PROMPT ENGINEERING EĞİTİMİ
Prompt Engineering eğitimi, prompt'u "iyi cümle yazma" sanmaktan çıkartıp ürün mühendisliğinin parçası yapan bir programdır. Zero-shot, few-shot ve Chain-of-Thought tekniklerinin doğru senaryoda kullanımı; System ve user prompt ayrımının role-playing ile birlikte tasarımı somut örneklerle işlenir.
Eğitim sonunda katılımcı, Function calling ve JSON mode ile deterministik çıktı kurar; temperature, top_p ve max_tokens parametrelerini ürün davranışına bağlar; RAG ile prompt'u veri bağlamıyla zenginleştirir. Golden dataset ve LLM-as-judge ile prompt regression test etmek eğitimin kalite tarafıdır.
Katılımcı Profili
Bu eğitim, prompt'u iyi cümle yazma sanmaktan çıkartıp ürün mühendisliğinin parçası yapmak isteyen rollere yöneliktir:
- AI Mühendisleri: LLM tabanlı ürün geliştiren roller
- Ürün Mühendisleri: AI feature tasarımı yapan ekipler
- Veri Bilimciler: LLM'i analiz pipeline'ına ekleyen roller
- İçerik Mühendisleri: AI-powered içerik üretim sistemi kuran ekipler
- Yazılım Mühendisleri: ChatGPT veya Claude API ile entegrasyon yazanlar
Ön Gereklilikler
Bu eğitime katılım için ileri seviye teknik bilgi gerekmez; aşağıdakiler avantaj sağlar:
- ChatGPT, Claude veya benzeri bir LLM aracını günlük kullanmış olmak
- Yazılı anlatım ve içerik üretimine yatkınlık
- JSON ve REST API kavramlarına giriş düzeyi aşinalık (tercihen)
- Bir programlama dili veya scripting ile temel rahatlık (tercihen)
- LLM ile ürün geliştirmeye veya iş süreçlerini iyileştirmeye istek
Süresi ve Tarihi
Süre: 2 gün. Bu süre standart program içindir; ek modüllere ve hedefe göre süre özelleştirilebilir.
Eğitim tarihleri ve saatleri, ekibinizin uygunluğuna göre birlikte planlanır.
Kazanımlar
Eğitim sonunda katılımcı, prompt'u "iyi cümle yazma" sanmaktan çıkartıp ürün mühendisliğinin parçası yapar:
- Zero-shot, few-shot ve Chain-of-Thought tekniklerini doğru senaryoda kullanır
- System ve user prompt ayrımını role-playing ile birlikte tasarlar
- Function calling ve JSON mode ile deterministik çıktı kurar
- Temperature, top_p ve max_tokens parametrelerini ürün davranışına bağlar
- RAG ile prompt'u veri bağlamıyla zenginleştirir
- Golden dataset ve LLM-as-judge ile prompt regression test eder
- Prompt'u version control'a alır ve A/B test eder
Prompt Engineering Eğitimi Konuları
1. LLM Çalışma Modeli - Transformer Temelleri
- Transformer mimarisi ve attention mechanism
- Pre-training, fine-tuning, RLHF aşamaları
- Foundation model ve task-specific model
- Önde gelen modeller: GPT, Claude, Gemini, Llama
- Resmi kaynak: OpenAI Prompt Engineering kılavuzu
2. Token, Context Window ve Sampling
- Tokenization: BPE, WordPiece, SentencePiece
- Context window ve uzun döküman stratejisi
- Temperature, top-p, top-k parametreleri
- Stop sequence ve max tokens
- Determinism ve seed kontrolü
3. Zero-shot, Few-shot, Chain-of-Thought
- Zero-shot prompting
- Few-shot ile in-context learning
- Chain-of-Thought reasoning
- Self-consistency ve voting
- Tree-of-Thoughts yaklaşımı
4. System, User, Assistant Mesaj Yapısı
- System prompt ile rol ve kural tanımlama
- Multi-turn conversation
- Mesaj sırası ve context yönetimi
- Anthropic, OpenAI, Google API farkları
5. Role Prompting ve Persona
- Expert persona ile cevap kalitesi
- Audience belirleme (ELI5, technical)
- Tone ve style yönlendirme
- Constraint ve guardrail tanımı
6. Instruction ve Format Kontrolü
- Açık, net, ölçülebilir talimat yazımı
- Negative instruction ("yapma" kalıbı) riskleri
- Markdown, XML tag ile yapı zorlama
- Output template ile tutarlılık
7. Function ve Tool Calling
- Function calling şeması
- Tool use ve agent loop
- Anthropic tool_use ve OpenAI function
- Parallel tool calling
- Tool result handling
8. JSON Mode ve Structured Output
- JSON mode ile şema-zorunlu çıktı
- JSON Schema tabanlı doğrulama
- Pydantic ile type-safe response
- Instructor ve Outlines kütüphaneleri
9. Embedding ve Vector Search
- Embedding modelleri: ada, voyage, BGE
- Cosine similarity ve distance metrics
- Vector database: Pinecone, Weaviate, Qdrant, pgvector
- Hybrid search (BM25 + vector)
10. RAG - Retrieval-Augmented Generation
- RAG mimarisi ve retrieval pipeline
- Document loader ve format desteği
- Query expansion ve HyDE
- Citation ve source attribution
- LangChain ve LlamaIndex framework
11. Document Chunking Stratejileri
- Fixed-size chunking
- Recursive character splitter
- Semantic chunking
- Parent document retriever
- Overlap ve metadata
12. Reranking ve Retrieval Kalitesi
- Cross-encoder reranker (Cohere, BGE)
- MMR ile diversity
- LLM-as-reranker
- Recall@k ve precision@k metrikleri
13. Prompt Optimization
- A/B testing prompt varyasyonları
- DSPy ile programmatic optimization
- Prompt compression teknikleri
- Meta-prompting
14. Hallucination Önleme
- Grounding ile kaynak zorunluluğu
- "I don't know" cevabını cesaretlendirme
- Self-verification ve double-check
- Confidence scoring
15. Guardrails ve Safety
- Prompt injection ve jailbreak
- Input/output filtering
- NeMo Guardrails, Guardrails AI
- Content moderation API
- PII redaction
16. Multi-modal Prompting
- Vision: image input ile prompting
- OCR ve döküman anlama
- Audio: STT ve transcription
- Multi-modal RAG
17. Evaluation ve Benchmark
- Otomatik metrikler: BLEU, ROUGE, BERTScore
- LLM-as-Judge yaklaşımı
- Ragas ve TruLens
- Human-in-the-loop evaluation
- Regression testing prompt değişikliklerinde
18. Cost ve Latency İyileştirme
- Token sayma ve maliyet hesabı
- Prompt caching (Anthropic, OpenAI)
- Streaming response ve UX
- Model cascade: küçük → büyük model
- Batch API ve async processing
PROMPT ENGINEERING EĞİTİMİ ile İlgili
Sıkça Sorulan Sorular ve Cevapları
Zero-shot, few-shot ve Chain-of-Thought ne zaman hangisi seçilir?
Zero-shot basit ve net görevlerde yeterli — sadece talimat. Few-shot model'in çıkış formatını veya tarzını anlaması için 2-5 örnek verir. Chain-of-Thought ('adım adım düşün') akıl yürütme gereken matematik, mantık, kod problemlerinde doğruluğu önemli artırır. Token maliyeti CoT > few-shot > zero-shot.
System prompt ile user prompt arasında karar?
System prompt modelin rolünü, kurallarını ve kısıtlarını tanımlar — kalıcı bağlam. User prompt aktüel soru/görev. Persona, format, kaçınılması gerekenler system'de; her seferinde sorulan içerik user'da. İki katmanlı yapı prompt injection riskini azaltır ve davranış tutarlılığı artırır.
Temperature, top_p ve max_tokens parametreleri ne yapar?
Temperature randomness — 0 deterministik, 1 yaratıcı. top_p (nucleus sampling) en yüksek olasılıklı token havuzunu sınırlar. İkisi birlikte kullanılmaz; biri seçilir. max_tokens cevap uzunluk limiti — kısa kalmasını veya cost kontrolü için. Factual cevap için low temp, creative writing için high.
RAG mimarisinde reranking neden gerekli?
Vector similarity (embedding) top-k arar ama semantic close olan ama gerçekten ilgili olmayan chunk'ları döner. Reranker (Cohere Rerank, BGE Reranker) cross-encoder ile gerçek alaka skorunu hesaplar; ilk 20 sonuçtan en alakalı 5'i seçer. Pratikte cevap kalitesi %20-40 artar.
Function calling deterministik akışı nasıl kurar?
LLM'e fonksiyonların JSON schema'sı verilir; LLM uygun olduğunda hangi fonksiyonu hangi parametrelerle çağıracağını JSON döner. Uygulama deterministik kodu (DB query, API call) çalıştırır, sonucu LLM'e geri verir. Hallucination yerine gerçek hesaplama, halüsinasyona kapalı veri kullanılır.
LLM-as-judge ile prompt regression test nasıl yapılır?
Golden dataset (soru + beklenen cevap karakteristikleri) hazırlanır. Yeni prompt versiyonu test edilirken cevaplar daha güçlü LLM'e (GPT-4, Claude Opus) judge olarak verilir; 1-5 skor ve gerekçe alınır. Versiyonlar arası skor düşüşü regression sinyali. Ragas, TruLens framework'leri bu süreci otomatikleştirir.
