<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>MucaAI — Yapay Zekâ Ekosistemi</title>
    <link>https://mucaai.com/</link>
    <description>Yapay zekâ üzerine notlar, güncellemeler ve kısa yazılar.</description>
    <language>tr</language>
    <lastBuildDate>Fri, 16 Oct 2026 06:00:00 GMT</lastBuildDate>
    <atom:link href="https://mucaai.com/feed.xml" rel="self" type="application/rss+xml"/>
    <item>
      <title>Blogu yeniledik: AI gelişmelerini artık buradan paylaşacağız</title>
      <link>https://mucaai.com/yazi/blog-yenilendi-ai-gelismeleri/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/blog-yenilendi-ai-gelismeleri/</guid>
      <pubDate>Fri, 16 Oct 2026 06:00:00 GMT</pubDate>
      <category>Duyuru</category>
      <category>MucaAI</category>
      <description>Siteyi yeniden düzenledik: ana sayfa artık bir blog. Sektördeki gelişmeleri burada yazacağız, her yazı otomatik olarak Threads hesabımızda da yayınlanacak.</description>
      <content:encoded><![CDATA[Siteyi yeniden düzenledik. Ana sayfa artık klasik bir tanıtım sayfası değil; **güncel akış**. Gönderiler Threads'teki gibi parça parça listeleniyor; başlıksız kartlar, altında etiketler, beğen ve paylaş aksiyonları.

## Bundan sonra ne paylaşacağız?

- **Sektör gelişmeleri**: yeni modeller, araçlar ve API'ler hakkında kısa, pratik notlar
- **Ekosistem deneyimleri**: kendi ürünlerimizde (oyunlar, video düzenleme, e-ticaret araçları) yapay zekâyı nasıl kullandığımız
- **İncelemeler**: deneyip işe yaradığını gördüğümüz araçlar ve entegrasyonlar

## Threads bağlantısı

Yazıları ayrıca [Threads](https://www.threads.net/@mucaai) hesabımızda da paylaşıyoruz. Takipçilerimiz oradan gönderinin tamamına linkten ulaşabiliyor.

Yeni yazılardan haberdar olmak için sayfanın altındaki bülten formunu kullanabilir veya Threads hesabımızı takip edebilirsiniz.

*İyi okumalar!*]]></content:encoded>
    </item>
    <item>
      <title>Ajan (agent) tasarımında öğrendiğimiz 7 kural</title>
      <link>https://mucaai.com/yazi/ajan-tasariminda-7-kural/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/ajan-tasariminda-7-kural/</guid>
      <pubDate>Thu, 15 Oct 2026 06:00:00 GMT</pubDate>
      <category>Ajanlar</category>
      <category>Üretim</category>
      <description>Kendi iş akışımızda ajan kurarken tekrar tekrar işe yarayan 7 kural: tek sorumluluk, dar araç seti, geri dönüşümlü adımlar.</description>
      <content:encoded><![CDATA[Aylardır kendi geliştirme akışımızda ajan (agent) tabanlı iş akışları kuruyoruz. Bazıları çöktü, bazıları günlük kullanıma girdi. Kalan kurallar:

1. **Tek sorumluluk**: her ajanın tek bir işi olsun — kod yaz, test et, incele. Karmaşık "her şeyi yapan" ajanlar hata ayıklamayı imkânsız hâle getiriyor.
2. **Dar araç seti**: bir ajana 20 araç vermeyin. 3-5 araç, modelin seçim yapma hatasını ciddi biçimde düşürüyor.
3. **Geri dönüşümlü adım**: her adım bir öncekine dönebilmeli. Diff uygulamadan önce inceleme, incelemeden önce geri alma — zincir hep kırılabilir olmalı.
4. **Kısa bağlam**: ajan bağlamını her turda tazeleyin. 200K token bağlam, dikkat dağılması demek.
5. **Ölçülebilir bitiş**: "bitti" yerine testin geçmesi, derlemenin temiz olması gibi sayısal bir kriter koyun.
6. **Sesli düşünme yerine sesli plan**: modelin niyetini yazdırın, sonra çalıştırın. Sessiz çalışan ajan yanlış yöne gittiğinde fark etmiyorsunuz.
7. **İnsan kapısı**: para, yayına alma ve silme işlemlerinde her zaman manuel onay.

Sonuç: daha az ajan, daha dar yetki, daha sık geri alma. Büyüklük değil, disiplin işe yarıyor.]]></content:encoded>
    </item>
    <item>
      <title>RAG mı uzun bağlam mı? İkisini de denedik, sonuç net</title>
      <link>https://mucaai.com/yazi/rag-mi-uzun-baglam-mi/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/rag-mi-uzun-baglam-mi/</guid>
      <pubDate>Wed, 14 Oct 2026 06:00:00 GMT</pubDate>
      <category>Modeller</category>
      <category>Üretim</category>
      <description>Kendi dokümanlarımız üzerinde RAG ve uzun bağlam karşılaştırması: hangisi daha ucuz, hangisi daha doğru çıktı.</description>
      <content:encoded><![CDATA["Belgeleri RAG ile mi versek, modelin uzun bağlamına mı sığdırsak?" sorusunu kendi doküman setimizde ölçtük.

## Ne denedik?

- ~180 sayfalık ürün dokümanı + sık sorulan sorular
- Aynı soru seti iki koldan: (a) chunk'lanmış RAG, (b) tüm doküman tek bağlamda
- 7B ve 70B sınıfı iki model

## Sonuç

- **Küçük model + uzun bağlam**: bağlam ortasındaki bilgileri kaçırma (lost in the middle) belirgin; ucuz ama güvenilmez.
- **Büyük model + uzun bağlam**: doğru, ama her sorguda tüm dokümanı taşımak maliyetli ve yavaş.
- **RAG + orta model**: maliyet en düşük, doğruluk büyük modele çok yakın — **ama** chunk'lama kalitesi her şey. Kötü chunk, iyi modeli bile bozuyor.

## Bizim kararımız

Üretimde **RAG + hibrit arama** (vektör + anahtar kelime) kullanıyoruz; uzun bağlam yalnızca tek seferlik derin analizlerde. Bir ipucu: RAG'ın başarısını soru-cevap çiftleriyle değil, *chunk'ların hangi soruyu tek başına cevapladığını* denetleyerek ölçün.

Detaylı maliyet tablosunu sonraki yazıda paylaşacağız.]]></content:encoded>
    </item>
    <item>
      <title>Yerel üretim hattı: 8-16 GB VRAM ile ne yapabiliyoruz?</title>
      <link>https://mucaai.com/yazi/yerel-modellerle-8-16gb-uretim/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/yerel-modellerle-8-16gb-uretim/</guid>
      <pubDate>Tue, 13 Oct 2026 06:00:00 GMT</pubDate>
      <category>Modeller</category>
      <category>Üretim</category>
      <description>Bulut faturası olmadan, 8-16 GB VRAM&apos;li tek bir ekranla günlük AI üretimi: hangi işler yerelde, hangileri bulutta.</description>
      <content:encoded><![CDATA[Kendi makinelerimizde 8-16 GB VRAM aralığında çalışıyoruz. Hangi işin nerede yapılacağına dair net bir ayrım oturdu.

## Yerelde iyi çalışanlar

- **Metin**: 7-14B sınıfı modeller quant (Q4/Q5) ile günde binlerce kısa üretim için fazlasıyla yeterli — ürün metni, isimlendirme, kod tamamlama
- **Görsel**: 1024px görselleri yerelde üretmek mümkün; tek görsel 10-30 sn
- **Özetleme / sınıflandırma**: gecikme ve maliyet duyarlı işler için ideal

## Bulutta kalanlar

- **Video**: diffusion video hâlâ yerelde pratik değil (VRAM ve süre)
- **Büyük görsel setleri**: aynı anda 20+ varyant gereken A/B testlerde bulut paralelliği kazanıyor
- **Uzun bağlam + büyük model**: yalnızca kritik analizlerde

## Kurulum notları

- Kaydırmalı katman + doğru quant, 16 GB'lık kartı beklenenden çok daha verimli kullanıyor
- Aynı makinede hem üretim hem oyun/derleme varsa, modeli ayrı bir kullanıcı (service) altında tutmak çöküşleri izole ediyor
- Yerel = gizlilik avantajı; müşteri verisi asla dışarı çıkmıyor

Özet: günlük metin ve görsel işlerinin çoğu tek bir yerel kutuda; video ve paralel büyük işler hâlâ bulutta.]]></content:encoded>
    </item>
    <item>
      <title>Metinden videoya: kaliteyi gerçekten artıran 5 ayar</title>
      <link>https://mucaai.com/yazi/metinden-videoya-kalite-artiran-5-ayar/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/metinden-videoya-kalite-artiran-5-ayar/</guid>
      <pubDate>Sun, 11 Oct 2026 06:00:00 GMT</pubDate>
      <category>Video</category>
      <category>Üretim</category>
      <description>Metinden videoya üretimde tutarlılığı ve izlenebilirliği artıran beş pratik ayar: kamera, süre, prompt katmanları.</description>
      <content:encoded><![CDATA[Metinden videoya araçlarda denediğimiz onlarca üretimden sonra kaliteyi en çok yükselten beş ayar:

1. **Kamera talimatını prompt'a yazın**: "slow dolly-in, 35mm" gibi tek bir kamera hareketi, sahnenin izlenebilirliğini katlıyor. Serbest bırakınca araç rastgele zoom yapıyor.
2. **Kısa çekim + kurgu**: 4-6 saniyelik çekimler üretip birleştirmek, tek 15 saniyelik shot'tan çok daha temiz çıkıyor.
3. **Referans görsel kullanın**: tutarlı karakter/nesne istiyorsanız tek metin yetersiz; ilk karenin (first frame) görselini verin.
4. **Negatif liste kısa tutsun**: 3-5 madde yeterli. Uzun negatif listeler gölge ve ten tonlarını bozuyor.
5. **Aynı seed + varyasyon**: değişmeyecek unsurları sabit seed ile üretin, yalnız istenen unsuru değiştirin — seri üretimde tutarlılık bu şekilde geliyor.

## Ek not

Üretim sonrası hızlı bir renk düzeltmesi + 24fps sabitleme, aracın çıktısını neredeyse her zaman daha profesyonel gösteriyor. Ham çıktıyı doğrudan yayına vermek en sık yaptığımız hata.]]></content:encoded>
    </item>
    <item>
      <title>Oyunlarda NPC diyalog üretimi: neyi modele, neyi yazara bırakmalı</title>
      <link>https://mucaai.com/yazi/oyunlarda-npc-diyalog-uretimi/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/oyunlarda-npc-diyalog-uretimi/</guid>
      <pubDate>Sat, 10 Oct 2026 06:00:00 GMT</pubDate>
      <category>Oyun</category>
      <category>Ajanlar</category>
      <description>Kendi oyunlarımızda NPC diyaloglarını üretecek hattı kurarken öğrendik: atmosfer yazara, varyasyon modele.</description>
      <content:encoded><![CDATA[Kendi oyunlarımızda yüzlerce NPC diyalog üretmek zorundaydık. Tamamen modele bırakmak homojen, tamamen elle yazmak ölçeklenmiyor. Yerleşen dağılım:

## Modele bırakılanlar

- Aynı repliğin 5-8 varyasyonu (kısa/uzun, kaba/kibar)
- NPC'ye özel kelime dağarcığı sözlüğünden üretim
- Oyuncu seviyesine göre karmaşıklık ayarı

## Yazarda kalanlar

- **Karakter sesi**: kimlik, arka plan, motivasyon — bunu model bilmiyor, siz vermezseniz varsayılan üslup çıkıyor
- **Şaka ve referanslar**: oyunun dünyasına ait iç şakalar elle yazılmazsa zoraki çıkıyor
- **Kritik diyaloglar**: görev, hikâye dönüm noktası, final

## Hat nasıl çalışıyor?

1. Yazar kısa bir *persona kartı* + 2 örnek replik yazıyor
2. Model kartı vererek varyasyon üretiyor
3. Diğer NPC'lerle **çakışma/tekrar taraması** otomatik (aynı kalıbın 10 NPC'de çıkması engelleniyor)
4. Yazar son okumayı yapıyor — üretim değil, eleme

Sonuç: yazarın işi %70 azaldı ama üslup tek elde kaldı. En iyi denge bu.]]></content:encoded>
    </item>
    <item>
      <title>AI ile kod inceleme akışı: PR&apos;ları 3 kat hızlı çeviriyoruz</title>
      <link>https://mucaai.com/yazi/ai-ile-kod-inceleme-akisi/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/ai-ile-kod-inceleme-akisi/</guid>
      <pubDate>Fri, 09 Oct 2026 06:00:00 GMT</pubDate>
      <category>Kod</category>
      <category>Üretim</category>
      <description>Pull request incelemesinde modeli nasıl kullanıyoruz: neyi otomatik eleye, neyi mutlaka insana bırakıyoruz.</description>
      <content:encoded><![CDATA[Kod inceleme (code review), yapay zekânın en iyi çalıştığı alanlardan biri — çünkü *okuma* işi. Bizim akışımız:

## Otomatik eleyen katman (insansız)

- Derleme, test, lint
- Güvenlik taraması (hardcoded secret, injection)
- Büyük diff'lerde temel stil sorunları

## Model katmanı

Diff + commit mesajı + dosya bağlamı verilir; model şunları raporlar:

- Mantık hatası ihtimalleri (`else` dalı unutulmuş mu, kenar koşulu var mı)
- Test edilmemiş davranışlar
- İsimlendirme ve okunabilirlik

## Insan kalan katman

- **Tasarım kararı**: bu fonksiyon var olmalı mı?
- **Ürün niyeti**: beklenen davranış hangisi?
- Her önerinin *gerekçesi* — model yalnızca satır değil, sebep de söylemeli

## Dikkat

İnceleme yapan modeli PR sahibinden **farklı** tutun; aynı modelin kendi kodunu övmesine izan vermeyin. Biz bunu rollout'tan sonra fark ettik: onay oranı anlamsız biçimde yükseliyordu.

Net sonuç: inceleme süresi ~3 kat kısaldı, ama son onay hep bir insanda.]]></content:encoded>
    </item>
    <item>
      <title>Görsel tutarlılığı için 6 teknik (aynı karakter, aynı dünya)</title>
      <link>https://mucaai.com/yazi/gorsel-tutarlilik-icin-6-teknik/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/gorsel-tutarlilik-icin-6-teknik/</guid>
      <pubDate>Thu, 08 Oct 2026 06:00:00 GMT</pubDate>
      <category>Görsel</category>
      <category>Üretim</category>
      <description>Üretken görsellerde aynı karakteri ve dünyayı korumak: referans sayfası, sabit prompt omurgası, kontrol katmanları.</description>
      <content:encoded><![CDATA[Seri görsel üretimde en zor iş sonuçları bir araya getirmek. Aynı karakter on farklı karede on farklı kişi gibi görünüyor. Çözen teknikler:

1. **Referans sayfası (character sheet)**: karakteri 4 açıdan üreten tek bir referans görseli her üretimde verin.
2. **Sabit prompt omurgası**: stil/ışık/zemin kısımlarını prompt'tan hiç çıkarmayın; yalnız değişen kısmı düzenleyin.
3. **Kontrol katmanları**: pose/outline kontrolü varsa openpose benzeri iskelet referansı kullanın.
4. **Renk paletini hex ile sabitleyin**: "kırmızı ceket" yerine palet kodu yazın — ton kayması ciddi biçimde azalıyor.
5. **Aynı seed + küçük jitter**: kompozisyonu korurken varyasyon verir.
6. **Otomatik tutarlılık puanı**: yüz embedding benzerliği ile seri içinde aykırı (outlier) kareleri otomatik işaretleyip yeniden üretiyoruz.

## Bizim gözlemimiz

Tekniklerin hepsini birden açmak gerekmiyor; **referans sayfa + sabit omurga** ikilisi tek başına çoğu durumu kurtarıyor. Kalanı yalnızca kritik sahnelerde ekleyin.]]></content:encoded>
    </item>
    <item>
      <title>MucaAI ekosisteminin son durumu: oyunlar, araçlar ve atölye</title>
      <link>https://mucaai.com/yazi/mucaai-ekosisteminin-son-durumu/</link>
      <guid isPermaLink="true">https://mucaai.com/yazi/mucaai-ekosisteminin-son-durumu/</guid>
      <pubDate>Mon, 12 Oct 2026 06:00:00 GMT</pubDate>
      <category>Ekosistem</category>
      <category>Projeler</category>
      <description>Kelime oyunları, video düzenleyici, e-ticaret analitiği ve açık kaynak kütüphaneler — ekosistemimizdeki projelere ve o an yakaladığımız yere kısa bir tur.</description>
      <content:encoded><![CDATA[Ekosistemimizde bir arada çalışan pek çok proje var. Bu yazıda kısa bir tur atıyoruz.

## Oyunlar

- **WordBUM**: tarayıcıda oynanan kelime oyunu. Bombalar patlamadan kelimeleri bulmaya çalışıyorsunuz.
- **BB Bowling**: mobil bowling oyunu.
- **NEDEN? Karanlık Hikayeler**: 67 bulmacalı dedektiflik oyunu.
- **Dreadlands**: gerçek zamanlı çok oyunculu deneyimler için geliştirdiğimiz sunucu altyapımızın üzerinde yürüyen aksiyon oyunu.

## Üretken araçlar

- **MucaCut**: video düzenleme.
- **MucaColor / MucaCreate**: görsel içerik üretimi.
- **CardMaker**: kart ve tarot editörü.
- **FlexiLand** ve **E-Ticaret Master**: e-ticaret operasyonları için analiz ve yönetim araçları.

## Teknik altyapı

Tüm bu projeler aynı ekibin içinde; kendi sunucularımızda, PM2 ve Docker ile yönetilen servisler üzerinde koşuyor. Yapay zekâ modellerini hem ürünlerimize yerleştiriyor hem de kendi geliştirme akışımızda (kod, içerik, model eğitimi) kullanıyoruz.

Önümüzdeki dönem blogda bu altyapıdan ve deneyimlerden notlar paylaşmaya devam edeceğiz.]]></content:encoded>
    </item>
  </channel>
</rss>
