:00:36 GMT</pubDate>
            <atom:updated>2026-11-06T09:00:36.929Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h0UeiPhdDS5C2WcZgCuOaQ.png" /></figure><p>Son dönemde “AI Agent” kavramını her yerde duyuyoruz. Ama bir agent tam olarak nedir, klasik bir otomasyondan farkı ne, nasıl kurulur ve şirkete maliyeti ne olur? Bu soruların cevabını en iyi kendim bir şeyler geliştirerek öğrendim.</p><p>Bu yazıda Microsoft Copilot Studio ile geliştirdiğim iki çalışma üzerinden ilerleyeceğim:</p><ul><li><strong>Sprint Hatırlatma Workflow’u:</strong> Sprint bitiminden bir gün önce Azure DevOps’taki açık işleri ekip üyelerine göre gruplayıp herkese kişiselleştirilmiş bir hatırlatma e-postası gönderen bir otomasyon.</li><li><strong>Sözleşme İnceleme Asistanı:</strong> Yüklenen sözleşmeyi şirket kurallarına ve geçmiş deneyimlere göre inceleyen, karşı tarafın tedarikçi listesindeki durumunu sorgulayan ve risk seviyesini belirleyen bir agent. (Bu örnekteki şirket, tedarikçiler ve sözleşmeler kurgusaldır.)</li></ul><p>Önce temel kavramları açıklayacağım, ardından agent’ı adım adım nasıl kurduğumu göstereceğim, en sonda da Copilot Studio’nun maliyet modelini ve yol boyunca öğrendiklerimi paylaşacağım.</p><h3>1. AI Agent Nedir?</h3><p>AI Agent, bir dil modelini kullanarak kendisine verilen görevi yorumlayan, ne yapması gerektiğine karar veren ve bu kararı uygulamak için araç kullanabilen bir yazılım yapısıdır.</p><p>Bunu klasik bir chatbot’tan ayıran şey, yalnızca soru cevaplamakla kalmayıp iş yapabilmesidir. Bir chatbot “tedarikçi listemizde Anka Lojistik var mı?” sorusuna knowledge’ındaki bilgiyle cevap verir. Bir agent ise gerekirse tedarikçi tablosunu kendisi sorgular, sonucu sözleşmedeki maddelerle karşılaştırır ve incelemeyi onaya gönderir.</p><p>Bir agent’ın temel yetenekleri şunlardır:</p><ul><li><strong>Anlamak:</strong> Kullanıcının talebini ve sağlanan belgeyi yorumlar.</li><li><strong>Karar vermek:</strong> Görevi tamamlamak için hangi bilgiye ve hangi araca ihtiyaç olduğunu belirler.</li><li><strong>Araç kullanmak:</strong> Harici sistemlere bağlanır, veri çeker, kayıt oluşturur.</li><li><strong>Değerlendirmek:</strong> Aldığı sonuçlara bakarak bir sonraki adıma karar verir.</li></ul><p>Bir agent’ı oluşturan üç temel parça var: davranışını belirleyen <strong>talimatlar</strong> (instructions), başvurduğu <strong>bilgi kaynakları</strong> (knowledge) ve dış dünyayla etkileşim kurmasını sağlayan <strong>araçlar</strong> (tools). Dördüncü bölümde her birini kendi projem üzerinden göstereceğim.</p><h3>2. Workflow Nedir?</h3><p>Workflow, bir işin önceden tanımlanmış adımlarla, her seferinde aynı mantıkla yürütülmesidir. Bir tetikleyiciyle (trigger) başlar, sırayla aksiyonları çalıştırır, koşullara göre dallanır ve belirli bir sonuç üretir. Yorum yapmaz. Ona ne söylediyseniz onu yapar ve tam da bu yüzden güvenilirdir.</p><p>Microsoft tarafında workflow’ların evi <strong>Power Automate</strong>. Tetikleyiciler, aksiyonlar, koşullar ve yüzlerce hazır bağlayıcı (connector) ile Outlook, Teams, Excel, SharePoint veya Azure DevOps gibi servisleri birbirine bağlayabiliyorsunuz.</p><p>Copilot Studio’da ise <strong>agent flow</strong> adında bir kavram var. Agent flow’lar Power Automate ile aynı tasarımcıyı ve aynı mantığı kullanıyor: tetikleyici, eylemler, bağlayıcılar ve dinamik içerik. Fark şu: bu akışlar Copilot Studio içinde yönetiliyor ve bir agent tarafından araç olarak çağrılabiliyor. Yani Power Automate biliyorsanız agent flow da biliyorsunuz diyebiliriz.</p><h3>Örnek: Sprint Hatırlatma Workflow’u</h3><p>Sprint sonuna doğru açık kalan işleri ekipteki herkese tek tek hatırlatmak yerine bu işi kurala dayalı bir workflow ile otomatikleştirdim:</p><ol><li>Akış zamanlanmış olarak çalışır ve mevcut sprint’in bitiş tarihini kontrol eder.</li><li>Sprint’in bitmesine bir günden fazla varsa akış hiçbir şey yapmadan sonlanır.</li><li>Sprint’in bitmesine bir gün kaldıysa Azure DevOps’tan ekip üyelerine atanmış açık işler alınır.</li><li>İşler kişi bazında gruplanır ve her kişiye kendi listesi e-posta olarak gönderilir.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Bf32rI2njc8tCZ7qkvI5og.png" /></figure><p><em>Zamanlanmış tetikleyiciden e-postaya kadar tamamen kurala dayalı bir akış.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TQ43HiN70_GPdd59bV1yqA.png" /></figure><p><em>Döngünün sonunda her kişiye kendi listesi “Send an email” adımıyla gönderiliyor.</em></p><p>E-postada her kişi yalnızca kendi işlerini görüyor ve işler dört gruba ayrılıyor: bu sprint’te tamamlananlar, önceki sprint’lerden kalanlar, story point girilmemiş işler ve uzun süredir bekleyenler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kIjektbEyJLvtkb46g-2pg.png" /></figure><p><em>Her ekip üyesine yalnızca kendi işlerinin özeti gidiyor.</em></p><p>Bu iş için bir agent’a ihtiyaç yok. Filtrelemek, gün saymak ve gruplamak tamamen kurala dayalı; her seferinde aynı şekilde yapılmalı. Bir dil modeli eklemek burada yalnızca maliyeti ve öngörülemezliği artırırdı.</p><p>Not: Bu akışı Copilot Studio’da agent flow olarak kurdum, ekran görüntülerinin Copilot Studio’dan olması bu yüzden. Ama akışı bir agent çağırmadığı için aynısını doğrudan Power Automate’te kurmak da yeterliydi; bunu sonradan keşfettim.</p><h3>3. Agent ve Workflow Hangi Problemleri Çözer?</h3><p>Kısa cevap: kurala dökülebilen işleri workflow, yorum gerektiren işleri agent çözer. En güçlü çözümler ise ikisini birlikte kullananlar. Birkaç tipik senaryo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FpzPR-Aw_Mtt9bBHSsEeBA.png" /></figure><p>Sözleşme İnceleme Asistanı bu tablonun en ilginç satırına örnek. Bir sözleşmedeki “makul süre içinde teslim edilir” ifadesinin risk taşıdığını anlamak bir Filter array’in yapabileceği iş değil; burada agent gerçekten değer katıyor. Ama tedarikçi tablosunu sorgulamak veya incelemeyi doğru kişiye onaya göndermek her seferinde aynı şekilde yapılmalı; bu kısımları workflow’lar üstleniyor.</p><h3>4. Copilot Studio’da Agent Nasıl Oluşturulur?</h3><p>Microsoft Copilot Studio, agent oluşturmak, yapılandırmak ve yayınlamak için sunulan low-code bir platform. Kod yazmadan bir agent kurabiliyor, ihtiyaç olduğunda Agent flow’larla onu kurumsal sistemlere bağlayabiliyorsunuz. Sözleşme İnceleme Asistanı’nı kurarken izlediğim adımlar şunlar:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*W3aQZ_Nft4xxHcfqXuDAUg.png" /></figure><p><em>Solda talimatlar; sağda model, araçlar ve knowledge ayarları.</em></p><h3>Adım 1: Agent’ı oluşturun ve modeli seçin</h3><p>Copilot Studio’da yeni bir agent oluşturup ona bir ad ve kısa bir açıklama veriyorsunuz. Yapılandırma ekranının sağ panelinde agent’ın kullanacağı dil modelini, yayınlanacağı kanalları (Channels), araçları (Tools), bilgi kaynaklarını (Knowledge) ve bağlı diğer agent’ları (Connected agents) yönetiyorsunuz.</p><h3>Adım 2: Talimatları yazın</h3><p>Talimatlar (instructions) agent’ın görevini, sorumluluklarını, davranış biçimini ve sınırlarını tanımlar. Sözleşme asistanında talimatları bir rol tanımı ve numaralı çalışma adımları şeklinde yazdım. Talimatlar üç kritik kuralı içeriyor: her incelemede karşı tarafı tedarikçi listesinde sorgula, eksik bilgi içeren bir sözleşmede analize geçmeden kullanıcıya sor ve hukuki görüş verme.</p><p>Buradan çıkardığım ilke şu oldu: <strong>kesin kurallar talimatta, detaylar knowledge’da.</strong> Her seferinde uygulanması gereken davranışları talimata açıkça yazmak agent’ı çok daha tutarlı hâle getiriyor.</p><h3>Adım 3: Bilgi kaynaklarını ekleyin</h3><p>Knowledge, agent’ın yanıt üretirken başvurduğu kaynaklardır. Doküman yükleyebilir, SharePoint veya web sitesi gibi kaynakları bağlayabilirsiniz. Sözleşme asistanına şirketin sözleşme kuralları dokümanını ekledim: kabul edilmeyen maddeler, dikkat edilmesi gereken ifadeler, sözleşme türüne göre kontrol listeleri ve onay yolları. Böylece agent modelin genel bilgisiyle değil, şirketin kendi kurallarıyla çalışıyor.</p><h3>Adım 4: Araçları bağlayın</h3><p>Araçlar, agent’ın metin üretmenin ötesine geçip harici sistemlerle etkileşim kurmasını sağlar. Sözleşme asistanı, her biri bir agent flow olan üç araç kullanıyor:</p><ul><li><strong>TedarikciSorgula:</strong> Firma adını alıp Excel’deki tedarikçi tablosunda arıyor; durumunu (Aktif, Riskli, Pasif), puanını ve notlarını döndürüyor. Firmayı bulamazsa “yeni tedarikçi” yanıtı veriyor.</li><li><strong>GecmisDeneyimSorgula:</strong> Şirketin geçmişte sözleşmelerde yaşadığı sorunları ve çıkarılan dersleri döndürüyor.</li><li><strong>IncelemeKaydetVeOnayaGonder:</strong> İncelemeyi kaydediyor ve risk seviyesine göre doğru kişilere onaya gönderiyor.</li></ul><p>En önemli öğrendiğim şey araç açıklamalarının gücü oldu. Agent hangi aracı ne zaman çağıracağına, araçlara yazdığınız açıklamalara bakarak karar veriyor. Yani bir aracın açıklaması sadece dokümantasyon değil, agent’ın davranışını belirleyen bir talimat. Belirsiz bir açıklama, en iyi kurgulanmış aracı bile kullanılmaz hâle getirir.</p><h3>Adım 5: Test edin</h3><p>Test panelinde agent ile konuşurken hangi aracı ne zaman çağırdığını adım adım görebiliyorsunuz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*_EgTfZ9IKYIE3Ubkw_uNHw.png" /></figure><p><em>Tedarikçi sorusunu görünce agent TedarikciSorgula aracını kendi kararıyla çağırıyor.</em></p><h3>Adım 6: Yayınlayın</h3><p>Testler tamamlanınca agent’ı sağ üstteki <strong>Publish</strong> butonuyla yayınlıyorsunuz. Agent en az bir kez yayınlanmadan kimse onu Teams veya Microsoft 365 Copilot’ta kullanamıyor, siz dahil.</p><p><strong>Kanalı seçmek.</strong> Yayınlama, agent’ı tek başına bir yere koymuyor; nerede kullanılacağını Channels bölümünden siz seçiyorsunuz. Teams ve Microsoft 365 Copilot kanalını eklerken agent’ın hem Teams’te hem Microsoft 365 Copilot’ta mı, yoksa yalnızca Teams’te mi görüneceğine karar veriyorsunuz. Sözleşme asistanı için Teams’i seçtim, çünkü onay istekleri de zaten Teams’e düşüyor; böylece tüm süreç ekibin her gün kullandığı tek bir yerde dönüyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lZU1bQnltva7gLm4hMyBtw.png" /></figure><p><strong>Şirket hesabında herkes otomatik görmüyor.</strong> Kurumsal bir hesapta agent’ı yayınladığınızda ilk etapta sadece siz kullanabiliyorsunuz. Kanal ayarlarındaki <strong>Availability options</strong> ekranında agent’ın kime açılacağını belirliyorsunuz:</p><ul><li><strong>Bağlantı paylaşmak:</strong> Copy link ile aldığınız bağlantıyı gönderdiğiniz kişiler agent’ı kendi Teams’lerine ekleyebiliyor.</li><li><strong>Ekip arkadaşları ve paylaşılan kullanıcılar:</strong> Agent’ı belirli kişilerle veya gruplarla paylaşıp yalnızca onların görmesini sağlayabiliyorsunuz.</li><li><strong>Tüm kuruma açmak:</strong> Herkese göstermek için agent’ı yönetici onayına gönderiyorsunuz. Teams veya Microsoft 365 yöneticisi onaylayınca agent, Teams uygulama mağazasında kurumunuza özel bölümde herkesin karşısına çıkıyor.</li></ul><p>Bu onay adımı bir engel değil, bir güvenlik katmanı. Sözleşme ve tedarikçi verisine erişen bir agent’ın şirkette kimin elinde olduğunu IT’nin bilmesi gerekiyor.</p><p><strong>ZIP olarak dağıtmak.</strong> Aynı ekrandan agent’ı bir <strong>.zip</strong> paketi olarak da indirebiliyorsunuz. Paketin içinde agent’ın manifest dosyası ve simgeleri var. Bu paket Teams’e özel uygulama olarak yüklenebiliyor ya da yönetici tarafından Microsoft 365 yönetim merkezinden kuruma dağıtılabiliyor. Özel uygulama yükleme yetkisi şirket politikasına bağlı, bu yüzden çoğu kurumda bu yol da IT ile birlikte yürüyor.</p><p>Yayınlamadan önce maliyet tarafını da düşünmek gerekiyor; buna altıncı bölümde değineceğim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BtmqIQfz9laLVvNAwvaxVQ.png" /></figure><p><em>Yayınlanan agent Teams’te.</em></p><h3>5. Agent ve Workflow Birlikte Nasıl Çalışır?</h3><p>Bir workflow’un agent tarafından araç olarak kullanılabilmesi için iki özel adıma ihtiyacı var:</p><ul><li><strong>When an agent calls the flow:</strong> Workflow’un başlangıcı. Agent’ın göndereceği girdiler burada tanımlanıyor.</li><li><strong>Respond to the agent:</strong> Workflow’un sonucu agent’a geri döndürdüğü adım.</li></ul><p>TedarikciSorgula bu yapının basit bir örneği: agent’tan firma adını alıyor, Excel’deki tedarikçi tablosunu listeliyor, filtreliyor ve bulduğunu agent’a geri döndürüyor. Akışın kendisi yalnızca dört adım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZI7i_XMPoIdQ9SRdJG-OBQ.png" /></figure><p><em>Agent’tan girdi al, tabloyu listele, filtrele, sonucu agent’a döndür.</em></p><h3>Uçtan uca: bir sözleşme nasıl inceleniyor?</h3><ol><li>Kullanıcı bir sözleşme yükler ve incelenmesini ister.</li><li>Agent sözleşmeyi okur, karşı tarafın adını çıkarır ve TedarikciSorgula aracını çağırması gerektiğine karar verir.</li><li>TedarikciSorgula workflow’u tetiklenir ve tedarikçi tablosunu sorgular.</li><li>Workflow sonucu agent’a döndürür. Örneğin: “Anka Lojistik: Aktif, puan 3, teslimat gecikmesi notu.”</li><li>Agent bu bilgiyi geçmiş deneyimler ve şirket kurallarıyla birleştirerek risk seviyesini, gerekçelerini ve müzakere önerilerini hazırlar.</li><li>Kullanıcı onaylarsa agent IncelemeKaydetVeOnayaGonder aracını çağırır. Workflow risk seviyesine göre dallanır ve incelemeyi doğru onay yoluna gönderir.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*gWX0d727Oz1DpKHyXfvDAQ.png" /></figure><p><em>Anka Lojistik sözleşmesi için orta risk değerlendirmesi, gerekçeler ve müzakere önerileri.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/1*rpSX_lMO6Ouu1_3NZUWN5w.png" /></figure><p><em>Orta riskli sözleşme, workflow tarafından otomatik olarak hukuk onayına gönderildi. Onay isteği Teams’teki Onaylar uygulamasına ve e-postaya aynı anda düşüyor.</em></p><p>Bu kısım pratikte çok kullanışlı: onaylayıcının yeni bir sisteme girmesi ya da bir bağlantı araması gerekmiyor. İsteği zaten gün içinde kullandığı Teams’te veya gelen kutusunda görüyor; sözleşme özetini, tedarikçiyi, bedeli ve risk seviyesini tek bakışta okuyup oradan onaylıyor ya da reddediyor. Kimin, ne zaman onay verdiği de kayıt altına alınıyor.</p><p>Bu yapının en büyük avantajı sorumlulukların ayrışması. Risk seviyesine göre kimin onay vereceği agent’ın yorumuna bırakılmıyor; workflow içindeki bir Switch ile her seferinde aynı şekilde uygulanıyor. Böylece tüm iş kurallarını AI talimatlarının içine gömmek zorunda kalmıyoruz.</p><h3>6. Copilot Studio Ne Kadar Tutar?</h3><p>Copilot Studio’da agent kurmak ücretsiz; para, agent çalıştıkça harcanan <strong>Copilot Credit</strong> üzerinden ödeniyor. Agent bir yanıt ürettiğinde veya bir işlem yaptığında, işin türüne göre belirli sayıda kredi düşüyor. (Fiyatlar Kasım 2026 itibarıyla ABD doları liste fiyatlarıdır; anlaşmaya ve bölgeye göre değişebilir.)</p><h3>Lisans seçenekleri</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*J1PDlTBXHrQ-2w2TpJ-lHA.png" /></figure><p>Kaynak: <a href="https://www.microsoft.com/en-us/microsoft-365/copilot/pricing/copilot-studio">Microsoft Copilot Studio fiyatlandırma sayfası</a></p><p>Önemli bir ayrım: Microsoft 365 Copilot lisansı yalnızca kurum içindeki lisanslı kullanıcıların kullandığı agent’ları kapsıyor. Bir agent’ı web sitesi gibi dış kanallara açmak veya lisanssız kullanıcılara sunmak için ayrı Copilot Studio kapasitesi gerekiyor.</p><h3>Hangi işlem kaç kredi?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*g5JKo0PdJbN-57Ai1nrYqA.png" /></figure><p>Kaynak: Microsoft Learn faturalama oranları, <a href="https://www.getmacha.com/blog/copilot-studio-pricing-explained">Macha’nın derlemesi</a> üzerinden. Reasoning (akıl yürüten) modeller seçildiğinde her 1.000 token için 10 kredi daha ekleniyor; yani model seçimi faturayı doğrudan etkiliyor.</p><h3>Sürpriz faturadan kaçınmak için</h3><ul><li>Yayınlamadan önce Microsoft’un ücretsiz <a href="https://microsoft.github.io/copilot-studio-estimator/">Copilot Credit Estimator</a> aracıyla tahmini kredi tüketimini hesaplayın.</li><li>Power Platform yönetim merkezinden her agent için aylık kredi limiti ve uyarı tanımlayın. Kullandıkça öde modelinde otomatik bir durdurma olmadığı için bu adım özellikle önemli.</li><li>Reasoning model ve Graph grounding gibi kredi tüketimini katlayan özellikleri yalnızca gerçekten gerektiği yerde açın.</li></ul><h3>7. Geliştirirken Dikkat Edilmesi Gerekenler</h3><p>Bir agent’ın demoda çalışması ile gerçek bir iş sürecinde güvenle kullanılabilmesi arasında büyük fark var. Bu iki projeden çıkardığım dersler:</p><p><strong>Belirsizlik için tasarlayın.</strong> İyi bir agent neyi bilmediğini fark edebilmeli. Sözleşme asistanında eksik bilgili bir sözleşme geldiğinde agent’ın tahmin yürütmek yerine durup kullanıcıya sorması, sonucun doğruluğu kadar önemli.</p><p><strong>Kritik kararı insanda bırakın.</strong> Agent incelemeyi hızlandırıyor, riskleri öne çıkarıyor ve öneri sunuyor; ama yüksek riskli bir sözleşmenin onaylanıp onaylanmayacağına bir insan karar veriyor. Kullanıcıların sisteme güvenmesini sağlayan şey tam olarak bu.</p><p><strong>Test senaryolarını önceden tanımlayın.</strong> Sözleşme asistanını temiz, orta riskli, yüksek riskli ve eksik bilgili dört farklı sözleşmeyle test etmek, agent’ın nerede güçlü, nerede zayıf olduğunu net şekilde gösterdi. Beklenen sonucu önceden belli senaryolar, ‘çalışıyor gibi görünen’ bir demoyu güvenilir bir ürüne dönüştürüyor.</p><h3>Sonuç</h3><p>Copilot Studio ve Power Automate, AI destekli otomasyonu kod yazmadan deneyimlemek için güçlü bir ikili. Workflow’lar kurala dayalı işleri güvenilir şekilde yürütüyor, agent’lar ise yorum gerektiren işlere esneklik katıyor. İkisini birlikte kullandığınızda agent yorum gerektiren kısmı, workflow her seferinde aynı çalışması gereken kısmı üstleniyor, kritik kararı ise insan veriyor.</p><p>Önümüzdeki dönemde agent’ların yalnızca bir mesaja yanıt veren asistanlar olmaktan çıkıp olaylara kendiliğinden tepki veren, birbirleriyle iş paylaşan ve kurumun deneyimlerinden öğrenen yapılara dönüşeceğini düşünüyorum. Sözleşme asistanındaki “geçmiş deneyimler” fikri bunun küçük bir örneği: bir kez yaşanan bir sorun, bir sonraki incelemede agent’ın hatırladığı bir uyarıya dönüşüyor ve kurumsal bilgi birkaç kişinin hafızasında kalmak yerine sistemin bir parçası oluyor.</p><h3>Kaynaklar</h3><ul><li><a href="https://www.microsoft.com/en-us/microsoft-365/copilot/pricing/copilot-studio">Microsoft Copilot Studio fiyatlandırma ve planlar</a></li><li><a href="https://azure.microsoft.com/en-us/pricing/details/copilot-studio/">Copilot Studio kullandıkça öde fiyatlandırması (Azure)</a></li><li><a href="https://microsoft.github.io/copilot-studio-estimator/">Copilot Credit Estimator</a></li><li><a href="https://www.getmacha.com/blog/copilot-studio-pricing-explained">How Much Does Copilot Studio Cost in 2026? (Macha)</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bbb8c77aa9f5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Jev: Konuşamayan, Karar Veren Yapay Zeka]]></title>
            <link>https://medium.com/@rumeysaturkan16/jev-konu%C5%9Famayan-karar-veren-yapay-zeka-edc1fdc8a7b4?source=rss-75011e6852ec------2</link>
            <guid isPermaLink="false">https://medium.com/p/edc1fdc8a7b4</guid>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[jevs]]></category>
            <dc:creator><![CDATA[Rumeysa Türkan]]></dc:creator>
            <pubDate>Mon, 28 Sep 2026 22:11:12 GMT</pubDate>
            <atom:updated>2026-09-28T22:11:12.372Z</atom:updated>
            <content:encoded><![CDATA[<p>Son iki yılda yapay zeka şirketleri tek bir şey için yarıştı: daha iyi konuşan modeller. Sonra ChatGPT’nin arkasındaki ekipte yıllarca çalışmış biri olan Diogo Almeida, serbest metin yazamayan bir model çıkardı. Lansman videosu X’te 40 milyona yakın kez izlendi. Şirket 40 milyon dolarlık tohum yatırımıyla yaklaşık 200 milyon dolar değerlenmişti; lansmandan yalnızca günler sonra 10 milyar doların üzerinde değerleme teklifleri aldığı konuşuluyor.</p><iframe src="https://cdn.embedly.com/widgets/media.html?type=text%2Fhtml&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;schema=twitter&amp;url=https%3A//x.com/CompleteSkeptic/status/2099925682726002904&amp;image=https%3A//i.embed.ly/1/image%3Furl%3Dhttps%253A%252F%252Fpbs.twimg.com%252Famplify_video_thumb%252F2099925575637057536%252Fimg%252Fl4J_ZhkaxAe8FJXv%253Fformat%253Dwebp%2526name%253Dlarge%26key%3Da19fcc184b9711e1b4764040d3dc5c07" width="500" height="281" frameborder="0" scrolling="no"><a href="https://medium.com/media/bc5743c85c94a3504b853f803a65e691/href">https://medium.com/media/bc5743c85c94a3504b853f803a65e691/href</a></iframe><h4>Jev nedir? System One modellerine yakından bakış</h4><p>Jev, metin üretmeyen bir yapay zeka modeli. Ona bir soru sorduğunuzda size bir paragraf yazmıyor; önceden tanımladığınız seçeneklerden birini seçiyor ve bu seçimden ne kadar emin olduğunu bir olasılıkla söylüyor.</p><p>Modeli geliştiren TypeSafe AI’ın kurucusu Diogo Almeida, OpenAI’da ChatGPT’nin arkasındaki eğitim yöntemleri üzerinde çalışmış biri. Şirketin çıkış noktası basit bir soru:</p><blockquote><em>Modeller uzun süredir sohbet konusunda insanüstü bir başarıya sahip, peki tüm bu otomasyon nerede?</em></blockquote><p>Şirket Jev’i, yazılımların doğrudan kullanabileceği hızlı ve yapılandırılmış kararlar almak için tasarlanmış yeni bir öncü model sınıfı olarak tanımlıyor.</p><h4>Bir fonksiyon çağrısı gibi düşünün</h4><p>TypeSafe, Jev’i bir fonksiyon çağrısına benzetiyor: içeri yapısız bir “durum” (bir müşteri mesajı, bir JSON nesnesi, bir oyunun anlık durumu) giriyor, dışarı tipi önceden belli bir karar çıkıyor. Kavramsal olarak şöyle bir şey:</p><pre>state:     &quot;Siparişim 10 gündür gelmedi, param iade edilsin!&quot;<br>questions: kategori ∈ {kargo, fatura, teknik, diger}<br>           acil_mi  ∈ {evet, hayır}<br>answers:   kategori = kargo (0.80)<br>           acil_mi  = evet  (0.81)</pre><p>Buradaki kritik nokta: cevabı ayrıştırmanız (parse etmeniz) gerekmiyor. Model “kargo” yerine “Bu mesaj büyük ihtimalle kargoyla ilgili…” diye başlayan bir cümle yazamaz; çünkü cümle yazmak zaten yapabildiği bir şey değil.</p><h4>LLM’den farkı: üç temel ayrım</h4><p>İlk fark nasıl eğitildiğinde. ChatGPT gibi modeller, insanların beğendiği cevapları vermeye ya da doğruluğu otomatik kontrol edilebilen çıktılar üretmeye göre eğitiliyor. Jev ise TypeSafe’in RLCD (Kalibre Kararlar için Pekiştirmeli Öğrenme) dediği bir yöntemle, olasılıklarının dürüst olmasına göre eğitiliyor.</p><p>İkinci fark çıktıda. Bir LLM’in çıktısı her zaman bir metin dizisi; bu esnek ama riskli, çünkü o dizi bir cevap da olabilir, bir reddetme de, uydurma bir bilgi de. Jev’in çıktısı ise önceden tanımladığınız bir tipe her zaman uyuyor.</p><p>Üçüncü fark üretim biçiminde. LLM’ler cevabı token token, her kelimeyi bir öncekine bakarak sırayla üretir. Jev ise metin üretmez; bir istekte sorduğunuz tüm soruları paralel olarak değerlendirir. Bu yüzden soru eklemek yanıt süresini neredeyse değiştirmez.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*HXGxWOilfhY5PV__.png" /></figure><h4>Kalibrasyon: asıl mesele</h4><p>Jev’in belki de en önemli iddiası kalibrasyon. Kalibre bir model “%90 eminim” dediğinde, bu tür cevapların gerçekten yaklaşık %90&#39;ı doğru çıkar. Bu, tek bir cevabın doğru olduğunu garanti etmez; çok sayıda tahmin üzerinden ölçülen bir özelliktir.</p><p>Bu neden önemli? Çünkü %95 doğru çalışan ama hangi %5&#39;te yanıldığını söyleyemeyen bir sistemi otomatiğe bağlayamazsınız. Jev her cevapla birlikte olasılıkları ve bunlardan hesaplanan bir confidence değeri döndürür. Bu değerler anlamlıysa, kodunuz basit bir kural koyabilir: güven %90&#39;ın üstündeyse devam et, altındaysa bir insana sor. TypeSafe bu kullanımı &quot;akıllı if ifadeleri&quot; olarak tanımlıyor.</p><h4>“Halüsinasyon görmez” ne demek?</h4><blockquote><em>Jev metin üretme yeteneğinden ödün verse de, yapılandırılmış çıktılar için optimize edilmiştir ve halüsinasyon görmez. — Diogo Almeida</em></blockquote><p>Bu iddiayı doğru okumak önemli: Jev tanımladığınız seçeneklerin dışına çıkamaz, var olmayan bir kategori uyduramaz, bozuk bir JSON döndüremez. Ama seçenekler arasından yanlış olanı seçebilir. Yani burada garanti edilen şey doğruluk değil, yapı. Şirket de açıkladığı %0 yapılandırılmış çıktı hatası oranının bir ölçüm değil, şema garantisinden gelen bir sonuç olduğunu açıkça belirtiyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*F8PVjKhgCTc6FPE4.png" /></figure><h4>Jev nasıl kullanılır?</h4><p>Jev’i kullanmak için prompt mühendisliği öğrenmeniz gerekmiyor. Python ve JavaScript için resmî SDK’lar olsa da, her şey tek bir HTTP isteğiyle de yapılabiliyor. İsteğin üç parçası var:</p><ul><li><strong>state:</strong> Karar verilecek durum. Düz bir metin de olabilir, bir JSON nesnesi de.</li><li><strong>questions:</strong> Sormak istediğiniz sorular ve her birinin cevap tipi.</li><li><strong>model:</strong> Kullanacağınız model sürümü.</li></ul><p>Makalenin başındaki kargo örneği kodda şöyle görünüyor:</p><pre>const res = await fetch(&quot;https://api.typesafe.ai/v1/systemone&quot;, {<br>  method: &quot;POST&quot;,<br>  headers: {<br>    Authorization: `Bearer ${process.env.TYPESAFE_API_KEY}`,<br>    &quot;Content-Type&quot;: &quot;application/json&quot;,<br>  },<br>  body: JSON.stringify({<br>    model: &quot;jev-latest&quot;,<br>    state: &quot;Siparişim 10 gündür gelmedi, param iade edilsin!&quot;,<br>    questions: {<br>      kategori: {<br>        type: &quot;choice&quot;,<br>        instructions: &quot;Müşteri mesajı hangi kategoriye giriyor?&quot;,<br>        criteria: {<br>          kargo: &quot;Teslimat, gecikme, kayıp paket&quot;,<br>          fatura: &quot;Ödeme, iade, fatura&quot;,<br>          teknik: &quot;Uygulama veya site sorunu&quot;,<br>          diger: &quot;Yukarıdakilerin hiçbiri&quot;,<br>        },<br>      },<br>      acil_mi: {<br>        type: &quot;noul&quot;,<br>        instructions: &quot;Müşteri acil bir çözüm bekliyor mu?&quot;,<br>      },<br>    },<br>  }),<br>});<br>const data = await res.json();</pre><p>Cevap da tahmin edebileceğiniz kadar sade:</p><pre>{<br>  &quot;model&quot;: &quot;jev-1.13.0&quot;,<br>  &quot;answers&quot;: {<br>    &quot;kategori&quot;: {<br>      &quot;type&quot;: &quot;choice&quot;,<br>      &quot;choice&quot;: &quot;kargo&quot;,<br>      &quot;confidence&quot;: 0.70,<br>      &quot;probabilities&quot;: { &quot;kargo&quot;: 0.80, &quot;fatura&quot;: 0.18, &quot;teknik&quot;: 0.01, &quot;diger&quot;: 0.01 }<br>    },<br>    &quot;acil_mi&quot;: {<br>      &quot;type&quot;: &quot;noul&quot;,<br>      &quot;noul&quot;: 0.81<br>    }<br>  },<br>  &quot;usage&quot;: { &quot;input_tokens&quot;: 310, &quot;output_tokens&quot;: 40 }<br>}</pre><pre>data.answers.kategori.choice;        // &quot;kargo&quot;<br>data.answers.kategori.probabilities; // { kargo: 0.80, fatura: 0.18, teknik: 0.01, diger: 0.01 }<br>data.answers.kategori.confidence;    // 0.70<br>data.answers.acil_mi.noul;           // 0.81</pre><p>Olasılıkların bir kısmının faturaya kaydığına dikkat edin. Mesajda “iade” kelimesi geçtiği için model iki seçenek arasında kısmen bölünüyor ve bunu saklamıyor. confidence değerinin en yüksek olasılığın (0.80) altında kalması da bu bölünmeyi yansıtıyor. Her cevapta sorunun tipini gösteren bir type alanı var. usage alanı ise isteğin kaç token olarak faturalandığını gösteriyor.</p><h4>Üç soru tipi</h4><p>Jev’e üç şekilde soru sorabiliyorsunuz. (Aşağıdaki çıktılar örnek amaçlıdır.)</p><h4>choice: “Hangisi?”</h4><p>Seçenekleri bir nesne olarak veriyorsunuz. Anahtar seçeneğin adı, değer de modelin o seçeneği nasıl anlaması gerektiği. Cevapta seçilen seçenek, tüm seçeneklerin olasılıkları ve bir güven değeri geliyor.</p><pre>oncelik: {<br>  type: &quot;choice&quot;,<br>  instructions: &quot;Bu destek talebinin önceliği nedir?&quot;,<br>  criteria: {<br>    dusuk:  &quot;Bilgi talebi, beklemesi sorun değil&quot;,<br>    orta:   &quot;Kullanıcıyı rahatsız ediyor ama işini engellemiyor&quot;,<br>    yuksek: &quot;Kullanıcı işini yapamıyor&quot;,<br>  },<br>}<br>// → { type: &quot;choice&quot;, choice: &quot;yuksek&quot;, confidence: 0.72, probabilities: { dusuk: 0.03, orta: 0.12, yuksek: 0.85 } }</pre><h4>score: “Ne kadar?”</h4><p>Bir ölçeği düşükten yükseğe doğru sıralı bir liste olarak tanımlıyorsunuz. Cevap 0 ile (seviye sayısı − 1) arasında bir puan. Puan tam sayı olmak zorunda değil: seviyelerin olasılıklarla ağırlıklandırılmış ortalaması olduğu için iki seviyenin arasına düşebilir. Örneğin 2.4, olasılığın büyük kısmının 2 ve 3 numaralı seviyeler arasında bölündüğünü ve 2&#39;ye daha yakın durduğunu <strong>gösterebilir</strong>. Aynı puan farklı dağılımlardan da çıkabilir (1.0, olasılığın tamamının 1. seviyede olması da olabilir, yarı yarıya 0 ve 2&#39;de olması da). Bu yüzden puanı probabilities ve confidence ile birlikte okumak gerekir. Cevapta ayrıca her seviye numarasını açıklamasıyla eşleyen bir legend alanı da geliyor.</p><pre>memnuniyet: {<br>  type: &quot;score&quot;,<br>  instructions: &quot;Müşteri ne kadar memnun?&quot;,<br>  criteria: [<br>    &quot;Çok öfkeli&quot;,<br>    &quot;Memnun değil&quot;,<br>    &quot;Nötr&quot;,<br>    &quot;Memnun&quot;,<br>  ],<br>}<br>// → {<br>//   type: &quot;score&quot;,<br>//   score: 0.6,<br>//   confidence: 0.5,<br>//   probabilities: { &quot;0&quot;: 0.4, &quot;1&quot;: 0.6, &quot;2&quot;: 0, &quot;3&quot;: 0 },<br>//   legend: { &quot;0&quot;: &quot;Çok öfkeli&quot;, &quot;1&quot;: &quot;Memnun değil&quot;, &quot;2&quot;: &quot;Nötr&quot;, &quot;3&quot;: &quot;Memnun&quot; }<br>// }</pre><h4>noul: “Evet mi, hayır mı?”</h4><p>Seçenek tanımlamanız gerekmiyor, yalnızca soruyu yazıyorsunuz. İsterseniz criteria alanında &quot;evet&quot; ve &quot;hayır&quot;ın neyi ifade ettiğini ayrıca tarif edebilirsiniz. Cevap, &quot;evet&quot; olma olasılığını gösteren 0 ile 1 arası bir sayı; ayrı bir güven değeri yok, çünkü bu sayı dağılımı zaten tek başına anlatıyor.</p><pre>iade_istiyor: {<br>  type: &quot;noul&quot;,<br>  instructions: &quot;Müşteri para iadesi talep ediyor mu?&quot;,<br>}<br>// → { type: &quot;noul&quot;, noul: 0.93 }</pre><p>En güzel tarafı, tüm bu soruları aynı isteğe koyabilmeniz. Jev hepsini paralel değerlendiriyor; beş soru sormak, bir soru sormaktan belirgin biçimde yavaş değil.</p><h4>Jev şu durumlarda parlıyor</h4><ul><li>Çok sayıda, küçük, tanımlanabilir kararınız varsa: sınıflandırma, yönlendirme, önceliklendirme, filtreleme, bir ajanın “devam mı, dur mu” kararı.</li><li>Hız önemliyse (milisaniyeler) ve maliyet hacimle büyüyorsa.</li><li>Kararın kendisi kadar, ne kadar emin olunduğu da önemliyse.</li></ul><h4>Kaynaklar:</h4><ul><li><a href="https://hoodline.com/2026/09/sf-startup-s-chat-free-ai-draws-10-billion-offers-a-week-after-launch/">Hoodline: $10B offers a week after launch</a></li><li><a href="https://ontimebrief.com/en/2026/09/25/start-up-valued-at-200mn-fields-10bn-offers-after-jev-launch/">OnTimeBrief: $200mn start-up fields $10bn offers</a></li><li><a href="https://docs.typesafe.ai/introduction">TypeSafe dokümanı</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=edc1fdc8a7b4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[RAG Sistemlerini “Kara Kutu” Olmaktan Çıkarmak: Local-First Bir Gözlemlenebilirlik Aracı]]></title>
            <link>https://medium.com/@rumeysaturkan16/rag-sistemlerini-kara-kutu-olmaktan-%C3%A7%C4%B1karmak-local-first-bir-g%C3%B6zlemlenebilirlik-arac%C4%B1-99d4d49bde06?source=rss-75011e6852ec------2</link>
            <guid isPermaLink="false">https://medium.com/p/99d4d49bde06</guid>
            <category><![CDATA[logs]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[rags]]></category>
            <dc:creator><![CDATA[Rumeysa Türkan]]></dc:creator>
            <pubDate>Wed, 01 Jul 2026 06:39:59 GMT</pubDate>
            <atom:updated>2026-07-01T06:39:59.959Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Bir RAG sistemi kurdunuz. Her şey harika çalışıyor, dokümanlar doğru geliyor, LLM güzel cevaplar veriyor… Ta ki ilk gerçek kullanıcılar gelip “Bu cevap yanlış” diyene kadar. İşte o an, karanlıkta kalırsınız.</em></p><p><em>Doğru doküman mı gelmedi? Model mi uydurdu? Hangi konuları hiç bilmiyoruz? Bu soruları yanıtlamak için genellikle karmaşık, pahalı ve veri gizliliği riski taşıyan bulut araçlarına mecbur kalıyoruz. Peki, kendi verimizle, kendi sunucumuzda, tek bir </em><em>pip komutuyla bunu çözemez miyiz?</em></p><p>İşte tam bu “karanlıkta kalma” anını ortadan kaldırmak için raglog projesini yazdım.</p><h3>Neden raglog?</h3><p>raglog, RAG sistemlerini görünür kılmak ve &quot;kör uçuş&quot; yapmayı engellemek için şu ilkelerle tasarlandı:</p><ul><li>🔒 <strong>Local-First &amp; Sıfır Bağımlılık:</strong> pip install ile gelen hiçbir üçüncü taraf bağımlılığı yok. İnternet gerekmez, veriniz asla dışarı çıkmaz.</li><li>👌<strong>İnsan ve Makine Dostu:</strong> Logları hem <strong>Obsidian</strong>’da şık bir not olarak okuyun hem de <strong>JSONL</strong> ile kodlarınızla analiz edin.</li><li>✅ <strong>Anında Analiz (Gap Analysis):</strong> Cevaplanamayan soruları otomatik listeleyen ve size yapılacaklar listesi sunan bir yapı.</li><li>🚀 <strong>Üretim İçin Hazır:</strong> Asenkron yazım, örnekleme (sampling) ve otomatik maliyet <strong>tahmini</strong> özellikleriyle sisteminizi yavaşlatmaz.</li></ul><h3>3 Satırda Entegrasyon</h3><p>Kod tabanınızı karmaşıklaştırmadan, RAGTracker ile süreci anında başlatabilirsiniz:</p><pre>from raglog import RAGTracker</pre><pre># Vault yolunu belirtin, gerisini raglog halleder<br>tracker = RAGTracker(vault_path=&quot;~/ObsidianVault/raglog&quot;)</pre><pre>with tracker.track(question=&quot;RAG nedir?&quot;, model=&quot;gpt-4o&quot;) as t:<br>    # LLM ve retriever işlemleriniz burada gerçekleşir...<br>    t.answer = llm.generate(...)<br>    # chunk_text vermek groundedness&#39;i aktive eder (kritik!)<br>    t.rag_sources = [RAGSource(&quot;figma.md&quot;, 0.87, chunk_text=&quot;...&quot;)]</pre><p>Bu kadar. raglog arka planda; süreyi ölçer, cevabın kaynağa dayandığını puanlar, maliyeti tahmin eder ve Obsidian notlarını günceller.</p><h3>Perde Arkasında Neler Var? Sistematik Yaklaşım</h3><p>raglog, her soru-cevap döngüsünü dört farklı katmanla işleyerek sisteminize gözlemlenebilirlik kazandırır:</p><ul><li>⚖️ <strong>Puanlama (scorer.py):</strong> Modelin cevaba ne kadar güvendiğini; benzerlik skoru, cevap uzunluğu ve “bilmiyorum” gibi belirsizlik ifadelerini analiz ederek hesaplar.</li><li>💰 <strong>Maliyet (pricing.py):</strong> Verdiğiniz token sayısını, model ismine karşılık gelen güncel fiyat tablosuyla çarparak <strong>yaklaşık maliyeti</strong> tahmin eder. Modeli tanımıyorsa uydurmaz, boş bırakır.</li><li>🛡️ <strong>Gizlilik (redactors.py):</strong> E-posta, telefon veya IBAN gibi hassas verileri loglamadan önce otomatik maskelemenize olanak tanır.</li><li>💾 <strong>Dışa Aktarma (Exporters):</strong> Verinizi <strong>Markdown</strong> (insanlar için), <strong>JSONL</strong> (makineler için) formatlarında tutar; dilerseniz <strong>SQLite</strong> exporter’ını ekleyerek (sorgulamalar için) veritabanına da yazabilirsiniz.</li></ul><h3>Akış Şeması: raglog Nasıl Çalışır?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lyIU6LXUWCV25KamcSwc4Q.png" /></figure><h3>En Zor Soru: “Model Gerçekten Kaynağı Okudu mu?”</h3><p>Sistemin kalbi <strong>scorer.py</strong>. Amacı, hiçbir harici model çağrısı veya internet bağlantısı olmadan, &quot;bu cevaba ne kadar güvenebilirim?&quot; sorusuna hızlı bir tahmin (heuristic) vermektir.</p><p>Bunu yaparken birkaç sinyali ağırlıklı olarak toplar: kaynakların benzerlik skoru, cevap uzunluğu (çok kısa veya aşırı uzun cevaplar şüpheli) ve belirsizlik ifadeleri (“bilmiyorum”, “emin değilim”).</p><p>Ancak buradaki en kritik metrik <strong>Groundedness</strong> (Kaynağa Dayanlılık): Cevaptaki kelimelerin kaynak chunk’larda da geçip geçmediğine bakar.</p><p>Basit bir küme kesişimi ile şu hesaplamayı yapar:</p><p>overlap = len(answer_tokens &amp; source_tokens) / len(answer_tokens)</p><p>Bu yöntem, pahalı “LLM-as-a-judge” sistemlerine gerek kalmadan çok değerli bir sinyal verir: <strong>Yüksek similarity + Düşük groundedness</strong> kombinasyonu, “doğru doküman geldi ama model onu hiç okumadı, kafasından uydurdu” demektir. Bu, RAG hatalarının en yaygın sebeplerinden biridir.</p><h3>Görsel Örnek: Obsidian’da Loglama</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/862/1*JMTC5Lh2tMJsjH4Dmz7Bcw.png" /></figure><h3>En Değerli Sinyal: Asistanın Cevaplayamadığı Sorular (Gaps)</h3><p>Güven puanı kadar önemli bir şey daha var: <strong>gaps (bilgi boşlukları)</strong>.</p><p>Eğer modelin cevabı “bu konuda bilgi bulunmuyor” veya “maalesef bu konuda bilgim yok” gibi kalıplara düşerse, is_gap=True olarak işaretlenir. Bu durumda puan otomatik olarak <strong>tabana çekilir (en fazla 0.25)</strong>. Yani sistem, &quot;cevabından emin değilim ama yine de yüksek güvenle cevap verdim&quot; diyerek kullanıcıyı yanıltamaz.</p><p>Bu boşluklar tek tek loglarda kaybolmaz; gaps.py onları toplar, konuya göre gruplar ve <strong>checkbox&#39;lı tek bir </strong><strong>gaps.md dosyası</strong> olarak sürekli yeniden üretir.</p><p>Pratikte bu dosya doğrudan bir <strong>yapılacaklar listesi</strong>dir: “Asistan son 1 haftada bu 14 konuda sürekli ‘bilmiyorum’ diyor, demek ki dokümantasyona bu bilgileri eklemek lazım.”</p><p>RAG sistemlerinde retrieval’ı iyileştirmenin en ucuz yolu genelde yeni bir embedding modeli denemek değil, bu listedeki içerik boşluklarını kapatmaktır.</p><h3>Görsel Örnek: gaps.md Dosyası</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/841/1*EDjj5O60GT6fV5D_pooS8g.png" /></figure><h3>Üretime Hazır Hale Getiren Üç Kritik Özellik</h3><p>raglog, &quot;küçük bir script&quot;ten &quot;üretimde güvenebileceğiniz bir araç&quot;a dönüşürken, performansı etkilememek için üç kritik mimari kararla tasarlandı:</p><ul><li><strong>Sampling (Örnekleme):</strong> Puanlamadan sonra karar verir. Örneğin, sadece “zayıf cevapları” logla veya “her 10 istekten 1&#39;ini logla” gibi akıllı filtreleme yapabilirsiniz. Ancak <strong>her istek yine de puanlanır</strong> (böylece sistem yavaşlamaz).</li><li><strong>Buffered Yazım:</strong> Üç farklı exporter’ın (Obsidian, JSONL,Gaps) dosya G/Ç (IO) işlemlerini istek yolundan alır ve <strong>arka plan thread’ine</strong> taşır. Yoğun trafikte loglama asla ana isteği yavaşlatmaz.</li><li><strong>Asenkron Destek:</strong> FastAPI veya benzeri asenkron sunucularda kullanmak için alog ve atrack gibi sarmalayıcılar sunar.</li></ul><p>Kullanımı yine de çok basit kalır:</p><pre>@app.post(&quot;/ask&quot;)<br>async def ask_endpoint(request: QuestionRequest):<br>    # Asenkron bağlam yöneticisi<br>    async with tr.atrack(question=request.q, model=&quot;gpt-4o&quot;) as t:<br>        chunks = await retriever.asearch(request.q)<br>        t.rag_sources = [RAGSource(c.source, c.score) for c in chunks]<br>        t.answer = await llm.agen(request.q, chunks)<br>    return {&quot;answer&quot;: t.answer}</pre><p>Arka planda süre ölçülüyor, güven + groundedness hesaplanıyor, maliyet modele göre tahmin ediliyor. Obsidian notu + JSONL’e yazılıyor ve cevaplanamayan sorular gaps.md’ye düşüyor.</p><h3>Son Söz</h3><p>raglog, büyük ve karmaşık bir kütüphane olmayı değil, RAG projelerinde &quot;kör uçuş&quot; yapmayı engellemeyi hedefliyor.</p><p>Kendi sisteminizde “dokümanlar doğru geliyor ama cevap neden yanlış?” diye merak ediyorsanız, yerel, güvenli ve sade bir çözümle başlamak için harika bir zaman.</p><p>Detaylar ve kurulum için <strong>GitHub reposuna</strong> göz atabilir, bir yıldız ile projeyi destekleyebilirsiniz:</p><p>👉 <a href="https://github.com/rumeysaturkan/raglog/tree/main"><strong>GitHub: raglog</strong></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=99d4d49bde06" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Aynı Dashboard, 3 Yaklaşım: SPA, Astro Islands ve React Server Components — Performans ve Mimari…]]></title>
            <link>https://medium.com/@rumeysaturkan16/ayn%C4%B1-dashboard-3-yakla%C5%9F%C4%B1m-spa-astro-islands-ve-react-server-components-performans-ve-mimari-678275985dc6?source=rss-75011e6852ec------2</link>
            <guid isPermaLink="false">https://medium.com/p/678275985dc6</guid>
            <category><![CDATA[react-server-component]]></category>
            <category><![CDATA[nextjs]]></category>
            <category><![CDATA[front-end-development]]></category>
            <category><![CDATA[performance]]></category>
            <dc:creator><![CDATA[Rumeysa Türkan]]></dc:creator>
            <pubDate>Sun, 07 Dec 2025 18:39:02 GMT</pubDate>
            <atom:updated>2025-12-07T18:39:02.281Z</atom:updated>
            <content:encoded><![CDATA[<h3>Aynı Dashboard, 3 Yaklaşım: SPA, Astro Islands ve React Server Components — Performans ve Mimari Karşılaştırma</h3><p>Frontend projelerinde tek doğru mimari yaklaşım yok.<br>SPA yaklaşımı pek çok projede iş görüyor, fakat tüm UI’yı client’a yüklemek özellikle dashboard benzeri veri görselleştirmelerinde gereksiz maliyet oluşturabiliyor.</p><p>Bu yazıda, aynı mini dashboard’u üç farklı mimariyle geliştiriyoruz:</p><ol><li><strong>SPA (Vite + React)</strong></li><li><strong>Astro Islands (Partial Hydration)</strong></li><li><strong>React Server Components (Next.js)</strong></li></ol><p>Amaç framework kıyaslamak değil; aynı problem için üç yaklaşımın <strong>nasıl çalıştığını</strong>, <strong>ne kadar yük bindirdiğini</strong> ve <strong>trade-off</strong>larını görmek.</p><p>Hepsinde:</p><ul><li>Aynı veri kaynağı (<strong>DummyJSON</strong>)</li><li>Aynı UI kütüphanesi (shadcn/ui)</li><li>Aynı grafikler (shadcn charts)</li></ul><p>fakat veri işleme, render ve yük dağıtımı <strong>farklı</strong>.</p><p>Kısaca:<br>UI değişmiyor, mimari değişiyor.<br>Bu sayede her yaklaşımın güçlü ve zayıf yönlerini net bir şekilde görebiliyoruz.</p><h3>Proje Kurulumu ve Ortak Yapı</h3><p>Tüm projelerde ortak olarak şu adımlar uygulandı:</p><ol><li><strong>TailwindCSS</strong> kuruldu ve yapılandırıldı.</li><li><strong>shadcn/ui</strong> UI kütüphanesi entegre edildi.</li><li>Ortak <strong>chart componentleri</strong> (Bar, Radar, Line) oluşturuldu.</li><li><strong>DummyJSON API</strong> üzerinden veri çekildi.</li></ol><blockquote><em>Bu sayede, tüm projeler aynı veri ve aynı UI’ya sahip oldu; sadece mimari farklılaştı.</em></blockquote><h4>Ortak Componentler</h4><p>Dashboard’daki tüm grafikler üç mimaride de aynı görünüyor. Ortak olarak kullanılan <strong>chart componentleri</strong> şunlar:</p><ol><li><strong>CategoryBarChart</strong> — Ürünlerin kategori frekanslarını gösteriyor (Bar Chart)</li><li><strong>PriceRadarChart</strong> — Ürün fiyatlarının dağılımını gösteriyor (Radar Chart)</li><li><strong>RatingLineChart</strong> — Ürün ratinglerinin değişimini gösteriyor (Line Chart)</li></ol><p>CategoryBarChart.tsx</p><pre>&quot;use client&quot;;<br><br>import {<br>  ChartTooltip,<br>  ChartTooltipContent,<br>  type ChartConfig,<br>} from &quot;@/components/ui/chart&quot;;<br><br>import type { CategoryFreq } from &quot;@/lib/types&quot;;<br>import { Monitor } from &quot;lucide-react&quot;;<br>import { Bar, BarChart, CartesianGrid, XAxis } from &quot;recharts&quot;;<br>import {<br>  Card,<br>  CardContent,<br>  CardDescription,<br>  CardHeader,<br>  CardTitle,<br>} from &quot;../ui/card&quot;;<br>import { ChartContainer } from &quot;../ui/chart&quot;;<br><br>export function CategoryBarChart({ data }: { data: CategoryFreq[] }) {<br>  const chartConfig = {<br>    desktop: {<br>      label: &quot;Desktop&quot;,<br>      icon: Monitor,<br>      theme: {<br>        light: &quot;#2563eb&quot;,<br>        dark: &quot;#2563eb&quot;,<br>      },<br>    },<br>  } satisfies ChartConfig;<br>  return (<br>    &lt;Card className=&quot;w-full&quot;&gt;<br>      &lt;CardHeader&gt;<br>        &lt;CardTitle&gt;Kategori Dağılımı&lt;/CardTitle&gt;<br>        &lt;CardDescription&gt;Ürün kategorileri frekansı&lt;/CardDescription&gt;<br>      &lt;/CardHeader&gt;<br>      &lt;CardContent&gt;<br>        &lt;ChartContainer<br>          config={chartConfig}<br>          className=&quot;aspect-auto h-[420px] w-full&quot;<br>        &gt;<br>          &lt;BarChart<br>            accessibilityLayer<br>            data={data}<br>            margin={{ bottom: 47, left: 10, right: 10 }}<br>          &gt;<br>            &lt;CartesianGrid vertical={false} /&gt;<br>            &lt;XAxis<br>              dataKey=&quot;category&quot;<br>              tickLine={false}<br>              axisLine={false}<br>              angle={-58}<br>              textAnchor=&quot;end&quot;<br>              tickFormatter={(value) =&gt;<br>                value.length &gt; 10 ? value.slice(0, 12) + &quot;…&quot; : value<br>              }<br>            /&gt;<br>            &lt;ChartTooltip<br>              cursor={false}<br>              content={&lt;ChartTooltipContent hideLabel /&gt;}<br>            /&gt;<br>            &lt;Bar dataKey=&quot;value&quot; fill=&quot;var(--color-desktop)&quot; radius={8} /&gt;<br>          &lt;/BarChart&gt;<br>        &lt;/ChartContainer&gt;<br>      &lt;/CardContent&gt;<br>    &lt;/Card&gt;<br>  );<br>}</pre><p>PriceRadarChart.tsx</p><pre>&quot;use client&quot;;<br><br>import type { PriceAvg } from &quot;@/lib/types&quot;;<br>import { PolarAngleAxis, PolarGrid, Radar, RadarChart } from &quot;recharts&quot;;<br><br>import {<br>  Card,<br>  CardContent,<br>  CardDescription,<br>  CardHeader,<br>  CardTitle,<br>} from &quot;../ui/card&quot;;<br>import {<br>  type ChartConfig,<br>  ChartContainer,<br>  ChartTooltip,<br>  ChartTooltipContent,<br>} from &quot;../ui/chart&quot;;<br><br>export function PriceRadarChart({ data }: { data: PriceAvg[] }) {<br>  const chartConfig = {<br>    avgPrice: {<br>      label: &quot;Ortalama Fiyat&quot;,<br>      color: &quot;var(--chart-1)&quot;,<br>    },<br>  } satisfies ChartConfig;<br>  return (<br>    &lt;Card className=&quot;w-full&quot;&gt;<br>      &lt;CardHeader className=&quot;items-center pb-4&quot;&gt;<br>        &lt;CardTitle&gt;Ürün Fiyatları&lt;/CardTitle&gt;<br>        &lt;CardDescription&gt;Ürün başına fiyat dağılımı&lt;/CardDescription&gt;<br>      &lt;/CardHeader&gt;<br>      &lt;CardContent className=&quot;pb-0&quot;&gt;<br>        &lt;ChartContainer<br>          config={chartConfig}<br>          className=&quot;mx-auto aspect-square max-h-[405px] &quot;<br>        &gt;<br>          &lt;RadarChart data={data}&gt;<br>            &lt;ChartTooltip cursor={false} content={&lt;ChartTooltipContent /&gt;} /&gt;<br>            &lt;PolarAngleAxis<br>              dataKey=&quot;category&quot;<br>              tickFormatter={(value) =&gt;<br>                value.length &gt; 10 ? value.slice(0, 5) + &quot;…&quot; : value<br>              }<br>            /&gt;<br>            &lt;PolarGrid /&gt;<br>            &lt;Radar<br>              dataKey=&quot;avgPrice&quot;<br>              fill=&quot;var(--chart-1)&quot;<br>              fillOpacity={0.8}<br>              dot={{<br>                r: 2,<br>                fillOpacity: 1,<br>              }}<br>            /&gt;<br>          &lt;/RadarChart&gt;<br>        &lt;/ChartContainer&gt;{&quot; &quot;}<br>      &lt;/CardContent&gt;<br>    &lt;/Card&gt;<br>  );<br>}</pre><p>RatingLineChart.tsx</p><pre>&quot;use client&quot;;<br><br>import type { RatingAvg } from &quot;@/lib/types&quot;;<br>import { CartesianGrid, Line, LineChart, XAxis } from &quot;recharts&quot;;<br>import {<br>  Card,<br>  CardContent,<br>  CardDescription,<br>  CardHeader,<br>  CardTitle,<br>} from &quot;../ui/card&quot;;<br>import {<br>  ChartContainer,<br>  ChartTooltip,<br>  ChartTooltipContent,<br>  type ChartConfig,<br>} from &quot;../ui/chart&quot;;<br><br>export function RatingLineChart({ data }: { data: RatingAvg[] }) {<br>  const chartConfig = {<br>    avgRating: {<br>      label: &quot;Ortalama Rating&quot;,<br>      color: &quot;var(--chart-1)&quot;,<br>    },<br>  } satisfies ChartConfig;<br>  return (<br>    &lt;Card&gt;<br>      &lt;CardHeader&gt;<br>        &lt;CardTitle&gt;Ürün Rating&lt;/CardTitle&gt;<br>        &lt;CardDescription&gt;Ürün başına rating (0-5)&lt;/CardDescription&gt;<br>      &lt;/CardHeader&gt;<br><br>      &lt;CardContent&gt;<br>        &lt;ChartContainer<br>          config={chartConfig}<br>          className=&quot;aspect-auto h-[300px] w-full&quot;<br>        &gt;<br>          &lt;LineChart<br>            accessibilityLayer<br>            data={data}<br>            margin={{ right: 20, bottom: 38, left: 20 }}<br>          &gt;<br>            &lt;CartesianGrid vertical={false} /&gt;<br>            &lt;XAxis<br>              tickLine={false}<br>              axisLine={false}<br>              dataKey=&quot;category&quot;<br>              angle={-80}<br>              textAnchor=&quot;end&quot;<br>              tickFormatter={(value) =&gt;<br>                value.length &gt; 10 ? value.slice(0, 6) + &quot;…&quot; : value<br>              }<br>            /&gt;<br>            &lt;ChartTooltip<br>              cursor={false}<br>              content={&lt;ChartTooltipContent hideLabel /&gt;}<br>            /&gt;<br>            &lt;Line<br>              dataKey=&quot;avgRating&quot;<br>              type=&quot;natural&quot;<br>              stroke=&quot;var(--chart-1)&quot;<br>              strokeWidth={2}<br>              dot={false}<br>            /&gt;<br>          &lt;/LineChart&gt;<br>        &lt;/ChartContainer&gt;{&quot; &quot;}<br>      &lt;/CardContent&gt;<br>    &lt;/Card&gt;<br>  );<br>}</pre><h3>SPA (Vite + React)</h3><ul><li>Veri <strong>client-side</strong> çekiliyor.</li><li>useEffect ile mount sonrası render ediliyor.</li></ul><pre>import { CategoryBarChart } from &quot;@/components/charts/CategoryBarChart&quot;;<br>import { PriceRadarChart } from &quot;@/components/charts/PriceRadarChart&quot;;<br>import { RatingLineChart } from &quot;@/components/charts/RatingLineChart&quot;;<br>import { useProducts } from &quot;@/hooks/useProducts&quot;;<br>import {<br>  processCategoryData,<br>  processPriceData,<br>  processRatingData,<br>} from &quot;@/lib/utils&quot;;<br><br>export default function Dashboard() {<br>  const { products, loading } = useProducts();<br><br>  if (loading) return &lt;p&gt;Yükleniyor...&lt;/p&gt;;<br><br>  const categoryData = processCategoryData(products);<br>  const priceData = processPriceData(products);<br>  const ratingData = processRatingData(products);<br><br>  return (<br>    &lt;div className=&quot;p-6 space-y-6 w-full flex flex-col items-center&quot;&gt;<br>      &lt;p className=&quot;text-4xl font-bold&quot;&gt;SPA Dashboard&lt;/p&gt;<br><br>      &lt;div className=&quot;grid grid-cols-1 gap-6 w-full&quot;&gt;<br>        &lt;RatingLineChart data={ratingData} /&gt;{&quot; &quot;}<br>        &lt;div className=&quot;flex flex-row gap-5 w-full&quot;&gt;<br>          &lt;div className=&quot;w-[40%]&quot;&gt;<br>            &lt;CategoryBarChart data={categoryData} /&gt;<br>          &lt;/div&gt;<br>          &lt;div className=&quot;w-[60%]&quot;&gt;<br>            &lt;PriceRadarChart data={priceData} /&gt;{&quot; &quot;}<br>          &lt;/div&gt;<br>        &lt;/div&gt;<br>      &lt;/div&gt;<br>    &lt;/div&gt;<br>  );<br>}</pre><h3>Astro Islands (Partial Hydration)</h3><ul><li>Veri <strong>sunucuda</strong> çekiliyor.</li><li>Sadece interaktif componentler client’a yükleniyor.</li></ul><pre>---<br>import { CategoryBarChart } from &#39;@/components/charts/CategoryBarChart&#39;;<br>import { PriceRadarChart } from &#39;@/components/charts/PriceRadarChart&#39;;<br>import { RatingLineChart } from &#39;@/components/charts/RatingLineChart&#39;;<br>import { processCategoryData, processPriceData, processRatingData } from &#39;@/lib/utils.ts&#39;;<br>import Layout from &#39;../layouts/Layout.astro&#39;;<br>import &quot;../styles/global.css&quot;;<br><br>const res = await fetch(&quot;https://dummyjson.com/products/?limit=45&amp;skip=75&quot;);<br>const data = await res.json();<br>const products = data.products;<br>const categoryData = processCategoryData(products);<br>const priceData = processPriceData(products);<br>const ratingData = processRatingData(products);<br>---<br><br>&lt;Layout&gt;<br>  &lt;div class=&quot;p-6 space-y-6 w-full flex flex-col items-center&quot;&gt;<br>      &lt;h1 class=&quot;text-4xl font-bold&quot;&gt;Astro Dashboard&lt;/h1&gt;<br><br>      &lt;div class=&quot;grid grid-cols-1 gap-6 w-full&quot;&gt;<br>        &lt;RatingLineChart client:load data={ratingData} /&gt;{&quot; &quot;}<br>        &lt;div class=&quot;flex flex-row gap-5 w-full&quot;&gt;<br>          &lt;div class=&quot;w-[40%]&quot;&gt;<br>            &lt;CategoryBarChart client:load data={categoryData} /&gt;<br>          &lt;/div&gt;<br>          &lt;div class=&quot;w-[60%]&quot;&gt;<br>            &lt;PriceRadarChart client:load data={priceData} /&gt;{&quot; &quot;}<br>          &lt;/div&gt;<br>        &lt;/div&gt;<br>      &lt;/div&gt;<br>  &lt;/div&gt;<br>&lt;/Layout&gt;</pre><h3>React Server Components (Next.js)</h3><ul><li>Veri <strong>sunucuda</strong> çekiliyor.</li><li>Sunucu render ile client’a HTML gönderiliyor.</li></ul><pre>import { CategoryBarChart } from &quot;@/components/charts/CategoryBarChart&quot;;<br>import { PriceRadarChart } from &quot;@/components/charts/PriceRadarChart&quot;;<br>import { RatingLineChart } from &quot;@/components/charts/RatingLineChart&quot;;<br>import {<br>  processCategoryData,<br>  processPriceData,<br>  processRatingData,<br>} from &quot;@/lib/utils&quot;;<br><br>async function fetchProducts() {<br>  const res = await fetch(&quot;https://dummyjson.com/products/?limit=45&amp;skip=75&quot;);<br>  const data = await res.json();<br>  return data.products;<br>}<br>export default async function Home() {<br>  const products = await fetchProducts();<br>  const categoryData = processCategoryData(products);<br>  const priceData = processPriceData(products);<br>  const ratingData = processRatingData(products);<br>  return (<br>    &lt;div className=&quot;p-6 space-y-6 w-full flex flex-col items-center&quot;&gt;<br>      &lt;p className=&quot;text-4xl font-bold&quot;&gt;RSC (Next.js) Dashboard&lt;/p&gt;<br><br>      &lt;div className=&quot;grid grid-cols-1 gap-6 w-full&quot;&gt;<br>        &lt;RatingLineChart data={ratingData} /&gt;{&quot; &quot;}<br>        &lt;div className=&quot;flex flex-row gap-5 w-full&quot;&gt;<br>          &lt;div className=&quot;w-[40%]&quot;&gt;<br>            &lt;CategoryBarChart data={categoryData} /&gt;<br>          &lt;/div&gt;<br>          &lt;div className=&quot;w-[60%]&quot;&gt;<br>            &lt;PriceRadarChart data={priceData} /&gt;{&quot; &quot;}<br>          &lt;/div&gt;<br>        &lt;/div&gt;<br>      &lt;/div&gt;<br>    &lt;/div&gt;<br>  );<br>}<br></pre><figure><img alt="Bu görsel, SPA yaklaşımıyla geliştirilen dashboard’un son halidir." src="https://cdn-images-1.medium.com/max/1024/1*s3Skvfyhf-iUeGfaUXvtww.png" /><figcaption>Bu görsel, SPA yaklaşımıyla geliştirilen dashboard’un son halidir. Astro Islands ve React Server Components (RSC) yaklaşımlarının nihai kullanıcı arayüzü (UI) de sadece başlık (title) farkıyla tamamen aynıdır.</figcaption></figure><h3>Analiz</h3><p>Bu bölümde, aynı mini dashboard’un <strong>SPA, Astro Islands ve RSC</strong> yaklaşımlarıyla performansını karşılaştırıyoruz. Ölçümler, lokal buildler üzerinden alınmış gerçek değerlerdir.</p><p>Test sonuçlarını anlamak için önce hydration kavramını netleştirelim:</p><p>Hydration, sunucudan gelen statik HTML’nin, tarayıcıda interaktif hale gelmesi için gerekli JavaScript yüküdür. Düşünün: sunucu size bir resim gönderiyor (HTML), hydration ise bu resme tıklama, hover gibi etkileşimler ekliyor.</p><p>Üç yaklaşımda hydration farkı:</p><ul><li>SPA’da: Tüm UI istemcide hydrate olur → Yüksek maliyet</li><li>Astro Islands’da: Sadece client:load ile işaretlenen bileşenler hydrate olur → Düşük maliyet</li><li>RSC’de: Sadece &#39;use client&#39; bileşenleri hydrate olur → Orta maliyet</li></ul><p>Bu testteki durum: Grafik bileşenlerimiz (recharts kütüphanesi gereği) &#39;use client&#39; olarak işaretlendi. Bu nedenle RSC yaklaşımımız, teorideki en iyi performansı gösteremese de gerçek dünya senaryosunu yansıtıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/697/1*Qb4EtheNRu2Ac5ZTY1rvYg.png" /></figure><p>Bu mini performans testi bize şu önemli bulguları gösteriyor:</p><ul><li><strong>SPA (Vite + React)</strong> yaklaşımı, özellikle JavaScript ağırlıklı dashboard’larda <strong>yükleme süresi ve render maliyeti açısından dezavantajlıdır</strong>. Tüm kullanıcı arayüzünün (UI) client tarafına yüklenmesi, FCP (1.9 s) ve LCP (3.7 s) değerlerini uzatır ve yüksek CPU kullanımı ile sonuçlanır.</li><li><strong>Astro Islands (Partial Hydration)</strong>, yalnızca gerekli interaktif parçaları client’a yükleyerek yükleme süresini ciddi şekilde kısaltıyor. En hızlı FCP (0.6 s) ve LCP (0.6 s) değerlerini, en düşük Bundle Boyutunu (392 KB) ve çok düşük TBT’yi (20 ms) sunar. Performans ve düşük CPU maliyeti açısından SPA’ya göre ciddi avantaj sağlar.</li><li><strong>React Server Components (RSC)</strong>, Next.js’in sunucu tabanlı render avantajıyla, FCP’de 0.3 saniye gibi oldukça hızlı bir başlangıç sağlar. Bundle boyutu en küçük olmasına rağmen (210 KB) , TBT (210 ms) Astro’ya göre daha yüksektir, bu da client tarafına geçen bazı JavaScript görevleriyle ilgilidir.</li></ul><p>Özetle, <strong>veri yoğun UI’lar ve dashboard’lar için SPA artık tek başına yeterli değil</strong>. Modern mimariler, server-side render ve partial hydration ile hem kullanıcı deneyimini iyileştiriyor hem de performans maliyetlerini düşürüyor.</p><h3>Sonuç ve Öneriler</h3><p>Mini dashboard testimizden elde edilen verilere göre:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*GnwrRTek44YP8BGJCXlV-w.png" /></figure><ul><li><strong>Hız ve düşük CPU önceliği</strong>: Astro Islands tercih edilmeli.</li><li><strong>Server-first yaklaşımı ile SEO ve FCP kritik ise</strong>: RSC avantajlı.</li><li><strong>Küçük, klasik dashboard veya uygulamalar</strong>: SPA yeterli olabilir, fakat bundle boyutuna ve FCP/LCP değerlerine dikkat edilmeli.</li></ul><p>Tek bir “en iyi” frontend mimarisi yok; ama veri odaklı ve interaktif uygulamalarda server-driven veya partial hydration yaklaşımları SPA’ya göre belirgin avantaj sağlıyor.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=678275985dc6" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>