~/menu

01 Ana sayfa

Selam, ben Eren.Kıdemli Yazılım Geliştirici, full-stack, backend odaklı

Bir ürünü ilk taslaktan production’a kadar uçtan uca sahiplenmeyi seviyorum. Merak ettiğim bir şeyi önce parçalarına ayırıp nasıl çalıştığını anlarım; değer katıyorsa production’a kadar götürürüm.

Calibre Tour’da rezervasyon ve ödeme platformunun backend’ini ve arayüzünü geliştiriyorum (.NET, SQL Server, React, Next.js, Node.js). Bunun dışında LIBRAIN’i geliştiriyorum: .NET 10 ile yazdığım, açık kaynaklı, çok ajanlı bir RAG sistemi. Bilimsel makaleleri işleyip embedding’lerini vektör veritabanında tutuyor; Reader → Synthesis → Evaluator pipeline’ıyla kaynağı doğrulanabilir hipotezler üretiyor. Paralel çalışan Discovery Mode, yapay zekâ, ilaç keşfi ve iklimden futbola, müziğe, hukuka ve yaban hayatının korunmasına uzanan 67 makale arasında alanlar arası bağlantılar kuruyor ve spekülatif çıkarımları novelClaim olarak ayrı işaretliyor. Bu kısmı ikinci bir model cümle cümle kontrol ediyor. Kayıtlı 88 fikri canlı demoda hesap açmadan okuyabilirsin. Çalışmanın makalesini Zenodo’da DOI ile yayımladım. En çok işin backend tarafında vakit geçiriyorum. Verinin nasıl aktığı, servislerin birbiriyle nasıl konuştuğu, kodun aylar sonra da anlaşılır kalması. Uğraşmayı sevdiğim meseleler bunlar.

erenn.jpg
Marmaris, TR
cd ./journey
erenn.jpg · git log --graph
Eren Mutlu, siyah-beyaz portre
dosya
erenn.jpg · 1024×1536
konum
Marmaris, TR
36.855° N 28.274° E
yerel saat

Europe/Istanbul
neyden yapıldı
kariyerim, sütun sütun: sol 06/2019, sağ bugün; her karede git geçmişimden gerçek bir satır var
çıkış
esc ya da ×

02 39 araç

Yetenekler

Alanlara göre gruplu. Bir araç seç; onu kullandığım her pozisyon log’da yansın.

git log --all --grep=

# kariyerimde grep'lemek için yukarıdan bir araç seç

# .net'i dene, her yerden çıkıyor

03 2019 – bugün

Deneyim

Şu an Calibre Tour'da Kıdemli Yazılım Geliştiriciyim. 2019'dan beri altı pozisyon, en yenisi üstte; ayrıntı için birine dokun.

  1. HEAD şunu gösteriyor: main

    Kıdemli Yazılım GeliştiriciCalibre Tour01/2025 – bugünMarmaris, Türkiye

    • Otelleri, uçuşları, transferleri ve tatil paketlerini aynı rezervasyon platformunda topladım. Birden fazla firmaya hizmet veren B2B/B2C yapısını .NET 10, EF Core ve SQL Server kullanan 11 ASP.NET Core mikroservisiyle kurdum. React yönetim panelinin büyük kısmını ve Next.js'teki ödeme, rezervasyon ve hesap işlemlerini de sağdan sola yazım desteği dahil 4 dilde geliştirdim.
    • Kimlik servisini ve B2B yapısını kurdum. ASP.NET Core Identity ile JWT erişim ve yenileme token'ları, 7 kullanıcı tipi ve firmaya özel yetkilendirme kullandım. İş ortaklarının sisteme katılımını, Hangfire ile süresi takip edilen opsiyonlu rezervasyonları ve hesap kayıtlarından izlenebilen acente komisyonlarını geliştirdim.
    • Otel sözleşmeleri ve fiyatlandırma için bir motor yazdım. Pazara göre kâr payı, tarih aralığına göre fiyat, iptal politikaları, satışı durdurulabilen ortak kontenjanlar ve birlikte uygulanabilen kampanyalar bu yapıda çalışıyor. Otel hakedişlerini ve IBAN'a yapılan ödemeleri de buna bağladım.
    • Kendi otellerimizle Paximum envanterini tek aramada birleştirdim. Otellerimizi tedarikçi kayıtlarıyla eşleştiren yapı, 1,39 milyon otellik bir katalog üzerinde çalışıyor.
    • Otel içeriklerini Booking.com verileriyle zenginleştirmeyi önerdim ve bunun için ayrı bir Node.js servisi yazdım. Express.js, Prisma ile PostgreSQL ve Redis üzerinde BullMQ görevleri kullandım.
    • Uçuş ürününü ve Paximum ile SanFlight entegrasyonlarını geliştirdim. Oturumları Redis üzerinden paylaştım; istek hızını token bucket ile sınırladım, servis hatalarını Polly circuit breaker ile yönettim. Tedarikçi rezervasyonlarını, otomatik iadeleri de kapsayan bir MassTransit saga'sı olarak kurguladım.
    • Tatil paketleri ve turlar için kişi sayısına göre müsaitliği Hangfire ile önceden hesaplayan bir yapı kurdum. B2B portalını, adım adım tur oluşturma ekranını ve gün gün seyahat biletlerini e-postayla gönderen sistemi geliştirdim.
    • Birden fazla para birimini destekleyen cüzdanı, hesap hareketlerini ve ödeme servisini geliştirdim. EF Core ile atomik hesap kayıtları, anlık çapraz kurlar ve kredi limitleri kullandım. Paycell'i ve İşbank, Garanti BBVA, Yapı Kredi üzerinden 3D Secure'lu taksitli ödemeyi entegre ettim. İadeleri, tahsilatın yapıldığı para biriminde işledim.
    • Ödeme ve iadelerin iki kez işlenmesini engelledim. BFF girişine httpOnly çerez ve CSRF koruması ekledim; EF Core sorgularını firmaya göre filtreledim. SQL Server tam metin indeksleri ve Redis üzerinde HybridCache ile sorguları hızlandırdım.
    • Hetzner üzerindeki Docker ve Coolify altyapısını yönettim. GitHub Actions ile yalnızca değişen servisleri test ettim. Canlı veritabanını her hafta anonimleştirip geliştirme ortamına aktardım; kayıt ve izleme için Serilog ile OpenTelemetry kullandım.

    teknolojiler · 22.NET 10ASP.NET CoreEF CoreSQL ServerMikroservislerReact.jsNext.jsTypeScriptNode.jsExpress.jsPostgreSQLPrismaRedisBullMQMassTransitHangfirePollyDockerCoolifyHetznerGitHub ActionsOpenTelemetry

    Backend Ekip LideriPawbooking.co03/2024 – 01/2025Uzaktan · kurucu ekip

    • Başta Bafra Gıda'daki işimin yanında, akşamları yarı zamanlı çalışıyordum. Eylül 2024'ten sonra Pawbooking asıl işim oldu.
    • 4 kişilik kurucu ekipte backend'den sorumluydum. 5 mühendisten oluşan ekibi yönettim, mimari kararları verdim ve kod incelemelerini yürüttüm. Teknik işe alımlara da katıldım.
    • Paycell ve iyzico'yu rezervasyon sürecine entegre ettim. Rezervasyon ve ödeme adımlarını tek işlem olarak ele alarak kayıtların tutarlı kalmasını sağladım.
    • Rezervasyon motorunu ve REST API'lerini Express.js, Next.js ve MongoDB ile tasarladım. MongoDB şemalarını bu işlemlere göre optimize ettim.
    • pawbooking.co'yu AWS üzerinde yayına aldım. Derleme ve dağıtım süreçlerini kendi barındırdığımız Coolify üzerinden yürüttüm.

    teknolojiler · 12Node.jsExpress.jsNext.jsMongoDBREST API'leriPaycelliyzicoAWSCoolifyCI/CDEkip LiderliğiKod İnceleme

    Yazılım GeliştiriciBafra Gıda Ltd. Şti.09/2023 – 09/2024Türkiye · ofiste

    • Sözleşmeli olarak tam zamanlı çalıştım.
    • 1 ana depo ve dışarıdan hizmet alınan 2 operasyonda stok ve envanter takibini elektronik tablolardan çıkardım. Bunun için .NET mikroservisleri ve Vue.js arayüzleri geliştirdim.
    • Şirketin restoran ve oto bakım birimlerinin backend servislerini ve veri akışlarını tasarladım.
    • Express.js ve React ile günlük işleri ve raporlamayı otomatikleştiren araçlar yazdım. İhtiyaçları ilgili ekiplerle birlikte belirledim, yeni sürümleri GitHub Actions ile yayına aldım.

    teknolojiler · 9.NETVue.jsExpress.jsReact.jsTypeScriptJavaScriptMikroservislerREST API'leriGitHub Actions

    Yazılım GeliştiriciContent Power BV08/2022 – 09/2023Rijswijk, Hollanda · ofiste (AIESEC Global Talent)

    • AIESEC Global Talent programıyla Hollanda'nın Rijswijk kentinde, ofiste çalıştım.
    • İnternet servis sağlayıcılarının yoğun trafikli müşteri portalları için .NET ile özel bir SSR motoru yazdım. Arayüz bileşenleri sunucuda üretiliyordu.
    • Liste ve formları nesne yönelimli domain modellerinden otomatik üreterek arayüzde tekrar eden kodu azalttım.
    • DNS yönetimini Cloudflare API ile otomatikleştirdim. Backend'de işlenecek dosyalar için Uppy.js ile güvenli, çoklu dosya yükleme desteği ekledim.
    • Çevik yöntemlerle çalışan uluslararası bir ekipteydim. Geliştirdiğim özellikleri GitLab CI/CD üzerinden kabul testi (ACC) ve canlı (PROD) ortamlarına taşıdım.

    teknolojiler · 10.NETTypeScriptJavaScriptSunucu Taraflı Render (SSR)Nesne Yönelimli ProgramlamaCloudflare APIUppy.jsGitLab CI/CDÇevik Geliştirmeİngilizce Konuşma

    Yazılım GeliştiriciIntertech Information Technology07/2021 – 08/2022İstanbul, Türkiye

    • Yüksek hacimli bankacılık işlemlerinde Kafka ile olay tabanlı işleme ve Redis önbelleği kullandım. Performans göstergeleriyle takip edilen bu süreçlerde sistemin işleyebildiği işlem sayısını artırdım.
    • Kurumsal ve ticari bankacılık müşterileri için .NET mikroservisleri, JavaScript ve TypeScript bileşenleri geliştirdim. Düzenleyici gerekliliklere ve hizmet seviyesi taahhütlerine (SLA) göre çalıştım.
    • Kod incelemelerinin ardından mevcut büyük kod tabanlarını yeniden düzenledim. Değişiklikleri test ekibiyle birlikte test ve hazırlık ortamlarından geçirip kontrollü olarak canlıya aldım.
    • Bankacılık mikroservisleri için birim testleri yazdım. Sürüm kontrolünü ve iş takibini TFS üzerinden yürüttüm.

    teknolojiler · 9.NETJavaScriptTypeScriptKafkaRedisMikroservislerBirim TestleriTFSSQL

    Yazılım GeliştiriciTeknoraks Teknoloji Market06/2019 – 07/2021Gaziantep, Türkiye

    • İlk yıl uzaktan ve yarı zamanlı çalıştım; pandemiyle birlikte tam zamanlıya geçtim. Ekipte gönüllü mühendisler de vardı.
    • Trendyol, Hepsiburada, Çiçeksepeti ve n11'den gelen siparişleri şirketin paneline anlık aktardım. Entegrasyonları MSSQL üzerinde çalışan .NET Worker Service'lerle yazdım.
    • Bu siparişlerin kargoya verilmesini takip etmek için .NET ile kargo yönetimini geliştirdim.
    • Personelin aynı sipariş verileriyle çalışabildiği bir Flutter uygulaması yazdım. Kimlik doğrulamada Firebase Authentication, durum yönetiminde Provider kullandım.
    • REST ve SOAP uç noktalarını dokümantasyon ve test için ortak Postman koleksiyonlarında topladım. Backend'deki performans sorunlarını giderdim.

    teknolojiler · 9.NETWorker ServicesMSSQLFlutterDartFirebaseREST API'leriSOAPPostman

    Bilgisayar Mühendisliği (Lisans)Karabük Üniversitesi07/2018 – 09/2023

    • Bilgisayar Mühendisliği lisansını %100 İngilizce eğitimle tamamladım.
    • Bitirme projemde konuşmayı anlık olarak işaret diline çeviren bir uygulama yazdım. Unity, C# ve Blender kullandığım proje TÜBİTAK 2209-A desteği aldı.
    • Veri Yapıları ve Algoritmalar, Yazılım Mimarisi, Nesne Yönelimli Programlama ve Tasarım Kalıpları ile Dağıtık Veritabanı Sistemleri üzerine dersler aldım.

    teknolojiler · 7Bilgisayar BilimiAlgoritmalarVeri YapılarıYazılım MimarisiUnityC#Araştırma

046 repo

Projeler

Altı repo, tek bir editörde. README’ye, vaka çalışmasına ve gerçek koda göz at ya da demoyu çalıştır. Sen istemedikçe bu sayfadan hiçbir yere gitmiyorsun.

librain stats

okunan makale
67
Qdrant’taki parça
2.470
uydurma atıf
65–67 , şimdi 0

gh repo view librain

COMMIT
166
yıldız
★ 1
dosya
665
lisans
MIT
İLK COMMIT
1 Mayıs 2026
SON COMMIT
18 Kasım 2026
  • C# %97,9
  • Shell %1,6
  • TeX %0,5

01LIBRAIN

Bilimsel makaleleri okuyup atıflara dayanan hipotezler öneren, .NET 10 ile yazılmış açık kaynaklı, çok ajanlı bir RAG sistemi.

README orijinal haliyle (İngilizce)

A multi-agent RAG system that reads scientific papers and proposes new hypotheses, built in .NET 10.
  • Reader Agent: extracts text from arXiv PDFs, chunks it, embeds it and stores it in Qdrant.
  • Synthesis Agent: retrieves the top chunks and asks Claude for citation-grounded hypotheses.
  • Evaluator Agent: LLM-as-a-Judge with a fixed rubric (plausibility, novelty, clarity).
  • Discovery Mode: the part that goes beyond the sources is flagged as novelClaim.
  • Web UI (React + Vite + TypeScript): Library, Ask, Discover, Compare and History; long runs show live progress.
POST /api/discover

# CASE_STUDY.md

LIBRAIN

Sorun

  • RAG ve yapay zekâ ajanlarıyla ilgili eğitimlerin çoğu Python’la yazılmış. .NET kullanan ekiplerin duyduğu mesaj da hep aynı: “yapay zekâ Python ister.”
  • Bir de şu var: bir LLM makaleler arasında bağ kurarken, hiç getirilmemiş kaynaklara atıf yapabiliyor.

Yaklaşım

  • Baştan sona .NET 10 ile kurulmuş, eksiksiz bir çok ajanlı retrieval pipeline’ı: önce Reader, sonra Synthesis, en son Evaluator.
  • Paralel çalışan Discovery Mode, yanıtın spekülatif kısmını novelClaim (yeni iddia) adlı ayrı bir alana koyuyor. ClaimValidator (Claude Haiku 4.5) da bu alandaki her cümleyi GROUNDED, EXTRAPOLATED ya da RISKY diye etiketliyor ve yanına bir halüsinasyon olasılığıyla gerekçesini yazıyor. Demoda bu etiketler Dayanaklı, Varsayımsal ve Riskli olarak görünüyor.
  • Düz C# ile yazılmış, araya hiçbir modelin girmediği bir atıf sözleşmesi (DiscoveryContract.cs), getirilmemiş bir parçaya yapılan her atıfı eliyor.
  • İddia kontrolleri şüphede güvenli tarafta kalıyor: validator kullanılabilir bir karar döndürmezse sonuç güvenli sayılmıyor, en yüksek riskle işaretleniyor.
  1. 67 makalearXiv
  2. Readerchunk + embed
  3. Qdrant2.470 parça
  4. SynthesisDiscovery
  5. EvaluatorClaimValidator
  6. Hipotezleratıflı

Ne yaptım

  • Hiçbir ajan framework’ü kullanmadan, düz C# ile yazılmış ajanlar: Claude (yazan Sonnet 4.6, kontrol edip puanlayan Haiku 4.5), OpenAI embedding’leri (text-embedding-3-small) ve Qdrant. Her adım bir korelasyon ID’siyle loglanıyor.
  • Üç sistemli karşılaştırma için baseline ajanları (naive RAG, tek bir LLM), deneyler için bir CLI, bir de modeller arası testler için OpenAI’a taşınmış bir sürüm.
  • React, Vite ve TypeScript ile, İngilizce ve Türkçe bir web arayüzü: Library, Ask, Discover, Compare ve History. Uzun süren çalıştırmalar önce adım adım ilerlemeyi, sonra sonucu gönderiyor; kaydedilen her çalıştırma aynı zamanda, korelasyon ID’siyle bulunan bir denetim kaydı.
  • Explore: kayıtlı her keşif 10 üzerinden bir not alıyor. Her birinin kendi sayfası var; bir de istatistikler ve validator’ın gerçek kararları üzerine kurulu bir tahmin oyunu, “Spot the risk”.
  • Makaleler arXiv ID’siyle de eklenebiliyor. Tek bir docker compose komutu Qdrant’ı, API’yi ve arayüzü birlikte ayağa kaldırıyor. Herkese açık demoda API Docker ile Render’da, site GitHub Pages’te, makale kütüphanesi de Qdrant Cloud’da çalışıyor ve hepsi GitHub Actions ile yayına alınıyor. İsteğe bağlı bir API key ve istemci başına rate limit API’yi koruyor, Claude çağrıları da hata alınca jitter’lı aralıklarla yeniden deneniyor.
  • 19 Kasım 2026’daki CI çalıştırmasında 851 test: backend’de 282 (xUnit), web arayüzünde 569 (Vitest). Backend testleri, makaledeki çalışmanın kayıtlı Discovery sonuçlarının hepsini (30 tane) güncel koddan yeniden geçiriyor ve her biri aynı puanları vermek zorunda.
  • librain.erenmutlu.me adresinde herkese açık bir demo. Hazır modda 88 fikrin hepsi ücretsiz okunabiliyor, hesap gerekmiyor. Kendi iki konunu çalıştırmak için kendi Anthropic ve OpenAI API key’lerin gerekiyor, bir çalıştırma yaklaşık 7 sent tutuyor.
  • Zenodo’da yayımladığım, projeyi anlatan bir makale. Bir de ilk 46 keşfi sade bir dille anlatan, İngilizce ve Türkçe bir kitapçık (PDF).
  • LIBRAIN Discover ekranı: iki cümlelik bir yeni iddia; ilki extrapolated, ikincisi risky olarak altı çizili, yanında validator’ın %75 halüsinasyon olasılığı ve gerekçesi.Discover: novelClaim’in her cümlesi grounded, extrapolated ya da risky diye işaretli
  • LIBRAIN Explore ekranı: 10 üzerinden 6.2 not alan günün keşfi; altında arama, sıralama ve kategori filtreleri.Explore: kayıtlı keşifler, 10 üzerinden notlu
  • LIBRAIN Spot the risk oyunu: gerçek bir yeni iddia cümlesi, üç karar düğmesi ve validator’ın cevabı (risky) ile gerekçesi.Spot the risk: gerçek bir cümlede validator’ın kararını tahmin et

Sonuç

okunan makale
67
Qdrant’taki parça
2.470
uydurma atıf
65–67, şimdi 0
  • 41 makalelik, farklı alanlardan oluşan bir makale kütüphanesinde sözleşmesiz baseline 65–67 uydurma atıf üretti. Sözleşmeli pipeline bunların hiçbirini geçirmedi. (Sayılan atıflardan ikisi, modelin prompt’taki kaynak biçimini aynen tekrarlamasıydı; bunların çözümlenip çözümlenmediği kayda geçmemiş.)
  • 18 Kasım 2026’da LIBRAIN 88 Discovery fikri kaydetti: dokuz alanda 46 çalıştırma (Deney 8), alanlar arası 24 çalıştırma, müzik, hukuk ve yaban hayatı üzerine 12 makale eklendikten sonra da 18 çalıştırma daha (67 makale, 2.470 parça). 88 fikrin API maliyeti toplam 5,88 ABD doları, tanesi yaklaşık 7 sent. Bir çalıştırma yaklaşık 20 saniye sürüyor.
  • İlk 46 çalıştırmada hiç uydurma atıf çıkmadı, validator da 73 spekülatif cümleden 4’ünü riskli olarak işaretledi. Bunlardan biri PharmAgents’ın %37,94’lük başarı oranını bir “tavan” diye anıyordu ve %72 olasılıkla riskli işaretlendi. Makalede başarı oranı %15,72’den %37,94’e çıkıyor.
  • 10 üzerinden notları LIBRAIN’in kendi değerlendiricisi, yani bir model veriyor. Fikirlere hiçbir insan not vermedi. En yüksek not 8.1: hayvan takibi × öğrenilmiş fizik simülatörleri (E5). 7.8’in üstünde başka fikir yok. En yüksek notları yaban hayatının korunması, programlama eğitimi, salgın tahmini ve spor analitiği alanlarındaki fikirler aldı. İki fikir aynı istekle dörder kez daha çalıştırıldı ve her tekrar daha düşük not aldı, düşüş en fazla 2’ye yakındı. Bu yüzden demoda her fikir ilk çalıştırmasıyla duruyor.
  • Her biri kanıtlanmış bir keşif değil, aday bir hipotez: kanıt, hipotezin çıkış noktasını destekliyor; yeni kısmın ise hâlâ gerçek bir deneyle sınanması gerekiyor.

F4 · Yapay zekâ × futbol · aday hipotez

Kornerleri bir fizik simülasyonu gibi prova etmek

Korner vuruşunda her oyuncuyu, öğrenilmiş bir fizik simülatöründeki bir parçacık gibi ele al; böylece TacticAI benzeri bir asistan yalnızca başlangıç dizilişini değil, hareket planlarının tamamını deneyebilir.

corner kick tactic generation and player positioning × learned physics simulators with graph networks

Nasıl sınanır: simülatör gerçek kornerlerin takip verileriyle eğitilir; görmediği maçlarda tahmin ettiği koşuların gerçekte olanlarla örtüşüp örtüşmediğine bakılır.

TacticAI (2310.10553) × öğrenilmiş bir fizik simülatörü (GNS) · makullük 0.62 · iddia riski 0.25 · riskli cümle yok · 0,066 ABD doları · çalıştırmanın tamamı (JSON)

Ne öğrendim

  • Sentetik testler, gerçek dosyalarla yapılan bir smoke test’in yerini tutmuyor. Tek bir gerçek arXiv PDF’i, yeşil yanan yedi birim testin kaçırdığı bir kelime boşluğu hatasını ve bölüm tespitindeki açıkları ortaya çıkardı.
  • Rate limit neyse ona uy: embedding batch’lerini hesabın gerçek tier sınırına göre ayarlamak, retry mantığı yazmaktan daha iyi sonuç verdi.

Bütün hikâye, adım adımLIBRAIN’in nasıl düşündüğünü gör Canlı demo Makale (DOI) Keşifler, sade dille (PDF, TR + EN)

LIBRAIN/Agents/ReaderAgent.cs79 satırGitHub’da aç

using System.Diagnostics;using LIBRAIN.Embeddings;using LIBRAIN.Reading;using LIBRAIN.Storage; namespace LIBRAIN.Agents; public sealed class ReaderAgent(    ILogger<ReaderAgent> logger,    PdfTextExtractor extractor,    RecursiveChunker chunker,    IEmbeddingClient embeddings,    IPaperStore repository){    private readonly ILogger<ReaderAgent> _logger = logger;    private readonly PdfTextExtractor _extractor = extractor;    private readonly RecursiveChunker _chunker = chunker;    private readonly IEmbeddingClient _embeddings = embeddings;    private readonly IPaperStore _repository = repository;     public async Task<IngestResult> IngestAsync(        Stream pdfStream,        string paperId,        CancellationToken ct = default,        PaperMetadata? metadata = null)    {        var correlationId = Guid.NewGuid();        using var scope = _logger.BeginScope(new Dictionary<string, object>        {            ["correlationId"] = correlationId,            ["paperId"] = paperId,        });         var sw = Stopwatch.StartNew();        _logger.LogInformation("Ingest started for {PaperId}", paperId);         var doc = _extractor.Extract(pdfStream);        var chunks = _chunker.Chunk(doc.FullText, doc.Pages);        if (chunks.Count == 0)        {            _logger.LogWarning("No chunks produced; nothing to persist");            return new IngestResult(paperId, 0, correlationId, metadata?.Title ?? doc.Title);        }         var contents = chunks.Select(c => c.Content).ToArray();        var vectors = await _embeddings.GenerateAsync(contents, ct);         var title = !string.IsNullOrWhiteSpace(metadata?.Title) ? metadata.Title            : string.IsNullOrWhiteSpace(doc.Title) ? paperId : doc.Title;        var authors = metadata?.Authors is { Count: > 0 } ? metadata.Authors : doc.Authors;        var year = metadata?.Year ?? doc.Year;        var ingestedAt = DateTime.UtcNow;        var records = new ChunkRecord[chunks.Count];        for (int i = 0; i < chunks.Count; i++)        {            var c = chunks[i];            records[i] = new ChunkRecord(                PaperId: paperId,                ChunkIndex: c.ChunkIndex,                Content: c.Content,                Embedding: vectors[i],                Title: title,                Authors: authors,                Year: year,                Section: c.Section,                PageNumber: c.PageNumber,                IngestedAt: ingestedAt);        }         await _repository.PersistAsync(records, ct);         _logger.LogInformation(            "Ingest completed: {ChunkCount} chunks in {ElapsedMs}ms",            chunks.Count,            sw.ElapsedMilliseconds);         return new IngestResult(paperId, chunks.Count, correlationId, title);    }}

LIBRAIN/Agents/SynthesisAgent.cs183 satır · ilk 80 satırı buradaGitHub’da aç

using System.Diagnostics;using System.Text;using System.Text.Json.Nodes;using LIBRAIN.Llm;using LIBRAIN.Models;using LIBRAIN.Storage;using Microsoft.Extensions.Options; namespace LIBRAIN.Agents; public sealed class SynthesisAgent(    ILogger<SynthesisAgent> logger,    ILlmClient llm,    IOptions<ModelOptions> modelOptions){    private readonly ILogger<SynthesisAgent> _logger = logger;    private readonly ILlmClient _llm = llm;    private readonly string _synthesisModel = ModelSelection.SynthesisModel(modelOptions.Value);     private const string SystemPromptText = """        You are a research synthesis assistant for a literature-review system. You are given        a user query and a numbered list of source excerpts retrieved from academic papers.         Form a single, conservative hypothesis grounded ONLY in the provided sources. Cite by        source number. List any claim in your hypothesis that is NOT directly supported by a        cited source in `unsupported_claims`; if all claims are supported, return an empty array.         If the sources are insufficient to form any defensible hypothesis: set `confidence`        below 0.3, populate `unsupported_claims` with what's missing, and write a hypothesis        stating the limitation explicitly (e.g., "The provided sources do not address X").         Always call the `submit_hypothesis` tool. Do not respond in plain text.        """;     // Schema is raw JSON because Anthropic.SDK.Messaging.Property in 5.10 has no Items field;    // it can't express array<integer> via the typed builder. Function's (string, string, JsonNode)    // ctor accepts a parsed schema directly.    private const string ToolSchemaJson = """        {          "type": "object",          "properties": {            "hypothesis":         { "type": "string",  "description": "A single conservative claim grounded only in the provided sources." },            "citation_indices":   { "type": "array",   "items": { "type": "integer" }, "description": "1-based indices into the SOURCES block, ordered by relevance." },            "confidence":         { "type": "number",  "description": "Self-reported 0.0-1.0; lower if sources are sparse or contradictory." },            "unsupported_claims": { "type": "array",   "items": { "type": "string" },  "description": "Substrings of the hypothesis that are NOT directly supported by the cited sources. Empty array if all claims are supported." }          },          "required": ["hypothesis", "citation_indices", "confidence", "unsupported_claims"]        }        """;     private static readonly LlmTool SubmitHypothesisTool =        LlmTool.FromJsonSchema("submit_hypothesis", "Submit a citation-grounded hypothesis.", ToolSchemaJson);     public async Task<SynthesisResult> SynthesizeAsync(        string query,        IReadOnlyList<SearchHit> chunks,        Guid? correlationId = null,        CancellationToken ct = default)    {        var corrId = correlationId ?? Guid.NewGuid();        using var scope = _logger.BeginScope(new Dictionary<string, object>        {            ["correlationId"] = corrId,            ["chunkCount"] = chunks.Count,        });         if (chunks.Count == 0 || chunks.All(c => string.IsNullOrWhiteSpace(c.Content)))        {            _logger.LogWarning("Synthesis skipped: no usable source chunks");            return new SynthesisResult(                Hypothesis: "Insufficient sources to form a hypothesis.",                Citations: Array.Empty<SynthesisCitation>(),                Confidence: null,                UnsupportedClaims: Array.Empty<string>(),                CorrelationId: corrId);        }         var sw = Stopwatch.StartNew();        var request = new LlmRequest(            Model: _synthesisModel,

GitHub’da 103 satır daha

LIBRAIN/Agents/ClaimValidatorAgent.cs165 satır · ilk 80 satırı buradaGitHub’da aç

using System.Diagnostics;using System.Text;using System.Text.Json.Nodes;using LIBRAIN.Llm;using LIBRAIN.Storage; namespace LIBRAIN.Agents; // Stage 2 of the claim-level hallucination mitigation prototype. After// DiscoveryAgent produces novelClaim + extrapolation_basis, this agent runs a// secondary Haiku-backed pass that scores each sentence of novel_claim against the// retrieved chunks and classifies it as GROUNDED, EXTRAPOLATED, or RISKY using the// rubric's hallucination definition. The aggregate risk is C#-computed as the max// of per-sentence probabilities to keep the score halo-resistant (mirroring the// Phase 2 Evaluator pattern).public sealed class ClaimValidatorAgent(    ILogger<ClaimValidatorAgent> logger,    ILlmClient llm){    private readonly ILogger<ClaimValidatorAgent> _logger = logger;    private readonly ILlmClient _llm = llm;     private const string SystemPromptText = """        You are a claim-level factuality validator. You are given the novel_claim        portion of a discovery hypothesis and the retrieved source chunks that were        available to the synthesizer. Your job is to split novel_claim into its        constituent sentences and classify each sentence under three statuses:         - GROUNDED: the sentence is directly supported by at least one retrieved          chunk. Cite the chunk(s) in supporting_chunks as "paper_id:chunk_index".        - EXTRAPOLATED: the sentence is speculative or hypothesis-framed. It goes          beyond the retrieved evidence but does NOT assert a specific factual claim          as established. Examples: "X could enable Y", "this suggests Y", "future          work may show Y". Speculation framed as hypothesis is EXTRAPOLATED, not          RISKY.        - RISKY: the sentence states a SPECIFIC FACTUAL CLAIM (a mechanism, a          quantity, a named entity, a date, an attribution, or a process detail) as          if it were established knowledge, AND that claim is not supported by any          retrieved chunk. The hallucination signature is confident factual framing          without retrieval support. Examples that ARE risky:            * "EEG biomarkers determine drug-target binding in real time" (specific              mechanism stated as fact, no retrieval support)            * "GraphCast achieves 98% accuracy on protein folding" (fabricated stat)            * "PharmAgents was released by DeepMind in 2024" (wrong attribution)          Examples that are NOT risky (these are EXTRAPOLATED):            * "Weather forecasting algorithms could plausibly transfer to protein              folding via shared mathematical structure"            * "Real-time biomarker integration may eventually inform drug discovery"        Hedging language ("could", "may", "suggests", "is hypothesized") is the        marker that distinguishes EXTRAPOLATED from RISKY. Confident factual framing        of an unsupported specific claim is the marker that distinguishes RISKY.         For each sentence also return factual_hallucination_probability in [0, 1].        GROUNDED ≈ 0.0, EXTRAPOLATED ≈ 0.1–0.3, RISKY ≈ 0.6–1.0. Use the full        continuous range; do not snap to round numbers.         Provide a one-sentence rationale per claim describing why you chose the        status. Also return an aggregate_risk in [0, 1] (the application will        recompute the canonical aggregate in code; your aggregate is a sanity        check).         Always call the `submit_claim_validation` tool. Do not respond in plain        text.        """;     private const string ToolSchemaJson = """        {          "type": "object",          "properties": {            "claims": {              "type": "array",              "minItems": 1,              "items": {                "type": "object",                "properties": {                  "sentence":           { "type": "string", "description": "Exact sentence from novel_claim." },                  "factuality_status":  { "type": "string", "enum": ["GROUNDED", "EXTRAPOLATED", "RISKY"] },                  "supporting_chunks":  { "type": "array",  "items": { "type": "string" }, "description": "List of 'paper_id:chunk_index' references for GROUNDED claims. Empty array for EXTRAPOLATED/RISKY." },                  "factual_hallucination_probability": { "type": "number", "description": "0.0 to 1.0. GROUNDED ≈ 0, EXTRAPOLATED ≈ 0.1-0.3, RISKY ≈ 0.6-1.0." },                  "rationale":          { "type": "string", "description": "One-sentence justification of the status." }

GitHub’da 85 satır daha

LIBRAIN/Program.cs135 satır · ilk 80 satırı buradaGitHub’da aç

using LIBRAIN.Agents;using LIBRAIN.Embeddings;using LIBRAIN.Endpoints;using LIBRAIN.Models;using LIBRAIN.Reading;using LIBRAIN.Storage;using Microsoft.AspNetCore.Http.Features;using Microsoft.Extensions.Options;using Qdrant.Client;using Scalar.AspNetCore; const long maxUploadBytes = 50_000_000; // 50MB cap on PDF uploads (largest data/papers/ paper is ~9MB) var builder = WebApplication.CreateBuilder(args); builder.WebHost.ConfigureKestrel(options =>{    options.Limits.MaxRequestBodySize = maxUploadBytes;}); builder.Services.Configure<FormOptions>(options =>{    options.MultipartBodyLengthLimit = maxUploadBytes;}); var applicationInsightsConnectionString = builder.Configuration["ApplicationInsights:ConnectionString"];if (!string.IsNullOrWhiteSpace(applicationInsightsConnectionString)){    builder.Services.AddApplicationInsightsTelemetry();} builder.Services.AddOpenApi(); builder.Services.Configure<AnthropicOptions>(    builder.Configuration.GetSection(AnthropicOptions.SectionName));// Fail fast with an actionable message instead of a 502 on the first request.// Anthropic:ApiKey is deliberately not required here: the OpenAI-only experiments// (fabrication-delta, provider=openai) run without it; AnthropicChatClient reports// a missing key when it is first used.builder.Services.AddOptions<OpenAIOptions>()    .Bind(builder.Configuration.GetSection(OpenAIOptions.SectionName))    .Validate(o => !string.IsNullOrWhiteSpace(o.ApiKey),        "OpenAI:ApiKey is not configured (needed for embeddings). Set it with: dotnet user-secrets set \"OpenAI:ApiKey\" \"sk-...\" --project LIBRAIN")    .ValidateOnStart();builder.Services.AddOptions<QdrantOptions>()    .Bind(builder.Configuration.GetSection(QdrantOptions.SectionName))    .Validate(o => !string.IsNullOrWhiteSpace(o.Host),        "Qdrant:Host is not configured. For local Docker use: dotnet user-secrets set \"Qdrant:Host\" \"localhost\" --project LIBRAIN")    .ValidateOnStart();builder.Services.Configure<ModelOptions>(    builder.Configuration.GetSection(ModelOptions.SectionName)); // Qdrant.Client uses gRPC (port 6334), not REST (6333). Cloud clusters require https + apiKey;// local Docker dev uses neither. Empty ApiKey selects local mode automatically.builder.Services.AddSingleton<QdrantClient>(sp =>{    var options = sp.GetRequiredService<IOptions<QdrantOptions>>().Value;    return string.IsNullOrWhiteSpace(options.ApiKey)        ? new QdrantClient(options.Host, options.Port)        : new QdrantClient(            host: options.Host,            port: options.Port,            https: options.UseHttps,            apiKey: options.ApiKey);}); builder.Services.AddSingleton<AnthropicChatClient>();builder.Services.AddSingleton<LIBRAIN.Llm.ILlmClient>(sp => sp.GetRequiredService<AnthropicChatClient>());builder.Services.AddScoped<IEmbeddingClient, OpenAIEmbeddingClient>();builder.Services.AddScoped<LIBRAIN.Generation.OpenAIChatClient>();builder.Services.AddScoped<LIBRAIN.Generation.OpenAiDiscoveryAgent>();// Singleton: stateless apart from its one-time collection setup, which used to race// when two first requests each ran it from their own scoped instance.builder.Services.AddSingleton<IPaperStore, QdrantPaperRepository>();builder.Services.AddScoped<LIBRAIN.Retrieval.TopicRetriever>();builder.Services.Configure<LIBRAIN.Runs.RunStoreOptions>(builder.Configuration.GetSection(LIBRAIN.Runs.RunStoreOptions.SectionName));builder.Services.AddSingleton<LIBRAIN.Runs.IRunStore>(sp =>{    var path = sp.GetRequiredService<IOptions<LIBRAIN.Runs.RunStoreOptions>>().Value.DatabasePath;    return new LIBRAIN.Runs.SqliteRunStore(Path.IsPathRooted(path) ? path : Path.Combine(builder.Environment.ContentRootPath, path));

GitHub’da 55 satır daha

.secrets/key.txtGitHub’da yok

# Gizli dosyalara baktın. Çoğu kişi bakmaz.# Bu da senin olsun: 

mainC#★ 1README.mdGitHub

gh repo view TrendyolOrderService

COMMIT
17
yıldız
★ 9 · 1 fork
dosya
22
lisans
yok
İLK COMMIT
5 Ağustos 2021
SON COMMIT
8 Kasım 2025
  • C# %100

02Trendyol Order Service

Trendyol siparişlerini SQL Server’a çeken bir .NET 7 arka plan servisi.

README orijinal haliyle (İngilizce)

A .NET 7.0 background service that pulls orders from the Trendyol API and saves them to SQL Server. It runs continuously and checks for new orders every 10 seconds.
  • Fetches orders every 10 seconds
  • Saves order, shipping and invoice addresses, product lines and package history
  • Skips orders that already exist
  • If one order fails, rolls that order back and continues with the next
dotnet run

# CASE_STUDY.md

Trendyol Order Service

Sorun

  • Teknoraks’ta (2019–2021) Trendyol, Hepsiburada, Çiçeksepeti ve n11 siparişlerini anlık olarak içeri alan .NET Worker Service’ler yazdım.
  • Ayrıldıktan sonra da konu peşimi bırakmadı, ben de kendi başıma devam ettim. Bu açık repo, Teknoraks’tan sonra yazdığım ve Trendyol siparişlerini SQL Server’a çeken kendi versiyonum.

Yaklaşım

Arka planda çalışan, Trendyol API’sini 10 saniyede bir çağıran ve her yeni siparişi kendi transaction’ı içinde yazan bir .NET Worker Service.

Ne yaptım

  • Worker.cs, tedarikçi siparişleri endpoint’ini appsettings.json’daki Basic auth bilgileriyle sorguluyor.
  • Her siparişin kendisini, kargo ve fatura adreslerini, ürün kalemlerini ve paket geçmişini ayrı ayrı tablolara kaydediyor (CreateDatabase.txt).
  • Zaten kayıtlı olan siparişleri atlıyor. Biri hata verirse sadece o sipariş geri alınıyor, döngü kaldığı yerden devam ediyor.

Sonuç

Ağustos 2021’den beri GitHub’da, son güncelleme Kasım 2025. 9 yıldız ve 1 fork.

Ne öğrendim

10 saniyede bir çalışan bir poller, aynı işi tekrar tekrar yapmaya dayanıklı olmalı. Veritabanını temiz tutan şey de bu: var olan siparişi atlamak, hata vereni tek başına geri almak.

GitHub’da aç

~/TrendyolOrderService dotnet run

çalışıyor · veri uydurma, davranış gerçek

Canlandırmasiparişler uydurma · döngü gerçek: 10 sn’de bir sorgula, var olanı atla, hata veren siparişi tek başına geri al

Workersıradaki sorgu 10 sn sonra

  1. #TY-402183 kalemkaydedildi
  2. #TY-402091 kalemkaydedildi

Utils/TokenManager.cs16 satırGitHub’da aç

using System;using System.Collections.Generic;using System.Linq;using System.Text;using System.Threading.Tasks; namespace TrendyolOrderService.Utils{    public class TokenManager    {        public static string GetToken(string textToEncode)        {            return EncodeDecodeManager.Base64Encode(textToEncode);        }    }}

Worker.cs257 satır · ilk 80 satırı buradaGitHub’da aç

using Microsoft.Extensions.Hosting;using Microsoft.Extensions.Logging;using RestSharp;using System;using System.Linq;using System.Threading;using System.Threading.Tasks;using Newtonsoft.Json;using TrendyolOrderService.DBContext;using TrendyolOrderService.Context;using TrendyolOrderService.Models;using TrendyolOrderService.Utils;using Microsoft.Extensions.Configuration; namespace TrendyolOrderService{    public class Worker : BackgroundService    {        private readonly ILogger<Worker> _logger;        private readonly IConfiguration _configuration;         public Worker(ILogger<Worker> logger, IConfiguration configuration)        {            _logger = logger;            _configuration = configuration;        }         protected override async Task ExecuteAsync(CancellationToken stoppingToken)        {            // Pull configuration values from appsettings.json            var apiKey = _configuration["TrendyolApi:ApiKey"];            var apiSecret = _configuration["TrendyolApi:ApiSecret"];            var supplierId = _configuration["TrendyolApi:SupplierId"];            var pollingInterval = int.TryParse(_configuration["TrendyolApi:PollingIntervalSeconds"], out int interval) ? interval : 10;             // Validate credentials before starting the service loop            if (string.IsNullOrWhiteSpace(apiKey) || string.IsNullOrWhiteSpace(apiSecret) || string.IsNullOrWhiteSpace(supplierId))            {                _logger.LogError("API credentials are not configured. Please check appsettings.json");                return;            }             // Main service loop - runs until cancellation is requested            while (!stoppingToken.IsCancellationRequested)            {                try                {                    _logger.LogInformation("Worker running at: {time}", DateTimeOffset.Now);                     string token = TokenManager.GetToken($"{apiKey}:{apiSecret}");                    var orders = await FetchOrdersAsync(supplierId, token);                     if (orders?.content != null)                    {                        await ProcessOrdersAsync(orders);                    }                }                catch (Exception ex)                {                    // Log errors but continue the service - don't let one failure stop the polling                    _logger.LogError(ex, "Error occurred while processing orders");                }                 await Task.Delay(pollingInterval * 1000, stoppingToken);            }        }         private async Task<TrendyolOrderContext.TrendyolRest> FetchOrdersAsync(string supplierId, string token)        {            var client = new RestClient($"https://api.trendyol.com/sapigw/suppliers/{supplierId}/orders");            var request = new RestRequest { Method = Method.GET, Timeout = 30000 };            request.AddHeader("Authorization", $"Basic {token}");                        var response = await client.ExecuteAsync(request);                        // Return null on failure            if (!response.IsSuccessful)            {                _logger.LogWarning("API request failed with status: {status}", response.StatusCode);                return null;

GitHub’da 177 satır daha

Program.cs25 satırGitHub’da aç

using Microsoft.Extensions.DependencyInjection;using Microsoft.Extensions.Hosting;using Serilog; namespace TrendyolOrderService{    public class Program    {        public static void Main(string[] args)        {            CreateHostBuilder(args).Build().Run();        }         public static IHostBuilder CreateHostBuilder(string[] args) =>            Host.CreateDefaultBuilder(args)                .ConfigureLogging(logging =>                {                    logging.AddSerilog();                })                .ConfigureServices((hostContext, services) =>                {                    services.AddHostedService<Worker>();                });    }}

masterC#★ 9README.mdGitHub

gh repo view citizen-plane-flight-service

COMMIT
1
yıldız
0
dosya
14
lisans
yok
İLK COMMIT
29 Ağustos 2025
SON COMMIT
29 Ağustos 2025
  • JavaScript %100

03CitizenPlane Flight Service API

Önbellekleme, rate limiting ve istek doğrulaması olan bir uçuş arama API’si.

README orijinal haliyle (İngilizce)

A flight search service powered by the CitizenPlane API.
  • Real-time flight search with caching
  • Rate limiting: 30 searches per minute per IP
  • Request validation (IATA codes, dates, 1–9 seats)
  • Structured JSON errors
GET /api/flights?origin=LAX&destination=JFK&start=2025-12-25&seats=2

# CASE_STUDY.md

CitizenPlane Flight Service

Sorun

Calibre Tour’da, Paximum’dan önce, CitizenPlane’i dış uçuş sağlayıcısı olarak sisteme bağlamaya çalıştım. Entegrasyon hayata geçmedi; ben de fikir yarım kalmasın, portfolyomda da dursun diye kendi GitHub’ımda yazdım.

Yaklaşım

Her işin kendi middleware’inde durduğu bir Express servisi: önce doğrulama, sonra rate limiting, en son önbellekli servis çağrısı.

Ne yaptım

  • validation.js: IATA kodları, tarihler, 1–9 koltuk, sıralama ve para birimi için bir Joi şeması. Hatalar alan bazında 400 olarak dönüyor.
  • rateLimiter.js: IP başına dakikada 30 arama, geri kalan her şey için dakikada 100 istek.
  • flightService.js: yanıtlar, sorgudan üretilen bir anahtarla MySQL’de önbelleğe alınıyor, varsayılan süre 10 dakika.
  • Bir health endpoint’i ve yapılandırılmış JSON hataları.

Sonuç

29 Ağustos 2025’te tek bir commit’le yayınlandı.

Ne öğrendim

Tekrar eden aramalar için bir önbellek, bir de IP başına rate limit. Küçük bir servisin başkasının API’sinin önünde rahatça durabilmesi için gereken bu kadar.

GitHub’da aç

~/citizen-plane-flight-service npm run dev

çalışıyor · veri uydurma, davranış gerçek

Canlandırmayanıtlar uydurma · kurallar gerçek: önbellek, IP başına dakikada 30 arama, girdi doğrulama

GET /api/flights?origin=LAX&destination=JFK&start=2025-12-25&seats=2

0 / 30, bu dakika

200 {
  "success": true,
  "source": "citizenplane",
  "searchCriteria": { "route": "LAX → JFK" },
  "performance": { "cached": false },
  "data": { "flights": […] }
}

src/middlewares/rateLimiter.js38 satırGitHub’da aç

const rateLimit = require('express-rate-limit'); const searchRateLimit = rateLimit({  windowMs: 60 * 1000,  max: 30,  message: {    error: 'Too many flight searches',    details: 'You have exceeded the rate limit. Please try again in a minute.',    retryAfter: '60 seconds'  },  standardHeaders: true,  legacyHeaders: false,  handler: (req, res) => {    res.status(429).json({      error: 'Rate limit exceeded',      details: 'Too many requests. Please slow down.',      retryAfter: Math.round(req.rateLimit.resetTime / 1000),      limit: req.rateLimit.limit,      remaining: req.rateLimit.remaining,    });  },}); const generalRateLimit = rateLimit({  windowMs: 60 * 1000,  max: 100,  message: {    error: 'Too many requests',    details: 'You have exceeded the rate limit. Please try again later.',  },  standardHeaders: true,  legacyHeaders: false,}); module.exports = {  searchRateLimit,  generalRateLimit,};

src/middlewares/validation.js88 satır · ilk 80 satırı buradaGitHub’da aç

const Joi = require('joi'); const flightSearchSchema = Joi.object({  origin: Joi.string()    .pattern(/^[A-Za-z]{3}$/)    .required()    .messages({      'string.pattern.base': 'Origin must be a valid 3-letter IATA code',      'any.required': 'Origin is required'    }),    destination: Joi.string()    .pattern(/^[A-Za-z]{3}$/)    .required()    .messages({      'string.pattern.base': 'Destination must be a valid 3-letter IATA code',       'any.required': 'Destination is required'    }),      start: Joi.string()    .pattern(/^\d{4}-\d{2}-\d{2}$/)    .optional()    .messages({      'string.pattern.base': 'Start date must be in YYYY-MM-DD format'    }),      end: Joi.string()    .pattern(/^\d{4}-\d{2}-\d{2}$/)    .optional()    .messages({      'string.pattern.base': 'End date must be in YYYY-MM-DD format'    }),      seats: Joi.number()    .integer()    .min(1)    .max(9)    .optional()    .messages({      'number.min': 'Seats must be at least 1',      'number.max': 'Seats cannot exceed 9',      'number.integer': 'Seats must be a whole number'    }),      pageToken: Joi.string().optional(),  sort: Joi.string().valid('price', 'duration', 'departure').optional(),  currency: Joi.string().valid('EUR', 'USD', 'GBP').optional(),}); const validateFlightSearch = (req, res, next) => {  const { error, value } = flightSearchSchema.validate(req.query, {    abortEarly: false,    stripUnknown: true,  });   if (error) {    const errorDetails = error.details.map(detail => ({      field: detail.path.join('.'),      message: detail.message,      value: detail.context?.value,    }));     return res.status(400).json({      error: 'Validation failed',      details: errorDetails,      example: {        valid_request: '/api/flights?origin=LAX&destination=JFK&start=2025-12-25&seats=2',        parameters: {          origin: 'Required 3-letter IATA code (e.g., LAX, JFK, LHR)',          destination: 'Required 3-letter IATA code',          start: 'Optional date in YYYY-MM-DD format',          end: 'Optional date in YYYY-MM-DD format',          seats: 'Optional number 1-9',          pageToken: 'Optional pagination token',          sort: 'Optional: price, duration, or departure',          currency: 'Optional: EUR, USD, or GBP',        }      }    });  }

GitHub’da 8 satır daha

src/routes/flights.js16 satırGitHub’da aç

const express = require('express');const { search, getDetails, health } = require('../controllers/flightsController');const { searchRateLimit, generalRateLimit } = require('../middlewares/rateLimiter');const { validateFlightSearch } = require('../middlewares/validation');const router = express.Router(); router.use(generalRateLimit); router.get('/flights', searchRateLimit, validateFlightSearch, search);router.get('/flights/:flightId', getDetails);router.get('/health', (req, res, next) => {  req.skipRateLimit = true;  next();}, health); module.exports = router;

src/services/flightService.js47 satırGitHub’da aç

const pool = require('../db/pool');const { searchFlights } = require('./citizenplaneClient'); const TTL = parseInt(process.env.CACHE_TTL_SECONDS || '600', 10); const buildCacheKey = (q) => {  const { origin, destination, start, end, seats, next_page_id, customerCode } = q;  return [    'flights',    origin?.toUpperCase(),    destination?.toUpperCase(),    start || '',    end || '',    seats || '',    next_page_id || '',    customerCode || ''  ].join(':');}; async function getFromCache(cacheKey) {  const [rows] = await pool.query(    'SELECT response_json FROM flights_cache WHERE cache_key=? AND expires_at > NOW()',    [cacheKey]  );  return rows[0]?.response_json || null;} async function saveToCache(cacheKey, reqObj, respObj) {  const [rows] = await pool.query(    `REPLACE INTO flights_cache (cache_key, request_json, response_json, expires_at)     VALUES (?, CAST(? AS JSON), CAST(? AS JSON), DATE_ADD(NOW(), INTERVAL ? SECOND))`,    [cacheKey, JSON.stringify(reqObj), JSON.stringify(respObj), TTL]  );  return rows;} async function searchFlightsWithCache(query) {  const cacheKey = buildCacheKey(query);  const cached = await getFromCache(cacheKey);  if (cached) return cached;   const data = await searchFlights(query);  await saveToCache(cacheKey, query, data);  return data;} module.exports = { searchFlightsWithCache };

mainJavaScriptREADME.mdGitHub

gh repo view google-hotel-fetcher

COMMIT
8
yıldız
0
dosya
16
lisans
yok
İLK COMMIT
26 Nisan 2025
SON COMMIT
28 Nisan 2025
  • JavaScript %60,1
  • CSS %23
  • HTML %16,9

04Global Hotel Fetcher

Dünyanın her yerindeki otelleri Google Places’tan grid aramasıyla çekip MongoDB’ye kaydediyor.

README orijinal haliyle (İngilizce)

Fetches hotel data worldwide from the Google Places API, stores it in MongoDB and serves it through search and listing endpoints.
  • Grid-based search: expands the search area with a coordinate grid
  • Ratings, reviews, photos and addresses
  • Filter by city and rating, sort, search
  • An import wizard in the web interface
POST /api/import-hotels/:city?grid=…&distance=…&radius=…

# CASE_STUDY.md

Global Hotel Fetcher

Sorun

Dünyanın herhangi bir şehrindeki otellerin gerçek verisini toplamak ve aranabilir halde tutmak.

Yaklaşım

Şehrin koordinatlarını bul, alanı bir koordinat grid’ine böl, sonra her hücrede sonuç sayfalarını sonuna kadar takip eden bir Google Places araması yap.

Ne yaptım

  • Bir Express API: grid, distance ve radius seçenekleri olan POST /api/import-hotels/:city, bir de listeleme ve arama endpoint’leri.
  • Puanlar, yorumlar, fotoğraflar ve adresler Mongoose ile MongoDB’de saklanıyor.
  • Vanilla JS ile yazılmış bir frontend: içe aktarma sihirbazı, filtreler, sıralama, grid ve liste görünümleri.

Sonuç

Üç günde yazıldı: 26–28 Nisan 2025, 8 commit.

Ne öğrendim

Sayfalı bir places API’sinde tek arama bir yere kadar gidiyor. Koca bir şehri kapsamak için koordinat grid’i kurmak ve her page token’ı takip etmek gerekti.

GitHub’da aç

~/google-hotel-fetcher npm run dev

çalışıyor · veri uydurma, davranış gerçek

Canlandırmaharita ve oteller uydurma · fikir gerçek: şehri grid’e böl, her hücrede ayrı ara

hücre 0/9 · otel 0

models/hotel.model.js23 satırGitHub’da aç

const mongoose = require('mongoose'); const reviewSchema = new mongoose.Schema({  author: { type: String, required: true },  text: { type: String, required: true },  rating: { type: Number, required: true },}); const hotelSchema = new mongoose.Schema({  name: { type: String, required: true },  place_id: { type: String, required: true, unique: true },  address: { type: String, required: true },  location: {    lat: { type: Number, required: true },    lng: { type: Number, required: true }  },  rating: { type: Number },  hotel_photos: [String],  reviews: [reviewSchema],  createdAt: { type: Date, default: Date.now }}); module.exports = mongoose.model('Hotel', hotelSchema);

routes/hotel.routes.js13 satırGitHub’da aç

const express = require('express');const router = express.Router();const { importHotels, getHotels, testAPI } = require('../controllers/hotel.controller'); console.log('Setting up hotel routes'); router.get('/test-api', testAPI);router.get('/hotels', getHotels); router.post('/import-hotels', importHotels);router.post('/import-hotels/:city', importHotels); module.exports = router;

utils/hotelAPI.js194 satır · ilk 80 satırı buradaGitHub’da aç

const axios = require('axios'); const getPhotoUrl = (photoReference) => {  if (!photoReference || typeof photoReference !== 'string' || photoReference.trim() === '') {    return null;  }    return `/api/hotel-photo/${photoReference}`;}; const getHotelDetails = async (placeId) => {  try {    const fields = 'name,rating,formatted_address,photos,reviews';    const url = `https://maps.googleapis.com/maps/api/place/details/json?place_id=${placeId}&fields=${fields}&key=${process.env.GOOGLE_API_KEY}`;     const response = await axios.get(url);    const data = response.data.result;     const hotelName = data.name || 'Hotel';    const defaultImage = `/api/placeholder-image?text=${encodeURIComponent(hotelName)}`;    let hotelPhotos = [defaultImage];     if (data.photos && data.photos.length > 0) {      const googlePhotos = data.photos        .map(photo => getPhotoUrl(photo.photo_reference))        .filter(url => url !== null);            if (googlePhotos.length > 0) {        hotelPhotos = hotelPhotos.concat(googlePhotos);      }    }     return {      name: data.name,      address: data.formatted_address,      rating: data.rating,      hotel_photos: hotelPhotos,      reviews: data.reviews ? data.reviews        .filter(r => r.text && r.text.trim() !== '')        .map(r => ({          author: r.author_name || 'Anonymous',          text: r.text,          rating: r.rating || 0        }))      : []    };  } catch (error) {    console.error(`Error fetching hotel details for place_id ${placeId}:`, error);    return {      name: "Hotel Information Unavailable",      address: "Address unavailable",      rating: 0,      hotel_photos: [`/api/placeholder-image?text=Error+Loading+Hotel`],      reviews: []    };  }};  const searchHotelsByLocation = async (location, radius = 5000, maxResults = Number.MAX_SAFE_INTEGER) => {  try {    let allHotels = [];    let nextPageToken = null;    let pageCount = 0;        do {      let url = `https://maps.googleapis.com/maps/api/place/nearbysearch/json?location=${location.lat},${location.lng}&radius=${radius}&type=lodging&key=${process.env.GOOGLE_API_KEY}`;      if (nextPageToken) {        url += `&pagetoken=${nextPageToken}`;      }            console.log(`Fetching hotels page ${pageCount+1}...`);      const response = await axios.get(url);      const results = response.data.results || [];            allHotels = [...allHotels, ...results];      nextPageToken = response.data.next_page_token;      pageCount++;            if (nextPageToken) {

GitHub’da 114 satır daha

masterJavaScriptREADME.mdGitHub

gh repo view EvaExchange-API

COMMIT
19
yıldız
0
dosya
30
lisans
yok
İLK COMMIT
20 Ocak 2024
SON COMMIT
26 Ocak 2024
  • JavaScript %100

05EvaExchange-API

Alım satım işlemleri ve portföyler için bir borsa simülasyonu API’si.

README orijinal haliyle (İngilizce)

A Node.js API for managing trades and portfolios in a stock exchange simulation.
  • Buy shares
  • Sell owned shares from a portfolio
  • Trade history
  • Portfolio and share management
npx sequelize-cli db:migrate

# CASE_STUDY.md

EvaExchange API

Sorun

Bir borsa simülasyonu: alım satım işlemleri ve portföyler, hepsi bir API’nin arkasında.

Yaklaşım

Sequelize ve PostgreSQL üzerinde Express. Katmanlar routes → controllers → repositories → models; migration’lar ve seeder’lar da var.

Ne yaptım

Hisse alma; yalnızca portföydeki hisseleri satma; işlem geçmişi; portföy ve hisse yönetimi.

Sonuç

Bir haftada, 20–26 Ocak 2024 arasında 19 commit.

Ne öğrendim

Bir işlem iki kayda dokunuyor: işlemin kendisine ve portföye. O yüzden bütün kontroller (kayıtlı portföy, yeterli bakiye, elde olan hisse) ikisinden biri yazılmadan önce geçmeli.

GitHub’da aç

~/EvaExchange-API npm start

çalışıyor · veri uydurma, davranış gerçek

Canlandırmahisseler ve fiyatlar uydurma · işlemler gerçek: al, yalnızca elindekini sat, geçmişi tut

adet10

Portföy

  • EVA20
  1. BUY20 EVA @ 12.40gerçekleşti

controllers/tradeController.js70 satırGitHub’da aç

const tradeRepository = require('../repository/tradeRepository'); class TradeController {  async getAllTrades(req, res) {    try {      const trades = await tradeRepository.getAllTrades();      res.json(trades);    } catch (error) {      console.error(error);      res.status(500).json({ error: 'Internal Server Error' });    }  }   async getTradeById(req, res) {    const { tradeId } = req.params;    try {      const trade = await tradeRepository.getTradeById(tradeId);      if (!trade) {        res.status(404).json({ error: 'Trade not found' });        return;      }      res.json(trade);    } catch (error) {      console.error(error);      res.status(500).json({ error: 'Internal Server Error' });    }  }   async createTrade(req, res) {    const { type, quantity, price, shareId } = req.body;     try {      const newTrade = await tradeRepository.createTrade({ type, quantity, price, shareId });      res.status(201).json(newTrade);    } catch (error) {      console.error(error);      res.status(500).json({ error: 'Internal Server Error' });    }  }   async updateTrade(req, res) {    const { tradeId } = req.params;    const { type, quantity, price, shareId } = req.body;     try {      const trade = await tradeRepository.updateTrade(tradeId, { type, quantity, price, shareId });      res.json(trade);    } catch (error) {      console.error(error);      res.status(500).json({ error: 'Internal Server Error' });    }  }   async deleteTrade(req, res) {    const { tradeId } = req.params;    try {      const deletedTrade = await tradeRepository.deleteTrade(tradeId);      if (deletedTrade) {        res.json(deletedTrade);      } else {        res.status(404).json({ error: 'Trade not found' });      }    } catch (error) {      console.error(error);      res.status(500).json({ error: 'Internal Server Error' });    }  }} module.exports = TradeController;

models/Trade.js23 satırGitHub’da aç

module.exports = (sequelize, DataTypes) => {  const Trade = sequelize.define('Trade', {    type: DataTypes.STRING,    quantity: DataTypes.INTEGER,    price: DataTypes.DECIMAL(10, 2),    shareId: {      type: DataTypes.INTEGER,      allowNull: false,     },    portfolioId: {      type: DataTypes.INTEGER,      allowNull: false,     },  });   Trade.associate = (models) => {    Trade.belongsTo(models.Share, { foreignKey: 'shareId' });     //The foreignKey relation added to Portfolio     Trade.belongsTo(models.Portfolio, { foreignKey: 'portfolioId' });  };   return Trade;};

routes/tradeRoutes.js161 satır · ilk 80 satırı buradaGitHub’da aç

const express = require('express');const router = express.Router();const { Trade, Share, Portfolio } = require('../models'); // Get all tradesrouter.get('/', async (req, res) => {  try {    const trades = await Trade.findAll();    res.json(trades);  } catch (error) {    console.error(error);    res.status(500).json({ error: 'Internal Server Error' });  }}); // Get a specific trade by IDrouter.get('/:id', async (req, res) => {  const { id } = req.params;  try {    const trade = await Trade.findByPk(id);    if (!trade) {      return res.status(404).json({ error: 'Trade not found' });    }    res.json(trade);  } catch (error) {    console.error(error);    res.status(500).json({ error: 'Internal Server Error' });  }}); // Create a new trade (BUY operation)router.post('/buy', async (req, res) => {  const { symbol, quantity, portfolioId } = req.body;  try {    // Check if the share is registered    const share = await Share.findOne({ where: { symbol } });    if (!share) {      return res.status(400).json({ error: 'Specified share is not registered' });    }     // Check if the portfolio is registered    const portfolio = await Portfolio.findByPk(portfolioId);    if (!portfolio) {      return res.status(400).json({ error: 'Specified portfolio is not registered' });    }     // Calculate the total cost based on the latest share price    const price = share.price;    const totalCost = quantity * price;     // Check if the user has sufficient funds in the portfolio    if (portfolio.value < totalCost) {      return res.status(400).json({ error: 'Insufficient funds in the portfolio' });    }     // Create a new BUY trade    const newTrade = await Trade.create({ type: 'BUY', quantity, price, shareId: share.id, portfolioId });     // Update the portfolio value by subtracting the total cost    await portfolio.update({ value: portfolio.value - totalCost });     res.status(201).json(newTrade);  } catch (error) {    console.error(error);    res.status(500).json({ error: 'Internal Server Error' });  }}); // Create a new trade (SELL operation)router.post('/sell', async (req, res) => {  const { symbol, quantity, portfolioId } = req.body;   const numericValue = parseFloat(req.body.value);   // Check numeric value in request body  if (isNaN(numericValue)) {    return res.status(400).json({ error: 'Invalid numeric value for portfolio value' });  }   try {

GitHub’da 81 satır daha

masterJavaScriptREADME.mdGitHub

gh repo view roadrunner-studio

görünürlük
gizli
yayında
roadrunnerstudio.nl
teknolojiler
Next.js · PostgreSQL · Prisma

06roadrunnerstudio.nl

Frontend’i ve backend’iyle tamamen Next.js ile yazılmış, full-stack bir müşteri sitesi. Özel bir admin paneli ve çoklu dil desteği var. Projenin her parçasını ben tasarlayıp geliştirdim.

README orijinal haliyle (İngilizce)

  • Front end and back end in Next.js
  • A custom admin panel
  • Multi-language support

# CASE_STUDY.md

roadrunnerstudio.nl

Sorun

Arkadaşım Rohan, Rotterdam’da RoadRunner Studio adında bir müzik kayıt stüdyosu işletiyor. İnsanların İngilizce ya da Felemenkçe online seans ayırtabileceği bir siteye ve bu rezervasyonları yönetebileceği bir yere ihtiyacı vardı.

Yaklaşım

Site ve backend için tek bir Next.js kod tabanı (App Router, TypeScript). Veri için Prisma, İngilizce ve Felemenkçe için next-intl, e-posta için Resend.

Ne yaptım

  • Online rezervasyon: boş bir gün ve saat seç, onay e-postası hemen gelsin.
  • Rezervasyonları görüp onaylamak ya da reddetmek, duruma göre filtrelemek ve müşterinin notlarını okumak için bir admin paneli.
  • Müşteriye kendi dilinde, otomatik giden durum e-postaları.
  • Hepsini ben tasarlayıp geliştirdim.

Sonuç

roadrunnerstudio.nl adresinde İngilizce ve Felemenkçe yayında. Repo gizli.

Ne öğrendim

Bir rezervasyon aslında küçük bir durum makinesi (beklemede, onaylandı, reddedildi). Her durum değişikliği de müşteriye kendi dilinde ulaşmalı.

roadrunnerstudio.nl sitesine git

~/roadrunnerstudio open https://roadrunnerstudio.nl

çalışıyor · veri uydurma, davranış gerçek

Canlandırmagerçek site değil, bir taslak · fikir gerçek: içerik, siteye özel bir admin panelinden düzenleniyor

roadrunnerstudio.nl

Stüdyo başlığı

Rezervasyon yap

gizliREADME.mdSiteye git

Kodlar GitHub’dan scripts/fetch-repo-files.mjs ile çekildi; diller, commit’ler ve yıldızlar GitHub API’sinden geliyor (son kontrol: 18 Kasım 2026). Demolardaki veriler uydurma ama davranış, repo’nun gerçek davranışı.

04VAKA ÇALIŞMASI

LIBRAIN nasıl çalışır

LIBRAIN, baştan sona .NET 10 ile yazdığım açık kaynaklı, çok ajanlı bir RAG sistemi. Bilimsel makaleleri okuyor ve hipotezler öneriyor; her atıfın karşılığı korpustaki bir chunk. Gel, tek bir Discovery Mode çalıştırmasını sekiz adımda izleyelim; son üç adım da bugün neler yaptığını gösteriyor.

  • .NET 10
  • ASP.NET Core Minimal APIs
  • Claude Sonnet 4.6 · Haiku 4.5
  • OpenAI text-embedding-3-small
  • Qdrant
  • PdfPig
  • Application Insights

Aşağı kaydır ya da yandaki adımlardan birine dokun. 04. adımda, sonraki adımların izleyeceği çalıştırmayı sen seçeceksin.

  1. 01makaleReader ajanı · PdfPig

    Önce 55 makale okunuyor.

    Reader ajanı birbirinden uzak alanlardan arXiv PDF’leri alıyor; Discovery Mode’un aralarında bağ kuracağı malzeme bunlar. RAG ve ajanlar üzerine 5 makalelik başlangıç korpusu önce 41 makaleye, sonra futbol, spor, web geliştirme, programlama dilleri ve işgücü piyasası üzerine 14 makaleyle 55’e çıktı. Bu hikâye, kütüphanenin 18 Kasım 2026’daki hâlini kullanıyor. Aynı gün müzik, hukuk ve yaban hayatının korunması üzerine 12 makale daha eklendi; kütüphane 67 makaleye, 2.470 chunk’a ulaştı.

    • RAG ve ajan tabanlı yöntemler
    • ilaç keşfi ve proteinler
    • hava, iklim ve enerji
    • tarım ve klinik araştırmalar
    • biliş ve sinirbilim
    • futbol, spor, yazılım ve işgücü piyasası
    işin mutfağı
    POST /api/papers/ingest        multipart PDF
    POST /api/papers/arxiv         { "arxivId": "2310.10553" }
      extract → chunk → embed → persist
      ← paperId, title, chunk count, correlation ID

    Başlangıç korpusunda 218 chunk vardı. İkinci tur, her alan çiftinin iki tarafında da en az iki güçlü makale olunca 41 makalede durdu. PdfPig’in ContentOrderTextExtractor’ı glif sırasını doğru kelime boşluklarıyla yeniden kuruyor; varsayılan extractor sütunlu PDF’lerde boşlukları atıyordu. Sentetik testler, 15 bölümün hiçbiri bulunamazken bile yeşil yanmıştı. Hatayı gerçek arXiv makaleleri ortaya çıkardı; düzeltmeden sonra 18 bölümden 17’si bulundu. Bir makale arXiv ID’siyle de eklenebiliyor: API PDF’i indiriyor, başlığı, yazarları ve yılı da arXiv API’sinden alıyor, çünkü PDF’in kendi metadata’sı çoğu zaman boş.

  2. 02chunkRecursiveChunker.cs

    2.210 chunk’a bölünüyor.

    Özyinelemeli bir chunker önce paragraf sonundan, olmazsa cümle sonundan bölmeyi deniyor; sert kesim en son çare. Hedef 512 token (yaklaşık 2.000 karakter), üst sınır 1.024, örtüşme %15. Her chunk offset’ini, sayfa numarasını ve bölüm başlığını yanında taşıyor; böylece her atıf, gidip kontrol edebileceğin bir metin aralığını gösteriyor.

    işin mutfağı
    private static int ChooseEnd(string text, int start)
    {
        int remaining = text.Length - start;
        if (remaining <= MaxChars) return text.Length;
        int targetEnd = start + TargetChars;
        int maxEnd = start + MaxChars;
        // Prefer paragraph boundary in [target, max]
        int paraEnd = LatestMatchIndex(ParagraphBreakRegex(), text, targetEnd, maxEnd);
        if (paraEnd > start) return paraEnd;
        // Fall back to sentence boundary
        int sentEnd = LatestMatchIndex(SentenceBreakRegex(), text, targetEnd, maxEnd);
        if (sentEnd > start) return sentEnd;
        // Hard cut as last resort
        return maxEnd;
    }

    Kaynak: LIBRAIN/Reading/RecursiveChunker.cs. TargetChars = 2000, MaxChars = 4000; her chunk, sınırda bağlamı korumak için OverlapChars = 300 kadar da geri sarılıyor.

  3. 03vektörOpenAI · Qdrant

    Her chunk 1.536 sayıya dönüşüyor.

    OpenAI text-embedding-3-small her chunk’ı bir vektöre çeviriyor; batch boyutları hesabın gerçek rate limit’ine göre ayarlı. 2.210 vektörün hepsi Qdrant’ın librain_chunks koleksiyonuna, deterministik UUID v5 ID’leriyle yazıldı. Bu yüzden aynı makaleyi yeniden işlemek, kayıtlarını yerinde güncelliyor.

    Burada üç boyutta çizip korpustaki alana göre renklendirdim. Gerçek vektörlerin izdüşümü değil, temsili bir çizim.

    işin mutfağı
    batch
    ≤ 100 girdi · ≤ 35K token · arada 1.5 sn
    sınır
    Tier 1: dakikada 40K token
    id
    UUID v5 (RFC 4122): proje namespace’i + paperId-chunkIndex üzerinden SHA-1
    depo
    Qdrant · librain_chunks · kosinüs
    açılış
    koleksiyon bir Lazy<Task> arkasında, ilk lazım olduğunda kuruluyor: uygulama Qdrant’a ulaşamasa da açılıyor

    Yakalanan hata: ilk sürümdeki 250K token’lık batch, hesabın Tier 2 olduğunu varsayıyordu; yeni açılmış bir Tier 1 hesabında 5 makaleden 2’si reddedildi. Çözüm retry mantığı değil, batch’i gerçek limite göre ayarlamaktı.

  4. 04soruQdrant kosinüs

    Bir soru seç.

    Discovery Mode bir ya da iki konuyu aynı şekilde embedding’e çeviriyor; Qdrant da kosinüs benzerliğiyle en yakın chunk’ları buluyor. Aşağıdakiler dört gerçek çalıştırma: üçü önceki 13 makalelik korpusta, biri 55 makalelik kütüphanede. Birini seç; 05’ten 10’a kadar adımlar onu izliyor.

    soru

    Sonunda atıf yaptıkları: Aurora (chunk 0, 5), GraphCast (16, 19) ve Pangu-Weather (4).

    Sonunda atıf yaptıkları: RAG makalesi (chunk 0, 2, 10), PharmAgents (6, 7) ve 2508.14111 derlemesi (38).

    Sonunda atıf yaptıkları: PharmAgents (chunk 1, 2), 2508.14111 derlemesi (33), GraphCast (8, 65) ve Aurora (16).

    Sonunda atıf yaptıkları: TacticAI (chunk 1, 3) ve GNS fizik simülasyonu makalesi (0, 1, 2).

    Her sonuç paperId, chunkIndex, sayfa ve bölüm bilgisiyle geliyor; dipnotlar için ikinci bir sorguya gerek kalmıyor. Qdrant’ın 10K noktalık HNSW eşiğinin altında olduğumuz için kaba kuvvet tarama bile 200 ms’nin altında.

    işin mutfağı

    README’deki Faz 2 smoke test’inden bir atıf kaydı:

    { "paperId": "2005.11401", "section": "1 Introduction", "pageNumber": 1 }

    Başlangıç korpusunda bir kontrol: “How does retrieval augmented generation work?” sorgusunun ilk 5 sonucunun hepsi RAG makalesinin kendisinden (2005.11401) geldi. 1, 2, 8 ve 9. sayfalardan, 0.52 ile 0.61 arası kosinüs benzerliğiyle.

  5. 05keşifClaude Sonnet 4.6

    Discovery taslağı yazıyor, spekülasyonu ayrı tutuyor.

    Claude Sonnet 4.6’ya kanıtın ötesine geçmeye davet eden bir prompt veriliyor. Ötesine geçen ne varsa kendi alanında, novelClaim’de dönüyor. Bu alan sözleşme gereği atıf kontrolünden muaf; her cümlesine de genelleme, analoji ya da saf spekülasyon etiketi konuyor.

    hava × enerji · novelClaim · atıf doğrulamasından muafFine-tuning such models on domain-specific renewable energy variables, such as hub-height wind profiles or photovoltaic irradiance, could unlock a new class of AI-native energy planning tools that co-optimize forecast accuracy and infrastructure investment decisions in a single differentiable framework.
    RAG × moleküller · novelClaim · atıf doğrulamasından muafCrucially, such a system would self-evolve over successive design cycles by accumulating an experience database of past docking results and interaction reports, allowing the retriever to progressively sharpen its relevance signal toward high-affinity, drug-like chemical space.
    ilaç × iklim · novelClaim · atıf doğrulamasından muafA climate-adaptation counterpart could iteratively refine regional adaptation strategies, such as infrastructure hardening or crop-switching recommendations, by incorporating real-time extreme-heat and atmospheric-river forecasts from models like GraphCast as dynamic environmental inputs. This cross-domain transfer would enable the first fully autonomous, interpretable pipeline that closes the loop from probabilistic climate hazard forecasting to actionable, location-specific adaptation policy generation.
    futbol × fizik · novelClaim · atıf doğrulamasından muafBy treating each player as a "particle" with position, velocity, and interaction forces encoded as edge features, a GNS-like simulator could generate multi-step rollouts of corner kick dynamics, enabling TacticAI to evaluate not just static positional adjustments but full trajectory-level tactical plans under physically plausible motion constraints.

    Kanıtların altındaki gri kartlar, arkasında kaynak olmayan üç atıfı temsil ediyor. 06. adımda elenecekler.

    /api/querySynthesis Evaluator

    /api/discoverDiscovery 3 puanlayıcıbu hikâye

    İkisi de aynı Reader’ı ve aynı Qdrant’ı kullanıyor. Discovery, Synthesis → Evaluator yolunun yanında paralel bir dal olarak çalışıyor.
    işin mutfağı
    Discovery output
      hypothesis           the whole draft
      supportingEvidence   the cited chunks
      novelClaim           the speculative part, fenced
        extrapolation_basis   generalisation | analogy | pure speculation
                              (one label per sentence)

    Sorgu yolunda Synthesis (Sonnet 4.6, atıflar için zorunlu tool use), dayanak, ilgililik ve eksiksizlik puanlayan bir Evaluator’ı (Haiku 4.5, T=0.0) besliyor. Synthesis modeli yapılandırmadan seçiliyor (Models:SynthesisModel), bu yüzden kaynak koda dokunmadan Haiku 4.5’e geçilebiliyor. Prompt caching her ajanın sistem prompt’unda ve tool şemasında açık; ama 46 Discovery çalıştırmasında ölçünce yalnızca Sonnet’in üretim çağrısında işe yaradı (prompt token’larının %11’i cache’ten geldi). Haiku prompt’ları, API’nin cache’lediği en kısa uzunluğun altında kalıyor.

  6. 06sözleşmeC#

    Sonra C# her atıfı kontrol ediyor.

    Atıf yapılan her chunk, retrieval’ın gerçekten getirdiği chunk’lardan biri olmak zorunda; değilse C# onu yanıt çıkmadan atıyor. Bu kontrolde hiçbir model yer almıyor.

    hava × enerji Bu çalıştırmada 5 atıfın hepsi çözümleniyor.

    RAG × moleküller Bu çalıştırmada 6 atıfın hepsi çözümleniyor.

    ilaç × iklim Bu çalıştırmada 6 atıfın hepsi çözümleniyor.

    futbol × fizik Bu çalıştırmada 5 atıfın hepsi çözümleniyor.

    65–670

    uydurma atıf. 41 makalelik korpusta sözleşmesiz baseline 65–67 tane üretti (14’ü normal retrieval’da, 51–53’ü kısıtlanmış retrieval’da); sözleşmeli pipeline’dan bir tanesi bile geçmedi. Sayılanlardan ikisi, modelin prompt’taki kaynak biçimini aynen tekrarlamasıydı; bunların çözümlenip çözümlenmediği kayda geçmemiş.

    Temiz bir korpusta güçlü bir model nadiren atıf uyduruyor (Sonnet 4.6 ile 44’te 0). O yüzden testte uydurmayı bilerek kışkırttım: serbest metin atıflar, daha zayıf modeller ve kısıtlanmış retrieval; gpt-4o-mini ve gpt-4o üzerinde 160 hücre.

    Üstü çizili üç kart, weather × energy çiftindeki adversarial testi gösteriyor: korpusta olmayan 3 atıf isteyen bir prompt. Ne Sonnet 4.6’da ne Haiku 4.5’te biri bile geçemedi.

    işin mutfağı
    serbest metin
    atıfların metnin içinde yazıldığı modda 34–36 uydurma; yayındaki RAG sistemlerinin çoğu bu modda çalışıyor
    yapılandırılmış
    31 uydurma
    model ailesi
    GPT-4o-mini ve GPT-4o: makaledeki Claude’dan farklı bir model ailesi
    tarama
    topK 3 → 10, Sonnet → Haiku, adversarial prompt: her yapılandırmada 0 uydurma
    dotnet run --project LIBRAIN.Experiments -- fabrication-delta --provider openai
  7. 07puanlamaClaude Haiku 4.5 · C#

    Üç puanlayıcı, tek Task.WhenAll.

    Taslak aynı anda üç puanlayıcıya gidiyor; beklenen süre en yavaş çağrı kadar. Sonra ortalamayı C# alıyor: düpedüz aritmetik, halo etkisine yapısı gereği dayanıklı.

    • NoveltyScorerDeterministik. novelClaim’i embedding’e çevirip korpustaki en yakın chunk’ı buluyor, 1 − benzerlik döndürüyor.yenilik 0.45yenilik 0.38yenilik 0.41yenilik 0.34
    • Discovery EvaluatorClaude Haiku 4.5, T=0.0. Makullük (iddia, atıf yapılan kanıttan çıkıyor mu?) ve yapısal tutarlılık (düzgün kurulmuş, test edilebilir bir hipotez mi?).makullük 0.62 · tutarlılık 0.75makullük 0.62 · tutarlılık 0.75makullük 0.62 · tutarlılık 0.68makullük 0.62 · tutarlılık 0.75
    • ClaimValidatorClaude Haiku 4.5, T=0.0. novelClaim’in her cümlesine GROUNDED, EXTRAPOLATED ya da RISKY etiketi ve bir halüsinasyon olasılığı veriyor; C# en yükseğini tutuyor. Ayrıntısı 09. adımda.1. cümle → EXTRAPOLATED · 0.221. cümle → GROUNDED · 0.081. cümle → EXTRAPOLATED · 0.15 · 2. cümle → RISKY · 0.751. cümle → EXTRAPOLATED · 0.25
    • C# toplamıkalite 0.61 = ortalama(0.45, 0.62, 0.75)kalite 0.58 = ortalama(0.38, 0.62, 0.75)kalite 0.57 = ortalama(0.41, 0.62, 0.68)kalite 0.57 = ortalama(0.34, 0.62, 0.75)

    Buradaki RISKY, kontrolün işini yaptığını gösteriyor: cümle yanıtta kalıyor, üstüne işaret konuyor.

    işin mutfağı

    Yenilik puanına neden güvenelim? Kosinüs yeniliği, insanların verdiği yenilik puanıyla ρ = 0.41 düzeyinde örtüşüyor (birleştirilmiş Spearman, n = 45). Yani ölçmek için güvenilir ve tekrarlanabilir; yönlendirmek için değil.

    İlk sürümdeki bir noveltyTarget ayarı, bu puanı prompt üzerinden yönlendirmeyi denedi. Altı çağrıda 0.0668’lik gürültü bandına karşı 0.0184’lük bir kayma çıktı, üstelik yanlış yönde. Ayar, daha kimse kullanmadan kaldırıldı.

  8. 08yanıtPOST /api/discover

    İzini sürebileceğin bir hipotez.

    POST /api/discoverDiscovery Mode

    weather foundation models × renewable energy planning

    Bir hava durumu temel modelini rüzgâr ve güneş değişkenleriyle fine-tune etmek, tahminleri ve altyapı yatırımını birlikte optimize eden tek bir türevlenebilir araç ortaya çıkarsaydı?

    Destekleyici kanıt · 5 atıf, 3 makale, hepsi çözümlendi

    • 2405.13063Bodnar et al., Aurorachunk 0, 5 · doğrudan
    • 2212.12794Lam et al., GraphCastchunk 16, 19 · doğrudan
    • 2211.02556Bi et al., Pangu-Weatherchunk 4 · doğrudan
    Yenilik
    0.45
    Makullük
    0.62
    Tutarlılık
    0.75
    Kalite
    0.61

    Kanıtlanmış bir keşif değil, üzerine araştırma yapılacak bir hipotez tohumu: chunk’lar iddianın kendisini değil, çerçevesini destekliyor. Projenin önceki 13 makalelik korpusunda alındı, puanları Discovery Evaluator’dan (Claude Haiku, T=0.0).

    POST /api/discoverDiscovery Mode

    retrieval-augmented generation × de novo molecular design

    Retriever her tasarım döngüsünde geçmiş docking sonuçlarından öğrenerek kendini geliştirse ve doğrudan yüksek afiniteli, ilaca benzer kimyasal uzayı hedefleseydi?

    Destekleyici kanıt · 6 atıf, 3 makale, hepsi çözümlendi

    • 2005.11401Lewis et al., RAGchunk 0, 2, 10 · doğrudan
    • 2503.22164Gao et al., PharmAgentschunk 6, 7 · doğrudan
    • 2508.14111Agentic AI for Scientific Discoverychunk 38 · doğrudan
    Yenilik
    0.38
    Makullük
    0.62
    Tutarlılık
    0.75
    Kalite
    0.58

    Kanıtlanmış bir keşif değil, üzerine araştırma yapılacak bir hipotez tohumu: chunk’lar iddianın kendisini değil, çerçevesini destekliyor. Projenin önceki 13 makalelik korpusunda alındı, puanları Discovery Evaluator’dan (Claude Haiku, T=0.0).

    POST /api/discoverDiscovery Mode

    drug discovery × climate adaptation

    İlaç keşfi için kurulan ajan tabanlı pipeline iklim uyumuna uygulansaydı ve bölgesel stratejileri canlı aşırı hava tahminleri geldikçe iyileştirseydi?

    Destekleyici kanıt · 6 atıf, 4 makale, hepsi çözümlendi

    • 2503.22164Gao et al., PharmAgentschunk 1, 2 · doğrudan
    • 2508.14111Agentic AI for Scientific Discoverychunk 33 (Protein Science bölümü) · doğrudan
    • 2212.12794Lam et al., GraphCastchunk 8, 65 (Atmospheric Rivers bölümü) · doğrudan
    • 2405.13063Bodnar et al., Aurorachunk 16 (Training methods bölümü) · analojik
    Yenilik
    0.41
    Makullük
    0.62
    Tutarlılık
    0.68
    Kalite
    0.57

    Kanıtlanmış bir keşif değil, üzerine araştırma yapılacak bir hipotez tohumu: chunk’lar iddianın kendisini değil, çerçevesini destekliyor. Projenin önceki 13 makalelik korpusunda alındı, puanları Discovery Evaluator’dan (Claude Haiku, T=0.0).

    POST /api/discoverDiscovery Mode

    corner kick tactics × learned physics simulators

    Bir korner, her oyuncu bir parçacıkmış gibi bir fizik sistemi olarak simüle edilseydi ve TacticAI benzeri bir asistan yalnızca başlangıç pozisyonlarını değil, hareket planlarının tamamını sınayabilseydi?

    Destekleyici kanıt · 5 atıf, 2 makale, hepsi çözümlendi

    • 2310.10553Wang et al., TacticAIchunk 1, 3 · doğrudan
    • gns-physicsSanchez-Gonzalez et al., GNSchunk 0, 1, 2 · doğrudan
    Yenilik
    0.34
    Makullük
    0.62
    Tutarlılık
    0.75
    Kalite
    0.57

    Kanıtlanmış bir keşif değil, sınanacak bir aday hipotez: chunk’lar iddianın kendisini değil, çerçevesini destekliyor. F4 çalıştırması; 18 Kasım 2026’da 55 makalelik korpusta alındı, puanları Discovery Evaluator’dan (Claude Haiku, T=0.0).

    başka bir soru sor

    0 / 30halüsinasyon işareti; üçer değerlendiricili iki kör panelin toplamı. Kısıtsız Naive-RAG baseline’ı 3 / 30 aldı.

    4.47birleştirilmiş yenilik puanı (1–5 arası). Naive-RAG 1.80, tek bir LLM 2.47’de kaldı.

    işin mutfağı

    Üç sistemli baseline; önceden kayıt altına alındı, Claude Haiku puanladı (10 konu çifti):

    sistemyenilikmak.tut.kalite
    LIBRAIN0.4030.5050.7070.538
    Naive-RAG0.3070.6220.7920.574
    Single-LLM0.3890.3570.7090.485

    LIBRAIN spekülasyonu ayrı tutarak yenilikte öne geçiyor (Naive-RAG’a göre +%31); karşılığında, bilerek, makullükten yaklaşık %19 veriyor. Hakem olarak bağımsız bir GPT-4o kullanınca sıralama değişiyor, çünkü o güvenli ve derli toplu çıktıyı ödüllendiriyor. Proje sayfasında iki sonuç da var.

  9. 09denetimClaimValidator · Haiku 4.5

    Spekülatif her cümle tek tek denetleniyor.

    ClaimValidator, novelClaim’i getirilen chunk’larla karşılaştırarak cümle cümle okuyor. GROUNDED: bir chunk onu destekliyor. EXTRAPOLATED: kanıtın ötesine geçiyor ve bunu belli ediyor. RISKY: hiçbir chunk’ın desteklemediği bir şeyi gerçekmiş gibi söylüyor. Çalıştırmanın riski, en yüksek puanı alan cümleninki.

    hava × enerji senin seçtiğin çalıştırmaweather foundation models × renewable energy planning
    1. 1Fine-tuning such models on domain-specific renewable energy variables, such as hub-height wind profiles or photovoltaic irradiance, could unlock a new class of AI-native energy planning tools that co-optimize forecast accuracy and infrastructure investment decisions in a single differentiable framework.EXTRAPOLATED 0.22 · dayanağı: Aurora chunk 5Neden: the retrieved chunks demonstrate that foundation models like Aurora and GraphCast can be fine-tuned on domain-specific variables … without claiming it as established fact

    risk = 0.22

    RAG × moleküller senin seçtiğin çalıştırmaretrieval-augmented generation × de novo molecular design
    1. 1Crucially, such a system would self-evolve over successive design cycles by accumulating an experience database of past docking results and interaction reports, allowing the retriever to progressively sharpen its relevance signal toward high-affinity, drug-like chemical space.GROUNDED 0.08 · dayanağı: PharmAgents chunk 7Neden: The PharmAgents paper explicitly describes an experience database that records all previous designs and reports, enabling LLM agents to self-evolve

    risk = 0.08

    ilaç × iklim senin seçtiğin çalıştırmadrug discovery × climate adaptation
    1. 1A climate-adaptation counterpart could iteratively refine regional adaptation strategies, such as infrastructure hardening or crop-switching recommendations, by incorporating real-time extreme-heat and atmospheric-river forecasts from models like GraphCast as dynamic environmental inputs.EXTRAPOLATED 0.15 · dayanağı: GraphCast chunk 8, 65Neden: while GraphCast’s capability to forecast extreme heat and atmospheric rivers is documented, the specific integration into an adaptation pipeline is speculative and hedged with ‘could’
    2. 2This cross-domain transfer would enable the first fully autonomous, interpretable pipeline that closes the loop from probabilistic climate hazard forecasting to actionable, location-specific adaptation policy generation.RISKY 0.75Neden: makes a specific factual claim (‘would enable the first fully autonomous, interpretable pipeline’) without hedging language and without any retrieved evidence

    risk = max(0.15, 0.75) = 0.75

    futbol × fizik senin seçtiğin çalıştırmacorner kick tactics × learned physics simulators
    1. 1By treating each player as a "particle" with position, velocity, and interaction forces encoded as edge features, a GNS-like simulator could generate multi-step rollouts of corner kick dynamics, enabling TacticAI to evaluate not just static positional adjustments but full trajectory-level tactical plans under physically plausible motion constraints.EXTRAPOLATED 0.25Neden: TacticAI’s actual system (as described in the retrieved chunks) uses graph neural networks for static position/velocity adjustments and predictive tasks, not particle-based physics simulation with multi-step rollouts

    risk = 0.25

    Sahnede çalıştırmanın atıf yaptığı makaleler öne çıkıyor, atıf yapılan chunk’lar yanıyor; her cümle novelClaim alanından ClaimValidator’a gidiyor: GROUNDED olan, sayfada onu destekleyen chunk’ın yanına yerleşiyor; EXTRAPOLATED olan alanın içinde kalıyor; RISKY olan bir kenara ayrılıyor.

    Kontrol şüphede güvenli tarafta kalıyor: validator kullanılabilir bir karar döndürmezse çalıştırma validationFailed olarak işaretlenip 1.0 risk alıyor. Eksik bir hakem puanı da 0 diye kaydedilmiyor, hata sayılıyor.

    473

    18 Kasım 2026’daki ilk 46 çalıştırmada 73 spekülatif cümleden 4’ü RISKY işaretlendi, hiçbir atıf uydurulmadı. Bu dördünden biri, öne çıkan D1 çalıştırmasında, PharmAgents’ın %37,94’lük başarı oranını bir “tavan” diye anıyordu (0.72 ile RISKY); makalede başarı oranı %15,72’den %37,94’e çıkıyor.

    işin mutfağı

    Validator’ın prompt’undan: ihtiyatlı ifadeler (could, may, suggests) cümleyi EXTRAPOLATED yapıyor; getirilen hiçbir chunk’ın desteklemediği belirli bir mekanizma, miktar, isim, tarih ya da atıf kesinmiş gibi söylenirse cümle RISKY oluyor.

    ClaimValidator’ın doğuş hikâyesi: kör bir pilot çalışma, 5 çıktının 3’ünde novelClaim içinde gerçekmiş gibi sunulan spekülasyon buldu. Düzeltmeden sonra: 5’te 0.

    Demodaki her canlı çalıştırma da aynı kontrolden geçiyor; orada etiketler Dayanaklı, Varsayımsal ve Riskli olarak görünüyor.

  10. 10fikirlerExplore · Riski bul

    88 fikir, her biri 10 üzerinden notlu.

    LIBRAIN 18 Kasım’da on üç alanda 88 fikir kaydetti; hepsinin API maliyeti 5,88 dolar. Demodaki Explore her birine, çalıştırmasının zaten taşıdığı puanlardan 10 üzerinden bir not veriyor. O puanları bir model verdi; fikirlere hiçbir insan not vermedi.

    1. E5animal tracking × learned physics simulators88 fikrin en iyisi8.1/10
    2. W5front-end engineering benchmarks × LLMs for educationiddia riski 0.057.8/10
    3. F4corner kick tactics × learned physics simulators04. adımdaki futbol çalıştırmasısenin seçimin5.9/10
    4. D1Self-RAG × PharmAgents09. adımdaki çalıştırma, iddia riski 0.725.3/10

    hava × enerji Seçtiğin çalıştırma önceki 13 makalelik korpusta yapıldı; bu yüzden 88 fikirden biri değil.

    RAG × moleküller Seçtiğin çalıştırma önceki 13 makalelik korpusta yapıldı; bu yüzden 88 fikirden biri değil.

    ilaç × iklim Seçtiğin çalıştırma önceki 13 makalelik korpusta yapıldı; bu yüzden 88 fikirden biri değil.

    Her kart bir fikir, en iyiler önde; soldaki sayılar her sıranın en yüksek notu. Karttaki şerit, fikrin en riskli cümlesine verilen karar: pirinç sarısı RISKY, zeytin yeşili EXTRAPOLATED, mavi GROUNDED.

    Riski bul

    88 fikrin üçünden birer cümle. Validator bunlardan birini RISKY işaretledi. Hangisini?

    İşaretlendiğini düşündüğün cümleyi seç.

    Neden: getirilen parçalar düşük güçlü nöromorfik sistemleri ve akustik izlemedeki pil kısıtlarını ayrı ayrı ele alıyor, ancak bu belirli ödünleşim iddiasını bir olgu olarak ortaya koymuyor.

    Üçü de “would” ile ihtiyatlı konuşuyor. Kararı cümlenin içindeki iddia veriyor: A7’nin söyledikleri getirilen chunk’larda var, E3’ün “çözülmemiş ödünleşim”i hiçbirinde yok.

    88 fikirde denetlenen 138 cümlenin 126’sı EXTRAPOLATED, 9’u RISKY, 3’ü GROUNDED. Demodaki Riski bul, bunlardan turlar oynatıyor.

    işin mutfağı

    not = 10 × (0.35 · makullük + 0.25 · tutarlılık + 0.25 · yenilik + 0.15 · (1 − iddia riski)); yenilik önce 88 fikrin aralığına göre yeniden ölçekleniyor, çünkü ham yenilik dar bir bantta kalıyor. Not, çalıştırmanın kendi puanları üzerinde aritmetik; hiçbir modele yeniden sorulmuyor.

    İki fikir aynı istekle dörder kez daha çalıştırıldı ve her tekrar daha düşük not aldı, düşüş en fazla 2’ye yakındı. Bu yüzden demoda her fikir ilk çalıştırmasıyla duruyor.

  11. 11deneReact · Docker Compose

    Canlı dene ya da kendin çalıştır.

    Herkese açık demo bugünkü kütüphaneyle çalışıyor: 67 makale, 2.470 chunk. Kayıtlı çalıştırmalar, yani 88 fikrin hepsi, hesap ya da API anahtarı istemeden açılıyor. Canlı bir çalıştırma için kendi Anthropic ve OpenAI API anahtarların gerekiyor; anahtarlar yalnızca senin isteklerinle gönderiliyor ve hiçbir yerde saklanmıyor. Bir Discovery çalıştırması yaklaşık 7 sent tutuyor ve 20 saniye kadar sürüyor.

    anahtarsız
    88 kayıtlı fikir; notlarıyla Explore, her fikrin kendi sayfası, istatistikler ve Riski bul
    kendi API anahtarlarınla
    kendi seçtiğin iki konuda Discover, Ask ve iki temel sistemle karşılaştıran Compare; geçmişin kendi tarayıcında kalıyor
    cp .env.example .env# OpenAI ve Anthropic anahtarlarındocker compose up --build# arayüz: http://localhost:5180
    Tek komut Qdrant’ı, API’yi ve web arayüzünü ayağa kaldırıyor.

    Canlı bir çalıştırma, kayıtlı 88 fikrin izlediği yolu bugünkü kütüphaneyle izliyor. Son hesabı model değil kod yapıyor: ilk izlenim öteki puanlara sızmıyor, tek bir riskli cümle de ortalamada kaybolmuyor.

    19 Kasım 2026’daki CI çalıştırmasında 851 testin hepsi geçti: backend’de 282 (xUnit), web arayüzünde 569 (Vitest). Backend testleri, makaledeki çalışmanın kayıtlı 30 Discovery sonucunun hepsini güncel koddan yeniden geçiriyor; her biri aynı puanları vermek zorunda.

052021 – bugün

Sertifikalar ve yayınlar

  1. sertifikaEF

    EF SET İngilizce Sertifikası

    EF Standard English Test · B2 Upper Intermediate

    EF SET sonucu: B2 Upper Intermediate. İngilizceyi iş ortamında da kullanıyorum.

  2. yayınTÜBİTAK

    Mobile Application for Hearing Impaired Communication

    i-Ceviri · Zenodo · TÜBİTAK 2209-A · Unity3D · C# · konuşmadan metne

    Konuşmayı anında Türk İşaret Dili animasyonlarına çeviren bir mobil uygulama. Derdi, işitme engelli insanlarla çevrelerindekiler arasındaki iletişimi kolaylaştırmak.

    Yayını okudoi 10.5281/zenodo.17457628

    2021
  3. sertifikaAIESEC

    Back-end Web Developer

    AIESEC Global Talent · Rijswijk, Hollanda

    Hollanda’nın Rijswijk kentinde, AIESEC Global Talent programı kapsamında backend geliştirici olarak çalışırken aldığım sertifika.

  4. yayınZenodo

    LIBRAIN: A Multi-Agent RAG System for Scientific Discovery

    Eren Mutlu · Zenodo · Bağımsız araştırma · .NET 10 · RAG · çok ajanlı

    Hipotez keşfi için, her adımı denetlenebilen çok ajanlı bir RAG sistemi. Atıf doğrulama sözleşmesi, getirilen kümede karşılığı olmayan her referansı eliyor. Spekülatif kısmın, yani yeni iddianın her cümlesini ikinci bir model kontrol ediyor. Yayından sonra kaydedilen 88 fikir canlı demoda.

    Yayını okuKod (GitHub)Canlı demodoi 10.5281/zenodo.20745782

    2026
ORCID0009-0003-1888-4035

~/ commit'lerin arkasındaki insan

Kişisel alan

Görmediğim yerler, tanımadığım insanlar, henüz denemediğim fikirler var.

Her şeyin nereye varacağını baştan bilmem gerekmiyor. Merak ettiğimde gidip bakmak istiyorum. Bazen yeni bir şehirde, bazen kendi kafamın içinde dolaşırken bir şeyler yerine oturuyor. O arada yaptığım bir şey başkasının da hayatını kolaylaştırıyorsa, ne güzel.

— Erry Carlmicheal

kartpostal

sürükleyip çevir · bir karoya dokun

12 ülke gördüm. Haritada 230 yer daha var, sırasını bekliyor.

Interrail '2339 durak · 9 ülke · 1 Tem – 8 Ağu 2023

12 ülke gördüm. Haritada 230 yer daha var, sırasını bekliyor.

Gittiğim yerler 12 ülke

Evim: Türkiye'nin güneybatı köşesi, Ege'yle Akdeniz'in buluştuğu yer.

pull request dikkatle bakana

Kimsenin bilmediği kişisel şeyler #3

onay bekliyormerge edildieren, secret/eren dalındaki 3 commit’i main’e merge etmek istiyoreren, secret/eren dalındaki 3 commit’i main’e merge etti

Bu sayfada üç anahtar saklı. Her biri bir reviewer: üçü de onay verince bu dal merge olur, içindekileri sen de okursun.

  • Onay bekleniyor: 3 onay gereklionaylanan: 0/3Değişiklikler onaylandı3 anahtar, 3 onay.
  • Merge engellendimain üç anahtarın üçünü de istiyor.Merge’e hazırmain ile çakışma yok. Otomatik merge açık.Pull request merge edildisecret/eren artık main’in bir parçası.

Değişen dosyalar 4+49 −0

reward/+24

reward/finders-card.png

ödülün

Sana özel kodlu bir kâşif kartı

Kartı JavaScript çiziyor, o da şu an kapalı.

kâşif kodu
EM-K3-···-·······-····

E-posta uygulaman, kod hazır yazılmış şekilde açılır. İstersen kartı da ekle.

secrets/three.md+9

ve söz verdiğim gibi

Üç sır. Sadece biri gerçek.

Hangisi gerçekten yaşandı? Tahminini yap.

Tek tek aç. İkisi uydurma.

  1. #1

    Bir keresinde Ege’nin ortasında, bir gulette, şarjı %4’e düşmüş telefonun hotspot’uyla production’daki bir bug’ı düzelttim. Kaptan da telefonu, güvertede çeken tek noktada havaya kaldırıp bekledi. Bir sonraki koya varmadan fix canlıdaydı.

  2. #2

    Takma adım Erry Carlmicheal, Chuck dizisindeki Chuck Bartowski’nin ajan kimliği Charles Carmichael’a bir gönderme. Hani şu bilgisayarcı: kafasına yanlışlıkla Intersect, yani devletin bütün sırlarını tutan koca bir veritabanı yükleniyor ve hiç öğrenmediği şeyler bir anda “flash” diye gözünün önüne geliyor. Buradaki kodların bir kısmını o isimle yazdım.

  3. #3

    Interrail ’23’te gece trenini kaçırıp istasyonda bir bankta uyudum. Yan banktaki adam emekli bir demiryolu mühendisi çıktı. Gün doğana kadar bütün Avrupa demiryolu ağını ezberden, biletimin arkasına çizdi. O bilet hâlâ bende.

doğruyu seçince açılırdoğru cevap · açıldıyanlış tahmin · yine de senin

Her ajanın bir gizli kimliği olur.

Benimkinde bir rozet, bir şube, bir de senin kâşif kodunu taşıyan bir barkod var.

Doğrusu takma ad hikâyesiydi; her tahmin bu kartı kazandırır.

NERDHERD
Erry Carlmicheal’ın siyah beyaz portresi

ERRY CARLMICHEAL

Nerd Herd · Marmaris şubesi

ERRY-CARLMICHEAL

nobody-knows.md+12

bu sefer oyun yok, hepsi gerçek

Kimsenin bilmediği 3 şey

  1. 01 insanlarım

    Gece üçte debug yaparken hâlimi görmüş ve hâlâ yanımda olan üç kişi var: en yakın arkadaşlarım Erkay ve Jonathan, bir de kuzenim Deniz. Bu site bir gün çökerse, büyük ihtimalle monitoring’den önce onlardan duyarım.

  2. 02 ayakkabılar

    Chuck Bartowski, dünyanın Converse’le de kurtarılabileceğini kanıtladı. Benim Converse’lerim de hazır, bağcıklar bağlı. Dünya sadece henüz çağırmadı.

  3. 03 scooter

    Beste Kanter’i YouTube kanalından tanıyordum; o beni hiç tanımıyordu. Bizi Roma’daki Stadio Olimpico’da Muse konseri için Couchsurfing buluşturdu. Çıkışta taksiler servet istiyordu, biz de bir e-scooter’a iki kişi bindik: ben sürdüm, o arkamda tutundu. Stadyumdan şehir merkezine kadar böyle gittik, polisi gördükçe ara sokaklara saparak.

note.md+4

Üç anahtar, üç onay ve pes etmedin. Intersect’li Chuck gibi, çoğu kişinin göremediğini gördün. Meraklı insanları severim. Kodunu bana gönder ajan, bir de selam yaz.

— Eren

Rotterdam Delft

“Ne iş yaptığını değil, içten içe neyin peşinde olduğunu bilmek istiyorum.”

— Oriah Mountain Dreamer

gezinin tamamı

Interrail '23

39durak

9ülke

1 Tem – 8 Ağu 2023

Marmaris Rodos

“Bir öğleden sonraya sığan, surlarla çevrili bir kasaba. Her kapısı başka bir yüzyıla açılıyor.”

d'Amboise Gate → Akti Sachtouri

yürüyüş, durak durak

Rhodes '26

10durak

29yer

09:00 – 17:30