Prompt Mühendisliği (Prompt Engineering) Nedir?

Prompt mühendisliği, yapay zekâ (YZ) sistemlerinden — özellikle büyük dil modelleri (LLM''ler), üretken modeller ve ajan tabanlı sistemlerden — istenilen çıktıyı en doğru, en güvenli ve en verimli biçimde alabilmek için girdi metni / talimatlar / bağlam tasarlama sanatı ve bilimidir. 2022 sonrasında üretken YZ''nin yükselişiyle birlikte ayrı bir meslek disiplini haline gelmiş; veri bilimi, ürün yönetimi, yazılım geliştirme ve kullanıcı deneyimi tasarımı gibi alanlarla kesişmiştir.[1][2]

Tarihçe

"Prompt" kavramı yazılımda onlarca yıldır kullanılsa da, modern anlamda prompt mühendisliği 2020 yılında GPT-3''ün yayınlanmasıyla filizlendi. Brown ve ekibi (2020), modele doğal dil talimatları vererek çok çeşitli görevleri "sıfır-örnek" (zero-shot) ya da "az-örnek" (few-shot) olarak yerine getirebildiğini gösterdi.[3] 2022''de ChatGPT ile birlikte milyonlarca kullanıcı ilk kez doğrudan prompt yazarak YZ ile etkileşime geçti ve bu alan patlama yaşadı. 2023''te OpenAI, Anthropic, Google DeepMind ve Microsoft araştırma ekipleri ileri düzey yöntemleri (chain-of-thought, self-consistency, ReAct, tree-of-thoughts) akademik makalelerde yayınladı.[4][5] 2024 itibarıyla bağımsız bir "Prompt Engineer" unvanı ABD''de yıllık 130.000–335.000 USD maaş aralığıyla iş ilanlarında görünmeye başladı.[6]

Temel Kavramlar

• Prompt: Modele gönderilen tüm girdi: sistem mesajı + talimat + bağlam + kullanıcı sorusu + örnekler + çıktı formatı.
• System Prompt: Modelin genel davranışını, rolünü, tonunu ve kurallarını tanımlayan gizli/üst talimat.
• Few-Shot Prompting: Modelin görevi öğrenmesi için birkaç örnek (girdi-çıktı çifti) verilmesi.
• Zero-Shot Prompting: Hiç örnek verilmeden doğrudan talimatla çalışma.
• Chain-of-Thought (CoT): Modelin "adım adım düşünmesini" isteyerek ara çıkarımları göstermesi.
• Temperature: Yanıtın yaratıcılık/rastgelelik derecesi (0 = deterministik, 1 = yaratıcı).
• Top-p (Nucleus Sampling): Olasılık kütlesinin üst p yüzdesinden örnekleme.
• Token: Modelin işlediği en küçük metin birimi (yaklaşık 0,75 kelime).
• Context Window: Modelin aynı anda işleyebildiği maksimum token sayısı (GPT-4o: 128K, Claude 3.5: 200K, Gemini 2.0: 2M).
• Halüsinasyon: Modelin kendinden emin şekilde uydurduğu yanlış bilgi.[7]

Yöntemler ve Teknikler

1. Sıfır-örnek (Zero-Shot) Prompting

En basit yöntem. Modele sadece talimat verilir, örnek yoktur. Sınıflandırma, özetleme, çeviri gibi görevlerde çoğu zaman yeterlidir:

Aşağıdaki müşteri yorumunun duygu tonunu "olumlu", "olumsuz" veya "nötr" olarak etiketle.

Yorum: "Ürün beklediğimden çok daha kaliteli, tavsiye ederim!"
Duygu:

2. Az-örnek (Few-Shot) Prompting

Birkaç örnek vererek modelin kalıbı öğrenmesi sağlanır. Özellikle belirli bir format, ton veya stil istendiğinde etkilidir:

Bir e-ticaret sitesi için ürün başlığı yaz. Örnekler:

Kategori: Kulaklık
Örnek 1:
- Giriş: Bluetooth kulaklık, gürültü engelleme özellikli
- Başlık: Kablosuz Özgürlüğün Tadını Çıkarın — Aktif Gürültü Engelleme
- Örnek 2:
- Giriş: Spor için tasarlanmış, ter geçirmez kulaklık
- Başlık: Koşuya Çıkarken Müzik Hiç Susmasın

Kategori: Akıllı Saat
- Giriş: Kalp atış hızı ve uyku takipli, 7 gün pil ömrü

3. Zincirleme Düşünce (Chain-of-Thought)

Google Brain ekibi 2022''de yayınladığı makalede, modele "adım adım düşün" demenin matematik, mantık ve çok adımlı akıl yürütme gerektiren görevlerde başarıyı dramatik biçimde artırdığını gösterdi.[4]

Bir mağazada 3 elbise ve 2 gömlek var. Elbise 200 TL, gömlek 80 TL.
Ahmet 1 elbise ve 2 gömlek alıyor. Ödediği toplam tutarı hesapla ve adım adım göster.

4. Tree-of-Thoughts (Düşünce Ağacı)

Yale ve Google araştırmacıları 2023''te önerdi. Model birden fazla düşünce yolu üretir, en iyisini seçer veya geriye dönerek alternatifleri dener. Özellikle bulmaca, strateji ve keşif gerektiren görevlerde CoT''dan daha başarılıdır.[8]

5. ReAct (Reasoning + Acting)

2022''de Princeton ekibi tarafından önerilen bu yöntemde model düşünür, bir araç çağırır (arama motoru, hesap makinesi, API), sonucu okur ve yeni adıma geçer. Modern YZ ajanlarının temelini oluşturur.[9]

6. Self-Consistency ve Reflection

Aynı soruyu birden fazla kez farklı sıcaklıklarla sorup en tutarlı cevabı seçmek self-consistency; modelin kendi cevabını eleştirip düzeltmesini istemek ise reflection tekniğidir. Her ikisi de halüsinasyonu azaltır.[10]

7. Constitutional AI ve RLHF

Anthropic''in "Anayasal YZ" yaklaşımı, modelin kendi yanıtını bir dizi ilkeye (ör. "zararsız ol", "dürüst ol") göre denetlemesini ve gerektiğinde yeniden yazmasını sağlar. OpenAI ise İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme (RLHF) yöntemiyle modelleri hizalar.[11]

İleri Düzey Kalıplar

Sistem Mesajı Tasarımı

Sen deneyimli bir Türk edebiyatı öğretmenisin. Yanıtlarında:
- Nazım Hikmet''in şiirlerinden alıntı yap
- Öğrenciye hitap eden samimi ama öğretici bir dil kullan
- Gerektiğinde dönemin tarihsel bağlamını açıkla
- Cevaplarını en fazla 200 kelime ile sınırla
- Asla uydurma alıntı yapma; bilmiyorsan "bu konuda kesin bilgim yok" de

Çıktı Formatı Zorunluluğu

Aşağıdaki haberi analiz et. Çıktıyı SADECA şu JSON formatında ver:

{
  "baslik": "...",
  "ozet": "...",
  "anahtar_kelimeler": ["...", "..."],
  "duygu": "olumlu|olumsuz|nötr",
  "guven_skoru": 0.0
}

Başka hiçbir metin ekleme.

Bağlam ve RAG Entegrasyonu

Büyük dil modellerinin bilgi sınırı vardır ve halüsinasyon yapabilir. Retrieval-Augmented Generation (RAG) yaklaşımında modele önce bir vektör veritabanından ilgili belgeler getirilir, sonra bu belgeler bağlam olarak prompt''a eklenir. Böylece model kendi verisiyle, güncel ve doğrulanabilir bilgiyle çalışır.

Sektörel Uygulamalar

İyi Bir Prompt İçin 7 Altın Kural

1. Modeli tanı: Her modelin güçlü yanı, bağlam penceresi ve eğitim verisi farklıdır.
2. Rol ver: "Sen deneyimli bir … ol" kalıbı tonu ve derinliği ayarlar.
3. Spesifik ol: "Yazı yaz" yerine "500 kelimelik, 16+ yaşa uygun, mizahi ton taşıyan blog yazısı yaz" de.
4. Bağlam ekle: "Şu öğrenci seviyesinde", "bu sektör için", "aşağıdaki metne dayanarak" gibi.
5. Format zorla: JSON, madde madde, tablo, kod bloğu — belirsiz bırakma.
6. Sınır koy: "En fazla 100 kelime", "kod örneği verme", "kaynak gösterme" gibi net kısıtlar.
7. Doğrula ve yinele: Çıktıyı kontrol et; tatmin etmezse geri bildirim ver veya prompt''u yeniden yaz.

Etik Boyut ve Riskler

Prompt mühendisliği güçlü bir araçtır ve kötüye kullanılabilir. Prompt injection saldırısında kötü niyetli kullanıcı, sistem prompt''unu geçersiz kılacak gizli talimatlar enjekte eder; bu durum özellikle müşteri hizmetleri botlarında ciddi güvenlik açığı yaratır.[12] OpenAI, Microsoft ve Anthropic 2024''te yayınladıkları raporlarda bu saldırılara karşı savunma stratejileri (girdi doğrulama, çıktı süzme, "sorumlu YZ" sistem mesajları) önerdi.[13]

Gelecek ve Trendler

2025–2026 itibarıyla prompt mühendisliği otomatik prompt optimizasyonu (ör. OPRO, TextGrad) ve çoklu-modal ajanlar yönünde evriliyor. Geliştiriciler artık elle yazmak yerine modelin kendisine prompt varyasyonları ürettirip en iyisini seçtiriyor. Bu da prompt mühendisliğini "tasarım" işinden "deney ve otomasyon" işine dönüştürüyor.[14]

Özet: Prompt mühendisliği geçici bir hüner değil, YZ çağının temel okuryazarlığıdır. İyi bir prompt; net rol, bağlam, format ve sınır içerir. Modelin güçlü ve zayıf yanlarını bilmek, çıktıyı her zaman doğrulamak ve etik sınırları korumak profesyonelliğin temelidir.