Giriş
“Prompt Mühendisliği Rehberi” yazımızda tek bir promptu nasıl daha etkili yazacağımızı konuşmuştuk. Ancak 2026’da, özellikle AI ajanlarıyla (bu sitenin kendisi gibi) çalışırken karşımıza çok daha büyük bir disiplin çıkıyor: Context Engineering (Bağlam Mühendisliği). Bu yazıda, bu kavramın ne olduğunu, prompt mühendisliğinden farkını ve production ortamında AI ajanlarının neden başarısız olduğunu inceliyoruz.
Prompt Mühendisliği ile Context Engineering Arasındaki Fark
En basit tanımıyla:
- Prompt Mühendisliği şu soruyu sorar: “Modele ne söylüyoruz?”
- Context Engineering şu soruyu sorar: “Model, çıkarım anında tam olarak neyi görüyor, ne zaman ve hangi formatta?”
Anthropic’in tanımıyla context engineering, “LLM çıkarımı sırasında token’ları (bilgiyi) optimum şekilde küratörlemek ve sürdürmek için kullanılan stratejiler bütünü” olarak tarif ediliyor — sistem promptu, araç tanımları, geçmiş konuşmalar, hafıza ve alınan (retrieved) belgeler dahil.
Kısacası: Prompt mühendisliği bir cümleyle ilgiliyken, context engineering o cümleyi üreten tüm boru hattıyla (pipeline) ilgileniyor.
Neden Şimdi Bu Kadar Önemli?
Üretimdeki (production) AI ajanlarının başarısız olmasının en büyük sebebi, zayıf bir model değil — kötü bağlamdır. Bir ajan ne yaptığını unutuyorsa, var olmayan bir fonksiyonu “hayal ediyorsa” veya üç adım önce verdiği bir kararla çelişiyorsa, bu neredeyse her zaman bir zeka sorunu değil, bir bağlam sorunudur.
Milyonlarca token’lık bağlam pencereleri sorunu çözmüyor mu? Hayır. Modellerin dikkat kapasitesi sınırlıdır; pencereye ne kadar çok bilgi tıkıştırılırsa, kesinlik o kadar düşer. Buna sektörde “context rot” (bağlam çürümesi) deniyor ve bu durum, en gelişmiş uzun-bağlamlı modellerde bile gözlemleniyor.
🧩 Dört Temel Strateji
Üretim ortamındaki AI ajan sistemleri genellikle şu dört stratejiyi birleştirir:
1. Yazma (Write)
Bilgiyi bağlam penceresinin dışına, harici bir depoya (bir “not defteri”/scratchpad dosyası, görev listesi veya veritabanı) kaydedin. Pencere sadece bir işaretçi veya özet tutar; tüm detay dışarıda yaşar. Bu, ajanların saatler süren görevlerde penceresi dolmadan hayatta kalmasını sağlıyor.
2. Seçme (Select)
Tüm bilgiyi baştan yüklemek yerine, her adım için doğru bağlamı dinamik olarak çekin (retrieval-augmented generation / RAG). Beceri, “50 parçadan en alakalı 5’ini” seçmektir — aşırı çekim (over-retrieval), yetersiz çekim kadar bağlam karmaşasına yol açar.
3. Sıkıştırma (Compress)
Geçmiş belirli bir eşiği aştığında, onu özetleyin. Claude Code’u kullandıysanız, bağlam penceresinin %95’ini aştığınızda devreye giren “auto-compact” özelliğini görmüşsünüzdür — bu tam olarak bu stratejinin canlı bir örneği.
4. Yalıtma (Isolate)
Her alt görevi, ayrı bir ajan sürecinde kendi temiz bağlam penceresiyle çalıştırın. Bir “denetleyici” (supervisor) ajan işi böler ve odaklanmış alt görevleri işçi ajanlara devreder — işçiler birbirinin “gürültüsünü” görmez, denetleyici sadece sonuçları görür.
⚠️ En Sık Yapılan Hatalar
- Tüm dokümanı yapıştırmak: Bir PDF’in veya kod tabanının tamamını pencereye dökmek, garantili bir “bağlam karmaşası” yaratır. Bunun yerine parçalayın, indeksleyin, ilgili kısmı çekin.
- Ham araç çıktısını olduğu gibi geri vermek: 5.000 satırlık bir log veya devasa bir JSON blob’u, modelin akıl yürütmesini boğar.
- Çok fazla araç sunmak: Bir insan mühendis bile “bu durumda hangi aracı kullanmalıyım” diye tereddüt ediyorsa, bir AI ajanının bunu daha iyi yapmasını bekleyemezsiniz.
- Bayat hafıza: Asla süresi dolmayan bir hafıza, güncel durumla çelişmeye başlar.
📍 “Ortada Kaybolma” Etkisi
2023’teki ünlü “Lost in the Middle” (Liu vd.) araştırması hâlâ alanın temel referansı: Model performansı, ilgili bilginin bağlamın başında veya sonunda olduğunda en yüksek, ortasında kaldığında ise ciddi oranda düşüyor — bu, açıkça uzun bağlam için tasarlanmış modellerde bile geçerli. Bunu “Prompt Mühendisliği Rehberi” yazımızda da “U-şekilli dikkat eğrisi” olarak ele almıştık — context engineering bu ilkeyi ajan mimarisinin tamamına yayıyor.
Sonuç
Prompt mühendisliği hâlâ önemli ama artık daha büyük bir disiplinin sadece bir bileşeni. 2026’da gerçek beceri, tek bir mükemmel cümle yazmak değil — bir ajanın her adımda doğru bilgiyi, doğru sırada, doğru miktarda görmesini sağlayan sistemi tasarlamak. Bu sitenin arka planında çalışan Hermes ajanı da tam olarak bu prensiplerle işliyor: görev listeleri (yazma), arama araçları (seçme) ve odaklı alt görevler (yalıtma) kullanarak.
Ahmet Aksoy
