Bağlam Verme Sanatı: AI'a Ne Kadar Bilgi Vermeli

Bağlam verme, bir yapay zeka modeline bir görevi doğru yapması için gereken bilgiyi prompt içinde sunma ve düzenleme sanatıdır. En sık sorulan pratik soru şudur: AI'a ne kadar bilgi vermeli? Sezgi "ne kadar çok, o kadar iyi" der; oysa gerçek bunun tam tersidir. Az bilgi modeli eksik veya genel bir cevaba iter, gereksiz bilgi ise dikkatini dağıtır ve bağlam kirliliği yaratır. Doğru bağlam verme, bir doldurma değil bir seçme işidir.

Bir dil modeli, önüne konan metnin tamamına eşit ve kusursuz dikkat eden bir makine değildir. Ne verdiğiniz kadar, ne kadar ve hangi sırayla verdiğiniz de sonucu belirler. Bu rehberde bağlam verme sanatını bir mühendislik disiplini olarak ele alıyoruz: ne kadar bilgi vermeli, ilgili bilgi seçimi nasıl yapılır, bağlam kirliliği neden kaliteyi düşürür, bağlam penceresi ekonomisi nedir, sıralama ve konumlandırma neden önemlidir, few-shot ve RAG ile bağlam nasıl yönetilir, bağlam nasıl bozulur ve tüm bunlar nasıl ölçülür. Amaç, "prompt'a her şeyi yaz" alışkanlığından, göreve gereken en küçük yeterli bağlamı bilinçle veren bir pratiğe geçmektir.

Tanım

Bağlam Verme (Context Giving)

Bir yapay zeka modeline bir görevi doğru yapması için gereken bilgiyi prompt içinde sunma ve düzenleme pratiği. İyi bağlam verme ne az ne çok bilgi hedefler: gereken en küçük yeterli bağlamı ilgili bilgi seçimiyle belirler, bu bilgiyi doğru sıra ve konumda yerleştirir ve bağlam kirliliğini önleyerek modelin dikkatini kritik veriye odaklar. Amaç bağlam penceresini doldurmak değil, göreve gereken bilgiyi maliyet ve dikkat ekonomisiyle dengelemektir.

Ayrıca: context giving, bağlam sunma, prompt bağlamı, ilgili bilgi seçimi

Bağlam verme, en yalın haliyle, modele "cevabı bulmak için sana lazım olan bilgi budur" demektir. Bir dil modelinin iki kaynağı vardır: eğitim sırasında öğrendiği genel bilgi (parametrik bellek) ve o an prompt içinde önüne konan bilgi (bağlam). Bağlam verme, bu ikinci kaynağı bilinçle tasarlama pratiğidir. Model ne kadar yetenekli olursa olsun, sizin özel durumunuzu, verilerinizi veya kısıtlarınızı bilemez; bunları ona ancak bağlamla verirsiniz.

Bir benzetme netleştirir. Yetenekli bir uzmana bir görev verdiğinizi düşünün. Ona hiçbir bilgi vermezseniz genel geçer bir cevap alırsınız; her şeyi — ilgili ilgisiz tüm dosyaları — masasına yığarsanız, kritik ayrıntıyı gürültü içinde kaybeder. En iyi sonucu, ona tam olarak ihtiyacı olan dosyaları, doğru sırayla verdiğinizde alırsınız. Bağlam verme tam olarak bu "doğru dosyaları doğru sırayla verme" işidir. Model, sizin verdiğiniz bağlamın kalitesi kadar iyidir.

Bu tanım kritik bir ayrımı içerir: bağlam verme, prompt'un talimat kısmından farklıdır. Talimat "ne yapmasını" söyler (özetle, sınıflandır, karşılaştır); bağlam ise "hangi bilgiyle yapmasını" verir (şu belge, şu veriler, şu örnekler). Prompt'un temellerini prompt nedir ve prompt mühendisliği nedir yazılarında ele alıyoruz; bu rehber özellikle bağlam yarısına, yani modele hangi bilgiyi ne kadar vereceğinize odaklanıyor.

Bağlam verme meselesinin özü, iki ayrı ve zıt başarısızlık modunu aynı anda yönetmektir. Bir uçta yetersiz bağlam, diğer uçta aşırı bağlam vardır; ikisi de farklı biçimlerde kaliteyi düşürür ve doğru miktar bu ikisinin arasındaki dar bantta yatar.

Az bilgi sorunu daha görünürdür. Modele görevi için gereken kritik veriyi vermezseniz, iki şeyden biri olur: ya "bu bilgiye sahip değilim" der (iyi senaryo), ya da boşluğu kendi genel bilgisiyle veya bir tahminle doldurur (kötü senaryo). Örneğin şirketinizin iade politikasını sormadan bir müşteri yanıtı yazmasını isterseniz, model genel bir iade politikası uydurur — akıcı, ikna edici ve yanlış. Yetersiz bağlam, halüsinasyonun en sık tetikleyicilerinden biridir; çünkü model boşluk bırakmaktansa doldurmayı tercih eder.

Çok bilgi sorunu ise daha sinsidir, çünkü çoğu kişi onu bir sorun olarak görmez. "Ne kadar çok bağlam versem o kadar iyi cevap alırım" varsayımı yaygın ama yanlıştır. Aşırı bağlam üç ayrı zarar verir: birincisi, alakasız bilgi modelin dikkatini böler ve kritik ayrıntıyı gölgeler; ikincisi, çelişkili bilgi modeli yanlış seçime iter; üçüncüsü, her fazla token maliyet ve gecikme demektir. Yani gereksiz bilgi eklemek çoğu zaman kaliteyi artırmaz, düşürür. Doğru bağlam verme, bu iki uç arasındaki dengeyi bilinçle kurmaktır.

AI'a ne kadar bilgi verilmeli sorusunun tek bir sayısal cevabı yoktur; çünkü doğru miktar göreve, modele ve bilginin türüne göre değişir. Ama sağlam bir karar çerçevesi vardır ve bu çerçeve "doldur" değil "seç" mantığına dayanır. Pratik yaklaşım, minimumdan başlayıp yeterliliğe kadar tırmanmaktır, tersi değil.

Doğru başlangıç noktası çekirdek bağlamdır: görev tanımı, kesinlikle gereken veriler ve gerekiyorsa bir-iki örnek. Bu çekirdekle başlarsınız ve modelin çıktısını değerlendirirsiniz. Model doğru ve eksiksiz cevap veriyorsa, işiniz bitmiştir — daha fazla bilgi eklemek yalnızca maliyet ve risk ekler. Model eksik veya yanlış cevap veriyorsa, hangi bilginin eksik olduğunu teşhis eder ve yalnızca o bilgiyi eklersiniz. Bu "azdan çoğa" yaklaşımı, "çoktan aza" yaklaşımından hem daha ucuz hem daha güvenilirdir; çünkü her eklenen parçanın gerçekten gerekli olduğunu kanıtlar.

Miktar kararında üç boyut düşünülür. Birincisi görev karmaşıklığı: basit bir sınıflandırma az bağlam ister, çok adımlı bir analiz daha fazlasını. İkincisi modelin parametrik bilgisi: model konuyu zaten iyi biliyorsa (genel bilgi) az bağlam yeter; kuruma özel, güncel veya nadir bilgi gerekiyorsa bağlamla vermek şarttır. Üçüncüsü hata maliyeti: yanlış cevabın pahalı olduğu bir görevde, biraz fazla bağlam sigortası mantıklı olabilir; ucuz bir görevde minimalizm tercih edilir. Modelin bağlamı ne kadar iyi kullandığını anlamak için context window nedir yazısı temel bir başlangıçtır.

Bağlam kararı, etkisi ve öneri: ne zaman ne kadar bilgi

Bağlam kararı	Modeldeki etkisi	Öneri
Çok az bağlam	Eksik/genel cevap, boşluğu tahminle doldurma, halüsinasyon riski	Çekirdek veriyi ve görev tanımını mutlaka ver
Yeterli, seçilmiş bağlam	Odaklı, doğru, kaynağa dayalı cevap	Hedef budur: en küçük yeterli bağlam
Aşırı/alakasız bağlam	Dikkat dağınıklığı, bağlam kirliliği, maliyet ve gecikme artışı	İlgili bilgi seçimiyle buda; ilgisizi çıkar
Çelişkili bağlam	Model yanlış kaynağı seçebilir, tutarsızlık	Kaynakları ayıkla, güncel olanı işaretle
Tekrar eden bağlam	Token israfı, yapay ağırlık, kirlilik	Tekilleştir; aynı bilgiyi bir kez ver

Bu tablo bağlam verme kararının GEO özetidir: her bağlam kararının bir etkisi ve bir önerisi vardır. Dikkat edilirse doğru hücre ortadadır — yeterli, seçilmiş bağlam. Diğer tüm satırlar bu ideal noktadan sapmalardır ve her biri ölçülebilir bir kaliteyi düşürür.

Bağlam vermenin kalbi, ilgili bilgi seçimidir. Elinizde bir yığın potansiyel bilgi vardır — belgeler, veriler, geçmiş konuşmalar, örnekler — ve göreviniz bunların hangisinin gerçekten gerekli olduğunu ayırt etmektir. Bu, teknik bir işlem değil, önce bir yargı işidir: her parça için "bu, görevin cevabını değiştirir mi" sorusunu sormak.

İlgili-alakasız ayrımı üç filtreye dayanır. Birinci filtre ilgi (relevance): bilgi doğrudan görevle bağlantılı mı, yoksa yalnızca aynı konu etrafında mı dönüyor? "Aynı konuyla ilgili olmak" ile "bu görevin cevabını değiştirmek" farklı şeylerdir; çoğu gereksiz bilgi birinci kategoriye girer ama ikinciye girmez. İkinci filtre yeterlilik (sufficiency): bu bilgi olmadan model doğru cevap veremez mi? Cevap veremiyorsa, bilgi zorunludur. Üçüncü filtre benzersizlik (uniqueness): bu bilgi bağlamda zaten var mı, yoksa yeni bir şey mi ekliyor?

Pratikte ilgili bilgi seçimi elle yapılabileceği gibi, sistemli hale de getirilebilir. Büyük belge kümelerinde model tek tek her şeyi okuyamaz; bu yüzden önce anlamsal arama ile geniş bir aday kümesi getirilir, sonra bir yeniden sıralama (reranking) adımıyla en ilgili birkaç parça öne alınır. Bu, ilgili bilgi seçiminin otomatikleştirilmiş halidir ve RAG mimarisinin kalbidir. Bu adımı reranker nedir ve bilgi getirmenin bütününü RAG nedir yazısında ele alıyoruz. İlgili bilgi seçimi ne kadar iyi yapılırsa, modele o kadar temiz bir bağlam ulaşır.

Bağlam kirliliği, prompt bağlamına giren alakasız, çelişkili, eski veya tekrar eden bilginin modelin çıktısını bozmasıdır. Bu kavram önemlidir çünkü kötü yapay zeka çıktılarının en sık ama en az fark edilen nedenidir. Kullanıcı çoğu zaman "model kötü" diye düşünür; oysa gerçek neden, modele verilen bağlamın kirli olmasıdır.

Bağlam kirliliği birkaç biçimde ortaya çıkar. Alakasız kirlilik, göreve teğet geçen ama cevabı değiştirmeyen bilginin dikkati dağıtmasıdır; model, önemli olanla önemsiz olanı ayırt etmeye enerji harcar ve bazen yanlış olana odaklanır. Çelişki kirliliği, bağlamda birbiriyle uyuşmayan iki bilginin bulunması ve modelin yanlışını seçmesidir; örneğin eski ve yeni fiyat listesi bir arada verilirse model hangisinin geçerli olduğunu bilemez. Tekrar kirliliği ise aynı bilginin defalarca geçmesiyle modele yapay bir "önem" sinyali göndermesidir. Uzun sohbetlerde biriken eski, artık geçersiz bilgi de zamanla bağlamı kirletir.

Bağlam kirliliğinin en tehlikeli yanı, geri dönüşünün zor olmasıdır. Bir kez bağlama giren gürültüyü modelin "görmezden gelmesini" bekleyemezsiniz; model bağlamdaki her şeyi bir sinyal olarak işler. Bu yüzden bağlam kirliliğine karşı en etkili savunma, filtrelemeyi çıktı aşamasında değil, giriş aşamasında yapmaktır — yani gereksiz bilgiyi baştan içeri almamak. "Modele her şeyi ver, o gerekeni seçer" varsayımı, bağlam kirliliğinin en yaygın nedenidir ve neredeyse her zaman yanlıştır. Bu konunun ileri düzey yönetimini context engineering ve bağlam mühendisliği ve bilgi katmanı yazılarında ele alıyoruz.

Bağlam verme kararı yalnızca kalite değil, ekonomi meselesidir de. Modelin bir kerede işleyebileceği metin miktarı sınırlıdır ve bu sınıra bağlam penceresi (context window) denir. Ama asıl mesele sınır değil, her token'ın bir bedeli olmasıdır: her ek bilgi parçası hem para (token maliyeti) hem zaman (gecikme) demektir. Bu yüzden bağlam, doldurulacak bir kap değil, ekonomik olarak yönetilecek bir kaynaktır.

Bağlam penceresi ekonomisi üç maliyet kalemi içerir. Birincisi doğrudan token maliyetidir: çoğu model, bağlamdaki her token için ücret alır; bağlamı iki katına çıkarmak, girdi maliyetini iki katına çıkarır. İkincisi gecikmedir: model daha uzun bir bağlamı işlemek için daha fazla zaman harcar, bu da kullanıcının beklediği süreyi uzatır. Üçüncüsü ve en incesi dikkat maliyetidir: bağlam uzadıkça modelin ilgili bilgiyi bulma ve ona odaklanma yeteneği zayıflar. Yani uzun bağlam yalnızca pahalı değil, aynı zamanda genellikle daha az etkilidir.

Bu ekonomi, "bağlamı doldur" alışkanlığının neden yanlış olduğunu açıklar. Bağlam penceresi 200 bin token diye 200 bin token doldurmak zorunda değilsiniz; aksine, göreve gereken en az token ile sınırlamak hem ucuz hem etkilidir. Bu yüzden olgun ekipler bağlamı bir bütçe gibi yönetir: her token'ın hak ederek yerini aldığından emin olur, tekrarları temizler, uzun belgeleri özetler. Bağlam penceresinin sınırlarını ve uzun bağlamın davranışını context window nedir ve maliyet-kalite dengesini RAG mi uzun bağlam penceresi mi yazısında derinleştiriyoruz.

Bağlam vermede sık atlanan ama ucuz bir kalite kaldıracı vardır: bilginin bağlam içindeki sırası ve konumu. Modeller, önlerine konan metnin her yerine eşit dikkat etmez. Araştırmalar, uzun bağlamlarda modellerin başlangıç ve son bölümlere ortadaki bölümden daha fazla dikkat ettiğini gösterir; bu olgu "lost in the middle" (ortada kaybolma) olarak bilinir. Yani en kritik bilgiyi bağlamın tam ortasına gömerseniz, model onu gözden kaçırabilir.

Bunun pratik sonucu nettir: en önemli bilgiyi ve en kritik talimatı bağlamın uçlarına yerleştirin. Görev talimatını başa koymak, modelin ne yapacağını en baştan bilmesini sağlar; kritik veriyi veya en ilgili belgeyi sona yakın koymak, modelin cevabı yazarken onu "taze" hatırlamasını sağlar. Daha az kritik, destekleyici bilgi ortaya yerleştirilebilir — çünkü zaten en az dikkat oraya gider. Bu basit yeniden düzenleme, tek bir token bile eklemeden cevap kalitesini artırabilir.

Sıralama, yalnızca konum değil, mantıksal akış meselesi de içerir. İlgili bilgileri bir arada gruplamak, çelişenleri açıkça işaretlemek, örnekleri görevden hemen önce vermek — bunların hepsi modelin bağlamı doğru okumasına yardım eder. Uzun bağlamlarda bu etkinin nasıl yönetileceğini uzun bağlam ve lost in the middle yönetimi yazısında ayrıntılı ele alıyoruz. Sıralama ve konumlandırma, bağlam vermenin en az konuşulan ama en yüksek getirili ayrıntılarından biridir.

Bağlamda konum ve modelin dikkati: ne nereye konmalı

Konum	Modelin dikkati	Ne konmalı
Bağlamın başı	Yüksek	Görev talimatı, rol, en kritik kısıt
Bağlamın ortası	Düşük (lost in the middle)	Destekleyici, ikincil bilgi
Bağlamın sonu	Yüksek	En ilgili belge, kritik veri, son talimat

Bağlam verme yalnızca veri ve belge sunmakla sınırlı değildir; modele örnek göstererek de bağlam verirsiniz. Buna few-shot (birkaç örnek) yaklaşımı denir: modele istediğiniz görevin birkaç örneğini — girdi ve beklenen çıktı çiftlerini — göstererek, ne yapmasını istediğinizi anlatırsınız. Örnekler, bir tür bağlamdır; ve tıpkı diğer bağlam türleri gibi, seçimi ve miktarı önemlidir.

Few-shot bağlamın gücü, talimatla anlatması zor olanı göstererek anlatmasıdır. Bir formatı, bir tonu veya ince bir kuralı kelimelerle tarif etmek zor olabilir; ama iki-üç iyi örnek gösterirseniz model deseni yakalar. İşte bu yüzden few-shot, özellikle format tutarlılığı ve sınıflandırma görevlerinde güçlüdür. Ama aynı ekonomi kuralı burada da geçerlidir: her örnek bir token maliyetidir ve alakasız veya kötü seçilmiş bir örnek, bağlam kirliliği gibi davranıp modeli yanlış yöne çeker.

Few-shot bağlamda ilgili bilgi seçimi kritiktir. Örnekler görevi temsil etmeli, çeşitliliği yansıtmalı ve tutarlı bir format taşımalıdır; çelişkili veya nadir uç örnekler modeli şaşırtır. Kaç örnek verileceği de bir denge sorusudur: az örnek deseni yeterince göstermez, çok örnek maliyeti artırır ve bazen daha iyi sonuç vermez. Few-shot'un mekanizmasını few-shot prompting nedir, bağlam içi öğrenmenin temelini in-context learning ve çok sayıda örnekle bağlam yönetimini many-shot in-context learning yazısında ele alıyoruz. Örnekle bağlam verme, doğru kullanıldığında en güçlü bağlam türlerinden biridir.

Bağlam vermenin en ölçeklenebilir biçimi, bilgiyi elle değil, otomatik olarak getirmektir. Retrieval-Augmented Generation (RAG), tam olarak bunu yapar: kullanıcı bir soru sorduğunda, sistem büyük bir bilgi tabanından soruyla ilgili parçaları bulup modelin bağlamına ekler. Yani RAG, ilgili bilgi seçimini otomatikleştirilmiş bir bağlam verme makinesine dönüştürür. Ama bu otomasyon, bağlam verme ilkelerini geçersiz kılmaz; tam tersine, onları daha da kritik hale getirir.

RAG'de bağlam verme kararları getirme katmanında verilir. Kaç parça getirileceği (top-k), bu parçaların ne kadar büyük olacağı (chunking), hangilerinin öne alınacağı (reranking) — bunların hepsi "modele ne kadar ve hangi bilgiyi vereceğim" sorusunun otomatik cevaplarıdır. Çok fazla parça getirmek bağlam kirliliği yaratır; çok az getirmek kritik bilgiyi kaçırır. Yani RAG, bu rehberdeki her ilkenin — en küçük yeterli bağlam, ilgili bilgi seçimi, kirliliği önleme, sıralama — sistematik uygulamasıdır.

RAG'in bağlam açısından en büyük avantajı, modelin tüm bilgi tabanını görmesine gerek kalmamasıdır. Milyonlarca sayfayı bağlama sığdıramazsınız; ama her soru için yalnızca en ilgili birkaç parçayı getirebilirsiniz. Bu, hem ekonomik hem de kalite açısından üstündür: model temiz, odaklı bir bağlamla çalışır. RAG'in bütününü RAG nedir, getirme sonrası bağlam katmanını context engineering ve bilgi katmanı, ve ajan sistemlerinde bağlam ekonomisini agentic RAG ve bağlam mühendisliği yazısında ele alıyoruz. RAG, bağlam vermeyi bir sanat olmaktan çıkarıp ölçülebilir bir mühendislik disiplinine dönüştürür.

Sık karşılaşılan bir durum: elinizde 80 sayfalık bir sözleşme veya bir teknik kılavuz var ve modele bunun hakkında soru sormak istiyorsunuz. İlk sezgi, tüm belgeyi bağlama yapıştırmaktır. Modern modellerin bağlam pencereleri buna izin verse bile, bu genellikle yanlış bir stratejidir. Ham uzunluk bir erdem değildir; uzun bir belgeyi olduğu gibi vermek, hem pahalı hem de bağlam kirliliği açısından risklidir.

Uzun dokümanlarda üç temel strateji vardır. Birincisi özetleme: belgeyi önce bölümlere ayırıp her bölümü özetlemek, sonra bu özetlerle çalışmak. Bu, ayrıntı kaybı pahasına bağlamı küçültür ve genel sorular için yeterlidir. İkincisi parçalama ve getirme (RAG): belgeyi anlamlı parçalara bölmek, bunları indekslemek ve her soru için yalnızca ilgili parçayı getirmek. Bu, "belgenin 12. sayfasındaki madde ne diyor" gibi spesifik sorular için idealdir. Üçüncüsü hiyerarşik yaklaşım: önce özetle ilgili bölümü bulmak, sonra o bölümün ayrıntısını getirmek.

Doğru strateji soru tipine bağlıdır. Belgenin geneli hakkında bir soruysa özetleme; belirli bir ayrıntıysa parçalama ve getirme uygundur. Anahtar ilke şudur: modele belgenin tamamını değil, sorunun cevabını içeren kısmını verin. Uzun belgeyi olduğu gibi vermek, modelin doğru cümleyi bir sayfa gürültü içinde bulmasını beklemektir — ve lost in the middle etkisiyle bu cümle tam ortadaysa, kaçırılma riski yüksektir. Parçalama stratejilerini ve uzun bağlam yönetimini uzun bağlam yönetimi ve getirme yaklaşımını RAG nedir yazısında ele alıyoruz.

Bağlamın bir kısmı her sorguda değişir (o anki soru, ilgili belgeler), bir kısmı ise sabit kalır (modelin rolü, genel kurallar, ton, kısıtlar). Bu sabit kısım genellikle sistem promptunda (system prompt) taşınır ve kalıcı bağlam olarak düşünülebilir. Bağlam verme sanatı, bu kalıcı katmanı da doğru tasarlamayı içerir; çünkü sistem promptundaki her kelime, modelin her cevabında etkilidir.

Kalıcı bağlamın avantajı, tekrarı önlemesidir: her sorguda "sen bir hukuk asistanısın, resmi bir dil kullan, kaynak göster" demek yerine, bunu bir kez sistem promptuna koyarsınız. Ama aynı ekonomi kuralı burada da geçerlidir: sistem promptu ne kadar uzunsa, her sorguda o kadar token maliyeti demektir. Şişkin bir sistem promptu, sessizce her etkileşimi pahalılaştırır ve bazen çelişen kurallarla model davranışını bulanıklaştırır. En küçük yeterli bağlam ilkesi, sistem promptu için de geçerlidir.

Kalıcı bağlamın tasarımında birkaç ilke yardımcı olur. Kuralları net ve çelişkisiz tutmak; en önemli talimatları başa koymak; gereksiz nezaket ve dolgu ifadelerini atmak; ve zamanla biriken "eski" kuralları düzenli olarak ayıklamak. Sistem promptu, bir kez yazılıp unutulan değil, ölçülerek iyileştirilen bir bağlam katmanıdır. Sistem promptunun ne olduğunu ve nasıl yazıldığını sistem promptu nedir ve sistem promptu yazımı yazılarında ayrıntılandırıyoruz. İyi bir sistem promptu, kalıcı bağlamı gürültüye boğmadan çerçeveler.

Tek seferlik bir soruda bağlam vermek görece basittir; ama gerçek kullanım çoğu zaman bir sohbettir ve her yeni tur, bağlama yeni katmanlar ekler. Çok turlu (multi-turn) diyaloglarda bağlam yönetimi ayrı bir zorluk taşır: konuşma uzadıkça bağlam büyür, eski turlar birikir ve zamanla bağlam kirliliği kaçınılmaz hale gelir. İyi bağlam verme, sohbet boyunca bağlamı taze tutmayı gerektirir.

Temel gerilim şudur: bir yandan model önceki turları hatırlamalı (yoksa "peki ya bu" gibi bağlama dayalı soruları anlayamaz), diğer yandan tüm geçmişi taşımak hem pahalıdır hem de dikkati dağıtır. Çözüm, geçmişi olduğu gibi biriktirmek değil, akıllıca yönetmektir: eski turları özetlemek, yalnızca ilgili kısımları taşımak ve konu değiştiğinde eski bağlamı bırakmak. Örneğin kullanıcı yeni bir konuya geçtiyse, önceki konunun ayrıntılarını taşımak yalnızca gereksiz bilgidir ve kirliliğe dönüşür.

Çok turlu bağlam yönetiminin en güçlü aracı, konuşma geçmişini dikkate alan soru yeniden yazmadır: modelin o anki soruyu, geçmişle birleştirerek kendi başına anlamlı bir sorguya dönüştürmesi. Böylece getirme ve cevap, doğru bağlamla çalışır. Uzun sohbetlerde bağlamın nasıl bozulduğunu ve yönetildiğini context engineering ve uzun bağlam yönetimi yazılarında ele alıyoruz. Sohbet, bağlam vermenin statik bir metin değil, yaşayan bir süreç olduğunu en net gösteren yerdir.

Bağlam verme statik bir karar değildir; bağlam zamanla bozulabilir. Bağlam bozulması (context degradation), başlangıçta temiz olan bir bağlamın, etkileşim ilerledikçe veya bilgi eskidikçe giderek kirlenmesi ve modelin cevabını kötüleştirmesidir. Bu olguyu anlamak, uzun süren sistemlerde kaliteyi korumanın anahtarıdır.

Bağlam bozulması birkaç yoldan olur. Birincisi birikim: uzun bir sohbette her tur bağlama ekleniyor ama hiçbir şey çıkarılmıyorsa, bağlam giderek eski, artık geçersiz bilgiyle dolar. Model, on tur önce söylenen ama artık geçerli olmayan bir şeye takılabilir. İkincisi eskime: bir belge veya veri bağlama girdiğinde güncelken, zamanla güncelliğini yitirir; bağlam yenilenmezse model eski bilgiye dayanır. Üçüncüsü kayma: sohbetin konusu yavaşça değişir ama bağlam eski konunun ağırlığını taşımaya devam eder.

Bağlam bozulmasına karşı savunma, bağlamı düzenli olarak "temizlemek" ve yenilemektir. Eski turları özetleyip ham hallerini atmak, güncelliğini yitiren bilgiyi çıkarmak, ve her önemli turda bağlamı yeniden değerlendirmek. Bu, bağlamı bir kez kurulup unutulan değil, sürekli bakım gerektiren bir kaynak olarak görmek demektir. Bağlam bozulması, üretim sistemlerinde "başta iyi çalışıyordu, sonra kötüleşti" şikayetinin en sık gizli nedenidir. İleri düzey bağlam yönetimini prompt mühendisliğinden context engineering'e ve bağlam mimarisine geçiş yazılarında ele alıyoruz.

Teoriyi pratiğe dökmek için, tekrar eden görev tiplerine göre bağlam verme kalıplarını bilmek yararlıdır. Bu kalıplar, "hangi görev için hangi bağlam yapısı" sorusuna hazır cevaplar sunar ve prompt bağlamını sistematik kurmayı kolaylaştırır.

Çıkarım (extraction) görevlerinde — bir metinden belirli bilgileri çekme — bağlam, kaynak metin ve tam olarak nelerin çıkarılacağının net tanımından oluşur; birkaç örnek çıktı formatı büyük fayda sağlar. Sınıflandırma (classification) görevlerinde bağlam, sınıflandırılacak metin, kategori tanımları ve her kategoriden birkaç örnektir; kategori sınırları belirsizse örnekler bunu netleştirir. Karşılaştırma ve analiz görevlerinde bağlam, karşılaştırılacak öğeler ve karşılaştırma kriterleridir; ilgisiz öğe eklemek burada özellikle zararlıdır. Özetleme görevlerinde bağlam, kaynak metin ve özetin amacı/uzunluğudur.

Her kalıpta ortak ilke aynıdır: göreve gereken bağlamı ver, fazlasını değil. Prompt bağlamını görev tipine göre yapılandırmak, hem tutarlılık hem kalite sağlar. Bu kalıpların ayrıntısını ve daha fazlasını prompt engineering nedir, prompt engineering rehberi, yapılandırılmış çıktı için structured output prompting ve yapılandırılmış çıktılar ve JSON schema yazılarında bulabilirsiniz. Kalıplar, bağlam vermeyi her seferinde sıfırdan icat etmekten kurtarır.

Görev tipine göre bağlam verme kalıpları

Görev tipi	Bağlamda ne olmalı	Sık hata
Çıkarım	Kaynak metin + çıkarılacakların tanımı + format örneği	Belirsiz alan tanımı, format örneği vermemek
Sınıflandırma	Metin + kategori tanımları + her kategoriden örnek	Kategori sınırlarını örnekle netleştirmemek
Karşılaştırma	Karşılaştırılacak öğeler + kriterler	İlgisiz öğe ekleyip bağlamı kirletmek
Özetleme	Kaynak metin + amaç + uzunluk kısıtı	Tüm uzun belgeyi seçmeden vermek

Bu rehberdeki her ilke — en küçük yeterli bağlam, ilgili bilgi seçimi, kirliliği önleme, sıralama — sonunda tek bir disipline dayanır: ölçüm. Bağlam kararları tahminle değil, kanıtla yönetilir. "Bu kadar bağlam yeterli olmalı" veya "bu bilgiyi de ekleyeyim, zararı olmaz" gibi sezgiler çoğu zaman yanıltır; doğru miktarı ancak test ederek bulursunuz.

Bağlam testinin temel yöntemi kontrollü karşılaştırmadır: aynı görevi, farklı bağlam miktarları ve düzenlemeleriyle çalıştırıp sonuçları karşılaştırmak. Örneğin bir bilgi parçasının gerçekten gerekli olup olmadığını anlamak için, onunla ve onsuz iki sürüm çalıştırıp çıktının değişip değişmediğine bakarsınız (ablasyon testi). Çıktı değişmiyorsa, o parça gereksiz bilgidir ve çıkarılabilir. Aynı şekilde sıralamanın etkisini, kritik bilgiyi farklı konumlara koyup ölçebilirsiniz. Bu testler, bağlam kararlarını "sanırım" olmaktan çıkarıp "ölçtüm" haline getirir.

Ölçülecek boyutlar üç başlıkta toplanır. Doğruluk: model doğru cevabı veriyor mu? Tutarlılık: aynı bağlamla tekrar çalıştırınca aynı kalitede cevap veriyor mu? Maliyet: bu bağlam ne kadar token, ne kadar gecikme demek? İdeal bağlam, bu üçünü dengeleyen noktadır — en yüksek doğruluğu en düşük maliyetle veren yapı. Prompt ve bağlam kalitesini nasıl ölçeceğinizi prompt kalitesi nasıl ölçülür ve model değerlendirmesini LLM değerlendirme nedir yazısında ele alıyoruz. Ölçmeden yönetilen bağlam, karanlıkta atılan bir tahmindir.

Nasıl Yapılır

Bağlam verme optimizasyonu: adım adım

Bir görev için doğru bağlam miktarını ve düzenini ölçerek bulmanın pratik adımları.

1. 1

   Çekirdek bağlamla başla

   Görev tanımı ve kesinlikle gereken minimum veriyle başla; fazlasını ekleme.

2. 2

   Çıktıyı değerlendir

   Model doğru ve eksiksiz cevap veriyor mu? Neyin eksik olduğunu teşhis et.

3. 3

   Yalnızca eksik bilgiyi ekle

   Teşhis ettiğin eksiği kapatan bilgiyi ekle; alakasızı ekleme (ilgili bilgi seçimi).

4. 4

   Ablasyon testi yap

   Her parçayı tek tek çıkarıp cevabın değişip değişmediğine bak; değişmiyorsa parçayı at.

5. 5

   Sıralamayı optimize et

   Kritik bilgiyi ve talimatı uçlara taşı; lost in the middle etkisini azalt.

6. 6

   Doğruluk, tutarlılık ve maliyeti ölç

   Son yapıyı üç boyutta değerlendir ve en küçük yeterli bağlamı sabitle.

Bağlam verme kararını netleştirmek için, bağlamı tek bir yığın gibi değil, farklı türlerden oluşan katmanlı bir yapı gibi düşünmek gerekir. Bir prompt'a giren bağlam çoğunlukla dört türden oluşur ve her türün kendi seçim ve ekonomi kuralları vardır. Bu dört türü ayırt etmek, bağlam verme kararlarını çok daha bilinçli hale getirir.

Birinci tür talimat bağlamıdır: modele ne yapmasını, hangi rolde, hangi tonda ve hangi kısıtlarla yapmasını söyleyen kısım. Bu, bağlamın "yönergesidir" ve genellikle başa konur çünkü modelin geri kalanı bu çerçevede okumasını sağlar. İkinci tür bilgi bağlamıdır: görevin cevabını içeren gerçek veri — belgeler, tablolar, kayıtlar. Üçüncü tür örnek bağlamıdır: few-shot yaklaşımında olduğu gibi, istenen çıktının birkaç örneği. Dördüncü tür geçmiş bağlamıdır: çok turlu sohbetlerde önceki turların taşıdığı bilgi.

Bu dört tür, farklı ekonomi ve kirlilik profillerine sahiptir. Talimat bağlamı kısadır ama her cevabı etkiler; şişirilirse çelişki riski yüksektir. Bilgi bağlamı en çok token'ı tüketir ve ilgili bilgi seçimi burada en kritiktir. Örnek bağlamı güçlü ama pahalıdır; kötü örnek doğrudan bağlam kirliliği yaratır. Geçmiş bağlamı ise zamanla en hızlı bozulan türdür. İyi bağlam verme, bu dört türü ayrı ayrı yönetir; hepsini tek bir "prompt metni" olarak görmek, her birinin kendine özgü kuralını gözden kaçırmaya yol açar. Prompt'un yapısını prompt nedir ve örnek bağlamını few-shot prompting nedir yazısında ayrıntılandırıyoruz.

Ne kadar bağlam vereceğiniz, yalnızca göreve değil, kullandığınız modelin kapasitesine de bağlıdır. Farklı büyüklükteki modeller bağlamı farklı biçimde kullanır ve bu, bağlam verme stratejinizi doğrudan etkiler. "En küçük yeterli bağlam" ilkesi evrensel olsa da, o "yeterli" eşiğinin nerede olduğu modelden modele değişir.

Büyük ve güçlü modeller, uzun ve biraz gürültülü bir bağlamdan bile ilgili bilgiyi çıkarmakta daha başarılıdır; dikkatleri daha dayanıklıdır ve çelişkileri daha iyi çözerler. Küçük veya daha ekonomik modeller ise bağlam kirliliğine çok daha duyarlıdır: aynı görevde büyük modelin tolere ettiği gereksiz bilgi, küçük modeli kolayca yanlış yola sokabilir. Bu yüzden küçük modellerle çalışırken bağlamı çok daha titiz temizlemek, ilgili bilgi seçimini daha keskin yapmak gerekir. Paradoks şudur: en çok bağlam disiplinine ihtiyaç duyan yer, en güçlü model değil, en ekonomik modeldir.

Bu, bir maliyet-kalite stratejisi doğurur. Bazen doğru hamle, pahalı bir modele her şeyi yığmak yerine, ucuz bir modele çok iyi seçilmiş bir bağlam vermektir; iyi bağlam, model gücündeki farkı büyük ölçüde kapatır. Yani bağlam verme, model seçiminin de bir parçasıdır: hangi modeli seçeceğiniz, ona ne kadar temiz bağlam verebileceğinize bağlıdır. Bu dengeyi ve bağlamın model kapasitesiyle ilişkisini context window nedir ve maliyet-kalite kararını RAG mi uzun bağlam penceresi mi yazısında ele alıyoruz. Bağlam kalitesi, çoğu zaman model gücünden daha ucuz bir kaldıraçtır.

Bağlam vermenin sık atlanan bir boyutu, bilginin yalnızca içeriği değil, biçimidir. Aynı bilgiyi düz bir metin yığını olarak vermekle, başlıklar, ayraçlar ve etiketlerle yapılandırılmış olarak vermek arasında modelin okuma kalitesi açısından büyük fark vardır. İyi biçimlendirilmiş bir bağlam, modelin neyin ne olduğunu ayırt etmesini kolaylaştırır ve bağlam kirliliğinin etkisini azaltır.

Yapının en temel işlevi, sınırları netleştirmektir. Modele üç farklı belge veriyorsanız, bunları açık ayraçlarla (başlık, numara veya etiket) ayırmak, modelin onları karıştırmasını önler. Talimatı bilgiden ayırmak, örneği gerçek görevden ayırmak — bunların hepsi biçim yoluyla yapılır. Etiketleme (bu bölüm "kaynak belge", bu bölüm "soru", bu bölüm "kurallar") modele bir harita verir; model her parçanın rolünü bilir ve ona göre işler. Yapılandırılmamış bir bağlamda ise model, neyin talimat neyin veri olduğunu tahmin etmek zorunda kalır ve bazen yanlış tahmin eder.

Biçimlendirme, çıktı tarafında da bir bağlam aracıdır. Modelden belirli bir yapıda (örneğin JSON veya tablo) cevap istiyorsanız, bunu bağlamda net bir şema veya örnekle göstermek, tutarlılığı büyük ölçüde artırır. Yapılandırılmış girdi ve çıktı, hem bağlam kirliliğini azaltır hem de sonucu makine tarafından işlenebilir kılar. Bu tekniği structured output prompting ve yapılandırılmış çıktılar ve JSON schema yazılarında ele alıyoruz. Bağlamın biçimi, içeriği kadar konuşur; iyi yapılandırılmış bir prompt bağlamı, aynı bilgiyi daha az yanlış anlaşılmayla taşır.

Bağlam verme ilkelerini somutlaştırmak için tek bir senaryoyu üç farklı bağlam kararıyla ele alalım. Diyelim ki bir e-ticaret ekibi, modelden bir müşteri şikayetine yanıt taslağı üretmesini istiyor. Aynı görev, üç farklı bağlam yaklaşımıyla üç farklı sonuç verir ve bu karşıtlık, doğru bağlam kararının değerini net gösterir.

Birinci yaklaşımda ekip çok az bağlam verir: yalnızca "şu müşteri şikayetine yanıt yaz" der, şikayet metnini ekler ama şirketin iade politikasını, ürün bilgisini veya ton kurallarını vermez. Sonuç öngörülebilir: model genel, şirkete özgü olmayan, bazı yerlerde uydurma vaatler içeren bir yanıt üretir — çünkü boşlukları kendi genel bilgisiyle doldurmuştur. Bu, yetersiz bağlamın klasik başarısızlığıdır.

İkinci yaklaşımda ekip aşırıya kaçar: şikayet metnine ek olarak, tüm ürün kataloğunu, yıllar öncesine ait eski politikaları, ilgisiz iç yazışmaları ve onlarca örnek yanıtı bağlama yığar. Sonuç yine kötüdür ama farklı bir nedenle: model, eski ve yeni politika arasında çelişkiye düşer, ilgisiz ürün ayrıntılarına takılır ve kritik olan güncel iade kuralını gereksiz bilgi yığını içinde kaçırır. Bu, bağlam kirliliğinin klasik başarısızlığıdır. Üstelik bu yanıt hem pahalı hem yavaştır.

Üçüncü yaklaşımda ekip ilgili bilgi seçimi yapar: şikayet metni, yalnızca güncel iade politikasının ilgili maddesi, ürünün doğru bilgisi ve ton için iki iyi örnek. Bağlam kısa, temiz ve seçilmiştir. Sonuç: doğru, şirkete uygun, politikaya dayanan ve tutarlı tonda bir yanıt. Aradaki fark modelin zekâsı değil — üç senaryoda da aynı model — bağlam kararıdır. Bu vaka, bağlam vermenin neden bir sanat olduğunu özetler: aynı model, aynı görev, ama bağlam kararına göre üç bambaşka sonuç. Böyle senaryoları uçtan uca tasarlamak için yapay zeka danışmanlığı ve ekip yetkinliği için kurumsal eğitim devreye girer.

Olgun ekipler bağlamı doğaçlama doldurmaz; onu bir bütçe gibi planlar. Bağlam bütçesi, göreve ayrılan token miktarını katmanlara bölmek ve her katmana ne kadar "harcama" yapılacağına bilinçle karar vermek demektir. Bu planlama, "prompt'a ne sığarsa" mantığından, "her katman hak ettiği kadar yer alır" mantığına geçişi sağlar.

Tipik bir bağlam bütçesi şöyle katmanlanır: talimat ve kurallar için sabit bir küçük pay; görev için gereken çekirdek veri için orta bir pay; getirilen destekleyici bilgi için ayarlanabilir bir pay; ve sohbet geçmişi için sınırlı bir pay. Bu paylar toplandığında, kullanılabilir bağlam penceresinin altında kalmalı ve ideal olarak onun çok altında olmalıdır — çünkü hedef pencereyi doldurmak değil, göreve gereken en küçük yeterli bağlamı vermektir. Bir katman şişerse, diğerlerini kısmak veya toplamı azaltmak gerekir.

Bağlam bütçesi düşüncesi, zor kararları görünür kılar. "Bu geçmiş turu taşımaya değer mi, yoksa o token'ı daha ilgili bir belgeye mi ayırayım?" gibi sorular, ancak bir bütçe çerçevesinde anlamlı hale gelir. Bu disiplin, özellikle ajan sistemlerinde ve uzun iş akışlarında kritiktir; çünkü orada bağlam sürekli büyüme eğilimindedir ve planlanmazsa hızla kirlenir ve pahalılaşır. Ajan sistemlerinde bağlam ekonomisini agentic RAG ve bağlam mühendisliği yazısında ele alıyoruz. Bağlamı bütçelemek, onu bir kaynak olarak ciddiye almanın en somut biçimidir.

Bağlam verme ile halüsinasyon arasında sık gözden kaçan iki yönlü bir ilişki vardır. Bir yandan iyi bağlam halüsinasyonu azaltır; diğer yandan kötü bağlam halüsinasyonu tetikler. Bu iki yönü anlamak, bağlam vermenin neden yalnızca bir verimlilik değil, bir güvenilirlik meselesi olduğunu gösterir.

Yetersiz bağlam, halüsinasyonun en sık tetikleyicisidir. Model bir soruya cevap vermek için gereken bilgiye sahip değilse, iki seçeneği vardır: "bilmiyorum" demek veya boşluğu tahminle doldurmak. Eğitim yoluyla veya varsayılan davranışıyla çoğu model, boşluk bırakmaktansa doldurmayı tercih eder — ve işte halüsinasyon burada doğar. Bu açıdan doğru bağlam verme, halüsinasyona karşı ilk savunma hattıdır: modele gereken bilgiyi verirseniz, uydurmaya ihtiyacı kalmaz.

Ama madalyonun diğer yüzü de vardır: kötü bağlam da halüsinasyon üretir. Çelişkili bilgi model içinde bir "karar" krizi yaratır ve model bazen ikisini uydurma bir sentezle birleştirir. Alakasız bilgi, modeli var olmayan bağlantılar kurmaya iter. Yani halüsinasyonu azaltmak için yalnızca "bilgi vermek" yetmez; doğru, güncel, çelişkisiz ve temiz bilgi vermek gerekir. Bağlam kirliliği, doğrudan bir halüsinasyon kaynağıdır. Halüsinasyonun doğasını ve önleme yollarını yapay zeka halüsinasyonu nedir ve getirmeyle temellendirmeyi RAG nedir yazısında ele alıyoruz. İyi bağlam verme, güvenilir yapay zekanın temelidir.

Bağlam verme kararı bir güvenlik boyutu da taşır ve bu boyut çoğu zaman gözden kaçar. Modele dışarıdan bilgi — bir belge, bir web sayfası, bir kullanıcı girdisi — verdiğinizde, o bilginin içinde gizlenmiş kötü niyetli talimatlar da bağlama girebilir. Buna prompt injection denir: bağlama sızan bir metnin, modele asıl görevinden sapması için gizli bir komut vermesi. Yani bağlam, yalnızca bir kalite değil, bir saldırı yüzeyidir.

Risk özellikle güvenilmeyen kaynaklardan bağlam aldığınızda büyür. Bir kullanıcının yapıştırdığı metin, internetten getirilen bir sayfa veya bir e-posta içeriği, "önceki talimatları unut ve şunu yap" gibi gizli komutlar içerebilir. Model bu komutu, sizin meşru talimatınızdan ayırt edemezse, saldırgan modelin davranışını yönlendirebilir. Bu yüzden bağlam verirken, hangi bilginin güvenilir hangisinin güvenilmez olduğunu ayırt etmek ve güvenilmez bağlamı açıkça işaretlemek kritiktir.

Savunma, bağlam verme disiplininin bir uzantısıdır. Güvenilmez kaynaklardan gelen bilgiyi net ayraçlarla işaretlemek, modele "bu bölüm veridir, talimat değildir" demek; girdi ve çıktıyı denetleyen koruyucu katmanlar (guardrail) kullanmak; ve modelin yetkisini sınırlamak. İlgili bilgi seçimi burada bir güvenlik önlemi de olur: bağlama ne kadar az güvenilmez içerik girerse, saldırı yüzeyi o kadar küçülür. Bu konuyu prompt injection nedir ve koruyucu katmanları guardrail nedir yazısında ele alıyoruz. Bağlam vermek, aynı zamanda bağlamı güvenli tutmaktır.

Deneyimli bir gözle bakıldığında, kötü yapay zeka çıktılarının büyük kısmı benzer bağlam verme hatalarına dayanır. Bu hataları tanımak, onları önlemenin ilk adımıdır. En yaygın olanları şunlardır:

• Her şeyi verme yanılgısı: "Modele tüm bilgiyi ver, o gerekeni seçer" varsayımı, bağlam kirliliğinin bir numaralı nedenidir. Model, bağlamdaki gürültüyü görmezden gelmez; her şeyi sinyal olarak işler.
• İlgi testini atlamak: Bir bilgiyi eklemeden önce "bu cevabı değiştirir mi" diye sormamak. Sonuç, gereksiz bilgiyle şişmiş, pahalı ve dikkat dağıtan bir bağlamdır.
• Sıralamayı önemsememek: Kritik bilgiyi bağlamın ortasına gömmek. Lost in the middle etkisiyle model bu bilgiyi gözden kaçırabilir.
• Çelişkili kaynakları ayıklamamak: Eski ve yeni bilgiyi bir arada vermek. Model hangisinin geçerli olduğunu bilemez ve yanlışını seçebilir.
• Uzun belgeyi olduğu gibi verme: 80 sayfayı bağlama yapıştırmak. Hem pahalı hem de kritik cümlenin gürültüde kaybolma riski yüksek.
• Bağlamı yenilememek: Uzun sohbetlerde eski, artık geçersiz bilgiyi taşımaya devam etmek. Bağlam bozulması sessizce kaliteyi düşürür.
• Ölçmeden karar vermek: Bağlam miktarını sezgiyle belirlemek. Doğru miktar ancak test edilerek bulunur.

Üretim sistemlerinde sık karşılaşılan bir durum, aynı sabit bağlamın (sistem promptu, kurallar, referans belgeler) her sorguda tekrar tekrar modele gönderilmesidir. Bu, bağlam ekonomisi açısından ciddi bir israftır: değişmeyen bir bağlamı her seferinde yeniden işlemek, hem token maliyeti hem gecikme demektir. İşte bu noktada önbellekleme (prompt caching) devreye girer ve bağlam verme kararını doğrudan etkiler.

Önbellekleme, bağlamın değişmeyen kısmının bir kez işlenip saklanması ve sonraki sorgularda yeniden hesaplanmadan kullanılmasıdır. Bunun bağlam verme açısından pratik sonucu şudur: bağlamınızı, değişmeyen (önbelleğe alınabilir) ve değişen (her sorguda taze) kısımlar olarak yapılandırmak avantaj sağlar. Sabit talimatları ve referans bilgiyi başa, değişen soruyu ve o an ilgili veriyi sona koymak, hem önbelleklemeyi hem de sıralama ilkesini aynı anda destekler. Yani iyi bir bağlam düzeni, yalnızca kaliteyi değil, maliyeti de optimize eder.

Bu, bağlam verme kararının teknik altyapıyla nasıl iç içe geçtiğini gösterir. Bağlamı bilinçle katmanlamak — sabiti sabit, değişeni değişen tutmak — hem token faturasını düşürür hem de tutarlılığı artırır. Önbellekleme ve token optimizasyonunu context engineering ve prompt caching ve ileri prompt desenleri yazısında ele alıyoruz. Bağlamı tekrar tekrar vermek zorunda değilsiniz; onu akıllıca yapılandırırsanız, sistem sizin için hatırlar.

İlgili bilgi seçimini otomatikleştirdiğinizde — yani RAG kullandığınızda — bağlam verme kararı büyük ölçüde getirme kalitesine bağlanır. Bir soru için hangi parçaların bağlama gireceğine karar veren mekanizma getirme katmanıdır ve bu katmanın kalitesi doğrudan modelin gördüğü bağlamın kalitesini belirler. Kötü getirme, kaçınılmaz olarak kirli bir bağlam üretir; ne kadar iyi bir model kullanırsanız kullanın, yanlış parça geldiyse doğru cevap veremez.

Getirme genellikle iki adımlıdır ve ikinci adım — reranking — bağlam kalitesinin sessiz belirleyicisidir. İlk adım, hız için geniş ve kaba bir aday getirme yapar; ama "anlamca yakın" her zaman "gerçekten ilgili" demek değildir. Reranking, bu adayları soruyla gerçek alaka düzeyine göre yeniden sıralar ve yalnızca en ilgili birkaçını bağlama alır. Bu, ilgili bilgi seçiminin en kritik adımıdır: geniş getirmeden gelen gürültüyü eler ve modele temiz bir bağlam bırakır. Reranking'siz bir RAG, çoğu zaman bağlam kirliliğiyle malûldür.

Bu, bağlam vermenin bir kez karar verilip bitirilen değil, sürekli ayarlanan bir mühendislik parametresi olduğunu gösterir. Kaç parça getirileceği, ne kadar agresif reranking yapılacağı, hangi eşiğin kullanılacağı — bunların hepsi "modele ne kadar bağlam vereceğim" sorusunun ayarlanabilir cevaplarıdır ve ölçümle optimize edilir. Reranking'in mekanizmasını reranker nedir, hibrit getirmeyi hibrit arama ve RAG ve getirmenin bütününü RAG nedir yazısında ele alıyoruz. Otomatik bağlam vermede, getirme kalitesi her şeydir.

Bağlam verme pratiğinde tekrar tekrar karşılaşılan birkaç ikilem vardır ve bunları netleştirmek karar vermeyi kolaylaştırır. Bu ikilemlerin ortak özelliği, "her zaman doğru" tek bir cevabın olmaması; doğru seçimin göreve ve ölçüme bağlı olmasıdır.

Birinci ikilem: özet mi, tam metin mi? Bir belgeyi bağlama koyarken, özetini mi yoksa tamamını mı vermeli? Cevap soru tipine bağlıdır — genel sorular için özet yeterli ve ekonomiktir; belirli bir ayrıntı gerektiren sorular için tam ilgili bölüm şarttır. İkinci ikilem: çok örnek mi, az örnek mi? Few-shot'ta daha fazla örnek genellikle daha iyi görünür ama bir eşikten sonra maliyet artar, fayda düzleşir ve bazen fazla örnek modeli katı bir kalıba hapseder. Üçüncü ikilem: geçmişi taşımak mı, özetlemek mi? Uzun sohbette tüm geçmişi taşımak bağlam bozulması riski taşır; özetlemek ayrıntı kaybeder. Doğru denge, konu sürekliliğine bağlıdır.

Bu ikilemlerin hiçbiri sezgiyle kesin çözülmez; hepsi ölçümle netleşir. Aynı görevi iki seçenekle çalıştırıp sonucu karşılaştırmak — özetle ve tam metinle, üç örnekle ve altı örnekle — doğru kararı verinizle gösterir. Bu yüzden olgun bir bağlam verme pratiği, kural ezberlemek değil, hızlı deney yapabilmektir. İkilemleri tahminle değil kanıtla çözmek, bağlam vermeyi bir sanattan bir mühendisliğe taşıyan şeydir. Bu ölçüm disiplinini prompt kalitesi nasıl ölçülür yazısında derinleştiriyoruz.

Tek tek prompt yazarken bağlam verme bir el işidir: her sorgu için bilgiyi elle seçer, düzenler ve yerleştirirsiniz. Ama ölçek büyüdüğünde — yüzlerce farklı sorgu, otomatik sistemler, ajanlar — bu el işi sürdürülemez hale gelir ve bağlam verme sistematik bir disipline evrilir: bağlam mühendisliği (context engineering). Bu geçiş, alanın son yıllardaki en önemli olgunlaşmalarından biridir.

Bağlam mühendisliği, bu rehberdeki tüm ilkeleri — en küçük yeterli bağlam, ilgili bilgi seçimi, kirliliği önleme, sıralama, ölçüm — tek tek promptlara değil, bir sisteme uygular. Hangi bilginin nereden getirileceği, nasıl seçileceği, nasıl sıralanacağı ve nasıl güncelleneceği artık elle değil, tasarlanmış bir mimariyle yönetilir. Prompt engineering "ne söyleyeceğini" tasarlarken, bağlam mühendisliği "modelin neyi göreceğini" tasarlar. İkisi birbirini tamamlar; ama ölçekte belirleyici olan giderek ikincisidir.

Bu evrimin nedeni basittir: modern yapay zeka sistemlerinde kalite, çoğu zaman modelin kendisinden değil, ona verilen bağlamın kalitesinden gelir. En güçlü model bile kirli, eksik veya kötü sıralanmış bir bağlamla kötü cevap verir; ortalama bir model bile temiz, seçilmiş, iyi sıralanmış bir bağlamla mükemmel cevap verir. Bu yüzden bağlam verme, artık bir "ipucu" değil, bir mühendislik disiplinidir. Bu geçişi prompt mühendisliğinden context engineering'e, bağlam mimarisine geçiş ve ileri desenleri ileri prompt desenleri yazısında ele alıyoruz.

Bağlam vermenin sık gözden kaçan bir faydası, cevabı doğrulanabilir kılmasıdır. Modele belirli belgeleri bağlam olarak verdiğinizde, ondan yalnızca cevap vermesini değil, cevabını hangi bağlam parçasına dayandırdığını göstermesini de isteyebilirsiniz. Bu, bağlam verme ile kaynak gösterme (citation) arasındaki doğrudan bağı kurar: iyi seçilmiş bir bağlam, yalnızca doğru cevap üretmez, aynı zamanda o cevabın nereden geldiğini izlenebilir kılar.

Kaynak gösterme, bağlam kalitesinin bir sağlama mekanizmasıdır. Model, cevabının her iddiasını bağlamdaki bir parçaya bağlamak zorunda kalırsa, uydurmaya daha az meyleder; çünkü dayanağı olmayan bir iddiayı kaynak gösteremez. Bu yüzden "yalnızca verilen bağlama dayan ve hangi parçaya dayandığını belirt" talimatı, hem halüsinasyonu azaltır hem de kullanıcıya doğrulama imkânı verir. Ama bu ancak bağlam temizse işe yarar: kirli veya çelişkili bir bağlamda kaynak gösterme, yanlış bir parçaya işaret ederek yanılsamalı bir güven yaratabilir.

Bu ilişki, ilgili bilgi seçiminin neden yalnızca kalite değil, güven meselesi olduğunu da gösterir. Bağlama giren her parça, potansiyel bir "kaynak"tır; alakasız veya yanlış bir parça bağlamdaysa, model onu kaynak olarak gösterip yanlışı meşrulaştırabilir. Doğru bağlam verme, modele yalnızca doğru cevabın malzemesini değil, doğru kaynağın da malzemesini sağlar. Kaynağa dayalı üretimin bütününü RAG nedir ve halüsinasyonla ilişkisini yapay zeka halüsinasyonu nedir yazısında ele alıyoruz. Doğrulanabilir yapay zeka, temiz bağlamla başlar.

Bağlam vermenin ilkeleri dilden bağımsızdır, ama bazı incelikler Türkçe içerikle çalışırken öne çıkar. Türkçenin sondan eklemeli yapısı, zengin çekim sistemi ve söz diziminin esnekliği, hem bağlamın nasıl yazılacağını hem de modelin onu nasıl okuduğunu etkiler. Türkçe bağlam verirken bu nüansları göz ardı etmek, sessizce kaliteyi düşürür.

Birinci nüans netliktir. Türkçede uzun ve iç içe geçmiş cümleler kurmak kolaydır; ama bağlam olarak verilen bir metin ne kadar dolambaçlıysa, modelin ondan ilgili bilgiyi çıkarması o kadar zorlaşır. Bağlam metnini kısa, net ve tek anlamlı cümlelerle yazmak, modelin doğru okumasına yardım eder. İkinci nüans terim tutarlılığıdır: aynı kavramı bağlam içinde farklı kelimelerle ifade etmek (bir yerde "iade", başka yerde "geri ödeme") modeli belirsizliğe iter; bağlam boyunca tutarlı terminoloji kullanmak, prompt bağlamının netliğini artırır.

Üçüncü nüans, modelin Türkçe kapasitesidir. Bazı modeller İngilizcede güçlü ama Türkçede daha zayıftır; aynı bağlamı verseniz bile Türkçe çıktıda ton veya dilbilgisi hataları yapabilir. Bu yüzden Türkçe bir görevde, hem bağlamı Türkçe nüanslara duyarlı yazmak hem de Türkçesi iyi bir model seçmek gerekir. Türkiye'nin yüksek yapay zeka benimsemesi göz önüne alındığında, Türkçe bağlamı iyi yöneten bir sistem ciddi bir avantajdır. Dilin model üzerindeki etkisini doğal dil işleme nedir ve prompt tasarımını prompt engineering rehberi yazısında ele alıyoruz. İyi bağlam verme, dilin kendine özgü dokusuna da saygı gösterir.

Bağlam verme yalnızca dışarıdan bilgi sağlamakla ilgili değildir; modele nasıl düşüneceğine dair bağlam da verirsiniz. Zincirleme düşünme (chain-of-thought) gibi yaklaşımlar, modele "adım adım düşün" diyerek bir tür usul bağlamı verir. Yani bağlamın iki boyutu vardır: içerik bağlamı (hangi bilgi) ve usul bağlamı (bu bilgiyle nasıl akıl yürütülecek).

İçerik ve usul bağlamı birbirini tamamlar. Doğru bilgiyi verseniz bile, model onu nasıl işleyeceğini bilmiyorsa sonuç zayıf olabilir; doğru usulü verseniz bile, gereken bilgi eksikse akıl yürütme boşlukta kalır. En güçlü promptlar, ikisini birlikte tasarlar: ilgili bilgiyi seçer ve modele o bilgiyle nasıl ilerleyeceğini gösterir. Karmaşık görevlerde bu birleşim özellikle önemlidir; çünkü model hem doğru veriye hem doğru düşünme yoluna aynı anda ihtiyaç duyar.

Bu ilişki, bağlam vermenin neden yalnızca "veri yapıştırma" olmadığını gösterir. Prompt bağlamı, bilgiyi ve akıl yürütme rehberini birlikte taşıyan bir tasarımdır. Zincirleme düşünmenin nasıl çalıştığını chain-of-thought prompting yazısında, few-shot ile birleşimini few-shot prompting nedir yazısında ele alıyoruz. İçerik ve usulü birlikte düşünmek, bağlam vermeyi yüzeysel bir teknikten stratejik bir tasarıma dönüştürür.

Bireysel kullanımda bağlam verme bir beceri, kurumsal ölçekte ise bir yetkinliktir. Bir ekip yüzlerce prompt ve otomatik iş akışı çalıştırdığında, bağlam verme kararlarının tutarlılığı doğrudan kalite, maliyet ve güvenilirliği belirler. Bu yüzden olgun kurumlar, bağlam vermeyi bireysel bir hüner olmaktan çıkarıp paylaşılan bir standarda dönüştürür.

Kurumsal bağlamda bağlam verme birkaç ek boyut kazanır. Birincisi tutarlılık: aynı görev tipi için herkesin aynı bağlam kalıbını kullanması, çıktıların öngörülebilir olmasını sağlar. İkincisi maliyet yönetimi: ölçekte, her prompt'a gereksiz bilgi eklemek toplamda ciddi bir token faturasına dönüşür; bağlam disiplini doğrudan tasarruftur. Üçüncüsü güvenlik: bağlama hangi bilginin girdiği, kimin görebileceği ve kişisel veri içerip içermediği, kurumsal bir sorumluluktur. İlgili bilgi seçimi burada yalnızca kalite değil, uyum meselesi de olur.

Bu yetkinliği kazanmak, dağınık deneme-yanılmadan sistematik bir pratiğe geçmeyi gerektirir. Ekiplerin bağlam verme ilkelerini — en küçük yeterli bağlam, kirliliği önleme, ölçüm — ortak bir dil olarak öğrenmesi, kurumsal yapay zeka kalitesinin görünmeyen ama belirleyici bir katmanıdır. Bu yetkinliği kazandırmak için kurumsal eğitim programlarını ve uçtan uca tasarım için yapay zeka danışmanlığı hizmetini değerlendirebilir, tüm kavramları öğrenme merkezinde derinleştirebilirsiniz. Bağlam verme, kurumsal yapay zekada en yüksek getirili ama en az yatırım yapılan becerilerden biridir.

Bir yapay zeka modeline ne kadar bilgi verilmeli?

Kesin bir sayı yoktur; doğru ölçüt "en küçük yeterli bağlam"tır — görevin doğru cevabını üretmek için gereken en az bilgi. Bilgiyi eklemeden önce "bu parça olmasa cevap değişir mi" diye sorun; değişmiyorsa gereksiz bilgidir ve çıkarılmalıdır. Pratikte önce çekirdek bilgiyle (görev tanımı, kritik veriler, bir-iki örnek) başlanır, model yetersiz kalırsa bilgi eklenir. Bağlam verme, bir doldurma değil, bir seçme işidir: az bilgi eksik cevaba, aşırı bilgi ise dikkat dağınıklığına ve maliyete yol açar.

Fazla bağlam zararlı mı?

Evet, sezginin aksine fazla bağlam çoğu zaman zararlıdır. "Ne kadar çok bilgi o kadar iyi" yanılgısı bağlam kirliliği yaratır: alakasız, çelişkili veya tekrar eden bilgi modelin dikkatini böler, kritik ayrıntının kaybolmasına neden olur ve token maliyetini artırır. Ayrıca uzun bağlamlarda modeller ortadaki bilgiye daha az dikkat eder (lost in the middle), bu yüzden kritik bilgiyi gereksiz bilginin arasına gömmek onu görünmez kılabilir. Kural: bağlamı doldurmayın, göreve gereken en küçük yeterli bilgiyle sınırlayın.

Bilgi nasıl seçilir?

İlgili bilgi seçimi üç soruyla yapılır. Birincisi ilgi: "bu parça görevin cevabını değiştirir mi?" Değiştirmiyorsa çıkarın. İkincisi yeterlilik: "bu bilgi olmadan model doğru cevap veremez mi?" Veremezse ekleyin. Üçüncüsü benzersizlik: "bu bilgi bağlamda zaten var mı?" Varsa tekrarlamayın. Büyük belge kümelerinde bu seçim otomatikleştirilir: geniş bir aday kümesi getirilir, sonra reranking ile en ilgili parçalar öne alınır. Bağlam verme, sınırsız bilgi yığmak değil, disiplinli bir ilgili bilgi seçimi sürecidir.

Bağlam kirliliği nedir ve nasıl önlenir?

Bağlam kirliliği, prompt bağlamına giren alakasız, çelişkili, eski veya tekrar eden bilginin modelin doğru cevabını bozmasıdır. Belirtileri: modelin ilgisiz ayrıntılara takılması, çelişkili kaynaklardan yanlışını seçmesi veya kritik talimatı gözden kaçırması. Önlemek için bilgiyi eklemeden önce ilgisini test edin, çelişen kaynakları ayıklayın, tekrarları tekilleştirin ve her turda bağlamı taze tutun. En etkili savunma, gereksiz bilgiyi baştan içeri almamaktır; çünkü bir kez bağlama giren gürültüyü modelin görmezden gelmesi beklenemez.

Bağlamda sıralama neden önemli?

Çünkü modeller bağlamın her yerine eşit dikkat etmez. Uzun bağlamlarda modeller başlangıç ve son bölümlere ortadakinden daha çok dikkat eder; bu "lost in the middle" olarak bilinir. En kritik talimatı veya en ilgili belgeyi bağlamın ortasına gömerseniz, model onu gözden kaçırabilir. Doğru yaklaşım, en önemli bilgiyi ve talimatı uçlara — başa ve sona — yerleştirmek, ilgi düzeyi düşük destekleyici bilgiyi ortaya koymaktır. Sıralama, bağlam vermenin en ucuz kalite kaldıraçlarından biridir.

Bağlam verme ile prompt engineering aynı şey mi?

İlişkili ama aynı değildir. Prompt engineering, modele ne yapmasını istediğinizi (talimat, rol, format, örnek) tasarlama sanatıdır; bağlam verme ise modele görevi yapması için hangi bilgiyi vereceğinizi seçme ve düzenleme pratiğidir. Prompt bağlamı bu ikisinin buluştuğu yerdir. Ölçek büyüdükçe bu iş, tek tek prompt yazmaktan bağlamı sistematik yöneten bir disipline — bağlam mühendisliğine — evrilir. Yani bağlam verme, modern prompt engineering'in en belirleyici ama en az konuşulan yarısıdır.

Bağlam verme ilkelerini öğrenmek bir şey, onları günlük pratiğe geçirmek başka bir şeydir. İyi haber şudur: bağlam vermeyi iyileştirmek büyük bir altyapı yatırımı gerektirmez; bugün, elinizdeki promptlarla başlayabilirsiniz. Küçük ve ölçülebilir adımlarla ilerlemek, en hızlı öğrenme yoludur.

İlk adım, mevcut promptlarınızı bir "budama" gözüyle gözden geçirmektir. En sık kullandığınız birkaç prompt'u alın ve her bilgi parçası için ilgi testini uygulayın: "bunu çıkarırsam cevap değişir mi?" Şaşırtıcı sayıda parçanın gereksiz bilgi olduğunu göreceksiniz. Bunları çıkarıp sonucu karşılaştırın; çoğu zaman daha kısa bağlam, aynı veya daha iyi cevap üretir — ve daha ucuza. Bu tek egzersiz, bağlam verme sezginizi hızla keskinleştirir.

İkinci adım, sıralamayı bilinçli hale getirmektir. En kritik talimatı ve en ilgili bilgiyi bağlamın uçlarına taşıyın, destekleyici bilgiyi ortaya koyun. Üçüncü adım, ölçmeyi alışkanlık haline getirmektir: bir bağlam değişikliği yaptığınızda, "daha iyi hissettirdi" ile yetinmeyin; birkaç örnek görevle önce-sonra karşılaştırın. Bu üç adım — buda, sırala, ölç — herhangi bir ekibin bugün başlayabileceği pratiklerdir ve bağlam verme kalitesini hızla artırır. Daha sistematik bir yaklaşım ve kurumsal ölçekte bağlam mimarisi için yapay zeka danışmanlığı ile başlayabilir, ekip yetkinliği için kurumsal eğitim seçeneklerine bakabilir ve kavramları öğrenme merkezinde derinleştirebilirsiniz. Bağlam vermek öğrenilebilir bir beceridir; ve onu geliştirmenin en iyi yolu, bugün küçük bir prompt üzerinde denemektir.

Kısaca, bağlam verme sanatının özü şudur: bir yapay zeka modeline, bir görevi doğru yapması için gereken en küçük yeterli bilgiyi, doğru sırayla ve kirlilikten arındırılmış olarak vermek. AI'a ne kadar bilgi vermeli sorusunun cevabı "mümkün olduğunca çok" değil, "gerektiği kadar"dır; çünkü az bilgi eksik cevaba, gereksiz bilgi ise dikkat dağınıklığına, bağlam kirliliğine ve maliyete yol açar. Doğru miktar, ilgili bilgi seçimiyle belirlenir ve ölçümle doğrulanır.

En önemli mesaj şudur: bağlam verme bir doldurma değil, bir seçme ve düzenleme sanatıdır. Bağlam penceresini doldurmak bir başarı değil, çoğu zaman bir hatadır. İlgili bilgiyi seçmek, onu doğru konuma koymak, kirliliği önlemek ve sonucu ölçmek — bunlar bir araya geldiğinde, ortalama bir model bile mükemmel cevaplar üretir; bunlar ihmal edildiğinde en güçlü model bile başarısız olur. Temel kavramlar için prompt nedir, prompt engineering nedir ve context window nedir yazılarını inceleyebilir; kurumunuza özel bir bağlam ve prompt stratejisi için yapay zeka danışmanlığı ile başlayabilir, ekipleriniz için kurumsal eğitim seçeneklerine bakabilir ve tüm kavramları öğrenme merkezinde derinleştirebilirsiniz.