PROMPT ENGİNEERİNG NEDİR? NETLİK, KISITLAR VE ÖRNEKLEME İLE DAHA İYİ SONUÇ

Yapay zekâ bazen “harika”, bazen de “tam tersini” yapıyormuş gibi hissettirir. Çoğu zaman sorun modelde değil; bizim ona ne istediğimizi nasıl anlattığımızdadır. Prompt engineering, belirsiz isteği net bir göreve dönüştürerek çıktıyı kontrol edilebilir hâle getirmenin pratiğidir.

İyi bir prompt; hedefi açıklar, bağlamı verir, sınırları çizer, gerektiğinde örnek gösterir ve çıktının nasıl sunulacağını tarif eder. Sonuç: daha tutarlı yanıtlar, daha az tekrar, daha az “yanlış anlama” ve ekip içinde paylaşılabilir bir standart.

Bu yazıda prompt engineering’in ne olduğunu, hangi bileşenlerden oluştuğunu ve iş hayatında nasıl sistematik uygulanabileceğini; gerçekçi örnekler ve hazır şablonlarla ele alacağız.

Prompt Engineering: Tanım ve “neden şimdi” sorusu

Prompt engineering, bir yapay zekâ modelini belirli bir amaç doğrultusunda yönlendirmek için talimatların (promptların) tasarlanması, test edilmesi ve iyileştirilmesi sürecidir. Buradaki “engineering” vurgusu; rastgele denemeler yerine ölçülebilir, tekrarlanabilir ve geliştirilebilir bir yaklaşımı işaret eder.

Bugün LLM’ler (büyük dil modelleri) çok yetenekli. Ancak bu yetenek, açık bir hedefle buluşmadığında “kısa yoldan yanlış sonuç” üretmek de kolaylaşır. Kurumsal kullanımda ise tutarlılık ve denetlenebilirlik kritik olduğu için, prompt tasarımı doğrudan kaliteyi belirler.

Prompt ile “talimat” arasındaki fark

Günlük kullanımda prompt, sadece bir soru gibi düşünülebilir. Oysa iyi tasarlanmış bir prompt; rol tanımı, kapsam, çıktı formatı, kısıtlar ve değerlendirme ölçütlerini içeren küçük bir “iş tanımı”dır. Bu sayede yapay zekâ, tek seferlik bir sohbet yerine, tekrarlanabilir bir iş akışına bağlanır.

Hangi işlerde en hızlı farkı yaratır?

• Doküman özetleme ve yapılandırma
• Teknik analiz ve karar notu hazırlama
• Ürün metni, e-posta ve içerik üretimi
• İç destek botları için bilgi toplama ve cevap tasarımı
• Test senaryosu, kullanıcı hikâyesi ve kabul kriteri üretimi

Netlik: “Ne istiyorum?” sorusunu görünür kılmak

Netlik, prompt engineering’in omurgasıdır. Modelin en iyi yaptığı şey “metin tamamlama” olduğu için, belirsiz cümleleri çoğunlukla kendi varsayımlarıyla tamamlar. Bu varsayımlar sizin beklentinizle çakışmayabilir.

İyi hedef tanımı: fiil + çıktı + kapsam

Hedefi tek bir cümlede tarif edin: “X’i üret, Y formatında ver, Z kapsamını aşma.” Örneğin: “Aşağıdaki toplantı notlarını, 6 maddelik aksiyon listesi olarak, sorumlu ve tarih alanlarıyla yapılandır.” Bu cümle; hem yapılacak işi hem de çıktı biçimini taşır.

Belirsiz ifadeleri “ölçülebilir” hâle getirme

“Kısa”, “detaylı”, “profesyonel”, “ikna edici” gibi kelimeler tek başına yeterince yönlendirici değildir. Bunun yerine ölçü koyun: paragraf sayısı, madde sayısı, hedef kitle, ton, yasaklı ifadeler, örnek çıktı. Netlik arttıkça, tekrar sayısı azalır.

// Belirsiz prompt
"Bu metni profesyonelce düzenle."

// Netleştirilmiş prompt
"Aşağıdaki metni kurumsal bir e-posta dilinde yeniden yaz.
- 120-160 kelime aralığında olsun
- 3 paragraf: durum / talep / kapanış
- Kaba veya aşırı samimi ifadeler kullanma
- Sonunda 1 cümlelik net aksiyon çağrısı ekle"

Bağlam: Modelin “nerede” olduğunu anlatmak

Bağlam, modelin doğru varsayımlar yapmasını sağlar. Model, siz belirtmezseniz sektör, hedef kitle, şirket politikası, ürün özellikleri gibi kritik detayları uydurabilir veya genelleyebilir. Bu yüzden bağlam, “girdi” kadar önemlidir.

Bağlam bileşenleri: hedef kitle, ortam, kaynaklar

Şu üçlü çoğu işte yeterlidir: (1) hedef kitle kim, (2) kullanım ortamı nedir, (3) hangi kaynaklara dayanmalı. Örneğin: “Bunu CTO’ya gidecek 1 sayfalık karar notu olarak yaz; yalnızca aşağıdaki maddeleri kaynak kabul et.” Bu, modelin “dışarıdan bilgi ekleme” isteğini sınırlar.

Veri sınırı: neye dayanacak, neyi tahmin etmeyecek?

Kurumsal içerikte güven, “neyi nereden söylediğin” ile kurulur. Prompt içinde “Bilmiyorsan söyle” gibi bir kural eklemek, hatalı kesinlik riskini azaltır. Ayrıca “yalnızca verilen metne dayan” kuralı, halüsinasyon ihtimalini düşürür.

Kısıtlar: Kaliteyi artıran sınırlar

Kısıt belirlemek, modeli “kısıtlamak” değil; onu doğru koridora sokmaktır. Kısıtlar; dil, format, uzunluk, kaynak kullanımı, yasaklı içerik ve kapsam dışı konular gibi alanlarda tanımlanabilir. Kısıtlar net olduğunda, çıktının kalite standardı yükselir.

Format kısıtları: şablon, başlık yapısı, alanlar

Modelin çıktısını başka sistemlere aktaracaksanız (CMS, CRM, ticket sistemi), format kısıtları şarttır. “JSON üret”, “başlıkları h2/h3 yap”, “tablo kullanma” gibi kurallar çıktıyı işlenebilir kılar.

İçerik kısıtları: kapsam dışı, riskli alanlar, dil tonu

Özellikle regülasyon veya marka dili olan ortamlarda; “hukuki tavsiye verme”, “kesin vaatlerde bulunma”, “rakip kıyaslaması yapma” gibi yasaklar önceden belirtilmelidir. Ton tarafında da “sakin ve çözüm odaklı” gibi tanımlar işe yarar; ancak bunları örnekle desteklemek daha etkilidir.

Örnekleme: Modeli doğru yöne eğmek

Örnekleme (few-shot), modelin nasıl bir çıktı beklediğinizi “göstererek” anlatmaktır. Özellikle stil, format veya karar mantığı gerektiren işlerde örnek, uzun açıklamalardan daha iyi çalışır. Doğru örnek, modelin üretimini hizalar.

Örnek seçerken dikkat edilecekler

Örnekler; gerçekçi, hedef formatla uyumlu ve “sınır durumları” kapsayacak şekilde olmalı. Örneğin yalnızca kolay örnekler verirseniz, model zor durumlarda dağılıp genellemeye kaçar. Ayrıca örnekleriniz çelişmemeli; yoksa model kararsız bir harman üretebilir.

Few-shot ile standartlaştırma

Ekibinizde aynı iş farklı kişilerce yapılıyorsa, örnekleme ile ortak bir “çıktı standardı” yakalarsınız. Bu, onboarding’i kolaylaştırır ve geri bildirim döngüsünü hızlandırır.

Görev: Ürün geri bildirimlerini sınıflandır ve aksiyon öner.
Kısıt: Sadece aşağıdaki kategorileri kullan: "Hata", "Özellik İsteği", "Kullanılabilirlik", "Performans".

Örnek 1
Girdi: "Uygulama açılırken 10 saniye bekliyorum."
Çıktı:
- Kategori: Performans
- Özet: Açılış süresi uzun
- Önerilen aksiyon: Açılışta yapılan istekleri profil çıkarıp önbellek stratejisi belirle

Örnek 2
Girdi: "Ayarlar menüsünde bildirim kapatma seçeneğini bulamadım."
Çıktı:
- Kategori: Kullanılabilirlik
- Özet: Bildirim ayarı keşfedilemiyor
- Önerilen aksiyon: Ayarlar > Bildirimler girişini görünürleştir, arama ekle

Şimdi şu girdiyi aynı formatta işle:
Girdi: "Rapor ekranı bazen boş geliyor, yenileyince düzeliyor."

Çıktı formatı tasarımı: “Nasıl teslim edeceğiz?”

Prompt engineering’in en pratik kazanımı, çıktıyı yeniden kullanmayı kolaylaştırmasıdır. İyi bir format tanımı; çıktıyı okunabilir, ayrıştırılabilir ve tekrar üretilebilir yapar. Birçok ekip, kalite sorunlarını aslında “format belirsizliğinden” yaşar.

Şablon yaklaşımı: alan adları ve sıralama

Özellikle rapor, özet, toplantı notu ve karar dokümanı gibi içeriklerde alan adları belirlemek çok işe yarar: “Amaç”, “Kapsam”, “Bulgu”, “Risk”, “Öneri”, “Sonraki adım” gibi. Model, bu alanlara göre düşünür ve boşlukları doldurur.

Doğrulama adımı: kendi çıktını kontrol et

Modelden “çıktını şu kontrol listesine göre gözden geçir” istemek, hataları azaltır. Bu bir kalite kapısıdır: madde sayısı tutuyor mu, yasaklı kelime var mı, kapsam dışına taşmış mı? Bu yaklaşım özellikle içerik üretiminde fark yaratır.

Iterasyon ve değerlendirme: Prompt bir “ürün” gibi geliştirilir

İlk promptun kusursuz olması beklenmez. Prompt engineering, küçük değişikliklerle sistematik iyileştirmeyi sever: bir kısıt ekle, bir örnek düzelt, formatı netleştir, tekrar test et. Buradaki amaç “tek seferde mucize” değil; ölçülebilir gelişimdir.

Değerlendirme ölçütleri: doğruluk, kapsam, üslup, tutarlılık

Bir promptu değerlendirirken 3-5 kriter belirleyin. Örneğin: (1) verilen kaynağa bağlılık, (2) eksik bilgi uydurmama, (3) hedef formatı koruma, (4) dil tonu, (5) eyleme dönüklük. Her iterasyonda aynı kriterlerle bakarsanız, iyileştirme gerçek olur.

Test seti oluşturma: 10 örnekle bile başlar

Benzer işlerden 10 gerçek örnek toplayın: iyi, kötü ve sınır durumları. Promptu her değiştirdiğinizde aynı test setinde çalıştırıp çıktıları kıyaslayın. Böylece “bu değişiklik gerçekten faydalı mı?” sorusuna kanıtla cevap verirsiniz.

Sık hatalar ve hızlı düzeltmeler

Prompt engineering’de en sık görülen problemler, aslında küçük düzenlemelerle çözülür. Aşağıdaki liste, sahada en çok karşılaşılan hataları ve pratik karşılıklarını özetler.

“Her şeyi yap” demek: kapsam şişmesi

Bir promta birden fazla hedef yüklemek, kaliteyi düşürür. Çözüm: görevi aşamalara bölün. Önce özet, sonra sınıflandırma, sonra öneri gibi. Gerekirse aynı konuşmada ardışık adımlar kurgulayın.

Kaynak yokken kesinlik istemek

Modelden “kesin” cevap beklemek, onu uydurmaya iter. Çözüm: “Bu bilgi kaynakta yoksa ‘belirtilmemiş’ de” kuralını ekleyin ve gerekiyorsa soru üretmesini isteyin.

Formatı tarif etmeyip sonradan şikâyet etmek

“Bunu listele” demek yerine, madde sayısını ve alanları yazın. Çözüm: bir şablon verin ve “yalnızca bu şablonu doldur” deyin.

Başlangıç için 3 pratik prompt şablonu

Aşağıdaki şablonları kendi işinize göre uyarlayarak hızlıca sonuç alabilirsiniz. Her şablonda netlik, bağlam, kısıt ve format mantığı bulunur. İsterseniz bunları ekip içinde “ortak standart” olarak da kullanabilirsiniz.

1) Karar notu şablonu

Amaç: Bir konuyu yönetime taşırken kısa ve net karar dokümanı üretmek.

Rol: Kıdemli ürün analisti gibi yaz.
Bağlam: İç paydaşlar (CTO, PM, Operasyon) okuyacak.
Kaynak: Yalnızca aşağıdaki maddeleri kullan, yeni bilgi ekleme.
Kısıt: 220-280 kelime, net ve tarafsız dil.

Çıktı formatı:
1) Problem
2) Seçenekler (en fazla 3)
3) Artılar/Eksiler
4) Önerilen seçenek ve gerekçe
5) Riskler ve azaltma planı

Kaynak maddeler:
- ...

2) Toplantı aksiyonları şablonu

Amaç: Dağınık notlardan uygulanabilir aksiyon listesi çıkarmak.

“Sorumlu” ve “tarih” alanlarını zorunlu tutmak, çıktıyı takip edilebilir yapar.

3) İçerik üretimi şablonu

Amaç: Marka diline uygun, tekrarlanabilir içerik üretmek.

Kurumsal içerik süreçlerini daha hızlı standardize etmek için Prompt Engineering Eğitimi sayfasındaki modüller, ekip içi ortak dil kurmanıza yardımcı olur.

Sonuç: İyi prompt, iyi süreç demektir

Prompt engineering, “doğru soruyu sormaktan” fazlasıdır: hedefi tanımlar, bağlamı kurar, kısıtları belirler, örnekle hizalar ve çıktıyı işlenebilir formatta üretir. Bu yaklaşımı ekip standardına dönüştürdüğünüzde; kalite artar, geri bildirim döngüsü kısalır ve yapay zekâ, günlük işlerinize gerçek bir hız kazandırır.

Başlamak için küçük bir adım yeterli: bugün sık yaptığınız bir işi seçin, mevcut promptunuzu netlik + bağlam + kısıt + format bileşenleriyle yeniden yazın, 10 örneklik bir test setinde deneyin ve iterasyonla geliştirin.