Başkalarının Claude Code Skill'lerini Kopyalamak Neden İşe Yaramaz
Claude Code konfigürasyonlarını kopyalamak context window şişmesine, araç seçim kalitesinin düşmesine ve uyumsuz iş akışlarına yol açar. Token bütçesi hesapları ve kademeli iyileştirme yaklaşımıyla desteklenen, bilinçli yapay zeka aracı konfigürasyonu rehberi.
Özet
Claude Code ekosistemi artık 500'den fazla topluluk skill'i, 1.200'den fazla agent skill'i ve düzinelerce MCP sunucu dizini barındırıyor. Birinin "awesome" kurulumunu klonlama dürtüsü güçlü. Ancak konfigürasyonları kopyalamak üç birleşik soruna yol açar. Birincisi, gerçek koda yer bırakmayan context window şişmesi. İkincisi, modelin doğru aracı seçme yeteneğini düşüren araç kalabalığı. Üçüncüsü, kod tabanınla uyuşmayan iş akışları. Bu yazıda token matematiğini, araştırma verilerini ve bilinçli konfigürasyon oluşturmak için pratik bir çerçeve sunuyorum.
Sorun: Kopyala-Yapıştır Konfigürasyon
Claude Code her oturumda birkaç kaynaktan konfigürasyon yükler. Bunlar arasında system prompt, araç tanımları, MCP sunucu şemaları, CLAUDE.md dosyaları, skill'ler ve bellek dosyaları yer alır. Her kaynak, paylaşılan bir context window'dan token tüketir. Matematik basit ama sıklıkla göz ardı ediliyor.
Token Bütçesi: Minimal ve Şişirilmiş Karşılaştırması
İşte /context komutunun iki gerçek kurulum için gösterdiği sonuçlar:
Minimal kurulum (2 MCP sunucu, odaklı CLAUDE.md):
Şişirilmiş kurulum (8+ MCP sunucu, kopyalanmış konfigürasyon):
Şişirilmiş kurulum overhead'e 91K token kaybediyor. Bu, konuşma başlamadan önce tüketilen context window'un neredeyse yarısı demek. O 91K token; kod tabanın, hata logların veya dokümantasyonun olabilirdi.
Token Ekonomisi Tablosu
%6 efektif kapasitede, modelin tek bir dosyayı ve sorunu tutacak kadar bile yeri kalmıyor.
Fark Nerede: Sessiz Bozulma
Geleneksel araç konfigürasyonunda yanlış ayarlar görünür hatalara neden olur. AI konfigürasyonu sorunları ise sessizdir:
- Model çökmez. Daha kötü yanıtlar verir.
- Fazla bağlam exception fırlatmaz. Çıktı kalitesini gizlice düşürür.
- Yanlış skill'ler hata vermez. Makul görünen ama yanlış öneriler üretir.
- Çok fazla araç hata döndürmez. Model daha sık yanlış aracı seçer.
Bu temel zorluk budur. Debug edecek bir stack trace yok. Yalnızca Claude'un önerilerinin daha az kesin, araç seçimlerinin daha az isabetli ve yanıtlarının daha genel olduğunu fark edersin. Çoğu geliştirici bunu "modelin kötü günü" olarak yorumlar. Kendi konfigürasyonlarına bakmaz.
Araç Seçim Bozulması: Araştırma Verileri
Araç sayısı ile doğruluk arasındaki ilişki iyi belgelenmiş durumda. İşte araştırmaların gösterdiği.
TaskBench (NeurIPS 2024)
TaskBench benchmark'ı, değişen karmaşıklıktaki araç grafikleri genelinde LLM doğruluğunu ölçtü:
- Tek araç: %96,16 doğruluk
- 6 araç: %39,31 doğruluk
- 8 araç: %25,00 doğruluk
Not: TaskBench izole araç seçimini değil, araç grafik doğruluğunu (çok adımlı araç zincirlerini) ölçer. Bu, bozulmayı daha da anlamlı kılar. Karmaşıklık katlanarak artar.
Anthropic'in MCP Değerlendirmeleri
Anthropic'in Opus 4 ile yaptığı MCP araç benchmark'ları benzer bir desen gösteriyor:
- 50+ araç (Tool Search olmadan): %49 doğruluk
- 50+ araç (Tool Search ile): %74 doğruluk
Tool Search işleri iyileştirdi, ancak %26 hata oranı hâlâ ciddi. Azaltma etkinleştirilmiş olsa bile her dört araç seçiminden biri yanlış.
Tatlı Nokta
Sektör deneyimi ve benchmark'lar tutarlı bir şekilde 5-7 araca işaret ediyor. Bu aralık, tutarlı ve doğru araç seçimi sağlıyor. Bu sayının ötesinde her ek araç, modelin yanlış olanı seçme olasılığını artırır.
Tool Search: Güvenlik Ağı, Çözüm Değil
Anthropic, Claude Code 2.1.7 sürümüyle (Ocak 2026) MCP Tool Search'ü yayınladı. Araç tanımları context window'un %10'unu aştığında, Tool Search tüm tanımları önceden dahil etmek yerine araçları ihtiyaç anında yükler. Sonuçlar anlamlı:
- Token overhead %46,9-85 oranında azaldı
- Opus 4 doğruluğu MCP değerlendirmelerinde %49'dan %74'e çıktı
Ancak Tool Search bir azaltma önlemi; her şeyi kurmanın daveti değil:
- Model, eşleşme bulmak için araç açıklamalarını taramaya devam ediyor
- Her arama adımı token tüketir ve gecikme ekler
- Yanlış arama eşleşmeleri bir turu boşa harcar
- Model, doğru aracın hangi sunucuda olduğunu anlamak zorunda
Tool Search'ü çöp toplayıcı (garbage collector) gibi düşün. Bellek baskısını yönetmeye yardımcı olur, ancak GC var diye bellek sızdıran kod yazmamalısın.
Kademeli İyileştirme Yaklaşımı
Başkasının konfigürasyonuyla başlayıp budamak yerine, sıfırdan başla ve kanıtla ekle.
Aşama 1: Minimal Temel
Sıfır MCP sunucu ve minimal CLAUDE.md ile başla. Yalnızca şunları dahil et:
- Projen için build, test ve lint komutları
- Claude'un koddan çıkaramayacağı mimari kararlar
- Takımına özgü kodlama stili kuralları
- Dosya adlandırma kuralları
Anthropic, CLAUDE.md'yi 200 satırın altında tutmayı öneriyor, ideal olarak 100'ün altında. Her satır her oturumda okunuyor.
Aşama 2: Kanıtla Ekle
MCP sunucu yalnızca aynı dış sistemi Claude'a tekrar tekrar tarif ettiğini fark ettiğinde ekle. Tekrarlanan bu tarif sinyaldir. Trend olan bir awesome list değil.
3 sunucu kuralı faydalı bir başlangıç noktası:
- Versiyon kontrol için bir tane (GitHub/GitLab)
- Birincil veri kaynağın için bir tane (veritabanı, API, bulut sağlayıcı)
- Alan bazlı bir tane (proje yönetimi, dokümantasyon, monitoring)
Aşama 3: Özel Skill'ler Yaz
Skill'leri yalnızca benzer prompt'larla 5 defadan fazla yaptığın görevler için oluştur. Bir skill, senin iş akışını kodlamalı; başkasının değil.
Anti-pattern: Topluluk listesinden genel bir "code review" skill'i kopyalamak. Daha iyisi: Takımının gözden geçirme kontrol listesini, test gereksinimlerini ve mimari kalıplarını yansıtan bir skill yazmak.
Bir skill'in değeri özgüllüğündedir. Genel bir skill, Claude'un yerleşik yeteneklerinden fazla değer sunmaz.
Aşama 4: Düzenli Olarak Denetle
Overhead'i izlemek için /context ve /mcp kullan. Temel metrikler:
- Context overhead: MCP araçları + system prompt + bellek, toplam context'in yüzdesi olarak (hedef: %20'nin altında)
- Araç kullanım oranı: Kullanılan araçlar / kayıtlı araçlar (hedef: %60'ın üzerinde)
- Compaction sıklığı: Bir oturumda otomatik sıkıştırma ne sıklıkla tetikleniyor (az olan iyi)
Karar Çerçevesi
Ne Zaman MCP Sunucu Eklenmeli
Ne Zaman Skill Yazmalı, Ne Zaman Prompt Kullanmalı
Ne Zaman CLAUDE.md'ye Eklenmeli
Yaygın Tuzaklar
"Eninde Sonunda İhtiyacım Olacak"
Günlük kullanmadığın araçlar için MCP sunucu kurmak. 135 aracı olan bir Docker MCP sunucusu ~126K token tüketir. Bu, haftada iki kez kullandığın bir araç için standart 200K context window'un %63'ü demek. Artık 1M token pencereler mevcut olsa bile, 126K token overhead hâlâ gerçek işine harcanmayan 126K token.
Çözüm: MCP sunucularını global değil, ihtiyaç duyduğun oturumlarda etkinleştir. Açıp kapatmak için /mcp kullan.
"CLAUDE.md'm Her Şeyi Kapsıyor"
Olabilecek her senaryoyu kapsayan kapsamlı bir CLAUDE.md yazmak. Claude bunu her oturumda okur, ancak herhangi bir görev için yalnızca bir kısmı geçerlidir.
Çözüm: Alt dizinlerde kapsamlı CLAUDE.md dosyaları kullan. Kök CLAUDE.md'yi yalnızca evrensel kurallarla sınırla. Göreve özgü talimatları ayrı markdown dosyalarına veya skill'lere taşı.
"Trend Olan Kurulum En İyisi Olmalı"
Her parçanın neden var olduğunu anlamadan viral bir Claude Code konfigürasyonunu kopyalamak. Orijinal yazar onu haftalarca süren iterasyonla kendi özel ihtiyaçları için oluşturdu.
Çözüm: Eklemeden önce her skill'i ve konfigürasyonu oku. "Son bir hafta buna ihtiyaç duydun mu?" diye sor. Duymadıysan ekleme.
"Skill'ler Daha İyi Prompt'lardır"
Skill'leri iş akışı kodlayıcıları yerine prompt şablonları olarak görmek. İyi bir skill, senin araçların, senin kuralların ve senin kalite standartlarınla belirli ve tekrarlanabilir bir süreci yansıtır.
Çözüm: Skill'leri yalnızca 5+ kez yaptığın görevler için oluştur. Kendi gerçek iş akışına dayan, başkasının değil.
"Tool Search Her Şeyi Düzeltir"
Sınırsız MCP sunucuyu Tool Search'ün halleteceğine güvenmek. Tool Search bir azaltma önlemi, çözüm değil. Hâlâ arama turlarına mal olur ve yanlış araçlar döndürebilir.
Çözüm: Tool Search olsa bile 10'dan az MCP sunucu hedefle. Araç açıklamalarının kalitesi, miktarından daha önemli.
CLAUDE.md Kapsam Sorunu
CLAUDE.md dosyaları bir hiyerarşi izler:
~/.claude/CLAUDE.md(global) -- her projede yüklenir./CLAUDE.md(proje kökü) -- bu proje için yüklenir./packages/api/CLAUDE.md(alt dizin) -- burada çalışırken yüklenir
Birinin global CLAUDE.md'sini kopyalamak, sen Go mikroservisleri yazarken onların React bileşen kurallarının uygulanması demektir. "Her zaman pnpm kullan" talimatları projenin yarn workspace'iyle çelişir. "Testleri Vitest ile yaz" talimatları Jest kurulumunla uyuşmaz.
CLAUDE.md'ye ait olanlar:
- Bu proje için build/test/lint komutları
- Claude'un koddan çıkaramayacağı mimari kararlar
- Takımına özgü kodlama stili kuralları
- Dosya adlandırma kuralları
CLAUDE.md'ye ait olmayanlar:
- Genel programlama tavsiyeleri ("temiz kod yaz")
- Skill'lere ait araç talimatları
- Kullanmadığın stack'ler için kurallar
- Ayrıntılı açıklamalar. Claude kodu iyi okur.
Pratik Denetim Rehberi
Adım 1: Token Bütçeni Kontrol Et
Claude Code'da /context komutunu çalıştır. Dağılıma bak. MCP araçları context window'unun %15'inden fazlasını tüketiyorsa muhtemelen aşırı konfigüre edilmişsindir.
Adım 2: MCP Sunucularını Denetle
Sunucu başına araç sayılarını ve token maliyetlerini görmek için /mcp çalıştır. Son bir hafta içinde kullanmadığın sunucuları belirle. Devre dışı bırak.
Adım 3: CLAUDE.md'yi Gözden Geçir
CLAUDE.md dosyalarını (global ve proje düzeyi) oku. Her talimat için sor: "Claude'un yaptığım görevler için buna gerçekten ihtiyacı var mı?" Pratik değil de arzulanan her şeyi kaldır.
Adım 4: Skill'leri Değerlendir
.claude/skills/ dizinindeki skill'leri listele. Her biri için sor: "Bunu ben mi yazdım yoksa kopyaladım mı? Benim iş akışımı mı yansıtıyor yoksa başkasının mı?" Kopyalanmış skill'leri kendi sürecine dayanan özel olanlarla değiştir.
Adım 5: Bir Hedef Belirle
Toplam overhead için %20'nin altını hedefle. İlerlemeyi ölçmek için her değişiklikten sonra /context çalıştır.
Sonuç
En iyi Claude Code konfigürasyonu, kendin oluşturduğundur. Topluluk skill'leri, paylaşılan dotfile'lar ve awesome list'ler ilham için faydalıdır. Ancak toptan kopyalanmak için tasarlanmamışlardır. Her skill, CLAUDE.md talimatı ve MCP sunucu, sınırlı bir bütçeden token tüketir. Araştırma açık: daha fazla araç, daha kötü araç seçimi demek. Daha fazla context overhead, gerçek iş için daha az yer demek. Genel konfigürasyonlar, genel çıktılar üretir.
Sıfırdan başla. Kanıtla ekle. Düzenli olarak denetle. Konfigürasyonun awesome list'lerden değil, deneyimden büyümeli.
Kaynaklar
- Best Practices for Claude Code - Anthropic'in CLAUDE.md yapısı hakkındaki resmi rehberi, 200 satırın altı önerisi
- Context Windows - Claude API Docs - Context window mekanizması ve token bütçeleme hakkında resmi dokümantasyon
- Model Context Protocol and the "Too Many Tools" Problem - MCP araç kalabalığının LLM performansını nasıl düşürdüğünün analizi
- Having Multiple MCP Servers Running Eats into Context Window - Issue #3036 - 7 MCP sunucunun 67K+ token tükettiğini belgeleyen topluluk raporu
- Claude Code Just Cut MCP Context Bloat by 46.9% - Tool Search'ün token overhead'ini 51K'dan 8,5K'ya düşürmesinin analizi
- AI Tool Overload: Why More Tools Mean Worse Performance - Tutarlı doğruluk için 5-7 aracın pratik üst sınır olduğunu gösteren araştırma
- Your MCP Servers Are Eating Your Context - Sunucu başına token maliyetleri ve azaltma stratejilerinin pratik analizi
- Extend Claude with Skills - Claude Code Docs - SKILL.md formatı ve skill oluşturma hakkında resmi dokümantasyon
- Skill Authoring Best Practices - Claude API Docs - Anthropic'in etkili skill yazma rehberi
- TaskBench: Benchmarking Large Language Models for Task Automation (NeurIPS 2024) - Araç grafiği doğruluğunun %96'dan (1 araç) %25'e (8 araç) düştüğünü gösteren akademik araştırma
- Feature Request: Lazy Loading for MCP Servers - Issue #7336 - Tool Search özelliğine yol açan topluluk tartışması
- MCP Tool Search: How Claude Code Fixed Context Window Bloat - Tool Search iç yapısına teknik derinlemesine bakış
- MCP Tools Consume 50% of Context Tokens - Issue #13717 - MCP araçlarının 98,7K token tükettiğini bildiren kullanıcı raporu
- Optimising MCP Server Context Usage in Claude Code - MCP sunucu token tüketimini denetleme ve optimize etme anlatımı