Prompt mühendisliği, yapay zekaya “doğru sihirli cümleyi” yazmak değildir. Bir görevi, kabul kriterlerini, gerekli bağlamı ve beklenen çıktı biçimini modelin güvenilir biçimde uygulayabileceği bir isteme dönüştürmektir. Türkçe kullanımda bu süreç yalnızca İngilizce promptu çevirmekle de bitmez: ekler, belirsiz gönderimler, resmi/gündelik ton ve tarih biçimleri talimatın nasıl yorumlandığını doğrudan etkiler.
İyi prompt; modelin bilgi sınırını kaldırmaz ve güncel bilgiyi kendiliğinden vermez. Ancak görevi daraltır, doğrulanabilir bir çıktı sözleşmesi oluşturur ve gerektiğinde arama ya da dosya gibi araçların kullanılmasını sağlar. Türkçe öncelikli yapay zeka çalışma alanında bu nedenle prompt, kaynak ve araç çıktısı birlikte düşünülmelidir.
Amaç + bağlam + sınırlar + çıktı formatı + doğrulama kuralını açıkça yazın. “Bana iyi bir rapor yaz” yerine “Bu metne dayan; üç başlık kullan; bilinmeyen bilgiyi uydurma; sonunda 5 maddelik aksiyon listesi ver” deyin.
1 Prompt mühendisliği neyi çözer, neyi çözmez?
Dil modelleri bir bağlama göre olası sonraki tokenları üretir. Prompt, modelin hangi görevi yapması gerektiğine dair en önemli bağlamlardan biridir. Görev belirsizse model makul görünen ama istenmeyen bir yorum seçebilir. Prompt tasarımı; kapsamı, hedef kitleyi, dili, biçimi ve “başarılı sonuç” tanımını netleştirerek bu belirsizliği azaltır.
Buna karşılık prompt, modelde olmayan bir gerçeği kanıtlayamaz. “Yalnız doğruları yaz” talimatı yararlıdır ama güncel fiyat, mevzuat, akademik kaynak veya kullanıcı dosyasındaki ayrıntı için veri kaynağının da verilmesi gerekir. Bu ayrım, Source Studio gibi kaynağa bağlı çalışma alanlarının neden ayrı bir işlev sunduğunu açıklar.
2 Sağlam promptun beş parçası
| Parça | Sormanız gereken soru | Örnek |
|---|---|---|
| Amaç | Hangi işi bitirmek istiyorum? | “Yönetim için risk özeti hazırla.” |
| Bağlam | Model hangi veriyle çalışacak? | “Yalnız aşağıdaki toplantı notlarını kullan.” |
| Sınır | Ne yapmamalı? | “Kaynakta olmayan sayısal iddia ekleme.” |
| Çıktı sözleşmesi | Sonuç hangi biçimde gelmeli? | “Başlık, özet, riskler ve aksiyonlar.” |
| Doğrulama | Belirsizlik nasıl işaretlenecek? | “Bulunamayan bilgiyi ayrı bölümde belirt.” |
Bu parçalar her istekte uzun bir şablon yazmanız gerektiği anlamına gelmez. Basit soru için kısa prompt daha iyidir. Yüksek etkili veya tekrar kullanılacak işlerde ise bu yapının eksik bırakılması, sonradan yapılacak düzeltme turu sayısını artırır.
3 Türkçede belirsizliği azaltmak
Türkçe eklemeli bir dildir; tek sözcük kişi, zaman, olumsuzluk ve sahiplik hakkında çok sayıda işaret taşıyabilir. Ayrıca “bunu”, “ona”, “sonraki”, “önceki” gibi ifadeler sohbet bağlamına bağımlıdır. Model çoğu durumda niyeti yakalasa bile, iş talimatında gönderimi açık yazmak daha güvenlidir: “Yukarıdaki ikinci PDF'nin üçüncü bölümünü özetle” ifadesi, “bunu özetle”den daha denetlenebilirdir.
Tarih ve sayı biçiminde de açık olun. “Gelecek cuma”, “bu ayın sonu” veya “10/11” gibi ifadeler kullanıcıya göre değişebilir. İstemde 2026-08-07 gibi ISO tarihini, para birimini ve sayısal birimi belirtin. Türkçe model kalitesinin tokenizer ve eğitim verisiyle ilişkisini Türkçe yapay zeka rehberimizde ayrıntılı ele aldık.
4 Kötü promptu görev sözleşmesine dönüştürmek
Zayıf istem:
"Bu PDF'i incele, güzel bir rapor yaz."
Güçlü istem:
"Ekli PDF'i yalnızca içeriğine dayanarak incele.
Hedef kitle: operasyon yöneticisi.
Çıktı: 120-180 kelimelik yönetici özeti, ardından 5 risk ve 5 aksiyon.
Her riskin yanına ilgili sayfa numarasını ekle.
Kaynakta bulunmayan bilgiyi tahmin etme; 'belgelenmemiş' olarak işaretle."İkinci istem modelin üslubunu değil, teslim kriterini tanımlar. “Güzel” gibi öznel bir sözcük yerine kelime aralığı, başlık yapısı, hedef kitle ve kanıt kuralı verilmiştir. Çıktıyı değerlendirmek de kolaylaşır: sayfa numarası var mı, beş risk var mı, kaynak dışı iddia var mı?
5 Rol vermek ne zaman faydalıdır?
“Bir avukat gibi davran” veya “kıdemli ürün yöneticisi ol” ifadesi tek başına kalite garantisi değildir. Rol, yalnızca hedef kitle, ton veya inceleme ölçütüyle birlikte anlamlıdır. Örneğin “sözleşmedeki ticari riskleri alıcı lehine incele; hukuki görüş verme; her bulguyu madde numarasıyla bağla” talimatı, salt rol etiketinden çok daha işe yarar.
Yüksek riskli hukuk, sağlık ve finans taleplerinde rol talimatı uzman doğrulamasının yerine geçmez. Modelin belirsizlikleri işaretlemesini ve kaynak göstermesini isteyin; nihai kararı yetkin bir kişiye bırakın.
6 Few-shot örnekler: biçim öğretmenin yolu
Model istenen formatı karıştırıyorsa, kısa bir giriş-çıkış örneği vermek genellikle uzun sıfat listelerinden etkilidir. Bu yaklaşıma few-shot prompting denir. Büyük dil modellerinin prompt içindeki örneklerle görev davranışı gösterebilmesi, ölçekli dil modeli araştırmalarında güçlü biçimde gözlemlenmiştir (Brown ve ark., 2020).
Girdi: "Teslim tarihi 12 Ağustos, risk: tedarik gecikmesi"
Çıktı: {"tarih":"2026-08-12","risk":"tedarik gecikmesi","seviye":"belirsiz"}
Şimdi aynı JSON şemasıyla şu notu dönüştür:
"..."Örnekler gerçekçi, kısa ve hedef biçimle tamamen uyumlu olmalıdır. Birbiriyle çelişen örnekler modelin güvenini değil, belirsizliğini artırır. Gizli kişisel veri veya üretimde kullanılmaması gereken müşteri verisi örnek olarak prompta konmamalıdır.
7 Adım adım düşünme istemi ve araç kullanımı
Çok adımlı aritmetik, karşılaştırma veya planlama işlerinde ara adımları yapılandırmak doğruluğu artırabilir. Chain-of-thought çalışması, belirli akıl yürütme görevlerinde ara muhakeme örneklerinin faydasını gösterdi (Wei ve ark., 2022). Ancak ürün arayüzünde modelin serbest iç düşüncesini kullanıcıya göstermek doğru bir tasarım değildir.
Daha güvenli istek şudur: “Sonucu vermeden önce hesaplamayı kontrol et; kullanıcıya yalnız kısa gerekçe, varsayımlar ve nihai tabloyu ver.” Güncel bilgi gerektiğinde “webde ara” demek yerine aracın nasıl kullanılacağını somutlaştırın: “2026 fiyatlarını güvenilir satıcılardan bul, tarih ve bağlantıyı yaz, çelişen fiyatları ayrı belirt.”
8 RAG ve dosya bağlamı için prompt
RAG'de modelin önüne ilgili belge parçaları getirilir. Promptun görevi burada “yalnız kaynakta yanıtla”, “alıntıyı göster” ve “kaynakta yoksa bilmiyorum de” sınırlarını açık tutmaktır. Aksi halde model, doğru bir parçayı görse bile genel bilgisini ekleyip belgeye dayalı olmayan sonuç üretebilir.
Seçili kaynaklar dışında bilgi kullanma.
Her ana iddia için [S1], [S2] biçiminde kaynak etiketi ver.
Kaynaklar çelişiyorsa tek sonuç uydurma; çelişkiyi açıkça yaz.
Sorunun yanıtı kaynaklarda yoksa "kaynaklarda bulunamadı" de.9 Prompt kontrol listesi
- İşin tek cümlelik amacı açık mı?
- Modelin kullanacağı dosya, tarih, sınır ve hedef kitle belirtilmiş mi?
- Çıktı biçimi ölçülebilir mi: tablo, JSON, başlık sayısı, uzunluk, dil?
- Kaynak dışı bilgi ve belirsizlik için davranış kuralı var mı?
- Güncel veri gerekiyorsa arama veya doğrulama aracı gerçekten çağrılıyor mu?
- Yüksek riskli kararlarda insan doğrulaması planlanmış mı?
10 Sonuç
Türkçe prompt mühendisliğinin özü daha uzun prompt yazmak değil, daha iyi görev tanımlamaktır. Amaç, bağlam, sınır, çıktı sözleşmesi ve doğrulama kuralı net olduğunda modelden alınan ilk sonuç daha kullanışlı olur. Güncel veya kaynak gerektiren işlerde doğru prompt, modeli tahmin etmeye değil kanıt toplamaya yönlendirir.
Güçlü prompt, Türkçe kullanıcı deneyiminin yalnız bir parçasıdır; tokenizer, veri kalitesi ve Türkçe değerlendirme de sonucu belirler. Bu çerçevenin tokenizer, veri, uyarlama ve değerlendirme boyutları için Türkçe yapay zeka yaklaşımı yazısına bakabilirsiniz.
Kaynakça
- Reynolds, L. ve McDonell, K. (2021). Prompt Programming for Large Language Models: Beyond the Few-Shot Paradigm.
- Brown, T. B. ve ark. (2020). Language Models are Few-Shot Learners.
- Wei, J. ve ark. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.
- Liu, P. ve ark. (2023). Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing.
Bu yazı 1 Ağustos 2026 tarihinde hazırlanmıştır. Örnekler eğitim amaçlıdır; görev, kaynak ve risk seviyesine göre uyarlanmalıdır.