Prompt mühendisliği nedir? Prompt mühendisliği (prompt engineering), bir yapay zeka modelinden tutarlı, doğru ve kullanılabilir bir çıktı almak için modele verilen talimatı; yani prompt’u bilinçli biçimde tasarlama ve yapılandırma disiplinidir. Bir ChatGPT sohbetine tek satırlık bir soru yazmaktan, bir uygulamanın arka planında bir AI API’sine gönderilen çok bölümlü bir talimat metnine kadar her şey aslında bir prompt’tur; aradaki fark, o metnin ne kadar planlı kurulduğudur. Bu yazıda prompt mühendisliğinin 2026 itibarıyla hangi yöne evrildiğini, hangi tekniklerin işe yaradığını, ChatGPT, Claude ve Gemini arasında ne gibi pratik farklar olduğunu ve bir prompt’u adım adım nasıl kuracağınızı somut örneklerle ele alıyoruz.
Prompt Mühendisliği Nedir, Neden Önemli?
Prompt mühendisliği nedir sorusuna kısa cevap şu: modele “ne istediğinizi”, “hangi formatta istediğinizi” ve “hangi sınırlar içinde kalması gerektiğini” açıkça anlatma işidir. Bir dil modeli, kullanıcının zihnindeki bağlamı bilmez; yalnızca prompt’ta yazılanı, varsa sistem talimatını ve konuşma geçmişini görür. Belirsiz bir prompt, modelin boşlukları kendi varsayımlarıyla doldurmasına yol açar; bu da beklenmedik, tutarsız veya yarım çıktılarla sonuçlanır.
Bu konu özellikle API üzerinden AI entegrasyonu yapan geliştiriciler için kritik hale geldi. Bir web uygulamasında kullanıcıdan alınan serbest metni bir AI modeline gönderip yapılandırılmış bir yanıt beklediğinizde, promptun kalitesi doğrudan uygulamanın güvenilirliğini belirler. Bu yüzden prompt mühendisliği artık yalnızca “iyi soru sorma sanatı” değil, ölçülebilir ve tekrarlanabilir bir mühendislik pratiği olarak ele alınıyor.
Prompt Uzunluğu ve Netlik
Prompt uzunluğu tek başına kalite ölçütü değildir. Görevi, girdiyi, kısıtları ve beklenen çıktıyı netleştirmek iyi bir başlangıçtır. Buradaki şablonlar örnektir; belirli bir modelde üstünlük gösteren bir test sonucu olarak sunulmamaktadır.
Bunun pratik karşılığı şudur: 500 kelimelik, birbirine karışmış talimatlar içeren bir prompt yerine; başarı kriterini, çıktı formatını, kısıtları ve örnekleri ayrı ayrı bölümlere ayıran kısa ama kesin bir prompt çok daha tutarlı sonuç verir. Model ne kadar “akıllı” olursa olsun, belirsiz bir talimata karşı hâlâ tahmin yürütmek zorunda kalır; spesifikasyon netleştikçe tahmin payı azalır.
Temel Prompt Yazma Teknikleri
Etkili prompt yazma teknikleri konusunda sıkça karıştırılan birkaç yaklaşım var. Aşağıda en yaygın kullanılanları, ne zaman tercih edilmeleri gerektiğiyle birlikte özetledik.
Zero-shot Prompting
Modele hiçbir örnek vermeden, doğrudan görevi tarif etmektir. Basit, tek adımlı görevlerde (“bu metni özetle”, “bu cümleyi İngilizceye çevir”) genellikle yeterlidir. Format veya üslup kritik değilse zero-shot hızlı ve pratik bir başlangıç noktasıdır.
Few-shot Prompting
Format veya üslup önemliyse modele 1-3 örnek vermek işe yarar. Örneğin bir e-ticaret sitesi için ürün açıklamaları üretilecekse, istenen tonu ve yapıyı gösteren 2 örnek açıklama prompt’a eklenir; model bu örneklerdeki kalıbı taklit ederek devam eder. Few-shot, özellikle çıktının biçimi serbest bırakılamayacak durumlarda zero-shot’tan daha güvenilir sonuç verir.
Zincir-i-Düşünce (Chain-of-Thought) Tetikleyicileri
Bazı modellerde açıklanabilir çözüm adımları istemek yararlı olabilir; ancak bu, modelin gizli iç muhakemesini açığa çıkarmaz ve hatasızlık sağlamaz. Akıl yürütme modellerinde görevi açıkça tarif etmek çoğu zaman yeterlidir. İhtiyacınız varsa kısa gerekçe, hesaplama adımları ve doğrulanabilir kaynak isteyin. Chain of thought rehberi kavramın ayrıntılarını açıklar.
Rol ve Persona Prompting
“Sen bir kıdemli backend geliştiricisisin” veya “sen bir SEO uzmanısın” gibi bir rol tanımı, modelin yanıtı hangi bakış açısıyla ve hangi teknik seviyeyle vereceğini belirler. Rol tanımı tek başına sihirli bir çözüm değildir ama çıktının tonunu ve odağını hizalamakta işe yarar.
Negatif Talimatlar
Yalnızca “ne yapılmalı” değil, “ne yapılmamalı” da belirtmek çoğu zaman gerekli olur. “Kod bloğu dışında açıklama ekleme”, “varsayım yapma, eksik bilgi varsa soru sor” gibi negatif talimatlar, modelin istenmeyen eklemeler yapmasını engeller.
Temperature (Sıcaklık) Parametresinin Rolü
temperature desteklenen modellerde örnekleme rastgeleliğini etkiler; düşük değer doğruluğu veya aynı çıktının her seferinde oluşmasını garanti etmez. Kabul edilen aralık ve diğer parametrelerle etkileşim modele göre değişir; bazı akıl yürütme modellerinde bu ayar desteklenmez. Model sürümünün belgelerini kontrol edip kendi görev kümenizle deneyin.
Zero-shot, Few-shot ve Chain-of-Thought: Ne Zaman Hangisi?
Üç temel tekniğin ne zaman kullanılacağını netleştirmek için aşağıdaki karşılaştırmaya bakabilirsiniz.
| Teknik | Ne Zaman Kullanılır | Örnek Kullanım |
|---|---|---|
| Zero-shot | Görev basit, format serbest, hızlı sonuç yeterli | Kısa metin özetleme, basit çeviri |
| Few-shot | Format veya üslup tutarlılığı kritik | Ürün açıklaması, e-posta şablonu üretimi |
| Chain-of-thought | Çok adımlı mantık, hesaplama veya hata ayıklama gerekiyor | Matematik problemi, kod hatası analizi |
“4 Blok Düzeni”: Yapılandırılmış Prompt Şablonu
Dağınık, tek paragraflık promptlar yerine talimatları dört ayrı bloğa ayırmak, hem insanın hem modelin promptu okumasını kolaylaştırır. Bu düzene “4 Blok Düzeni” diyoruz: talimatlar, girdiler, kısıtlar ve çıktı formatı ayrı ayrı belirtilir. Aşağıdaki şablon bu yapıyı gösteriyor:
### TALIMAT
Verilen müşteri yorumunu analiz et ve duygu durumunu belirle.
### GIRDI
Yorum: "Kargo çok geç geldi ama ürün kaliteli, tekrar alırım."
### KISITLAR
- Sadece Türkçe yanıt ver.
- Tahmin yapma; yorumda geçmeyen bir bilgiyi uydurma.
- Yanıtı 3 cümleyi geçmeyecek şekilde tut.
### CIKTI FORMATI
JSON döndür:
{
"duygu": "pozitif | negatif | notr",
"ana_konu": "",
"ozet": ""
}
Bu şablonu kullanırken her bloğun başlığını sabit tutmak (TALİMAT, GİRDİ, KISITLAR, ÇIKTI FORMATI gibi) hem sizin promptu sonradan düzenlemenizi kolaylaştırır hem de modelin bölümleri birbirinden ayırt etmesini sağlar.
ChatGPT, Claude ve Gemini İçin Nasıl Test Edilir?
Ürün adlarını sabit yetenek sınıfları gibi ele almayın. Sonuç; model sürümü, araç erişimi, bağlam ve parametrelerden etkilenir. Aynı temsili girdi kümesini kullanıp doğruluk, biçim uyumu, gecikme ve maliyeti ölçün. Açık talimat, uygun örnekler ve belirgin girdi sınırları ortak başlangıç noktalarıdır; modele özel değişikliği test sonucu destekliyorsa uygulayın.
Öz-Değerlendirme (Self-Check) ile Prompt İçine Gömülü Kontrol
İleri düzey bir prompt yazma tekniği, modelden yanıtı doğrudan vermeden önce kendi çıktısını kısa bir rubrikle denetlemesini istemektir. Bu yaklaşım özellikle uzun veya çok adımlı görevlerde, modelin kendi hatasını fark edip düzeltmesine imkân tanır. Aşağıdaki gibi bir öz-değerlendirme bloğu prompt’un sonuna eklenebilir:
### ONCE KENDINI KONTROL ET
Yaniti vermeden once asagidaki rubrige gore kontrol et:
1. Format istenen sekilde mi (JSON / madde listesi / duz metin)?
2. Kisitlarin hepsine uyuldu mu?
3. Girdide olmayan bir bilgi uydurulmadi mi?
4. Yanit, belirtilen uzunluk sinirini asiyor mu?
Eger yukaridakilerden biri saglanmiyorsa, yaniti vermeden once duzelt.
Öz-denetim talimatı bir kontrol listesi sunar; model kendi hatasını fark etmeyebilir. Üretimde çıktı formatını kodla, önemli olguları güvenilir kaynakla ve iş kurallarını bağımsız kontrollerle doğrulayın. Kazancı test etmeden belirli bir markaya özgü üstünlük iddia etmeyin.
Uzun Bağlamlı Modellerde Doküman + Soru Kalıbı
Geniş bağlam penceresine sahip modellerle çalışırken (örneğin uzun bir PDF, teknik dokümantasyon veya birden fazla dosya içeriği promptla birlikte gönderildiğinde) sırayı doğru kurmak sonucu doğrudan etkiler. Genel pratik, önce kaynak dokümanı net bir sınırlayıcı içinde vermek, ardından soruyu veya görevi en sona eklemektir:
### KAYNAK DOKUMAN
"""
(uzun dokuman icerigi buraya gelir)
"""
### GOREV
Yukaridaki dokumana dayanarak, sadece dokumanda gecen bilgilerle
asagidaki soruyu yanitla. Dokumanda yer almayan bir bilgi icin
"dokumanda bu bilgi yok" yaz.
Soru: {kullanici_sorusu}
Uzun dokümanı sınırlayıcılarla ayırmak ve soruyu açık yazmak yararlıdır; en uygun sıra modelin belgelerine ve testlere bağlıdır. “Yalnızca kaynakla yanıtla” talimatı halüsinasyonu tamamen önlemez. Kaynak pasajı veya belge bölümünü istemek ve yanıtı o pasajla karşılaştırmak ek bir denetim sağlar.
Etkili Bir Prompt Nasıl Yazılır: Adım Adım
Aşağıdaki kontrol listesi, bir prompt’u dağıtmadan önce yedi noktayı netleştirmeyi öneriyor. Bu listeyi uygulamaya dökmek için şu adımları izleyebilirsiniz:
- Başarı kriterini tanımlayın. Çıktının “iyi” sayılması için hangi koşulu sağlaması gerektiğini bir cümleyle yazın (örn. “yanıt 3 maddeyi geçmemeli ve kaynak belirtmeli”).
- Çıktı sözleşmesini belirleyin. Format (düz metin, JSON, madde listesi), uzunluk, ton ve bölümlerin ne olacağını açıkça yazın.
- Kısıtları ekleyin. Kapsam dışı bırakılacak konuları, yapılmaması gereken varsayımları ve hariç tutulan içerikleri belirtin.
- Girdileri net sınırlayıcılarla ayırın. Girdi metnini “### GIRDI” gibi bir başlıkla veya üçlü tırnak gibi bir sınırlayıcı ile talimattan ayırın.
- Gerekiyorsa örnek ekleyin. Format kritikse 1-3 örnek (few-shot) ekleyin; kritik değilse bu adımı atlayabilirsiniz.
- Doğrulama rubriği koyun. Modelden, yanıtı vermeden önce kendi kendine kısa bir kontrol listesiyle (örn. “format doğru mu, kısıtlara uyuldu mu”) öz-değerlendirme yapmasını isteyin.
- Düşük güvenilirlikli yanıtlar için iterasyon planlayın. Model belirsizlik belirtiyorsa ya da düşük güvenle yanıt veriyorsa, tek seferde kabul etmek yerine promptu daraltıp tekrar deneyin.
Bu yedi adımı her seferinde eksiksiz uygulamak zorunlu değildir; ama özellikle üretim ortamında (bir uygulamaya entegre edilen bir prompt) kullanılacaksa, en azından 1, 2 ve 3. maddelerin net olması tutarlılık açısından önemlidir.
Yapılandırılmış Çıktı ve API Entegrasyonunda Prompt Tasarımı
Bir web uygulamasında AI API’sine gönderilen promptun yapısı, kullanıcıya gösterilen promptdan daha katı kurallara bağlı olmalıdır; çünkü çıktı genellikle bir ayrıştırıcı (parser) tarafından işlenecektir. Aşağıda PHP tarafında bir AI API’sine yapılandırılmış bir prompt gönderen basit bir örnek yer alıyor:
<?php
$systemPrompt = "Sen bir metin siniflandirma asistanisin. "
. "Sadece gecerli JSON dondur, baska aciklama ekleme.";
$userPrompt = <<<EOT
### TALIMAT
Verilen destek talebini kategorilere ayir.
### GIRDI
{$supportTicketText}
### KISITLAR
- Sadece su kategorilerden birini sec: "fatura", "teknik", "iade", "diger".
- Emin degilsen "diger" sec, tahmin yapma.
### CIKTI FORMATI
{"kategori": "", "oncelik": "dusuk|orta|yuksek"}
EOT;
$payload = [
"model" => "gpt-4o-mini",
"temperature" => 0.2,
"messages" => [
["role" => "system", "content" => $systemPrompt],
["role" => "user", "content" => $userPrompt],
],
];
$response = Http::withToken($apiKey)
->post("https://api.openai.com/v1/chat/completions", $payload);
$result = json_decode($response->json()["choices"][0]["message"]["content"], true);
Bu örnekte dikkat edilmesi gereken üç nokta var: sistem promptu modelin rolünü ve çıktı kuralını baştan sabitliyor, kullanıcı promptu “4 Blok Düzeni”ni takip ediyor ve temperature düşük tutularak kategori sınıflandırmasında tutarlılık hedefleniyor. Laravel gibi bir çatıda bu yapı, promptu bir şablon dosyasına (blade veya düz metin) ayırıp değişkenleri dinamik doldurarak daha yönetilebilir hale getirilebilir.
Sadece promptta JSON istemek, geçerli JSON veya doğru şema garantisi vermez. Desteklenen modellerde sağlayıcının yapılandırılmış çıktı özelliğini kullanın; yine de reddetme, kesilmiş çıktı ve HTTP hata durumlarını işleyin. PHP’de json_decode(..., true, 512, JSON_THROW_ON_ERROR) ile ayrıştırma hatasını yakalayın ve alanları ayrıca doğrulayın.
Sık Yapılan Prompt Hataları ve Çözümleri
1. Çok Belirsiz Talimat Yazmak
“Bunu güzelleştir” gibi muğlak bir talimat, modelin ne istendiğini tahmin etmesine yol açar. Çözüm: beklenen sonucu somut bir ölçütle tarif edin (“cümleleri kısalt, teknik jargonu azalt, 150 kelimeyi geçme”).
2. Format Belirtmemek
Çıktının düz metin mi, madde listesi mi, JSON mu olacağını belirtmemek, her çalıştırmada farklı bir biçim almanıza neden olabilir. Çözüm: çıktı formatını prompt’un sonunda açıkça tanımlayın.
3. Kısıt Vermemek
Kapsam ve sınırlar belirtilmediğinde model, istenmeyen konulara da girebilir veya gereğinden uzun yanıtlar üretebilir. Çözüm: “şu konuya değinme”, “sadece verilen bilgiyle sınırlı kal” gibi negatif talimatlar ekleyin.
4. Örnek Vermemek (Format Kritikken)
Format veya üslup önemliyse ve hiç örnek verilmezse, model kendi varsayılan tarzını kullanır. Çözüm: 1-3 adet temsili örnek (few-shot) ekleyin.
5. Tek Seferde Çok Fazla İş İstemek
“Bu metni özetle, SEO’ya uygun hale getir, başlık öner, anahtar kelime çıkar ve sosyal medya metni yaz” gibi tek bir promptta beş farklı görev istemek, her görevin kalitesini düşürür; model dikkatini birden fazla hedefe bölüştürmek zorunda kalır ve genelde her görevde yüzeysel kalır. Çözüm: görevleri ayrı promptlara veya ayrı API çağrılarına bölün; gerekiyorsa bir görevin çıktısını bir sonraki promptun girdisi olarak kullanan küçük bir zincir (pipeline) kurun.
Bu beş hatanın ortak noktası, hepsinin kök nedeninin “modelin zihin okuyacağı” varsayımı olmasıdır. Prompt mühendisliğinin pratikte öğrettiği en temel ders, modele hiçbir şeyi varsaymadan, sanki hiç bağlamı olmayan yeni bir ekip arkadaşına görev tarif eder gibi yazmaktır.
Kime, Hangi Durumda Uygun?
Prompt mühendisliği, tek seferlik bir sohbet sorusu soran bir kullanıcı için ileri düzeyde bir hazırlık gerektirmeyebilir; zero-shot bir talimat çoğu zaman yeterlidir. Ancak bir AI özelliğini bir web uygulamasına, bir içerik üretim sürecine veya tekrarlanan bir iş akışına entegre ediyorsanız, yukarıdaki “4 Blok Düzeni” ve 7 maddelik kontrol listesi, çıktının tutarlılığını ciddi şekilde artırır.
Geliştiriciler için en kritik nokta, promptu kullanıcıya gösterilen metinden ayrı, versiyonlanabilir ve test edilebilir bir yapı olarak ele almaktır; böylece model veya parametre değiştiğinde hangi promptun hangi sonucu verdiğini takip etmek mümkün olur. İçerik üreticileri, destek ekipleri veya pazarlama ekipleri gibi kod yazmayan kullanıcılar için ise birkaç hazır “4 Blok Düzeni” şablonu oluşturup bunları tekrar tekrar kullanmak, her seferinde promptu sıfırdan yazmaktan çok daha verimlidir. Özetle, prompt mühendisliği ne kadar karmaşık bir görevle uğraştığınıza ve o görevin ne sıklıkla tekrarlandığına göre, basit bir alışkanlıktan tam bir mühendislik disiplinine kadar farklı seviyelerde uygulanabilir.
Sık Sorulan Sorular
Prompt mühendisliği programlama bilgisi gerektirir mi?
Hayır, temel prompt yazma teknikleri (zero-shot, few-shot, rol tanımlama) kod bilgisi gerektirmez. API entegrasyonu ve yapılandırılmış çıktı üretimi gibi ileri senaryolarda ise temel programlama bilgisi işe yarar.
Few-shot prompting her zaman daha mı iyi sonuç verir?
Hayır. Görev basit ve format serbestse zero-shot genellikle yeterlidir; few-shot, özellikle format veya üslup tutarlılığının kritik olduğu durumlarda avantaj sağlar.
ChatGPT, Claude ve Gemini için aynı prompt kullanılabilir mi?
Aynı prompt çoğu zaman çalışır ama en iyi sonucu almak için küçük uyarlamalar gerekebilir; ChatGPT açık biçimlendirmeye, Claude sözleşme tarzı talimatlara, Gemini ise net girdi etiketlemesine daha iyi yanıt verme eğilimindedir.
Temperature parametresini hangi değerde tutmalıyım?
Yapılandırılmış veri veya kod üretimi gibi tutarlılığın önemli olduğu görevlerde düşük bir değer (0-0.3 aralığı), yaratıcı metin üretiminde ise daha yüksek bir değer genel olarak tercih edilir.
Prompt mühendisliği öğrenmek için nereden başlamalıyım?
Zero-shot ve few-shot gibi temel teknikleri küçük, gerçek görevler üzerinde denemek, ardından “4 Blok Düzeni” gibi yapılandırılmış şablonları kullanmak pratik bir başlangıç noktasıdır. Bir görev için birkaç farklı prompt varyantı yazıp sonuçları karşılaştırmak, teoriyi okumaktan daha hızlı öğrenme sağlar.
Kaynaklar
