Bu proje in memory veri yapısı kullanan basit bir RESTful API servisidir.

Projeyi lokalinizde veya Docker üzerinden kolayca çalıştırabilirsiniz.

```bash
# 1. Projeyi klonlayın.
git clone https://github.com/melihgurlek/MangoLabAI-Case-Study.git

# 2. Dependencyleri yükleyin
npm install

# 3. Geliştirme modunda başlatın
npm run dev

# Veya doğrudan production modunda başlatın
npm start

Sunucu varsayılan olarak http://localhost:3000 adresinde çalışacaktır.

# İmajı oluşturun
docker build -t task-management-api .

# Containeri başlatın
docker run -p 3000:3000 task-management-api

Projede ekstra kütüphane dependency yaratmamak için assert modülü ile unit testleri yazılmıştır.

npm test

Vaka çalışmasında benden istenen gereksinimlere istinaden projeyi şekillendirirken aşağıdaki konulara odaklandım:

• MVP Yaklaşımı: "In-memory" bir veritabanı istenmesine rağmen, tüm kodu tek bir server.js dosyasına yığmaktan kaçındım. Projeyi modüler ve teste uygun hale getirmek için Controller, Model ve Route katmanlarına ayırdım.
• Bağımsızlık (Decoupling): Express uygulamasının konfigürasyonu (app.js) ile uygulamanın portu dinlediği ana dosyayı (server.js) birbirinden ayırdım. Bu yaklaşım network katmanı olmadan kodun test edilebilmesini sağladı.

• Birim Test (Unit Test) Kararı: Vaka çalışmasında ekstra (opsiyonel) olarak küçük bir test yazılması istenmişti. Basit bir in-memory API için Jest veya Supertest gibi ağır dependencyler eklemek yerine, Node.js'in kendi assert modülünü kullanarak zero-dependency ve hafif bir test yazmaya karar verdim.
• Hata Yönetimi ve Geliştirici Deneyimi (DX): server.js içerisinde en sık karşılaşılan port çakışması hatalarını (EADDRINUSE) yakalayan bir listener ekledim.
• Docker Optimizasyonu: Dockerfile içerisinde node:20-alpine kullanarak hafif bir imaj elde ettim. İmaj boyutunu küçük ve güvenli tutmak için npm ci --omit=dev komutuyla sadece production dependencylerinin kurulmasını sağladım.
• Model Validasyonu: İsteğe bağlı olsa da, API'ye hatalı veri girilmesini önlemek için Controller katmanında gelen title değişkenini denetleme mekanizmaları ekledim.

Geliştirme sürecini hızlandırmak ve best-practice'leri doğrulamak için yapay zeka araçlarını şu noktalarda kullandım:

• Uygulamanın temel klasör düzeni ve katmanların (MVC) sorumluluk sınırlarını doğrulamak için bir yardımcı olarak.
• Boilerplate konfigürasyon dosyalarının (örneğin .dockerignore kuralları ve standart Express sunucu ayağa kaldırma blokları) hızlıca oluşturulması için.