BUGÜN BENİM İÇİN MİLAT ÖYLE BİR SİSTEM KURDUM Kİ...
İLK KEZ ÇOK KATMANLI BİR PROJEYİ CLAUDE CODE + CODEX İLE BAŞTAN SONA BU SİSTEMLE YÖNETTİM.

uzun AI projelerinde en büyük problem şu: her seans baştan anlatmak, aynı hatayı tekrar çözmek, haftalar sonra kararların izini kaybetmek.

ben de bunu yaşıyordum. daha iyi model ya da daha uzun prompt... hiçbiri kalıcı çözüm olmadı.

projeyi hatırlayan ve nasıl ilerleyeceğini bilen bir sistem kurunca hata oranı ve zaman kaybı ciddi azaldı.

kurduğum sistemi ve promptları paylaşıyorum.

kaydet, bir sonraki karmaşık projende direkt kullan.

agentların sapıtmasının sebebi genelde zeka eksikliği değil, bağlam eksikliği.

uzun projede agent şunları unutuyor:

• bu karar neden alınmıştı?
• bu dosya ne işe yarıyordu?
• hangi davranış yasaktı?
• hangi test neyi koruyordu?
• kullanılan library’nin güncel API’si neydi?

Context7 son maddeyi çözüyor.

BMAD ve Superpowers ise:
önce düşün -> sonra planla -> sonra uygula disiplinini getiriyor.

benim kurduğum sistem de bunları proje hafızasına bağladı.

1. Context7, agent’a güncel dokümantasyon bağlayan katman.

özellikle library, framework, API, setup ve version-specific davranışlarda işe yarıyor. modelin eski eğitim verisine güvenmek yerine dokümana bakmasını sağlıyor.

bunu global AGENTS.md / CLAUDE.md içine şöyle ekledim:

PROMPT:
## Context7
- Use Context7 for external libraries, frameworks, APIs, setup steps, and version-specific behavior.
- Do not rely only on model memory when current docs may differ.
- Prefer local project files for project-specific decisions and architecture.

kısaca: dış dünya için güncel doküman, proje içi kararlar için lokal hafıza.

2. Context7 dış dünyayı çözüyor ama projenin kendi hafızasını çözmüyor.

bunun için proje içine 3 dosyalık basit bir katman kurdum:

• AGENTS.md / CLAUDE.md → agent’ın çalışma kuralları
• index.json → projenin haritası
• architecture.md → neden böyle kurulduğu

buradaki kritik nokta şu:

agent her seferinde bütün dokümanları okumuyor. önce hedefe göre context topluyor, gerekirse bu dosyalara bakıyor.

bunu proje içindeki AGENTS.md / CLAUDE.md dosyasına şöyle ekledim:

PROMPT:
## Session Start
- For simple tasks, do not read the whole project docs.
- For code changes, inspect the relevant files, entrypoints, manifests, and tests first.
- Use index.json as the repo map when app flow, data shape, prompts, tests, or architecture may change.
- Read architecture.md when architecture, runtime behavior, config, dependencies, or user-visible behavior may change.
- Keep context targeted. Prefer rg or short file ranges instead of loading everything.

böylece agent kör başlamıyor ama context’i de çöpe çevirmiyor.

3. agent’ın kararları hatırlaması yetmiyor; doğru modda çalışması da gerekiyor.

yoksa:

- fikir net değilken koda atlıyor
- büyük işi planlamadan bölüyor
- hatada kök nedeni aramadan semptomu düzeltiyor
- doğrulama yapmadan ilerliyor

Superpowers burada hazır çalışma modları veriyor: brainstorming fikri netleştiriyor, writing-plans işi uygulanabilir adımlara bölüyor, systematic debugging tahminle fix atmayı engelliyor.

BMAD tarafında da rol/workflow mantığı var; işi tek bir dağınık chat yerine daha düzenli fazlara ayırıyor.

ben bu skill/workflow katmanlarını kendi proje hafızama bağladım. böylece agent sadece neyi hatırlayacağını değil,

hangi modda çalışacağını da biliyor.

4. tek agent’a her şeyi yükleyince chat bir yerden sonra çorba oluyor. araştırma, hata logu, plan, review ve doküman kontrolü aynı context’e dolunca karar kalitesi düşüyor.

ben ana akışı tek yerde tuttum ama küçük işleri ayrı agent’lara böldüm. ana agent yönü ve kararı tutuyor diğerleri sadece araştırma, log inceleme, review veya plan kontrolü yapıyor.

context temiz kalınca kararlar da daha az dağılıyor.

bütün sistem şöyle çalışıyor:

1-proje hafızasını kur
AGENTS.md, index.json, architecture.md

2-güncel bilgi katmanını ekle
Context7 ile library/framework tarafını dokümana bağla

3-çalışma modlarını bağla
brainstorming, planning, debugging, TDD

4-işleri tek agent’a yığma
araştırma, log, review gibi işleri küçük agent’lara ayır

böyle olunca agent sadece kod yazmıyor; projeyi hatırlayıp doğru modda çalışıyor.

sonuç olarak daha iyi model tek başına yetmiyor. agent’a hafıza, güncel kaynak, çalışma modu ve küçük görev ayrımı verince işler bambaşka ilerliyor.

kontrol yine sende kalıyor ama her seans sıfırdan başlama derdi azalıyor.

sen AI projelerinde böyle bir sistem kullanıyor musun?