10 — Üç Katmanlı Doğrulama Kapısı

Birim testler bileşen sınırlarına mimari olarak kördür. Yalnız uçtan uca test sistem düzeyi kusurların yokluğunu kanıtlar — ve ajanın davranışını değiştirir.

Electron file-export davası

Gerçek bir vaka. Electron tabanlı bir not uygulamasına “kullanıcı notlarını dışa aktar” özelliği eklendi. Birim testlerin tümü yeşildi. Üretimde beş ayrı kusur çıktı:

1. Renderer ile preload arasında dosya yolu formatı uyumsuz (Windows ile POSIX karışmış).
2. IPC üzerinden progress bar tetiklenmiyor — kullanıcı otuz saniye boyunca uygulamanın donduğunu sanıyor.
3. Büyük dışa aktarımlarda bellek sızıntısı.
4. Paketlenmiş ortam izinleri geliştirme ortamından farklı.
5. İstisnalar katmanlar arası yayılmıyor; sessiz başarısızlık.

Birim testler beş kusurun beşini de yakalamadı: 0/5. Uçtan uca test ekledikten sonra hepsi onbeş saniyede çıktı: 5/5.

Sebep mimaridir: birim test izolasyon için tasarlanır. İzolasyon, kusurların yaşadığı bileşen sınırlarını mock’larla siler. Sınırı silen bir araç sınır hatalarını yakalayamaz.

Ders 09’da kullandığımız koro metaforu burada da geçerli — solo provalar kusursuzdur; ama tempo, nefes ve akustik ancak topluluk söylerken duyulur.

Tez

Yalnız uçtan uca test, sistem düzeyi kusurların olmadığını kanıtlayabilir. Üstüne, uçtan uca test ajanın davranışını da değiştirir.

Doğrulayıcı, üretici tarafından okunan bir sözleşmedir. Ajan farklı doğrulamaya bakarak farklı kod yazar.

Test yeterlilik gradiyenti

Birim testin mimari körlüğü

Birim test üç şeyi göremez:

• Bileşen sınırını: çünkü sınırı mock’lar.
• Süreç sınırını: ana-renderer, IPC, child process; hepsi mock arkasında.
• Paketleme sınırını: kod imzalama, sandbox, OS izinleri test koşumunda yok.

Anthropic’in eval kılavuzu bu farkı şöyle ifade eder: bir uçuş rezervasyon ajanı “uçuşunuz alındı” diyebilir, ama outcome veritabanında rezervasyon olup olmadığıdır (Anthropic, “Demystifying Evals”). Birim test transcript’i okur; e2e dünyanın gerçek durumunu sorgular.

Test Yeterliliği Gradiyenti

Birim test'in yakaladığı kusurlar  ⊆
  Entegrasyon test'in yakaladığı kusurlar  ⊆
    Uçtan uca test'in yakaladığı kusurlar

Her seviye bir öncekini içerir. Düzenek Mühendisliği (Harness Engineering) seviyesinde sonuç: e2e en pahalısıdır, ama atlandığında görünmeyen kusurlar üretir. Görünmeyen kusurlar şikayet olarak değil, “neden yine bozuldu” telefonlarıyla geri döner.

SWE-bench Verified bu fikrin endüstri ölçeğindeki halidir: beş yüz mühendis onaylı gerçek GitHub issue’su, her biri gerçek test paketiyle doğrulanır. Ajan yamasını uygular, repo’nun kendi test suite’i koşar, geçtiyse kusur giderilmiş sayılır (SWE-bench). Burada da doğrulama yöntemi mühendisin kendi kullandığı yöntemdir, yapay bir refleks değil.

Mimari sınırları test edilebilir kılmak

Test öncesi bir adım vardır: mimari sınırlar yazılı olmalı. Aksi halde düzenek hangi sınırı doğrulayacağını bilemez.

Örnek katmanlı domain mimarisi:

Types  →  Config  →  Repo  →  Service  →  Runtime  →  UI

Soldan sağa tek yönlü bağımlılık. UI Types’a dokunabilir; Types UI’a asla. Bu bir “kural” değil; lint ile uygulanan bir kanıttır.

# src/renderer'ın doğrudan fs erişimi yasak
if grep -rn "require('fs')" src/renderer/; then
  echo "VIOLATION: renderer'da doğrudan fs erişimi"
  exit 1
fi
echo "OK: renderer dosya erişimi yok"

Bu küçük script bir doküman cümlesini otomatik uygulanan bir kontrole çevirir. Doküman cümlesi nazikçe ihmal edilir; lint nazik değildir.

Doğrulama Hiyerarşisi

AGENTS.md veya docs/testing-standards.md’nin tepesinde duran blok:

## Validation Hierarchy
- Seviye 1: Lint + tip kontrolü      (geçmek zorunda)
- Seviye 2: Birim testler            (geçmek zorunda)
- Seviye 3: Entegrasyon testleri     (geçmek zorunda)
- Seviye 4: Uçtan uca testler        (bileşenler-arası
                                       değişikliklerde
                                       geçmek zorunda)
- Herhangi bir zorunlu seviyenin atlanması = NOT COMPLETE

Doğrulama scripti bu hiyerarşiyi sırayla koşar; bir seviye düşerse sonrakine geçilmez. Ajan “%80 testler geçti” diyemez — yazılı eşik geçmek veya geçmemektir.

Pratik

Mimari kısıtı lint kuralına dönüştürmek

#!/usr/bin/env bash
set -euo pipefail

echo "→ Katman bağımlılık denetimi"

# Types asla aşağı bakmaz
if grep -rn "from '\.\./service" src/types/; then
  echo "VIOLATION: types -> service ters bağımlılık"; exit 1
fi

# Repo doğrudan UI bilmemeli
if grep -rn "from '\.\./ui" src/repo/; then
  echo "VIOLATION: repo -> ui ters bağımlılık"; exit 1
fi

echo "OK: katman sınırları korunuyor"

Custom lint kuralı, ajanın PR’ı yeşillendirmek için uymak zorunda olduğu bir kapıdır. Doküman bir öneridir; lint bir engeldir.

ERROR / WHY / FIX hata mesajı

E2E test başarısızlığı ajan tarafından okunabilir olmalı:

ERROR: e2e/test_export.spec.ts:42 başarısız
WHY:   renderer'da doğrudan fs.readFileSync çağrısı —
       IPC olmadan paketlenmiş ortamda izin reddediliyor.
FIX:   Dosya işlemini src/preload/file-ops.ts'e taşı ve
       window.api.readFile() üzerinden çağır.
       Referans: docs/architecture.md "İzole renderer".

OpenHands’in deterministik doğrulayıcı tanımı buraya tam oturur: iyi bir skill değerlendirmesi sınırlı görev, deterministik doğrulayıcı ve skill-yok temel çizgisi ister (OpenHands, “Evaluating Agent Skills”). ERROR/WHY/FIX bloku bu üçlünün hata tarafıdır.

Eval harness primitifleri

Inspect AI üç primitif üzerinde durur: solver (üretici stratejisi), scorer (çıktıyı puanlayan), sandbox (Docker/Kubernetes ile izole koşum) (Inspect AI). Düzeneğin e2e katmanı, scorer + sandbox’ın yerel karşılığıdır: izole bir ortam, deterministik bir puanlayıcı, sürüm-arası karşılaştırılabilir bir skor.

OpenAI’ın eval-skills yazısı bu süreci trace → check → skor olarak özetler: prompt, yakalanan koşum, küçük bir kontrol kümesi, zaman içinde karşılaştırılabilir bir puan; minimum on-yirmi prompt ve en az bir “tetiklenmemeli” negatif kontrol (OpenAI Developers, “Eval Skills”). Düzeneğin e2e suite’i bu tarifin proje-ölçeği halidir.

Review Feedback Promotion

İnsanın PR’ı incelerken yazdığı her tekrar eden yorum, gelecekteki bir e2e testin tohumudur. Aynı yorumu üç kez yazmışsan, dördüncüde otomatikleştir:

İnsan yorumu  →  şablonlaşmış kural  →  lint script veya e2e test

Her döngü sonunda düzenek bir adım daha sağlam, insan bir adım daha az aynı şeyi yazar.

Davranışı değiştiren ikinci etki

Birim testlere bakan ajan farklı kod yazar; e2e testlere bakan ajan daha bütünlüklü kod yazar. Çünkü doğrulama biçimi neyin “kabul edilebilir” olduğunu yeniden tanımlar.

Anthropic’in trajectory vs outcome ayrımı burada bir kez daha çalışır: ajan transcript’i süslemekten vazgeçtiğinde, çünkü süslü transcript skor üretmiyor — outcome üretiyor. Düzenek Mühendisliği (Harness Engineering) içinde e2e suite varsa, ajan onu okuyup ona göre yazar. Suite yoksa ajan mock’larla yetinir ve “bitti” der.

Sayılarla

Aynı Electron projesi, aynı sekiz görev:

Test seviyesi	Yakalanan kusur	Toplam süre
Yalnız birim	0 / 5	2 sn
Birim + entegrasyon	1 / 5	8 sn
Birim + entegrasyon + e2e	5 / 5	15 sn

On üç saniyelik fark, üretim hatalarının tamamını açıklar.

Karşılaştırma için: SWE-bench Verified beş yüz görev üzerinde aynı prensibi koşar — her görevde repo’nun kendi test paketi doğrulayıcıdır. Doğrulama yöntemi mühendisin kullandığı yönteme ne kadar yakınsa, skor o kadar anlamlıdır.

Pratik kontrol listesi

• docs/architecture.md mimari sınırları yazılı.
• En az bir mimari sınır custom lint kuralıyla uygulanıyor.
• AGENTS.md içinde Validation Hierarchy bloku var; atlama = NOT COMPLETE.
• make check lint → unit → integration → e2e sırasıyla koşar; bir kapı düşerse durur.
• E2E test başarısızlıkları ERROR / WHY / FIX formatında.
• E2E suite izole bir sandbox’ta koşar (Docker veya eşdeğeri).
• Tekrar eden review yorumları yeni e2e testlere veya lint kurallarına terfi ediliyor.
• CI yalnız make check çağırır; ajan da yalnız make check çağırır.

Müfredat içindeki yeri

Ders 09 doğrulamayı dışsallaştırmıştı; bu ders en üst katmanı somutlaştırdı. Birim testin mimari körlüğü, mimari sınırın lint kuralına çevrilmesi, doğrulama hiyerarşisinin atlanmazlığı ve doğrulayıcının ajan davranışını şekillendirmesi — hepsi e2e’yi bir yatırım değil, bir sözleşme yaptı. Ders 11 — Düzeneğin Gözleri bir adım geri çekilir: test geçtiğinde “neden geçti”, geçmediğinde “neden geçmedi” sorusunu runtime ve süreç katmanlarıyla cevaplar.

Pratik karşılığı: Proje 05 — Yapan ve Denetleyen.