On bir yazının özeti
On bir yazı boyunca bağlam penceresinin ne olduğundan, neden büyüdükçe performansın düştüğünden, bunun belirtilerinden ve pratik stratejilerden geçtik. Bu son yazı, hepsini tek bir karar akışında birleştiriyor: altı maddelik bir kontrol listesi, unutulmaması gereken iki ek uyarıyla birlikte.
1. Baştan tasarla: görev bölünebiliyor mu? İşe başlamadan önce soralım: bu görev, birbirinden bağımsız küçük parçalara ayrılabiliyor mu? Cevap evetse, tek bir dev bağlam yerine ayrı, temiz bağlamlar kullanalım. Bilgiyi baştan hepsini yüklemek yerine, gerektikçe getirelim. Bu ayrımın önemi ölçülmüş: parçalara ayrılabilir bir görevde bu yaklaşım %80,8’e kadar kazanç sağlarken, adımları sıkı bağlı bir görevde %70’e kadar kayba yol açabiliyor1. Ayrı bir çalışmada, tam geçmişi tutmak yerine bağlamı budayıp özetlemek, başarıyı %71,0’den %91,6’ya çıkardı2.
2. Sinyalleri izle. Çalışma sırasında şunlara dikkat edelim: model, verdiğimiz bir bilgiyi görmezden gelip kendi uydurduğu bir şeyi söylüyor mu (sadakat halüsinasyonu)? Daha önce verdiğimiz bir talimatı unutmuş gibi mi davranıyor (zayıf geri çağırma)? Basit bir görevde beklenmedik hatalar mı yapıyor? Bunlardan biri görülüyorsa, aptal bölgeye kaymış olabiliriz.
3. Eşiği takip et ama tek bir sayıya güvenme. Yaklaşık 150.000 token, Anthropic'in kendi ürününde varsayılan olarak kullandığı bir dönüm noktası ama bu sabit bir duvar değil, ayarlanabilir bir bütçe, kademeli bir eğim. Bu rakamın altında bile mükemmel performans garanti değil, üstünde de ani bir çöküş yok. Sayıya değil, sinyale güvenelim.
4. Erken temizle ve sıkıştır. Bağlam kullanımı ~%70-80'e ulaştığında (ya da sinyaller görülmeye başladığında), beklemeden temizleyelim ya da sıkıştıralım. Artık gerekmeyen araç çıktılarını silelim, eski konuşmayı özetletelim, hangi bilginin korunacağını açıkça belirtelim. Bunu doğrulama sinyaliyle birlikte yapmak ek bir kazanç sağlıyor: bir çalışma, sıkıştırmayı ajanın çalışmasıyla paralel yürütüp doğrulayarak görev doğruluğunu 8,8 puan artırdı, gecikmeyi %39,7 azalttı3.
5. Kritik bilgiyi bağlamın dışına da yaz. Uzun süren ya da çok oturumlu bir iş üzerindeysek, önemli kararları ve ilerlemeyi bağlamın kendisine değil, kalıcı bir dosyaya yazalım. Sıkıştırma bu bilgiyi silse bile, dosya duruyor. Fark büyük olabiliyor, bir çalışmada dosya tabanlı yaklaşım bir görevi %67,1 oranında tamamlarken, aynı bilgiyi sıkıştırılmış bağlamda tutmak bu oranı %3,2’ye düşürdü4. Ama bu evrensel değil: bilgi zamanla değişiyorsa (biri taşınmış, bir fiyat güncellenmiş gibi), dosyaya yazılmış özet güncel kalmayabilir, bir çalışmada bu durumda doğruluk %92’den %77’ye düştü5.
6. Gerekirse tamamen devret. Sinyaller ısrarcıysa ve temizleme/sıkıştırma yetmiyorsa, mevcut bağlamı zorlamaya devam etmeyelim. Birikmiş ilerlemeyi kalıcı hale getirip, taze bir bağlamda devam edelim.
Konum ayrı bir mesele, unutmayalım
Bu altı maddenin hepsi uzunlukla ilgili. Ortada kaybolma etkisini unutmayalım: en kritik talimatları ve bilgileri, mümkünse bağlamın başına ya da sonuna yerleştirelim, ortasına gömmeyelim. Bu, uzunluğu kısaltmadan bile doğruluğu artırabilecek, ayrı bir kaldıraç.
Model farkını hatırda tutalım ama abartmayalım
Kullandığımız araç (Claude, GPT, Gemini) bu belirtileri biraz farklı gösterebilir ama temel dinamik de yukarıdaki altı adım da geçerliliğini koruyor.
Bu yazı 12 bölümlük serinin sonuncusu. Önceki yazı: İşi baştan, geniş bağlam gerektirmeyecek şekilde nasıl kurarız? · Seriyi baştan okumak için: Token nedir, bağlam penceresi nedir?
Kaynaklar
1: Yubin Kim ve 18 araştırmacı, "Towards a Science of Scaling Agent Systems", gönderim 9 Aralık 2025, son revizyon 8 Nisan 2026 (ayrıntı: yazı 8)
2: Abhilasha Lodha, Mahsa Pahlavikhah Varnosfaderani, Abir Chakraborty, Abhinav Mithal, "Less Context, Better Agents", gönderim 8 Haziran 2026 (ayrıntı: yazı 11)
3: Zhuofu Chen, Rui Pan, Yinwei Dai, Ravi Netravali, "Slipstream: Trajectory-Grounded Compaction Validation for Long-Horizon Agents", gönderim 9 Mayıs 2026 (ayrıntı: yazı 9)
4: Chenglin Yu, Yuchen Wang, Songmiao Wang, Hongxia Yang, Ming Li, "InfiAgent", gönderim 6 Ocak 2026 (ayrıntı: yazı 10)
5: Vedant Patel, "Supersede: Diagnosing and Training the Memory-Update Gap in LLM Agents", gönderim 25 Haziran 2026 (ayrıntı: yazı 11)