Prompt Engineering (Prompt Mühendisliği)

#prompt-muhendisligi #LLM #ChatGPT #chain-of-thought #few-shot

Yapay zeka modellerinden istenen kalitede yanıt almak için girdi metnini sistematik olarak tasarlama ve optimize etme bilimidir.

Prompt mühendisliği (İngilizce: prompt engineering), yapay zeka dil modellerinden (ChatGPT, Claude, Gemini, LLaMA vb.) istenen kalitede, doğrulukta ve belirli bir formatta yanıt almak amacıyla girdi metnini yapılandırma, optimize etme ve sistematik biçimde test etme bilimidir. 2020'lerden itibaren büyük dil modellerinin (LLM) yaygınlaşmasıyla birlikte önem kazanan bu alan, kullanıcının sorusunu veya talebini yapay zekanın en iyi anlayacağı biçime dönüştürmekle ilgilenir. Aynı yapay zeka modelini kullanan iki kişi çok farklı sonuçlar alabilir; bu farkın temel nedeni prompt kalitesidir. İyi tasarlanmış bir prompt, model ağırlıklarında herhangi bir değişiklik yapmadan performansı yüzde otuz ila iki yüz arasında iyileştirebilir. Etkili bir prompt dört temel bileşen içerir: Görev (ne yapılması gerektiğinin net tanımı), Bağlam (modele arka plan bilgisi sağlamak), Veri (işlenecek girdi) ve Format (çıktının nasıl sunulması gerektiği). Bu bileşenler bir araya geldiğinde model, kullanıcının gerçek amacını çok daha iyi kavrar. Başlıca teknikler şunlardır: Sıfır atış (zero-shot) prompting, hiçbir örnek vermeden doğrudan soru sormaktır. Az atış (few-shot) prompting, iki ile beş arası örnek göstererek istenen çıktı formatını modele öğretir. Zincir düşünce (chain-of-thought) prompting, modeli adım adım akıl yürütmeye yönlendirir; özellikle matematik ve mantık problemlerinde doğruluğu ciddi ölçüde artırır. Rol prompting ise modele belirli bir kimlik veya uzman rolü atayarak yanıt tonunu ve derinliğini şekillendirir. İleri teknikler arasında öz-tutarlılık (self-consistency) — aynı promptu birden fazla kez çalıştırıp en sık sonucu seçme —, düşünce ağacı (tree of thoughts) ve otomatik prompt optimizasyonu (APO) yer almaktadır. Sistem promptları ve kullanıcı promptlarının ayrımı, özellikle API entegrasyonlarında kritik bir tasarım kararıdır. 2024 itibarıyla büyük teknoloji şirketleri yıllık 175.000–335.000 USD aralığında Prompt Mühendisi pozisyonları açmaktadır. Yazılım geliştirme, içerik üretimi, hukuk, finans ve eğitim gibi pek çok sektörde prompt optimizasyonu rekabet avantajı haline gelmiştir. Türkiye'de de YZ danışmanlık firmaları ve kurumsal dijital dönüşüm projeleri kapsamında prompt mühendisliği talebi artmaktadır. Önemli yazım notu: "Promt" yaygın bir hatadır; doğrusu "prompt"tur. Türkçe karşılığı "istem" veya "komut" olarak önerilse de sektörde İngilizce haliyle kullanılmaktadır.

Neden Bu Kadar Önemli?

Bir LLM'in kalitesi yalnızca model ağırlıklarıyla belirlenmez; aynı GPT-4o modeline "Bunu özetle" ile "Uzman bir editör olarak, kaynak kitlenin teknik bilgisi düşük olduğunu varsayarak bu metni 5 maddelik bir özet haline getir" demek arasında dağlar kadar fark vardır. Prompt mühendisliği bu farkı sistematik hale getiren disiplindir. İnce ayar (fine-tuning) pahalı ve zaman alıcıyken, iyi bir prompt neredeyse anında on ila kırk puanlık doğruluk artışı sunabilir. Üstelik modeller değiştiğinde promptlar taşınabilir — bu da prompt kütüphanelerini değerli bir kurumsal varlık haline getirir.

Temel Prompt Teknikleri

flash_on Zero-Shot Prompting

Hiçbir örnek vermeden doğrudan görev tanımı yapılır. Hızlı ve basit; rutin sorular için yeterlidir.

format_list_numbered Few-Shot Prompting

2–5 örnek göstererek istenen çıktı kalıbı öğretilir. Özellikle sınıflandırma ve format uyumu görevlerinde çarpıcı iyileşme sağlar.

account_tree Chain-of-Thought

"Adım adım düşün" yönergesiyle model ara çıkarımları yazılı olarak üretir. Matematik, mantık ve karmaşık akıl yürütme görevlerinde doğruluğu belirgin artırır.

person Rol Prompting

"Sen deneyimli bir hukuk danışmanısın" gibi kimlik atamasıyla yanıt tonu, derinliği ve uzmanlık düzeyi şekillendirilir.

İyi Bir Prompt'un Anatomisi

Araştırmalar iyi bir promptun dört katmanı olduğunu göstermektedir. **Görev:** Modelden tam olarak ne beklediğinizi belirtin; fiil seçimi önemlidir ('özetle' vs 'analiz et' vs 'karşılaştır'). **Bağlam:** Hedef kitle, amaç, arka plan bilgisi — model neyi bilmesi gerektiğini bilemez, siz söyleyin. **Veri/Girdi:** İşlenecek metin, tablo veya senaryo. **Format:** Madde listesi mi, paragraf mı, JSON mu, Türkçe mi İngilizce mi? Çıktı formatını önceden belirlemek modelin kısmen rastgele tercihler yapmasını önler. Bu dört öğeyi birleştiren promptlar genellikle serbest soru sormaya kıyasla çarpıcı biçimde daha tutarlı sonuç verir.

Sık Yapılan Hatalar

check_circle Belirsiz görev tanımı: "Bunu düzenle" yerine "Dilbilgisi hatalarını düzelt, cümleleri kısalt ve teknik jargonu kaldır" gibi somut yönergeler kullanın.
check_circle Bağlam eksikliği: Modele hedef kitle, kullanım senaryosu veya kısıtlamalar verilmeden yapılan promptlar genel ve jenerik yanıtlar üretir.
check_circle Format belirtmemek: Çıktı formatı belirtilmezse model kendi tercihini kullanır; bu tutarsızlığa yol açar. 'JSON olarak döndür', 'madde listesi yap' eklemeleri kritiktir.
check_circle Tek promptla yetinmek: Prompt mühendisliği iteratif bir süreçtir. İlk sonucu alıp prompt'u geliştirmek, aynı prompt'u farklı modellerde test etmek standart pratiktir.
check_circle Sistem ve kullanıcı promptunu karıştırmak: API kullanımında sistem promptu sabit davranış kurallarını, kullanıcı promptu anlık talebi içerir. Bu ayrımı korumak güvenlik ve tutarlılık açısından önemlidir.

Prompt Mühendisliğinde İleri Teknikler

Temel tekniklerin ötesinde araştırmacılar birçok ileri yöntem geliştirmiştir. **Öz-tutarlılık (Self-Consistency):** Aynı prompt birden fazla çalıştırılır, en sık verilen yanıt seçilir — özellikle belirsiz akıl yürütme görevlerinde güvenilirliği artırır. **Düşünce Ağacı (Tree of Thoughts):** Modeli birden fazla olası çözüm yolunu paralel olarak keşfetmeye yönlendirir; karmaşık planlama görevlerinde etkilidir. **ReAct (Reason + Act):** Modeli hem düşünce zinciri hem de araç çağrısı (arama, hesap makinesi, API) çıkarmasına teşvik eder; ajan tabanlı sistemlerin temelidir. **Otomatik Prompt Optimizasyonu (APO):** Başka bir LLM'in prompt'u otomatik olarak geliştirmesi; büyük ölçekli prodüksiyonda manuel efor azaltır.

build Kariyer ve Araçlar

check_circle PromptBase / FlowGPT: Kanıtlanmış prompt şablonlarının alınıp satıldığı pazaryerleri. Başlangıç için hazır şablon kütüphanesi olarak kullanılabilir.
check_circle LangChain / LlamaIndex: Prompt zincirlerini, bellek yönetimini ve araç entegrasyonunu programatik olarak yönetmek için kullanılan Python çerçeveleri.
check_circle OpenAI Playground / Claude.ai: Sistem promptu ve kullanıcı promptunu ayrı ayrı test edebileceğiniz resmi arayüzler. Parametre (sıcaklık, top-p) etkisini anlamak için idealdir.
check_circle Prompt Mühendisi Kariyer Yolu: 2024 itibarıyla 175K–335K USD maaş aralıklı pozisyonlar açılmaktadır. Türkiye'de YZ danışmanlık firmaları ve kurumsal dijital dönüşüm projeleri prompt optimizasyon uzmanı aramaktadır.

quiz Sık Sorulan Sorular

check_circle Prompt mühendisliği nedir?: Yapay zeka dil modellerinden en iyi sonucu almak için giriş metnini (prompt) tasarlama, test etme ve iyileştirme bilimidir. Model değiştirmeden performansı %30–200 artırabilir.
check_circle Prompt mühendisliğini öğrenmek ne kadar zaman alır?: Temel teknikleri (few-shot, chain-of-thought) birkaç günde öğrenebilirsiniz. İleri prompt stratejileri ve ajan sistemleri için birkaç ay pratik gerekir.
check_circle Her model için aynı prompt çalışır mı?: Hayır. GPT-4o, Claude ve Gemini farklı eğitim verisi ve hizalama yöntemleri kullanır; optimum prompt sözdizimi farklılaşır. Kritik sistemlerde her model için ayrı test yapılmalıdır.
check_circle Prompt mühendisliği gelecekte geçerliliğini koruyacak mı?: Modeller giderek daha iyi niyet anlama kapasitesi geliştirse de sistem promptu tasarımı, ajan mimarisi ve çıktı yapılandırma uzun süre kritik kalacaktır.
check_circle Promt mu, prompt mu doğru yazılış?: Doğrusu 'prompt'tur. İngilizce 'prompt' kelimesi Türkçeye geçerken 't' harfi düşürülmemeli; sektörde orijinal yazılış standart kabul edilmektedir.
check_circle Prompt mühendisliği ile fine-tuning arasındaki fark nedir?: Prompt mühendisliği model ağırlıklarını değiştirmez; sadece giriş metnini optimize eder — hızlı ve maliyet etkin. Fine-tuning ise modeli yeni verilerle yeniden eğitir; daha yüksek maliyet ama kalıcı davranış değişikliği sunar.