[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-context-stuffing::tr":3,"gloss-cluster-context-stuffing::tr":20,"gloss-next-context-stuffing::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"context-stuffing","prompt-eng","Bağlam Doldurma (Context Stuffing)","Bağlam doldurma, gerçekte neyin ilgili olduğuna, nasıl yapılandırılması gerektiğine veya modelin etkili dikkatine anlamlı şekilde sığıp sığmadığına dair kasıtlı bir strateji olmadan, \"daha fazla bağlam daha iyi çıktı demektir\" varsayımıyla bir promptu büyük hacimli bilgiyle -belgeler, konuşma geçmişi, geri getirilen arama sonuçları, tüm dosyalar- doldurma anti-desenidir. Bu, RAG (retrieval-augmented generation \u002F geri getirme destekli üretim) sistem tasarımında ve uzun bağlamlı uygulamalarda yaygın bir erken hatadır: ekipler modellerin çok büyük bağlam pencerelerini desteklediğini gözlemler (örneğin Claude modelleri 200 bin+ tokene kadar destekler) ve potansiyel olarak ilgili her şeyi içine tıkmanın güvenli, basit bir yaklaşım olduğu sonucuna varır -ama bu sık sık geri teper. Uzun bağlamlı model davranışı üzerine araştırmalar (\"ortada kaybolma\" fenomeni) modellerin uzun bir bağlamın başına ve sonuna yakın bilgiye, ortasına gömülü bilgiden daha güvenilir şekilde dikkat ettiğini defalarca göstermiştir; bu da 50 sayfalık bir bağlam dökümünün ortasına tıkılmış kritik bir gerçeğin, aynı gerçeğin başa veya sona belirgin şekilde yerleştirilmesine kıyasla ölçülebilir şekilde daha yüksek kaçırılma veya az ağırlıklandırılma olasılığına sahip olduğu anlamına gelir. Doğruluk düşüşünün ötesinde, bağlam doldurmanın doğrudan maliyet ve gecikme sonuçları vardır -bağlam penceresindeki her token faturalandırılır ve her tek çağrıda işlem süresi ekler, bu yüzden gereksiz yere şişirilmiş bir prompt hem daha yavaş hem de daha pahalıdır ve hiçbir doğruluk faydası sağlamaz, hatta ilgisiz içerik modelin dikkatini dağıtırsa veya gerçekten önemli olana odaklanmasını sulandırırsa aktif olarak zararlı bile olabilir (ajan değerlendirme literatüründe bazen \"bağlam zehirlenmesi\" veya \"bağlam dikkat dağınıklığı\" olarak adlandırılır). Çözüm daha küçük bir bağlam penceresi değil -bir geri getirme ve yapılandırma stratejisidir: yalnızca mevcut sorguya gerçekten ilgili olanı geri getirmek (\"sadece tüm bilgi tabanını dahil et\" yerine iyi bir geri getirici ile uygun RAG), düşük öncelikli bağlamı özetlemek veya sıkıştırmak, en kritik bilgiyi belirgin şekilde yerleştirmek (promptun başı veya sonu), modelin birden fazla bağlam kaynağında gezinebilmesi için net ayırıcılar kullanarak yapılandırmak ve her turda giderek büyüyen, budanmamış bir sohbet günlüğünü yeniden göndermek yerine konuşma geçmişini periyodik olarak budamak. Somut örnek: bir yapay zeka müşteri destek aracının erken bir sürümü her sorgu için en üstteki 20 semantik olarak benzer yardım merkezi makalesini geri getirir ve \"güvenli olmak için\" tüm 20'sini (genellikle 15.000+ token) prompta tıkar -bu da daha yavaş yanıtlara, daha yüksek API maliyetlerine ve -sezgiye aykırı şekilde- daha kötü doğruluğa yol açar, çünkü gerçekten ilgili tek makale bazen tıkılmış bağlamın ortasında 14. geri getirme sırasında gömülü kalır ve model tarafından az ağırlıklandırılır. Ekip, geri getirmeyi (daha iyi gömme tabanlı sıralama ile) en ilgili 3 makaleye sıkılaştırarak ve bunları prompt içinde alaka puanına göre açıkça, en üste yakın şekilde sıralayarak bunu düzeltir -yanıt doğruluğu artar, maliyet kabaca 6 kat düşer ve gecikme belirgin şekilde azalır; bu da daha iyi bağlam küratörlüğünün daha fazla bağlam hacminden üstün olduğunu gösterir.","Bağlam doldurma, bir yapılandırma stratejisi olmadan promptu aşırı bilgiyle doldurup daha fazla bağlamın çıktıyı iyileştireceğini ummaktır.",null,[11,14,17],{"slug":12,"name":13},"context-window","Bağlam Penceresi (Context Window)",{"slug":15,"name":16},"prompt-compression","Prompt Sıkıştırma",{"slug":18,"name":19},"retrieval-augmented-generation","Geri Getirme Destekli Üretim (RAG)",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Otomatik Komut Optimizasyonu",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Yoğunluk Zinciri (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-Thought Prompting (Düşünce Zinciri İstemi)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Chunking (Parçalama)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Kısıtlanmış Çözümleme (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"delimiter","Ayırıcı (Delimiter)",{"slug":48,"category":5,"name":49,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":51,"category":5,"name":52,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":54,"category":5,"name":55,"updated_at":34},"few-shot-prompting","Few-Shot Prompting (Az Örnekli İstem)",{"slug":57,"category":5,"name":58,"updated_at":24},"generated-knowledge-prompting","Generated Knowledge Prompting"]