Yapay zekâ destekli yazılım geliştirme süreçlerinde, AI tarafından yazılan kodları izlemek artık bir gereklilik. Bu blogda, GitHub Actions ile // AI-Generated etiketi içeren commit’leri otomatik olarak tespit eden ve ayrı loglayan bir sistemi nasıl kuracağınızı anlatıyoruz.

Yapay zekâ destekli kod üretim araçları, yazılım geliştirme süreçlerine büyük bir hız ve kolaylık kazandırıyor. Ancak AI ile yazılan kodların kontrolü, kalite güvencesi ve izlenebilirliği de bir o kadar önem kazanmış durumda.
Peki, “AI katkılı kodları nasıl ayırt ederim?”, “Takım arkadaşım bu kodu mı yazdı, yoksa AI mı önerdi?” gibi soruların cevabını otomatik hale getirmek mümkün mü?

Evet, mümkün. Ve bu blogda size GitHub Actions ile bu otomasyonu nasıl kurabileceğinizi adım adım anlatıyoruz.

 Hedefimiz Ne?

• // AI-Generated etiketi içeren kodları otomatik olarak tespit etmek
• Bunları merkezi bir log dosyasında toplamak
• Her commit’te bu log dosyasını oluşturmak ve arşivlemek
• Takım genelinde AI katkılı kodlara dair şeffaflık sağlamak

 Neden Gerekli?

Yapay zekâ araçlarıyla yazılan kodlar genellikle:

• Daha hızlı yazılır ama daha az test edilir
• Projenin stil ve mimarisine uymayabilir
• Güvenlik veya performans açığı barındırabilir

Bu nedenle // AI-Generated gibi bir etiketi sistematik biçimde kontrol etmek; kod incelemesi, güvenlik taraması veya otomatik test öncesi filtreleme açısından büyük avantaj sağlar.

 GitHub Actions ile Otomatik Tespit Sistemi

Yapacağımız şey şu:

• Her push işlemiyle birlikte GitHub Actions devreye girecek
• Değişen dosyalar içinde // AI-Generated etiketi aranacak
• Etiketi içeren dosyalar ve satırlar bir .txt log dosyasına yazılacak
• Bu log dosyası artefakt (çıktı) olarak arşivlenecek

📁 Workflow Dosyası: .github/workflows/ai-tag-logger.yml

yaml

KopyalaDüzenle

name: Log AI-Generated Commits on:  push:    branches:      - main      - dev jobs:  detect-ai-tags:    runs-on: ubuntu-latest    name: Log AI-Generated Files    steps:      - name: Checkout code        uses: actions/checkout@v4      - name: Set up Git        run: git fetch --unshallow || true      - name: Get changed files        id: changed        run: |          git diff --name-only ${{ github.event.before }} ${{ github.sha }} > changed_files.txt          cat changed_files.txt      - name: Search for AI tags        id: ai_check        run: |          echo "AI TAGGED FILES:" > ai_tagged_log.txt          while read file; do            if [[ -f "$file" ]]; then              if grep -q "// AI-Generated" "$file"; then                echo "$file" >> ai_tagged_log.txt                echo "--- $file ---" >> ai_tagged_log.txt                grep "// AI-Generated" "$file" >> ai_tagged_log.txt                echo "" >> ai_tagged_log.txt              fi            fi          done < changed_files.txt      - name: Upload AI log as artifact        uses: actions/upload-artifact@v4        with:          name: ai-generated-log          path: ai_tagged_log.txt 

 Oluşan Log Örneği

arduino

KopyalaDüzenle

AI TAGGED FILES: src/components/Button.tsx --- src/components/Button.tsx ---  // AI-Generated pages/home.py --- pages/home.py ---  // AI-Generated 

 RenameSoft Ekibi Bu Sistemi Nasıl Kullanıyor?

• Her AI katkılı kod, pre-commit hook ile etiketi alıyor
• GitHub Actions logları ile merkezi izleme sağlanıyor
• QA (test) ekibi log dosyası üzerinden kodları önceliklendiriyor
• Haftalık olarak “AI katkı oranı” raporlanıyor

 Kazanımlar

• Kodun kökeni belli oluyor
• AI tarafından yazılmış kodlar kolayca ayırt ediliyor
• Güvenlik ve kalite süreçleri hızlanıyor
• Takım içi şeffaflık artıyor
• Geliştirici farkındalığı yükseliyor

 Geliştirme Önerileri

• Slack/Discord entegrasyonu ile AI logları doğrudan bildirim olarak gönderilebilir
• Belirli dosya ya da klasörlerde AI etiketi varsa build durdurulabilir
• Etiketli dosyalar için ek test setleri koşulabilir
• AI katkısı % belirli seviyeyi geçerse yöneticilere uyarı gönderilebilir

 Sonuç

Yapay zekâ destekli kod üretimi hız kazandırırken, kontrolsüz kullanım riski de beraberinde getiriyor.
Bu yüzden sistematik bir takip yapısı, özellikle büyük takımlar ve uzun soluklu projeler için kritik hâle geliyor.
GitHub Actions + AI etiketi tespiti ile bu kontrolü otomatikleştirebilir, güvenli ve şeffaf bir kod geliştirme süreci kurabilirsiniz.