Giriş

Prompt mühendisliği, yapay zeka dil modellerinin çıktısını yönlendirmek ve optimize etmek için kullanılan yöntemlerin tümünü kapsar. Bu alandaki temel kavramlar arasında rastgelelik ile kısıtlamalar yer alır; rastgelelik çıktılarda çeşitlilik sağlar, kısıtlar ise sonucu hedeflenen sınırlara çeker. Bu kavramların teorik açıklamaları için temel bir özet Wikipedia'da bulunabilir.

Rastgelelik ve kısıtların rolü – kısa çerçeve

Rastgelelik (örneğin 'temperature' veya 'top-p' gibi örnekleme parametreleriyle kontrol edilen) modelin daha çeşitli ve beklenmedik ifadeler üretmesini sağlar. Buna karşılık, kısıtlar; biçim, uzunluk, içerik veya üslup gibi kurallar getirerek çıktının kullanışlılığını ve hedefe uygunluğunu artırır. Etkili prompt tasarımı, bu iki unsuru amaca göre dengeler.

Sıcaklık (temperature) ve top‑p: Ne yaparlar?

Sıcaklık parametresi, modelin olasılık dağılımını yumuşatır veya keskinleştirir; düşük sıcaklıklar daha tutarlı ve deterministik sonuçlar eğilimliyken, yüksek sıcaklıklar daha çeşitli ve yaratıcı çıktılar üretir. Top‑p (nucleus sampling) ise toplam olasılığı p'ye ulaşana kadar en olası tokenleri seçerek seçimi sınırlar; her iki yöntem de çıktının rastgelelik/yaratıcılık dengesini değiştirmek için kullanılır. Bu iki parametrenin davranışı ve etkileşimi üzerine pratik bilgiler için bir rehber PromptEngineering.org'da özetlenmiştir.

Pratik örnek: aynı istem, farklı sıcaklıklar

"Kısa ve esprili bir ürün tanıtımı yaz: hedef kitle teknoloji meraklıları, uzunluk maksimum 50 kelime."

Aynı istemi düşük sıcaklıkta çalıştırırsanız model genellikle doğrudan ve tutarlı bir tanıtım verecektir. Yüksek sıcaklıkta ise daha sıra dışı benzetmeler, sürpriz dil oyunları veya beklenmedik açılımlar görebilirsiniz. Bu davranışın genel ilkeleri yukarıdaki kaynaklarda açıklanmıştır.

Kısıt tabanlı prompting: türleri ve uygulanışı

Kısıtlar, çıktı üzerinde doğrudan kontrol sağlar. Yaygın kısıt türleri:

• Biçimsel kısıtlar (JSON, madde listesi, başlık/alt başlık yapısı).
• Uzunluk kısıtları (karakter/kelime sınırı).
• İçeriksel kısıtlar (belirli terimleri dahil etme veya hariç tutma).
• Üslup ve ton kısıtları (resmi, samimi, teknik vs.).

Aşağıda iki örnek gösterilmektedir:

Hard (zor) kısıt örneği: "Sadece JSON formatında cevap ver. Anahtarlar: title, summary. summary en fazla 30 kelime olmalı."

Soft (yumuşak) kısıt örneği: "Mümkünse 3 maddeden oluşan öneriler ver; her madde kısa ve fikir odaklı olsun."

Deney tasarımı: adım adım protokol

Deney yaparken temel adımlar şunlardır:

1. Amaç ve başarı ölçütünü belirleyin (ör. kısıta uyum oranı, çeşitlilik, insan değerlendirmesiyle fayda).
2. Bağımsız değişkenleri seçin (ör. temperature, top‑p, 'hard' vs 'soft' kısıt) ve her değişken için değer aralığı tanımlayın.
3. Aynı başlangıç istem setini kullanarak kontrollü karşılaştırmalar yapın (aynı prompt metni, yalnızca parametreleri değiştirin).
4. Çıktıları ölçün ve kaydedin: otomatik kurallar (örn. format uyumu), basit metrikler (ör. benzersizlik oranı) ve insan değerlendirmesi karışımı kullanın.
5. Tekrarlanabilirliği artırmak için deney koşullarını not alın (model sürümü, sampling yöntemi, kullanılan sistem mesajları, vs.).

Travis Kroon gibi pratik odaklı yazarlar, sadece sıcaklıktan ibaret olmayan diğer değişkenleri de (ör. prompt şablonları, rol atamaları, sample pozisyonu) incelemenin önemine dikkat çeker; bu tür değişkenleri deney tasarımınıza dahil etmek faydalı olabilir (inceleme).

Örnek deney protokolleri

• Deney A — Temperature Sweep: Aynı prompt'u sıcaklık değerleri 0.1, 0.3, 0.6, 0.9 ile çalıştırın. Ölçüt: kısıt uyumu ve insan değerlendiricilerin 'yenilik' puanı.
• Deney B — Top‑p vs Temperature: Temperature sabitken top‑p'yi değiştirin ve çıktı dağılımını gözleyin; sonra top‑p sabitken temperature'ı değiştirin. Amaç hangi parametrenin istenen etkiye daha güçlü müdahale ettiğini görmek.
• Deney C — Hard vs Soft Kısıt: Aynı içerik isteğini önce zor kurallarla, sonra yumuşak önerilerle gönderin. Ölçüt: kurala uyma oranı ve doğallik değerlendirmesi.
• Deney D — Multi‑pass (İdeation + Refinement): İlk aşamada yüksek sıcaklıkla çok sayıda fikir üretin; ikinci aşamada seçilmiş fikirleri düşük sıcaklıkta daha net ve tutarlı hâle getirin. Bu iki aşamalı protokol genellikle yaratıcı ama kullanışlı sonuçlar verir.
• Deney E — Biçim Zorlaması: Çıktıyı JSON veya belirli şablona zorlayın. Ölçüt: geçerli JSON olup olmadığı, eksik alan oranı.

Pratik ipuçları

• Hızlı fikir üretimi için yüksek temperature (veya geniş top‑p), resmi çıktı için düşük temperature kullanın.
• Birden çok varyant üretip ardından otomatik/insan filtre ile en uygun olanı seçmek, tek seferlik düşük temperature denemelerine kıyasla daha iyi çeşitlilik sağlar.
• Biçimsel kısıtlar gerekiyorsa örnek çıktılar vererek modeli eğitin (few-shot örnekleri kullanın).
• İnsan denetimi ekleyin: özellikle doğruluk, tarafsızlık ve uygunluk değerlendirmeleri için insan geribildirimi şarttır.
• Deneylerinizin tekrarlanabilir olmasına dikkat edin: aynı model sürümü, aynı sistem mesajları ve aynı API parametrelerini not edin.

Sınırlamalar ve dikkat edilmesi gerekenler

Dil modelleri her zaman hatasız çalışmayabilir; bazen yanlış veya yanıltıcı bilgi üretebilir ve telif haklarıyla ilgili hassas içeriklere rastlama riski olabilir. Bu nedenlerle son çıktılar insan tarafından denetlenmeli, ticari kullanıma sunulmadan önce uygun izinler ve doğrulamalar yapılmalıdır. Ayrıca deneylerinizi değerlendirirken kullanılan veri ve değerlendirme sürecinin sınırlılıklarını açıkça belirtin.

Hızlı Kontrol Listesi (Deneye Başlarken)

• Amaç ve hipotezinizi yazın.
• Kullanacağınız prompt setini belirleyin (en az 10-20 örnek önerilir).
• Kontrol değişkenlerini ve aralıklarını tanımlayın (temperature, top-p, kısıt tipi vb.).
• Otomatik ve insan değerlendirme kriterlerini hazırlayın.
• Sonuçları kaydedin ve tekrar eden koşulları belgeleyin.

Kaynaklar ve ileri okumalar

• Prompt engineering — Wikipedia (genel tanımlar ve kavramsal çerçeve).
• Complete Guide to Prompt Engineering with Temperature and Top‑p — PromptEngineering.org (temperature ve top‑p davranışları).
• Beyond Temperature: The 8 Variables That Matter in Prompt Design — Travis Kroon (temperature dışındaki değişkenlere odaklanan yazı).
• Mastering Prompt Engineering — AIAU InfoTech (insan‑AI etkileşimini optimize etme notları).