Türkçe altyazı Turkish subtitles
0:00 Eskiden daha iyi yapay zeka sistemleri inşa etmenin mükemmel istemi yazmakla ilgili olduğunu düşünüyorduk. We used to think building better AI systems was all about writing the perfect prompt. 0:06 Örneğin, istem mühendisliğini duymuş olabilirsiniz. You may have heard of prompt engineering, for example. 0:13 Ancak büyük dil modelleri ve yapay zeka ajanları geliştikçe, istem mühendisliğinden bağlam mühendisliği adı verilen bir şeye doğru kayıyoruz. But as large language models and AI agents develop, we're shifting away from prompt engineering and towards something called context engineering. 0:31 Bu terimi tanımlayalım. Let's define this term. 0:33 Bağlam mühendisliği, bir LLM veya ajana daha doğru ve ilgili çıktılar üretmesi için aktarılan bilginin bilinçli bir şekilde yapılandırılması ve optimize edilmesidir. Context engineering is the practice of deliberately structuring and optimizing the information passed to an LLM or agent to produce more accurate and relevant outputs. 0:46 Bunu senin ve benim nasıl çalıştığımızla ilişkilendirelim. Let's relate this to how you and I operate. 0:49 Çoklu görev yaparken bunalmış ve umduğun kadar az iş bitirmiş misin? Have you ever felt overwhelmed when multitasking and gotten less done than you hope? 0:56 Son araştırmalar, senin ve benim aynı anda yaklaşık 20 saniye boyunca yalnızca üç beş parça bilgiyi tutma ve işleme kapasitemize sahip olduğumuzu gösteriyor. Well, recent research suggests that you and I are only capable of holding and processing about three to five pieces of information for roughly 20 seconds at a time. 1:11 Bu, çalışma belleğimizdir ve çoklu görev sırasında deneyimleyebileceğimiz bilişsel aşırı yüklenmenin mantıklı olmasının nedeni budur. This is our working memory, and the cognitive overload we can experience at times when multitasking makes sense. 1:18 Bunu azaltmak için genellikle bilgiyi parçalara ayırır ve daha küçük alt görevler oluştururuz. To reduce this, we tend to chunk information create smaller subtasks. 1:27 Bu aslında yapay zeka modellerinin büyük miktarda bilgiyi işleme biçimine oldukça benziyor. And this is actually quite similar to how AI models process large amounts of information. 1:33 Bu videoda, bağlam mühendisliğinin ne olduğunu, iyi bir bağlamın nasıl göründüğünü, neden önemli olduğunu ve pratik bir örneği inceleyeceğiz. In this video, we'll break down what context engineering is, what good context looks like, why it matters, and a practical example. 1:42 İstem mühendisliği, bu LLM'den istediğimi almak için talimatları nasıl ifade edebilirim? sorusunu sormakla ilgilidir. Prompt engineering is all about asking, how do I phrase the instructions to get what I want out of this LLM? 1:51 Buna karşılık, bağlam mühendisliği modele sağlanan tüm bilgi ortamına odaklanmakla ilgilidir. In contrast, context engineering is about focusing on the entire information environment provided to the model. 2:02 Dolayısıyla istem mühendisliği aslında bağlam mühendisliğinin yalnızca bir parçasıdır. So prompt engineering is actually just one piece of context engineering. 2:06 Ve yapay zeka ajanları inşa ederken bu ayrım gerçekten önemli hale gelir, çünkü ajanlar sadece tek bir soruyu yanıtlamaz. And that distinction becomes really important when building AI agents because agents don't just answer one question. 2:14 Birden fazla adım boyunca akıl yürütürler. They reason across multiple steps. 2:17 Araçlar kullanırlar. They use tools. 2:19 Bilgi geri getirirler. They retrieve information. 2:22 Ve karar vermek için hafızayı güncellerler. And update memory to make decisions. 2:25 Tıpkı çalışma belleğimiz gibi, yapay zeka modellerinin bağlamı da sınırlıdır. Just like our working memory, AI model context is finite. 2:33 Muhtemelen merak ediyorsunuzdur, modeller artık devasa bağlam pencerelerini desteklemiyor mu? You might be wondering, don't models now support huge context windows? 2:38 Yani, 2 milyondan fazla token ile gerçekten hangi bağlamı sağlayacağımıza ve bunun ne kadarına dikkat etmemiz gerekiyor? I mean, with 2 million plus tokens, do we really need to be intentional about what context we provide and how much of it? 2:47 Dürüst olmak gerekirse, daha fazla bağlam aslında daha iyi performans anlamına gelmiyor. Well, the truth is more context does not actually mean better performance. 2:57 Hatta bağlam büyüdükçe performans düşebilir. In fact, performance can degrade as context grows. 3:01 Araştırmacılar buna bazen bağlam çürümesi diyorlar. Researchers sometimes call this context rot. 3:08 Aşırı miktarda alakasız bilgi, kötü yapılandırılmış veya eksik veriler daha kötü akıl yürütmeye ve halüsinasyonlara yol açar. Too much irrelevant information, poorly structured or missing data leads to worse reasoning and hallucinations. 3:17 Bunu şöyle düşünün: Rastgele bir görev için, örneğin yeni bir iş arkadaşını sisteme dahil etmek için, tek sayfalık bir talimat versem muhtemelen bunu oldukça kolay ve hızlı bir şekilde çözersiniz. Think about it like if I hand you one piece of instructions on a single page for a random task, like onboarding a new coworker, you'll probably figure it out quite easily and quickly. 3:31 Şimdi bunun yerine size 4.000 sayfalık Slack mesajları, e-postalar ve rastgele notlar verdiğimi hayal edin. Now consider if instead I handed you 4,000 pages of Slack messages, emails, and random notes. 3:42 Elinizdeki görev için aslında neyin önemli olduğunu ve nasıl başlayacağınızı anlamakta zorlanırdınız. You would struggle to figure out what actually matters for the task at hand and how to get started. 3:48 Bağlam mühendisliğinin önemli olması bunun içindir. That's why context engineering matters. 3:51 Amaç modele daha fazla bilgi vermek değil, doğru bilgiyi doğru formatta sunmaktır. The goal isn't to give the model more information, but rather the right information in the right format. 3:59 Bağlam, modelin çıkarım sırasında gördüğü her şeydir. Context is everything the model sees at inference time. 4:05 Bir LLM örneği üzerinden gidecek olursak, bağlam; sistem istemini, kullanıcının sorgusunu, vektör veritabanı veya belge deposu gibi harici bir kaynaktan alınan belgeleri veya bilgileri, Using an LLM as an example, context includes the system prompt, the user's query, any documents or information retrieved from an external source, like a vector database or document store, 4:21 LLM ile kullanıcı arasındaki geçmiş etkileşim ve yanıtların geçmişini and the history of past interactions and responses between the LLM and the user. 4:29 ve araç çıktıları, API'ler veya diğer ajanlar gibi ek sistemlerin çıktılarını içerir. The output of any additional systems like tool outputs, APIs, or other agents. 4:37 Peki, bir ajana sağlanacak çok fazla bilgi var. Well, that's a lot of information to provide an agent. 4:40 İyi bir bağlamın nasıl göründüğünü düşünelim. Let's think about what good context looks like. 4:48 Birkaç temel özellik vardır. There are a few key characteristics. 4:51 İlk olarak, ilgili olma durumu gelir. First, there is relevance. 4:55 Dahil edilen her bilgi parçası, modelin görevi tamamlamasına yardımcı olmalıdır. Every piece of information included should help the model complete the task. 5:01 İkincisi, yapıya sahibiz. Second, we have structure. 5:06 Bilgi, modelin farklı bilgi türlerini ayırt etmesine yardımcı olacak etiketler veya biçimlendirme ile genellikle net bir şekilde organize edilmelidir. Information should be organized clearly, often with labels or formatting that helps the model distinguish between different information types. 5:16 Üçüncüsü, zamanlamaya sahibiz. Third we have timing. 5:20 Özellikle ajan tabanlı sistemlerde, bağlam yalnızca gerektiğinde tanıtılmalıdır. In agentic systems especially, context should be introduced only when needed. 5:27 Ve dördüncüsü, sıkıştırma vardır. And fourth, there's compression. 5:31 Yani ham veriyi isteme doğrudan dökmek yerine, genellikle en faydalı detayları özetler veya filtreleriz. So instead of dumping raw data into the prompt, we often summarize or filter only the most useful details. 5:41 Bu dönüştürücü adımlar seti kullanılabilir bir bağlam elde etmemize yardımcı olur ve buna bağlam işleme denir. This set of transformative steps helps result in usable context and this is called context processing. 5:50 Bir sonraki adım bağlam yönetimidir. The next step is context management. 5:54 Bu, etkileşimler boyunca ve zaman içinde modelin bağlamında yer alan bilgilerin sürdürülmesi sürecidir. So it's the ongoing process of maintaining the information that is included in a model's context across interactions and over time. 6:05 Temel fikirler arasında, ilgili bilgilerin korunması ve gereksiz veya eski bilgilerin kaldırılması veya en aza indirilmesi için neyin tutulacağına ve neyin atılacağına karar vermek yer alır. Key ideas include deciding what to retain and what to discard, so that relevant information is maintained and unnecessary or outdated information is removed or minimized. 6:20 Ayrıca birden fazla etkileşim boyunca sürekliliği sürdürmek de vardır. There's also maintaining continuity across multiple interactions. 6:25 Konuşma sistemlerinde bu, modelin tutarlı bir şekilde ve bağlam farkındalığıyla yanıt verebilmesi için ilgili kullanıcı girdilerini, sistem talimatlarını ve önceki yanıtları izlemeyi ifade eder. In conversational systems, this means tracking relevant user inputs, system instructions, and prior responses so that the model can respond consistently and with awareness of context. 6:39 Ayrıca bilgilere öncelik vermemiz gerekir. We must also prioritize information. 6:43 Tüm bilgi parçalarının eşit önemi yoktur, bu nedenle bağlam yönetimi, verilerin önemine, güncelliğine veya göreve olan katkısına göre belirli verilere öncelik atar. Not all pieces of information have equal importance, so context management assigns priority to certain data based on relevance, recency, or importance to the task. 6:56 Bir sonraki adım, yeni bilgiler mevcut olduğunda bağlamı güncellemekle uğraşmak olan bilgi yaşam döngüsünü yönetmektir. Next step is handling the information life cycle, which means working to update the context when new information becomes available. 7:07 Eski verilerin geçersiz kılınması ve bağlamın en doğru ve güncel bilgi durumunu yansıtmasının sağlanmasıdır. Invalidating outdated data and ensuring that the context reflects the most accurate and current state of knowledge. 7:14 Bu, bilgilerin zamanla değiştiği dinamik ortamlarda özellikle önemlidir. It is especially important in dynamic environments where information changes over time. 7:21 Son olarak, alınan bilgilerin doğru bir şekilde entegre edilmesini ve genel bağlamın anlamını korumasını sağlamak için tutarlılık ve bütünlüğün sürdürülmesi kritik öneme sahiptir. Finally, it's critical to maintain consistency and coherence so that retrieved information is integrated properly and that the overall context continues to make sense. 7:34 Bağlam mühendisliğinin pratikteki gerçek bir örneğine bakalım. Let's look at a real-world example of context engineering in action. 7:39 Bir sağlık kuruluşu için, hastaların randevu almasına yardımcı olan bir yapay zeka asistanı geliştirdiğinizi hayal edin. Imagine you're building an AI assistant for a healthcare provider that helps patients schedule appointments. 7:47 Arka planda, bu sistemin karar üretmesi için birden fazla veri kaynağına, kısıtlamalara ve araç çıktılarının gerektirdiği bir yapıdır. Under the hood, this is a system that requires multiple data sources, constraints, and tool outputs to generate decisions. 7:57 Bu unsurlar olmadan, basit bir istem belki de şöyle olabilir: Without those elements, a simple prompt might be... 8:01 Bu hasta için bir randevu planla. Schedule an appointment for this patient. 8:05 İşte bu bizim kullanıcı istemimiz. So this is our user prompt. 8:10 Ancak bu, hata payını oldukça artırıyor. But that leaves a lot of room for error. 8:12 Örneğin, model kliniğin kurallarını bilmiyor. The model doesn't know the clinic's rules, for example. 8:17 Doktorun müsaitliğini ya da hastanın tıbbi geçmişini bile bilmiyor. It doesn't now the doctor's availability or even the patient's medical history. 8:23 Şimdi bağlam mühendisliğini devreye koyalım. Now let's layer in context engineering. 8:29 Sadece bir istem yerine, sistem randevu türleri ve süreleri gibi kliniğin randevu politikalarını, doktorun gerçek zamanlı müsaitliğini, örneğin sadece sabahları tercih etmesi gibi hastanın tercihlerini, Instead of just a prompt, the system provides the clinic's scheduling policies, like appointment types and durations, the doctor's real-time availability, the patient's preferences like mornings only for example, 8:46 ziyaretle ilgiliyse tıbbi geçmişini ve randevu API'si üzerinden erişilebilir olan zaman dilimleri gibi araç çıktılarını sağlar. and their medical history if it's relevant for the visit, and even tool outputs like time slots that are available via a scheduling API. 8:58 Şimdi, model bir yanıt ürettiğinde tahmin yürütmüyor, eksiksiz ve yapılandırılmış bir bağlam üzerinde akıl yürütüyor. Now, when the model generates a response, it's not guessing, it's reasoning over a complete structured context. 9:06 Yani "İşte müsait olan bazı zaman dilimleri" demek yerine, "Takip ziyareti zamanınız geldi ve Dr. Falanca Çarşamba saat 10:00'da müsait, bu da sabah randevusu tercihlerinize uyuyor" diyebilir. So instead of saying, here are some available slots, it can say, you're due for a follow-up visit and Dr. So-and-so is available at Wednesday at 10 a.m., which matches your preference for morning appointments. 9:21 Bunu ayarlayayım mı? Would you like me to book that? 9:23 Çok daha iyi, değil mi? Much better, right? 9:24 Yani... So... 9:25 Yapay zeka ajanları geliştiriyor, iş akışlarıyla deneyler yapıyor ya da sadece alanın nereye gittiğini anlamaya çalışıyor olsanız da, bağlam mühendisliği en önemli becerilerden biri haline geliyor. Whether you're building AI agents, experimenting with workflows, or just trying to understand where the field is headed, context engineering is becoming one of the most important skills to understand. 9:38 Bu videoyu beğendiyseniz, lütfen beğenip abone olun ve yorumlarda bir sonraki hangi yapay zeka konusunu görmek istediğinizi belirtin. If you enjoyed this video, make sure to like and subscribe, and let me know in the comments what AI topic you want to see next. 9:44 İzlediğiniz için teşekkürler! Thanks for watching! Altyazı bilgisayarımda üretildi ve videoyla ilerler; bir satıra tıklayın, o ana atlasın. Subtitles generated on my computer; they follow the video — click a line to jump there.
Bağlam mühendisliği, LLM'lere ve AI ajanlarına iletilen bilgiyi optimize ederek daha doğru çıktılar alınmasını sağlayan, istem mühendisliğinin ötesine geçen bir yaklaşımdır. Context engineering is an approach that goes beyond prompt engineering by optimizing the information conveyed to LLMs and AI agents to achieve more accurate outputs.
Bu video youtube.com üzerinde yayımlandı; buradaki oynatıcı YouTube’undur. Türkçe özet ve altyazı AiPulse için hazırlanmıştır. This video is published on youtube.com ; the player here is YouTube’s. The Turkish summary and subtitles are prepared for AiPulse .
YouTube’da izle Watch on YouTube AI Kritik → AI Critique →