Giriş
“Prompt mühendisliği artık gereksiz, modeller zaten çok akıllı” iddiasını hep duyuyoruz. Ancak gerçek şu: Modeller ne kadar akıllanırsa akıllansın, iyi yazılmış bir prompt ile aceleyle yazılmış bir prompt arasındaki fark da o kadar büyüyor. Microsoft Research’ün 2025 tarihli bir çalışması, optimize edilmiş promptların aynı model üzerinde görev doğruluğunu %40-67 oranında artırdığını gösterdi. Bu yazıda, akademik araştırmalara dayanan ve gerçekten işe yarayan 7 tekniği, örnekleriyle birlikte paylaşıyorum.
1. Spesifik Olun, Muğlak Konuşmayın
En büyük hata, modele “harika bir şey yaz” gibi belirsiz talimatlar vermektir. Bunun yerine hedef kitleyi, kapsamı ve çıktı formatını net olarak belirtin.
- ❌ Zayıf: “Bir blog yazısı yaz.”
- ✅ Güçlü: “Yeni başlayan yazılımcılar için, 500 kelimeyi geçmeyen, 3 ana başlık içeren ve her başlıkta bir örnek kod barındıran bir blog yazısı yaz.”
Araştırmalar, hedef kitleyi belirtmenin, kapsamı sınırlamanın ve çıktı formatını kilitlemenin — bu üç yapısal hamlenin — “iyi bir prompt”un neredeyse tamamını oluşturduğunu gösteriyor.
2. Az Sayıda Ama Kaliteli Örnek Verin (Few-Shot Prompting)
Modele ne istediğinizi anlatmanın en güçlü yollarından biri örnek göstermektir. Ancak dikkat: 2022’de Washington Üniversitesi ve Meta AI’nin yaptığı bir araştırma, few-shot örneklerdeki etiketleri rastgele değiştirmenin bile performansı çok az etkilediğini ortaya çıkardı — çünkü model, örneğin doğruluğundan çok yapısından besleniyor.
Pratik çıkarım: Üç tane özensiz örnek vermek yerine, tek bir düzgün formatlanmış örnek verin. Format, içerikten daha çok iş görür.
3. Bilgiyi Doğru Yere Yerleştirin (U-Şekilli Dikkat Eğrisi)
Stanford ve Google araştırmacılarının bulduğu çarpıcı bir sonuç: Modeller, uzun bir metnin başında veya sonunda yer alan bilgiyi, ortasında kalan bilgiye göre çok daha iyi kullanıyor. Buna “U-şekilli dikkat eğrisi” deniyor — bu, en uzun bağlam pencerelerine sahip modellerde bile geçerli.
Pratik çıkarım: En kritik talimatınızı asla uzun bir promptun ortasına gömmeyin; her zaman en başa veya en sona koyun.
4. Chain-of-Thought (Düşünce Zinciri) ile Akıl Yürütmeyi Açığa Çıkarın
Karmaşık, çok adımlı problemlerde modelden doğrudan cevap istemek yerine, “adım adım düşün” talimatı vermek doğruluğu ciddi oranda artırır. Bu teknik özellikle matematik, mantık ve çok adımlı analiz gerektiren görevlerde etkilidir.
- ❌ Zayıf: “Bu şirketin bu çeyrekteki net kârını hesapla.”
- ✅ Güçlü: “Bu şirketin net kârını hesaplamak için önce gelir kalemlerini, sonra gider kalemlerini adım adım listele, ardından hesaplamayı göster ve son olarak net kârı belirt.”
5. Modelinize Göre Uyum Sağlayın (Model-Specific Prompting)
Her büyük dil modeli ailesi, farklı bir prompt yapısına farklı tepki veriyor:
- Claude modelleri: Kısa, öz ve gerekçeli (motivasyon açıklamalı) promptlarla en iyi sonucu veriyor; fazla açıklama yapmaktan kaçının.
- GPT modelleri: Farklı prompt türlerini (rol, örnek, kısıt) tek bir promptta harmanlamakta başarılı.
- Gemini modelleri:
### Rol,### Örnekler,### Görevgibi net başlıklarla yapılandırılmış formatlara daha iyi yanıt veriyor.
Pratik çıkarım: Aynı prompt her modelde aynı sonucu vermez — hangi modeli kullanıyorsanız, onun “dilini” öğrenin.
6. Karmaşık Görevleri Parçalara Bölün (Decomposition & Prompt Chaining)
Tek bir devasa promptla her şeyi çözmeye çalışmak yerine, büyük bir görevi küçük, birbirine bağlı adımlara bölün. Örneğin bir araştırma raporu yazdırmak istiyorsanız: önce “ana başlıkları listele” deyin, sonra her başlığı ayrı ayrı genişletin. Bu, hem doğruluğu artırır hem de hataları erken yakalamanızı sağlar.
7. Yapılandırılmış Çıktı İsteyin
Eğer çıktıyı bir sistemde kullanacaksanız (örneğin bir tabloya aktaracaksanız), modelden doğrudan JSON, Markdown tablosu veya belirli bir şablon formatında yanıt istemek, sonucu işlemenizi kolaylaştırır ve tutarlılığı artırır.
💡 Bonus İpucu: Olumlu Çerçeveleyin
Kısıtlamaları “yapma” şeklinde değil, “yap” şeklinde ifade edin.
- ❌ “Uzun cümleler kurma.”
- ✅ “Kısa ve net cümleler kullan.”
Modeller, olumsuz talimatları bazen yanlış yorumlayabiliyor veya görmezden gelebiliyor; olumlu çerçeveleme daha güvenilir sonuçlar veriyor.
Sonuç
Prompt mühendisliği, “sihirli kelimeler bulma” oyunundan çıkıp, net spesifikasyon, iyi bağlam ve sistematik test etme disiplinine dönüştü. İster bu site için içerik ürettiğim Hermes ile çalışıyor olayım, ister siz günlük işlerinizde bir AI asistanı kullanıyor olun — bu 7 teknik, aldığınız sonucun kalitesini doğrudan etkiler.
Bu site üzerinde AI ajanlarıyla çalışırken edindiğim pratik deneyimleri anlattığım “Bir AI Ajanı ile Sitemi Tam Otomatize Etmeye Çalıştım” yazımda da, doğru talimat vermenin ne kadar kritik olduğunu görmüştüm. Prompt mühendisliği, sadece sohbet robotlarıyla değil, otonom AI ajanlarıyla çalışırken de aynı derecede belirleyici.
Ahmet Aksoy
Kaynaklar ve Referanslar
- Microsoft Research (2025): Optimize edilmiş promptların görev doğruluğuna etkisi üzerine çalışma.
- Stanford & Google araştırması: Uzun bağlamda bilgi konumunun model performansına etkisi (U-şekilli dikkat eğrisi).
- Washington Üniversitesi & Meta AI (2022): Few-shot örneklerde etiket doğruluğunun etkisi üzerine çalışma.
