İleri Düzey Prompt Mühendisliği: Etkileyici Sonuçlar İçin 15 Teknik

Bir startup'ta çalışan geliştirici, projesinin API dokümantasyonunu yazmak için iki tam gün harcıyordu. Üç ileri düzey prompt mühendisliği (Prompt Engineering) tekniği öğrendikten sonra aynı işi 10 dakikada -- üstelik daha yüksek kalitede -- tamamlamaya başladı. Fark araçta değil, onu kullanma biçimindeydi.

ChatGPT veya Claude'u "bana ... hakkında bir makale yaz" gibi basit komutlarla kullanıyorsanız, bu modellerin kapasitesinin yalnızca %10'undan yararlanıyorsunuz. Burada öğreneceğiniz teknikler bu oranı %90'a çıkarır.

OpenAI'ın 2025 raporuna göre, ileri prompt mühendisliği tekniklerini uygulayan kullanıcılar rastgele komutlara kıyasla %67 daha doğru sonuçlar elde ediyor.

Temel bilgileri henüz öğrenmediyseniz, önce yeni başlayanlar için prompt mühendisliği rehberimizi okuyun ve sonra buraya dönün.

Temel Soru: Sıradan Bir Promptu Profesyonelden Ne Ayırır?

Profesyonel bir prompt modele net bağlam, belirli kısıtlamalar ve tanımlanmış çıktı formatı verir. Yalnızca bu üç öge, rastgele çıktıları tutarlı ve doğrudan kullanılabilir sonuçlara dönüştürür. Aşağıdaki on beş teknik bu ilkeyi farklı şekillerde geliştirir.

Birinci Seviye: Temel Teknikler (1-5)

1. Rol Belirleme (Role Prompting)

Rol belirleme (Role Prompting), modele belirli bir uzmanlığa sahip bir karakter olarak davranmasını söylemektir. Bu, yanıtın tonunu, doğruluğunu ve derinliğini köklü şekilde değiştirir.

Yerine: "Bana API'yi açıkla" Yazın: "15 yıllık RESTful API tasarım deneyimine sahip kıdemli bir yazılım mühendisisiniz. Junior bir geliştiriciye OpenAPI 3.0 standartlarına uygun bir API nasıl tasarlanacağını açıklayın."

Fark açık: ikinci prompt uzmanlık düzeyini, hedef kitleyi ve gereken standardı belirliyor.

2. Zengin Bağlam (Context Enrichment)

Modele projeniz hakkında ne kadar fazla bilgi verirseniz, yanıt o kadar doğru olur. Kullandığınız teknolojiler, ekip büyüklüğü ve teknik kısıtlamalar hakkında ayrıntılar ekleyin.

3. Çıktı Formatı Belirleme (Output Formatting)

Belirli bir format isteyin: JSON, Markdown tablosu, numaralı liste, Python kodu. Bu, uzun ve düzensiz yanıtları önler.

Örnek: "Şu alanlarla JSON formatında yanıt verin: title, description, priority (1-5), estimated_hours."

4. Negatif Kısıtlamalar (Negative Constraints)

Modele ne istemediğinizi söyleyin. Bu düşündüğünüzden daha güçlüdür.

"Karmaşık teknik terimler kullanmayın. 200 kelimeyi geçmeyin. 3'ten fazla seçenek sunmayın."

Anthropic'in prompt mühendisliği araştırmalarına göre, 2-3 negatif kısıtlama eklemek yanıt doğruluğunu %40 artırır.

5. Az Örnekle Öğretme (Few-Shot Prompting)

Az örnekle öğretme (Few-Shot Prompting), modele yanıt istemeden önce 2-3 örnek sunmaktır. Model, istenen kalıbı örneklerinizden öğrenir.

Örnek 1:
Giriş: "Giriş yaparken 404 hatası"
Çıkış: {"severity": "high", "component": "auth", "action": "check API endpoint"}

Örnek 2:
Giriş: "Sayfa yavaş yükleniyor"
Çıkış: {"severity": "medium", "component": "frontend", "action": "run performance audit"}

Şimdi bunu sınıflandırın:
Giriş: "Kullanıcı 5MB'den büyük dosya yükleyemiyor"

İkinci Seviye: Orta Düzey Teknikler (6-10)

6. Düşünce Zinciri (Chain-of-Thought)

Düşünce zinciri (Chain-of-Thought -- CoT), modelden son yanıtı vermeden önce düşünme adımlarını açıklamasını ister. Basit bir ifade ekleyin: "Adım adım düşün" veya "Yanıt vermeden önce mantığını açıkla."

Google DeepMind araştırmasına göre, bu teknik tek başına matematik ve mantık problemlerinde doğruluğu %35-50 artırır.

7. Öz Eleştiri (Self-Criticism)

Modelden kendi yanıtını incelemesini isteyin: "Yanıt ver, ardından yanıtını gözden geçir ve hataları düzelt."

Bu işe yarar çünkü model inceleme aşamasında daha dikkatlidir -- taslak yazıp sonra düzenlemek gibi.

8. Ayrıştırma (Decomposition)

Karmaşık görevler küçük parçalara bölünür. "Komple bir uygulama yaz" yerine şunları isteyin:

1. Veritabanı yapısını tasarla
2. API uç noktalarını yaz
3. Frontend'i oluştur

Her adım ayrı bir promptta yürütülür ve önceki adımın çıktısı girdi olarak verilir.

9. Yinelemeli İyileştirme (Iterative Refinement)

Genel bir promptla başlayın, sonra sonuçlara göre kademeli olarak geliştirin. Her yineleme ayrıntı ekler veya yönü düzeltir.

Tur 1: "Siber güvenlik hakkında bir makaleye giriş yaz" Tur 2: "Daha kısa yap ve çarpıcı bir istatistikle başla" Tur 3: "İkinci cümlede okuyucuya doğrudan hitap eden bir soru ekle"

10. Kişilik Yönlendirme (Persona Steering)

Rol belirlemenin ötesinde -- burada yazım tarzını detaylıca tanımlarsınız: "Paul Graham gibi özlü bir tarzda yaz" veya "Sabırlı bir fizik öğretmeninin lise öğrencisine anlatması gibi anlat."

Üçüncü Seviye: İleri Teknikler (11-15)

11. Meta-Prompting

Meta-prompting, kendiniz yazmak yerine modelden sizin için prompt yazmasını istemektir.

"Satış verilerini analiz etmek istiyorum. Bu verileri derinlemesine analiz etmek için kullanabileceğim en iyi promptu yaz."

Model kendi yeteneklerini sizden daha iyi tanır -- optimal promptu kendisinin tasarlamasına izin verin.

12. Düşünce Ağacı (Tree-of-Thought)

Düşünce ağacı (Tree-of-Thought -- ToT), modelden birden fazla çözüm yolunu keşfetmesini, değerlendirmesini ve en iyisini seçmesini ister. Microsoft Research, bu tekniğin karmaşık problemlerde CoT'den üstün olduğunu kanıtladı.

"Bu sorun için 3 farklı çözüm öner. Her birini performans, karmaşıklık ve maliyet açısından değerlendir. Ardından açık gerekçeyle en iyisini seç."

13. ReAct Kalıbı (Reasoning + Acting)

ReAct düşünme ve eylemi birleştirir. Model düşünür, bir adım yürütür, sonucu gözlemler, ardından bir sonraki adıma karar verir.

Düşün: Temel sorun ne?
Eylem: [İlk adımı yürüt]
Gözlemle: Sonuç ne?
Düşün: Çözüm işe yaradı mı yoksa ayarlama mı gerekiyor?

14. Kod ile Prompt Zincirleme (Prompt Chaining with Code)

Burada Python kullanarak birden fazla promptu otomatik olarak bağlarsınız -- her prompt, öncekinin çıktısını girdi olarak alır:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY")

def chain_prompts(initial_input: str) -> dict:
    """Prompt zinciri: analiz -> sınıflandır -> öner"""

    # Adım 1: Problemi analiz et
    analysis = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": "Aşağıdaki teknik sorunu analiz edin ve temel nedeni belirleyin. JSON olarak yanıtlayın: {cause, severity, affected_components}"
        }, {
            "role": "user",
            "content": initial_input
        }]
    ).choices[0].message.content

    # Adım 2: Analize dayalı çözümler üret
    solutions = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": "Bu analize dayanarak öncelik sırasına göre 3 çözüm önerin. JSON olarak yanıtlayın: [{solution, effort, impact}]"
        }, {
            "role": "user",
            "content": analysis
        }]
    ).choices[0].message.content

    return {"analysis": analysis, "solutions": solutions}

# Zinciri kullan
result = chain_prompts("Uygulama 1000'den fazla kayıt yüklerken donuyor")
print(result)

OpenAI geliştiricilerinin deneyimlerine göre, prompt zincirleri her şeyi yapmaya çalışan tek bir uzun prompta kıyasla %45 daha doğru sonuçlar üretir.

15. Otomatik Değerlendirme (Automated Evaluation)

İkinci bir modelden birincinin çıktılarını değerlendirmesini isteyin. Bu teknik, üretim ortamında tutarlı kaliteyi sağlamak için kullanılır:

def evaluate_output(output: str, criteria: list[str]) -> dict:
    """Model çıktısını belirli kriterlere göre değerlendir"""
    evaluation = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Aşağıdaki metni şu kriterlere göre değerlendirin: {criteria}
Her kriter için 1-10 arası puan verin ve kısa gerekçe yazın.
JSON olarak yanıtlayın: [{{criterion, score, reason}}]"""
        }, {
            "role": "user",
            "content": output
        }]
    ).choices[0].message.content
    return evaluation

# Makale değerlendirme
criteria = ["bilimsel doğruluk", "netlik", "kapsayıcılık", "yazım tarzı"]
score = evaluate_output(article_text, criteria)

Karşılaştırma: Aynı Prompt Farklı Modellerde

Aynı ileri düzey prompt farklı modellerde benzer sonuçlar verir mi? İşte karşılaştırma:

Sonuç: Her şeyde "en iyi" model yok -- görevinize göre seçin. Ayrıntılı karşılaştırma için GPT vs Claude vs Gemini: Kapsamlı Karşılaştırma yazısını okuyun.

Son Söz

Prompt mühendisliği artık opsiyonel bir beceri değil -- programlama veya proje yönetimi gibi temel bir profesyonel yetkinliktir. "Bana bir şeyler yap" yazan kişiyle özenle tasarlanmış bir prompt hazırlayan kişi arasındaki fark, Excel'de rakam toplayan kişiyle karmaşık finansal modeller kuran kişi arasındaki farkla aynıdır -- aynı araç, tamamen farklı getiri.

Birinci seviyeden iki-üç teknikle başlayın. Bunlarda ustalaşın. Ardından kademeli olarak ilerleyin. Problemleri formüle etme biçiminizin değiştiğini fark edeceksiniz -- ve bu, herhangi bir teknikten daha değerlidir.

Bu modellerin arkasındaki yapay zeka temellerini daha iyi anlamak için Yapay Zeka Temelleri Rehberimizi okuyun.