Context Engineering Nedir? Yapay Zekâya Doğru Bilgi Nasıl Sunuluyor?

Context Engineering (Bağlam Mühendisliği), modelin çalışırken kullanacağı bilgilerin seçilmesi, düzenlenmesi ve yönetilmesidir. Prompt yazımını da kapsayan bu yaklaşım, sınırlı bağlam alanını görev için yararlı içerikle değerlendirmeyi amaçlar.

Context Engineering Nedir?

Context Engineering, bir dil modelinin belirli bir adımda hangi bilgilere erişmesi gerektiğini tasarlama sürecidir.

Bu bilgiler şunları içerebilir:

• Sistem talimatları: Modelin görevi ve davranış sınırları.

• Kullanıcı isteği: Tamamlanması beklenen iş.

• Sohbet geçmişi: Önceki açıklamalar ve kararlar.

• Getirilen belgeler: Arama veya RAG aracılığıyla bulunan içerikler.

• Bellek kayıtları: Görevle ilgili tercihler ve geçmiş bilgiler.

• Araç açıklamaları ve sonuçları: Kullanılabilecek işlevler ve elde edilen veriler.

Bir verinin sistemde saklanması, modelin onu otomatik olarak gördüğü anlamına gelmez. İlgili bilginin seçilip mevcut bağlama taşınması gerekir.

Context Engineering Nasıl Çalışır?

Bir kullanıcının “Son altı aylık satışları önceki dönemle karşılaştır ve rapor hazırla” dediğini düşünelim.

Örnek süreç şu şekilde ilerleyebilir:

1. İhtiyaç belirlenir: Tarih aralığı, karşılaştırma ölçütleri ve rapor biçimi netleştirilir.

2. Veriler bulunur: İlgili satış kayıtları ve gerekli proje bilgileri alınır.

3. İçerik ayıklanır: Tekrarlar, ilgisiz kayıtlar ve geçersiz bilgiler çıkarılır.

4. Bağlam hazırlanır: Talimatlar, veriler ve kaynak açıklamaları anlaşılır biçimde düzenlenir.

5. İşlem yürütülür: Model, hesaplama araçlarından ve sunulan bilgilerden yararlanır.

6. Bağlam güncellenir: Yeni sonuçlar eklenir; tamamlanan adımların gereksiz ayrıntıları azaltılır.

Bu, tek seferlik bir hazırlık değildir. Ajan görev boyunca yeni bilgiler elde ettikçe bağlamın yeniden düzenlenmesi gerekebilir.

Prompt Engineering ile Arasındaki Fark Nedir?

Prompt Engineering, modelin girdilerindeki talimatların, örneklerin ve ifade biçiminin tasarlanmasına odaklanır.

Context Engineering ise bunun yanında, hangi bilgilerin getirileceğini, geçmişten neyin korunacağını ve araç sonuçlarının nasıl sunulacağını da ele alır.

İki yaklaşımın sınırları tamamen keskin değildir. İyi bir prompt tasarımı da bağlam içerebilir. Context Engineering’in vurgusu, özellikle dinamik uygulamalarda girdinin tamamını ve zaman içindeki değişimini yönetmektir.

Daha Uzun Bağlam Her Zaman Daha İyi mi?

Büyük bir bağlam penceresi, modelin bütün bilgileri eşit başarıyla kullanacağını garanti etmez.

“Lost in the Middle” araştırması, incelenen modellerde ilgili bilginin uzun girdinin neresinde bulunduğunun performansı etkileyebildiğini göstermiştir. Bazı deneylerde başta veya sonda bulunan bilgiler, ortadaki bilgilerden daha iyi kullanılmıştır.

Bu sonuç, her modelde geçerli tek bir sıralama kuralı olduğu anlamına gelmez. “En önemli bilgiyi her zaman başa koy” gibi bir öneri yerine, yerleşimin kullanılan model ve görev üzerinde denenmesi gerekir.

Bağlam Nasıl Yönetilir?

Yaygın yaklaşımlar arasında şunlar bulunur:

• Seçme: Yalnızca görevle ilgili bilgileri getirmek.

• Özetleme: Uzun geçmişi temel kararları koruyarak kısaltmak.

• Harici kayıt tutma: Gerektiğinde yeniden getirilebilecek bilgileri bağlam dışında saklamak.

• Ayırma: Farklı görevlerin bilgilerini birbirine karıştırmamak.

• Gerektiğinde bilgi alma: Bütün belgeleri baştan yüklemek yerine ihtiyaç doğduğunda erişmek.

Özetleme sırasında önemli koşulların kaybolmaması, eski kayıtların güncel bilgi gibi kullanılmaması ve kaynaklara geri dönülebilmesi önemlidir.

RAG, Bellek ve Araçlar Nasıl Birlikte Kullanılır?

RAG, görevle ilgili bilgilerin kaynaklardan getirilmesine yardımcı olur. Bellek, önceki tercihler veya kararlar gibi kayıtların yeniden kullanılmasını sağlar. Araçlar ise güncel veri sorgulama, hesaplama veya dosya inceleme gibi işlemleri gerçekleştirir.

Context Engineering, bu bileşenlerden gelen bilgilerin modele nasıl sunulacağını düzenler. Her uygulamada RAG, GraphRAG ve uzun süreli belleğin birlikte bulunması zorunlu değildir.

Araç tasarımı da önemlidir. Bir aracın ne yaptığı açık değilse veya çıktısı gereksiz ayrıntılarla doluysa modelin işi zorlaşabilir. Anthropic’in araç geliştirme rehberi, açık tanımları ve görev için anlamlı çıktıları özellikle vurgular.

Hangi Faydaları Sağlayabilir?

İyi hazırlanmış bağlam, ilgili bilginin kullanılmasını kolaylaştırabilir ve gereksiz token tüketimini azaltabilir. Uzun görevlerde önceki kararların korunmasına da yardımcı olabilir.

Ancak doğru bağlam, doğru cevap garantisi değildir. Kaynakların hatalı olması, gerekli belgenin getirilememesi veya modelin bilgiyi yanlış yorumlaması sonucu etkileyebilir.

Bu nedenle değerlendirmede yalnızca bağlam uzunluğu değil; görev başarısı, kaynaklara uygunluk, eksik bilgi oranı, yanıt süresi ve maliyet birlikte izlenmelidir.

Güvenlik Açısından Nelere Dikkat Edilmeli?

Bağlama eklenen her içerik aynı güven düzeyinde değildir. Bir web sayfası, belge veya araç çıktısı yanıltıcı talimatlar içerebilir.

Harici kaynaklardan gelen metinler, sistem talimatlarıyla aynı yetkiye sahip kabul edilmemelidir. OWASP, dış içeriklerin model davranışını saptırmasını dolaylı prompt injection riski kapsamında açıklar. Bu nedenle kaynak seçimi kadar erişim izinleri ve veriyle talimatın ayrılması da önemlidir.

Context Engineering’in değeri, modele mümkün olan en fazla bilgiyi vermesinde değil, görevi tamamlamak için gerekli bilgiyi kullanılabilir biçimde sunmasındadır. Başarılı bir tasarım, bağlamı sürekli büyütmek yerine seçer, düzenler ve sonuçlara göre iyileştirir.

Kaynaklar: Anthropic — Effective Context Engineering for AI Agents ve Writing Effective Tools for AI Agents; LangChain — Context Engineering for Agents; Liu ve arkadaşları — Lost in the Middle: How Language Models Use Long Contexts; OWASP — LLM01:2025 Prompt Injection.

Editör Notu

Bu içerik, kamuya açık yapay zekâ araştırmaları ve teknik açıklamalardan yararlanılarak hazırlanmış bir araştırma ve değerlendirme yazısıdır. İçerikte yer alan değerlendirmeler editoryal yorum niteliğindedir. Bağlam yönetimi yöntemlerinin başarısı, kullanılan modele, veri kaynaklarına ve görevin gereksinimlerine göre değişebilir.