Perakende Sektöründeki Yazılım Ekipleri için Yapay Zeka Tokenomisi Rehberi

Flaş indirim dönemlerinde sistem sürekliliğinin, ödeme sayfalarındaki API gecikme sürelerinin ve mühendislik ekiplerinin geliştirme hızının kritik önem taşıdığı modern e-ticaret ve perakende dünyasında, yapay zeka destekli kodlama asistanları vazgeçilmez araçlar hâline geldi. Ancak bağlam pencerelerinin etkin şekilde yönetilmemesi; API maliyetlerinin artmasına, yanıt sürelerinin uzamasına ve fiyatlandırma motorları ya da envanter senkronizasyonu gibi kritik iş süreçlerini sekteye uğratabilecek model halüsinasyonlarına yol açabiliyor.

Bu rehber, Google Cloud’un yazılım mühendisliğinde verimli token kullanımına yönelik 11 ilkesini, yüksek ölçekli omnichannel platformlar geliştiren e-ticaret ekipleri için somut ve uygulanabilir mühendislik yaklaşımlarına dönüştürüyor. Özellikle e-ticaret firmalarındaki yazılım geliştiricilere, perakende BT mimarlarına ve mühendislik yöneticilerine yönelik pratik öneriler sunuyor.

1. Dengeli Bir Model ile Başlayın (Kademeli Model Seçimi)

Modelin akıl yürütme yeteneğini doğrudan e-ticaret alanındaki görevin karmaşıklığıyla ilişkilendirin.

• Düşük Akıl Yürütme Kademesi: Düşük akıl yürütme moduna sahip modelleri; ürün kataloğu şema eşleyicileri (mapper) oluşturma, headless GraphQL mağaza ön yüzleri için TypeScript arayüzleri yazma veya tedarikçi CSV/JSON veri akışı (feed) teknik özelliklerini ayrıştırma gibi rutin e-ticaret görevleri için kullanın.
• Yüksek Akıl Yürütme Kademesi: Yüksek akıl yürütme moduna sahip modelleri; flaş indirimler sırasında gerçek zamanlı dağıtık stok kilitleme mekanizmaları tasarlama veya çok kademeli promosyon birleştirme motorlarını yeniden yapılandırma (refactoring) gibi daha karmaşık mimari problemler için saklayın.

2. En Baştan İtibaren Yetenekleri (Skills) Kullanın (E-Ticaret için SKILL.md)

Mağaza API’lerinizi, ödeme entegrasyonu kısıtlamalarınızı veya uyumluluk kurallarınızı her bir istemde tekrar tekrar açıklamaktan kaçının. Bunları yeniden kullanılabilir ve makine tarafından okunabilir yetenek tanımları hâlinde paketleyin.

Kod depolarınızda standartlaştırılmış SKILL.md dosyaları oluşturun; böylece yapay zeka ajanları tüm API dokümantasyonunu okuyarak token israfı yapmadan ekosisteminizle nasıl etkileşime gireceğini bilebilir:

--- 
name: storefront-graphql-api-rules 
description: Rules for querying the Storefront GraphQL API — fragment usage, currency fields, checkout mutation retry handling. 
Use when writing or reviewing GraphQL queries/mutations against the storefront API.
---

# Storefront GraphQL API Rules
- Use GraphQL fragments for repetitive product attribute fields (SKU, price, inventory_level).
- Always include currencyCode on price fields.
- Wrap all checkout mutations in retry handlers with exponential backoff to handle rate limits.

Ödeme ağ geçitleriyle (payment gateway) ilgili gereksiz bağlam yükünü azaltmak için, çoklu ödeme ağ geçidi yönlendirme mantığını ve PCI uyumluluğuna ilişkin sınırları tek bir özel yetenek altında toplayın:

---
name: checkout-payment-gateway-rules
description: Multi-gateway routing, PCI compliance boundaries, and 3D-Secure handling for checkout and payment integrations (Stripe, Adyen, Klarna). 
Use when implementing or reviewing payment flows, gateway fallback logic, or tokenization handling. 
---

# Checkout & Payment Gateway Rules
- Always process 3D-Secure (3DS) authentication flows asynchronously using webhook handlers.
- Enforce tokenized payload structures for Stripe, Adyen, and Klarna integrations; NEVER expose raw PAN/CVV tokens to frontend state.
- Handle fallback routing: If Gateway A throws a 5xx timeout, retry once on Gateway B before throwing a user-facing error.

3. Betikler ve CLI Araçları ile Otomatikleştirin

Yapay zeka asistanından büyük, ham günlük (log) dosyalarını manuel olarak okumasını veya mağaza verilerini analiz etmek için deneme-yanılma kod döngüleri yazmasını istemekten kaçının. Bunun yerine yerel CLI araçları sağlayın.

• Katalog veri akışlarını (feed) göndermeden önce doğrulamak için ajanın hafif bir yerel CLI aracı (örn. feed-validator --schema=google_shopping.json catalog.xml) oluşturmasını sağlayın.
• Çok büyük JSON altyapı loglarını bağlam penceresine yapıştırmak yerine, ajanın altyapı durumunu doğrudan sorgulamasına izin vermek için CLI komutlarını (gh, jq, gcloud) kullanın.

4. Yoğun Çıktı Gerektiren Görevleri Alt Ajanlara Devredin

Uzun ve detaylı kod üretimi için çalışan alt ajanlar (sub-agents) başlatıp yalnızca tamamlanmış ürünleri ana akışınıza geri getirerek ana geliştirme oturumunuzu yalın tutun.

• Yük testi için 20 taksonomi dalında 5.000 sentetik ürün SKU’su oluştururken, bu üretimi bir arka plan alt ajanına atayın.
• Temel akışınıza yalnızca oluşturulan başlangıç betiğini (seed_catalog_db.sql) veya nihai şema farkını (diff) dahil edin.

5. Bölün ve Yönetin: “Fil ve Japon Balığı” Örüntüsü

Büyük ölçekli sistem modernizasyon projelerini (eski bir sipariş yönetim sistemini mikroservis mimarisine taşımak gibi) iki farklı oturum türüne ayırın.

• Fil Oturumu: Uzun bağlamlı bir oturumda, modeli eski COBOL/Java monolit kodu, kurumsal depo gereksinimleri ve yasal uyumluluk yönergeleriyle besleyin. Detaylı bir EXECUTION_PLAN.md dosyası oluşturmasını sağlayın.
• Japon Balığı Oturumu: Her bir Golang veya Node.js mikroservisini ayrı ayrı geliştirmek için, yalnızca EXECUTION_PLAN.md dosyasındaki ilgili uygulama adımını içeren yeni ve temiz bir sohbet oturumu oluşturun.

6. Doğrulamayı Erken Aşamaya Taşıyın

Kapsamlı uçtan uca (E2E) tarayıcı otomasyonlarını veya staging dağıtımlarını başlatmadan önce hızlı yerel doğrulama testlerini (birim testleri ve linting) çalıştırın.

• Eksiksiz bir ödeme akışını simüle etmek üzere tam bir Playwright tarayıcı testi açmadan önce, çoklu para birimi vergi hesaplamalarını doğrulamak için ajanı yerel birim test paketlerini (pytest tests/test_cart_math.py) çalıştırmaya yönlendirin.
• Maliyetli uçtan uca tarayıcı testlerini, pull request gönderiminden önceki son doğrulama adımı için saklayın.

7. Yoldan Sapıldığında Geri Alın (Bağlam Koruması)

Bir yapay zeka asistanının hassas perakende mantığını işlerken kafası karışırsa, kirlenmiş bir bağlamın üzerine düzeltici istemler yığmayın.

Perakende iade mantığı, bölünmüş ödemeleri (örn. 200 TL Hediye Kartı + 800 TL Kredi Kartı) işlerken karmaşıklaşır. Bir asistan çoklu ödemeli iade mantığını yazarken karışıklık yaşar ve başarısız olan uç durumları (edge cases) düzeltmek için iç içe geçmiş koşullu yamalar eklemeye başlarsa, bu noktada mevcut oturumu hemen sonlandırın.

• Hatalı bağlamı temizlemek için akıştaki “Geri Al” (Undo) düğmesini kullanın veya git reset --hard HEAD komutunu çalıştırın.
• Net iş öncelikleriyle temiz bir şekilde yeniden istem oluşturun (örn. “Kural: İade edilemeyen promosyonel hediye kartlarını her zaman en son iade et”).

8. Bağlamı Açık ve Hedefe Yönelik Tutun (Satır İçi Açıklamalar)

Bir ödeme oturumunun neden zaman aşımına uğradığını bulmak için ajandan 20.000 satırlık bir log dosyasında arama yapmasını istemek yerine, net satır içi etiketlerle onu doğrudan sorunlu dosyaya yönlendirin.

Düzeltmenin gerekli olduğu koda doğrudan açıklama ekleyin:

// FIX: Inventory lock condition fails during high-concurrency flash sale.
// SHOULD BE: Atomic check-and-decrement via a Redis Lua script
// verifying available stock and decrementing it must happen as ONE indivisible operation,
// NOT a two-step GET (check stock) then SET/DECRBY (reduce stock).
async function reserveInventory(productId: string, qty: number) {
  // ...
}

Perakende sistemleri, yoğun satış dönemlerinde aynı envanter havuzunu çevrim içi mağazalarla paylaşan fiziksel satış noktası (POS) sistemlerini de yönetmek zorundadır:

// FIX: Avoid overselling when store POS and web storefront compete for the
// same inventory pool during peak sales events.
// SHOULD BE: Compute available-to-promise from a single, atomically-updated
// inventory source using the same check-and-decrement pattern as
// reserveInventory above, with a reserved safety stock buffer for physical POS.
function calculateAvailableToPromise(totalStock: number, posBuffer: number) { ... }

9. Kuralları İteratif Olarak İyileştirin (Kurumsal Perakende için AGENTS.md)

Yapay zeka asistanının kurumun mühendislik standartlarını veya sipariş yönetim sisteminin (OMS) kurallarını ihlal ettiğini yakaladığınızda, gelecekteki sohbetlerde kendinizi tekrarlamak yerine gereksinimi kurumsal standartlara ekleyin.

Kod deponuzda kök dizinde bir AGENTS.md dosyası bulundurun:

# Repository Guidelines for Retail Platform Team
1. NEVER use JavaScript `Number` or Float types for currency calculations. Always use `BigNumber` or `Decimal`.
2. All product image queries MUST fall back to WebP format if AVIF is unavailable.
3. PCI-DSS Rule: Never log raw credit card payloads or CVVs in stdout or application logs.
4. Order State Transitions: Orders must follow the forward path
   `PAYMENT_AUTHORIZED -> INVENTORY_ALLOCATED -> FULFILLMENT_IN_PROGRESS -> SHIPPED`.
   NEVER skip `INVENTORY_ALLOCATED` in the forward flow.
   Cancellation is a separate, valid exception path and MAY be triggered from any
   pre-`SHIPPED` state (including `FULFILLMENT_IN_PROGRESS`) for legitimate reasons such as damaged stock, fulfillment failure, or fraud flags — route these through the dedicated `CANCELLED` state, not by silently reversing or skipping forward states.

10. Kontrolsüz Döngülerden Kaçının

Mağaza güncellemelerini tespit etmek için kod tabanını sürekli tarayan otonom arka plan ajanları, sınırlandırılmadıkları takdirde token bütçenizi hızla tüketebilir.

• Yönetici ajanları (supervisor agents), veritabanı durumlarını veya mağaza durum uç noktalarını sürekli sorgulama (polling) yapacak şekilde yapılandırmayın.
• Olay güdümlü tetiklemeler (event-driven wakeups) kullanın (örn. bir ajanı yalnızca bir catalog_updated olayı tetiklendiğinde GitHub Actions web kancası aracılığıyla çalıştırın). Kesin iterasyon sınırları belirleyin (örn. maksimum 3 yeniden deneme döngüsü).

11. Her Yeni Konu için Yeni Oturum Başlatın

Ana sayfadaki hero banner’ın tasarımı için kullandığınız sohbet penceresini, arka uçtaki envanter kilitleme sorunlarını analiz etmek veya hata ayıklamak için kullanmayın. Her görev için ayrı bir sohbet bağlamı oluşturun.

• 1. Oturum: Stripe ödeme web kancalarının modernleştirilmesi (Tamamlandığında sohbet kapanır.)
• 2. Oturum: (Yeni Sohbet) Ürün kategorisi navigasyonu için Elasticsearch sorgularının optimize edilmesi

Hızlı Referans Matrisi: Perakende Yazılım Mühendisliği Kalıpları

Perakende Yapay Zeka Mühendisliğinizi Kartaca ile Dönüştürün

Yapay zeka odaklı yazılım geliştirmeye geçişi yönetmek; yalın, öngörülebilir ve ölçeklenebilir mühendislik uygulamalarını gerektirir. Perakende sistemleri giderek daha karmaşık hâle geldikçe, token kullanımını optimize etmek stratejik bir avantaj hâline gelir. Böylece geri bildirim döngüleri hızlanır, yapay zeka maliyetleri kontrol altında tutulur ve kritik e-ticaret altyapınız en yoğun alışveriş dönemlerinde dahi yüksek performansını korur.

Kartaca olarak, kurumsal perakende ve e-ticaret liderlerinin en gelişmiş yapay zeka yetenekleri ile gerçek dünyadaki yazılım mühendisliği arasındaki boşluğu kapatmalarına yardımcı oluyoruz. Eski nesil perakende platformlarınızı modernize etmekten Google Cloud ortamınızı optimize etmeye ve geliştirme ekiplerinizi token verimliliği yüksek yapay zeka iş akışları oluşturmaları için güçlendirmeye kadar, Kartaca bu dönüşümü güvenle hayata geçirmeniz için gereken sektör uzmanlığını ve uygulamalı mühendislik desteğini sağlar.

Kartaca Ekiplerinizi Nasıl Güçlendirir?

• Yapay Zeka ve Bulut Mimarisi Optimizasyonu: Maksimum veri işleme kapasitesi ve minimum operasyonel maliyet için yapay zeka ajanı iş akışlarını, bağlam pencerelerini ve Google Cloud altyapısını tasarlıyor ve kuruyoruz.
• Modern Perakende Mühendisliği: Kurumsal ölçeğe yönelik tasarlanmış, yüksek eş zamanlılığa sahip mikroservisler, gerçek zamanlı stok senkronizasyon motorları ve esnek headless e-ticaret sistemleri inşa ediyoruz.
• DevOps ve Platform Güvenlik Önlemleri: Yapay zeka asistanlarının güvenlik ve kodlama standartlarınıza kesin olarak uymasını sağlamak için güçlü CI/CD hatları, otomatikleştirilmiş erken aşama testleri ve kod deposu düzeyinde yönergeler uyguluyoruz.

Perakende yazılım geliştirme süreçlerinizi hızlandırmaya ve yapay zeka maliyetlerinizi optimize etmeye hazır mısınız? Bir yapay zeka ve bulut mimarisi değerlendirmesi planlamak ve daha akıllı, token verimli bir mühendislik kültürü inşa etmeye başlamak için bizimle iletişime geçin.