Büyük dil modellerine aşırı uzun operasyonel kütükler ve katı şablonlar yüklendiğinde orta bölgedeki bilgilerin etkinliği düşer (Liu vd., 2023 "Lost in the Middle"). Mimari pratiğimizde "Bağlam Hapsi" olarak adlandırdığımız bu gözlemi ve doğrulama ile ufuk katmanlarını ayıran tasarım ilkesini inceliyoruz.
Uzun Bağlam Maliyeti ve "Bağlam Hapsi" Gözlemimiz: Literatürde Liu ve arkadaşlarının ("Lost in the Middle: How Language Models Use Long Contexts", TACL, 2023) gösterdiği üzere, dil modellerine çok uzun bağlamlar verildiğinde modelin bağlam ortasındaki ayrıntıları kullanma başarısı düşmektedir. Kendi çoklu ajan pratiklerimizde "Bağlam Hapsi (Context Cage)" olarak çerçevelediğimiz tasarım gözlemimize göre; bir modele binlerce satırlık ham sistem kütüğü ve katı bürokratik şablon yüklendiğinde model şablon doldurmaya odaklanmakta, açık uçlu analitik ve yatay sentez kapasitesi daralmaktadır.
Modüler Kök ve Dal Bağlam Ağacı (Root & Branch Context): Her görev adımında tüm geçmişi modele tekrar okutmak yerine; merkezde yalnızca temel ilkeleri tutan kompakt bir Kök Bağlam (Root Context) ve yalnızca ilgili uzmanlık görevinde çağrılan izole Bağlam Dalları (Context Branches) kullanmak hem önbellek (cache-read) maliyetini azaltır hem de bağlam gürültüsünü önler.
Deterministik Ölçüm ile Serbest Ufuk Katmanının Ayrılması: Sağlıklı bir yapay zeka orkestrasında doğrulama yapan birime olgusal ve sayısal ölçüm sorulurken; stratejik ufuk, kültür ve derin sentez aranan birime iç sistem logları yüklenmez. Bağlam gürültüsünden arındırılmış ufuk katmanı, dış literatürü ve disipliner incelikleri berrak biçimde sentezleyerek sistemi besler.
Kullanıcıyı memnun eden yanıtlar eğitimde ödüllendirildiği için onay önyargısı doğar; bunu önlemek için soruyu kimin sorduğu gizlenmeli ve karşı tez zorunlu tutulmalıdır.
Kanıt (2)
Sharma ve ark. (ICLR, 2024): RLHF ile eğitilen beş büyük dil modelinde, kullanıcının belirttiği görüşe göre yanıt değiştirme (sycophancy) ölçüldü. kaynak
Bağlam-kör hakem mimarisinde önerinin sahibini gizleyip modele yalnız 'bu iddiayı hangi ölçüm çürütür' sorusunu sormak onay önyargısını kırar. kaynak
Bizim ölçümümüz: Bağlam-kör hakem ve çok sesli tur karnesi (76 tur, Ekim 2026). (kivilcim_karnesi.jsonl)
Hükmü ne değiştirir: Kullanıcı kanaati açıkça yazıldığında ve gizlendiğinde modelin verdiği hükümler arasında istatistiksel fark kalmazsa onay önyargısı önlemi gereksizleşir.
Doğrudan güvenilmez: yapay zekâ çıktısı ancak birincil kaynak doğrulaması, bağlam-kör karşı tez ve somut bir düşer testi kapısından geçirildiğinde karar girdisi olabilir.
Kanıt (2)
394 dış model atıfını Crossref ve PubMed ile tek tek sınadığımızda %6,3'ünün (25 atıf) tamamen uydurma künye olduğu ölçüldü. kaynak
76 çok sesli karar turunda bağımsız modellerin çarpıştırılması, tek model yanıtına göre kararların %80,3'ünü keskinleştirdi veya değiştirdi. kaynak
Bizim ölçümümüz: Kıvılcım 76-tur karar karnesi ve Reaper 394-atıf doğrulama ölçümü (Ekim 2026). (kivilcim_karnesi.jsonl)
Hükmü ne değiştirir: Tek modelin kaynaksız yanıtının, çok sesli doğrulama kapısıyla aynı hata oranını yakaladığı bağımsız bir seride gösterilirse bu kural basitleştirilir.
Çoğu karar ortamında iki tahmini ortalamak, hangisinin daha iyi olduğunu seçmeye çalışmaktan tutarlı biçimde daha yüksek doğruluk sağlar.
Kanıt (2)
Soll ve Larrick (2009): PAR modeli analizinde ortalama alma stratejisi, seçme stratejisini geniş bir ortam yelpazesinde geride bıraktı. kaynak
Deneylerde katılımcıların çoğu bir tahmini seçmeyi tercih etti; oysa her seferinde ortalama alsalardı hata payları daha düşük çıkacaktı. kaynak
Bizim ölçümümüz: Kıvılcım çok sesli karar karnesi (Ekim 2026): bağımsız seslerin çarpıştırılması 76 turun 61'inde kararı keskinleştirdi veya düzeltti. (kivilcim_karnesi.jsonl)
Hükmü ne değiştirir: Uzman yetkinlik farkının önceden kesin bilindiği dar ortamda seçme stratejisi ortalamayı tutarlı biçimde geçerse hüküm sınırlandırılır.