2026'da Nasıl AI Mühendisi Olunur
CS diploması olmadan.
Bootcamp olmadan.
Bugün bir transformer'ın ne olduğunu bilmeden.
İşte kimsenin sana söylemediği şey:
Şu an işe alım yapan şirketlerin matematiği anlayan insanlara ihtiyacı yok.
Onların ihtiyacı, üretimde hayatta kalacak sistemler kurabilen insanlara.
Arada bir fark var.
Bir chatbot sarmalayıcı bir sistem değildir.
Bir tool call bir ajan değildir.
LangChain bilmek, harness mühendisliği bilmek değildir.
Bu iki şey arasındaki fark kabaca 150.000 dolar maaş farkıdır.
İşte bu farkı aşmak için gereken yol haritası.
Bunu kaydet. İki kere okuyacaksın.
ÖNCE ACIN GERÇEK
Şu an AI geliştiren çoğu geliştirici oyuncak üretiyor.
GPT'yi birkaç prompt ile sarıyorlar. Buna "AI ürünü" diyorlar. Kimsenin neden para ödemediğini merak ediyorlar.
Piyasa, LLM'ler üzerine ince katmanlarla dolu.
Bunlar iş değil. Büyük Teknoloji tarafından Sherlocked olmayı bekleyen özellikler.
İşte şirketlerin 2026'da gerçekten ödediği şeyler:
→ Cuma günü saat 2'de bozulmayan ajanlar
→ Ölçüp regresyon yapmadığını kanıtlayabileceğin sistemler
→ Aynı modelin %86 daha iyi performans göstermesini sağlayan harness'ler
Son madde kurgu değil.
Anthropic, aynı modeli (Opus 4.5) iki farklı harness'te çalıştırdı.
→ Claude Code harness: CORE benchmark'ta %78
→ Smolagents harness: CORE benchmark'ta %42
Aynı model. Farklı harness. 36 puan fark.
İş, harness'in ta kendisi.
2026'DA BİR AI MÜHENDİSİ GERÇEKTE NE YAPAR
Prompt yazmak değil. Model seçmek değil.
Bir AI mühendisi, modelin etrafındaki sistemi kurar ve işletir.
Bu şu anlama gelir:
→ Ajan döngüsü ve tool dağıtımını tasarlamak
→ Bağlam mühendisliği — her adımda modelin önüne hangi token'ların gireceği
→ Modelin gerçekten doğru seçeceği araçları yazmak
→ Üretim trafiği için bellek, dayanıklılık ve sanal alan eklemek
→ Değerlendirme ve CI regresyon geçitlerini kablolamak, böylece "daha iyi" ölçülebilir hale gelir
→ Gerçek kullanıcılara ve gerçek maliyete dayanacak ajanları göndermek
Her ajan mühendisinin ihtiyaç duyduğu dört bağlam temel öğesi:
Yazma — ajanın okuyup güncellediği karalama defterleri, bellek dosyaları
Seçme — kullanım anında getirme, önceden toplu döküm değil
Sıkıştırma — bağlam penceresinin %85-95'inde özetleme
İzole etme — kendi ayrı bağlam pencerelerine sahip alt ajanlar
Buna bağlam mühendisliği denir. Prompt mühendisliği bağımsız bir beceri olarak öldü. Bağlam mühendisliği onun yerini aldı.
6 AŞAMALI YOL HARİTASI
Tam zamanlıysan 17 hafta. Yan iş olarak yapıyorsan 40 hafta.
Her aşamanın somut bir projesi var. Hiçbir aşama bir şey göndermeden bitmez.
AŞAMA 0: Doğru Zihinsel Modelleri Oluşturmak(1-2. Haftalar)
Henüz tek satır ajan kodu yazma.
Çoğu yeni başlayan bunu atlar. Doğrudan eğitimlere dalarlar. Sonra bozulduğunda mantığını çözemedikleri kod yazarlar.
Başka hiçbir şeyden önce soğukkanlılıkla anlaman gereken üç şey:
1. İş Akışı ve Ajan
Bir iş akışının senin yazdığın sabit bir kontrol akışı vardır. Bir ajan, bir döngü içinde kendi kontrol akışı kararlarını verir.
İş akışına ihtiyacın varken ajan kurmak 10 kat daha pahalıya mal olur ve iki kat daha sık bozulur.
2. 5 iş akışı deseni (Anthropic'ten)
→ Prompt zincirleme: bir çağrının çıktısını bir sonrakine aktarmak
→ Yönlendirme: farklı görevler için farklı modeller
→ Paralelleştirme: aynı anda birden çok görevi çalıştırmak
→ Orkestratör-işçi: bir beyin, birçok el
→ Değerlendirici-optimize edici: üret → yargıla → iyileştir
3. Harness
Harness, seninle model API'si arasında duran şeydir.
Onu bir işletim sistemi gibi düşün:
→ Model = CPU (ham hesaplama)
→ RAM = bağlam penceresi
→ İşletim Sistemi = harness
→ Uygulamalar = ajanının becerileri
İşletim sistemi, CPU'nun gerçekte ne yapabileceğini belirler. Harness, modelin gerçekte ne yapabileceğini belirler.
Aşama 0 projesi: Kendi kelimelerinle 2 sayfalık bir belge yaz — iş akışı ve ajan, 5 iş akışı deseni, 4 bağlam temel öğesi, orkestratör-işçi desenini tanımlayan.
Bakmadan yazamıyorsan, yeterince dikkatli okumamışsındır.
AŞAMA 1: İlk Ajanını Sıfırdan Kur(3-5. Haftalar)
Bir ajanı iki kez yaz.
Önce: ham Anthropic SDK ile. ~100 satır Python.
Sonra: Claude Agent SDK ile.
Ardından farkı hisset.
Yapım #1 — Ham Döngü
Ajan döngüsü sihir değil.
- Modeli mesajlar ve araçlarla çağır
- tool_use bloklarını ayrıştır
- Aracı çalıştır
- tool_result'u ekle
- stop_reason = end_turn olana kadar döngü yap
Bunu 100 satırın altında kendin yaz.
Bunu yaptığında, her framework okunabilir hale gelir.
Ona 3 araç ver: → web_search → read_file → write_file
Bir araştırma görevinde çalıştır. Takibin her adımını oku.
Yapım #2 — Claude Agent SDK'da Aynı Ajan
Claude Agent SDK, Claude Code'u çalıştıran harness'in aynısı.
Ekle:
→ Proje kurallarıyla birlikte CLAUDE.md
→ Bir Beceri (bir "araştırma-özeti" çıktı formatını tanımlayan bir klasör)
→ Ajanın yazdığı her dosyayı otomatik olarak biçimlendiren bir PostToolUse kancası
→ Task aracı aracılığıyla oluşturulan bir alt ajan
Ardından 200 kelime yaz ve şunu yanıtla: "Yapım #1'de kendimin yazdığı şeyleri harness bana bedavaya ne verdi?"
Aşama 1 projesi: Günlük brifing ajanı. Markdown notlarını + RSS beslemelerini okur. Her sabah diske özetlenmiş bir brifing yazar. Bir hafta çalıştır. Başarısız olmasını izle. Düzelt.
AŞAMA 2: Uygun Mimariyle Gerçek Bir Ajan Kur(6-9. Haftalar)
Şimdi LangGraph + Deep Agents üzerine inşa ediyorsun.
Bu üretim yığını.
LangGraph sana şunları verir:
→ Durum makinesi (düğümler + kenarlar)
→ PostgresSaver kontrol noktası (herhangi bir işlem öldürmesinde hayatta kalır)
→ Zaman yolculuğu hata ayıklama (herhangi bir adıma geri sar)
→ İnsan-çevrim-içi kesintiler
→ LangSmith aracılığıyla birinci sınıf gözlemlenebilirlik
Deep Agents (LangChain'in paketlenmiş harness'i) sana şunları verir:
→ Planlama ara katmanı
→ Sanal dosya sistemi
→ Alt ajan oluşturma
→ Otomatik bağlam sıkıştırma
→ Beceriler
Anahtar kavram: ara katman
Ara katman, paketlenmiş bir ajana onu çatallamadan özelleştirmenin yoludur.
Önemli olan dört kanca:
→ before_agent — döngü başlamadan önce çalışır
→ wrap_model_call — her LLM çağrısını sarar
→ before_tools — herhangi bir araç çalışmadan önce çalışır
→ after_tools — herhangi bir araç çalıştıktan sonra çalışır
Aşama 2 projesi: Araştırma Analisti Ajanı
Girdi: bir araştırma sorusu
Mimari:
→ Lider ajan plan yapar, sanal dosya sistemine YAPILACAKLAR listesi yazar
→ Paralel olarak 3 arama alt ajanı oluşturur (izole bağlam)
→ Alt ajanlar sonuçları dosyalara yazar, ana ajana kısa özetler döndürür
→ Alıntı alt ajanı iddiaları doğrular
→ Yazar ajanı, satır içi alıntılarla nihai Markdown üretir
→ Durum PostgresSaver aracılığıyla kalıcı olur — işlemi öldür, kaldığın yerden devam et
→ İnsan-çevrim-içi kesinti: token'da 1$'ı aşmadan önce onay iste
README'in yanında bir LangSmith trace URL'si gönder.
AŞAMA 3: Harness Katmanını Kendin Kur(10-13. Haftalar)
Bu, tüm yol haritasındaki en yüksek kaldıraçlı aşamadır.
Paketlenmiş bir harness kullanmayı bırak. Kendin ince bir tane yap.
Üretimde doğru harness takaslarını, bir kere yapmadan asla yapamazsın.
Modern bir harness'in 10 bileşeni:
- Döngü kontrolü — model → araçlar → model döngüsünü yürüten while döngüsü
- Araç dağıtımı — kayıt, şema doğrulama, paralel çağrılar, yeniden denemeler
- Bağlam yönetimi — sistem promptu birleştirme, pencerenin %85'inde sıkıştırma
- Kalıcılık — devam ettirmek, geri sarmak, çatallamak için her düğümde durumu kontrol noktası
- Alt ajan orkestrasyonu — izole bağlamlı çocuklar, sıkıştırılmış özetler geri
- Beceriler ve aşamalı açıklama — yetenekleri yalnızca ilgili olduğunda yükle
- Kancalar — PreToolUse, PostToolUse, PreCompact, Stop
- Gözlemlenebilirlik — her model çağrısı, araç çağrısı, alt ajan çağrısı için OTEL yayılımları
- Sanal alan — modelin asla kimlik bilgilerine sahip olmadığı bir kapsayıcıda kod yürütme
- Kimlik doğrulama aracılığı — kimlik bilgileri asla modelin bağlamına girmez
Aşama 3 projesi: ~1.500 satır Python'da mini bir harness yaz.
Şunları içermelidir:
→ JSON-şeması oluşturma ile @tool dekoratöründen araç kaydı
→ CLAUDE.md tarzı sistem-prompt yükleyici
→ SKILL.md aşamalı açıklama yükleyici
→ İzole bağlamlı alt ajan oluşturma temel öğesi
→ Dosya sistemi boşaltma: 20K token üzerindeki herhangi bir araç sonucu → diske yaz, bağlamda yolu + 10 satırlık önizleme ile değiştir
→ Bağlam penceresinin %85'inde otomatik sıkıştırma
→ Takılabilir kanca sistemi (pre_tool, post_tool, stop)
→ OpenTelemetry izleme
→ Dayanıklı devam: her adımdan sonra SQLite'a kalıcı hale getir, çalıştırma ID'si ile yeniden yükle
Gerçek çıktı: mini harness'ini Claude Agent SDK ve Deep Agents ile karşılaştıran 1.000 kelimelik bir ölüm sonrası analizi. Neyi doğru yaptın. Neyi kestin. Neyi farklı yapardın.
AŞAMA 4: Değerlendirme ve Regresyon Harness'ini Kur(14-17. Haftalar)
Bu olmadan, her "iyileştirme" hissiyattır.
Çoğu mühendisin takıldığı yer burasıdır.
Harika bir ajan yapabilirler. Bir sonraki değişikliklerinin onu daha iyi mi yoksa daha kötü mü yaptığını söyleyemezler.
Uygulaman gereken 4 değerlendirme türü:
1. Tek turlu değerlendirmeler
Bu girdi verildiğinde, çıktı doğru mu? En ucuzu. Mümkün olduğunda belirleyici derecelendiriciler. Sürekli çalıştır.
2. Yörünge değerlendirmeleri
Ajan, doğru argümanlarla doğru araç sırasını çağırdı mı? Tek adımlı, tam turlu ve çok turlu varyantları test et.
3. LLM-hakem
Açık uçlu çıktılar için: araştırma raporları, kod incelemesi, açıklamalar. Haftalık olarak insan tarafından derecelendirilmiş örneklerle kalibre et.
4. Son durum değerlendirmeleri
Durum bilgisi olan ajanlar için: veritabanı doğru yazıldı mı? Doğru dosyalar değişti mi? Son ortam durumunu temel gerçekle karşılaştır.
Değerlendirmelerle ilgili rahatsız edici gerçek:
Modeller, değerlendirildiklerini tespit edebilir. Değerlendirme girdilerinde farklı davranırlar.
Bunu önlemek için değerlendirme paketini tasarla. Sentetik olanları değil, gerçek üretim sorgularını kullan.
Aşama 4 projesi: Aşama 2 ajanının etrafında regresyon harness'i.
→ Altın veri seti: 30-50 elle derecelendirilmiş araştırma sorusu (3 zorluk seviyesi)
→ Gerçek sorgular için belirleyici derecelendiriciler
→ Açık uçlu sorgular için 5 kriterli rubrik ile LLM-hakem
→ Yörünge değerlendirmesi: ajan plan yaptı mı, 2+ alt ajan oluşturdu mu, kaynaklara atıf yaptı mı, bütçe altında bitirdi mi?
→ GitHub Actions'a bağla: altın set geçme oranı 3+ puan düşerse birleştirmeyi engelle
→ Üretim örneklemesi: canlı izlerin %1'i gece otomatik olarak derecelendirilir
AŞAMA 5: Üretim Sertleştirmesi(Sonsuza Kadar)
Bu aşama bitmez.
Sonsuza kadar önemli olan beş şey:
1. Maliyet disiplini
→ CLAUDE.md, sistem promptunu ve araç tanımlarını önbelleğe al — %90'a kadar tasarruf sağlar
→ Zorluğa göre yönlendir: basit dönüşler için Haiku, çoğu görev için Sonnet, zor mantık için Opus
→ Gerçek zamanlı olmayan işler için Toplu API: %50 indirimli
→ Çoklu ajan, tek ajana göre ~15 kat daha fazla token tüketir — yalnızca değer bu çıtayı aştığında çalıştır
2. Gecikme
→ Her zaman paralel araç çağrıları — Anthropic'in kendi araştırma ajanının sistem promptu kelimenin tam anlamıyla "paralel araç çağrıları KULLANMALISINIZ" der
→ Kısmi çıktıları UI'a akışla gönder
→ Alt ajan yelpazesi: 60 adımlı sıralı bir ajan → 10 adımlı lider + 5 paralel 10 adımlı alt ajan
3. Güvenlik ve sanal alan
→ Tüm kod yürütme bir sanal alanda (Modal, E2B): ana işleminde asla exec() model çıktısı yapma
→ Model bağlamı dışında aracılık edilen kimlik bilgileri: model, kullandığı API anahtarını asla görmez
→ Geri alınamaz herhangi bir eylemde insan-çevrim-içi kesintiler
4. İzleme ve sürüklenme
→ Şu durumlarda uyar: istek başına token maliyeti, araç çağrısı başarısızlık oranı, LLM-hakem puanı, p95 gecikmesi
→ Her model yükseltmesinden sonra değerlendirmeleri yeniden temellendir — harness'ler, modelin yapamayacağı şeyler hakkında varsayımları kodlar ve bu varsayımlar bayatlar
5. Esneklik
→ 60 saniyeden uzun süren herhangi bir ajan için dayanıklı yürütme (Inngest, Temporal, PostgresSaver)
→ Her düğümden sonra kontrol noktası
→ Geri sarma ve çatallama her zaman mümkün olmalıdır
ÜRETİM SEVİYESİNDEKİ 5 PROJE (Birini seç ve bu hafta sonu inşa et)
Bunlar karmaşıklığa göre sıralanmıştır.
Şirketlerin gerçekten görmesi gereken şeyi kanıtlarlar.
Proje 1: SLM ile AI Destekli Mobil Uygulama
Küçük dil modellerini kullanarak çevrimdışı öncelikli bir mobil uygulama oluştur. Sıfır API maliyeti. Tam gizlilik.
Onu önemsiz olmayan yapan şey:
→ Modelleri talep üzerine tembel yükle, bellek baskısı altında kaldır
→ Anlamsal parçalama ile kayan bağlam penceresi
→ Eski cihazlar için 4-bit niceleme, yeni cihazlar için 8-bit
→ Pil uyanma döngülerini azaltmak için toplu çıkarım
Neden önemli: kaynak kısıtlamalarını ve cihaz seviyesinde AI'yi anladığını kanıtlarsın. Sadece bir API'yi çağırmıyorsun — bellek baskısını ve nicelemeyi yönetiyorsun.
Proje 2: Kendini Geliştiren Kodlama Ajanı
Kod yazan, testleri çalıştıran ve başarısızlıklardan öğrenen bir ajan oluştur. Kod işlevsel hale gelene kadar durmaz.
Onu önemsiz olmayan yapan şey:
→ Planla → Çalıştır → Test et
→ Maksimum yineleme limiti ile yansıtma döngüsü
→ Görev başına kaynak limitleriyle izole yürütme ortamı
→ Bellek hiyerarşisi: kısa vadeli (son 5 yineleme), uzun vadeli (başarılı desenler), başarısızlık belleği (hata imzaları + çözümler)
→ Yürütmeden önce statik analiz — tehlikeli işlemleri tespit et
Neden önemli: ajan döngülerini tanıtır. Üretim hata ayıklamayı ve yinelemeli iyileştirmeyi anladığını gösterir.
Proje 3: Video Editörleri için Cursor
Açık kaynaklı bir düzenleyiciyi (Shotcut) çatalla ve düzenleme amacını anlayan bir AI ajanı oluştur.
Kullanıcı "bunu sinematik yap" der. Ajan, kesmeleri, geçişleri ve renk derecelendirmeyi halleder.
Onu önemsiz olmayan yapan şey:
→ Görüş modeli her kareyi analiz eder + ses modeli diyaloğu analiz eder
→ Niyet çevirisi: "sinematik" → somut parametreler (tempo, LUT, odak simülasyonu)
→ Kare-farkı analizi ile sahne tespiti
→ Artımlı önizleme — yalnızca etkilenen bölümleri yeniden oluştur
Neden önemli: çok modlu AI + karmaşık araç entegrasyonu. Sohbet robotu geliştiricilerinin %99'undan seni ayırır.
Proje 4: Kişisel Yaşam İşletim Sistemi Ajanı
Takvimini, finansmanını ve sağlığını yöneten bir ajan oluştur. Aylar öncesini planlar. Uyku düzenlerini ve toplantı yoğunluğunu analiz ederek tükenmişliği tespit eder.
Onu önemsiz olmayan yapan şey:
→ Takvim, finans, sağlık, iletişimlerden gerçek zamanlı alım
→ Varlıkların ve ilişkilerin kişisel bilgi grafiği
→ Her 6 saatte bir anormallikleri kontrol eden arka plan iş parçacığı
→ Değer hizalaması: kullanıcı öncelikleri belirtir (aile > iş) — her öneri bunlara karşı doğrulanır
→ Kullanıcı kontrollü anahtarlarla tüm veriler bekleyen şifrelenir
Neden önemli: sofistike bağlam yönetimi ve etik AI tasarımı gerektirir. Gizlilik öncelikli üretim mimarisini gösterir.
Proje 5: Otonom Kurumsal İş Akışı Ajanı
İş akışlarını uçtan uca çalıştıran bir ajan.
Slack/Jira'yı izler → yürütmeyi planlar → görevleri devreder → eksiksiz denetim günlükleriyle sonuçları raporlar.
Onu önemsiz olmayan yapan şey:
→ Olay odaklı: Slack, Jira, e-posta, izleme sistemlerini dinle
→ Çoklu ajan delegasyonu: orkestratör → iletişim ajanı, veri ajanı, analiz ajanı, dokümantasyon ajanı
→ Kendini iyileştiren: üstel geri çekilme, devre kesiciler, otomatik yeniden deneme kararları
→ Değiştirilemez denetim günlüğü: her eylem, kimin yetki verdiği, sonucun ne olduğu
→ İnsan-çevrim-içi: ajan, kritik iş akışlarında yürütmeden önce plan önerir
Neden önemli: orkestrasyonu, güvenliği ve gözlemlenebilirliği tek bir ölçeklenebilir sistemde birleştirir. Bu portföy kapatıcıdır.
YIĞIN (Gerçekte ne öğrenmeli)
Framework: LangGraph 1.0 + Deep Agents
Neden CrewAI, AutoGen veya OpenAI Swarm değil?
→ CrewAI: en hızlı demo, üretimde kırılgan. Hackathonlar için kullan.
→ AutoGen: Microsoft Agent Framework ile birleştirildi. Geleceği belirsiz.
→ OpenAI Swarm: OpenAI'in kendi README'sine göre açıkça "üretime hazır değil".
LangGraph sana şunları verir: durum makinesi + PostgresSaver dayanıklılığı + zaman yolculuğu hata ayıklama + OTEL dostu gözlemlenebilirlik + modelden bağımsız.
Harness referansı: Claude Agent SDK
Onu incele. Kullan. Claude Code ile aynı harness.
CLAUDE.md + Beceriler + alt ajanlar + kancalar + bellek olarak dosya sistemi.
2026'daki diğer tüm harness'ler bu temel öğelere yakınsıyor.
Gözlemlenebilirlik: Birini seç
→ LangSmith: eğer LangGraph'da yaşıyorsan
→ Braintrust: frameworkten bağımsız CI geçitleri istiyorsan ($249/ay sabit fiyat)
→ Arize Phoenix: açık kaynak + OTEL yerli istiyorsan
2026'da atla:
→ OpenAI Swarm — üretime hazır değil (Kimi Agent Swarm kullanılabilir)
→ OpenAI Assistants API — 2026 ortasında kullanımdan kaldırılıyor
→ Gerçek bir geri çağırma sorununu ölçmeden önce kendi vektör mağazanı kurmak
→ Atılabilir olmadığı sürece kodsuz ajan platformları
KARŞILAŞTIRMA RAKAMLARI (Mayıs 2026)
SWE-bench Verified (kodlama görevleri):
→ Claude Opus 4.7: ~%87,6
→ GPT-5.5: ~%88,7
GAIA (genel ajan görevleri):
→ Claude Sonnet 4.5, %74,6 ile lider
τ-bench (müşteri hizmetleri ajanları):
→ Claude Mythos Preview: %89,2
Anahtar içgörü: aynı benchmark, farklı harness = 10-36 puanlık bir fark.
Model, harness'ten daha az önemlidir.
17 HAFTALIK ZAMAN ÇİZELGESİ
- Hafta → Aşama 0 tamam. Bir harness'i düz İngilizceyle açıklayabilirsin.
- Hafta → Aşama 1 tamam. Claude Agent SDK ajanı, bir Beceri, bir kanca, bir alt ajan ile gönderildi.
- Hafta → Aşama 2 tamam. LangGraph derin ajanı, PostgresSaver dayanıklılığı ve LangSmith izleriyle çalışıyor.
- Hafta → Aşama 3 tamam. 1.500 satırlık mini harness yazıldı ve belgelendi.
- Hafta → Aşama 4 tamam. Altın veri setleri, CI geçitleri, Inspect aracılığıyla yayınlanmış bir benchmark çalıştırması.
17+ Hafta → Aşama 5. Sonsuza kadar.
Haftada 10-15 saat yan iş: her şeyi 2,5x ile çarp.
RAHATSIZ EDİCİ GERÇEK
Çoğu insan bunu okuyup hiçbir şey yapmayacak.
Yer imlerine ekleyecek. "Harika makale" diyecek. Sarmalayıcılar yapmaya geri dönecek.
2026 için acı gerçek:
→ Değiştirilebilir: ince GPT sarmalayıcılar yapmak
→ Kovulamaz: değerlendirmeler ve dayanıklılık ile otonom sistemler göndermek
Aralarındaki fark, 5 proje ve 17 haftalık odaklanmış çalışmadır.
Ekiplerin %57'sinin artık üretimde ajanları var.
Bunların %89'unda gözlemlenebilirlik kablolanmış durumda.
Kalite #1 engeldir (ekiplerin %32'si bunu belirtiyor).
Bu, tüm alanın değerlendirme ve harness yapabilen mühendisler üzerinde darboğaz olduğu anlamına gelir.
Bir LLM API'sini çağırabilen mühendisler üzerinde değil.
İşte iş açılışı bu.
KAPANIŞ
Bu yol haritası seni 17 haftada müdür AI mühendisi yapmayacak.
Seni, üretim trafiğine dayanacak ajan sistemleri inşa edip gönderebilen biri yapacak.
Bu da şirketlerin şu an ödediği şeydir.
İşte bundan sonra yapmanı istediğim şey:
1. Bir proje seç. Yeniysen Proje 1'den başla. Zaten kod gönderiyorsan Proje 5'ten başla. Sadece başla.
2. Bu hafta sonu inşa et. Piyasa, göndermeyi ödüllendirir, çalışmayı değil.
3. Her şeyi belgele: mimari kararlarını, başarısızlıklarını ve kurtarmalarını, kendi kendini düzeltme döngülerini.
4. Halka açık inşa et. Gönderdiğinde beni etiketle — amplifiye edeceğim.
Gelecek aya kadar, insanların %90'ı hiçbir şey yapmamış olacak. Hâlâ aynı sarmalayıcıları inşa ediyor olacaklar.
Diğer %10 gerçek bir şey göndermiş olacak. Mülakatlara, tekliflere ve kariyer kaldıracına sahip olacaklar.
Seçim basit:
Şirketlerin işe almak için çaresiz olduğu mimar ol. Veya modası geçmiş ol.
Uzmanlık kalan tek iş güvencesidir. Üretim sistemleri önemli olan tek portföydür.
Şimdi gerçekliğe dayanacak bir şey inşa et.
Hangi projeyle başladığını yanıtla. Her yanıtı okurum.
→ Ağınla paylaşmak için tekrar paylaş
→ Bunun gibi daha fazla içerik için @sairahul1'i takip et
