Prompt Engineering Temelleri: Yapay Zekadan Daha İyi Yanıt Almanın Yolları

Aynı yapay zeka modeline aynı konuda iki farklı soru sorduğunuzda bambaşka kalitede yanıtlar alabilirsiniz. Aradaki fark çoğu zaman modelde değil, sorunun soruluş biçimindedir. Prompt engineering (istem mühendisliği), büyük dil modellerinden istediğiniz çıktıyı alabilmek için talimatları bilinçli ve sistematik biçimde tasarlama pratiğidir. Bu yazıda rol verme, few-shot örnekleme ve zincirleme düşünce gibi temel teknikleri somut örneklerle ele alıyoruz.

Prompt Engineering Neden İşe Yarar?

Dil modelleri, verdiğiniz metni bağlam olarak alır ve en olası devamı üretir. Belirsiz bir istem, modeli genel ve yüzeysel bir yanıta yöneltir; net bir istem ise modelin doğru bağlamı kurmasını sağlar. İyi bir prompt genellikle dört bileşen içerir:

• Görev: Modelden tam olarak ne istediğiniz
• Bağlam: Görevin arka planı, hedef kitle, kısıtlar
• Format: Çıktının yapısı (liste, tablo değilse madde işaretleri, uzunluk sınırı vb.)
• Örnek: Beklediğiniz çıktıya benzer bir veya birkaç örnek

"Pazarlama hakkında bir şeyler yaz" yerine "Küçük bir kahve dükkanı için, samimi bir dille, 3 maddelik bir sosyal medya içerik planı hazırla" demek, aynı modelden çok daha kullanışlı bir sonuç çıkarır.

Rol Verme: Modele Bir Kimlik Tanımlamak

En basit ama en etkili tekniklerden biri, modele bir rol atamaktır. Rol, modelin hangi bilgi alanına, üsluba ve detay seviyesine odaklanacağını belirler.

Sen 10 yıllık deneyime sahip bir Python eğitmenisin.
Programlamaya yeni başlayan birine "değişken" kavramını,
günlük hayattan bir benzetme kullanarak açıkla.

Aynı soru rolsüz sorulduğunda model genellikle ansiklopedik bir tanım verir; rolle birlikte ise hedef kitleye uygun, pedagojik bir anlatım üretir. Rol verme tekniği müşteri destek botlarından kod inceleme asistanlarına kadar hemen her senaryoda yanıt kalitesini görünür biçimde iyileştirir.

Few-Shot: Örnekle Öğretmek

Few-shot prompting, modele görevin tanımıyla birlikte birkaç girdi-çıktı örneği vermek demektir. Model, örneklerdeki örüntüyü yakalayıp yeni girdiye uygular. Hiç örnek vermeden yalnızca talimatla çalışmaya ise zero-shot denir.

Cümlelerin duygusunu etiketle.

Cümle: Kargo iki gün erken geldi, çok memnunum.
Duygu: Olumlu

Cümle: Ürün açıklamadakinden tamamen farklı çıktı.
Duygu: Olumsuz

Cümle: Fiyatı biraz yüksek ama kalitesi iyi.
Duygu:

Few-shot tekniği özellikle sınıflandırma, format dönüştürme ve üslup taklidi gibi görevlerde güçlüdür. Örnek seçerken dikkat edilecek noktalar şunlardır:

• Örnekler gerçek kullanım senaryosunu temsil etmeli, hepsi aynı kalıptan olmamalıdır.
• Sınır durumları (örneğin hem olumlu hem olumsuz öğe içeren cümleler) en az bir örnekle gösterilmelidir.
• Çıktı formatı tüm örneklerde birebir aynı olmalıdır; model formatı da örneklerden öğrenir.

Zincirleme Düşünce (Chain-of-Thought)

Karmaşık akıl yürütme gerektiren sorularda modelden doğrudan sonucu istemek yerine, adım adım düşünmesini istemek doğruluğu artırır. Bu tekniğe zincirleme düşünce (chain-of-thought) denir. "Adım adım düşünerek çöz" gibi basit bir ifade bile modelin ara adımları açıkça yazmasını ve hesap hatalarını azaltmasını sağlar.

Bir mağazada 240 TL'lik bir ürüne önce %25 indirim,
ardından kalan tutara %10 indirim uygulanıyor.
Son fiyatı adım adım hesaplayarak bul.

Model ara adımları yazdığında hem hatayı nerede yaptığını görebilirsiniz hem de yanıtı doğrulamak kolaylaşır. Matematik problemleri, mantık soruları ve çok koşullu karar senaryoları bu tekniğin en parlak olduğu alanlardır. Güncel modellerin bir kısmı bu tür akıl yürütmeyi kendiliğinden yapsa da, isteminizde açıkça talep etmek hâlâ güvenilir bir yöntemdir.

Pratik İpuçları ve Sık Yapılan Hatalar

Temel tekniklerin yanında, günlük kullanımda fark yaratan birkaç alışkanlık daha vardır:

• Kısıt belirtin: "En fazla 5 madde", "teknik jargon kullanma" gibi sınırlar çıktıyı disipline eder.
• Olumsuz yerine olumlu talimat verin: "Uzun yazma" yerine "iki paragrafla sınırla" demek daha güvenilirdir.
• Ayırıcı kullanın: Uzun metinleri üç tırnak veya --- gibi ayırıcılarla talimattan ayırmak, modelin neyin veri neyin komut olduğunu karıştırmasını önler.
• Yineleyin: İlk yanıtı nihai sonuç değil taslak olarak görün; "şu kısmı sadeleştir", "daha resmi bir dile çevir" gibi takip istemleriyle iyileştirin.
• Tek seferde tek görev: Birbirinden bağımsız beş işi tek prompta sığdırmak yerine ayrı adımlara bölmek genellikle daha tutarlı sonuç verir.

Prompt yazmak bir kerelik bir iş değil, deneme-ölçme-iyileştirme döngüsüdür. Aynı görevi farklı istemlerle deneyip çıktıları karşılaştırmak, en hızlı öğrenme yöntemidir.

Çıktı Formatını Baştan Tarif Etmek

Prompt engineering yalnızca içeriği değil, çıktının biçimini de yönetir. Model serbest bırakıldığında her seferinde farklı bir düzen üretebilir; bu da yanıtı başka bir sistemde kullanmayı veya yanıtlar arasında karşılaştırma yapmayı zorlaştırır. Çözüm, beklenen yapıyı istemin içinde açıkça göstermektir:

Aşağıdaki ürün yorumunu analiz et ve yanıtı şu yapıda ver:
- Özet: (tek cümle)
- Duygu: (Olumlu / Olumsuz / Karışık)
- Öne çıkan konular: (en fazla 3 madde)

Yazılım projelerinde modelden JSON çıktısı istemek de çok yaygındır; alan adlarını ve örnek bir çıktıyı istemde göstermek, modelin şemaya uyma oranını belirgin biçimde artırır. Uzunluk hedefi vermek ("yaklaşık 150 kelime"), başlık düzeylerini belirtmek ve istenmeyen bölümleri açıkça dışlamak ("giriş paragrafı yazma, doğrudan maddelere geç") da aynı amaca hizmet eden küçük ama etkili dokunuşlardır.

Sonuç

Prompt engineering, yapay zeka araçlarından alınan verimi belirleyen en temel beceridir ve programlama bilgisi gerektirmez. Rol vererek modelin perspektifini sabitleyebilir, few-shot örneklerle format ve üslubu öğretebilir, zincirleme düşünceyle karmaşık problemlerde doğruluğu yükseltebilirsiniz. Bu teknikleri tek tek değil birlikte kullanmak — örneğin rol tanımı, iki örnek ve adım adım çözüm talebini aynı istemde birleştirmek — çoğu zaman en iyi sonucu verir. En etkili öğrenme yolu ise kendi gerçek görevleriniz üzerinde sistematik denemeler yapmaktır.