# Prompt Mühendisliğinden Context Engineering'e 2026: 'Prompt Out, Context In'

> Source: https://sukruyusufkaya.com/blog/prompt-muhendisliginden-context-engineering-2026
> Updated: 2026-07-22T15:51:56.200Z
> Type: blog
> Category: yapay-zeka
**TLDR:** Gartner'ın deyişiyle context engineering in, prompt out. Rol nasıl evrildi, hâlâ işe yarayan desenler (CoT, few-shot) ve kurumsal ölçekte bağlam yönetimi.

**TL;DR —** 2026'da Gartner'ın deyişiyle "context engineering in, prompt engineering out." Ama bu, prompt mühendisliğinin öldüğü anlamına gelmiyor; rolün evrildiği anlamına geliyor. Artık mesele tek bir sihirli cümle bulmak değil; modelin çıkarım anında gördüğü her şeyi — talimatlar, veri, örnekler, araç çıktıları, konuşma geçmişi — tasarlamak. Bu yazıda prompt mühendisliğinden bağlam mühendisliğine geçişi, hâlâ işe yarayan temel desenleri (chain-of-thought, few-shot, yapılandırılmış çıktı) ve kurumsal ölçekte bağlamı yönetmenin pratik yollarını sahadan örneklerle anlatıyorum.

## "Prompt engineering öldü" tartışmasının doğru okuması

Son aylarda sık duyduğum bir cümle: "Artık prompt mühendisliği bitti, modeller o kadar iyi ki." Bu, yarısı doğru yarısı yanıltıcı bir iddia. Doğru olan kısım: 2022'de popülerleşen "sihirli cümleyi bul" tarzı prompt hackleme, büyük ölçüde gereksizleşti. Modeller artık kötü ifade edilmiş bir isteği bile anlayabiliyor. Yanıltıcı olan kısım: bu, modelin ne gördüğünü tasarlama işinin bittiği anlamına gelmiyor; aksine, o iş daha da kritik hâle geldi.

Rol evrildi. Prompt mühendisi, giderek bir "bağlam mimarına" dönüşüyor. Odak, tek bir istem cümlesinden, modelin çıkarım anında gördüğü tüm bilgi akışının orkestrasyonuna kaydı. Gartner'ın "context engineering in, prompt engineering out" saptaması, becerinin ortadan kalktığını değil, kurumsal yapay zekâ stratejisinde bir kaymayı işaret ediyor. Bireysel kullanımda, hızlı prototiplemede ve uç durumlarda prompt becerisi hâlâ değerli; ama kurumsal ölçekte asıl mesele bağlam mühendisliği.

> Bir müşterime şunu söylemiştim: "Artık modele ne söylediğiniz değil, modele ne gösterdiğiniz önemli. Ve ona ne gösterdiğiniz, bir cümle değil, bir mimari."

## Bağlam mühendisliği tam olarak nedir

Bağlam mühendisliği, modelin çıkarım anında gördüğü her şeyi — talimatları, veriyi, örnekleri, araç çıktılarını ve konuşma geçmişini — tasarlama ve yönetme pratiği. Amaç, modelin bağlam penceresini, etkileşim ilerledikçe güncellenen, gelişen bir durum olarak ele almak. Sadece ton belirlemek değil; birden fazla kaynaktan gelen bir veri akışını, kullanıcı tercihlerine, geçmiş mesajlara ve değişen konu nüanslarına göre uyarlamak.

Bunu somutlaştırayım. Basit bir prompt, "şu soruyu şu tonda yanıtla" der. Bir bağlam mimarisi ise şunu sorar: modele hangi geçmiş mesajları getirmeliyim, hangilerini özetleyip sıkıştırmalıyım, hangi belgeleri retrieval'la eklemeliyim, hangi araç çıktılarını sunmalıyım, kullanıcının hangi tercihlerini hatırlamalıyım ve tüm bunları sınırlı bağlam penceresine nasıl sığdırmalıyım? Görüldüğü gibi, bu artık bir yazarlık işi değil, bir bilgi akışı tasarımı.

## Hâlâ işe yarayan temel desenler

Bağlam mühendisliğine geçiş, temel prompt desenlerini çöpe atmak anlamına gelmiyor; bu desenler, daha büyük mimarinin yapı taşları olarak yaşamaya devam ediyor. En değerlilerini hatırlatayım.

**Chain-of-thought (düşünce zinciri):** Modele adım adım akıl yürütmesini söylemek, karmaşık problemlerde doğruluğu belirgin biçimde artırıyor. Modern akıl yürütme modelleri bunu kısmen kendiliğinden yapsa da, açık talimat hâlâ değerli. Karmaşık bir problemi mantıksal alt adımlara bölmek, hem doğruluğu hem izlenebilirliği artırıyor.

**Few-shot (örnekle öğretme):** Modele birkaç iyi örnek göstermek, istenen çıktı biçimini ve tarzını yakalamanın en hızlı yolu. Özellikle yapılandırılmış çıktı ve niş görevlerde, iyi seçilmiş üç-beş örnek, sayfalarca talimattan daha etkili.

**Yapılandırılmış çıktı:** Modelden JSON, tablo ya da belirli bir şema istemek, çıktıyı programatik olarak kullanılabilir kılıyor. Şemayı açıkça tanımlamak ve bir örnek göstermek, tutarlılığı büyük ölçüde artırıyor.

**Kısıt tabanlı üretim:** Modele ne yapması gerektiği kadar ne yapmaması gerektiğini de söylemek — sınırları netleştirmek — hataları azaltıyor. Araştırmalar, yapılandırılmış istem süreçlerinin, yapılandırılmamış girdilere kıyasla hataları önemli ölçüde azalttığını gösteriyor.

| Desen | Ne için | Ne zaman |
|---|---|---|
| Chain-of-thought | Karmaşık akıl yürütme | Çok adımlı problemler |
| Few-shot | Biçim ve tarz yakalama | Yapılandırılmış/niş görevler |
| Yapılandırılmış çıktı | Programatik kullanım | JSON/şema gerektiğinde |
| Kısıt tabanlı | Hata azaltma | Sınırların kritik olduğu yerde |

## Kurumsal ölçekte bağlamı yönetmek

Bireysel bir kullanıcının prompt'u ile kurumsal bir sistemin bağlam mimarisi arasındaki fark, bir not ile bir yazılım mimarisi arasındaki fark kadar. Kurumsal ölçekte bağlam yönetiminin birkaç kritik boyutu var.

**Bağlam bütçesi.** Bağlam penceresi sonsuz değil ve her token maliyet ile gecikme demek. Modele her şeyi boca etmek yerine, her adımda tam olarak gerekli olanı sunmak — bir "bağlam bütçesi" disipliniyle çalışmak — hem kaliteyi hem maliyeti iyileştiriyor. Alakasız bağlam, modeli sadece pahalılaştırmıyor, dikkatini dağıtıp doğruluğunu da düşürüyor.

**Bağlam sıkıştırma.** Uzun konuşmalarda ya da büyük belgelerde, ham veriyi olduğu gibi taşımak yerine akıllıca özetleyip sıkıştırmak gerekiyor. Kritik bilgiyi koruyup gürültüyü atmak, bağlam mühendisliğinin en değerli becerilerinden.

**Dinamik retrieval.** Her adımda, o an gerçekten ilgili olan bilgiyi getirmek — statik bir prompt yerine, duruma göre uyarlanan bir bağlam. Bu, RAG'ın bağlam mühendisliğiyle kesiştiği nokta.

**Bellek yönetimi.** Kullanıcının tercihlerini, geçmiş etkileşimlerini ve kalıcı bilgileri nereye, nasıl saklayıp geri çağıracağınız — uzun süreli etkileşimlerde tutarlılığın anahtarı.

## Türkiye bağlamı ve pratik başlangıç

Türkçe uygulamalarda bağlam mühendisliğinin özel bir katmanı var: talimatları ve örnekleri Türkçe vermek, model çıktısının Türkçe tutarlılığını belirgin biçimde artırıyor. İngilizce sistem promptuyla Türkçe çıktı beklemek, sık görülen bir tutarsızlık kaynağı. Ayrıca kişisel veriyi bağlama eklerken KVKK'yı unutmamak gerekiyor; modele gönderdiğiniz her bağlam, bir veri işleme faaliyeti. Gereksiz kişisel veriyi bağlamdan çıkarmak, hem KVKK uyumu hem de daha temiz bir bağlam demek.

Pratik başlangıç için önerim şu: mevcut bir promptunuzu alın ve onu bir "cümle" gibi değil, bir "bilgi akışı" gibi düşünün. Modele hangi bağlamı, hangi sırayla, ne kadarını sunuyorsunuz? Gereksiz olan ne, eksik olan ne? Bu tek zihniyet değişikliği — cümleden mimariye — çıktı kalitenizi çoğu zaman model değiştirmeden yükseltiyor. Prompt mühendisliği ölmedi; büyüdü, olgunlaştı ve bir mimari disipline dönüştü. Bu hafta bir promptunuzu bağlam gözüyle yeniden tasarlayın; farkı ilk çıktıda göreceksiniz.

## Bağlamı ölçerek iyileştirmek

Bağlam mühendisliğini bir sanat gibi görmek cazip; oysa olgun ekipler onu bir ölçüm disiplinine bağlıyor. Bir bağlam tasarımının iyi olup olmadığını "hissederek" değil, bir değerlendirme setiyle test ederek anlarsınız. İki farklı bağlam stratejisini — diyelim daha fazla örnek eklemek ile daha az ama daha alakalı örnek sunmak — aynı soru setiyle çalıştırıp çıktı kalitesini kıyaslarsınız. Bu, prompt/context değişikliklerini tahminden çıkarıp kanıta bağlar.

Sahada gördüğüm en değerli pratik, bağlam değişikliklerini de tıpkı kod değişiklikleri gibi bir değerlendirme hattından geçirmek. Bir örnek eklediğinizde, bir talimatı yeniden yazdığınızda ya da bağlam bütçesini değiştirdiğinizde, doğruluğun düşüp düşmediğini otomatik görürsünüz. Bu geri bildirim döngüsü olmadan, bağlam mühendisliği bir deneme-yanılma bataklığına dönüşür. Ölçümle birleştiğinde ise, sistematik ve tekrarlanabilir bir mühendislik pratiğine.

## Otomatikleşen prompt, insani kalan bağlam

İlginç bir paradoks var: prompt mühendisliğinin manuel, el emeği kısmı hızla otomatikleşirken — modeller kendi promptlarını iyileştirebiliyor, araçlar otomatik prompt optimizasyonu yapıyor — bağlamın neyle doldurulacağına dair stratejik kararlar hâlâ derinden insani. Hangi bilginin ilgili olduğu, hangi tercihlerin hatırlanması gerektiği, hangi kaynağa güvenileceği — bunlar iş bağlamını ve kullanıcıyı anlamayı gerektiriyor. Yani otomatikleşen, mekanik kısım; insani kalan, stratejik kısım.

Bu, prompt/bağlam becerisinin geleceği hakkında da bir ipucu veriyor. Değer, artık "en iyi cümleyi yazan" kişide değil; "modelin neyi görmesi gerektiğini en iyi anlayan" kişide. Bu, teknik olduğu kadar iş anlayışı gerektiren bir beceri. Kurumsal yapay zekâda fark yaratanlar, model seçiminde değil, o modele doğru bağlamı doğru anda sunma tasarımında ustalaşanlar olacak. Bu ustalığı bugün küçük bir adımla — bir promptunuzu bağlam gözüyle yeniden düşünerek — kurmaya başlayabilirsiniz.