Claude Code Skill'leri ve Bağlam Penceresi Şişmesi: Token Bütçesi Rehberi

Claude Code ekosistemi artık 500’den fazla topluluk skill’i, 1.200’den fazla agent skill’i ve düzinelerce MCP sunucu dizini barındırıyor. Birinin “awesome” kurulumunu klonlamak cazip geliyor; yanlış varsayılan da tam olarak bu. Kopyalanan konfigürasyonlar üç sorunu aynı anda büyütür: context window şişmesi gerçek koda yer bırakmaz, araç kalabalığı modelin doğru aracı seçme yeteneğini düşürür ve kopyalanan iş akışları senin kod tabanınla uyuşmaz.

İşleyen kurulum bunun tersine çalışır. Sıfır MCP sunucuyla başla, yalnızca tekrar eden bir sürtünme noktası gerekçe verdiğinde bir tane ekle ve toplam konfigürasyon overhead’ini context window’un %20’sinin altında tut. Aşağıdaki token matematiği kopyalanan kurulumun maliyetini, benchmark’lar ise araç listesi uzadıkça modelin neden kötüleştiğini gösteriyor.

Kopyalanan Kurulumun Maliyeti#

Claude Code her oturumda birkaç kaynaktan konfigürasyon yükler. Bunlar arasında system prompt, araç tanımları, MCP sunucu şemaları, CLAUDE.md dosyaları, skill’ler ve bellek dosyaları yer alır. Her kaynak, paylaşılan bir context window’dan token tüketir. Matematik basit ama sıklıkla göz ardı ediliyor.

/context Altında İki Kurulum#

/context komutu, context window’u kaynak bazında döker. İki gerçek kurulumun çıktısı:

Minimal kurulum (2 MCP sunucu, odaklı CLAUDE.md):

System prompt:  2.6K token  (1.3%)
System tools:  11.6K token  (5.8%)
MCP tools:  5.7K token  (2.8%)
Custom agents:  69 token  (0.0%)
Memory files:  743 token  (0.4%)
Skills:  61 token  (0.0%)
Autocompact buffer: 33.0K token (16.5%)
Free space:  146.2K token (73.1%)

Şişirilmiş kurulum (8+ MCP sunucu, kopyalanmış konfigürasyon):

System prompt:  2.6K token  (1.3%)
System tools:  17.6K token  (8.8%)
MCP tools:  82.0K token (41.0%)
Custom agents:  1.3K token  (0.7%)
Memory files:  7.4K token  (3.7%)
Skills:  1.0K token  (0.5%)
Autocompact buffer: 33.0K token (16.5%)
Free space:  55.1K token (27.5%)

Şişirilmiş kurulum overhead’e 91K token kaybediyor. Bu, konuşma başlamadan önce tüketilen context window’un neredeyse yarısı demek. O 91K token; kod tabanın, hata logların veya dokümantasyonun olabilirdi.

İki Sunucudan Awesome List’e#

Konfigürasyon	MCP Token Maliyeti	Çalışma için Kalan	Efektif Kapasite
Sıfır MCP sunucu	0 token	~155K token	%100
2-3 odaklı sunucu	~6K token	~149K token	%96
8+ kopyalanmış sunucu	~82K token	~73K token	%47
15+ “awesome list” sunucu	~145K token	~10K token	%6

%6 efektif kapasitede modelin elinde tek bir dosyayı ve sorduğun soruyu tutacak kadar bile yer kalmıyor.

Stack Trace Bırakmayan Bozulma#

Yanlış konfigüre edilmiş bir linter hatasını açıkça söyler. Yanlış konfigüre edilmiş bir Claude Code oturumu ise derece derece bozulur: yanıtlar belirsizleşir, kopyalanmış bir skill modeli makul görünen ama yanlış önerilere sürükler, kayıtlı onlarca araç arasından yanlış olanı seçme sıklığı artar. Hiçbir şey exception fırlatmaz; pencerede oturan şema tanımlarını işaret eden bir log da yoktur. Bu yüzden teşhis çoğunlukla “modelin kötü günü” olur ve konfigürasyon hiç şüphe altına girmez.

Araç Sayısı ve Doğruluk İlişkisi#

Araç sayısı ile doğruluk arasındaki ilişkiyi iki bağımsız kaynak sayıya döküyor: akademik bir benchmark ve Anthropic’in kendi değerlendirmeleri.

TaskBench (NeurIPS 2024)#

TaskBench benchmark’ı, değişen karmaşıklıktaki araç grafikleri genelinde LLM doğruluğunu ölçtü:

• Tek araç: %96,16 doğruluk
• 6 araç: %39,31 doğruluk
• 8 araç: %25,00 doğruluk

Bir not: TaskBench izole araç seçimini değil, çok adımlı araç zincirlerinin tamamını puanlıyor; bu da agentic bir kodlama oturumunun gerçekte nasıl ilerlediğine çok daha yakın.

Anthropic’in MCP Değerlendirmeleri#

Anthropic’in Opus 4 ile yaptığı MCP araç benchmark’ları benzer bir desen gösteriyor:

• 50+ araç (Tool Search olmadan): %49 doğruluk
• 50+ araç (Tool Search ile): %74 doğruluk

Tool Search işleri iyileştirdi, ama iyileştirme açıkken bile her dört araç seçiminden biri hâlâ yanlış.

Bu iki veri noktasının arasında, sektör yazılarının ve benchmark’ların üzerinde uzlaştığı aralık duruyor: istikrarlı ve isabetli seçim için 5-7 araç. Bu sayının ötesinde her ek araç, modelin yanlış olanı seçme olasılığını artırır.

Tool Search Nereye Kadar Yeter#

Anthropic, Claude Code 2.1.7 sürümüyle (Ocak 2026) MCP Tool Search’ü yayınladı. Araç tanımları context window’un %10’unu aştığında, Tool Search tüm tanımları önceden dahil etmek yerine araçları ihtiyaç anında yükler. Sonuçlar anlamlı:

• Token overhead %46,9-85 oranında azaldı
• Opus 4 doğruluğu MCP değerlendirmelerinde %49’dan %74’e çıktı

Tool Search faturayı düşürür ama araç listesini kısa tutma gerekçelerine dokunmaz:

• Model, eşleşme bulmak için araç açıklamalarını taramaya devam ediyor
• Her arama adımı token tüketir ve gecikme ekler
• Yanlış arama eşleşmeleri bir turu boşa harcar
• Model, doğru aracın hangi sunucuda olduğunu anlamak zorunda

Tool Search’ü çöp toplayıcı (garbage collector) gibi düşün: bellek baskısını yönetir, ama GC var diye bellek sızdıran kod yazmazsın. Pratik tavan da yerinde duruyor: odaklı araç setleriyle 10’dan az sunucu. Eşleştirme arama üzerinden yürüdüğünde, her araç açıklamasının kalitesi daha da önem kazanıyor.

Sıfırdan Kurmak#

Süreç bir döngü:

Her Satırını Hak Eden Bir CLAUDE.md#

Sıfır MCP sunucu ve minimal CLAUDE.md ile başla. Yalnızca şunları dahil et:

• Projen için build, test ve lint komutları
• Claude’un koddan çıkaramayacağı mimari kararlar
• Takımına özgü kodlama stili kuralları
• Dosya adlandırma kuralları

Anthropic, CLAUDE.md’yi 200 satırın altında tutmayı öneriyor, ideal olarak 100’ün altında. Her satır her oturumda okunuyor.

Sunucu Kendini Ne Zaman Amorti Eder#

MCP sunucuyu ancak aynı dış sistemi Claude’a tekrar tekrar tarif ettiğini fark ettiğinde ekle.

3 sunucu kuralı faydalı bir başlangıç noktası:

1. Versiyon kontrol için bir tane (GitHub/GitLab)
2. Birincil veri kaynağın için bir tane (veritabanı, API, bulut sağlayıcı)
3. Alan bazlı bir tane (proje yönetimi, dokümantasyon, monitoring)

Skill Tekrardan Doğar#

Skill’leri yalnızca benzer prompt’larla 5+ kez yaptığın görevler için oluştur. Topluluk listesinden kopyalanmış genel bir “code review” skill’i, Claude’un zaten yapabildiklerine hiçbir şey eklemez; takımının gözden geçirme kontrol listesini, test gereksinimlerini ve mimari kalıplarını adım adım işleyen bir skill ise bambaşka bir araçtır. Taslağın testi şu: gerçekten izlediğin bir süreci mi anlatıyor? İçinde süreç olmayan, yeniden kullanılabilir bir prompt gibi okunuyorsa prompt kullan.

Token Bütçesini İzlemek#

Denetim birkaç dakika sürer. /context çalıştır ve dağılımı oku; MCP araçları, system prompt ve bellek toplamı pencerenin %20’sinin altında kalmalı. /mcp ile sunucu başına araç sayılarına bak ve bir haftadır dokunmadığın her sunucuyu devre dışı bırak. Global ve proje düzeyindeki her CLAUDE.md’yi yeniden oku; Claude’un gerçekten yaptığın işler için ihtiyaç duymadığı her talimatı sil. Sonra .claude/skills/ dizinini aç ve her dosya için sor: bunu ben mi yazdım, yoksa kopyaladım mı? Kopyalanmış skill’ler ya kendi sürecine dayanan sürümleriyle değişir ya da silinir.

Compaction sıklığını da izle. Otomatik sıkıştırma oturum ortasında sık tetikleniyorsa, overhead gerçek işin yerini almaya başlamış demektir.

Her değişiklikten sonra /context komutunu tekrar çalıştır.

Neyi Ne Zaman Eklemeli#

MCP Sunucuları#

Sinyal	Aksiyon
Aynı dış sistemi Claude’a haftada 3+ kez tarif ediyorsun	Bunun için odaklı bir MCP sunucu ekle
Awesome list’te gördün ve ilginç görünüyor	Atla
Tüm takımın aynı dış araç erişimine ihtiyaç duyuyor	Proje konfigürasyonuna ekle
Son bir ayda bir kez kullandın	Devre dışı bırak veya kaldır
Tek bir sunucu 50+ araç kaydediyor	Daha odaklı bir alternatif ara

Skill mi, Prompt mu?#

Sinyal	Aksiyon
Bu görevi benzer prompt’larla 5+ kez yaptın	Özel bir skill yaz
Biri iş akışına uyan bir skill paylaştı	Kendi kurallarına uyarla, kopyalama
Görev genel (ör. “bu kodu incele”)	Claude’un yerleşik yeteneklerini kullan
Görev projenin özel kurallarını gerektiriyor	Bu kuralları kodlayan bir skill yaz
Skill 200 satırı aşacak	Odaklı alt-skill’lere böl

CLAUDE.md Satırları#

Sinyal	Aksiyon
Claude aynı hatayı tekrar tekrar yapıyor	Bunu önleyecek belirli bir kural ekle
Talimat bu projedeki her göreve uygulanıyor	Kök CLAUDE.md’de tut
Talimat yalnızca bir alt dizine uygulanıyor	O dizine ait CLAUDE.md’ye taşı
Başka bir projenin CLAUDE.md’sinden kopyaladın	Projen için geçerli değilse kaldır
CLAUDE.md 200 satırı aşıyor	Denetle ve evrensel olmayan kuralları skill’lere taşı

Bahaneler#

”Eninde Sonunda İhtiyacım Olacak”#

135 aracı olan bir Docker MCP sunucusu ~126K token tüketir: haftada iki kez kullandığın bir araç için standart 200K context window’un %63’ü ayrılmış olur. 1M token pencereler mevcut olsa bile bu overhead, gerçek işine harcanmayan 126K token demek. Cevap oturum bazlı kapsam: sunucuyu yalnızca ihtiyaç duyan oturumlarda /mcp ile aç, gerisinde kapalı tut.

”CLAUDE.md’m Her Şeyi Kapsıyor”#

Kapsamlı bir CLAUDE.md her oturumda okunur ama herhangi bir görevde yalnızca küçük bir kısmı işe yarar; kalanı parası ödenmiş gürültüdür. Kapsamı daraltılmış dosyalar tam bunun için var. Kök CLAUDE.md’yi evrensel kurallarla sınırla; göreve özgü talimatları alt dizin CLAUDE.md dosyalarına veya skill’lere taşı.

”Trend Olan Kurulum En İyisi Olmalı”#

Viral bir konfigürasyon, senin görmediğin haftalarca iterasyonla, yazarının kendi ihtiyaçları için kurulmuştur. Benimsemeden önce her skill’i ve konfigürasyonu oku; yaptığı işe en son ne zaman ihtiyaç duyduğunu sor. Cevap son bir hafta içinde değilse dışarıda bırak.

CLAUDE.md Kapsam Sorunu#

CLAUDE.md dosyaları bir hiyerarşi izler:

• ~/.claude/CLAUDE.md (global): her projede yüklenir
• ./CLAUDE.md (proje kökü): bu proje için yüklenir
• ./packages/api/CLAUDE.md (alt dizin): burada çalışırken yüklenir

Birinin global CLAUDE.md’sini kopyaladığında React bileşen kuralları Go mikroservislerine kadar peşinden gelir; “her zaman pnpm kullan” satırı yarn workspace’inle çatışır, Vitest talimatları da Jest kurulumuna hiçbir şey söylemez.

Neyin ait olduğu, yukarıdaki minimal temel listesinin aynısı; kapsam sorusu her satırın hangi dosyada yaşayacağı. Hangi düzeyde olursa olsun ait olmayanlar:

• Genel programlama tavsiyeleri (“temiz kod yaz”)
• Skill’lere ait araç talimatları
• Kullanmadığın stack’ler için kurallar
• Ayrıntılı açıklamalar. Claude kodu iyi okur.

Varsayılanı Ne Zaman Esnetmeli#

Önce sıfır, sonra kanıt yaklaşımı, context faturasını senin ödediğin her durumda geçerli: kendi repon, küçük bir takım, kurallarını zaten ezbere bildiğin bir kod tabanı. Bu varsayılanı esnetmenin iki makul gerekçesi var. Yirmi repo için tek bir onaylı MCP setini bakımlı tutan bir platform takımı, harcadığı token karşılığında tutarlılık kazanır. Gününün büyük bölümünü kaplayan tek bir dış sistem de kendi sunucusunun maliyetini ilk saatte çıkarır. Topluluk skill’leri, paylaşılan dotfile’lar ve awesome list’ler her iki durumda da ilham kaynağı olarak işini görür; maliyet, blok halinde geldiklerinde ortaya çıkar.

Bugün /context çalıştır ve overhead sayısını bir yere yaz. Bundan sonraki her konfigürasyon değişikliğinin aşması gereken bir sayı olur.

Kaynaklar#

• Best Practices for Claude Code (yeni sekmede açılır) - Anthropic’in CLAUDE.md yapısı hakkındaki resmi rehberi, 200 satırın altı önerisi
• Context Windows - Claude API Docs (yeni sekmede açılır) - Context window mekanizması ve token bütçeleme hakkında resmi dokümantasyon
• Model Context Protocol and the “Too Many Tools” Problem (yeni sekmede açılır) - MCP araç kalabalığının LLM performansını nasıl düşürdüğünün analizi
• Having Multiple MCP Servers Running Eats into Context Window - Issue #3036 (yeni sekmede açılır) - 7 MCP sunucunun 67K+ token tükettiğini belgeleyen topluluk raporu
• Claude Code Just Cut MCP Context Bloat by 46.9% (yeni sekmede açılır) - Tool Search’ün token overhead’ini 51K’dan 8,5K’ya düşürmesinin analizi
• AI Tool Overload: Why More Tools Mean Worse Performance (yeni sekmede açılır) - Tutarlı doğruluk için 5-7 aracın pratik üst sınır olduğunu gösteren araştırma
• Your MCP Servers Are Eating Your Context (yeni sekmede açılır) - Sunucu başına token maliyetleri ve azaltma stratejilerinin pratik analizi
• Extend Claude with Skills - Claude Code Docs (yeni sekmede açılır) - SKILL.md formatı ve skill oluşturma hakkında resmi dokümantasyon
• Skill Authoring Best Practices - Claude API Docs (yeni sekmede açılır) - Anthropic’in etkili skill yazma rehberi
• TaskBench: Benchmarking Large Language Models for Task Automation (NeurIPS 2024) (yeni sekmede açılır) - Araç grafiği doğruluğunun %96’dan (1 araç) %25’e (8 araç) düştüğünü gösteren akademik araştırma
• Feature Request: Lazy Loading for MCP Servers - Issue #7336 (yeni sekmede açılır) - Tool Search özelliğine yol açan topluluk tartışması
• MCP Tool Search: How Claude Code Fixed Context Window Bloat (yeni sekmede açılır) - Tool Search iç yapısına teknik derinlemesine bakış
• MCP Tools Consume 50% of Context Tokens - Issue #13717 (yeni sekmede açılır) - MCP araçlarının 98,7K token tükettiğini bildiren kullanıcı raporu
• Optimising MCP Server Context Usage in Claude Code (yeni sekmede açılır) - MCP sunucu token tüketimini denetleme ve optimize etme anlatımı