yokla
Teknik Mülakat Simülasyon PlatformuKıdem × alan × uzmanlık seçilerek girilen, puanlanan ve benchmark'lanan teknik mülakat simülasyonu.
Kıdem × alan × uzmanlık seç, puanlı MCQ mülakatına gir, sonucunu herkese karşı yüzdelik dilimde gör — gelişim takibi, pratik modu ve opsiyonel AI koçluk raporuyla. 25.000+ soru AI ile üretilip çok katmanlı, bağımsız bir doğrulama hattından geçirildi; ürünün kendisi runtime'da LLM'e bağımlı değil (MCQ + deterministik puanlama, $0 runtime maliyet). Mimari, backend, frontend, veri modeli ve deployment'ı uçtan uca tasarlayıp geliştirdim.
- Go 1.25 / Echo v5
- raw pgx (no ORM)
- PostgreSQL 18
- Nuxt 4 SSR / Vue 3
- Pinia
- Tailwind v4
- Voyage AI embeddings
- Gemini Flash-Lite
- Claude Haiku
- Docker Swarm
- GitHub Actions CI
- nginx + Cloudflare
- Prometheus + Grafana
- AI içerik üretimi + bağımsız doğrulama: paralel üretim fork'ları → programatik taramalar (dil, "en uzun şık" tell'i, topic uyumu) → bağımsız denetçi + adjudikasyon. Üretim/doğrulama ucuz modelde, sadece adjudikasyon güçlü modelde → ~4-5× maliyet düşüşü.
- "Postgres-first, ölç-sonra-ekle": pgvector ve Redis ölçüm sonucu reddedildi (kosinüs taraması Go'da saniyeler içinde, gecikme RTT-bound). Gereksiz production riski alınmadı.
- Bir veri, üç kullanım: Voyage AI ile üretilen embedding'ler → dedup + mülakat-içi çeşitlilik guard'ı (filtresiz %1.7 → filtreli 0/300) + topic denetimi.
- JD → mülakat: ilan eşleştirmede embedding çöktü (.NET → devops), provider-agnostik tasarım sayesinde tek adaptör değişimiyle Gemini Flash-Lite sınıflandırmasına geçildi (~$0.00024/ilan); taksonomi DB'den okunuyor → yeni alan = sıfır kod.
- Opsiyonel AI koçluk raporu (Claude Haiku): (kullanıcı, dil) bazlı cache, her gerçek çağrı token + maliyet kaydeder → ~$0.002/rapor; anahtar yoksa özellik sessizce kapanır.
- Yapım aşamasında: doğrulanabilir yokla skoru — paylaşılabilir, üçüncü tarafça teyit edilebilir sonuç belgesi.