Kaydettiğin İçerikler, AI Kodlama Asistanının Eksik Bağlamı

Üç hafta önce veritabanı indeksleme stratejileri hakkında bir blog yazısı kaydettin. Dün gece WebSocket yeniden bağlantı edge case’leri hakkında bir GitHub tartışmasını yer imlerine ekledin. Bu sabah zorlu bir TypeScript kalıbını anlatan bir Stack Overflow thread’ini sakladın.

Şimdi Claude Code ile eşli programlama yapıyorsun ve sana yanlış olduğunu bildiğin bir yaklaşım öneriyor — çünkü geçen hafta kaydettiğin makale tam olarak bunun neden işlemediğini açıklıyordu. Ama o makale yer imlerinde. AI asistanının onun varlığından haberi yok.

2026’da neredeyse her geliştiricinin çarptığı boşluk bu: AI kodlama araçların güçlü ama bağlam açlığından muzdarip ve ihtiyaç duyduğu bağlam kaydettiğin içeriklerde duruyor.

AI Destekli Kodlamada Bağlam Problemi

Claude Code, OpenAI Codex ve Cursor gibi AI kodlama asistanları geliştiricilerin kod yazma biçimini dönüştürüyor. Tek başına Claude Code, son on iki ayda aylık 49.500 aramadan 1.000.000’un üzerine çıktı — gerçek benimsemeyi yansıtan 20 katlık bir artış.

Ancak bu araçların ortak temel bir sınırlaması var: sadece o anda söylediklerini biliyorlar. Kod tabanını, terminal çıktını ve konuşma geçmişini okuyabilirler. Erişemedikleri şey, haftalarca ve aylarca öğrenme sürecinde biriktirdiğin araştırma, dokümantasyon, eğitim ve tartışma dağını.

Tipik iş akışını düşün:

Bir problemle karşılaşıyorsun
Çözüm araştırıyorsun — blog yazıları, dokümantasyon, GitHub issue’ları, forum thread’leri okuyorsun
En iyi kaynakları “sonra için” kaydediyorsun
Sonra AI asistan ile kodlamaya başlıyorsun
AI, araştırdığın her şeyin bağlamını bilmeden çözüm öneriyor
adım işlerin bozulduğu yer. AI asistanın, kapsamlı bir şekilde araştırdığın bir problemde temelden başlıyor.

AI Kodlama Araçları İçin “Bağlam” Olarak Ne Sayılır?

İş akışlarına geçmeden önce, hangi tür kaydedilmiş içeriklerin AI bağlamı olarak kullanışlı olduğunu anlamak faydalı:

Yüksek değerli bağlam:

Belirli bir yaklaşımın neden işe yaradığını veya başarısız olduğunu açıklayan teknik blog yazıları
Entegre ettiğin kütüphaneler için API dokümantasyonu
Gerçek dünya edge case’leri içeren GitHub issue ve tartışmaları
Ekibinden mimari karar kayıtları (ADR’ler)
Nüanslı açıklamalar içeren Stack Overflow yanıtları
Konferans konuşması transkriptleri veya detaylı eğitim yazıları

Daha düşük değerli bağlam:

Genel “En İyi 10 Framework” listeleri
Araçların pazarlama sayfaları
Kaydedip aslında hiç okumadıkların (en iyi içerik kaydetme uygulamaları rehberimize göz at)

Bu ayrım önemli çünkü AI kodlama araçları genel bakışlardan ziyade spesifik, teknik bağlamla en iyi performansı gösteriyor. PostgreSQL connection pooling tuzakları hakkında tek bir iyi seçilmiş makale, on tane “Veritabanlarına Giriş” yazısından daha değerli.

AI Kodlama Araçları Harici Bağlamı Bugün Nasıl Kullanıyor?

Her büyük AI kodlama aracı harici bağlamı farklı şekilde ele alıyor:

Claude Code

Claude Code, proje dosyalarına derin erişimle terminalinde çalışıyor. Bağlam sağlama yolları:

İçeriği doğrudan yapıştırma — konuşmaya ekle
Proje dizinindeki dosyalara referans verme
/read komutu ile belirli dosyaları yükleme
MCP (Model Context Protocol) sunucuları ile harici veri kaynaklarını bağlama

MCP yaklaşımı kaydedilmiş içerikler için özellikle ilginç. Bir MCP sunucusu, yer imlerine alınmış makalelerini Claude Code’un talep üzerine sorgulayabileceği aranabilir bağlam olarak sunabilir.

OpenAI Codex

Codex, bulut tabanlı bir kodlama ajanı olarak çalışıyor:

Depodaki dosyaları okuyabilir
Sandbox ortamında komutlar çalıştırabilir
Görev tanımında sağladığın bağlama erişebilir

Kaydedilmiş içerik için birincil entegrasyon noktası görev tanımı — Codex’in ne yapması gerektiğini tanımlarken ilgili araştırmayı yapıştırıyorsun.

Cursor

Cursor, işaret ettiğin dokümantasyonu indeksleyen bir @docs özelliği sunuyor:

Cursor Ayarları > Özellikler > Docs’u aç
Sık referans verdiğin dokümantasyon URL’lerini ekle
İndekslenmiş içeriği aramak için @docs kullan

Bu resmi dokümantasyon için iyi çalışıyor ancak blog yazıları ve gayri resmi kaynaklar için daha az etkili.

Pratik İş Akışları: Kaydedilmiş İçeriğini AI Araçlarına Bağlama

Bugün gerçekten çalışan iş akışları, basitten karmaşığa:

1. Kopyala-Yapıştır İş Akışı (Her Yerde Çalışır)

En basit yaklaşım: AI kodlama oturumu başladığında kaydettiğin içerikleri aç ve ilgili kısımlarını yapıştır.

Sen: API'miz için hız sınırlaması uygulamam gerekiyor. Token bucket
algoritmasını ve tuzaklarını anlatan kaydettiğim bir makale:

[makale içeriğini yapıştır]

Bu bağlama dayanarak, yukarıda açıklanan burst senaryolarını
ele alan Express.js API'miz için hız sınırlaması uygulamamda yardım et.

Artıları: Herhangi bir AI aracıyla çalışır, kurulum gerektirmez Eksileri: Manuel, akışı keser, bağlam penceresiyle sınırlı

2. Araştırma Dokümanı İş Akışı

Bir kodlama oturumu başlatmadan önce kaydettiğin içerikleri projendeki tek bir referans dokümanında derle:

<!-- docs/research/hiz-sinirlamasi.md -->
# Hız Sınırlaması Araştırması

## Temel Bulgular
- Token bucket, sabit pencereye tercih ediliyor (bkz: [kaydedilen makale 1])
- Redis tabanlı uygulama dağıtık senaryoları ele alıyor
- Çoklu node kurulumlarında saat kayması hesaba katılmalı

## İlgili Kaynaklar
- [Token bucket tuzakları makalesi] - Temel çıkarım: ...
- [Redis race condition GitHub issue] - Temel çıkarım: ...
- [Konferans konuşması notları] - Temel çıkarım: ...

Sonra bu dosyaya AI kodlama oturumunda referans ver:

Sen: Bağlam için docs/research/hiz-sinirlamasi.md dosyasını oku,
sonra hız sınırlaması middleware'ini uygulamamda yardım et.

Artıları: Düzenlenmiş, tekrar kullanılabilir, sürüm kontrollü Eksileri: Derleme için ön çalışma gerektirir

3. MCP Sunucusu İş Akışı (Claude Code)

Claude Code kullananlar için MCP sunucuları en sorunsuz entegrasyonu sunuyor:

// Kaydedilmiş içerik için kavramsal MCP sunucusu
server.tool("kaydedilen_icerikleri_ara", {
  description: "Kullanıcının kaydedilmiş makale ve yer imlerini ara",
  parameters: { query: { type: "string" } },
  handler: async ({ query }) => {
    const results = await savedContentAPI.search(query);
    return results.map(r => ({
      title: r.title,
      url: r.url,
      excerpt: r.excerpt,
      savedDate: r.date
    }));
  }
});

Bu kurulumla Claude Code, ek bağlama ihtiyaç duyduğunda kaydedilmiş içeriğini otomatik olarak arayabilir — manuel yapıştırma gerekmez.

Artıları: Otomatik, sorunsuz, kütüphanenle ölçeklenir Eksileri: MCP sunucusu kurulumu gerektirir, şu an sadece Claude Code

İçerik Kaydetme Uygulamanın Önemi

Bu iş akışlarının kalitesi, kaydedilmiş içeriğinin ne kadar iyi organize edildiğine bağlı. Yer imlerin yüzlerce sıralanmamış linkin kaotik bir yığınıysa, AI kodlama oturumu için doğru bağlamı bulmak zor.

Burası içerik kaydetme aracı seçiminin kişisel tercih değil, geliştirici üretkenlik kararı haline geldiği nokta:

Bir kaydetme uygulamasını AI-dostu yapan özellikler:

Etiketleme ve kategorizasyon: Belirli bir kodlama görevi için bağlam gerektiğinde doğru içeriği hızla bul
Tam metin arama: Sadece başlıklar değil, tüm kayıtlı içerikte ara
Platformlar arası kaydetme: Twitter thread’leri, GitHub tartışmaları, blog yazıları ve dokümanlar — hepsi tek yerde
Dışarı aktarma ve API erişimi: İçeriğini AI araçlarının tüketebileceği formatlarda al

Çoğu yer imi yöneticisinin yanlış yaptığı:

Klasörler dışında kategorizasyon yok
Kayıtlı içerik üzerinde arama yok
Web yer imleriyle sınırlı (tweet yok, sosyal içerik yok)
Programatik erişim için API yok

Saverything kullanıyorsan, kaydettiğin içerikler otomatik kategorizasyon, tam metin arama ve platformlar arası destekle zaten organize — bu da AI kodlama araçlarına doğru bağlamı bulmanı ve beslemeyi önemli ölçüde kolaylaştırıyor.

Gelecek: AI Kodlama Araçları Bilgi Grafiğini İsteyecek

“İçeriği AI’ya yapıştır” yaklaşımının mevcut hali ilkel. İşler şu yönde ilerliyor:

Kısa vade (2026):

Daha fazla AI kodlama aracı MCP veya benzer protokolleri destekleyecek
İçerik kaydetme uygulamaları “AI için dışa aktar” özellikleri ekleyecek
Geliştiriciler kaydettiğin içerikler için özel MCP sunucuları oluşturacak

Orta vade (2027+):

AI kodlama araçları içerik kütüphaneleriyle yerel olarak entegre olacak
Kaydettiğin içerikler AI asistanlar için kalıcı bir “hafıza” katmanı haline gelecek
“Araştırma” ve “kodlama” aşamaları arasındaki çizgi tamamen bulanıklaşacak

İçerikleri bilinçli kaydeden ve AI araçlarına erişilebilir kılan geliştirici, birikimli bir avantaja sahip olacak — kaydedilen her makale, gelecekteki AI destekli kodlama oturumlarını daha etkili hale getiren bir bağlam parçası.

Başlarken

Kaydedilmiş içeriğini AI kodlama iş akışına bugünden bağlamak istiyorsan:

Kaydedilmiş içeriğini denetle. Yer imlerini, kaydettiğin tweetleri, Saverything kütüphaneni aç. Ne kadar teknik içerik biriktirmişsin? Aranabilir mi?
Araştırma dokümanı alışkanlığını başlat. Bir sonraki kodlama oturumundan önce, projedeki docs/research/ dosyasına ilgili kaydedilmiş içerikleri çekmek için 5 dakika harca.
MCP yaklaşımını dene. Claude Code kullanıyorsan, kayıtlı içeriğine erişebilen bir MCP sunucusu kurmaya bak. Model Context Protocol dokümantasyonunda başlangıç için örnekler var.
Niyetle kaydet. Bundan sonra teknik bir makale kaydettiğinde, kendine sor: “Gelecekteki bir kodlama oturumu için buna bağlam olarak ihtiyacım olacak mı?” Cevap evetse, buna göre etiketle.

Kaydettiğin içerikler sadece okuma listesi değil. AI kodlama asistanının eksik olan bilgi katmanı. Bu boşluğu ne kadar erken kapatırsan, AI destekli geliştirme iş akışın o kadar etkili olur.