🌍 Gerçek Dünyaorta⏱ 12 dk

Prompt Mühendisliği

LLM'lerden kaliteli çıktı almanın sanatı

🎯

30 saniyede özet · Ne öğreneceksin

→System prompt'un dört bileşenini tanımlamak (rol, ton, kısıt, format)
→Few-shot ve chain-of-thought tekniklerini ayırt etmek
→Token sayımı ile maliyeti tahmin etmek

⏱ 12 dk okuma·orta·🧪 interaktif sandbox

Bir LLM'in ne kadar iyi cevap vereceği büyük ölçüde prompt'una bağlıdır. Aynı model, kötü bir prompt ile karman çorman; iyi bir prompt ile şaşırtıcı kalitede cevap üretir. Prompt mühendisliği, modelin gizli yeteneklerini açığa çıkarma sanatıdır — kod yazmadan, parametre değiştirmeden, sadece doğru soruyu doğru şekilde sorarak.

🧑‍🍳Bir Şefe Sipariş Vermek

Bir LLM'e prompt vermek, üst düzey bir restoran şefine sipariş vermek gibidir. "Bana yemek getir" dersen ne aldığını bilemezsin. "Akdeniz mutfağından, baharatı orta seviyeli, mercimek yemeği — yanına bulgur pilavı" dersen tam istediğini alırsın. Şef yeteneklidir; eksik olan senin tarifindir.

System prompt, modeli bir karaktere/role yerleştiren ilk talimattır. Kullanıcı mesajından …

Modele birkaç girdi-çıktı örneği gösterdiğinde, modeli o pattern'i taklit etmeye yönlendir…

LLM'ler, adım adım düşünmeleri istendiğinde matematik ve mantık problemlerinde belirgin bi…

Zero-shot prompt

·Sadece talimat verirsin: "Bu yorumu pozitif/negatif sınıflandır."
·Token kullanımı minimum
·Basit görevlerde yeterli
·Karmaşık formatlarda tutarsız

Few-shot + CoT prompt

·3-5 örnek + "adım adım düşün" eklersin
·Token kullanımı 3-10x artar
·Karmaşık görevlerde 20-50% daha doğru
·Tutarlı format çıktısı

tokens ≈ chars / divisor (TR: divisor=3, EN: divisor=4)

Token sayısı için pratik bir yaklaşım: İngilizce metin yaklaşık 4 karakterde 1 token, Türkçe metin (daha çok ek aldığı için) yaklaşık 3 karakterde 1 token. Gerçek tokenizer (tiktoken, cl100k_base) bu sayıyı %20 sapma ile doğrular. Maliyet hesabı için bu yaklaşım yeterlidir.

Formül → Kod Karşılığı

chars→len(text)metnin karakter sayısı

divisor→3 if tr else 4dil bazlı bölücü

tokens→len(text) // 3tahmini token sayısı

Anthropic Messages API: system + few-shot + user mesajı

Python

1	from anthropic import Anthropic
2
3	# ÖNEMLİ: Kendi makinende kendi API key'inle çalıştır.
4	# LearNN hiçbir zaman key tutmaz, çağrı yapmaz.
5	client = Anthropic() # ANTHROPIC_API_KEY ortam değişkeninden okur
6
7	response = client.messages.create(
8	model="claude-sonnet-4-6-20260101",
9	max_tokens=512,
10	system=(
11	"Sen yardımsever bir Türkçe asistansın. "
12	"Cevapları kısa ve anlaşılır tut, gerektiğinde madde işareti kullan."
13	),
14	messages=[
15	# Few-shot örnekler
16	{"role": "user", "content": "Merhaba"},
17	{"role": "assistant", "content": "Merhaba! Size nasıl yardımcı olabilirim?"},
18	{"role": "user", "content": "Sipariş vermek istiyorum"},
19	{"role": "assistant", "content": "Tabii, hangi ürünü almak istersiniz?"},
20	# Gerçek kullanıcı sorusu
21	{"role": "user", "content": "İptal etmek istiyorum"},
22	],
23	)
24
25	print(response.content[0].text)
26

✦ Quiz

Bir LLM'e karmaşık bir matematik problemi soruyorsun. Hangi prompt tekniği accuracy'i en çok artırır?

💡Spesifiklik 10x kalite artırır. "Bana bir Python fonksiyonu yaz" yerine "Bana bir Python fonksiyonu yaz: int liste alır, en büyük 3 elemanı sıralı döndürür, boş liste için ValueError fırlatır, tip ipuçları olsun, docstring yaz." Aynı model, ikinci promptta neredeyse production'a hazır kod verir.

Bu konunun pratiği

🧪

Bu konuyu interaktif dene

Az önce okuduğun kavramın parametrelerini değiştir, etkisini canlı gör

Aç →