---
title: "Yapay Zeka Ajanınızın Girdi Token'larını Nasıl Azaltırsınız: Neler İşe Yaradı, Neler Başarısız Oldu ve Kendi Sisteminizi Ölçmek İçin Bir Kıyaslama Aracı"
url: https://blog.edumints.com/yapay-zeka-ajaninizin-girdi-token-larini-nasil-azaltirsiniz-neler-ise
category: "AI Araçları"
date: 2026-10-29T08:07:56.592Z
publisher: Edumints Blog
lang: tr-TR
source_name: "dev.to"
source_url: https://dev.to/anis_meziani_52aab42304a8/how-to-cut-your-ai-agents-input-tokens-what-worked-what-failed-and-a-bench-to-measure-yours-f90
---

# Yapay Zeka Ajanınızın Girdi Token'larını Nasıl Azaltırsınız: Neler İşe Yaradı, Neler Başarısız Oldu ve Kendi Sisteminizi Ölçmek İçin Bir Kıyaslama Aracı

Üretim ortamında çalışan bir yapay zeka ajanı (AI agent), varsayılan olarak her model çağrısına sıfırdan başlar. Bu durum, ajanın "bildiği" her şeyin her adımda, her turda ve her yeniden denemede modele tekrar gönderilmesi anlamına gelir. Örneğin bir iş zekası (BI) ajanının tek bir düşünceden önce 17.000 token'lık talimat ve araç kılavuzunu, ardından tüm konuşma geçmişini ve ilk sorudan itibaren çektiği her tabloyu tekrar okuduğunu düşünün. Üç soruluk bir konuşmanın çevrimdışı tekrarında, optimizasyon öncesinde yapılan on model çağrısı tam **286.522 girdi token'ı** tüketebilir.

Unutkanlığın tam tersi olan bu durum—yani çok fazla şey hatırlayan ve her çağrıda bunun bedelini ödeyen ajanlar—yazılım geliştiriciler için hem maliyet hem de performans açısından kritik bir mühendislik problemidir.

## Özet (TL;DR): Altı Temel Ders

Ajan mimarilerinde token optimizasyonu yaparken sahada test edilmiş şu altı dersi rehber edinebilirsiniz:

- **Kesmeden önce ölçün:** Bir kıyaslama testi (benchmark) ve kalite kontrol mekanizması olmadan yapılan en parlak kesintiler bile yanıtların kalitesini sessizce bozabilir.
- **Araçlarla (tools) başlayın:** Sistem talimatları ve 36 araç tanımı, daha soru sorulmadan 17.000 token harcar. Ajanın hiç çağırmadığı araçları kaldırmak en ucuz kazanımdır.
- **Geçmişi unutun, şimdiyi asla:** Eski araç sonuçlarını kısaltmak %21 ila %26 tasarruf sağlarken, mevcut turdaki verileri kısaltmak 4 senaryoda kaliteyi bozmuştur.
- **Kararlı istemler (stable prompts), önbelleğe alınabilir istemlerdir:** Şema tablolarını deterministik olarak sıralamak, aynı token sayısıyla bir SQL isteminin yeniden kullanılabilir önekini (prefix) %11'den %98'e çıkarır.
- **En büyük gerçek kazanç daha küçük çağrılardan değil, daha az çağrıdan gelir:** Modelin beş kez yerine bir kez sormasını sağlamak, tek bir soruda %41 oranında azalma sağlar.
- **Kıyaslama aracınız size biraz yalan söyleyecektir:** Çevrimdışı testler gerçek kazanımları %9 ila %16 oranında fazla tahmin edebilir, bir kazanımı olduğundan çok düşük gösterebilir ve bir hatayı tamamen gözden kaçırabilir.

## 1. Kesmeden Önce Ölçün: Neye Para Ödediğinizi Bilin

Herhangi bir optimizasyon yapmadan önce, ajanınızın her model çağrısında neleri gönderdiğini katman katman analiz etmelisiniz:

- **Talimatlar (Instructions):** Ajanın sistem istemi — *Her çağrıda ödenir.*
- **Araç Tanımları (Tool declarations):** 36 aracın her birinin adı, açıklaması ve şeması — *Her çağrıda ödenir.*
- **Geçmiş (History):** Konuşmadaki her mesaj — *Her çağrıda ödenir.*
- **Geçmiş Araç Sonuçları (Past tool results):** O ana kadar çekilen her tablo, dosya ve sorgu sonucu — *Her çağrıda ödenir.*
- **Mevcut Tur (Current turn):** Soru ve modelin o an üzerinde çalıştığı sonuçlar — *Bu turun her çağrısında ödenir.*

Sadece ilk iki katman yaklaşık **17.000 token** tutar; tek satırlık bir soru dahil ilk çağrının toplam ağırlığı 17.070 token'dır. Model, sorunun tek bir kelimesini bile okumadan bu maliyeti öder ve bir sorunun gerektirdiği 3 ila 5 çağrının her birinde bunu tekrarlar.

Endüstri buna artık **"MCP vergisi" (MCP tax)** diyor: Yedi MCP sunucusu için yapılan bir ölçüm, ilk istemden önce yaklaşık 71.000 token'lık (200K bağlam penceresinin %35'i) bir ek yük ortaya koymuştur. Üstelik maliyet sadece para değildir; **bağlam çürümesi (context rot)** araştırmaları, bağlam penceresi dolmadan çok önce bile girdi büyüdükçe modellerin performansının düştüğünü göstermektedir. Gereksiz bir token'ın bedeli hem faturada hem de kalitede olmak üzere iki kez ödenir.

---

**Kaynak:** dev.to (https://dev.to/anis_meziani_52aab42304a8/how-to-cut-your-ai-agents-input-tokens-what-worked-what-failed-and-a-bench-to-measure-yours-f90)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/yapay-zeka-ajaninizin-girdi-token-larini-nasil-azaltirsiniz-neler-ise