Context Engineering (Bağlam Mühendisliği)

#ContextEngineering #LLM #PromptEngineering #RAG #Agent #BağlamMühendisliği

Context Engineering (Bağlam Mühendisliği), büyük dil modellerine (LLM) gönderilen bağlamın —sistem promptu, bellek, RAG sonuçları, araç tanımları ve konuşma geçmişi— bilinçli ve sistematik biçimde tasarlanması disiplinidir.

Context Engineering (Bağlam Mühendisliği), büyük dil modellerine (LLM) gönderilen bağlamın —sistem promptu, bellek, RAG sonuçları, araç tanımları ve konuşma geçmişi— bilinçli ve sistematik biçimde tasarlanması disiplinidir. Prompt engineering'in tek satırlık prompt optimizasyonunun ötesine geçerek, modelin bağlam penceresine neyin, ne kadar ve hangi sırada girdiğini bir mühendislik sorunu olarak ele alır. İyi bir bağlam tasarımı, modelin halüsinasyon oranını düşürür, token maliyetini azaltır ve ajanlık görevlerde doğruluğu artırır.

engineering Bağlam Mühendisliği Neden Önemli?

LLM performansı yalnızca model parametrelerine değil, modele sunulan bağlama bağlıdır. Context Engineering; sistem promptu, dinamik RAG chunk'ları, araç şemaları, konuşma geçmişi ve kullanıcı profili gibi bileşenleri token bütçesi içinde optimize eder. Doğru bağlam tasarımı; halüsinasyonları azaltır, araç seçimini iyileştirir ve çok adımlı ajan döngülerinde tutarlılık sağlar.

Temel Bileşenler

tune Sistem Promptu

Modelin kimliğini, kısıtlarını ve davranış kurallarını tanımlar. Genellikle sabit; ~500-2000 token ayrılır.

search Dinamik RAG

Kullanıcı sorgusuna göre vektör veritabanından getirilen ilgili belgeler. Token bütçesinin en esnek parçasıdır.

history Konuşma Geçmişi

Önceki turlar özetlenerek veya kırpılarak bağlama eklenir. Lost-in-the-middle sorununu önlemek için dikkatli yönetilir.

build Araç Tanımları

Function calling için şemalar ve açıklamalar. Gereksiz araç tanımları modeli yanıltabilir; sadece ilgili araçlar eklenir.

Bağlam Mühendisliğinin Temel Bileşenleri

  • check_circle Sistem Promptu (System Prompt): Modelin davranışını, tonunu ve kısıtlamalarını belirleyen talimatlar. İyi tasarlanmış bir sistem promptu tutarlılığı dramatik biçimde artırır.
  • check_circle RAG (Retrieval-Augmented Generation): Dış bilgi tabanlarından dinamik olarak alınan ilgili içeriğin bağlama eklenmesi. Modelin bilgi kesim tarihini aşar ve gerçek zamanlı bilgi sağlar.
  • check_circle Konuşma Geçmişi Yönetimi: Uzun diyaloglarda hangi mesajların bağlamda tutulacağı, hangilerinin özetleneceği veya atılacağına ilişkin strateji. Token limitini verimli kullanmak için kritik.
  • check_circle Araç Sonuçları (Tool Results): Kod çalıştırma, web arama veya API çağrısı sonuçlarının bağlama doğru formatta eklenmesi. Ajansal sistemlerde bağlam yönetiminin en karmaşık boyutu.
  • check_circle Bellek (Memory): Kısa vadeli (bağlam içi) ve uzun vadeli (dış vektör deposu) belleğin koordinasyonu. Hangi bilginin hangi katmanda saklandığı performansı belirler.
  • check_circle Bağlam Sıkıştırma: Büyük token tüketimini önlemek için bağlamın özetlenmesi veya sıkıştırılması. LLMLingua gibi araçlar gereksiz token'ları budayarak etkinliği artırır.

Context Engineering ile Prompt Engineering Arasındaki Fark

Prompt engineering; tek bir prompt'u optimize etmeye odaklanır: kelime seçimi, örnekler ve yönerge yapısı. Context engineering ise daha geniş ve sistemik bir disiplindir: tüm bilgi akışını —neyin, ne zaman, nasıl bağlama girdiğini— yönetir. Andrej Karpathy'nin 2025'te popülerleştirdiği bu kavram, LLM davranışı üzerindeki en büyük kaldıracın artık model ağırlıklarında değil, bağlamın kalitesinde yattığını vurgular. Ajansal sistemlerde bağlam mühendisliği şu soruları yanıtlar: Araç çağrısı sonuçları ne kadar bağlamda tutulmalı? Hatalı bir adım geri alınabilir mi, yoksa bağlamdan silinmeli mi? Paralel ajan kolları bilgilerini nasıl birleştirmeli? Pratik açıdan iyi bağlam mühendisliği; halüsinasyonu azaltır, yanıt tutarlılığını artırır ve gereksiz token tüketimini kısarak maliyeti düşürür.

quiz Sık Sorulan Sorular

  • check_circle Prompt engineering ile farkı nedir?: Prompt engineering tek bir prompt'u optimize eder. Context engineering ise bütün bağlam yönetim mimarisini —RAG, bellek, araçlar, geçmiş— sistem düzeyinde tasarlar.
  • check_circle Hangi çerçeveler destekler?: LangChain/LangGraph, LlamaIndex, DSPy ve Semantic Kernel; bağlam yönetimi için hazır bileşenler sunar. DSPy bağlamı otomatik optimize eder.
  • check_circle Token bütçesi nasıl yönetilir?: Her bileşene öncelik ve token üst sınırı atanır. Dinamik seçimde önce sistem promptu, sonra en ilgili RAG chunk'ları, ardından araçlar, en son geçmiş eklenir.
  • check_circle Context engineering nedir?: Büyük dil modellerine gönderilen bağlamın —sistem promptu, bellek, araç sonuçları, RAG çıktısı— ne zaman, nasıl ve hangi formatta dahil edileceğini sistematik biçimde tasarlama ve yönetme disiplinidir.
  • check_circle Prompt engineering ile context engineering arasındaki fark nedir?: Prompt engineering tek bir prompt'u optimize eder. Context engineering ise modelin aldığı tüm bilgi akışını yönetir: bağlam penceresi stratejisi, bellek, RAG, araç çıktıları ve konuşma geçmişi.
  • check_circle Bağlam mühendisliği neden önemli?: Model kalitesinin büyük kısmı bağlam kalitesinden kaynaklanır. Doğru bağlam ile aynı model çok daha iyi, yanlış bağlam ile çok daha kötü sonuç verir; bu nedenle ajansal sistemlerde kritik bir mühendislik disiplinidir.
  • check_circle Uzun bağlamda en iyi uygulamalar nelerdir?: Kritik bilgiyi bağlamın başına veya sonuna yerleştirin (orta kayıp etkisi), gereksiz token'ları filtreleyin, sık kullanılan bilgileri önbelleğe alın (prompt caching) ve bağlam sıkıştırma araçlarını değerlendirin.