Prompt Engineering 8 Pattern: Araştırma, İş ve Kişisel Kullanım için

Prompt aslında bir spec yazımıdır

Çoğu insan ChatGPT'ye yazarken bir arkadaşa yazar gibi yazıyor. "Bana bir e-posta yaz" der, dönüş kısa, generic. Sonra "bu çok genel olmuş" diye düzeltmeye girer. Bu döngü saatler yer, çıktı tatmin etmez.

Doğru yaklaşım: prompt bir yazılım spec'i gibi düşünülür. Hangi görev, hangi formatta çıktı, hangi tonda, hangi sınırlar, hangi referanslar. Spec ne kadar net olursa, dönen çıktı o kadar kullanılabilir.

Bu yazıda sekiz pattern'i anlatıyorum. Her birinin hangi durumda en çok değer ürettiğine ve örnek prompt'una bakacağız. Patternler birbirini engellemiyor, üst üste yığıldıkça kalite katlanıyor.

Pattern 1: Role Assignment

Model'e ne rolde olduğunu söylüyoruz. "Sen X'sin, bana Y konusunda yardım et."

Neden işe yarıyor: Model rol bilgisini perspektif filtresi olarak kullanıyor. Aynı soruya "sen bir avukatsın" ile "sen bir gazetecisin" çok farklı cevap üretir.

Örnek prompt:

Sen 15 yıl deneyimli bir UX araştırmacısın. Yeni başlayan biri için
"kullanıcı görüşmesi nasıl planlanır" konusunda 5 adımlık pratik bir
yol haritası yaz. Akademik dil değil, hands-on dil kullan.

Yaygın hata: Çok genel rol ("sen bir uzman ol"). Spesifik rol daha iyi: "20 yıl deneyimli, B2B SaaS odaklı CRO uzmanı".

Pattern 2: Output Structuring

Çıktının formatını net belirlemek. Tablo, başlıklı liste, JSON, markdown, kod, belirli bir şablon.

Neden işe yarıyor: Model serbest formatta gevşek yazar. Format zorlanınca disiplin artar, ayrıştırılması da kolaylaşır.

Örnek prompt:

Aşağıdaki 5 fikri değerlendir. Çıktıyı şu Markdown tablosu olarak ver:
| Fikir | Pazar büyüklüğü (S/M/L) | Teknik zorluk (1-5) | Rekabet (Düşük/Orta/Yüksek) | Önerim (Devam/Bekle/At) | Sebep (1 cümle) |

Fikirler:
1. ...
2. ...

İleri seviye: JSON çıktısı istemek (sonra programatik işlemek için):

JSON formatında, şu schema ile cevap ver:
{
  "summary": "string",
  "key_points": ["string"],
  "risk_score": 1-10,
  "next_steps": [{"action": "string", "priority": "high|medium|low"}]
}

Pattern 3: Few-shot Examples

Modelden ne istediğini örnek vererek göstermek. Tek örnek, üç örnek, beş örnek.

Neden işe yarıyor: Modeller örnek üzerinden patterni çok hızlı öğreniyor. Soyut tarif yerine somut örnek vermek kalite ve tutarlılığı belirgin artırıyor.

Örnek prompt:

Sana ürün açıklaması veriyorum. Sen 30 kelimelik tweet-friendly özet
üretiyorsun. Aşağıdaki örnek stilde:

Örnek 1
Girdi: "Bu kulaklık aktif gürültü engelleme özelliği ile..."
Çıktı: "Trende uyumak isteyene: ANC çalışıyor, batarya 30 saat,
fiyat orta seviye. Audio nerd değilseniz harika."

Örnek 2
Girdi: "..."
Çıktı: "..."

Şimdi şunun için yaz:
Girdi: [yeni ürün açıklaması]

Kuvveti: Stil, ton, terminoloji, uzunluk, format hepsi örnek üzerinden iletilir. Soyut talimat ("eğlenceli ama bilgilendirici olsun") yetersizken, üç örnek netleştirir.

Pattern 4: Chain-of-Thought

Modelden cevap vermeden önce düşünmesini istemek. "Adım adım düşün", "önce planı yaz, sonra cevabı ver".

Neden işe yarıyor: Karmaşık akıl yürütme gerektiren görevlerde (matematik, çok adımlı analiz, mantık zinciri) doğruluk %20-40 artıyor. Modern modeller (GPT-4, Claude 3.5+, Gemini 1.5+) bu pattern'i içsel olarak da yapıyor ama açıkça istemek hâlâ kaliteyi yükseltiyor.

Örnek prompt:

Şu vaka çalışmasını analiz et. Önce şu adımları sırayla düşün:
1. Verilen bilgilerden hangi sayısal değerleri çıkarabilirsin?
2. Hangi varsayımları yapman gerekiyor? Bunları açıkça belirt.
3. Hangi hesaplama formülü uygun?
4. Hesaplamayı adım adım yap.
5. Sonucu klinik/iş açısından yorumla.

Sonra son cevabını net olarak yaz.

Vaka:
[case description]

Önemli: Modelin "düşünme" kısmı çıktıda görünmeli. Görünmüyorsa modelin gerçekten adım atladığı durum olabilir, kontrol kaybedersiniz.

Pattern 5: Decomposition

Büyük bir görevi alt parçalara bölmek ve sırayla istemek.

Neden işe yarıyor: Modeller tek bir prompt'ta çok şey istenince bir kısmını eksik bırakıyor. Bölünmüş prompt, her parçaya tam dikkat sağlıyor.

Örnek workflow:

Tek prompt yerine:

"Bana bir blog yazısı yaz, X konusunda, SEO uyumlu, 1500 kelime, başlığı çekici olsun, alt başlıkları H2, sonunda CTA olsun..."

Üç ayrı prompt:

1. "X konusunda hedef kitle Y için 5 başlık önerisi yaz, her birinin neden işe yarayacağını açıkla."
2. "Şu başlık [seçilen] için 7 H2 alt başlıklı bir outline çıkar. Her alt başlığın 1 cümle özetiyle."
3. "Outline'a göre yazıyı yaz. Her H2 altı 200-300 kelime. Sonunda 1 paragraf CTA."

Her adımda kontrolü elinizde tutuyorsunuz. İlk adımda başlık beğenmediyseniz revize ediyorsunuz, sonraki adımlar yanlış yola gitmiyor.

Pattern 6: Persona Refinement

Model'in sadece rolünü değil, perspektif derinliğini de tanımlamak.

Neden işe yarıyor: "Sen bir tasarımcısın" ile "sen 25 yaşındaki Berlin'de freelance çalışan, minimalist tasarım odaklı, kahve dükkanı tasarımı yapan bir görsel tasarımcısın" çok farklı çıktı verir. İkincisi karakter zenginliğiyle daha yaratıcı ve spesifik içerik üretir.

Örnek prompt:

Sen 22 yaşında, üniversitede sosyoloji okuyan, sosyal medyaya doymuş,
artık daha derin içerik arayan bir Z kuşağı tüketicisisin. Aşağıdaki
podcast'i dinlemen söylendi. Açık fikirli ama sıkılırsan dürüstçe
söylüyorsun. 5 dakika sonra neyi düşünürsün?

Podcast tanıtımı: [içerik]

Kullanım alanları:

• Pazarlama mesaj testleri
• Kullanıcı persona ile içerik validasyonu
• Akademik tartışmada karşı perspektif üretimi
• Senaryo/diyalog yazımı

Pattern 7: Constraint Setting

Sınırları net çizmek. Yapma listesi, kelime sayısı, dil seviyesi, sayısal sınırlar.

Neden işe yarıyor: Model varsayılan olarak verbose ve genel yazar. Constraint baskısı altında daha az ama daha öz çıktı verir.

Örnek prompt:

Şunu özetle:
- Maksimum 60 kelime
- Teknik jargon kullanma (üniversite mezunu ama bu alanda uzman olmayan biri için)
- Pasif çatı kullanma
- "Önemli olan", "dikkat çekici", "ilginç bir şekilde" gibi içi boş dolgu kullanma
- Sayısal değer varsa mutlaka belirt

İleri seviye birleşik constraint:

Hard rules:
- Cevap sadece JSON formatında
- 5'ten fazla anahtar olmayacak
- Her değer string ya da array

Style rules:
- Türkçe yaz
- Em-dash kullanma, virgül veya nokta tercih et
- Yabancı kelime varsa Türkçe karşılığını parantez içinde ver

Pattern 8: Iterative Refinement

İlk çıktıyı kabul etmemek, geri bildirimle iyileştirmek.

Neden işe yarıyor: İlk çıktı genelde %60'lık bir taslak. İyileştirmek 2-3 turla %90'a çıkıyor. Ama refinement de prompt becerisidir.

Örnek refinement turu:

1. İlk prompt: "Bana ürün lansmanı için duyuru e-postası yaz."
2. İlk çıktı: Generic, tipik AI dili.
3. Refine 1: "Şu kısımları sevdim: [X]. Şunları değiştir: ton daha samimi, ben perspektifinden değil, sen perspektifinden konuş. Şu cümleyi at: 'Önemli olan şudur ki...' Bu tipik AI giriş."
4. İkinci çıktı: Daha iyi ama hâlâ uzun.
5. Refine 2: "Sen tonu yakaladın. Şimdi %30 kısalt. Açılış cümlesi okur sokağı bağlamalı, ikinci cümle direkt değer önerisi vermeli."
6. Üçüncü çıktı: Kullanılabilir.

İleri seviye self-critique:

Şimdi sen kendi yazdığın metni sıkı bir editör gözüyle eleştir.
Hangi 3 zayıflığı görüyorsun? Her birini nasıl düzeltirsin?
Sonra düzeltilmiş versiyonu yaz.

Bu pattern özellikle yaratıcı yazı, manuscript draft, e-posta gibi tek seferde olmayan görevlerde çok değerli.

Patternleri birleştirmek

Tek pattern güzel, birleştirilmiş pattern üstün. Tipik bir yüksek-kalite prompt'ta dört-beş pattern bir arada olur:

[ROLE] Sen 10 yıl deneyimli bir teknik içerik editörüsün, B2B
SaaS odaklı.

[CONSTRAINT] Aşağıdaki yazıyı revize edeceksin:
- Maksimum 800 kelime (şu an 1400)
- Pasif çatı kullanma
- Her paragraf en fazla 3 cümle
- Em-dash yok

[CHAIN-OF-THOUGHT] Önce yazıyı oku ve şu soruları cevapla:
1. Ana argüman ne?
2. Hangi paragraflar gereksiz?
3. Hangi cümleler tekrar?
4. En zayıf 3 cümle hangileri?

[OUTPUT STRUCTURING] Sonra şu yapıda dön:
## Analiz
[soruların cevabı]

## Revize edilmiş metin
[800 kelimelik versiyon]

## Editör notu
[3 cümle: ne yaptın, neyi feda ettin]

[FEW-SHOT] Stil için referans: aşağıdaki paragraf benim sevdiğim ton.
[örnek paragraf]

Şimdi başla.

Bu tarz 5-pattern'li prompt, tek seferde kullanılabilir çıktı dönüş oranını %30'dan %80'lere çıkartır.

Pratik öneriler

Prompt kütüphanesi tut. Sık kullandığın görevler için 5-10 iyi prompt yazıp Notion veya text dosyasında sakla. Tekrar yazma, kopyala-yapıştır.

Model farkını gözle. Aynı prompt'u Claude, GPT-4, Gemini'ye ver, farkı gör. Her modelin "tonu" var. Yaratıcı işte Claude, kod ve mantık zincirinde GPT-4, uzun döküman analizinde Gemini güçlü.

Prompt'un kendisini AI'ya yazdırma tuzağına düşme. "Bana iyi bir prompt yaz" diye sorunca AI uzun, jenerik bir şablon üretir. Asıl prompt becerisi senin probleme özgü detayları yakalayıp ekleyebilmen.

Sınırlarını öğren. Modeller halüsinasyon yapar. Olmayan referans, yanlış tarih, yanlış sayı üretir. Her çıktıyı doğrulanması gereken bir draft olarak ele al, gerçek olarak değil.

Sekiz pattern'in disiplinli kullanımı, AI'dan aldığın değeri 5-10 kat artırır. Bir günlük öğrenme süreci, yıllarca tasarruf getirir.