Hibrit strateji: her şeyi önceden yükleme
Anthropic'in önerdiği yaklaşımlardan biri hibrit strateji: bazı bilgiyi önceden bağlama yüklemek, geri kalanını çalışma zamanında ihtiyaç oldukça aramak. "Her ihtimale karşı her şeyi baştan bağlama koy" yerine, "şimdilik gerekeni koy, gerekirse sonra ara." Şubat 2026'da yayımlanan bir çalışma, bu tür tekniklerin soyut bir tavsiye olmadığını, ölçülebilir bir fark yarattığını gösteriyor.
Önceki üç yazı, bağlam doldukça uygulanan tepkisel teknikleri gösterdi: bölmek, temizlemek, dışarı not almak. Bu yazı farklı bir soru soruyor: işi baştan, geniş bir bağlam hiç gerektirmeyecek şekilde nasıl kurarız?
Somutlaştırırsak, 50 dosyalık bir proje üzerinde çalışıyoruz. Kötü tasarım, 50 dosyanın tamamını en baştan bağlama yüklemek. İyi tasarım, hangi dosyaların bu görevle ilgili olduğunu önce belirleyip sadece onları yüklemek, geri kalanını gerek duyulursa sonradan okumak.
Kanıt: yönetim teknikleri gerçekten işe yarıyor
Daha önce tanıttığımız LOCA-bench (Şubat 2026), modellerin bağlam uzadıkça ne kadar bozulduğunu ölçmekle kalmadı, yönetim tekniklerinin bu bozulmayı ne kadar azalttığını da test etti2.
128.000 token'lık bir ortamda, "programatik araç çağırma" denen bir teknik (modelin araç sonuçlarını tek tek bağlama doldurmak yerine kod aracılığıyla işlemesi) GPT-5.2-Medium'un başarı oranını %38,7'den %49,3'e çıkardı, yaklaşık 11 puanlık bir kazanç. Gemini-3-Flash'ta aynı teknik %21,3'ten %30,7'ye, yaklaşık 9 puanlık bir kazanç sağladı2.
Bunun pratik sonucu: bağlam yönetimi soyut bir tavsiye değil, LOCA-bench'in test ettiği bu teknikte olduğu gibi, ölçülmüş, 9-11 puanlık iyileşme sağlayan somut bir müdahale olabiliyor. Bu seride gördüğümüz diğer teknikler (görev bölme, temizleme, sıkıştırma, not tutma) aynı çalışmada ayrı ayrı ölçülmedi, aynı mantıkla çalışıyorlar.
Daha geniş bir kanıt: az bağlam, daha yüksek başarı
Haziran 2026’da yayımlanan ayrı bir çalışma, aynı fikri farklı bir görevde test etti3. 50 görevlik bir otel masrafı kıyaslamasında (beş masraf türü, üç kategoriye gruplandırılmış), tüm geçmişi bağlamda tutan bir ajan %71,0 başarı sağladı, 1.480.996 token harcadı, 14,56 saat sürdü. Aynı ajanı yalnızca son beş araç çağrısına budayıp özetleme ekleyerek çalıştırdıklarında, başarı %91,6’ya çıktı, token kullanımı 553.374’e, süre 5,79 saate düştü.
Yani daha az bağlam burada sadece daha ucuz değil, 20,6 puan daha doğru. Bu seride tekrar eden bir kalıp: bağlamı küçültmek bir ödün değil, çoğu zaman doğrudan bir kazanç.
Bu evrensel değil: bilgi zamanla değiştiğinde ayrı bir zorluk var
Önceki yazıda anlattığımız “dosyaya yaz” tavsiyesinin bir sınırı var. Haziran 2026’da yayımlanan bir çalışma, bilginin zamanla değiştiği durumları (biri taşınmış, bir fiyat güncellenmiş, bir plan değişmiş gibi) ayrıca test etti4. LongMemEval’ın bu tür senaryoları içeren bölümünde, gpt-5.4 tam bağlamla %92 doğru cevap verirken, sınırlı, kendi kendini güncelleyen bir hafızayla (dosyaya yazılmış özet gibi) %77’ye düşüyor, 15 puanlık bir kayıp.
Yazarların bulduğu neden önemli: sorun modelin bilgiyi anlaması değil, hafızayı güncel tutması. Daha güçlü bir model kullanmak bu farkı kapatmıyor. Yani bilgi sabitse (bir kod tabanındaki mimari kararlar gibi) dosyaya yazmak güvenli, ama bilgi sık değişiyorsa, o dosyanın da güncel tutulduğundan ayrıca emin olmak gerekiyor.
Ne zaman devretmeli?
Bazen en iyi çözüm, bağlamı yönetmek değil, görevi tamamen başka bir işleme devretmek. Alt-ajan mimarisi bunun bir türüydü (paralel, aynı anda birden fazla küçük görev). Devretme, bunun sıralı hâli: mevcut bağlam artık verimli değilse, birikmiş ilerlemeyi (bir önceki yazıdaki not tutma tekniğiyle) kalıcı hale getirip, taze, boş bir bağlamda devam etmek.
Bunu ne zaman yapmamız gerektiğinin sinyalleri, daha önce gördüğümüz belirtiler: sadakat halüsinasyonu, zayıf geri çağırma, basit hatalar. Bu belirtiler görüldüğünde, mevcut bağlamı daha fazla zorlamak yerine, temiz bir sayfa açmak daha verimli.
Neden önemli?
Bu yazı, serinin pratik kısmını tamamlıyor. Son yazıda, şimdiye kadar öğrendiğimiz her şeyi tek bir karar kontrol listesinde birleştiriyoruz.
Bu yazı 12 bölümlük bir serinin on birincisi. Önceki yazı: Bilgiyi bağlamda değil, bir dosyada tutmak neden daha güvenli? · Sonraki yazı: Bağlam yönetimi için altı maddelik bir karar listesi
Kaynaklar
1: Anthropic, "Effective context engineering for AI agents", 29 Eylül 2025
2: HKUST-NLP, "LOCA-bench: Benchmarking Language Agents Under Controllable and Extreme Context Growth", 10 Şubat 2026
3: Abhilasha Lodha, Mahsa Pahlavikhah Varnosfaderani, Abir Chakraborty, Abhinav Mithal, "Less Context, Better Agents: Efficient Context Engineering for Long-Horizon Tool-Using LLM Agents", gönderim 8 Haziran 2026
4: Vedant Patel, "Supersede: Diagnosing and Training the Memory-Update Gap in LLM Agents", gönderim 25 Haziran 2026