Bu topluluk yapay zeka agent'larını gerçekten kullanan insanlar için. Prompt mühendisliği değil. Agent mühendisliği. 30 gündür OpenClaw (çıktığı gün) üzerinde production'da AI agent çalıştırıyorum. 25+ custom skill, 30 cron job, hafıza sistemi, akıllı ev entegrasyonu, otomatik haber takibi, borsa analizi. ⁠Burada paylaşacaklarım: ⁠- Gerçek skill dosyaları (GitHub'dan, açık kaynak) ⁠- Setup rehberleri (Türkçe, adım adım) ⁠- Hatalardan çıkardığım dersler ⁠- Production'da ne çalışıyor ne çalışmıyor ⁠Soru sor, kurulum paylaş, skill at. Herkes öğretmen, herkes öğrenci.

NVIDIA NIM platformunda şu an onlarca AI modeli tamamen bedava kullanılabiliyor. Limit yok, kredi kartı yok, sadece ücretsiz developer hesabı açıyorsun. Öne çıkanlar: 🔹 Kimi K2.5 (Moonshot AI) — 15 trilyon token ile eğitilmiş multimodal model. Kod yazıyor, görsel anlıyor, agent olarak çalışıyor. OpenAI API uyumlu. 🔹 GLM-5 744B (Zhipu AI) — MoE mimarisi, reasoning ve uzun vadeli agent task'larda güçlü. 🔹 Llama 3.1 / 3.3 (Meta) — Açık kaynak klasiği, 8B'den 405B'ye kadar seçenek. 🔹 Mistral, Nemotron, DeepSeek ve daha onlarcası. Nasıl kullanılır: 1.⁠ ⁠build.nvidia.com'a git 2.⁠ ⁠Ücretsiz hesap aç 3.⁠ ⁠API key al (Generate Key) Eski: ⁠ https://integrate.api.nvidia.com/v1 ⁠ Yeni: ⁠ build.nvidia.com/explore ⁠ Herhangi bir OpenAI client library'si ile direkt çalışıyor. Python, JS, curl, ne istersen. Ben Kimi K2.5'i OpenClaw'da cron job'larım ve monitoring task'larım için kullanıyorum. Bedava olması maliyet açısından ciddi fark yaratıyor. Deneyenler varsa yorumlarda paylaşsın 👇

Nvidia <> Kimi iletisi çok ilgi çekti diye yazma gereği hissettim. Openrouter API'den :free model diye çekebiliyorsunuz şu anda 26 tane model var ben bunları yazarken. Kullanışlı bazıları ⁠ upstage/solar-pro-3:free ⁠ ⁠ nvidia/nemotron-3-nano-30b-a3b:free ⁠ ⁠ qwen/qwen3-coder:free ⁠ ⁠ openai/gpt-oss-120b:free ⁠ ⁠ deepseek/deepseek-r1-0528:free ⁠ ⁠ mistralai/mistral-small-3.1-24b-instruct:free ⁠ ⁠ google/gemma-3-27b-it:free ⁠ ⁠ meta-llama/llama-3.3-70b-instruct:free ⁠ Benim mini oyun planım: 1) Aynı promptu 3 modelde dene 2) Kalite + hız + stabiliteyi not al 3) En iyisini akışa bağla 4) Pencere kapanırsa fallback modele geç Bazen de gerçekten çok iyi modelleri bedava yapıyorlar kısa süreliğine ben de bu postta her hafta yeni açılanları paylaşacağım (açılırsa bu hafta yok mesela).

Bugün Meta Ray-Ban gözlüklerimi kendi AI agent'ıma bağladım. Gözlükle bakıp "bu ne?" diyorum, Gemini görüntüyü analiz edip sesli cevap veriyor. Gerçek zamanlı. Forma üzerindeki imzaların kime ait olduğunu bile anladı eğlenceli deney oldu. Repoyu ekliyorum. Nasıl çalışıyor: 🔹 Gözlük kamerası ~1fps görüntü + mikrofon sesi yakalıyor 🔹 iOS app Gemini Live API'ye WebSocket üzerinden gönderiyor 🔹 Gemini görüntüyü analiz edip sesli cevap veriyor 🔹 Opsiyonel: OpenClaw bağlarsan 56+ araç kullanabilir (mesaj at, web ara, akıllı ev kontrol, not al) Gözlük olmadan da çalışıyor: iPhone kamerasını kullanarak aynı pipeline'ı test edebilirsin. Ne lazım: 🔹 Meta Ray-Ban gözlük (veya sadece iPhone) 🔹 Gemini API key (bir çok google accountuyla bedava, aistudio.google.com) 🔹 Xcode (iOS build için) 🔹 Opsiyonel: OpenClaw (agentic tool calling için) Kurulum 30 dakika, hepsi açık kaynak. github.com/sseanliu/VisionClaw

Google Research'ten çıkan bir paper, LLM kullanırken belki de en kolay performans artırma yöntemini bulmuş: aynı prompt'u iki kere yapıştır. Evet, bu kadar. Copy-paste. 🔬 Ne bulmuşlar: Gemini, GPT-4o, Claude ve DeepSeek dahil 7 büyük modeli 7 farklı benchmark'ta test etmişler. Sonuç: prompt'u iki kere tekrarlamak 70 testin 47'sinde istatistiksel olarak anlamlı iyileşme sağlamış. Sıfır kayıp. En çarpıcı örnek: Gemini Flash-Lite bir isim arama görevinde %21'den %97'ye çıkmış. Sadece aynı prompt'u iki kere vererek. 🧠 Neden çalışıyor: LLM'ler metni soldan sağa işliyor (autoregressive). İlk geçişte bazı token'lar henüz full context'i göremeden işleniyor. Prompt tekrarlandığında her token'a bütün bağlamı ikinci kez görme şansı doğuyor. Reasoning model'lerin RL eğitiminde zaten buna benzer tekrar pattern'leri öğrendiği gözlemlenmiş. 💡 Pratik detaylar: 🔹 Output uzunluğu artmıyor 🔹 Latency artmıyor 🔹 Fine-tuning gerekmiyor 🔹 Chain-of-thought, few-shot gibi tekniklerle birlikte de kullanılabilir 🔹 Drop-in replacement: mevcut sisteme direkt eklenebilir ⚠️ Counter-point: Paul Calcraft'ın itirazı var: etkinin büyük kısmı aslında "soruyu prompt'un sonuna değil başına koymak"tan geliyor olabilir. En büyük kazanım gösteren testlerde question-first baseline raporlanmamış. Yani belki tekrar değil, soru pozisyonu asıl fark yaratan. Paper'ı okurken bunu da akılda tutun. Biz ne yapıyoruz: Mahmut'un memory search hook'unda query'yi iki formatta gönderiyoruz zaten (orijinal + reformulated). Benzer mantık. Bu paper'dan sonra diğer pipeline'lara da ekleyebiliriz. Paper: arxiv.org/abs/2512.14982 Counter-point: x.com/paul_cal/status/2024074433384616065 Deneyen var mı? Prompt'unuzu iki kere yapıştırıp fark gördünüz mü?