{"id":12523,"date":"2026-07-24T13:21:16","date_gmt":"2026-07-24T08:21:16","guid":{"rendered":"https:\/\/pivot.uz\/?p=12523"},"modified":"2026-07-24T13:27:09","modified_gmt":"2026-07-24T08:27:09","slug":"ai-agentlar-uchun-context-engineering-nima-va-nega-muhim","status":"publish","type":"post","link":"https:\/\/pivot.uz\/uz\/ai-agentlar-uchun-context-engineering-nima-va-nega-muhim\/","title":{"rendered":"AI agentlar uchun «context engineering» nima va nega muhim"},"content":{"rendered":"\n

Oxirgi ikki yilda AI sohasida «prompt engineering» atamasi eng ko’p ishlatiladigan tushunchalardan biri bo’ldi. Endi Anthropic muhandislari yangi bosqichga o’tishni taklif qilmoqda \u2014 context engineering<\/strong>. Bu shunchaki so’z tanlash emas, balki modelga taqdim etiladigan butun ma’lumot maydonini \u2014 tizim ko’rsatmalari, tool’lar, MCP ulanishlari, tashqi ma’lumotlar va suhbat tarixi \u2014 boshqarish san’ati.<\/p>\n\n\n\n

Prompt engineering’dan farqi nimada<\/h2>\n\n\n\n

Prompt engineering \u2014 bu LLM’ga bitta samarali ko’rsatma yozish. Context engineering esa kengroq masala: model har bir inference bosqichida qanday token’lar to’plami bilan ishlashi kerakligini uzluksiz boshqarish. AI agent bir necha bosqichli tsiklda ishlaganda (ya’ni tool’larni avtonom tarzda qayta-qayta chaqirganda), har bir yangi bosqich oldingi bosqichlarda yig’ilgan ma’lumotni qayta ko’rib chiqishni talab qiladi. Aynan shu doimiy tanlov jarayoni \u2014 context engineering deb ataladi.<\/p>\n\n\n\n

Anthropic tadqiqotchilari LLM’larning context oynasi kattalashgani sari ma’lumotni aniq eslab qolish qobiliyati pasayishini kuzatishgan \u2014 bu hodisa context rot<\/strong> deb nomlanadi. Sabab \u2014 transformer arxitekturasida har bir token boshqa barcha token bilan «bog’lanadi», ya’ni n ta token uchun n\u00b2 ta juftlik hosil bo’ladi. Context uzunligi oshgani sari bu bog’lanishlar «suyultiriladi» va modelning diqqati tarqaladi.<\/p>\n\n\n\n

Bu inson miyasidagi ishchi xotira chegarasiga o’xshaydi: har bir yangi token modelning cheklangan «diqqat byudjeti»ni sarflaydi. Shu sababli, samarali context engineering \u2014 modelga eng kam, lekin eng yuqori signalli token’lar to’plamini berishga qaratilgan.<\/p>\n\n\n\n

Samarali context’ning tarkibiy qismlari<\/h2>\n\n\n\n

Tizim ko’rsatmalari (system prompts)<\/strong> aniq va sodda tilda, lekin to’g’ri «balandlikda» yozilishi kerak \u2014 na haddan tashqari batafsil (har bir holat uchun qattiq qoidalar), na haddan tashqari mavhum. Anthropic bo’limlarga ajratilgan struktura (masalan, XML teglar yoki Markdown sarlavhalar) bilan yozishni tavsiya qiladi.<\/p>\n\n\n\n

Tool’lar<\/strong> agentning tashqi muhit bilan aloqa kanali hisoblanadi. Ular token jihatidan tejamkor, bir-biriga o’xshamaydigan va aniq maqsadga ega bo’lishi kerak. Agar odam context engineer qaysi tool qachon ishlatilishini aniq ayta olmasa, AI agent ham buni to’g’ri hal qila olmaydi.<\/p>\n\n\n\n

Misollar (few-shot)<\/strong> \u2014 modelga kutilayotgan xatti-harakatni ko’rsatishning eng samarali yo’li, lekin bu yerda ham «kam, lekin sifatli» tamoyili ishlaydi: har bir mumkin bo’lgan holatni sanab o’tirish o’rniga, bir nechta tanlangan, tipik misollar yetarli.<\/p>\n\n\n\n

Uzoq davom etadigan vazifalar uchun uchta texnika<\/h2>\n\n\n\n

Ko’p soatlik yoki bir necha bosqichli vazifalarda (masalan, katta kodbazani ko’chirish yoki chuqur tadqiqot) context oynasi hajmi yetarli bo’lmay qoladi. Anthropic bunga uchta yechim taklif qiladi:<\/p>\n\n\n\n

    \n
  1. Compaction<\/strong> \u2014 suhbat context chegarasiga yaqinlashganda, uning mazmuni siqib xulosalanadi va yangi context shu xulosa asosida qayta boshlanadi. Claude Code’da bu \u2014 arxitektura qarorlari va hal qilinmagan xatolarni saqlab qolib, ortiqcha tool natijalarini tashlab yuborish orqali amalga oshiriladi.<\/li>\n\n\n\n
  2. Structured note-taking (agentic memory)<\/strong> \u2014 agent context’dan tashqarida saqlanadigan qaydlar yozadi (masalan, NOTES.md fayli) va ularni kerak bo’lganda qayta o’qiydi. Bu, ayniqsa, «Claude Pok\u00e9mon o’ynayapti» eksperimentida yaqqol namoyon bo’lgan \u2014 agent minglab qadamlar davomida strategik qaydlarini saqlab, context qayta tiklangandan keyin ham davom eta oladi.<\/li>\n\n\n\n
  3. Sub-agent arxitekturasi<\/strong> \u2014 bitta agent butun loyihani boshqarish o’rniga, ixtisoslashgan sub-agentlar aniq vazifalarni «toza» context bilan bajaradi va faqat qisqa, siqilgan xulosa (odatda 1000\u20132000 token) qaytaradi. Bu yondashuv murakkab tadqiqot vazifalarida yakka agentga nisbatan sezilarli ustunlik ko’rsatgan.<\/li>\n<\/ol>\n\n\n\n

    Anthropic’ning ta’kidlashicha, model qanchalik aqlli bo’lsa, unga shunchalik kam «qat’iy» context engineering kerak bo’ladi \u2014 kelajakda agentlar tobora ko’proq avtonomiya bilan ishlaydi. Ammo hozircha context’ni cheklangan va qimmatli resurs sifatida qarash \u2014 ishonchli AI agentlar qurishning markaziy tamoyili bo’lib qolmoqda.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Oxirgi ikki yilda AI sohasida «prompt engineering» atamasi eng ko’p ishlatiladigan tushunchalardan biri bo’ldi. Endi Anthropic muhandislari yangi bosqichga o’tishni taklif qilmoqda \u2014 context engineering. Bu shunchaki so’z tanlash emas, balki modelga taqdim etiladigan butun ma’lumot maydonini \u2014 tizim ko’rsatmalari, tool’lar, MCP ulanishlari, tashqi ma’lumotlar va suhbat tarixi \u2014 boshqarish san’ati. Prompt engineering’dan farqi nimada […]<\/p>\n","protected":false},"author":1,"featured_media":12520,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"jnews-multi-image_gallery":[],"jnews_single_post":{"format":"standard"},"jnews_primary_category":[],"jnews_override_bookmark_settings":[],"jnews_paywall_metabox":[],"jnews_override_counter":[],"jnews_podcast_option":[],"jnews_podcast_series":[],"footnotes":""},"categories":[115],"tags":[],"jnews-series":[],"class_list":["post-12523","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-yangiliklar"],"_links":{"self":[{"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/posts\/12523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/comments?post=12523"}],"version-history":[{"count":1,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/posts\/12523\/revisions"}],"predecessor-version":[{"id":12524,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/posts\/12523\/revisions\/12524"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/media\/12520"}],"wp:attachment":[{"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/media?parent=12523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/categories?post=12523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/tags?post=12523"},{"taxonomy":"jnews-series","embeddable":true,"href":"https:\/\/pivot.uz\/uz\/wp-json\/wp\/v2\/jnews-series?post=12523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}