Salesforce’in AI ajanı sorununa çözüm: Agentforce Vibes 2.0 ile bağlam yükünü azaltın

VentureCrowd adlı girişim finansmanı platformu, AI kodlama ajanlarını devreye aldığında ilk etapta büyük kazanımlar elde etti. Bazı projelerde front-end geliştirme sürecini %90’a varan oranda kısaltan ekip, bu başarının ardındaki gerçeği kısa sürede öğrendi: ajanların performansı, sahip oldukları bağlamın kalitesine ve miktarına doğrudan bağlıydı.

Diego Mogollon, VentureCrowd’un Ürün Direktörü, AI ajanların çalışırken "elde ettikleri her veriye dayanarak karar verdiklerini ve bu nedenle çoğu zaman yanlış sonuçlara ulaştıklarını" belirtiyor. Ekibin karşılaştığı ikinci büyük engel ise veri kirliliği ve süreçlerin net olmamasıydı. Mogollon’a göre, ajanlar kötü yapılandırılmış verilerle çalıştıklarında hataları da katlanıyordu. "Sorunlar nadiren ajanların kendisinden kaynaklanıyor; asıl sorun, onların etrafındaki her şey" diyen Mogollon, bu durumu "AI sorunu gibi görünen fakat aslında bağlam sorunu olan" en yaygın başarısızlık nedeni olarak tanımlıyor.

AI Ajanlarında Bağlam Fazlalığı: Neden Daha Fazla Veri Her Zaman İyi Değil?

AI sistemlerinde "bağlam şişmesi" olarak adlandırılan bir olgu, ajanların çalışma süreçlerini karmaşıklaştırıyor. Ajanlara ne kadar çok veri, araç veya talimat sunulursa, sistem o kadar gürültülü hale geliyor ve performans düşüyor. Bu durumun en belirgin sonuçları arasında token kullanımının artması, yanıt sürelerinin uzaması ve maliyetlerin yükselmesi yer alıyor.

VentureCrowd’un yaşadığı deneyim, bu sorunun yalnızca kendi şirketine özgü olmadığını gösteriyor. Endüstrideki birçok kuruluş, ajanlara sürekli daha fazla bağlam sağlamanın faydalı olduğunu düşünse de, aslında bu yaklaşım ajanları yavaşlatıyor ve hataları artırıyor. Mogollon, "Ajanlar ne kadar çok bağlama maruz kalırsa, o kadar fazla token harcıyor ve sonuç olarak maliyetler de katlanıyor" diyor.

Bağlam Mühendisliği: Ajanların Doğru Kararlar Vermesini Sağlamak

Bağlam şişmesini engellemenin yollarından biri olan bağlam mühendisliği, ajanlara yalnızca ilgili verileri sunarak çalışmalarını optimize etmeyi hedefliyor. Bu yöntem sayesinde, ajanlar kod değişikliklerini veya pull request’leri daha net bir şekilde anlayabiliyor ve görevlerine odaklanabiliyor. Ancak, bağlam mühendisliğinin çoğu zaman kurumların kullandığı kodlama platformlarının dışında bir ek yük olarak görülmesi, bu sorunun çözümünü zorlaştırıyor.

Salesforce’un Agentforce Vibes 2.0’sı ise bu boşluğu doldurmayı amaçlıyor. Platformun en son sürümüyle birlikte, üçüncü taraf framework’lere (örneğin ReAct) destek genişletilirken, ajan davranışlarını yönlendiren "Yetenekler" ve "Beceriler" adı verilen yeni özellikler eklendi. Bu sayede, ajanlara neyi başarmaları gerektiğini ve hangi araçları kullanmaları gerektiğini açıkça tanımlama imkanı sunuluyor.

VentureCrowd’un Tercihi: Neden Agentforce Vibes?

VentureCrowd, tüm platformunun front-end ve back-end bileşenlerini Salesforce ekosisteminde yürütüyor. Bu nedenle, Agentforce Vibes’in piyasaya sürülmesiyle birlikte, şirket zaten bildiği bir ortama entegre olan bu aracı tercih etti. Mogollon, "Tüm verilerimiz Salesforce üzerinde olduğundan, Agentforce Vibes’in entegrasyonu doğal bir seçimdi. Ayrıca, ajanlara sunduğumuz bağlamı daha iyi kontrol etmemize olanak tanıdı" diyor.

Diğer kodlama ajan platformları (örneğin Claude Code veya OpenAI’nin Codex’i) ise farklı bir yaklaşım benimsiyor. Bu platformlar, ajanların sürekli olarak dosya tarama, komut çalıştırma ve görev ilerledikçe bağlam genişletme yoluyla otonom çalışmasını destekliyor. Claude Code’un bağlam göstergesi de aşırı yüklenme durumunda bağlamı sıkıştırarak performansı korumaya yardımcı oluyor. Ancak, bu sistemlerin çoğu bağlamın kontrol altına alınmasını değil, genişlemesini esas alıyor. Sonuç olarak, karmaşık iş akışlarında maliyetler, gecikmeler ve güvenilirlik sorunları ortaya çıkıyor.

İşletmeler İçin Kritik Tavsiyeler: Daha Fazla Veri mi, Daha İyi Veri mi?

Uzmanlar, bağlam şişmesini önlemenin tek bir yolunun olmadığını ancak açık bir desenin ortaya çıktığını vurguluyor: daha fazla bağlam her zaman daha iyi sonuç anlamına gelmiyor. Kurumlar, bağlam mühendisliğine yatırım yapmanın yanı sıra, hangi verilerin dışarıda bırakılması gerektiğine dair doğru stratejiler geliştirmek zorunda. Bu, ajanların yalnızca ihtiyaç duydukları bilgilere odaklanmasını ve verimliliklerini artırmasını sağlıyor.

Mogollon’un da belirttiği gibi, "Sorun ajanlara daha fazla bilgi vermek değil; hangi bilgileri vermemek gerektiğini anlamak." Bu yaklaşım, AI ajanlarının gelecekteki projelerde daha güvenilir ve verimli çalışmasını sağlayacak temel adımlardan biri olacak.