Prompt Nasıl Yazılır? Prompt Mühendisliği Rehberi

Etkili bir prompt yazmak, yapay zekadan doğru, anlamlı ve tutarlı sonuçlar almanın temelidir. Büyük Dil Modelleri (LLM) ile başarılı şekilde etkileşime geçebilmek için, prompt’un açık, hedefe yönelik ve yapılandırılmış olması gerekir. Özellikle üretken yapay zeka çağında, prompt mühendisliği adı verilen bu yeni beceri, içerik üretiminden veri analizine kadar birçok alanda fark yaratmaktadır. Bu rehberde, teknik bilgiyi sade bir anlatımla birleştirerek, nasıl daha başarılı prompt’lar yazabileceğinizi adım adım açıklayacağız.

“`markdown
## Prompt Nasıl Yazılır? – İçeriğin Özeti

Etkili bir prompt yazmak, yapay zekadan doğru, anlamlı ve tutarlı sonuçlar almanın temelidir. Büyük Dil Modelleri (LLM) ile başarılı şekilde etkileşime geçebilmek için, prompt’un açık, hedefe yönelik ve yapılandırılmış olması gerekir.

### Bu rehberde neler var?

– Prompt nedir, neden önemlidir ve LLM çıktısını nasıl etkiler?
– Zero-shot, one-shot, few-shot, sistem ve rol prompt’ları gibi farklı türlerin karşılaştırılması
– CoT (Chain of Thought) ve Step-Back gibi gelişmiş tekniklerle örnekli akıl yürütme yöntemleri
– Token sayısı, sıcaklık, top-K, top-P gibi parametrelerin çıktıya etkisi
– Yaratıcı yazım, teknik görev, JSON veri çıktısı gibi senaryolara uygun örnek prompt’lar
– Başarılı prompt’ların ortak özellikleri ve kaçınılması gereken yaygın hatalar
– Prompt yazımının bir döngü olduğu ve deneme–analiz–iyileştirme süreciyle geliştiği
– Multimedya destekleri, ekip çalışması ve geleceğe dönük prompt trendleri ile içerik zenginliği

Bu yazı, hem teknik uzmanlara hem de yapay zekayla yeni tanışanlara yönelik sadeleştirilmiş ama derinlemesine bir kaynak sunuyor.

Prompt Nedir?

Prompt, yapay zekaya ne yapması gerektiğini anlatan yazılı bir komuttur. Bir modelin doğru anlaması için, bu komutun açık, net ve amaca uygun şekilde hazırlanması gerekir. Peki, bu kadar önemli bir yapı neden bu kadar etkilidir?

Neden Prompt Yazımı Önemlidir?

Prompt; soru, talimat veya örnek şeklinde olabilir. Amacı, büyük dil modelinin (LLM) bağlamı anlamasına ve uygun bir yanıt üretmesine yardımcı olmaktır. Modelin eğitildiği dil verileriyle etkileşime geçebilmesi için, neyin istenildiğini açıkça belirtmek şarttır.

Kötü yazılmış bir prompt, ne kadar güçlü olursa olsun modeli yanıltabilir. Eksik, belirsiz veya yönsüz bir komut; modelin alakasız, hatalı ya da yetersiz yanıtlar üretmesine yol açar. İyi bir prompt, modelin belleğinden en doğru veriyi çekmesini sağlar. Bu da daha kaliteli içerik, analiz ve görev başarısı demektir.

Büyük Dil Modelleri (LLM) ile Etkileşim Kurmak

Bir LLM’ye nasıl komut verdiğiniz, onun nasıl yanıt vereceğini belirler. Modelin çalışma prensiplerini bilmek, daha etkili prompt yazmanın ilk adımıdır. Şimdi dil modellerinin karar verme süreçlerine yakından bakalım.

LLM’lerin Çalışma Mantığı

Büyük dil modelleri, milyarlarca kelime içeren devasa veri setleriyle eğitilmiştir. Bu sayede, dilin yapısını, kalıplarını ve anlamını öğrenebilirler. Model, yazdığınız prompt’u analiz eder ve geçmiş verilerden öğrendikleriyle en olası yanıtı üretmeye çalışır.

Prompt ve Çıktı Arasındaki İlişki

Girdi olarak verdiğiniz her bilgi, modelin vereceği yanıt üzerinde doğrudan etkilidir. Net bir amaçla yazılmış bir prompt, net ve doğru bir yanıt getirir. Belirsizlik içeriyorsa, model farklı şekillerde yanıt verebilir. Bu nedenle, çıktıyı biçimlendirmek istiyorsanız, prompt’unuz da aynı titizlikle biçimlendirilmiş olmalıdır.

Prompt Nasıl Yazılır?

İyi bir prompt yazmak için süslü cümleler kurmanıza gerek yoktur. Önemli olan, modelin ne yapacağını açık bir biçimde anlamasını sağlamaktır. Etkili bir prompt yazarken dikkat edilmesi gereken bazı temel ilkeler vardır.

Açık, Net ve Hedefe Yönelik Olmak

Modelin görevi doğru anlaması için, kullanılan dilin basit ve doğrudan olması gerekir. Karışık yapılar, belirsiz ifadeler ve muğlak istekler modele yanlış sinyaller verir. “Lütfen bu metni sadeleştir” gibi doğrudan emir kipinde cümleler her zaman daha iyi sonuç verir.

İstenen Çıktıyı Tanımlamak

Modelden ne istediğinizi net bir şekilde belirtin. Örneğin: “Metni 5 madde halinde özetle” veya “Yalnızca olumlu yorumları filtrele” gibi ifadelerle beklenen sonuçları çerçeveleyin. Hedefi belirsiz prompt’lar, tahmine dayalı ve riskli yanıtlar doğurabilir.

Örnekle Açıklama (Few-shot & One-shot Promptlama)

Modelin ne tür bir çıktı üretmesi gerektiğini anlamasını kolaylaştırmak için örnekler verin. Bu yöntemle, belirli bir biçimi ya da yapıyı öğrenmesini sağlayabilirsiniz. Örneğin:

Görev: Türkçeye çevir.
Örnek: "I am happy." → "Ben mutluyum."
Metin: "They are working."
Yanıt:

Bu yapı modelin “ne yapılacağını” örnekten öğrenmesine imkân tanır. Özellikle karmaşık işlemler için oldukça etkilidir.

Prompt Türleri Nelerdir?

Prompt mühendisliği dünyasında farklı görevler için kullanılan çeşitli prompt türleri vardır. Her tür, modelin yanıt biçimini ve doğruluğunu etkileyebilir. Hangi görev için hangi türün daha uygun olduğunu bilmek, daha iyi sonuçlar almanın anahtarıdır.

Zero-shot, One-shot ve Few-shot Açıklamaları

Zero-shot prompt, modele herhangi bir örnek vermeden yalnızca görevi açıklayan metindir. Örneğin: “Bir film önerisi yap.” One-shot prompt, modele bir adet örnekle birlikte görevi tanıtır. Few-shot prompt ise 3-5 örnekle modelin örüntüyü daha net anlamasını sağlar. Few-shot, sınıflandırma veya biçimsel görevlerde oldukça etkilidir.

Sistem, Rol ve Bağlamsal Promptlar

Sistem promptları, modelin genel davranışını belirleyen başlangıç yönergeleridir. Örneğin: “Sen bir İngilizce öğretmenisin.” Rol promptları ile modele bir kimlik verilir: “Bir psikolog gibi cevap ver.” Bağlamsal promptlar ise konuşmanın ya da görevin bağlamını netleştirir. Bu üçü bir arada kullanıldığında modelin performansı ciddi şekilde artar.

Düşünce Zinciri ve Akıl Yürütme Odaklı Promptlar

Modelden yalnızca bir yanıt almak bazen yeterli olmayabilir. Özellikle problem çözme, mantık yürütme veya çok adımlı karar verme gereken durumlarda, modelin önce “nasıl düşüneceğini” kurgulamak gerekir. Bu noktada iki güçlü yaklaşım öne çıkar: Geri Adım (Step-back) ve Düşünce Zinciri (Chain of Thought).

Geri Adım (Step-back) Yöntemiyle Genelden Özele Yaklaşım

Geri Adım yöntemi, modeli önce genel bir perspektifle düşünmeye, ardından bu genel bilgiyi kullanarak spesifik görevi çözmeye yönlendirir. Bu yaklaşım özellikle açıklama, analiz veya politika önerisi gibi görevlerde modelin daha isabetli sonuç üretmesini sağlar.

Örnek:

Adım 1 – Genel düşünce: Yapay zeka etiği nedir, neden önemlidir?  
Yanıt: Yapay zeka etiği, yapay zeka araçları ve AI sistemlerinin adil, şeffaf ve insanlara zarar vermeyecek şekilde tasarlanmasını kapsar.

Adım 2 – Spesifik görev: Yeni başlayan birine bunu sade bir dille açıkla.  
Yanıt: Yapay zeka, insanlara yardım etmek için tasarlanır ama yanlış kullanılırsa zarar da verebilir. Bu yüzden geliştiriciler, sistemlerin insanlara saygılı ve adil olmasına dikkat etmelidir.

Bu yaklaşım modelin önce konunun özünü anlamasını sağlar, ardından daha özelleştirilmiş çıktılar üretmesine yardımcı olur.

Düşünce Zinciri (Chain of Thought) ile Adım Adım Akıl Yürütme

Düşünce Zinciri yöntemi, modelin yanıtı birden çok ara adım üzerinden üretmesini sağlar. Bu teknik, özellikle matematik, mantık ve çok aşamalı karar süreçlerinde oldukça başarılıdır. Çünkü model her adımdaki mantığı açıkça ortaya koyar.

Örnek: Soru: “Bir çiftlikte 3 kümeste toplam 45 tavuk vardır. Her kümeste eşit sayıda tavuk varsa, her bir kümeste kaç tavuk vardır?”

Adım 1: Toplam tavuk sayısı 45.  
Adım 2: Toplam kümese bölünmesi gerekiyor: 45 ÷ 3  
Adım 3: 45 ÷ 3 = 15  
Sonuç: Her kümeste 15 tavuk vardır.

Bu yöntem, modelin sadece son cevabı değil, o cevaba nasıl ulaştığını da göstermesini sağlar. Bu da hem doğruluk hem de kullanıcı güveni açısından büyük avantaj sunar.

Çıktıyı Etkileyen Teknik Ayarlar

Prompt ne kadar iyi yazılırsa yazılsın, modelin çıktısını etkileyen bazı teknik parametreler de vardır. Bunlar arasında çıktı uzunluğu, rastgelelik düzeyi ve örnekleme yöntemleri gibi faktörler yer alır. Doğru ayarları kullanmak, daha tutarlı ve görev odaklı yanıtlar almayı sağlar.

Token Sayısı ve Maksimum Uzunluk

LLM’ler çıktıları “token” adı verilen kelime parçacıklarıyla oluşturur. Yanıtın maksimum uzunluğunu belirlemek, özellikle özetleme veya listeleme gibi görevlerde önemlidir. Uzun yanıtlar için daha fazla token gerekirken, kısa ve öz yanıtlar için sınırlı token tanımlanmalıdır.

Sıcaklık, Top-K, Top-P Nedir?

Sıcaklık (temperature), modelin yanıt üretirken ne kadar “yaratıcı” olacağını belirler. 0 değeri tamamen deterministik, 1’e yakın değerler ise daha rastgele yanıtlar oluşturur. Top-K ve Top-P, modelin olasılığı en yüksek olan kelimelerden seçim yapma biçimini kontrol eder. Yüksek değerler daha yaratıcı, düşük değerler daha güvenilir sonuçlar sağlar.

Bu Ayarların Etkileşimi ve Uygulama Senaryoları

Sıcaklık 0’a ayarlanmışsa, Top-K ve Top-P ayarları etkisiz hale gelir. Bu tür ayarlar genellikle birlikte test edilerek en uygun kombinasyon belirlenir. Örneğin, teknik döküman üretiminde sıcaklık düşük tutulurken, hikâye yazımında yüksek sıcaklık tercih edilir.

Örneklerle Prompt Yazımı

Teoriyi pratiğe dökmeden prompt yazımında ustalaşmak mümkün değildir. Aşağıda farklı görevler için hazırlanmış başarılı prompt örnekleriyle, bu kuralların nasıl uygulandığını daha net görebilirsiniz.

Yaratıcı Yazım Promptu

Rol: Sen yaratıcı bir hikâye yazarısın.
Görev: Aşağıdaki karakterler için kısa bir hikaye yaz.
Karakterler: Bir konuşan kedi ve uzaylı bir kuş.
Kısıtlama: Hikâye 200 kelimeyi geçmesin, mizahi bir tonla yazılsın.

Teknik Görev Promptu

Rol: Yazılım geliştiricisin.
Görev: Python dilinde bir sayının asal olup olmadığını kontrol eden fonksiyon yaz.
Kısıtlama: Kod açıklamalı olmalı ve örnek kullanım içermeli.

Veri Formatlama (JSON/XML) Promptu

Görev: Aşağıdaki kullanıcı verisini JSON formatında yapılandır.
Veri: Ahmet Yılmaz, 32 yaşında, e-posta: ahmet@example.com, şehir: İstanbul
İstenen format:
{
  "isim": "",
  "yaş": ,
  "email": "",
  "şehir": ""
}

Yukarıdaki gibi yapılandırılmış prompt’lar, hem modelin beklentileri anlamasını kolaylaştırır hem de tutarlı veri çıktıları alınmasını sağlar.

Düşünce Zinciri ve Akıl Yürütme Odaklı Promptlar

Daha karmaşık görevlerde, modelin yalnızca yanıtı değil, o yanıtı nasıl düşündüğünü de göstermesi gerekir. Bu noktada devreye “düşünce zinciri” (Chain of Thought) ve daha gelişmiş teknikler girer. Modelin akıl yürütme adımlarını açıklaması, çıktının doğruluğunu ve güvenilirliğini artırır.

CoT Tekniği ile Daha Doğru Yanıtlar

CoT (Chain of Thought) yöntemi, modelin ara düşünce adımlarını açıklamasını sağlayarak, problem çözme becerilerini güçlendirir. Özellikle matematiksel sorular, mantıksal çıkarımlar ve çok adımlı kararlar gerektiren görevlerde bu yöntem çok etkilidir. Örnek prompt:

Soru: Bir çiftlikte 3 kümeste toplam 45 tavuk vardır. Her kümeste eşit sayıda tavuk varsa, her bir kümeste kaç tavuk vardır? 
Cevap: Çıktıyı adım adım ver.

Bu yapı sayesinde model hesaplama sürecini detaylandırarak daha isabetli sonuçlar üretir.

ReAct, Tree of Thoughts gibi ileri teknikler

ReAct (Reason + Act), modelin düşünceyle birlikte hareket etmesini sağlar. Örneğin bir soru sorulur, ardından model önce düşünür, sonra internette arama gibi bir eylem yapar. Tree of Thoughts ise bir problemi farklı çözüm yollarıyla ele alır, her yolun avantajlarını değerlendirir. Bu yöntemler araştırma, analiz ve çok seçenekli karar alma görevlerinde çok kullanışlıdır.

Başarılı Promptların Ortak Özellikleri

Başarılı bir prompt yazmak, sadece teknik bilgi değil aynı zamanda pratik deneyim gerektirir. Ancak iyi yazılmış prompt’lar arasında bazı ortak paydalar göze çarpar. Bu özellikleri bilmek, her görevde daha kaliteli çıktılar almanızı sağlar.

Basitlik ve Anlaşılabilirlik

İyi bir prompt karmaşık değildir. Uzun cümlelerden, belirsiz ifadelerden ve gereksiz detaylardan kaçınılır. “Lütfen 3 maddelik özet çıkar” gibi doğrudan istekler model tarafından daha net anlaşılır.

Yapılandırılmış Formatlar

Liste, madde işareti, JSON, tablo ya da başlıklarla bölünmüş yapılar, modelin daha tutarlı sonuçlar üretmesine yardımcı olur. Özellikle tekrarlanabilir işler için bu yapı çok önemlidir. Örneğin: “Aşağıdaki verileri tablo halinde listele.”

Beklenen Çıktı Üzerine Netlik

Modelin neyi, ne formatta, hangi dilde ve ne uzunlukta üretmesi gerektiği açıkça belirtilmelidir. Belirsiz komutlar yerine: “Bu makaleyi İngilizce’ye çevir, maksimum 300 kelime olsun.” gibi ifadeler başarı şansını artırır.

Prompt Yazarken Sık Yapılan Hatalar

Yaygın yapılan küçük hatalar, modelin hatalı veya alakasız yanıtlar vermesine neden olabilir. Aşağıda, özellikle yeni başlayanların dikkat etmesi gereken yaygın prompt yazım hatalarına göz atıyoruz.

Belirsiz Tanımlar Kullanmak

“İlginç bir şey yaz.” gibi muğlak ifadeler model için yorumlamaya açıktır ve istenmeyen sonuçlar doğurabilir. Neyin “ilginç” olduğu modele göre değil, kullanıcının beklentisine göre şekillenmelidir.

Ne İstendiğini Açık Belirtmemek

Modelden beklentinizin net olmaması, örneğin format, ton ya da detay seviyesi belirtmeden istek göndermek, çıktıların tutarsız olmasına neden olabilir. Örnek: “Bu yazıyı düzelt.” demek yerine “Bu yazıyı resmi bir dilde, yazım ve dilbilgisi açısından düzelt.” demek çok daha etkilidir.

Karmaşık Dil veya Gereksiz Detay

Prompt’u gereksiz teknik terimlerle veya fazla arka plan bilgisiyle doldurmak, modelin dikkatini dağıtabilir. Basitlik genellikle daha iyi sonuçlar verir. Ayrıca, çok uzun prompt’lar token sınırına yaklaşarak modelin yanıt vereceği alanı daraltabilir.

Deneme, Yanılma ve İyileştirme Süreci

Prompt mühendisliği, tek seferlik bir iş değil; sürekli test, analiz ve iyileştirme gerektiren bir süreçtir. Her modelin yanıt biçimi, güncellemelerle değişebilir. Bu yüzden, denemeler yaparak neyin işe yaradığını öğrenmek büyük fark yaratır.

Neden Prompt’lar Test Edilmelidir?

Her görev farklıdır ve bir prompt her zaman aynı sonucu vermez. Farklı biçimlerde yazılmış prompt’lar, modelin davranışında ciddi değişikliklere yol açabilir. Bu yüzden aynı göreve farklı prompt’larla yaklaşmak, en etkili olanı bulmak açısından önemlidir.

Belgeleme ve Karşılaştırma Yöntemleri

Denediğiniz prompt’ları ve sonuçlarını belgelemek, hangi yapıların daha iyi çalıştığını görmenizi sağlar. Özellikle üretken işler için bir Google Sheet veya dokümantasyon aracı kullanarak “prompt denemeleri günlüğü” tutmak, ekip çalışmasında da büyük kolaylık sağlar.

Gelişmiş Kullanıcılar için Otomatik Prompt Mühendisliği (APE)

Daha gelişmiş uygulamalarda, prompt yazım süreci otomatik hale getirilebilir. Bu teknik, modellerin kendi prompt’larını oluşturup test etmesi üzerine kuruludur. APE sayesinde yüzlerce alternatif prompt hızlıca oluşturulup en iyi sonuçlar analiz edilebilir.

Modelden Prompt Üretmek

Otomatik Prompt Mühendisliği, bir modele “benzer görevler için alternatif prompt’lar üret” gibi bir talimat verilerek başlatılır. Model, bu talimata uygun onlarca versiyon oluşturur ve her biri ayrı ayrı test edilerek en etkili olanı seçilir.

Performansa Göre Seçim Yapmak

Her bir prompt’un sonuçları karşılaştırılarak belirli metriklere göre en başarılı olan belirlenir. Bu süreç, üretkenliği artırmakla kalmaz, insan hatasını da minimize eder. Ayrıca, sistemlerin ölçeklenebilirliğini artırmak için de son derece uygundur.

Ekiplerle Prompt Geliştirme ve İşbirliği

Prompt yazımı bireysel bir beceri gibi görünse de, ekip çalışmasıyla daha güçlü hale gelir. Farklı bakış açıları, farklı modellerle deneyimler ve görev çeşitliliği, daha zengin ve etkili prompt’lar geliştirilmesini sağlar.

Farklı Gözlerden Geri Bildirim Alma

Bir prompt’un farklı kişiler tarafından test edilmesi, olası eksiklerin ve belirsizliklerin fark edilmesini sağlar. Özellikle kullanıcı testleriyle birlikte, belirli bir çıktının istenen kaliteye ulaşıp ulaşmadığı net şekilde analiz edilebilir.

Ortak Belgelerle İlerleme

Prompt mühendisliği bir ekip disiplini haline geldikçe, ortak belgeler (örneğin Notion, Google Docs veya özel takip panoları) üzerinden iş birliği yapmak oldukça faydalı olur. Böylece herkes hangi prompt’un nerede, ne için, hangi sonuçla denendiğini görebilir.

Marketing Focus prompt kütüphaneleri ile daha önce denenmiş promptları inceleyebilir, kendi özgü promptlarınızı üretmek için ilham olarak kullanabilirsiniz.

SEO Prompt Kütüphanesi

Search Console Prompt Kütüphanesi

Geleceğe Yönelik Prompt Trendleri

Prompt mühendisliği hızla gelişen bir alan. Yakın gelecekte, manuel prompt yazımı yerini yarı otomatik ya da tamamen kod tabanlı sistemlere bırakabilir. Ayrıca özel diller ve yeni formatlar da bu dünyaya yön veriyor.

Kod ile Promptlar: JSON, Markdown, DSL’ler

Özellikle kurumsal ortamlarda, prompt’ların daha okunabilir ve standart hale getirilmesi için JSON, XML gibi yapılandırılmış dillerin kullanımı artıyor. Bu sayede hem veri tutarlılığı sağlanıyor hem de çıktıların kontrolü kolaylaşıyor.

Dinamik Promptlama, Otomasyon ve Prompt Arşivleme

Prompt’ların dinamik olarak oluşturulması (örneğin kullanıcı verisine göre) ve bu süreçlerin API’lerle otomatik hale getirilmesi de önemli bir trend. Ayrıca büyük organizasyonlarda “prompt arşivleri” oluşturmak, geçmiş denemelerden öğrenmeyi kolaylaştırıyor.

Etkili Bir Prompt Nasıl Olmalı?

İyi bir prompt yazmak, yapay zekanın potansiyelini tam anlamıyla kullanmanın en etkili yoludur. Bu süreç; deneme yanılma, doğru yapılandırma, açık iletişim ve teknik anlayışı bir araya getirir. Sonuçta etkili bir prompt, yalnızca modelden doğru yanıt almak değil; aynı zamanda daha az maliyetle, daha hızlı, daha yaratıcı işler üretmektir.

Prompt yazmak için 5 Altın Kural

• Ne istediğini açıkça belirt.
• Yapıyı tanımla: Format, ton, uzunluk, tarz.
• Gereksiz detaylardan kaçın.
• Gerekirse örnekle açıklama yap.
• Deneme, ölçme ve iyileştirme döngüsünü unutma.

Sıkça Sorulan Sorular

Prompt yazarken kaç kelime veya token kullanmalıyım?

Bu görev türüne bağlıdır. Basit görevlerde 20–50 kelime yeterli olabilirken, yapılandırılmış ve çok adımlı görevlerde 100+ token’lık prompt’lar daha etkili olabilir. Maksimum token sınırını modele göre ayarlamayı unutmayın.

Prompt’ta emoji, komut ya da kod kullanabilir miyim?

Evet. Özellikle yaratıcı görevlerde emoji, listeleme için madde işaretleri veya teknik görevlerde kod kullanımı modele daha net talimatlar verilmesini sağlar. Örnek yapı: “🎯 Hedef: Bu fikri üç maddeyle özetle.”

Hangi prompt türü daha başarılıdır?

Görev karmaşıklığına göre değişir. Basit talepler için zero-shot yeterlidir. Ancak daha karmaşık görevlerde few-shot, sistem + rol + bağlamsal prompt birleşimi daha iyi sonuç verir.

LLM modeli seçimi prompt’u nasıl etkiler?

Her modelin yanıt üretme biçimi farklıdır. GPT-4 gibi gelişmiş modeller düşünce zincirini daha iyi işlerken, GPT-3.5 daha hızlıdır ama daha az derinlik sunabilir. Prompt, modele göre optimize edilmelidir.

Yanlış sonuç aldıysam prompt’um mu hatalı?

Muhtemelen evet. Belirsiz ifade, eksik bağlam ya da yetersiz örnek, modelin yanlış anlamasına neden olabilir. Yanıtları analiz ederek prompt’ta neyin değiştirilmesi gerektiğini test ederek görebilirsiniz.

Kaynak: https://drive.google.com/file/d/1AbaBYbEa_EbPelsT40-vj64L-2IwUJHy/view?usp=sharing