Bu video yapay zeka modellerinin uzun sohbetlerde neden performansını kaybettiğini, başlangıçtaki talimatları unuttuğunu veya tutarsız davranmaya başladığını inceliyor. Yapıcı ve didaktik yaklaşım: sadece teorik olarak değil, YouTube kanalının yaratıcısının kendi projesinde (xloji.com) uyguladığı gerçek çözümleri gösteriyor. Video Claude Code, Cursor AI, GPT ve diğer AI kodlama araçlarında uygulanabilir ipuçları içeriyor; sadece Claude'a özgü değil. Context yönetimi, prompt engineering ve yapay zeka'yla çalışan herkes için pratik bir rehber sunuyor.

Yapay zeka modellerinin performans düşüşünün kökü, "context window" ve "context rot" olgusu ile ilgilidir. Daha fazla bilgi sağlamak bazen daha kötü sonuçlar üretebilir — çünkü model belirli bir miktardaki kontekste yüksek performans göstermek üzere eğitilmiştir ve aşırı bilgi bazen dikkati dağıtır (attention interference). Araştırma (Chroma'nın "Context Rot" çalışması) gösteriyor ki, bağlam kalitesi, bağlam miktarından daha kritiktir. Projedeki kural dosyasını iki parçaya bölerek (genel kurallar + proje-spesifik kurallar), aynı model daha doğru ve tutarlı sonuçlar vermeye başlamış. Bu fenomen, büyük dil modellerinin mimarisindeki attention mekanizmasında; orta konumdaki bilginin (middle-k problem) sıklıkla göz ardı edilmesiyle ilişkilidir.

Videonun pratik tarafı, kendi projedeki uygulamayı göstermesi yatıyor. CLAUDE.md gibi yapı dosyalarının bölümlendirmesi, hiyerarşik belgelendirme (charter, kurallar, teknik bilgiler ayrı) ve her oturumda minimum bağlam yüklemesi (INDEX + son chatlog + ilgili bölüm) stratejisi sonuç vermiştir. Ayrıca, yapay zeka'nın ürettiği çıktıyı doğrulama (verification) önemli: sadece HTTP 200 değil, fonksiyonel doğruluk, görsel kontrol ve hata testleri gerekir. Uzun kontekste tutarsızlıklar tespit etmenin yolu, bölümleri kısaltmak ve oturumlar arasında bağlantı kurmaktır — yapı ve modüler belgelendirme, aşırı pencere büyüklüğüne tercih edilmelidir.

1 milyon token'lık context window modelleri (örn. Claude 3.5 Sonnet) bu problemi kısmen hafifletir; ama root cause'u çözmez. Daha geniş pencere, daha iyi tutarlılık demek değildir — belki daha ilgisiz bilgiyi de taşır. Video bu yanılgıyı düzeltip, doğru yaklaşımın "kontekstin niteliğini optimize etmek" olduğunu vurgulayarak, kodlama ve teknik yazarlık alanındaki yaygın sorunu (AI'ın başlangıç talimatını unutması, tutarsız tavsiyeler) çözmek için bir araç sunuyor. Yazılım geliştirici, yazılım mimarı, prompt mühendisi veya yapay zeka araçlarıyla sık çalışan herkes için uygulanabilir bir rehber.