Giriş — Neden tekrar kullanılabilir promptlar önemlidir?

Etkili prompt yazma, dil modellerinden istenen sonuçları daha güvenilir biçimde almak için temel beceridir. Belirli yaklaşım ve şablonlar kullanmak, aynı görevi tekrar ettiğinizde benzer ve beklenen çıktılar elde etmenizi kolaylaştırır. Aşağıda kanıtlanmış ilkeler ve uygulamalarla bir adım adım rehber bulacaksınız; temel ilkeler bazı güvenilir kaynaklarca da desteklenmektedir (PromptItIn, DigitalOcean, GPTPrompts.ai).

Temel ilkeler: kısa ve uygulanabilir

Aşağıdaki beş ilke, iyi bir başlangıç sağlar. Her madde için kısa açıklama ve bir örnek verilmektedir.

1) Spesifik olun

Belirsiz komutlar yerine somut ayrıntılar sağlayın: format, uzunluk, ton, hedef kitle. Spesifiklik modelin kafa karışıklığını azaltır ve beklenen biçimde çıktı üretme olasılığını artırır (PromptItIn).

Kötü: "E-posta yaz."
İyi: "Profesyonel bir takip e-postası yaz; kibar ton, iki kısa paragraf; konu satırı önerisi ver; son satırda toplantı talebi ekle."

2) Rol atayın

Modelin nasıl davranmasını istediğinizi bir rol tanımıyla belirtin (ör. "sen UX yazarıydın", "sen veriye odaklı pazarlama uzmanısın"). Rol atama, yanıtın odak ve üslubunu iyileştirir (GPTPrompts.ai).

3) Beklenen çıktı örnekleri verin

Çıktı formatını ve içeriğini örneklerle gösterin: doğru yapı, başlık biçimi, madde işaretleri gibi. Bu yaklaşım modelin hedef biçimi öğrenmesine yardımcı olur (DigitalOcean).

4) Açık ve aşamalı talimatlar kullanın

Modelin yapması gerekenleri adım adım belirtin. Karmaşık görevleri küçük alt görevlere bölmek başarı oranını yükseltir (PromptItIn).

5) Tekrar kullanılabilir tasarlayın

Promptları değişkenlerle, şablonlarla ve metadata (etiket, açıklama, sürüm) ile kaydedin. Bu, ekip içinde paylaşımı ve yeniden üretilebilirliği kolaylaştırır (PromptingEasy).

İyi bir prompt şablonu: adım adım yapı

Aşağıdaki şablon, tekrarlanabilir promptlar oluşturmak için uygulanabilir bir çerçevedir. Şablonu kendi kullanım alanınıza göre doldurun ve parametreleri değişken olarak saklayın.

  • System (sistem rolü): Modelin genel davranışını belirleyen kısa cümle. Örnek: "Bir içerik stratejisti gibi düşün ve net, okunabilir Türkçe yaz."
  • Instruction (talimat): Yapılacak işin kısa özeti: hedef, uzunluk, üslup.
  • Examples (örnekler / few-shot): 1–3 girdi-çıktı örneği verin.
  • User input (değişken): Bu alana kullanıcıya özel veriyi yerleştirin.
  • Output format: Başlık, madde listesi, paragraf sayısı, JSON şeması gibi kesin format.

Few-shot (örneklerle öğretme) — nasıl ve ne zaman kullanılır?

Few-shot yaklaşımı, modelin beklenen yapıyı doğrudan örneklerle öğrenmesini sağlar. Özellikle biçimsel çıktılar (ör. ürün açıklamaları, meta açıklamalar, sınıflandırma etiketleri) için etkilidir.

Örnek few-shot yapı (2 örnek):
Örnek 1 Girdi: "Ürün: Kablosuz kulaklık, özellikler: 30 saat pil"
Örnek 1 Çıktı: "Kısa açıklama: Hafif, 30 saat pil ömrü ve net ses. Hedef: seyahat edenler."
Ör/2 Girdi: "Ürün: Termos, 500 ml"
Ör/2 Çıktı: "Kısa açıklama: 12 saat sıcak tutar, paslanmaz çelik, ideal kampçılar için."
Sizden istenen: Yukarıdaki tarzda yeni ürün için kısa açıklama üretin.

Temperature ve top-p ayarları: ne işe yarar?

Temperature ve top-p, model çıktısının çeşitliliğini kontrol eden ayarlardır. Düşük temperature (ör. 0.0–0.3) daha deterministik, yüksek temperature (ör. 0.7–1.0) daha yaratıcı çıktılar üretme eğilimindedir. Top-p/kontrol yöntemleri de benzer şekilde rastgeleliği yönetir. Bu ayarları denemek ve sonuçları karşılaştırmak pratikte önemlidir (DigitalOcean).

Test etme ve yineleme: uygulamalı kontrol listesi

Aşağıdaki adımlar bir promptu olgunlaştırmak için kullanılabilir:

  1. Temsilî test seti oluşturun (10–30 örnek girdi).
  2. Her prompt için 2–3 farklı temperature/top-p kombinasyonu deneyin.
  3. Çıktıları format uyumu, tutarlılık ve fayda açısından değerlendirin.
  4. Hatalı veya istenmeyen çıktıları yeniden ifade ederek promptu düzeltin.
  5. Başarılı versiyonları şablon olarak kaydedin ve sürüm notu ekleyin.

Pratik örnekler (kopyala-yapıştır kullanılabilir)

Aşağıda farklı görevler için doğrudan kullanılabilecek örnek promptlar ve açıklamaları var.

1) Blog giriş özeti (özetleme)

System: "Bir içerik editörü gibi davran."
Instruction: "Aşağıdaki uzun metni 3 madde halinde özetle; her madde 1–2 cümle olsun; uygun başlık öner."
User input: "{uzun_metin}"

2) E‑posta şablonu (rol + format)

System: "Profesyonel iş yazışmaları konusunda deneyimli bir asistan ol."
Instruction: "Kısa, nazik takip e-postası yaz; konu satırı öner, iki kısa paragraf, kapanışta aksiyon isteği ekle."
User input: "Toplantı 10 Mart 14:00 — teklif görüşmesi"

3) Sınıflandırma (few-shot)

Instruction: "Aşağıdaki yorumları olumlu/olumsuz/kısmi olarak sınıflandır. Örnekleri takip et."
Örnek 1: "Çok hızlı teslim, memnunum." → Olumlu
Örnek 2: "Ürün beklentimi karşılamadı." → Olumsuz
User input: "{yorum}"

Shareable prompt library: pratik uygulama önerileri

Bir ekip için prompt kütüphanesi oluştururken şu alanları kaydedin: başlık, kısa açıklama, kullanım örneği, parametreler (temperature, top-p), örnek girdiler/çıktılar, sürüm tarihi. Etiketleme (ör. "özetleme", "e-posta", "sınıflandırma") aramayı kolaylaştırır ve tekrarlanabilirliği artırır (PromptingEasy).

Hızlı kontrol listesi (kullanıma hazır)

  • Net rol tanımı var mı?
  • Beklenen çıktı formatı açıkça belirtildi mi?
  • 1–3 örnek çıktı eklendi mi (gerekirse)?
  • Temperature/top-p için test planı hazır mı?
  • Başarılı versiyon sürümlendi mi ve açıklama eklendi mi?

Sonuç ve ilk adımlar

İlk olarak basit, spesifik bir şablonla başlayın; sonra test seti üzerinden 2–3 yineleme yapın. Rol atamayı, örnek sağlamayı ve çıktı formatını standartlaştırdıkça sonuçlarınız daha tutarlı olacaktır. Yukarıdaki örnek ve şablonları kendi içeriğinize uyarlayarak hızlıca bir prompt kütüphanesi oluşturabilirsiniz.

Detaylı yöntemler ve daha fazla örnek için ilgili kaynaklara bakabilirsiniz: PromptItIn rehberi, DigitalOcean ve GPTPrompts.ai. Bu kaynaklar en iyi uygulamaları ve ilave örnekleri sunar.