Context Engineering: Prompt Mühendisliğinin Sonraki Evresi

Anthropic'in mühendislik blogundaki Effective context engineering for AI agents yazısı, sektörde sessizce yaşanan bir paradigma değişimini isimlendiriyor: artık esas mesele bir prompt'u iyileştirmek değil, ajanın gördüğü bağlamın tamamını stratejik tasarlamak.

Yazıdaki anahtar soru şu: "What configuration of context is most likely to generate our model's desired behavior?" Tek seferlik görevden çok-adımlı, uzun-soluklu ajan operasyonlarına geçişin doğal sonucu bu.

Prompt engineering öldü mü? Hayır, evrildi.

Birkaç yıl öncesinin gözde becerisi "prompt yazma" idi. Tek bir komutu doğru kelimelerle kurabilirsen istediğin çıktıyı alırdın. Bu hâlâ değerli, ama yetersiz.

Çünkü modern ajan sadece bir prompt'a değil, çok katmanlı bir bağlama bakıyor:

• Sistem prompt'u ve talimatlar
• Tool tanımları
• MCP entegrasyonları
• Dış veri ve retrieval kaynakları
• Mesaj geçmişi ve konuşma threadleri
• Hafıza dosyaları ve not artifact'leri

Bunların hepsi token harcıyor, hepsi modelin dikkatini etkiliyor. Context engineering, bu çoklu girdi setini bir bütün olarak tasarlama disiplini.

Context rot: dikkat sonsuz değil

Yazının altını çizdiği teknik gerçek: model context penceresine token sayısı arttıkça, modelin o bağlamdan doğru bilgi çekme yeteneği düşüyor. Bu mimari bir kısıt — transformer modelleri tüm token'lar arasında n² ilişki kuruyor; bağlam uzadıkça odak kalitesi düşüyor.

Yani "context penceresi 1 milyon token oldu" haberi, "bir milyon token'ı doldurun" anlamına gelmiyor. Tam tersine: ne kadar doldurursanız, odak o kadar dağılıyor.

Anthropic'in temel ilkesi bu noktada netleşiyor: "the smallest set of high-signal tokens that maximize the likelihood of some desired outcome." Mümkün olan en küçük, en yüksek-sinyal token kümesini bulmak.

Dört temel strateji

1. Just-in-time retrieval (ihtiyaç anında çekme)

Tüm potansiyel bilgiyi başta yüklemek yerine, ajan hafif tanımlayıcılar (dosya yolu, URL, sorgu) tutar; ihtiyaç anında veriyi çeker.

Bu yaklaşımın insan bilişine benzemesi tesadüf değil. Beyniniz de tüm hayatınızı bilinçte taşımıyor; bağlama göre hatırlıyor.

E-ticaret tarafında karşılığı: ajana "tüm ürün katalogunu" başta yüklemek yerine, "ürün adı→SKU eşlemesini" bir indeks olarak ver, ihtiyaç anında detay çek.

2. Compaction (özetleme/sıkıştırma)

Uzun-soluklu görevlerde context sınırına yaklaşıldığında, ajan kendi geçmişini özetler. Önemli kararlar ve çözülmemiş sorunlar korunur, tekrarlayan çıktılar atılır.

Claude Code'un yaptığı bu — kendi mesaj geçmişini periyodik olarak sıkıştırıyor.

3. Yapılandırılmış not tutma

Ajan kendi belleği için dış dosyalar kullanıyor: to-do listesi, NOTES.md gibi. Bu dosyalar tek context penceresinin ötesinde kalıcı.

Yazıdaki ilginç örnek: Pokémon oynayan Claude, binlerce oyun adımında "precise tallies" tutuyor — özetleme döngülerine rağmen tutarlılığını koruyor.

E-ticarette doğal uygulama: AI agent günlük operasyon notlarını markdown'a yazsın — "bugün şu pazaryerinde şu ürünün stoku tükendi, ertelendi" gibi. Yarınki çalışmasında bu notları okusun.

4. Sub-agent mimarisi

Spesifik alt görevler temiz context'li sub-agent'lara delege edilir; sub-agent sadece özetlenmiş bulgusunu (genelde 1.000-2.000 token) ana ajana döner.

Bu, bir önceki yazıda konuştuğumuz orchestrator-worker mimarisinin context açısından okunuşu. Detaylı keşif ile yüksek-seviye sentez ayrı bağlamlarda yapılır.

Sistem prompt'u: "Goldilocks zone"

Sistem prompt'u tasarımında klasik iki hata:

• Aşırı sert kuralcılık: Her edge case'i kodlamaya çalışmak. Sonuç: kırılgan, esnek olmayan davranış.
• Aşırı muğlak rehberlik: "Yardımcı ol" gibi belirsiz talimatlar. Sonuç: model neyi nasıl yapacağını bilemiyor.

Aralarındaki "altın orta" — Anthropic'in deyimiyle Goldilocks zone — şöyle bulunuyor: minimal başla, gözlemlenen başarısızlıklara göre netleştir. XML etiketleri veya Markdown başlıklarla bölümlere ayır.

Tool tasarımı: context'in bir parçası

Bir önceki yazıda detaylı işlediğimiz tool tasarımı, context engineering'in alt başlığı aslında. Anthropic'in burada vurguladığı üç ilke:

• Tool'lar kendine yeter olmalı; fonksiyon örtüşmesi minimum.
• Çıktıları token-verimli olmalı.
• Amaçları net olmalı — mühendisler hangi tool'u kullanacağını anlayamıyorsa, model de anlayamaz.

Hibrit yaklaşım: en iyi ajan en pragmatik olanı

Yazının pratik tavsiyesi sloganlardan kaçınıyor. En iyi ajanlar saf bir stratejide değil, karma yaklaşımda:

• Bazı verileri başta yükle (hız için)
• Bazı verileri ihtiyaç anında çek (verimlilik için)
• Belli noktalarda özetle (uzun-soluklu görevler için)
• Karmaşık alt-görevleri sub-agent'a aktar (paralelizasyon için)

Claude Code'un örneği güzel: CLAUDE.md dosyalarını başta yükler (büyük resim), grep/glob ile ihtiyaç anında dosya okur (detay).

Shobi açısından sonuç

E-ticaret AI agent'ları için context engineering somut pratiklere dönüşüyor:

1. Pazaryeri verisini önceden yükleme. Ajana "tüm Trendyol sipariş geçmişi" değil, "sorgu yapabilecek bir tool + son 7 günün özet metrikleri" ver.

2. Yapılandırılmış not dosyaları kullan. Ajan günlük rapor üretirken MEMORY.md benzeri bir dosyaya gözlemleri kaydetsin; ertesi gün başlangıç bağlamı oradan gelsin.

3. Sub-agent ayrımı yap. "Fiyat analizi" sub-agent'ı detay verileri kendi context'inde tutsun, ana ajana sadece "X ürün Y₺'ye düşürülmeli" gibi 1-2 cümlelik öneri dönsün.

4. Tool çıktılarının token-bütçesini ölç. Her tool çağrısının yanıtı kaç token? Hangileri 5K+ döndürüyor? Bunları pagination/filtre/sıkıştırma ile küçült.

5. System prompt'u versiyonla. Kullanıcı şikâyetlerine göre tek seferde değil, küçük artımlarla iyileştir; her artımı versiyonla, A/B test et.

Geniş resim

Yazının altını çizdiği şey daha büyük: AI ürün geliştirmek bir mühendislik disiplinine dönüşüyor. "İyi prompt" deha meselesi gibi pazarlanıyordu; context engineering bunu sistematik, ölçülebilir, iteratif bir mühendislik pratiğine taşıyor.

KOBİ tarafında bu, "AI'yi başaranlar" ile "AI'yi başaramayanlar" arasındaki farkı tanımlayacak yeni eksenlerden biri olacak. Prompt yazabilen herkes var; context'i mühendisleyebilen ekip az.

---

Kaynak: Effective context engineering for AI agents — Anthropic