MarkTechPost, uzun ufuklu ajan görevlerinde bağlam taşması ve hedef kaybını engelleyen dört “harness” mekanizmasını derledi: bağlam bütçesi ve boşaltma, sıkıştırma (compaction), todo-state / ezberden okuma ve oturumlar arası bellek. Yazı LangChain Deep Agents, Claude Code, Manus, OpenAI Codex ve Amazon Bedrock AgentCore eşiklerini karşılaştırmalı aktarıyor.
Neden daha büyük pencere yetmiyor?
Asif Razzaq imzalı 12 Eylül 2026 tarihli yazıda ajan, araç çağıran bir LLM döngüsü olarak tanımlanıyor. Kısa işlerde çalışan döngü, saatler süren ve yüzlerce araç çağrısı içeren görevlerde iki klasik şekilde kırılıyor: bağlam taşması ve hedef kaybı. AWS Samples tasarım rehberi de sığ ajanların uzun süre durum tutamadığını not ediyor; çözüm model değil, modeli çevreleyen harness katmanı.
Chroma’nın Context Rot raporuna göre 18 LLM’de (GPT-4.1, Claude 4, Gemini 2.5, Qwen3 dahil) girdi uzadıkça performans basit geri getirme görevlerinde bile bozuluyor. Anthropic’in bağlam mühendisliği rehberi, dikkatin n token için n² ilişki ürettiğini ve her ek tokenin sınırlı bir “dikkat bütçesini” erittiğini anlatıyor. Manus, tipik bir görevin yaklaşık 50 araç çağrısı ve ~100:1 girdi-çıktı oranı gerektirdiğini bildiriyor; gözlemler pencerede birikip orijinal talimat ortada kalınca “lost in the middle” ile hedef kaybı beklenen sonuç oluyor.
1) Bağlam bütçesi ve boşaltma
Deep Agents’ta araç yanıtı 20.000 tokeni aşınca dosya sistemine yazılıp yol + ilk 10 satır önizlemesiyle değiştiriliyor. Oturum bağlamı model penceresinin %85’ini geçince diskte zaten duran eski write/edit çağrıları işaretçiye kısaltılıyor. Claude Code otomatik belleği ilk 200 satır veya 25KB ile sınırlıyor; MCP şemaları varsayılan olarak erteleniyor. Sıkıştırmadan sonra 5.000 token üstü yeniden okunan dosyalar içerik yerine yol referansı olarak geliyor. Yazıda örnek olarak bir araştırma alt ajanının 6.100 token dosya okuyup ebeveyne 420 token sonuç döndürdüğü veriliyor.
2) Sıkıştırma (compaction)
Boşaltma yetmeyince harness özetleyip yeni bağlam başlatıyor. Claude Code sıkıştırma istemi mimari kararları, çözülmemiş hataları ve uygulama ayrıntılarını koruyup gereksiz araç çıktılarını atıyor; ardından en son değiştirilen en fazla 5 dosyayı yeniden okuyor. Deep Agents özeti oturum niyeti, üretilen artefaktlar ve sonraki adımlar alanlarıyla yapılandırıyor; orijinal transkript dosyaya yazılıyor. OpenAI Responses API sunucu tarafı sıkıştırma ve `/responses/compact` uç noktası sunuyor; Claude Developer Platform `compact_20260112` düzenlemesi ve `pause_after_compaction` seçeneği içeriyor.
3) Todo-state ve 4) bellek
Manus ajanının `todo.md`’yi adım adım yeniden yazarak hedefleri bağlamın sonuna taşıdığı anlatılıyor. Deep Agents’ta `write_todos` Temmuz 2026’daki v0.7’ye kadar varsayılanmış; LangChain eval’larında todolar kapalıyken biraz daha iyi ödül ve daha düşük maliyet görülünce `TodoListMiddleware` isteğe bağlı yapılmış, uzun çok adımlı görevlerde yine açılması öneriliyor. Oturum sonrası bellek için Claude Code `CLAUDE.md` ve otomatik belleği sıkıştırmadan sonra yeniden enjekte ediyor; AgentCore Memory olay depolayıp çıkarım stratejileri çalıştırıyor. ETH Zurich çalışmasına atıfla kalıcı bağlam dosyalarının başarıyı genelde artırmadığı, LLM üretimi dosyalarda çıkarım maliyetini %20–23 yükselttiği belirtiliyor.
Kaynak: MarkTechPost — Context Engineering Inside the Harness
Henüz yorum yok. İlk yorumu siz yapın!