Pratik Prompt Yazma Rehberi: Açık, Bağlamsal ve Aşamalı Teknikler

TL;DR / Hızlı Özet

• MAP (Minimum Uygulanabilir Prompt): Rol + Görev + Bağlam + Çıktı formatı + Kontrol kuralı.
• Belirsizliği azaltın: Hedef kitleyi, amacı ve sınırları (uzunluk, ton, kapsam) yazın.
• Çıktıyı denetlenebilir yapın: “5 madde + 1 tablo” gibi ölçülebilir format isteyin.
• Çok adımlı işlerde: Plan → Üretim → Kontrol döngüsü kullanın.
• Few-shot: 1–3 kısa örnekle “beklenen kaliteyi” gösterin.
• 3 iterasyon kuralı: (1) Belirsiz → (2) Rol+format → (3) Bağlam+kısıt+değerlendirme.
• Her model/sürümde test: Aynı prompt farklı sonuçlar üretebilir; küçük bir test setiyle doğrulayın.

Neden “iyi prompt” fark yaratır?

Büyük dil modelleri (LLM’ler) tek bir “doğru cevap motoru” gibi değil; verilen talimat ve bağlama göre yanıt üreten sistemler gibi çalışır. Bu yüzden aynı isteği farklı şekilde yazdığınızda çıktının tonu, kapsamı ve tutarlılığı değişebilir. İyi prompt yazmak; hedefi netleştirmek, modeli doğru role yerleştirmek, gerekli bağlamı vermek ve çıktıyı denetlenebilir bir biçime sokmaktır.

Resmi sağlayıcı rehberleri de genellikle açık talimat, rol tanımı, örnekler ve çıktı formatı beklentisinin tutarlılığı artırabildiğini vurgular. Uygulamada, üretimde kullandığınız model üzerinde hızlı test ve yineleme yapmak önemlidir. (Bkz. Anthropic – Prompt engineering overview, OpenAI API – Model optimization (fine-tuning) guide.)

1) Prompt’un iskeleti: Netlik + bağlam + kontrol

Pratikte iyi sonuç veren birçok prompt, aşağıdaki parçaları bir araya getirir. Hepsini her zaman kullanmanız gerekmez; ancak sorun yaşadığınızda bu parçalar “hata ayıklama” için iyi bir kontrol listesi sunar.

Minimum uygulanabilir prompt (MAP)

Günlük işler için, aşağıdaki “minimum” şablonla başlayıp sorun gördükçe genişletin:

• Rol: [Rol]
• Görev: [Tek cümle görev]
• Bağlam: [Hedef kitle + amaç + gerekli veriler]
• Çıktı: [Biçim + uzunluk]
• Kontrol: “Emin olmadığın yerlerde varsayım yapma; eksik bilgi varsa sor.”

2) Açık ve bağlamsal yazma: En sık kazandıran iyileştirmeler

2.1 Rol tanımını “davranış kuralları” ile birleştirin

Rol + başarı kriterleri + sınırlar üçlüsü, özellikle uzun çıktılarda tonu ve kapsamı daha tutarlı tutmaya yardımcı olur. (Bkz. Anthropic – Prompt engineering overview.)

Örnek rol tanımı

Rol: Deneyimli bir eğitim içerik yazarı gibi davran. Amacın: yeni başlayanların anlayacağı şekilde, adım adım pratik öneriler vermek. Kurallar: Yanıtını kısa paragraflar ve madde listeleriyle yaz; belirsiz noktaları belirt; gerekli olursa kullanıcıdan netleştirici bilgi iste.

2.2 “Hedef ve sınır” cümlesi ekleyin

Model, çok geniş bir alanda “yardımcı” olmaya çalıştığında gereksiz detay ekleyebilir. Bunu engellemek için bir cümle bile yeterli olabilir:

• Hedef: “Bu metni 8. sınıf seviyesinde anlaşılır kıl.”
• Sınır: “Sadece verdiğim notlara dayan; bilmediğin yerde bunu açıkça söyle.”

2.3 Çıktıyı ölçülebilir hale getirin

“Bana bir şeyler yaz” yerine, denetlenebilir bir yapı isteyin:

• “5 başlık, her başlık altında 3 madde.”
• “Önce kısa özet, sonra tabloyla karşılaştırma.”
• “Yanıtın sonunda ‘Kontrol Listesi’ ekle.”

3) Aşamalı teknikler: Çok adımlı işleri yönetmek

Planlama, analiz, karşılaştırma, hata bulma gibi işler tek atışta zor olabilir. Akademik literatürde Chain-of-Thought (CoT) yaklaşımı, çok adımlı akıl yürütme gereken görevlerde performansı artırabildiğini gösterir. (Bkz. Wei et al., 2022.)

Pratik not: Bazı kullanım senaryolarında, ayrıntılı iç akıl yürütmeyi kelimesi kelimesine istemek yerine “kısa bir çözüm planı” veya “gerekçenin özeti” gibi ara çıktılar istemek daha okunabilir ve daha kontrol edilebilir sonuçlar verir.

3.1 Görevi parçalara böl (decomposition)

Aşağıdaki yapı, içerik üretimi ve analiz işlerinde sık işe yarar:

1. Plan: “Önce 6 maddelik bir plan çıkar.”
2. Üretim: “Planı takip ederek taslağı yaz.”
3. Kontrol: “Taslakta eksik kalan yerleri maddeler halinde belirt ve düzelt.”

3.2 Self-consistency: Birden fazla çözüm üret, sonra seç

CoT benzeri akıl yürütmede self-consistency yaklaşımı, aynı probleme birden fazla çözüm yolu örnekleyip daha tutarlı olanı seçerek sonuçları iyileştirmeyi hedefler. (Bkz. Wang et al., 2022.)

Günlük kullanımda hafif bir sürüm:

• “Bu soruya 3 farklı yaklaşım üret (kısa).”
• “Yaklaşımları artı/eksi ile değerlendir.”
• “En sağlam görüneni seç ve nihai yanıtı üret.”

Trade-off: Birden fazla alternatif üretmek genellikle daha fazla çıktı ve daha uzun süre demektir; bu yüzden iş akışınıza göre gerekli olan yerlerde kullanın.

4) Bağlam yönetimi: Uzun metinlerle çalışırken

Modellerin tek seferde işleyebildiği bağlam sınırlıdır. Uzun belgelerle çalışırken, bağlamı bilinçli biçimde yönetmek gerekir. Pratikte iki yaklaşım öne çıkar:

• Bağlam pencereleme (windowing): Uzun metni parçalara ayırıp en ilgili parçaları vererek çalışma.
• RAG (retrieval-augmented generation): Bir arama/getirme adımıyla ilgili parçaları bulup modele bağlam olarak sunma.

Not: RAG genellikle daha izlenebilir (hangi parça üzerinden cevap verildiğini gösterebilir) bir düzen kurmayı kolaylaştırır; ancak bir “getirme” katmanı eklediğiniz için altyapı, gecikme ve işletim maliyetleri sistem tasarımınıza bağlı olarak artabilir. En güvenlisi, küçük bir pilot kurup kendi metriklerinizle ölçmektir.

4.1 Pratik RAG mini-şablonu

Aşağıdaki gibi net kurallar koymak, bağlamın “ezilmesini” ve uydurma detay riskini azaltır:

Yalnızca aşağıdaki “Kaynak Parçaları”na dayan. Yanıtında her önemli iddia için parça numarası ver. Kaynakta yoksa “Kaynakta bulunmuyor” de ve netleştirme sorusu sor.

Kaynak Parçaları:

• [1] …
• [2] …

4.2 Bağlamı sıkıştırma (özet + ana noktalar)

Uzun bir konuşmada veya dokümanda, modeli her seferinde baştan beslemek yerine şu iki katmanlı yöntemi deneyin:

• Kalıcı özet: “Şu ana kadarki kararları 10 maddede özetle.”
• Güncel pencere: “Son 3 mesajı ve aşağıdaki yeni gereksinimi dikkate al.”

5) Prompt şablonları: Hız ve kalite için kopyala-uyarla

Aşağıdaki şablonlar, farklı senaryolar için hızlı başlangıç sağlar. Yer tutucuları kendi işinize göre değiştirin.

5.1 İçerik taslağı (blog/eğitim)

Rol: Kıdemli SEO editörü ve eğitim içerik yazarı gibi davran.
Görev: [Konu] hakkında, yeni başlayanlara yönelik bir rehber taslağı çıkar.
Bağlam: Hedef kitle [kitle]. Amaç: [amaç]. Dil: Türkçe.
Kısıtlar: Kısa paragraflar; gereksiz tekrar yok; belirsiz iddia yok.
Çıktı formatı: H2/H3 başlıkları, her H2 altında 3–5 madde, en sonda 5 maddelik kontrol listesi.
Ek: Önce “Varsayımlar” başlığı altında hangi bilgilerin eksik olduğunu yaz ve 3 net soru sor.

5.2 Öğrenme koçu (konu çalışması)

Rol: Sabırlı bir öğretmen gibi davran.
Görev: Bana [konu] öğretmek için 20 dakikalık mikro ders planı hazırla.
Seviye: [başlangıç/orta].
Çıktı: (1) 5 dakikalık özet, (2) 3 örnek, (3) 5 soru mini test, (4) yanlışlar için geri bildirim rehberi.
Kural: Terimleri ilk geçtiğinde tanımla.

5.3 Karşılaştırma matrisi (ürün/araç seçimi)

Görev: [A], [B], [C] seçeneklerini benim kullanım senaryoma göre karşılaştır.
Senaryo: [senaryo]. Öncelikler: [maliyet], [kolay kullanım], [kalite], [entegrasyon].
Çıktı: Tablo (kriter x seçenek), ardından “Hangi durumda hangisi?” bölümü.
Kural: Bilmediğin noktaları “Doğrulama gerekli” diye işaretle.

5.4 Metinden yapılandırılmış veri çıkarma

Görev: Aşağıdaki metinden alanları çıkar ve tablo olarak ver.
Alanlar: [alan1], [alan2], [alan3].
Kural: Metinde yoksa boş bırak ve “Bulunamadı” yaz.
Metin: “…”

6) 3 iterasyonda prompt iyileştirme (gerçekçi bir örnek)

İterasyon 1: Belirsiz istek

Prompt: “Prompt yazmayı anlat.”

Olası sorun: Konu çok geniş; cevap dağınık ve genel kalabilir.

İterasyon 2: Rol + hedef + çıktı formatı

Prompt: “Rol: Eğitim içerik yazarı. Görev: Yeni başlayanlar için ‘prompt yazma’ konusunu 7 maddelik bir kontrol listesiyle açıkla. Çıktı: Her madde için 1 örnek cümle ver.”

Kazanım: Yapı netleşir; örnek zorunluluğu kaliteyi artırır.

İterasyon 3: Bağlam + kısıt + değerlendirme

Prompt: “Rol: Kıdemli eğitim içerik yazarı. Hedef kitle: Genel kitle. Dil: Türkçe. Görev: Prompt yazma için 7 maddelik kontrol listesi oluştur. Kısıt: Belirsiz iddialardan kaçın; emin değilsen ‘emin değilim’ de. Çıktı: Her madde için (a) kısa açıklama, (b) iyi örnek, (c) kötü örnek, (d) düzeltme önerisi ver.”

Kazanım: Okuyucu “ne yapmalı / ne yapmamalı”yı somut görür; kalite güvence artar.

7) Hata ayıklama: Çıktı kötü ise neyi değiştirirsiniz?

Beklenmeyen yanıtlar çoğu zaman prompt’un eksik olmasından kaynaklanır. Aşağıdaki tablo, sık görülen sorunlara hızlı düzeltmeler sunar.

Hızlı kontrol listesi (kopyala-kullan)

• Rol net mi?
• Görev tek cümlede anlaşılır mı?
• Hedef kitle ve kullanım bağlamı yazılı mı?
• Kısıtlar (uzunluk, dil, ton, sınırlar) var mı?
• Çıktı formatı örnekle gösterildi mi?
• Gerekirse 1–3 örnek (few-shot) eklendi mi?
• Belirsizlikte soru sorması isteniyor mu?

8) Sağlayıcı ve model farkları: Neden test şart?

En iyi sonuç, genellikle “tek seferde mükemmel prompt”tan değil; küçük testlerle hızlı doğrulama ve yineleme alışkanlığından gelir. Sağlayıcı dokümantasyonları, prompting yaklaşımı, değerlendirme ve iyileştirme adımlarını düzenli bir süreç olarak ele almayı önerir. (Bkz. Anthropic – Prompt engineering overview, OpenAI API – Model optimization (fine-tuning) guide.)

Mini test planı (30 dakikalık)

1. 5 temsil görev seçin (özet, sınıflandırma, e-posta taslağı, karşılaştırma, veri çıkarma).
2. Her görev için tek bir değerlendirme ölçütü belirleyin (örn. biçime uyum, eksik bilgi oranı).
3. Aynı prompt’u kullandığınız hedef model(ler)de çalıştırın ve sonuçları yan yana koyun.
4. En büyük farkı yaratan 1–2 değişikliği (format, kısıt, örnek) uygulayın.
5. Son hâli “şablon kütüphanesi”ne kaydedin.

9) Prompt yetmezse: Ne zaman optimizasyona geçmeli?

Bazı işlerde tekrar eden bir üslup, sınıflandırma etiketleri veya çok standart çıktılar gerekir. Bu durumda yalnızca prompt ile ilerlemek yerine, sağlayıcınızın sunduğu “model optimizasyonu / fine-tuning” süreçlerini değerlendirmek isteyebilirsiniz. (Bkz. OpenAI API – Model optimization (fine-tuning) guide.)

Pratik kural: Önce iyi bir prompt + birkaç örnekle (few-shot) stabilite yakalayın. Hâlâ aynı tür hatalar sık tekrarlanıyorsa ve kullanım senaryosu netse, bir sonraki adımı düşünün.

SSS (Sık Sorulan Sorular)

Prompt nedir?

Prompt, modelden ne istediğinizi (görev), hangi şartlarda istediğinizi (bağlam/kısıt) ve çıktıyı hangi biçimde beklediğinizi (format) anlatan metindir. İyi prompt, belirsizliği azaltır.

Few-shot nedir, ne zaman kullanılır?

Few-shot, modele 1–3 kısa örnek vererek “nasıl bir çıktı istediğinizi” göstermektir. Özellikle biçim, ton ve etiketleme gibi tekrarlı işlerde hızlıca kalite artırır. (Bkz. Anthropic – Prompt engineering overview.)

LLM’ler neden aynı soruya farklı cevap verir?

Yanıt, prompt’taki bağlam/ton/format sinyallerine ve modelin örnekleme ayarlarına göre değişebilir. Bu yüzden kritik işlerde küçük bir test setiyle çıktıyı doğrulamak iyi bir pratiktir.

RAG ne zaman gerekir?

Güncel/kurumsal dokümanlara dayanmanız gerekiyorsa, “kaynağa dayalı cevap” istiyorsanız veya uzun içerikte ilgili parçaları seçmek zorlaşıyorsa RAG düşünülür. Basit işler için ise çoğu zaman iyi bir bağlam ve şablon yeterlidir.

Chain-of-Thought istemeli miyim?

Çok adımlı problem çözmede CoT faydalı olabilir (Bkz. Wei et al., 2022). Ancak pratikte çoğu kullanıcı için “kısa plan + kısa gerekçe özeti” istemek hem daha okunabilir hem de daha kontrol edilebilir sonuçlar verir.

Sonuç: En iyi prompt, en hızlı test edilen prompt’tur

Bu rehberin özü: Net rol ve hedef, yeterli bağlam, ölçülebilir çıktı formatı ve çok adımlı görevlerde aşamalı ilerleme. Şablonlarınızı kütüphaneleştirip küçük testlerle düzenli güncellediğinizde “iyi sonuç” tesadüf olmaktan çıkar, süreç haline gelir.

Dilerseniz elinizdeki bir görevi (ör. e-posta yazımı, rapor özeti, içerik taslağı) paylaşın; bu çerçeveyle 1–2 iterasyonda daha net ve tekrar kullanılabilir bir prompt şablonuna dönüştürebilirsiniz.