LLM gerekmez: Regex, ajan bağlam yönlendirmede 45 puan önde
Ajan kod asistanlarında bağlam seçimi için basit regex kuralları, öğrenilmiş sınıflandırıcıları 45 puan farkla geçti; LLM çağrısı çoğu istekte gereksiz kalıyor.
Repo düzeyinde kod onarımı yapan LLM ajanları, aynı dosyaları tekrar tekrar açarak ve gereksiz log/kodu bağlama taşıyarak ciddi miktarda token israf ediyor. Temmuz 2026'da yayımlanan ContextSniper makalesi, katmanlı bellek ve niyet-farkında bir 'context gate' kullanarak bu sorunu ele alıyor; düşük değerli bölgeleri modele ulaşmadan filtreleyen bu kapı, çözüm oranlarını neredeyse sabit tutarken token kullanımını bir ajanda %51,5, Claude Code'da %38,9 azaltmış.
Bu kapının özünde bir sınıflandırıcı olduğu ve 'sembol arama mı, semantik arama mı, graf etkisi mi' sorusuna karar verdiği görülüyor. Yazar, bu kararın gerçekten bir LLM çağrısı gerektirip gerektirmediğini test etmek için 140 el yapımı isteği yedi sınıfa (sembol arama, metin arama, semantik, graf etkisi, yapı, durumlu, mutasyon) ayırıp beşli çapraz doğrulama uygulamış. Yaklaşık 40 satırlık regex kuralları %94,3 doğruluk ve 0,945 makro-F1 ile TF-IDF tabanlı iki öğrenilmiş modeli (yaklaşık %48 doğruluk) 45 puan farkla geride bırakmış.
Bunun nedeni, bu isteklerdeki niyetin kelime sıklığında değil isteğin 'şeklinde' yaşaması: camelCase bir token sembol aramayı, 'nasıl çalışır' semantik keşfi, 'rename' veya 'set to' mutasyonu işaret ediyor; regex bu kalıpları doğrudan yakalarken TF-IDF bu bilgiyi atıp küçük veri kümesinde daha da zayıflıyor. İsteklerin yalnızca yaklaşık %3'ü gerçekten belirsiz kalmış ve bu durumlarda çözüm daha büyük bir model değil, en ucuz kesin aramayı önce deneyip başarısız olursa geri çekilmek olmuş.
Sonuç, mühendisler için pratik bir mimari sırası öneriyor: önce regex, sonra belirsiz durumlar için dene-ve-geri-çekil, LLM çağrısını ise yalnızca geriye kalan çok küçük bir kesim için son çare olarak kullan. Yazar, kuralları ve test verisini kendisinin yazdığını, dolayısıyla %94,3 rakamının dağılım-içi olduğunu ve gerçek doğrulamanın üretim loglarıyla yapılması gerektiğini açıkça belirtiyor; ayrıca ContextSniper'ın resmi sonuçlarının %24 ile %26 çözüm oranı arasında (karşılaştırılabilir kabul edilen) bir fark gösterdiğini not ediyor.