---
title: "Yapay zeka ajanı token'ları nereye gidiyor, nasıl azaltılır?"
description: "Sistem istemi, araç şemaları, dosya okumaları, geçmiş ve akıl yürütme: ajan döngüsü token'ları nasıl harcar, her parça nasıl ölçülür, önce ne kırpılır?"
url: https://broadrouter.com/tr/blog/agent-token-budget/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/agent-token-budget/) (güncelleme: 2026-11-14).

# Ajan token bütçesi: bir ajan döngüsünün token'ları nereye gidiyor?

BroadNet Inference ekibi · 5 dk okuma · Yayımlandı 2026-11-14

Bir ajan döngüsü her çağrıda bağlamının tamamını yeniden gönderir: sistem istemi, araç tanımları, konuşma geçmişi, dosya içerikleri ve araç çıktısı, artı yeni adım. Girdi genellikle çıktıyı kat kat aşar. Çağrı başına prompt\_tokens, cached\_tokens ve completion\_tokens değerlerini loglayın, en büyük tekrarlanan bloğu bulun, sonra araçları kırpın, araç çıktısını sınırlayın ve uzun oturumları yeniden başlatın.

## Öne çıkanlar

-   Her model çağrısı tüm bağlamı yeniden gönderir. Çağrı başına 30.000 token'lık 40 adımlı bir görev 1,2 milyon girdi token'ı okur.
-   Beş kova: sistem istemi, araç şemaları, geçmiş, dosya okumaları ve araç çıktısı, akıl yürütme dahil çıktı.
-   Çağrı başına kullanım bloğundan ölçün: prompt\_tokens, prompt\_tokens\_details.cached\_tokens ve completion\_tokens.
-   Cursor, sistem istemi ve araç tanımlarının tamamen kendi kontrolündeki en büyük harcama kaynaklarından biri haline geldiğini bildirdi.
-   Şu sırayla kırpın: kullanılmayan araçlar, aşırı büyük araç çıktısı, bayat geçmiş, sonra sistem istemi. Sabit öneki aynı tutun ki önbellekte kalsın.

**Bu sayfada**

1.  Bir ajan neden her şeyi yeniden gönderir?
2.  Token’lar nereye gidiyor?
3.  Nasıl ölçersiniz?
4.  Önce neyi kırpmalısınız?
5.  Önek neden sabit tutulmalı?
6.  Hesaplı bir ajan bütçesi neye benzer?
7.  BroadNet Inference nereye oturuyor?

Bir sohbet, yazdığınız ile modelin yazdığı kadar tutar. Bir ajan çok daha fazla tutar, çünkü modeli onlarca kez çağırır ve her seferinde neredeyse her şeyi yeniden gönderir. Bu maliyeti düşürmek ya da sadece [bağlam penceresine](https://broadrouter.com/tr/glossary/context-window/) takılmayı bırakmak istiyorsanız, her isteğin hangi kısmının büyük olduğunu bilmeniz gerekir. Bu yazı bir ajan döngüsünü beş kovaya ayırıyor, her birinin API’nin kendi kullanım verileriyle nasıl ölçüleceğini gösteriyor ve önce neyin kırpılacağını listeliyor.

## Bir ajan neden her şeyi yeniden gönderir?

Chat completions API’leri durumsuzdur. Model çağrılar arasında hiçbir şey hatırlamaz; bu yüzden ajan her adımda tüm bağlamı gönderir. Her çağrının 30.000 token taşıdığı 40 adımlı bir görev, belki 40.000 çıktı token’ı üretmek için **1,2 milyon girdi token’ı** okur. Bu 30’a 1 oranı, ajan faturalarında [girdi token’larının](https://broadrouter.com/tr/glossary/input-and-output-tokens/) ve bunların önbellek fiyatının baskın olmasının nedenidir.

## Token’lar nereye gidiyor?

| Kova | Nedir | Her çağrıda tekrarlanır mı? | Tipik etken |
| --- | --- | --- | --- |
| Sistem istemi | Ajan talimatları, kural dosyaları, proje notları | Evet | Uzun kural dosyaları |
| Araç şemaları | Her aracın adı, açıklaması ve JSON Schema’sı | Evet | Yerleşik araçlar artı her MCP sunucusu |
| Geçmiş | Önceki mesajlar, araç çağrıları ve sonuçları | Evet, ve büyür | Uzun oturumlar |
| Dosya okumaları ve araç çıktısı | Dosya içerikleri, test logları, arama sonuçları | Evet, çıkarılana kadar | Dosyaların tamamını okumak, ayrıntılı komutlar |
| Çıktı | Görünür yanıt, araç çağrıları ve akıl yürütme | Hayır | Akıl yürütme düzeyi, dosyaları baştan yazmak |

İlk ikisi sabit ek yüktür. Cursor Eylül 2026’da sistem istemi ve araç tanımlarının “had become one of the largest sources of spend that we fully control” (BroadRouter çevirisi: tamamen kontrolümüzdeki en büyük harcama kaynaklarından biri haline gelmişti) diye yazdı ve dosya okumalarını “another large source of token spend” (BroadRouter çevirisi: token harcamasının bir diğer büyük kaynağı) olarak nitelendirdi. Sistem isteminin yaklaşık üçte ikisini kesmek ve konuşmaların %20’sinden azında kullanılan araçları yalnızca gerektiğinde yüklemek dahil yaptığı değişiklikler, kullanıcıların token maliyetlerini %7 düşürdü. GitHub’ın VS Code ekibi de Copilot için aynı iki maliyeti adlandırdı: tekrarlanan istem öneki ve araç tanımı ek yükü.

## Nasıl ölçersiniz?

Bir izleme (tracing) ürününe ihtiyacınız yok. Her yanıttaki kullanım bloğu yeterli.

1.  **Kullanım bilgisini açın.** Akış için `stream_options: {"include_usage": true}` ekleyin; kullanım bilgisi son parçada gelir. Bkz. [akış (streaming)](https://broadrouter.com/tr/guides/streaming-chat-completions/).
2.  **Çağrı başına loglayın:** adım numarası, `prompt_tokens`, `prompt_tokens_details.cached_tokens`, `completion_tokens` ve bildirildiğinde `completion_tokens_details.reasoning_tokens`.
3.  **Sabit ek yükü bir kez ölçün.** Yalnızca sistem istemi, araçlar ve “hi” kelimesini içeren tek bir istek gönderin. Onun `prompt_tokens` değeri tabanınızdır.
4.  **Bir aracın çıktısını ölçün.** Her araç sonucunu eklemeden önce karakterlerini sayın. Dörde bölmek İngilizce için kaba bir token sayısı verir; modelinizin tokenizer’ındaki kesin rakam için bir örneği ücretsiz [token sayacına](https://broadrouter.com/tools/token-counter/) yapıştırın.

```python
r = client.chat.completions.create(model=MODEL, messages=msgs, tools=tools)
u = r.usage
cached = getattr(u.prompt_tokens_details, "cached_tokens", 0) or 0
log.info("step=%d prompt=%d cached=%d out=%d", step, u.prompt_tokens, cached, u.completion_tokens)
```

`prompt_tokens` değerini adıma göre grafiğe dökün. Düzgün bir eğim geçmişin büyüdüğünü gösterir. Ani bir sıçrama, bağlama büyük bir dosya veya log girdiğini gösterir. Yüksek bir taban, çok fazla araç olduğunu gösterir.

Aider’da `/tokens` mevcut bağlamda ne olduğunu bildirir, `/drop` da dosyaları bağlamdan çıkarır.

## Önce neyi kırpmalısınız?

En kolaya göre değil, boyut çarpı tekrar sayısına göre sıralayın:

1.  **Kullanılmayan araçlar.** Her araç şeması her çağrıda taşınır. OpenAI’ın rehberi fonksiyon tanımlarının “are billed as input tokens” (BroadRouter çevirisi: girdi token’ı olarak faturalandığını) söylüyor ve esnek bir kural olarak bir turun başında 20’den az fonksiyon öneriyor. Bu görevde kullanmadığınız MCP sunucularını devre dışı bırakın; opencode belgeleri MCP araçlarının model bağlamını tükettiğini açıkça söylüyor.
2.  **Araç çıktısı.** Komut çıktısını sınırlayın (bir test logunun 20.000 değil, son 200 satırı). Arama sonuçlarını yol ve satır numarası olarak döndürün, sonra yalnızca gerekeni okuyun.
3.  **Dosya okumaları.** Dosyanın tamamını değil, fonksiyonu okuyun. Aider’ın depo haritası, dosyaların tamamı yerine varsayılan 1k token’lık bir bütçe (`--map-tokens`) kullanır.
4.  **Geçmiş.** Her değişiklik için yeni bir görev başlatın. Bir oturumun sürmesi gerekiyorsa eski turları kısa bir özetle değiştirin.
5.  **Sistem istemi.** Modelin zaten uyduğu kuralları çıkarın. Geri kalanını sabit tutun.
6.  **Çıktı.** Dosyaların tamamını değil, diff’leri isteyin. Rutin adımlar için `reasoning_effort` değerini `low` yapın. [Akıl yürütme token’ları](https://broadrouter.com/tr/glossary/reasoning-tokens/) çıktı olarak faturalanır.

## Önek neden sabit tutulmalı?

Sağlayıcılar tekrarlanan bir öneki önbelleğe alır ve daha düşük fiyattan faturalar. BroadNet Inference’ta [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/), [önbellekli girdiyi](https://broadrouter.com/tr/glossary/cached-input-tokens/) 1M token başına $0.0055, yeni girdiyi $0.175 üzerinden faturalar. [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) ise $0.78 karşısında $0.173 faturalar. Sistem istemindeki bir zaman damgası ya da her çağrıda farklı sırayla listelenen araçlar, önbelleği o noktadan itibaren bozar. Sabit kısımları başa, sabit bir sırayla, değişen kısımları sona koyun. Ayrıntılar [önbellekli girdi token’ları](https://broadrouter.com/tr/blog/cached-input-tokens-explained/) yazısında; [istem önbellekleme hesaplayıcısı](https://broadrouter.com/tools/prompt-caching-calculator/) da belirli bir isabet oranının ne kazandırdığını gösteriyor.

Önbellek önekin fiyatını düşürür ama boyutunu düşürmez. Önbellekli token’lar yine de bağlam penceresini doldurur ve işlenmeleri yine zaman alır.

## Hesaplı bir ajan bütçesi neye benzer?

Girdinin %80’i önbellekli olacak şekilde yukarıdaki 40 adımlı görevi ele alın:

| Kısım | Token | Faturalandığı fiyat |
| --- | --- | --- |
| Yeni girdi | 240.000 | Girdi fiyatı |
| Önbellekli girdi | 960.000 | Önbellekli girdi fiyatı |
| Akıl yürütme dahil çıktı | 40.000 | Çıktı fiyatı |

Her çağrıdan 5.000 token’lık kullanılmayan araç şemasını kesmek, ajanın davranışında hiçbir değişiklik olmadan bu görevden 200.000 girdi token’ını, yani toplamın yaklaşık altıda birini çıkarır. Model seçimi, önbellekleme ve sabit planlar gibi kırpmanın ötesindeki maliyet kaldıraçları için [kodlama ajanı LLM maliyetini düşürmenin 10 yolu](https://broadrouter.com/tr/blog/cut-coding-agent-llm-costs/) yazısına bakın. Çoklu ajan kurulumlarında ajan sayısıyla çarpın; bkz. [çoklu ajan kurulumları ne kadar tutar](https://broadrouter.com/tr/blog/multi-agent-cost/). Kendi döngünüzü adım adım modellemek için [ajan çalıştırma maliyeti tahmin aracını](https://broadrouter.com/tools/agent-run-cost-estimator/) kullanın.

## BroadNet Inference nereye oturuyor?

BroadNet Inference, kullanım bloğunda istem ve tamamlama token’larını, model bildirdiğinde de önbellekli ve akıl yürütme token’larını döndürür; böylece yukarıdaki ölçüm yazıldığı gibi çalışır. DeepSeek V4.1 Flash’taki düşük önbellekli girdi fiyatı sabit bir öneki ödüllendirir. Kırpmak zamanınıza değmiyorsa sınırsız planlar, oturum başına ayda $60 karşılığında DeepSeek V4.1 Flash için token sayacını kaldırır; bağlam penceresi yine geçerlidir ve yalın bir bağlam yine daha hızlı çalışır. Planlar [inference.broadnet.ai/plans](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-agent-token-budget&utm_content=body) adresinde.

Bu konu için ücretsiz araçlar (İngilizce)

-   [Agent run cost estimator](https://broadrouter.com/tools/agent-run-cost-estimator/) Context growth per step, total tokens and cost of one agent run, with a DeepSeek session comparison.
-   [LLM batch job planner](https://broadrouter.com/tools/llm-batch-job-planner/) Run time, binding limit, cost per model and the flat sessions needed to finish a big job by a deadline.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [LLM rate limit and concurrency calculator](https://broadrouter.com/tools/llm-rate-limit-calculator/) Which limit binds first: RPM, TPM or concurrency, with Little's law.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Girdi ve çıktı token'ları](https://broadrouter.com/tr/glossary/input-and-output-tokens/)

Girdi token'ları, bir dil modelinin istekte okuduğu token'lardır: sistem istemi, konuşma geçmişi, araç tanımları ve görseller dahil. Çıktı token'ları ise modelin yanıt olarak ürettikleridir, akıl yürütme dahil. LLM API'leri bunları genellikle ayrı fiyatlandırır ve çıktı genellikle daha pahalıdır.

[Akış (streaming)](https://broadrouter.com/tr/glossary/streaming/)

Akış (streaming), bir dil modeli yanıtını sonda tek parça halinde değil, hâlâ üretilirken küçük parçalar halinde döndürme yöntemidir. OpenAI uyumlu API'ler, istekte stream değeri true olduğunda server-sent events (SSE) üzerinden akış yapar.

[Sistem istemi (system prompt)](https://broadrouter.com/tr/glossary/system-prompt/)

Sistem istemi (system prompt), bir uygulamanın konuşmadan önce dil modeline gönderdiği talimat metnidir; genellikle system veya developer rolündeki bir mesajdır. Modelin rolünü, kurallarını, üslubunu ve çıktı biçimini belirler; model, çelişen kullanıcı mesajlarına karşı buna uymak üzere eğitilir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Akıl yürütme token'ları (reasoning tokens)](https://broadrouter.com/tr/glossary/reasoning-tokens/)

Akıl yürütme token'ları, bir akıl yürütme modelinin görünür yanıtını yazmadan önce problemi çözmek için ürettiği token'lardır. Genellikle çıktı token'ı olarak faturalandırılır, çıktı sınırına ve bağlam penceresine sayılır; API tarafından gizlenebilir veya özetlenebilir.

[Chat Completions API](https://broadrouter.com/tr/glossary/chat-completions-api/)

Chat Completions API, OpenAI'nin bir model adı ile rollerle etiketlenmiş mesaj listesini alıp modelin sonraki mesajını döndüren HTTP uç noktasıdır: POST /v1/chat/completions. İstek ve yanıt yapısı, OpenAI uyumlu sağlayıcıların ve SDK'ların yeniden kullandığı ortak format hâline geldi.

[Çoklu ajan sistemi (multi-agent system)](https://broadrouter.com/tr/glossary/multi-agent-system/)

Çoklu ajan sistemi, her birinin kendi istemi, araçları ve bağlamı olan birkaç ajanın tek bir görevin parçaları üzerinde çalıştığı bir LLM uygulamasıdır. Yaygın bir tasarım orkestratör-işçi düzenidir: bir lider ajan plan yapar, işçi ajanları paralel başlatır ve sonuçlarını birleştirir.

## Sık sorulan sorular

### Kodlama ajanım neden bu kadar çok girdi token'ı kullanıyor?

Çünkü API durumsuzdur. Her çağrı sistem istemini, her araç tanımını, o ana kadarki konuşmayı ve hâlâ bağlamda olan tüm dosya içeriklerini yeniden gönderir. Uzun bir oturum bunu adım sayısıyla çarpar.

### Her ajan adımının kaç token kullandığını nasıl görürüm?

Her yanıtın kullanım (usage) bloğunu okuyun. Akış (streaming) kullanıyorsanız stream\_options içinde include\_usage değerini true yapın ve son parçayı okuyun. prompt\_tokens, prompt\_tokens\_details.cached\_tokens ve completion\_tokens değerlerini adım numarasıyla birlikte loglayın.

### Araç tanımları girdi token'ı sayılır mı?

Evet. Araç listesi istemin bir parçasıdır ve her çağrıda gönderilir. MCP sunucuları kendi araçlarını bu listeye ekler; opencode belgelerinin yalnızca ihtiyacınız olan sunucuları eklemenizi söylemesinin nedeni budur.

### İstem önbellekleme sorunu çözer mi?

Tekrarlanan önekin boyutunu değil, fiyatını düşürür. Önbellekli girdi yine de bağlam penceresini doldurur. BroadNet'te DeepSeek V4.1 Flash önbellekli girdiyi 1M token başına $0.0055, yeni girdiyi $0.175 üzerinden faturalar.

### Akıl yürütme token'ları bütçenin parçası mı?

Evet, çıktı tarafında. Akıl yürütme modelleri düşünmeyi max\_tokens değerine sayar ve kullandıkça öde'de çıktı olarak faturalar. Rutin adımlar için reasoning\_effort değerini low yapın.

## Okumaya devam edin

-   [OpenClaw ve Hermes Agent ucuz modelle: kurulum ve token hesabı](https://broadrouter.com/tr/blog/openclaw-hermes-agent-cheap-model/)
-   [Önbellekli girdi tokenları: LLM API faturası nasıl düşürülür](https://broadrouter.com/tr/blog/cached-input-tokens-explained/)
-   [Çoklu ajan maliyeti: token başına mı, sabit oturum mu?](https://broadrouter.com/tr/blog/multi-agent-cost/)
-   [Kodlama ajanları için en iyi açık model: araçlar, bağlam ve maliyet](https://broadrouter.com/tr/blog/best-open-model-for-coding-agents/)
-   [Sabit fiyatlı mı, token başına mı LLM API: başa baş hesabı](https://broadrouter.com/tr/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [İstem token sayısını azaltma: istem, araç ve veride ölçülen kazanç](https://broadrouter.com/tr/blog/reduce-prompt-tokens/)
-   [Bir yapay zeka kodlama ajanı çalıştırması ne kadar tutar?](https://broadrouter.com/tr/blog/ai-coding-agent-run-cost/)
-   [Claude Code ile açık modeller: proxy, yerel uç noktalar ve sınırlar](https://broadrouter.com/tr/blog/claude-code-with-openai-compatible-models/)
-   [Rehber: Chat completions akışı ve kopan bağlantıları ele alma](https://broadrouter.com/tr/guides/streaming-chat-completions/)
-   [Rehber: Akıl yürüten model neden boş yanıt döndürür?](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/)
-   [Rehber: Aider'ı sınırsız DeepSeek V4.1 Flash ile çalıştırın](https://broadrouter.com/tr/guides/aider-unlimited-deepseek/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-agent-token-budget&utm_content=page-cta) ·

**Kaynaklar**

-   [Cursor, iyileştirilmiş token verimliliği (23 Eylül 2026; 2026-11-14 tarihinde alındı)](https://cursor.com/blog/improved-token-efficiency)
-   [VS Code blogu, GitHub Copilot'ta token verimliliğini iyileştirme (2026-11-14 tarihinde alındı)](https://code.visualstudio.com/blogs/2026/06/17/improving-token-efficiency-in-github-copilot)
-   [OpenAI, function calling rehberi, 20'den az fonksiyon (2026-11-14 tarihinde alındı)](https://developers.openai.com/api/docs/guides/function-calling)
-   [opencode belgeleri, MCP sunucuları ve bağlam kullanımı (2026-11-14 tarihinde alındı)](https://opencode.ai/docs/mcp-servers/)
-   [Aider belgeleri, depo haritası ve sohbet içi komutlar (2026-11-14 tarihinde alındı)](https://aider.chat/docs/repomap.html)
-   [BroadNet Inference API referansı, kullanım ve önbellekli token'lar (2026-11-14 tarihinde alındı) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-agent-token-budget&utm_content=sources)
