1. Hedefin Tanımlanması (Problem Tanımı)

İlk adım, yapay zekadan ne beklediğinin açık ve kesin bir biçimde tanımlanmasıdır.
Belirsizlik, sonuçların kalitesini doğrudan olumsuz etkiler.
Yapay zeka sistemleri, özellikle LLM’ler (Large Language Models), hedefin net olduğu durumlarda daha yüksek doğrulukta yanıtlar üretirler.

🔹 Soru: “Ne istiyorum?”
🔹 Soru: “Sonuç nasıl bir çıktı olmalı?”

Örneğin:

• Kötü hedef tanımı: “Bana bir şeyler anlat.”
• İyi hedef tanımı: “Bana 20. yüzyılda yapay zekanın gelişimini anlatan, akademik düzeyde bir makale özeti yaz.”

2. Bağlamın Belirtilmesi (Context Sağlama)

Modelin doğru anlaması için bağlam (context) verilmelidir.
İnsan gibi anlam çıkarımı yapmadıkları için, açık bilgi verilmediği sürece model yanlış çıkarımlar yapabilir.

🔹 Bağlam nedir? “Modelin çalışacağı çerçeve ve varsayımlar.”

Örneğin:

• İstenen üslup (“Akademik dil kullan”)
• Alan bilgisi (“Orman mühendisliği perspektifinden yaz”)
• Hedef kitle (“Lisansüstü öğrenciler için”)

3. Yapı ve Format İstemek (Çıktı Yapısını Tanımlama)

Modelden istediğin yanıtın biçimini ve yapısını belirtmelisin.
Bu, çıktının daha kullanışlı ve tutarlı olmasını sağlar.

Örneğin:

• “Giriş, gelişme, sonuç bölümleri olan bir makale yaz.”
• “Madde madde listele.”
• “Tablo halinde ver.”

Yapısal yönergeler, modelin içeriği biçimlendirirken hataya düşmesini azaltır.

4. Kısıtlar ve Özelleştirmeler Eklemek

Özellikle bilimsel çalışmalarda, modelin uyması gereken kısıtları açık belirtmek gerekir.

Örnek kısıtlar:

• Kelime veya karakter sınırı (“Maksimum 500 kelime.”)
• Kaynak kullanımı (“Sonuçları en az iki akademik referansla destekle.”)
• İfade biçimi (“Şüpheci ve eleştirel bir bakış açısıyla yaz.”)

5. Adım Adım Çözümleme İstemek (Chain-of-Thought Prompting)

Zor veya karmaşık görevlerde adım adım düşünme (chain-of-thought) talep etmek, model performansını artırır Örneğin:

• “İlk önce problemi analiz et, sonra çözüm önerilerini sırala, en sonunda eleştir.”

Bu teknik, özellikle karar verme, analiz ve eleştirel düşünme gerektiren işlerde etkilidir.

6. Örnek (Few-shot Learning) Sağlamak

İstenen çıktının bir veya birkaç örneğini vermek, modelin istediğin stile daha hızlı uyum sağlamasına yardımcı olur.

Örneğin:

“Aşağıdaki gibi bir örnek yazı istiyorum:
Örnek: “Fotosentez, bitkilerin güneş ışığını kullanarak kimyasal enerji üretmesi sürecidir…”“

Few-shot öğrenme, LLM’lerin daha kontrollü ve öngörülebilir yanıtlar üretmesini sağlar.

7. Yinelenen İyileştirme

İlk yazdığın prompt, çoğu zaman mükemmel olmaz.
Deneme-yanılma yoluyla promptu geliştirmen gerekir.

🔹 Gelen yanıtı değerlendir.
🔹 Eksikleri veya yanlış anlamaları belirle.
🔹 Prompta düzeltmeler yap.

Bu süreç, prompt engineering disiplininin temel taşlarından biridir.

Özet: Etkili Prompt Nasıl Yazılır?

Kaynaklar:

• Brown, T. et al. (2020). Language Models are Few-Shot Learners. arXiv preprint arXiv:2005.14165.
• Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford Center for Research on Foundation Models.
• Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv preprint arXiv:2201.11903.
• Reynolds, L., & McDonell, K. (2021). Prompt Programming for Large Language Models: Beyond the Few-Shot Paradigm.