Şunu fark ettim: Geçen ay, Şubat 2026’nın o klasik “her şey acil” haftalarından birinde, editör masasında yine aynı soruya takıldım: Yapay zekâ kod yazıyor, tamam — ama projeyi gerçekten tanıyor mu? Açık konuşayım. Çoğu araç ilk bakışta etkileyici. Sonra birkaç sekme sonra hafızası sıfırlanmış gibi davranıyor. İşte LeanAI tam bu sinir bozucu boşluğu hedefliyor.
İşin garibi, Hyderabad’lı DevOps mühendisi Gowri Shankar’ın açık kaynak olarak paylaştığı bu sistem — benim ilk izlenimime göre — sadece “yerel çalışan bir kod asistanı” değil. Daha çok projeyi içine sindirmeye çalışan inatçı bir stajyer gibi. Biraz kaba, biraz ham. Ama işini görüyor. Hatta bazı yerlerde baya iş çıkarıyor, şaşırdım açıkçası.
Neden Bu Kadar Çok Kod Asistanı Yarım Kalıyor?
İşin aslı şu: bugün kullandığımız AI kod araçlarının büyük çoğunluğu belleksiz çalışıyor. Dosyayı görür, kısa bir açıklama alır, cevap verir — gider. Ertesi gün aynı proje için yeniden sıfırdan bağlam anlatırsınız. Ben bunu 2024 yazında İstanbul’da küçük bir SaaS projesinde bizzat yaşadım; ekipteki arkadaşlardan biri Copilot’la hızlanacağını sanıyordu ama her oturumda klasör yapısını tekrar tekrar anlatmak zorunda kaldı, ve verim artacağına bazen düşüyordu. Siz hiç denediniz mi? Yorucu bir döngüydü.
Büyük kod tabanlarında bu sorun daha da belirginleşiyor. Neden? Çünkü “auth.js ne yapıyor?” sorusuna genel geçer bir cevap almak başka şeydir, sizin auth akışınızdaki edge-case’leri bilen bir sistem görmek bambaşka. AI burada çoğu zaman tahmin yürütüyor… yani güzel konuşuyor ama projeyi gerçekten tanımıyor.
İlginç olan şu ki, LeanAI’nin çıkış noktası tam burası. Kodunuzu tek seferlik örnek olarak değil, sürekli yaşayan bir yapı olarak ele almak istiyor. Kulağa iddialı geliyor — kağıt üstünde de öyle zaten. E peki, sonuç ne oldu? Ama pratikte nasıl durduğu asıl mesele (şaşırtıcı ama gerçek)
Ve işler burada ilginçleşiyor.
LeanAI Ne Yapıyor?
LeanAI tamamen yerel çalışan bir AI kod yardımcısı. Qwen2.5 Coder modelini makinenizde çalıştırıyor; 7B ve 32B seçeneklerinden söz ediliyor. Bulut yok, API anahtarı yok, abonelik yok. Yani veri dışarı çıkmıyor. Güvenlik tarafında bu yaklaşımın artısı gayet net.
Bunu görünce geçen yıl Ankara’da test ettiğim offline not uygulamasını hatırladım. Orada da temel fikir basitti: veriyi dışarı taşıma, kontrolü kullanıcıda bırak. LeanAI aynı mantığı kod dünyasına taşıyor gibi duruyor. Bu yaklaşım özellikle gizli müşteri projeleriyle uğraşan ekipler için ciddi fark yaratabilir — bence bu kısmı hafife almamak lazım (kendi tecrübem)
Kod tabanını tarayıp anlamaya çalışma kısmı
Sistemin “/brain.” komutuyla tüm projeyi AST analizi üzerinden taradığı söyleniyor. AST dediğimiz şey aslında kodun iskeleti — yani satır satır metin okumak yerine yapıyı çözmeye çalışıyor. Önemli bu. Çünkü düz metin aramasıyla bulunamayacak ilişkileri yakalayabiliyor. Adobe’nin Garip Kamerası Büyüyor: iPad ve iPhone 17e Desteği yazımızda bu konuya da değinmiştik.
Şimdi gelelim işin can alıcı noktasına.
Paylaşılan örnekte 91 dosya taranmış, 1.689 fonksiyon ve 320 sınıf bulunmuş, ayrıca yaklaşık 9.775 bağımlılık kenarı çıkarılmış. Kuru rakam gibi görünebilir. Ama büyük bir repo içinde bu tür indeksleme baya işe yarar — hele ki dokümantasyonun eksik olduğu, “ben yazdım ama neden yazdım bilmiyorum” kültürünün hâkim olduğu ekiplerde.
| Özellik | Klasik AI araçları | LeanAI yaklaşımı |
|---|---|---|
| Bağlam kalıcılığı | Zayıf | Sürekli oturum hafızası var |
| Kod tabanı bilgisi | Kısmi veya geçici | Tüm repo indeksleniyor |
| Veri gizliliği | Sıklıkla bulut tabanlı | Lokal çalışma ön planda |
| Birim öneri hızı | Bazen yavaş | Düşük gecikmeli autocomplete hedefliyor |
| Bugsuzluk garantisi? | Yok | Yok… ama test etme şekli daha agresif |
Sadece tamamlayıcı değil, arayıcı da oluyor
/complete komutuyla kendi indeksinden anlık tamamlama önerileri vermesi ilginç taraflardan biri. Örnekte 0,8 ms’de öneri döndürdüğü (belki yanılıyorum ama) söyleniyor — bu değer gerçek kullanımda ortamınıza göre değişir elbette. Yine de fikir net: model çağrısı olmadan hızlı eşleşme yapmak.
Editör tarafında benzer şeyi geçen hafta Berlin’den çalışan bir geliştirici arkadaşım anlattı; kendi monorepo’sunda sembol araması yapan küçük yardımcılar kurmuştu. Telefonda “en iyi özellik hız” demişti bana. Haklı mı? Bence evet — çünkü bazen mesele zeka değil sürat oluyor. Siz de fark etmişsinizdir bunu. Bu konuyla ilgili PDF Dünyasında Bir Nefes: Ücretsiz ve Limitsiz Araçlar yazımıza da göz atmanızı tavsiye ederim.
Sadece Kod Tamamlama Değil: Semantik Bisect ve Fuzz Testi
Bence LeanAI’nin en ilginç kısmı burada başlıyor. /bisect komutu ile klasik ikili arama mantığının ötesine geçip commit’leri semantik olarak incelemeye çalışması hoşuma gitti. Yani “hangi commit kırdı?” sorusuna yalnızca tarihsel sırayla değil, içerik anlamıyla da yaklaşmaya niyetli (ciddiyim) Butterfly CSS: 2026’da Dikkat Çeken Hafif Bir Seçenek yazımızda bu konuya da değinmiştik.
LeanAI’nin farkı şu noktada ortaya çıkıyor: Sadece ne olduğunu değil, neden olabileceğini de tartışmaya çalışıyor.
Bunu ilk okuduğumda aklıma eski bir kurumsal proje geldi. Mart 2025’te İzmir’deki müşteride auth bozulmuştu. Kimse sebebi bulamıyordu — çünkü değişiklikler ufak ufaktı, bir path separator düzeltmesi orada sessizce sistemi patlatmıştı! Tam anlamıyla saçları yolan türden bir hata. Böyle durumlarda semantik bisect fikri gerçekten hayat kurtarabilir. ABD’de LLC Kurmak: Yabancılar İçin 2026 Rehberi yazımızda bu konuya da değinmiştik.
Kaba kuvvet yerine anlamaya çalışma fikri
/fuzz özelliği ise ayrı güzel bir kısım. Basitçe söyleyeyim: sisteme sadece doğru senaryoları değil, bozmaya aday girişleri de veriyorsunuz; o da beklenmedik kombinasyonlarla kodu dürtmeye başlıyor. Mesela listeye string karıştırmak ya da None göndermek gibi şeyler… Bu konuyla ilgili AI haftasında dengeler değişti: Anthropic, OpenAI ve Meta sahnede yazımıza da göz atmanızı tavsiye ederim.
/fuzz def sort(arr): return sorted(arr)
Tested: 12 | Passed: 9 | Failed: 3
Failures:
✗ None → TypeError
✗ [1, 'a', 2.0] → TypeError
✗ [1, None, 3] → TypeError
Suggested fixes:
→ Add None check
→ Add type validation
→ Handle mixed types safely
Açık konuşayım, bu bölümdeki fikir bana biraz “kodun canına okumak” gibi geliyor — ve hoşuma gidiyor. Çünkü güvenlik ile dayanıklılık arasındaki çizgiyi görünür kılıyor. Bir startup için bu özellik erken aşamada epey faydalı olur; enterprise tarafta ise QA ekibinin yükünü azaltabilir. Tek başına yetmez — orada süreçler daha kalın duvarlıdır, biliyorsunuz.
Peki Hafızası Olan Bir AI Gerçekten İşe Yarar mı?
E tabi, asıl mesele hafıza yönetimi. LeanAI her sohbeti kalıcı session memory içinde sakladığını söylüyor. Session-1’de verdiğiniz kararların Session-10’da aranabilir olması kulağa küçük geliyor. Ama günlük işte çok fark eder. Ciddi fark.
Ben buna benzer yapıyı Eylül 2024’te kendi blog otomasyon denememde yaşamıştım; önce konu başlığını hatırlayan bir bot yaptık, sonra üç gün sonra neyi neden seçtiğimizi unuttuğunu fark ettik. Kısacası hafızasız zeka yarımdır — özellikle ekip işi yaparken (kendi tecrübem). Bu kadar basit.
Küçük ekip için başka, kurumsal ekip için başka sonuç verir
- Küçük startup’ta LeanAI hızlı prototipleme ve bilgi kaybını azaltma açısından çok değerli olabilir.
- Orta ölçekli ekiplerde onboarding süresini kısaltabilir; yeni gelen kişi repo haritasını daha çabuk çözer.
- Büyük kurumlarda ise güvenlik politikaları ve model boyutu devreye girer; lokal çalışma artıdır ama operasyon maliyeti de var. (bu kritik)
- Eğer donanımınız zayıfsa, özellikle yüksek parametreli model seçeneği biraz ağır gelebilir… yani her makinede şov yapmaz. — ciddi fark yaratıyor
Nerede Güçlü, Nerede Hâlâ Ham?
Lafı gevelemeden söyleyeyim: LeanAI heyecan verici, ama henüz cilalanmış bir ürün hissi vermiyor. Bu kötü haber değil aslında — open source projelerde normaldir. Hatta böyle olması biraz güven veriyor, çünkü gerçek dünyaya temas etmiş hissi var üstünde.
Güçlü tarafları belli: repo’yu tanımaya çalışma, komutlarla erişilen işlevler, commit analizine kafa yorma, offline kullanım. Zayıf taraf mı? Donanımla olan ilişkisi hassas olabilir, model performansı her makinede aynı olmaz. Bir de veri toplama ve fine-tuning süreci etik ve operasyonel açıdan dikkat ister — bu kısmı atlamayın.
Vallahi, Bir de şu var: “öğrenen asistan” fikri çok cazip, ama yanlış öğrenme riski hep kapıda bekliyor. Kendi projenizdeki kötü alışkanlıkları modele öğretirseniz sistem onları normalize edebilir; bu yüzden kalite kontrol şart. Ben olsam ilk etapta onu üretimden çok iç geliştirme yardımcısı olarak konumlandırırım.
Bu Araştırmadan Çıkardığım Üç Net Ders
Birincisi, yerel AI talebi büyüyor. Çünkü insanlar artık sadece akıllı cevap istemiyor; verinin nerede durduğunu bilmek istiyor (evet, doğru duydunuz). İkincisi, bağlam kalıcılığı artık lüks değil — ihtiyaç haline geldi. Üçüncüsü ise hız kadar açıklanabilirlik de önemli, özellikle hata ayıklarken.
Ha, neredeyse unuttum: ben bu tarz araçlara bakarken hep şunu düşünürüm — “güzel demo mu, gerçek ürün mü?” LeanAI bazı bölümlerde demo kokusu verse de altında sağlam fikirler var. Bilhassa semantic bisect kısmını gördüğümde gözüm açıldı diyebilirim. Abartmıyorum.
Sonuçta mesele şu: kod yazdıran araç çok, projeyi anlayıp sizinle birlikte yaşayan araç az (ki bu çoğu kişinin gözünden kaçıyor). LeanAI ikinci gruba aday olmak istiyor. Başarmış mı? Kısmen evet. Ama biraz daha pişmesi lazım — yine de yön doğru.
Sıkça Sorulan Sorular;
;LeanAI tamamen ücretsiz mi?Evet, açık kaynak proje olduğu için çekirdeğini ücretsiz kullanabilirsiniz. Ama yerelde kuvvetli model çalıştırmak için donanım maliyeti size ait olur. Yani yazılım bedava olabilir, elektrik bedava olmaz!>
;Bu tür yerel AI araçları güvenli mi? Eğer veri bilgisayarınızdan çıkmıyorsa güvenlik açısından ciddi avantaj sağlar. Yine de modelin ürettiği çıktıları körü körüne kabul etmemek gerekir; çünkü güvenlik sadece veri sızıntısı değildir, yanlış öneri riski de vardır. >
;Küçük takım için uygun mu?
;Bu tür yerel AI araçları güvenli mi? Eğer veri bilgisayarınızdan çıkmıyorsa güvenlik açısından ciddi avantaj sağlar. Yine de modelin ürettiği çıktıları körü körüne kabul etmemek gerekir; çünkü güvenlik sadece veri sızıntısı değildir, yanlış öneri riski de vardır. >
;Küçük takım için uygun mu?
Evet, hatta bazı durumlarda büyük takımdan bile fazla fayda sağlayabilir. Çünkü bilgi kaybını azaltır ve yeni gelen kişinin repoyu öğrenmesini hızlandırır. Donanım yeterliyse gayet mantıklı seçim olur.
>
;Copilot veya Claude Code yerine geçer mi?
Tamamen geçeceğini sanmıyorum. Daha çok farklı bir kulvarda duruyor; gizlilik isteyen, kendi reposunu derinlemesine tanıtmak isteyen takımlar için güçlü alternatif olabilir:
>
X kaynaklar ileri okuma ?**?*;
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
