AI ajanlarında context engineering retrieval ile başlıyor
LangChain'in ajanlar için context engineering yazısı retrieval tarafına odaklanıyor: özensiz aramalar, devasa sonuçlar ve eski dokümanlar ajan daha işe başlamadan context window'u doldurabiliyor. Deep Agents harness'ının kullandığı teknikler anlatılıyor: glob ve grep'ten sayfalı okumaya, path döndüren retrieval araçlarından sonuçları ana ajana ulaşmadan filtreleyen subagent'lara kadar.
Kilit noktalar
- glob, grep ve read_file; ls, write_file ve edit_file ile birlikte her Deep Agents ajanında hazır geliyor ve tek backend üzerinden state, local disk veya sandbox üzerinde çalışıyor.
- grep yalnızca birebir metni eşleştiriyor; haber, doküman veya arşivde anlam bazlı arama için vector store üzerine kurulu bir retrieval tool gerekiyor.
- read_file varsayılan olarak 100 satır döndürüyor ve offset ile limit alıyor; ajan koca bir export yerine eşleşmenin etrafındaki satırları okuyor.
- 20.000 token'ı aşan büyük tool sonuçları /large_tool_results/ altına taşınıyor, ajana path ve önizleme veriliyor.
- retrieve, offload, delegate pattern'i: sonuçları dosyaya yaz, path döndür, sonra paralel chunk-analyst subagent'larına her dosyayı özetlet.
- Doküman tarihlerini retrieval metnine taşımak ve cevapların kaynak gösterdiğini doğrulamak gerekiyor; eski ya da enjekte edilmiş içerik, doğru içerik kadar ikna edici görünüyor.
LangChain'e göre context engineering'in retrieval tarafı, context window'un kendisi kadar dikkat istiyor. Ajanlar dosyaları sırf içinde ne var diye açtığında, tek bir tool result içine koca bir veri setini boşalttığında ya da eski metinlere dayanan bir cevabı sürdürdüğünde token harcıyor. Deep Agents harness'ı önce ucuz soruları cevaplayan filesystem araçları getiriyor: glob dosya adlarıyla eşleşiyor, grep içerikleri context'e yüklemeden arıyor, read_file ise offset ve limit ile bir dosyayı varsayılan 100 satırlık sayfalar halinde okuyor.
Yaklaşık 20.000 token'ı aşan tool sonuçları /large_tool_results/ altına kaydediliyor, ajana yol ve kısa bir önizleme veriliyor. Anlam bazlı aramalar için vector store üzerine bir retrieval tool ekleniyor; ideali sonuçları dosyaya yazıp yalnızca path döndüren bir araç. Ardından bir chunk-analyst subagent her dosyayı okuyup sadece kaynaklı bilgileri ana ajana aktarıyor.
Gerçek dünyada kullanımı
- Her pazartesi yüzlerce rakip için geçen haftanın notlarını, 40.000 satırlık pazar export'undan tek bir gelir rakamını ve güncel haberleri toplayan competitive analysis ajanı.
- Dahili dokümanlara bakan bir MCP arama sunucusu veya vector store üzerinden çalışan ve her sonucu ana döngüye tam sayfa basmak yerine subagent'ta özetleyen dokümantasyon asistanı.
- Dokümanların aylar öncesine ait olduğu bir destek bilgi tabanı; tarih filtresi ve dönen metne eklenen tarih alanı cevapları güncel tutuyor.
- Bir identifier'ı grep ile bulup deposundaki tüm dosyaları açmak yerine offset ve limit ile sadece eşleşmenin etrafındaki satırları okuyan kod tabanı ajanı.
Neden önemli
Retrieval tasarımı, ajanın düşünmeye yer bırakıp bırakmadığını belirliyor: daha ucuz aramalar, sayfalı okumalar ve yalnızca sonuç bildiren subagent'lar window'u küçük, güncel ve güvenilir tutuyor; bu da hem token maliyetini hem de yanlış cevap riskini düşürüyor.