Prompt Mühendisliği Rehberi

Pratikte iyi sonuç veren bir prompt 4 bileşenden oluşur:

1. Rol: Modelin kim olduğu (“Sen kıdemli bir Türkçe çeviri editörüsün”).
2. Görev: Ne yapacağı, açık ve sınırlı (“Aşağıdaki metni TDK kurallarına uyumlu hâle getir, anlam değişmeden”).
3. Bağlam: Görevi etkileyen arka plan (kullanıcı, konu, kaynak metin, tarih).
4. Format: Çıktı şekli (“Sonucu sadece değişen kısmın madde işaretli listesi olarak ver”).

4’ünü içeren bir prompt, dağınık 3-cümlelik bir prompt’tan %30-50 daha iyi sonuç verir.

Zero-shot: Model örnek görmeden iş yapar. Hızlı ama tutarsız.

Few-shot: Bir-iki örnek verirsiniz. Model kalıbı öğrenir. Tutarlılık çarpıcı şekilde artar.

Görev: Türkçe metinleri pozitif/negatif/nötr olarak sınıflandır.

Örnek 1:
Metin: "Yemek harikaydı, garson da çok ilgiliydi."
Sınıf: pozitif

Örnek 2:
Metin: "Kargo iki gün gecikti, paket de hasarlı."
Sınıf: negatif

Örnek 3:
Metin: "Standart bir teslimat, beklediğim gibi."
Sınıf: nötr

Şimdi sınıflandır:
Metin: "Hizmet ortalama, tekrar gelir miydim emin değilim."
Sınıf:

Few-shot, özellikle JSON çıktı, kategori sınıflandırma, format dönüşümü gibi görevlerde lazımdır.

Karmaşık akıl yürütme görevlerinde modele “adım adım düşün” demek doğruluğu artırır. GPT-5 ve Claude Opus gibi premium modeller akıl yürütmeyi içsel olarak yapsa da, açık tetikleme ek doğruluk sağlar. O-serisi ve DeepSeek-R1 gibi akıl yürütme modelleri bunu otomatik yapar; prompt’a eklemek gerekmez.

• “Sen” vs “Siz”: Çıktı tonunu önceden belirtin. “Kullanıcıya ‘siz’ diye hitap et” en yaygın profesyonel ton.
• Token verimsizliği: Türkçe, İngilizce’den ortalama %40 daha fazla token harcar. Uzun system prompt’ları İngilizce yazıp, çıktı dilini Türkçe istemek bazen ekonomiktir.
• Yerel terimler: “KDV”, “TL”, “İBAN”, “TC kimlik”, “BSMV” gibi kısaltmaları açıkça yazın; modelin bağlamı tutmasını kolaylaştırır.
• Sayı formatı: “Sayıları Türkçe formatında yaz: ondalık virgül, binlik nokta (1.234,56)” talimatı eklemeyi unutmayın.

API entegrasyonunda yapılandırılmış çıktı şarttır. Üç yaklaşım:

• System prompt + JSON şeması: Şemayı yazılı anlatın, “sadece geçerli JSON döndür” deyin. Hızlı ama %100 garantili değil.
• Function calling / tool use: API’de function tanımı ile şemayı kodda verin. Model parametreleri doldurur. En güvenilir.
• Constrained decoding: vLLM, Ollama, OpenAI ve Anthropic’in “structured output” modu — token üretimini şemaya zorlar. Hatasız.

• “Yanlış cevap verme”: Model “yanlış”ın ne olduğunu bilmiyor. Yerine: “Cevabı bilmiyorsan ‘belirsiz’ yaz; tahminde bulunma.”
• Çok uzun system prompt: 1000+ kelimelik system prompt model dikkatini dağıtır. Çekirdeği koruyun, ek kuralları örnek ile gösterin.
• Çelişen talimatlar: “Kısa yaz” + “tüm detayları açıkla”. Bunu yapan modelle konuşmak imkansız. Önceliklendirin.
• Modeli tek-tek test etmemek: Aynı prompt Claude’da iyi, Gemini’da kötü çalışabilir. Hedef modelinizi belirleyip orada test edin.