---
title: "Araç Çağrılarını ve Token Tüketimini Azaltmak İçin Yerel İndeksleme"
url: https://blog.edumints.com/arac-cagrilarini-ve-token-tuketimini-azaltmak-icin-yerel-indeksleme
category: "AI Araçları"
date: 2026-10-12T07:23:01.191Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hacker News"
source_url: https://tedhaley.ca/pensieve/
---

# Araç Çağrılarını ve Token Tüketimini Azaltmak İçin Yerel İndeksleme

Yapay zekâ destekli kodlama ajanlarının başarısı, doğrudan kendilerine sunulan bağlamın kalitesine bağlıdır. **Pensieve**, yerel kod aramasını ve Model Context Protocol (MCP) standartlarını birleştirerek ajanların tüm diski taramak yerine yalnızca doğru kod parçalarına odaklanmasını sağlar. Bu yaklaşım, yazılım geliştirme süreçlerinde gereksiz araç çağrılarını (tool calling) ve token maliyetlerini radikal biçimde azaltır.

## Her Şeyi Yerel Olarak Arayın
Tüm dosyalar, git repoları ve önceki ajan oturumları üzerinde tek bir merkezden arama yapılmasını sağlar:
- **Anlamsal arama (By meaning):** `pricing model` gibi genel terimler, kod tabanında bu kelimeler birebir geçmese bile hedeflenen mantığı bulur.
- **Tam kelime eşleşmesi (Exact words):** `"rate limit"` gibi tırnak içine alınan ifadeler tam eşleşme sağlar; anlamsal sıralamayla birleştirilerek önceliklendirilir.
- **Hariç tutma (Leave things out):** `-draft` kullanımında olduğu gibi eksi işareti ile istenmeyen terimler ve dosyalar arama dışı bırakılır.
- **Kapsam daraltma (Narrow it down):** `kind:code ext:pdf` veya `in:` filtreleriyle aramalar belirli dosya türlerine, kod bloklarına veya repolara sınırlandırılır.

## Ajanlar İçin Süper Güçler: Tüm Disk Değil, Doğru Bağlam
Geleneksel arama yöntemleri kodlama ajanlarının bağlam penceresini gereksiz verilerle doldurur. Pensieve, MCP üzerinden tek bir sorguyla doğrudan dosya ve satır numarasını ajana iletir:
- **Geleneksel Grep Yaklaşımı:** Kart çekim hatalarını incelerken yüzlerce eşleşme bulur, 40'tan fazla dosyayı tek tek okur ve bağlamı hızla tüketir.
- **Pensieve ile MCP Yaklaşımı:** Doğrudan ilgili satıra (`payments/retry.py:42`) odaklanarak tek bir arama ve tek bir dosya okuma işlemiyle sonuca ulaşır.

Yapılan testlerde Pensieve kullanan ajanlar, arama başına 3.4 olan araç çağrısı ortalamasını 2.0 seviyesine düşürmüş ve 144 denemenin 82'sinde tek bir çağrıda doğru cevabı üretmiştir.

## Ajan Entegrasyonu ve Mimarisi
`pensieve integrate` komutu ile Claude Code, Cursor ve Codex gibi geliştirme araçlarına kolayca entegre olan yapı dört temel yetenek sunar:
- **Görevin Kapsamına Uygunluk (Scoped to the job):** Ajan yalnızca üzerinde çalıştığı repoyu, worktree'leri ve geçmiş oturumları görür; alakasız dosya gürültüsünden arındırılır.
- **Tam veya Anlamsal Eşleşme (Exact or by meaning):** Ajanlar, geliştiricilerin kullandığı arama yeteneklerinin aynısını kullanarak kod, dokümantasyon ve geçmiş oturumlar arasında hibrit tarama yapar.
- **Ajan Uyumluluğu (Works with your agent):** Stdio ve HTTP üzerinden MCP protokolüyle bağlanır; ajana "grep yapmadan önce ara" çalışma disiplinini kazandırır.
- **Ölçülmüş Performans (Measured, not promised):** 500 ila 35.000 dosyalık gerçek repolarda 0.1-0.2 saniyelik arama süreleriyle yüksek hız ve düşük maliyet sunar.

## Yazılım Geliştirme ve Öğrenme Çıkarımları
Otonom ajan mimarileri tasarlarken LLM'lerin körlemesine tüm kod tabanını okumasına izin vermek ciddi bir maliyet ve gecikme problemidir. Yerel indeksleme ve MCP tabanlı semantik filtreleme kullanmak, ajanların doğru bağlama ilk adımda ulaşmasını sağlayarak hem halüsinasyonları engeller hem de sistem güvenilirliğini artırır.



---

Bu konuyu derinlemesine öğrenmek isterseniz: [Production MCP Entegrasyonu](https://edumints.com/kesfet/mcp-model-context-protocol-ai-asistanlarini-aracla-bin4) modülüne göz atın.

---

**Kaynak:** Hacker News (https://tedhaley.ca/pensieve/)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/arac-cagrilarini-ve-token-tuketimini-azaltmak-icin-yerel-indeksleme