╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok ╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok

Konsept

Nedir
context engineering mı?

Bu, prompt mühendisliğinden context operasyonlarına geçiştir; yapay zeka ajanınızın çalıştığı tüm bilgi ortamını tasarlama, sıkıştırma ve yönetme disiplinidir. LeanCTX, bu disiplini otomatikleştiren bir araçtır — yapay zeka ajanları için context engineering katmanı.

Sorun

Sadece istemler yeterli değil

Prompt mühendisliği girişi optimize etti. Context engineering ortamı optimize eder.

Yapay zeka ajanları tek tur etkileşimlerle sınırlıyken, prompt mühendisliği yeterliydi. Doğru talimatı hazırlardınız, model kullanışlı bir yanıt verirdi ve iş akışı sona ererdi.

Modern yapay zeka kodlama ajanları farklı çalışır. Onlar onlarca dosyada çok adımlı iş akışları yürütür, oturumlar arasında durumu korur ve zamanla biriken kararlar verirler. Artık darboğaz istem değil, context'tir.

Mükemmel bir istemi ancak zayıf context'i olan bir kodlama ajanı dosya yolları uyduracak (hallucinate), önceki kararları unutacak ve zaten tamamladığı işleri tekrarlayacaktır. Başarısızlık modu kötü talimatlar değil, kod tabanının eksik bir resmidir.

Çerçeve

Prompt'tan Üç Geçiş context engineering'e

Context engineering, yapay zeka ajanı girdileri hakkında düşünme biçimimizde temel bir değişikliği temsil eder.

Statik istemler → Dinamik context boru hatları

Sabit bir sistem istemi yerine, context engineering her görev için doğru context'i toplayan bir boru hattı oluşturur; yalnızca ilgili olanı, doğru sıkıştırma seviyesinde ve doğru meta verilerle okur.

Manuel kürasyon → Otomatik sıkıştırma

Hangi dosyaların dahil edileceğini elle seçmek yerine, context engineering her dosyanın yapısını okur, gerçek sinyali taşıyan kısımları korur ve geri kalanını otomatik olarak sıkıştırır.

Tek atımlı → Oturumlar arası kalıcı bellek

Context engineering, oturum belleği, bir bilgi grafiği ve temiz geçişler ekleyerek ajanların her konuşmada sıfırdan başlamak yerine zamanla anlayış geliştirmesini sağlar.

Disiplin

Context engineering nedir dahil eder

Context engineering, ajanın bilgi ortamının farklı bir yönünü ele alan dört bağlantılı alandan oluşur.

Sıkıştırma

Daha az token'a daha fazla sinyal sığdırmak

Birden çok okuma modu (tam, harita, imza, entropi, agresif), 26+ dilde tree-sitter AST ayrıştırma ve anlamsal parçalama, dosya içeriğini %60–99 oranında azaltırken ajanların karar vermesi için ihtiyaç duyduğu bilgileri korur.

Memory

Oturumlar arası anlayışı kalıcı kılmak

Oturum anlık görüntüleri, bilgi grafikleri, geçiş defterleri ve öngörüsel bellek, ajanların önceki kararları hatırlamasına, tekrarlanan çalışmalardan kaçınmasına ve ekip üyeleri veya ajan örnekleri arasında bağlam aktarmasına olanak tanır.

Governance

Ajanların neye erişebileceğini kontrol etmek

Rol tabanlı erişim politikaları, token bütçeleri, SLO uygulama ve yol kum havuzu oluşturma (path sandboxing), ajanların tanımlanmış sınırlar içinde çalışmasını sağlayarak yalnızca olması gerekeni okumasını ve ayrılanı harcamasını garanti eder.

Doğrulama

Sıkıştırmanın bilgi kaybetmediğini kanıtlamak

Çıktı doğrulama, kanıt eserleri, yol ve tanımlayıcı koruma kontrolleri ve bilgi kaybı puanlaması, sıkıştırılmış bağlamın ajanın ihtiyaç duyduğu anlamsal içeriği koruduğuna dair ölçülebilir bir güven verir.

Uygulama

LeanCTX nasıl uygular context engineering

LeanCTX, bu prensipleri yapay zeka kodlama ajanları için üretime taşıyan açık kaynaklı bir context engineering çalışma zamanıdır.

81 MCP araçları

Bağlamı okuma, arama, sıkıştırma ve yönetme için tam bir araç yüzeyi; tüm bunlar Model Context Protocol üzerinden açığa çıkarılır.

10 okuma modu

Tam önbelleğe alınmış okumalardan entropi filtrelemeli sıkıştırmaya kadar her mod, belirli bir görev için optimize edilmiştir: düzenleme, keşfetme, gözden geçirme veya referans gösterme.

95+ kabuk deseni

git, cargo, npm, docker ve diğer CLI çıktısı için desen tabanlı sıkıştırma; ayrıntılı komut sonuçlarını yapılandırılmış, token açısından verimli özetlere indirir.

Sıfır ağ çağrısı

Tamamen yerel çalışır. Telemetri yok, bulut bağımlılığı yok, makinenizden veri çıkmıyor. Apache-2.0 altında açık kaynaklı.

Tüm mimariye göz atın

FAQ

Context engineering, cevaplandı.

Context engineering nedir?

Context engineering, bir yapay zeka ajanı tarafından hangi bilginin görüldüğünü, hatırlandığını ve üzerinde eylemde bulunulduğunu yönetme disiplinidir. Ad-hoc prompt mühendisliğini, AI context'i sıkıştıran, önbelleğe alan, doğrulayan ve yöneten sistematik bir çalışma zamanıyla değiştirir.

Context engineering yapay zeka kodlaması için neden önemlidir?

Yapay zeka kodlama ajanları, dosyaları yeniden okuyarak, gürültülü kabuk çıktısını ayrıştırarak ve oturumlar arasında bağlam kaybederek binlerce token boşa harcar. Context engineering, bu israfı %99'a kadar azaltır, ajanları daha hızlı, daha ucuz ve daha güvenilir hale getirir.

Context engineering prompt mühendisliğinden nasıl farklıdır?

Prompt mühendisliği bireysel istemler oluşturmaya odaklanır. Context engineering ise tüm bilgi yaşam döngüsünü yönetir — ajanın ne okuduğu, nasıl sıkıştırıldığı, neyin önbelleğe alındığı, oturumlar arasında neyin hatırlanacağı ve teslim edilmeden önce neyin doğrulandığı.

Başlayın

Mühendisliğe başlayın bağlamınızı

LeanCTX ücretsiz, açık kaynaklı ve bir dakikadan kısa sürede kurulur. Bağlam mühendisliğinin yapay zeka iş akışınız için neler yapabileceğini görün.

Başlarken Mimari

Nedircontext engineering mı?