ConAI Compass Sayı 28

Bu bülteni okuyan her yeni kişi, yapay zekâyı daha sağlıklı tartışan bir iş dünyasına küçük bir katkı demek.

Eğer siz de faydalı bulduysanız, aşağıdaki linki çevrenizle paylaşabilirsiniz.

ALET İŞLER, EL ÖVÜNÜR
Claude Code ve Higgsfield ile İçerik Üretim Akışı Kurma Rehberi

Bu sayıda tek bir konuya odaklanıyoruz: Claude Code’u bir “operatör”, Higgsfield’ı ise bir “üretim motoru” gibi kullanarak prompt’tan görsel içerik üretmek.

Normalde bir görsel fikrini test etmek için farklı model arayüzlerini açar, prompt’u tek tek girer, çıktıları indirir, isimlendirir ve karşılaştırmaya çalışırsınız. Bu süreç hem dağınık ilerler hem de hangi modelin hangi tür görselde daha iyi sonuç verdiğini takip etmeyi zorlaştırır.

Bu rehberde kuracağımız yapı ise bunu daha sistemli hale getiriyor. Claude Code, Higgsfield CLI üzerinden sizin yerinize komutları çalıştırıyor; aynı prompt’u birden fazla görsel modelinde deniyor, sonuçları indiriyor, dosyaları model adına göre kaydediyor ve sonunda basit bir karşılaştırma dosyası oluşturuyor.

Bu yöntem özellikle şu kişiler için faydalı:

Kampanya görseli, sosyal medya postu, thumbnail veya ürün görseli üretmek isteyen pazarlama ekipleri
Aynı yaratıcı fikri birkaç farklı modelde hızlıca test etmek isteyen içerik üreticileri
Terminal üzerinden çalışan ama yaratıcı üretimi de aynı akışa bağlamak isteyen Claude Code kullanıcıları
“Hangi model hangi işte daha iyi?” sorusuna kendi çıktılarına bakarak cevap vermek isteyen AI power user’lar

Bu kurulumun sonunda elinizde küçük ama işe yarar bir üretim hattı olacak: Bir prompt vereceksiniz, Claude Code bunu Higgsfield üzerinden birkaç farklı modele gönderecek, çıktıları lokal bir klasöre indirecek ve karşılaştırmaya hazır hale getirecek.

Ne Kuruyoruz?

Bu rehberin sonunda şuna benzer bir yapı elde edeceksiniz:

Claude Code + Higgsfield CLI + birden fazla görsel modeli.

Yani Claude Code’a şöyle bir görev verebileceksiniz:

“Bu görsel fikrini altı farklı modelde üret, her çıktıyı model adıyla kaydet, sonra hangisinin newsletter hero görseli, hangisinin sosyal medya görseli için daha iyi olduğunu karşılaştır.”

Bu küçük fark, yaratıcı üretimde önemli bir zaman kazancı sağlar. Çünkü model seçimi artık tahmine değil, yan yana görülen çıktılara dayanır.

Başlamadan Önce Gerekenler

Bu akış için birkaç şeye ihtiyacınız var:

Claude Code
Higgsfield hesabı
Node / npm kurulu bir bilgisayar
Terminal
Test etmek istediğiniz bir görsel prompt’u

Higgsfield hesabının ücretli olması şart değil. İlk testler için ücretsiz hesap yeterli olabilir. Ancak düzenli görsel veya video üretmeye başladığınızda kredi ve plan tarafı önemli hale gelir.

1️⃣ Higgsfield CLI’ı Kurun

İlk adım Higgsfield CLI’ı bilgisayarınıza kurmak.

Bunun için terminalde yeni bir proje klasörü açın ve şu komutları çalıştırın:

npm install -g @higgsfield/cli
higgsfield auth login
npx skills add higgsfield-ai/skills

İkinci komut tarayıcıyı açar ve Higgsfield hesabınızla giriş yapmanızı ister. Giriş tamamlandığında terminal tarafında kimlik doğrulama da tamamlanmış olur.

Üçüncü komutta sistem size hangi ajanla çalışmak istediğinizi sorabilir. Burada Claude Code’u seçin. İlk denemede kurulumu proje seviyesinde yapmak daha temiz olur; böylece deneyi global çalışma ortamınıza yaymadan sadece ilgili klasörde test edebilirsiniz.

Kurulum sırasında bir hata alırsanız Claude Code’dan yardım isteyebilirsiniz. Örneğin şöyle yazabilirsiniz:

Check whether Node and npm are installed correctly.
Then run higgsfield --help and explain any terminal errors.
Do not generate anything yet.

Bu noktada Claude Code’un faydası ortaya çıkmaya başlar. Sadece komut çalıştırmakla kalmaz, terminal hatalarını okuyup neyin eksik olduğunu da açıklayabilir.

2️⃣ Claude Code’a Higgsfield’ı İncelettirin

Kurulum tamamlandıktan sonra Claude Code’u aynı klasörde açın.

Bu aşamada hemen görsel üretmeye başlamayın. Önce Claude Code’un Higgsfield CLI’ı doğru gördüğünden, komut desenini anladığından ve hangi modelleri kullanabileceğini listeleyebildiğinden emin olun.

Şu prompt’u kullanabilirsiniz:

Look at https://higgsfield.ai/cli and inspect the local Higgsfield CLI.
Confirm the install worked, show me the command pattern, and list the available image models.
Do not generate anything yet.

Burada amaç, kredi harcamadan önce sistemin gerçekten hazır olduğunu kontrol etmek. Claude Code, Higgsfield komutlarını incelemeli, mevcut model listesini çıkarmalı ve hangi model ID’lerinin kullanılabileceğini göstermeli.

Eğer Claude Code video modellerini de listelemeye başlarsa talimatı daraltın:

Use image models only for this test.
Do not include video models.

Bu küçük netleştirme önemli. Çünkü ilk testte amacımız video değil, aynı görsel fikrini farklı image modellerinde karşılaştırmak.

3️⃣ Tek Prompt’u Altı Modelde Çalıştırın

Şimdi gerçek üretime geçebiliriz.

Bir görsel fikrini alın ve Claude Code’dan bunu Higgsfield CLI ile birkaç farklı modelde üretmesini isteyin. Örnek prompt şöyle olabilir:

Use the Higgsfield CLI to generate this prompt with six different image models:

"A retro 1970s travel photo of Mount Fuji at sunrise, soft film grain, warm colors, vintage postcard composition."

Create a `higgsfield-model-test` folder.
Save each output with the model name.
Create `comparison.md` with the model, command, output file, and quick notes.
Use image models only.
Download the final image files locally when each generation finishes.

Buradaki en kritik satır sonuncusu:

“Download the final image files locally when each generation finishes.”

Çünkü bazı modeller ilk aşamada size yalnızca hosted image link’i döndürebilir. Bu durumda Claude Code’a çıktıları lokal klasöre indirmesini özellikle söylemek gerekir. Aksi halde üretim yapılmış olur ama dosyalar düzenli bir şekilde elinizde toplanmaz.

Bu adım tamamlandığında proje klasörünüzde şuna benzer bir yapı oluşmalı:

higgsfield-model-test/
  1_OpenAI_GPTImage2.png
  2_HiggsField_Soul.png
  3_Microsoft_Azure.png
  4_StabilityAI_FLUX2.png
  5_Kling_OmniImage.png
  6_NanoBanana_Pro.png
  comparison.md

Bu klasör, küçük bir model karşılaştırma laboratuvarı gibi çalışır.

4️⃣ Çıktıları Sadece Beğeniye Göre Değil, Kullanım Amacına Göre Değerlendirin

Görsel üretimde en sık yapılan hata, “en güzel görünen” çıktıyı otomatik olarak en iyi çıktı sanmaktır.

Oysa bir görsel sosyal medya postu için iyi olabilir ama newsletter hero görseli için zayıf kalabilir. Bir model renkleri iyi verebilir ama kompozisyonu bozabilir. Bir diğeri daha gerçekçi sonuç verir ama markaya uygun atmosferi yakalayamayabilir.

Bu yüzden Claude Code’dan görselleri kullanım amacına göre değerlendirmesini isteyin:

Review the images in `higgsfield-model-test`.

Update `comparison.md` with:
- the strongest image overall
- the best image for social
- the best image for a newsletter hero
- what each model did well
- what prompt change we should try next

Bu aşamada Claude Code artık yalnızca üretim yapan bir araç değil, aynı zamanda çıktı yöneticisi gibi davranır. Görselleri klasörden okur, karşılaştırma dosyasını günceller ve hangi modelin hangi amaç için daha uygun olduğunu not eder.

5️⃣ Kazananı Seçin ve İkinci Tur Üretim Yapın

İlk altı çıktı genellikle son iş değil, yön bulma turudur.

Örneğin bir model renkleri çok iyi vermiştir ama kadraj zayıftır. Başka bir model kompozisyonu iyi kurmuştur ama fazla yapay görünüyordur. Bu durumda Claude Code’dan bu gözlemleri birleştirerek daha sıkı bir ikinci prompt yazmasını isteyebilirsiniz.

Örnek:

Use the notes in comparison.md.
Create a tighter second prompt that combines the best color direction from the strongest model and the best composition from the newsletter hero candidate.
Run it on the top 3 models only.
Save outputs in a new folder called `higgsfield-finalists`.

Bu yaklaşım hem maliyet kontrolü sağlar hem de yaratıcı süreci daha mantıklı ilerletir. İlk turda geniş denersiniz, ikinci turda finalistlerle ilerlersiniz.

6️⃣ Bu Akışı İçerik Üretim Sistemine Dönüştürün

Bu kurulumun asıl değeri tek seferlik görsel üretmek değil. Asıl değer, aynı akışı farklı içerik ihtiyaçları için tekrar kullanabilmek.

Örneğin şu tür üretim sistemleri kurabilirsiniz:

Newsletter hero görselleri
LinkedIn post görselleri
Kampanya konseptleri
Ürün lansman görselleri
YouTube thumbnail fikirleri
Blog kapak görselleri
Kreatif reklam varyasyonları

Her seferinde sıfırdan düşünmek yerine Claude Code’a aynı yapıyı kullandırabilirsiniz:

Use our Higgsfield comparison workflow.
Generate 6 visual directions for this campaign idea.
Save outputs by model name.
Create comparison.md and recommend the best 2 directions.

Bu noktada Claude Code operatör, Higgsfield üretim motoru, terminal ise üretim masası gibi çalışır.

7️⃣ Maliyet Kontrolü İçin Model Stratejisi Kurun

Birden fazla modelle çalışmanın avantajı büyük ama maliyet tarafını düşünmek gerekir. Her fikri en pahalı modelde denemek yerine şu akış daha mantıklı olur: Önce daha uygun maliyetli modellerle yön test edin. Sonra en iyi prompt’u daha kaliteli modellere gönderin. En sonda ise yalnızca finalist görselleri yüksek kalitede üretin.

Bu yaklaşım özellikle pazarlama ekipleri için faydalı. Çünkü çoğu kreatif üretimde ilk ihtiyaç “mükemmel görsel” değil, doğru yönü hızlı bulmaktır.

8️⃣ Video Üretimine de Genişletilebilir

Bu rehberde görsel üretime odaklandık ama Higgsfield yalnızca image modelleriyle sınırlı değil. Aynı mantık kısa video denemeleri için de kullanılabilir.

Örneğin bir kampanya fikrini önce görsel olarak test edip, en iyi yönü seçtikten sonra şöyle ilerleyebilirsiniz:

Use the winning image direction from `higgsfield-finalists`.
Create 3 short video prompt variations for a 6-second social ad.
Use Higgsfield video generation models only.
Save outputs in `video-tests`.
Create a short comparison file.

Böylece prompt’tan görsele, görselden videoya uzanan küçük bir içerik pipeline’ı kurmuş olursunuz.

Dikkat Edilmesi Gerekenler

Bu akış pratik ama birkaç noktaya dikkat etmek gerekir.

Öncelikle, Claude Code’un her komutu doğru yorumladığını varsaymayın. İlk çalıştırmalarda “do not generate yet”, “use image models only”, “download locally” gibi sınırları net yazmak iyi olur.

İkinci olarak, model isimleri ve kullanılabilir modeller zaman içinde değişebilir. Bu yüzden her yeni projede Claude Code’a önce model listesini kontrol ettirmek mantıklı.

Üçüncü olarak, görsel kalitesini yalnızca estetikle değerlendirmeyin. Kullanım yeri, marka tonu, kadraj, metin alanı, renk dengesi ve gerçekçilik ayrı ayrı düşünülmeli.

Son olarak, bu sistemi ekip içinde kullanacaksanız klasör ve dosya isimlendirme standardı belirleyin. Aksi halde birkaç hafta sonra üretilen görselleri takip etmek zorlaşır.

Örnek Tam Akış

Tüm süreci tek bir prompt zincirine indirgemek isterseniz şöyle ilerleyebilirsiniz:

We are creating visual concepts for a newsletter issue about AI agents.

First, inspect the Higgsfield CLI and list available image models.
Use image models only.

Then generate this prompt with six different image models:
"cinematic editorial image of an AI agent coordinating multiple digital tools, dark background, subtle blue and orange highlights, premium tech magazine style"

Create a folder called `newsletter-agent-visual-test`.
Save each output with the model name.
Download all image files locally.
Create `comparison.md` with:
- model used
- command used
- output filename
- quick visual notes
- best image for newsletter hero
- best image for LinkedIn
- suggested next prompt improvement

Bu prompt, tek başına küçük bir yaratıcı üretim süreci başlatır.

Özetle

Claude Code ve Higgsfield birlikte kullanıldığında, prompt yazıp çıktı beklediğiniz basit bir görsel üretim deneyiminden daha fazlası ortaya çıkıyor. Burada kurduğunuz şey küçük bir üretim sistemi:

Claude Code işi organize ediyor.
Higgsfield farklı modellerde üretim yapıyor.
Çıktılar lokal klasöre iniyor.
Karşılaştırma dosyası oluşuyor.
Siz de hangi görsel yönün gerçekten işe yaradığını daha hızlı görüyorsunuz.

Bu yöntem, özellikle düzenli içerik üreten ekipler için önemli bir alışkanlık kazandırır: Tek modelin ilk çıktısına razı olmak yerine, aynı fikri birkaç farklı modelde test edip daha bilinçli seçim yapmak.

Ve yaratıcı üretimde çoğu zaman farkı yaratan şey tam olarak budur.

BİTERKEN
Yapay Zekâ ile Akıllı Büyüme Yolunda

Bu hafta da ConAI Compass’ın sonuna geldik. Yapay zekânın kurumlara, profesyonellere ve sürdürülebilirlik hedeflerine nasıl somut değer kattığını birlikte inceledik.

ConAIs olarak, teknolojiyi sadece bir araç değil, stratejik büyümenin ve dönüşümün katalizörü olarak görüyoruz. Eğer kurumunuzda yapay zekâyı yapılandırmak, iş süreçlerinize entegre etmek veya sürdürülebilirlik hedeflerinizle uyumlu hale getirmek istiyorsanız, aşağıdaki alanlarda size destek olabiliriz:

🔹 AI Stratejisi ve Dönüşüm Danışmanlığı – İş birimlerine özel yapay zekâ yol haritaları, veri altyapısı planlaması ve pilot uygulama tasarımı.

🔹 AI Uygulamaları ve Otomasyon Geliştirme – Üretken yapay zekâ destekli iç süreç otomasyonları, müşteri etkileşim sistemleri ve karar destek araçları.

🔹 Sürdürülebilirlik ve AI Çözümleri – Scope 3 veri takibi, enerji verimliliği analitiği ve karbon azaltım stratejilerini destekleyen yapay zekâ modelleri.

🔹 Eğitim ve Kapasite Geliştirme – Kurum içi ekiplerin yapay zekâyı etkin kullanması için atölye, uygulamalı eğitim ve yöneticiye özel oryantasyon programları.

ConAIs ile tanışın; birlikte daha akıllı, daha sürdürülebilir ve daha verimli bir gelecek inşa edelim.