Prompt – (İstem)

Prompt (İstem), üretken yapay zekâ sistemlerine belirli bir görevi yerine getirmesi için verilen metin, komut, soru veya talimattır. Başka bir ifadeyle prompt, kullanıcı ile yapay zekâ modeli arasındaki iletişimi başlatan girdidir. Büyük dil modelleri (Large Language Models – LLM’ler), kullanıcıdan gelen promptu analiz ederek buna uygun bir yanıt üretir. ChatGPT, Gemini, Claude ve Llama gibi modern yapay zekâ sistemlerinin performansı büyük ölçüde verilen promptun kalitesine bağlıdır. Başka bir ifadeyle prompt, yapay zeka modellerine (ChatGPT, Gemini, Midjourney vb.) ne yapması gerektiğini söyleyen, onlara girdiğiniz yönerge, talimat veya sorulardır. Bu nedenle yapay zekanın size vereceği cevabın kalitesi, doğruluğu ve üslubu tamamen yazdığınız promptun kalitesine bağlıdır. Bu yüzden yapay zeka dünyasında “ne kadar iyi soru sorarsanız, o kadar iyi cevap alırsınız” kuralı geçerlidir.

Prompt yalnızca bir soru olmak zorunda değildir. Bir açıklama, senaryo, görev tanımı, örnek metin veya ayrıntılı talimat da prompt olarak kullanılabilir. Model, prompt içerisinde verilen bağlamı, hedefi, kısıtlamaları ve biçimsel istekleri dikkate alarak çıktı oluşturur. Bu nedenle aynı model, farklı promptlarla tamamen farklı sonuçlar üretebilir. Örneğin aşağıdaki istemler incelendiğinde aralarındaki ayrıntı düzeyinin yanıt kalitesini nasıl etkilediği görülebilir:

• Basit Prompt: “Yapay zekâyı açıkla.”
• Ayrıntılı Prompt: “Yapay zekâyı lisans düzeyindeki öğrenciler için, akademik bir dille, yaklaşık 500 kelime olacak şekilde açıkla. Tarihçesi, kullanım alanları, avantajları ve dezavantajlarına değin. APA 7 formatında kaynakça ekle.”

Prompt kavramını daha iyi anlamak için şu detaylara göz atabilirsiniz:

1. Basit ve Gelişmiş Prompt Arasındaki Fark

• Basit Prompt: “Bana bir makale yaz.” (Yapay zeka ne hakkında, hangi dilde veya ne uzunlukta yazacağını tam bilemez, ortalama bir sonuç verir.)
• Gelişmiş Prompt: “Bir dijital pazarlama uzmanı gibi davran. Yeni başlayanlar için SEO’nun önemini anlatan, samimi bir dille yazılmış, 300 kelimelik ve alt başlıklar içeren bir blog yazısı hazırla.” (Yapay zeka tam olarak istediğiniz odaklanmış sonucu verir.)

2. İyi Bir Promptun Temel Bileşenleri

Etkili bir prompt yazarken (buna Prompt Engineering / Prompt Mühendisliği denir) genellikle şu unsurlar kullanılır:

• Rol/Persona: Yapay zekaya bir kimlik vermek (Örn: “Bir editör gibi…”, “Bir kıdemli yazılımcı gibi…”)
• Görev: Yapay zekanın ne yapacağını net belirtmek (Örn: “Özetle”, “Kodla”, “Haber metni yaz”)
• Bağlam/İçerik: Konunun arka planını anlatmak (Örn: “Hedef kitlemiz üniversite öğrencileri…”)
• Kısıtlamalar: Sınırları çizmek (Örn: “En fazla 3 paragraflardan oluşsun”, “Teknik terim kullanma”)

3. Nerelerde Kullanılır?

• Metin Tabanlı (LLM): ChatGPT veya Gemini gibi modellere makale yazdırmak, kod yazdırmak, veri analizi yaptırmak veya bir metni özetletmek için.
• Görsel Tabanlı: Midjourney, DALL-E veya Stable Diffusion gibi modellere hayalinizdeki resmi çizdirmek için (Örn: “Siberpunk tarzında, yağmurlu bir sokakta yürüyen robot, 8k çözünürlük”).

Etkili bir prompt genellikle şu bileşenlerden oluşur:

• Görev: Modelden ne yapılmasının istendiği.
• Bağlam: Konuya ilişkin gerekli arka plan bilgisi.
• Rol: Modelin hangi uzman kimliğiyle cevap vermesi gerektiği (örneğin akademisyen, yazılım geliştirici veya pazarlama uzmanı).
• Kısıtlamalar: Uzunluk, dil, biçim veya kullanılacak kaynaklar gibi sınırlamalar.
• Çıktı Formatı: Tablo, madde işaretleri, rapor, kod veya makale gibi beklenen sunum biçimi.

Promptların hazırlanma biçimi, yapay zekâdan alınan sonuçların doğruluğunu ve kalitesini önemli ölçüde etkilediğinden bu alanda Prompt Engineering (İstem Mühendisliği) adı verilen yeni bir uzmanlık alanı ortaya çıkmıştır. Prompt Engineering, modellerden en doğru ve en faydalı çıktıları elde etmek amacıyla etkili istemler tasarlama sürecidir.

Modern yapay zekâ sistemlerinde farklı prompt türleri kullanılmaktadır:

• Zero-shot Prompting: Modele örnek verilmeden doğrudan görev tanımlanır.
• One-shot Prompting: Görevden önce tek bir örnek sunulur.
• Few-shot Prompting: Modele birkaç örnek gösterildikten sonra yeni görevi yerine getirmesi istenir.
• Chain-of-Thought Prompting: Modelin cevaba ulaşırken adım adım düşünmesi teşvik edilir.
• Role Prompting: Modele belirli bir uzman veya meslek rolü verilerek cevap üretmesi sağlanır.

İyi hazırlanmış bir prompt, yalnızca yanıtın doğruluğunu artırmakla kalmaz; aynı zamanda halüsinasyon (hallucination) riskini azaltabilir ve modelin daha tutarlı sonuçlar üretmesine yardımcı olabilir. Özellikle akademik çalışmalarda, “Kaynak göster”, “APA 7 biçiminde yaz”, “Emin değilsen belirt” veya “Yalnızca doğrulanabilir bilgiler kullan” gibi açık yönergeler daha güvenilir çıktılar elde edilmesini sağlar.

Avantajları

• Yapay zekâdan alınan çıktıların kalitesini artırır.
• Kullanıcının ihtiyacına uygun özelleştirilmiş sonuçlar sağlar.
• Aynı modelin farklı görevleri yerine getirmesine olanak tanır.
• Halüsinasyon riskini azaltmaya yardımcı olabilir.
• Üretken yapay zekâ uygulamalarının verimliliğini artırır.

Dezavantajları

• Belirsiz veya eksik promptlar düşük kaliteli çıktılara neden olabilir.
• Yanlış yönlendirilmiş istemler hatalı sonuçlar üretebilir.
• Karmaşık görevlerde etkili prompt hazırlamak deneyim gerektirir.
• Aynı prompt farklı modellerde farklı sonuçlar verebilir.

Özet

Prompt, üretken yapay zekâ sistemlerine verilen komut, soru veya talimattır. Büyük dil modelleri, kullanıcıdan gelen promptu analiz ederek buna uygun yanıtlar üretir. Promptun açıklığı, ayrıntı düzeyi ve yapısı; modelin doğruluğunu, tutarlılığını ve ürettiği içeriğin kalitesini doğrudan etkiler. Bu nedenle etkili prompt hazırlama, günümüzde üretken yapay zekâ kullanımının en önemli becerilerinden biri hâline gelmiştir.

İlgili Kavramlar: Prompt Engineering, Zero-shot Prompting, One-shot Prompting, Few-shot Prompting, Chain-of-Thought Prompting, Role Prompting, Token, Temperature, Top-p, Top-k, Large Language Model (LLM)

Kaynakça

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys, 55(9), 1–35.

Jurafsky, D., & Martin, J. H. (2025). Speech and Language Processing (3rd ed., draft). Pearson.

Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35, 24824–24837.