Prompt Mühendisliği Nedir? Örneklerle Pratik Rehber
Prompt mühendisliği, yapay zeka modellerinden güvenilir sonuç alan girdiler yazma becerisidir. İyi bir promptun parçalarını önce/sonra örnekleriyle öğren.
Bu yazıda
Prompt mühendisliği, bir büyük dil modeline verilen girdiyi (talimatları, bağlamı, örnekleri ve biçim gereksinimlerini) çıktı faydalı, doğru ve tutarlı olacak şekilde tasarlama pratiğidir. Uygulamada bu, modelin neyi bilmesi gerektiğine, ne yapması gerektiğine ve sonucun nasıl görünmesi gerektiğine karar vermek, sonra promptun gerçekten bunu üretip üretmediğini test etmek demektir.
Bu tanım soyut kaçıyor, o yüzden rehberin çoğu örnek. Tek bir şey hatırlayacaksan şunu hatırla: bir model yalnızca önündekiyle çalışabilir. Kötü çıktıların çoğu, yazanın bildiği ama hiç söylemediği bir şeyi dışarıda bırakan bir promptan gelir.
Promptun ifadesi neden bu kadar önemli?
Bir dil modeli, kendisine verilen metnin devamını tahmin eder. Projene, hedef kitlene, önceki taslaklarına ya da yöneticinle ton hakkında yaptığın konuşmaya erişimi yoktur. Durumun hakkında bildiği her şey prompttan gelir (sohbet uygulamalarında ayrıca önceki mesajlardan ve varsa bellek özelliklerinden).
Dolayısıyla bir prompt "bu raporun özetini yaz" dediğinde model her boşluğu tahminle doldurur. Ne kadar uzun? Kimin için? Madde işaretleri mi düz yazı mı? Riskleri işaretlemeli mi yoksa tarafsız mı kalmalı? Tahmin makul ve genel olur; çünkü bilgi eksikken en güvenli bahis genel olandır.
Prompt mühendisliği çoğunlukla bu boşlukları bilerek kapatma disiplinidir.
İyi bir prompt neye benzer?
İnsanların her gün sohbet asistanlarına gönderdiği bir istek:
Ekibime yeni teslim tarihi hakkında bir e-posta yaz.
Model kibar ve renksiz bir e-posta üretir, içinde "[yeni tarih]" gibi yer tutucularla. Yanlış değil, ama düzenlemeden işe yaramaz.
Şimdi bunu birkaç kez yapmış birinin yazdığı sürüm:
Beş backend mühendisinden oluşan ekibime kısa bir e-posta yaz.
Bağlam: API geçişinin teslim tarihi, ödeme sağlayıcısı sandbox'ını
geciktirdiği için 14 Mart'tan 28 Mart'a kaydı. Gecikmeye ekipten
kimse sebep olmadı. İki kişi izin planını eski tarihe göre yapmıştı.
Hedef: Yeni tarihi söyle, nedenini tek cümleyle açıkla ve izin
planlarının değişmemesi gerektiğini belirt.
Ton: doğrudan ve sakin, kurumsal dolgu yok. 120 kelimenin altında.
"Dana" olarak imzala.
Orada akıllıca hiçbir şey olmadı. İkinci prompt basitçe olguları, hedef kitleyi, amacı, tonu ve bir uzunluk sınırını içeriyor. Gündelik kullanımda prompt mühendisliğinin büyük kısmı bu.
İyi bir promptun bileşenleri nelerdir?
Farklı rehberler bunlara farklı adlar veriyor ama aynı parçalar sürekli karşına çıkıyor. Her promptta hepsine ihtiyacın olmaz.
Görev. Fiil ve nesne. "Özetle", "sınıflandır", "yeniden yaz", "çıkar", "karşılaştır". "Yardım et" ya da "bak" gibi belirsiz fiiller modeli ne yapılmasını istediğini tahmin etmeye zorlar.
Bağlam. Modelin çıkarım yapamayacağı arka plan: hedef kitlenin kim olduğu, belgenin ne için olduğu, daha önce nelerin denendiği. Kalitenin çoğu buradan gelir. Bunu rol ve bağlam konusunda derinlemesine ele alıyoruz.
Kısıtlar. Uzunluk, ton, okuma seviyesi, kaçınılacak şeyler, mutlaka olması gerekenler. Kısıtları yazmak ucuzdur ve çok sayıda gidip gelmeden kurtarır.
Çıktı biçimi. Madde işaretleri, tablo, belirli anahtarlı JSON, tek bir kelime. Çıktıyı bir program okuyacaksa biçim isteğe bağlı değildir. Yapılandırılmış çıktı konusu bu durumu ayrıntılı ele alıyor.
Örnekler. Aradığın kalıbı gösteren bir ila birkaç girdi/çıktı çifti. Örnekler güçlüdür, yanlış kullanmak da kolaydır; bu yüzden zero-shot ve few-shot prompting hakkında ayrı bir yazı hazırladık.
Rol ("Sen kıdemli bir vergi muhasebecisisin") bazen bir bileşen olarak listelenir. Kelime dağarcığını ve derinliği ayarlamaya yardımcı olabilir, ama bağlamsız bir rol insanların beklediğinden çok daha az iş görür. "Sen uzman bir pazarlamacısın" pek bir şey katmaz; "Okuyucular, telefonda göz gezdiren hastane satın alma yöneticileri" çok şey katar.
Prompt mühendisliği sadece sohbet botları için mi?
Hayır, terimin "mühendislik" kelimesini hak ettiği yer burası. Aynı adı paylaşan, oldukça farklı iki iş var.
Birincisi sohbet tarzı promptlama: ChatGPT, Claude veya Gemini'ye yazıyorsun ve cevap iyi olana kadar tekrar ediyorsun. Burada bir sonraki turda yönü düzeltebilirsin, yani biraz zayıf bir prompt sana bir dakikaya mal olur.
İkincisi yazılımın içindeki promptlar: bir destek botu, bir belge sınıflandırıcı, bir kod inceleme aracı, API çağıran bir agent. Prompt, hiç görmediğin girdiler üzerinde binlerce kez çalışır. "Hayır, daha kısa" diyecek kimse yok. Sohbette düzelteceğin küçük bir belirsizlik üretimde %4'lük bir hata oranına dönüşür.
İkinci iş, birincinin nadiren ihtiyaç duyduğu şeyler ekler:
- Her sohbette davranışı tanımlayan bir sistem promptu (nasıl yazılır).
- Kodun sonucu ayrıştırabilmesi için katı çıktı biçimleri.
- Modelin bilgi uydurmaması için getirilen belgelere dayandırma.
- Prompt injection'a karşı savunmalar; çünkü kullanıcı girdisi ve belgeler kendi talimatlarını içerebilir.
- Bir test kümesi: promptu her değiştirdiğinde yeniden çalıştırdığın birkaç düzine gerçek girdi.
Son nokta, yeni başlayanların atladığı ve uygulayıcıların asla atlamadığı şey. Bir üretim promptunu test vakalarını yeniden çalıştırmadan değiştiriyorsan tahmin yürütüyorsun demektir.
Uygulamalı örnek: belirsizden güvenilire
Bir modelin gelen müşteri mesajlarını kategorilere ayırmasını istediğini düşün. İlk deneme:
Bu müşteri mesajını kategorize et.
Mesaj: "Mart faturamdan iki kez ücret alındı, lütfen düzeltin."
Şuna benzer bir şey alırsın: "Bu mesaj, müşteri mükerrer bir ücreti bildirdiği için Fatura kategorisine girer." Bir insan için sorun yok, kod için can sıkıcı. Bir sonraki mesaj "Fatura" yerine "Ödemeler" olarak dönebilir; çünkü hangi kategorilerin var olduğunu hiç söylemedin.
İkinci deneme:
Müşteri mesajını tam olarak bir kategoriye sınıflandır.
Kategoriler:
- billing: ücretler, iadeler, faturalar, ödeme yöntemleri
- account: giriş, parola, profil, hesabı silme
- bug: üründe bir şey bozuk ya da yanlış davranıyor
- other: geri kalan her şey
Yalnızca kategori adını küçük harfle yaz, başka hiçbir şey yazma.
Mesaj: """Mart faturamdan iki kez ücret alındı, lütfen düzeltin."""
İşi üç değişiklik yaptı. Etiket kümesi sabit, her etiketin kısa bir tanımı var ki uç vakaların gidecek bir yeri olsun ve çıktı biçimi açıkça yazılmış. Üçlü tırnaklar kullanıcının metninin nerede başlayıp bittiğini işaretler; bu, modelin veriyi ve talimatı ayrı tutmasına yardımcı olur (ama kasıtlı saldırılara karşı bir güvenlik sınırı değildir).
Sonra bunu yirmi gerçek mesajda test edersin; "Faturamı görmek için giriş yapamıyorum" gibi zor olanlar dahil. Bu fatura mı hesap mı? Tanımların buna cevap vermeli. Vermiyorsa model tutarsız biçimde birini seçer ve çözüm daha sert bir ton değil, daha keskin bir tanımdır.
Önce hangi prompt tekniklerini bilmelisin?
Önem sırasına göre kısa ve dürüst bir liste:
- Görev ve çıktı biçimi konusunda spesifik ol. Gündelik sorunların çoğunu kapsar.
- Bağlam ver. Hedef kitle, amaç, kısıtlar, "iyi"nin neye benzediği.
- Biçimi ya da stili sözle anlatmak zorsa örnek göster.
- Çok adımlı problemlerde cevaptan önce akıl yürütmeyi iste. Chain-of-thought prompting fikri bu, ama yeni akıl yürütme modelleri bunun çoğunu kendi başına yapıyor.
- Olgular önemliyse cevapları retrieval ile kaynaklara dayandır. Grounding (RAG) konusu bununla ilgili.
- Model eylem yapabiliyorsa araçları net tanımla.
O listede sihirli kalıp olmadığını fark edeceksin. İlk zamanlarda insanlar "derin bir nefes al" ya da modele bahşiş teklif etmek gibi büyülü sözler takas ediyordu. Bunlardan bazılarının belirli eski modellerde ölçülebilir etkisi vardı, ama güvenilir biçimde taşınmıyorlar ve ne istediğini söyleyen bir promptun yerini tutmuyorlar.
Prompt mühendisliği ne değildir?
Bir modelin bilmediği şeyleri bilmesini sağlamanın yolu değildir. Cevap şirketinin iç politikasına bağlıysa, politika prompta girmedikçe ya da prompta getirilmedikçe hiçbir ifade onu üretmez.
Tek seferlik bir iş de değildir. Modeller güncellenir, girdiler kayar ve bir modelde işe yarayan prompt başka bir modelde farklı davranabilir. Gerçekten kullandığın modelde test et ve değiştiğinde yeniden test et.
Ve sadece yazmak da değildir. İşin büyük bir kısmı çıktıları eleştirel okumaktır: modelin talimatın lafzını izleyip niyeti kaçırdığı yeri fark etmek, sonra hangi eksik cümlenin buna yol açtığını bulmak.
Nasıl daha iyi olursun?
Gerçek görevler için promptlar yaz, çıktıları yakından oku ve her seferinde tek bir şeyi değiştir. OpenAI, Anthropic ve Google'ın kendi modelleri için yayımladığı prompt rehberlerini oku; ücretsizler, spesifikler ve çok sayıda hata vakası gören kişilerce yazılmışlar.
Tekil kararları yalıtılmış olarak pratik etmek de yardımcı olur: bu dört talimattan hangisi bu çıktıyı düzeltir, bu prompt tam olarak nerede başarısız oluyor. Bu tür çalışma, geliştirdiğimiz quiz uygulaması TokIQ'nun (Google Play'de, iPhone için yakında) tam olarak tasarlandığı şey. Ne kullanırsan kullan, önemli olan alışkanlık aynı: her hayal kırıklığı yaratan çıktıyı promptun hakkında bir bilgi olarak gör. Yapılandırılmış bir yol için prompt mühendisliği nasıl öğrenilir yazısına bak ya da temel konular bölümüyle başla.
Sık sorulan sorular
Prompt mühendisliği basitçe nedir?
Prompt mühendisliği, bir yapay zeka modeline verdiğin talimatları, bağlamı ve örnekleri gerçekten ihtiyacın olan çıktıyı üretecek şekilde yazmaktır. Hem tek bir isteğin ifadesini hem de uygulamaların içindeki yeniden kullanılabilir promptların tasarımını kapsar.
Modeller akıllandığına göre prompt mühendisliği hâlâ geçerli mi?
Evet. Daha iyi modeller belirsiz ifadeyi daha sık affediyor, ama yine de hiç vermediğin bağlamı, kalite çıtanı ya da kodunun beklediği tam biçimi tahmin edemezler. Odak artık numaralardan çok net tanım ve teste kaydı.
Prompt mühendisliği için kod yazmayı bilmek gerekir mi?
Hayır. Becerinin çoğu net yazma ve dikkatli test etmektir. Kod, promptları yazılımın içine gömdüğünde, örneğin JSON çıktısını doğrulamak ya da aynı promptu birçok test girdisinde çalıştırmak için işe yarar.
Bir promptun ana parçaları nelerdir?
Faydalı bir prompt genelde bir görev, modelin ihtiyaç duyduğu bağlam, uzunluk veya ton gibi kısıtlar, çıktı biçimi ve bazen örnekler içerir. Her promptta hepsi gerekmez ama eksik bağlam ve eksik biçim zayıf sonuçların en yaygın nedenidir.
- #prompt mühendisliği
- #temeller
- #prompt örnekleri
- #LLM