Haziran 20 2025

Ev Fırınında Kusursuz Napoli Pizzası Yapmanın Sırları: Döküm Tava Tekniği

İtalyanların o dışı çıtır, içi bulut gibi hafif, üzeri hafifçe yanık Napoli pizzalarına hepimiz bayılıyoruz. Ancak iş evde napoli pizzası yapmaya geldiğinde fırınımızın gücü yetmiyor. Çünkü o taş fırınlar 450-500 derecede çalışırken, bizim emektar ev fırınları maksimum 250 dereceyi görüyor. Peki ne yapıyoruz? Havlu mu atıyoruz? Tabii ki hayır. Bugün, döküm tava ve fırın ızgarasını (broiler) birleştirerek evde o pofuduk kenarları yakalamanın hilesini açıklıyorum. Hazırsanız, mutfağı küçük bir Napoli pizzacısına çevirelim!

Porsiyon: 2 adet (25-30 cm)
Hazırlık Süresi: 20 dakika (Aktif) + 24 saat (Soğuk mayalanma)
Pişirme Süresi: 5 dakika

Kusursuz Pizza İçin Malzemeler

Gerçek bir Napoli pizzası için çok az malzemeye ihtiyacımız var. Kalite burada en önemli anahtar. İşte sepetimiz:

  • Hamur için (Pratik pizza hamuru tarifi):
    • 300 gr Tip 00 un (Yoksa yüksek proteinli ekmeklik un da iş görür)
    • 195 ml soğuk su (Yüzde 65 hidrasyon oranı için)
    • 9 gr tuz (İnce deniz tuzu tercih sebebi)
    • 1 gr kuru maya (Instant maya da kullanabilirsiniz)
  • Üzeri için:
    • 1 su bardağı konserve San Marzano domatesi (Ezip biraz tuz ekleyin)
    • 150 gr taze mozzarella (Suyu iyice süzülmüş olmalı)
    • Taze fesleğen yaprakları
    • Sızma zeytinyağı
    • Alternatif öneri: Mozzarella yerine kaliteli bir kaşar peyniri veya tulum peyniri kullanabilirsiniz. Şarküteri seviyorsanız, fırından çıkınca üzerine prosciutto veya kaliteli füme et eklemek harika bir dokunuş olur.

Adım Adım Döküm Tava Pizza Yapılışı

Bu teknik, döküm tavanın ocakta topladığı yüksek ısıyı, fırının üst ızgarasıyla birleştirir. Adımları dikkatlice takip edin, gerisi çok kolay.

  1. Hamuru Hazırlayın: Un, su, maya ve tuzu karıştırıp pürüzsüz olana kadar yoğurun. Hamuru iki bezeye ayırıp hava almayan bir kaba koyun ve buzdolabında 24 saat bekletin. Soğuk mayalanma, hamura o muazzam aromayı verir. Pişirmeden 2 saat önce dolaptan çıkarıp oda sıcaklığına getirin.
  2. Fırını ve Tavayı Isıtın: Fırınınızın sadece üst ızgara (grill/broiler) modunu en yüksek dereceye ayarlayın. Döküm tavanızı da ocağın en büyük gözünde, orta-yüksek ateşte yaklaşık 10-12 dakika iyice ısıtın. Tava adeta ısı saçmalı.
  3. Hamuru Açın: Tezgaha biraz irmik (semolina) veya un serpin. Hamur bezesini parmak uçlarınızla ortadan dışarıya doğru bastırarak açın. Kenarlardaki havayı ezmeyin ki pişerken pofur pofur kabarsın. Asla merdane kullanmayın!
  4. Tavaya Aktarın ve Soslayın: İyice ısınan döküm tavanın altını kapatmadan hemen önce açtığınız hamuru dikkatlice tavanın içine serin (Tava çok sıcak, dikkat edin!). Hemen domates sosunu yayın, mozzarella ve fesleğenleri dizip üzerine biraz zeytinyağı gezdirin. Hamurun altı tavada 1-2 dakika içinde çıtırdamaya başlayacaktır.
  5. Fırınlama Aşaması: Tavayı hemen fırının en üst rafına, ızgaranın tam altına yerleştirin. Yaklaşık 3-4 dakika içinde kenarların benek benek yandığını ve peynirin eridiğini göreceksiniz. Fırından çıkarıp sıcak servis yapın. İşte ilk nefis ev yapımı pizza karşınızda!

Neden Döküm Tava? İşin Kimyası

Ev fırınları havayı ısıtır ama ısıyı pizzaya hızlıca aktaramaz. Pizza taşı bu yüzden kullanılır. Ancak döküm tava pizza tekniği, döküm malzemenin ısıyı pizza taşından çok daha hızlı ve yoğun bir şekilde hamurun tabanına iletme yeteneğinden faydalanır. Ocağın üzerinde aldığınız o ekstrem sıcaklık, pizzanın altını saniyeler içinde pişirir. Fırının üst ızgarası ise Napoli usulü “leopard spots” dediğimiz o karakteristik yanık benekleri üstten vererek fırın açığını kapatır.

Püf Noktası: Islaklığa Dikkat Edin!

Taze mozzarella çok fazla su barındırır. Eğer peyniri doğrudan pizzaya koyarsanız, fırında suyunu salar ve pizzanızın ortası çorba gibi olur. Peyniri pizzaya eklemeden en az 1 saat önce dilimleyip süzgeçte bekletin, hatta kağıt havluyla fazla nemini alın. Çıtır bir taban için kuru malzeme hayati önem taşır.

Artık dışarıda dünyanın parasını verdiğiniz o gurme pizzaları evinizde, sadece tek bir döküm tava ve fırınla yapabilirsiniz. İlk denemede kenarlar istediğiniz gibi kabarmadıysa pes etmeyin, hamurun mayalanma süresiyle oynayın. Afiyet olsun!

Category: Genel | LEAVE A COMMENT
Haziran 13 2025

Cursor IDE ve Claude ile Kod Yazma Sürecini 10 Kat Hızlandırma Rehberi

Yazılım dünyasında kartlar yeniden dağıtılıyor ve bu sefer masada oldukça dişli bir oyuncu var. Eskiden saatlerce Stack Overflow’da “bu hata neden kaynaklanıyor?” diye debelenirken, bugün yapay zeka asistanımıza sadece hata çıktısını verip saniyeler içinde çözümü alabiliyoruz. İşte tam bu noktada, geleneksel editörlerin pabucunu dama atma iddiasıyla ortaya çıkan cursor ide ve onun en büyük yardımcısı claude sonnet sahneye giriyor. Eğer siz de yapay zeka kodlama dünyasında kaybolmadan, üretkenliğinizi gerçekten artırmak ve modern bir ai developer olmak istiyorsanız, doğru yerdesiniz. Bu rehberde, lafı hiç dolandırmadan, kendi deneyimlerimize dayanarak bu ikilinin neler yapabildiğini inceleyeceğiz.

Cursor IDE Nedir? Neden VS Code’u Bırakalım?

Cursor, aslında popüler kod editörü VS Code’un “fork” edilmiş, yani çatalı alınarak üzerine yapay zeka entegrasyonu yapılmış bir versiyonu. Bu ne anlama geliyor? VS Code’da kullandığınız tüm eklentiler, temalar ve kısayollar Cursor’da da aynen çalışıyor. Geçiş yapmak tam olarak 30 saniyenizi alıyor.

Peki neden geçelim? Çünkü Cursor, yapay zekayı bir eklenti (Copilot gibi) olarak değil, editörün tam kalbine konumlandırıyor. Kod yazarken editörün projenizin tamamını (context) okuyabilmesi, sizinle birlikte dosyaları tarayıp hata ayıklayabilmesi muazzam bir konfor sunuyor.

[Görsel: Cursor IDE genel arayüzü ve entegre chat panelinin görünümü]

Claude 3.5 Sonnet: Neden GPT-4o Değil de Claude?

Yapay zeka modelleri arasında kıyasıya bir rekabet var ancak dürüst olalım: Kod yazma, mantık yürütme ve talimatları takip etme konusunda claude sonnet şu an pazarın tartışmasız lideri. GPT-4o hızlı ve pratik olabilir ancak karmaşık kod bloklarını analiz ederken veya “bunu şu mimariye göre baştan yaz” dediğinizde Claude Sonnet çok daha az hata (hallucination) yapıyor ve çok daha temiz, okunabilir kodlar üretiyor.

İki Dev Güç Birleşince Ne Oluyor?

Cursor IDE içinde Claude Sonnet’i aktif ettiğinizde, artık sadece bir otomatik tamamlayıcıya sahip olmuyorsunuz. Karşınızda projenizin tüm klasör yapısını bilen, yazdığınız kütüphaneleri anlayan ve sizinle bir Senior Developer gibi tartışabilen bir iş ortağı buluyorsunuz.

Gerçek Bir Senaryo: Sıfırdan Bir Express.js API ve Caching Mekanizması

Hemen teoriden pratiğe geçelim. Amacımız, harici bir hava durumu API’sinden veri çeken ve bu verileri Redis ile cache’leyen basit bir Express.js API’si yazmak. Cursor ve Claude ikilisini kullanarak bunu nasıl dakikalar içinde yapabileceğimizi görelim.

Öncelikle boş bir klasör açıp Cursor içindeki “Composer” modunu (Ctrl + I veya Cmd + I) açıyoruz ve Claude’a şu komutu veriyoruz:

# Projeyi başlatmak ve gerekli paketleri kurmak için terminali kullanacağız
npm init -y
npm install express axios redis redis-om dotenv

Ardından Composer ekranına şu talimatı yazıyoruz: “Bana harici bir hava durumu API’sinden veri alan, gelen verileri 1 dakika boyunca Redis’te tutan ve hata yönetimini düzgün yapan bir Node.js Express yapısı kur. Proje yapısı modüler olsun.”

[Görsel: Cursor Composer arayüzünde Claude Sonnet ile çoklu dosya oluşturma süreci]

Claude saniyeler içinde bizim için server.js, config/redis.js ve controllers/weatherController.js dosyalarını oluşturuyor ve içlerini dolduruyor. Üstelik sadece kodu yazmakla kalmıyor, .env dosyasında hangi değişkenleri tanımlamamız gerektiğini de söylüyor.

// controllers/weatherController.js dosyasından bir kesit
const axios = require('axios');
const redisClient = require('../config/redis');

exports.getWeather = async (req, res) => {
    const { city } = req.params;
    const cacheKey = `weather:${city.toLowerCase()}`;

    try {
        // Önce cache kontrolü
        const cachedData = await redisClient.get(cacheKey);
        if (cachedData) {
            return res.status(200).json({ source: 'cache', data: JSON.parse(cachedData) });
        }

        // Cache'te yoksa API'ye istek at
        const response = await axios.get(`https://api.weatherapi.com/v1/current.json?key=${process.env.API_KEY}&q=${city}`);
        const weatherData = response.data;

        // Redis'e 60 saniye süreyle kaydet
        await redisClient.setEx(cacheKey, 60, JSON.stringify(weatherData));

        return res.status(200).json({ source: 'api', data: weatherData });
    } catch (error) {
        return res.status(500).json({ error: error.message });
    }
};

Biz tek satır kod yazmadık. Sadece mimariyi belirledik ve süreci yönettik. İşte gerçek bir ai developer çalışma pratiği tam olarak budur.

Yapay Zeka ile Kodlamanın Altın Kuralları

Cursor kullanırken hüsrana uğramamak için şu kurallara dikkat etmelisiniz:

  • @ Sembolünü Etkin Kullanın: Cursor’da chat kısmına @Files yazarak sadece ilgili dosyayı, @Web yazarak güncel internet dökümanlarını yapay zekaya bağlam olarak sunabilirsiniz.
  • Küçük Adımlarla İlerleyin: Yapay zekadan tek seferde devasa bir e-ticaret sitesi yazmasını isterseniz başarısız olur. Önce veritabanı şemasını yazdırın, sonra auth sistemini, ardından sepet işlemlerini adım adım kodlatın.
  • Körlemesine Güvenmeyin: Claude harika kod yazar ama mantık hataları yapabilir. Kodu her zaman test edin ve ne yazdığını anlamaya çalışın.

Karşılaştırma Tablosu: Artılar ve Eksiler

Cursor ve Claude kombinasyonunun gerçekçi bir değerlendirmesini yapalım:

Özellik Artıları (+) Eksileri (-)
Kod Kalitesi Claude Sonnet sayesinde mükemmel refactoring ve temiz kod. Bazen çok eski kütüphane versiyonlarını önerebiliyor.
Hız ve Entegrasyon VS Code eklentileriyle tam uyumlu, öğrenme eğrisi sıfır. Büyük projelerde indeksleme yaparken sistem kaynağı tüketimi artabiliyor.
Çoklu Dosya Yönetimi Composer ile tek seferde 5-6 dosyayı birden güncelleyebilme. Çok karmaşık değişikliklerde bazen kodları birbirine karıştırabiliyor.

Fiyatlandırma ve Ücretsiz Alternatifler

Gelelim işin duygusal kısmına. Cursor IDE, aylık 20 premium Claude/GPT isteğiyle birlikte ücretsiz bir plan (Hobby) sunuyor. Ancak aktif olarak kullanacaksanız, aylık 20$ olan Pro üyeliği almanız gerekiyor. Bu üyelik size aylık 500 hızlı yapay zeka isteği hakkı veriyor.

Bütçem yok diyenler için ücretsiz alternatifler:

  1. VS Code + Continue.dev: Tamamen açık kaynaklı bir eklentidir. Ollama ile bilgisayarınızda yerel çalışan modelleri veya Gemini’nin ücretsiz API anahtarını bağlayarak ücretsiz kullanabilirsiniz.
  2. Roo Code (Eski adıyla Roo Cline): VS Code üzerinde çalışan, Cursor benzeri dosya oluşturma yeteneklerine sahip harika bir açık kaynaklı yapay zeka asistanı.

Son Söz: Geliştirici Olarak Rolümüz mü Değişiyor?

Evet, değişiyor. Artık sadece “kod yazan” kişi olmak yetmiyor. Cursor ve Claude gibi araçlar sayesinde artık “sistem tasarlayan”, “yön veren” ve “kod kalitesini denetleyen” birer orkestra şefi haline geliyoruz. Bu dönüşüme ne kadar hızlı adapte olursanız, sektörde o kadar kalıcı ve değerli olursunuz. Denemekten korkmayın!

Category: Genel | LEAVE A COMMENT
Haziran 6 2025

Ollama ve Open-WebUI ile Kendi Sunucunuzda Gizli ve Ücretsiz LLM Çalıştırın

Yapay zeka araçları hayatımızın merkezine yerleşti ancak akıllarda hep aynı soru var: Verilerimiz nereye gidiyor? OpenAI, Anthropic ya da Google gibi devlere gönderdiğimiz her prompt, onların sunucularında işleniyor ve gelecekteki modelleri eğitmek için kullanılabiliyor. İşte tam bu noktada yapay zeka gizlilik endişeleri devreye giriyor. Eğer siz de şirketinizin hassas verilerini, kişisel günlüklerinizi veya geliştirdiğiniz gizli kodları bulutla paylaşmak istemiyorsanız, çözüm kendi yerel llm sisteminizi kurmak. Bu rehberde, Docker üzerinde adım adım ollama kurulumu yapacak ve şık bir arayüz sunan open webui ile kendi ChatGPT alternatifimizi tamamen ücretsiz ve internete bile ihtiyaç duymadan nasıl çalıştıracağımızı göreceğiz.

Neden Yerel LLM? Bulut Şirketlerine Karşı Dijital Egemenlik

Açık kaynaklı yapay zeka modelleri (Llama 3, Mistral, Gemma 2 gibi) son bir yılda inanılmaz bir gelişim gösterdi. Artık milyarlarca parametrelik bu modelleri çalıştırmak için süper bilgisayarlara ihtiyacımız yok. Evinizdeki ortalama bir oyuncu bilgisayarı veya küçük bir ev sunucusu (home lab) bu iş için biçilmiş kaftan.

Peki neden bu zahmete girelim? Yanıt basit: Bağlam ve kontrol. Yerel bir model kullandığınızda, internet bağlantınız olmasa bile yapay zekanız çalışmaya devam eder. Daha da önemlisi, modelle paylaştığınız hiçbir şey bilgisayarınızın dışına çıkmaz. “Prompt” dediğimiz girdiler tamamen yerel disklerde kalır ve üçüncü şahısların eline geçmez.

Gereksinimler: Donanım ve Yazılım Altyapısı

Yerel bir dil modeli çalıştırmak için en kritik bileşen ekran kartınızın belleğidir (VRAM). İşlemci (CPU) ile de çalıştırabilirsiniz ancak bu durumda kelimelerin ekrana gelme hızı kaplumbağa hızında olacaktır.

  • Asgari Donanım: En az 8 GB RAM ve modern bir CPU (CPU modu için) veya minimum 6 GB VRAM’e sahip bir Nvidia GPU (Örn: RTX 3060).
  • Önerilen Donanım: 12 GB+ VRAM’e sahip Nvidia GPU veya Apple Silicon M1/M2/M3 çipli Mac (Mac bilgisayarlar birleşik bellek kullandığı için bu işte çok başarılıdır).
  • Yazılım: Sisteminizde Docker ve Docker Compose kurulu olmalıdır.

Docker ile Ollama Kurulumu ve Open-WebUI Entegrasyonu

Sistemi tek tek kurmak yerine Docker kullanarak her şeyi tek bir komutla ayağa kaldıracağız. Bu yöntem hem sistemimizi kirletmez hem de ileride güncellemeleri tek tuşla yapmamızı sağlar.

İlk olarak projemiz için boş bir klasör oluşturalım ve içine docker-compose.yml adında bir dosya yaratalım. Ardından aşağıdaki yapılandırmayı bu dosyanın içine yapıştıralım:

version: '3.8'

services:
  ollama:
    volumes:
      - ./ollama:/root/.ollama
    container_name: ollama
    pull_policy: always
    tty: true
    restart: unless-stopped
    image: ollama/ollama:latest
    # Eğer Nvidia ekran kartınız varsa aşağıdaki deploy bloğunun önündeki # işaretlerini kaldırın:
    # deploy:
    #   resources:
    #     reservations:
    #       devices:
    #         - driver: nvidia
    #           count: all
    #           capabilities: [gpu]

  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    volumes:
      - ./open-webui:/app/backend/data
    ports:
      - 3000:8080
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    extra_hosts:
      - "host.docker.internal:host-gateway"
    restart: unless-stopped
    depends_on:
      - ollama

Dosyayı kaydettikten sonra terminalinizden bu klasöre gidin ve şu komutu çalıştırın:

docker compose up -d

Docker, gerekli imajları indirecek ve arka planda servisleri başlatacaktır. Tarayıcınızı açıp http://localhost:3000 adresine gittiğinizde sizi şık bir giriş ekranı karşılayacak.

[Görsel: Open-WebUI ilk giriş ve kayıt olma ekranı arayüzü]

İlk Modelin İndirilmesi ve Test Aşaması

Open-WebUI ilk açıldığında sizden bir hesap oluşturmanızı isteyecektir. Bu hesap tamamen yerel olarak bilgisayarınızda tutulur ve internete gönderilmez. İlk kaydolan kullanıcı otomatik olarak “Admin” (Yönetici) yetkisine sahip olur.

Giriş yaptıktan sonra sol alttaki profil resminize tıklayıp Settings > Models sekmesine gidin. Buraya indirmek istediğimiz modelin adını yazmamız gerekiyor. Başlangıç için hem hızlı hem de Türkçe performansı fena olmayan Llama 3 (8B) modelini öneririm. Kutuya sadece llama3 yazıp indir butonuna basın.

[Görsel: Open-WebUI ayarlar menüsünde Llama 3 modelinin indirilme süreci]

Gerçekçi Bir Test: Llama 3 Ne Kadar Başarılı?

Model indikten sonra üst menüden indirdiğimiz modeli seçip sohbete başlayabiliriz. Ben kendi yaptığım testlerde yerel LLM’e şu soruyu yönelttim:

“Bana Python ile yazılmış, verilen bir metindeki kelimeleri sayan basit bir fonksiyon yazar mısın?”

Llama 3, bu isteği yaklaşık 2 saniye içinde yanıtladı ve kod bloklarını eksiksiz şekilde önüme koydu. Yanıt hızı (token per second), kullandığınız ekran kartına göre değişecektir. RTX 3060 ekran kartımla saniyede yaklaşık 40 kelime (token) üretebildim ki bu değer ChatGPT Plus hızına oldukça yakın.

Artılar ve Eksiler: Yerel LLM vs Bulut Servisleri

Kendi yapay zekanızı çalıştırmak harika bir his olsa da, her güzel şeyin bir bedeli var. Aşağıdaki tabloda yerel sistemlerin ticari bulut servislerine karşı durumunu tarafsızca özetledim:

Özellik Yerel LLM (Ollama + Open-WebUI) Bulut Servisleri (ChatGPT / Claude)
Veri Gizliliği ✅ %100 Güvenli (Tamamen Çevrimdışı) ❌ Riskli (Verilerinizle model eğitilebilir)
Abonelik Ücreti ✅ Ücretsiz (Sonsuza kadar) ❌ Aylık ortalama 20$
İnternet Bağımlılığı ✅ İnternetsiz çalışabilir ❌ İnternet şarttır
Maksimum Akıl Yürütme 🟡 Donanımınıza bağlı (Llama 3 8B veya 70B) ✅ Çok Güçlü (GPT-4o, Claude 3.5 Sonnet)
Kurulum Kolaylığı ❌ Teknik bilgi ve Docker gerektirir ✅ Tek tıkla üye olup kullanılır

Maliyetler ve Ücretsiz Alternatifler

Ollama ve Open-WebUI tamamen ücretsiz ve açık kaynak kodludur. Tek maliyetiniz, bilgisayarınızın harcayacağı elektrik ve varsa başlangıçta satın alacağınız donanım yatırımıdır.

Eğer Docker kullanmak istemiyorsanız veya bu kurulum size karmaşık geldiyse, şu ücretsiz alternatifleri de değerlendirebilirsiniz:

  • LM Studio: Tek tıkla kurulabilen, Docker gerektirmeyen ve modelleri kendi içinden indirmenize izin veren harika bir masaüstü uygulamasıdır.
  • AnythingLLM: Dokümanlarınızı (PDF, Word vb.) yapay zekaya kolayca öğretip soru-cevap yapabileceğiniz, yine tamamen yerel çalışan kullanıcı dostu bir araçtır.

Son Sözler ve Değerlendirme

Kendi yerel LLM sisteminizi kurmak, yapay zeka gizlilik hassasiyeti olan her geliştirici ve teknoloji meraklısı için bir dönüm noktasıdır. Ollama’nın sunduğu sade arka plan motoru ve Open-WebUI’ın modern arayüzü birleştiğinde, evimizde kendi küçük ChatGPT’mizi çalıştırmak artık hayal değil. Eğer elinizde güçlü bir GPU varsa, bu kuruluma şans vermenizi kesinlikle öneririm. Gelecek, verilerini kendi kontrolünde tutabilenlerin olacak.

Category: Genel | LEAVE A COMMENT