Bu video, yapay zeka modellerinin nasıl çalıştığını anlamak için yaygın bir yanılgıyı ortaya koyuyor: modellerin performansını artırmak için prompt engineering'e harcanan saatlerin aslında yanlış yere gittiğini. Video yapımcısı, Claude Code'un kendi loglarından gerçek örnekler sunarak, modelin her mesajı nasıl işlediğini, context window'da bilgilerin nasıl biriktiğini ve neden unuttuğunu ayrıntılı bir şekilde gösteriyor. Modellerin "halüsinasyon" yapmasının ve talimatlara uymamasının temel nedeni, prompt'un ne kadar ayrıntılı yazılırsa yazılsın, modele ulaşan bağlamın eksik, karmaşık veya yanlış sırada olması olduğunu vurgulayıyor.

Context engineering, prompt engineering'den tamamen farklı bir yaklaşımdır ve modern büyük dil modellerinin (LLM) etkin kullanımının anahtarıdır. Modelin her adımda yalnızca mevcut context'i işleyebildiği gerçeğinden hareketle, video "harness" kavramını açıklıyor — bu, modelin kullanacağı bilgileri önceden organize etme, tool'lar aracılığıyla yapılandırılmış veriler sunma ve memory sistemleriyle bilgiyi kalıcılaştırma sürecidir. Videonun gösterdiği örnekte, kullanıcı 4.300 token yazmasına rağmen modele 27.500 token ulaşıyor; bu artış, sistem prompt'u, compaction (sıkıştırma) mekanizmaları, MCP sunucuları ve diğer arka plan katmanlarından kaynaklanıyor. Skill'ler, MCP'ler ve memory sistemleri modelin perspektifinden tamamen aynı işlevsellikte davranıyor — hepsi bağlama ek bilgi sunmanın yollarıdır.

Compaction mekanizması, uzun sohbetlerde modelin eski mesajları "unutmasına" neden olan tekniktir. Sistem belirli noktaların ötesindeki konuşmayı özetleyerek, yeni context'e yer açmak zorunda kalıyor; bu sırada bazı ayrıntılar kaybolabiliyor. Video, subagent mantığını da açıklıyor: modele görev verirken, ona tam bir "zarf" (kendini tanıtma, sistem talimatları, bağlam) vermek, boş bir prompts'a tercih edilmelidir. Role prompt yazmanın, MCP'leri aşırı yükleyip uzun sohbetleri sürdürmenin neden etkin olmadığı, yapılan canlı test üzerinden kanıtlanıyor — aynı modelle, aynı görevde, konteksti doğru şekilde organize etmek halde detaylı prompt yazması arasındaki kalite farkı yüksek ve ölçülebilir.

Video, teknik profesyoneller, AI mühendisleri ve yapay zeka uygulamaları geliştiren geliştiriciler için hayati bir referans kaynağıdır. Prompt engineering iddiaları ve ürünleri pazarlamaya alışmış bir endüstride, bu video temel bir sorgulamayı ortaya koymaktadır: sorun tool seçimi veya prompt formülasyonu değil, bilginin modele nasıl ve ne zaman sunulduğunun optimize edilmesidir. Context window sınırlaması, token ekonomisi ve model mimarisi bu zorluk'un kökü — ve doğru context stratejisi bunu çözer. Videoda sunulan yaklaşım, Claude Code, Codex veya başka LLM platformlarında aynı şekilde uygulanabilir, çünkü modellerin temel mekanizması değişmez. Bu nedenle videonun öğrettiği mantık, araçlar ilerledikçe ve modeller geliştikte daha da değerli hale gelecektir.