---
title: "NeuralHats: Yerel LLM'ler ve Gemma 4 ile Altı Düşünceli Şapka Metodu"
url: https://blog.edumints.com/neuralhats-yerel-llmler-ve-gemma-4-ile-alti-dusunceli-sapka-jwecfagu
category: "LLM"
date: 2026-05-31T09:06:52.073Z
publisher: Edumints Blog
lang: tr-TR
source_name: "dev.to"
source_url: https://dev.to/georgekobaidze/neuralhats-i-put-edward-de-bonos-six-thinking-hats-on-local-llms-using-gemma-4-54mj
---

# NeuralHats: Yerel LLM'ler ve Gemma 4 ile Altı Düşünceli Şapka Metodu

## Ne İnşa Ettim
Karar verme süreçlerinde tıkanıp kalan geliştiriciler için Edward de Bono’nun ünlü *Altı Düşünmeli Şapka* yöntemini tamamen yerel çalışan yapay zeka ajanlarıyla hayata geçiren **NeuralHats** uygulamasını tasarladım.
- **Yedi Ajanlı Sistem**: Altı farklı düşünce yapısını temsil eden şapka ajanları ve bir sentez raporu yazan kolaylaştırıcı ajan, yerel bilgisayarınızda bir araya gelerek tartışır.
- Geliştiriciler bu yapay zeka paneline canlı katılarak kendi perspektiflerini de ekleyebilirler.

## Demo
Projenin gerçek zamanlı çalışma prensibini ve tarayıcı üzerindeki zengin tartışma arayüzünü incelemek için orijinal makalede yer alan video rehberi izleyebilirsiniz.

## Kod ve Mimari
Sistem; FastAPI, React, Vite ve SQLite ile çalışan tamamen yerel ve sunucusuz bir yapıya sahiptir. Yazılım geliştirme ve öğrenme açısından çıkarımlarımız şunlardır:
- **Tek Model, Çoklu Rol (Modelfile)**: Bellekte yedi farklı model çalıştırmak yerine, Ollama'nın Modelfile yapısıyla tek bir Gemma 4 modeli üzerinde farklı sıcaklık (temperature) ve sistem prompt'ları tanımlanarak kaynak tasarrufu yapılmıştır. Öğrenme çıkarımı: Ajan tabanlı sistemlerde bellek optimizasyonu için Modelfile şablonları kritik bir araçtır.
- **YZ Çıktısı ile Kontrol Akışı**: Mavi Şapka'nın çıktı sonuna eklediği `CONTINUE` veya `STOP` token'ı, FastAPI tarafında tartışma döngüsünü durdurmak veya devam ettirmek için doğrudan kontrol akış kodu (Control Flow) olarak ayrıştırılır. Pratik çıkarım: LLM çıktılarını yapılandırılmış token'larla sınırlandırarak deterministik iş akışları oluşturabilirsiniz.
- **SSE ile Gerçek Zamanlı Akış**: Kullanıcı deneyimini canlı tutmak amacıyla Server-Sent Events (SSE) kullanılarak her şapkanın yanıtı üretildiği anda ekrana yansıtılır.
- **Yapılandırılmış Konuşma Geçmişi**: Modellerin birbirini tekrarlamaması için konuşma geçmişi düz bir metin bloğu yerine, her şapkaya özel kurallar ve hedefler içeren yapılandırılmış bir veri şemasıyla beslenmiştir.

## Gemma 4'ü Nasıl Kullandım
Bir tartışma döngüsünde 31 adede kadar hızlı çıkarım yapılması gerektiği için yerel model seçimi hayati önem taşıyordu.
- **E4B Tercihi**: 2B modeli karakteri korumakta başarısız olurken, 26B modeli donanımı çok fazla zorlamaktaydı. E4B (4B) modeli, 16 GB VRAM'e sahip sistemlerde 3-8 saniye yanıt süresiyle karakter rollerini mükemmel şekilde sürdürmüştür. Pratik çıkarım: Projelerinizde en büyük modeli seçmek yerine hız ve doğruluk dengesini sunan en verimli modeli belirlemelisiniz.

## Özet
NeuralHats, doğru bir yazılım mimarisi ve esnek yönlendirme teknikleriyle yerel donanımlarda çalışan küçük dil modellerinin bile ne kadar yetenekli olabileceğini göstermektedir. Geliştiriciler için asıl ders; pahalı ve gizlilik riski barındıran bulut API'lerine bağımlı kalmadan, kendi sistemlerimizde güçlü karar destek mekanizmaları kurabileceğimizdir.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://dev.to/georgekobaidze/neuralhats-i-put-edward-de-bonos-six-thinking-hats-on-local-llms-using-gemma-4-54mj)

---

**Kaynak:** [dev.to](https://dev.to/georgekobaidze/neuralhats-i-put-edward-de-bonos-six-thinking-hats-on-local-llms-using-gemma-4-54mj)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/neuralhats-yerel-llmler-ve-gemma-4-ile-alti-dusunceli-sapka-jwecfagu