Self Prompt – (Kendi Kendine İstem Oluşturma)

Öz-İstem / Kendi Kendine İstem Oluşturma, üretken yapay zekâ modelinin yalnızca kullanıcı tarafından verilen başlangıç istemini takip etmekle kalmayıp, görevi gerçekleştirmek için ihtiyaç duyduğu ara talimatları, alt görevleri veya sonraki istemleri kendisinin oluşturduğu bir Prompt Engineering yaklaşımıdır. Bu yöntemde kullanıcı genel amacı tanımlar; model ise bu amaca ulaşmak için hangi soruların sorulması, hangi alt görevlerin tamamlanması veya hangi bilgilerin değerlendirilmesi gerektiğini belirleyerek süreci kendi ürettiği istemlerle ilerletebilir.

Self Prompting’in temel mantığı şu şekilde gösterilebilir:

Kullanıcı İstemi → Görevin Analizi → Modelin Alt İstemler Oluşturması → Alt Görevlerin Yürütülmesi → Sonuçların Birleştirilmesi → Nihai Çıktı

Örneğin kullanıcı: “Elektronik ticarette yapay zekâ üzerine bir araştırma konusu geliştir.” şeklinde genel bir talimat verebilir.

Klasik prompting yaklaşımında model doğrudan birkaç araştırma konusu önerebilir. Self Prompting yaklaşımında ise model önce kendi çalışma sürecini yapılandırabilir. Örneğin görevi gerçekleştirmek için şu tür alt soruları belirleyebilir:

Alt İstem 1: Elektronik ticarette yapay zekânın temel kullanım alanlarını belirle.

Alt İstem 2: Bu alanlarda son dönemde öne çıkan araştırma problemlerini sınıflandır.

Alt İstem 3: Tüketici davranışları açısından araştırılabilecek değişkenleri belirle.

Alt İstem 4: Değişkenler arasında teorik olarak savunulabilir ilişkileri değerlendir.

Alt İstem 5: Özgünlük potansiyeli yüksek araştırma modellerini karşılaştır.

Alt İstem 6: En uygun araştırma konusunu ve gerekçesini oluştur.

Buradaki önemli nokta, kullanıcının bu alt görevlerin tamamını tek tek belirtmek zorunda olmamasıdır. Model, başlangıçtaki genel amacı analiz ederek görevin tamamlanması için gerekli ara görevleri kendisi oluşturur.

Self Prompting Nasıl Çalışır?

Self Prompting’de ilk aşama hedefin belirlenmesidir. Model, kullanıcının nihai olarak ne elde etmek istediğini değerlendirir.

İkinci aşamada model, ana görevi daha küçük problemlere ayırabilir:

Ana görev: Yeni bir araştırma modeli geliştir.

↓

Alt görev 1: Araştırma alanını tanımla.
Alt görev 2: Temel değişkenleri belirle.
Alt görev 3: İlgili teorileri değerlendir.
Alt görev 4: Olası ilişkileri oluştur.
Alt görev 5: Alternatif modelleri karşılaştır.
Alt görev 6: En savunulabilir modeli oluştur.

Model daha sonra bu alt görevleri gerçekleştirmek için kendi ara talimatlarını kullanabilir ve elde ettiği sonuçları nihai cevapta birleştirebilir.

Self Prompting ve Kullanıcının Prompt Yazması Arasındaki Fark

Geleneksel Prompt Engineering’de istemin ayrıntılarının büyük kısmını kullanıcı oluşturur.

Örneğin: “Önce literatürü incele. Sonra temel kavramları belirle. Daha sonra araştırma boşluklarını çıkar. Ardından araştırma soruları geliştir.” Burada çalışma planını kullanıcı belirlemiştir.

Self Prompting yaklaşımında ise kullanıcı yalnızca: “Bu alanda özgün bir araştırma sorusu geliştirmek için gerekli aşamaları belirle ve çalışmayı buna göre yürüt.” diyebilir. Bu durumda hangi ara görevlerin gerekli olduğunu belirleme sorumluluğunun bir kısmı modele bırakılmaktadır.

Self Prompting ve Meta Prompting Arasındaki Fark

Self Prompting, Meta Prompting ile yakından ilişkilidir ancak kavramsal olarak ayrılabilir. Meta Prompting, modele doğrudan bir görevi yaptırmaktan ziyade bir prompt üretme, değerlendirme veya iyileştirme görevi verilmesine odaklanır.

Örneğin: “Bir akademik makaleyi hakem gibi değerlendirecek güçlü bir prompt oluştur.” Bu bir Meta Prompt örneğidir.

Self Prompting ise modelin ana görevi yerine getirirken kendi ihtiyaç duyduğu alt istemleri veya ara görevleri üretmesine odaklanır.

Örneğin: “Bu makaleyi değerlendir. Değerlendirmeyi doğru biçimde tamamlamak için gerekli alt analizleri kendin belirle ve ardından nihai hakem raporunu oluştur.” Burada model kendi çalışma sürecini yapılandırmaktadır.

Self Prompting ve Multi-step Prompt Arasındaki Fark

Multi-step Prompting’de adımlar çoğunlukla kullanıcı tarafından önceden tanımlanır:

Adım 1: Problemi tanımla.
Adım 2: Literatürü incele.
Adım 3: Alternatifleri karşılaştır.
Adım 4: Sonucu oluştur.

Self Prompting’de ise kullanıcı: “Bu problemi çözmek için gerekli adımları kendin belirle ve uygulayarak sonuca ulaş.” diyebilir. Dolayısıyla temel fark adımları kimin belirlediğidir.

Multi-step Prompt: Adımlar → çoğunlukla kullanıcı tarafından tanımlanır.

Self Prompt: Adımlar/ara istemler → model tarafından oluşturulabilir.

Bu nedenle Self Prompting, Multi-step Prompting’in daha otonom bir biçimiyle birlikte kullanılabilir.

Self Prompting ve Prompt Chaining

Prompt Chaining’de birden fazla prompt birbirine bağlanır ve önceki promptun çıktısı sonraki promptun girdisi hâline gelir:

Prompt 1 → Çıktı 1 → Prompt 2 → Çıktı 2 → Prompt 3

Self Prompting’de ise bu zincirde kullanılacak sonraki istemin içeriği model tarafından belirlenebilir:

Başlangıç Promptu → Model ara istem oluşturur → Sonucu değerlendirir → Yeni istem oluşturur → Nihai sonuca ulaşır

Bu özellik Self Prompting’i daha dinamik hâle getirir.

Self Prompting ve Recursive Prompt Arasındaki Fark

Recursive Prompting, bir çıktının tekrar modele verilerek yeniden değerlendirilmesi veya geliştirilmesi mantığına dayanır.

Örneğin: “Bu metni yaz → Eleştir → Eleştiriye göre yeniden yaz → Tekrar kontrol et.”

Self Prompting’de ise modelin yalnızca önceki çıktıyı geliştirmesi gerekmez. Model, hangi yeni görevin veya istemin gerekli olduğunu da kendisi belirleyebilir.

Bu nedenle Recursive Prompting daha çok yinelemeye, Self Prompting ise istem veya görev üretme özerkliğine vurgu yapar.

AI Agent Sistemlerinde Self Prompting

Self Prompting’in önemli kullanım alanlarından biri AI Agent sistemleridir. Bir yapay zekâ ajanına genel bir hedef verildiğinde ajan bu hedefi gerçekleştirmek için kendi alt görevlerini oluşturabilir.

Örneğin: “Son beş yıldaki üretken yapay zekâ ve tüketici davranışları literatürünü inceleyerek yeni bir araştırma konusu belirle.”

Bir araştırma ajanı bu hedefi aldıktan sonra şu işlemleri planlayabilir:

1. Anahtar kavramları belirle.
2. Arama sorguları oluştur.
3. İlgili literatürü bul.
4. Çalışmaları sınıflandır.
5. Tekrarlanan araştırma konularını belirle.
6. Yeterince çalışılmamış ilişkileri tespit et.
7. Alternatif araştırma modelleri geliştir.
8. En güçlü modeli seç.
9. Nihai araştırma önerisini hazırla.

Bu görevlerin tamamının kullanıcı tarafından tek tek belirtilmesine gerek kalmaz. Sistem hedefe ulaşmak için gerekli iş akışını kendisi oluşturabilir.

Self Prompting’in Avantajları

Self Prompting’in en önemli avantajı kullanıcının ayrıntılı prompt hazırlama yükünü azaltabilmesidir. Kullanıcı her görevin bütün ara aşamalarını bilmek zorunda kalmadan genel amacı tanımlayabilir. İkinci avantaj, karmaşık problemlerin otomatik olarak alt görevlere ayrılabilmesidir. Özellikle görevin başlangıcında hangi adımların gerekli olduğu açık değilse model uygun bir çalışma planı oluşturabilir. Üçüncü avantaj esnekliktir. Sistem, görev sırasında ortaya çıkan yeni bilgilere göre yeni alt görevler oluşturabilir. Dördüncü avantaj ise AI Agent sistemlerinde daha yüksek operasyonel özerklik sağlamasıdır. Ajan yalnızca verilen komutları yerine getirmek yerine hedefe ulaşmak için hangi işlemlerin gerekli olduğunu da belirleyebilir.

Sınırlılıkları

Self Prompting’in temel riski, modelin kendi oluşturduğu alt görevlerin yanlış veya eksik olabilmesidir. Başlangıçta yanlış bir problem ayrıştırması yapılırsa sonraki işlemler de yanlış yönde ilerleyebilir. Ayrıca model gereksiz alt görevler oluşturarak süreci uzatabilir. Bu nedenle kritik uygulamalarda kullanıcının veya başka bir doğrulama mekanizmasının süreci denetlemesi önemlidir. Özellikle akademik araştırmalarda modelin kendi oluşturduğu araştırma planının bilimsel olarak doğru olduğu varsayılmamalıdır. Kullanılan teori, yöntem, kaynak ve istatistiksel yaklaşım bağımsız olarak doğrulanmalıdır.

Self Prompt İçin Basit Bir Örnek: “Aşağıdaki araştırma problemini çözmek için gerekli alt görevleri kendin belirle. Her alt görevin amacını tanımla, gerekli analizleri gerçekleştir ve elde edilen sonuçları birleştirerek nihai değerlendirmeyi oluştur. Eksik bilgi nedeniyle güvenilir biçimde tamamlanamayacak bir aşama varsa bunu belirt ve gerekli bilgiyi iste.” Bu tür bir istem, modele yalnızca görevi gerçekleştirme değil, görevin nasıl gerçekleştirileceğini yapılandırma sorumluluğu da vermektedir.

Self Prompting’in Temel Mantığı

En basit ifadeyle fark şu şekilde özetlenebilir:

Normal Prompting: İnsan: “Ne yapacağını ve nasıl yapacağını söylüyorum.”

Self Prompting: İnsan: “Hedefi söylüyorum; hedefe ulaşmak için gerekli alt görevleri sen belirle.”

Bu özellik nedeniyle Self Prompting, özellikle daha otonom yapay zekâ sistemleri açısından önem taşımaktadır.

Sonuç olarak Self Prompt, yapay zekâ modelinin kendisine verilen genel hedef doğrultusunda kendi ara istemlerini, alt görevlerini veya çalışma adımlarını oluşturmasına ve bunları kullanarak nihai sonuca ilerlemesine dayanan bir istem yaklaşımıdır. Multi-step Prompting, Prompt Chaining, Recursive Prompting, Dynamic Prompting ve özellikle AI Agent mimarileriyle birlikte kullanıldığında karmaşık görevlerin daha otonom biçimde yürütülmesine katkı sağlayabilir.

Not: Self Prompting terimi Prompt Engineering literatüründe tek ve evrensel biçimde standartlaştırılmış bir kategori değildir. Self-prompting, self-generated prompts, self-instruct, automatic prompt generation ve ajanların task decomposition yaklaşımları birbirleriyle ilişkili olmakla birlikte teknik olarak aynı yöntemi ifade etmeyebilir. Bu nedenle akademik bir sınıflandırmada bu kavramların eş anlamlı olarak kullanılmaması ve hangi mekanizmanın kastedildiğinin açıkça belirtilmesi gerekir.