One-shot Prompting / Tek Örnekli İstem Verme

Tek Örnekli İstem Verme, üretken yapay zekâ modellerine istenen görevin nasıl yerine getirileceğini göstermek amacıyla yalnızca bir örnek sunulan istem oluşturma tekniğidir. Bu yöntemde kullanıcı, görev tanımına ek olarak modele tek bir giriş-çıkış örneği verir. Model, bu örneği referans alarak benzer yapıda yeni çıktılar üretir. One-shot Prompting, Zero-shot Prompting ile Few-shot Prompting arasında yer alan bir yaklaşımdır. Zero-shot yönteminde hiç örnek verilmezken, One-shot Prompting’de tek bir örnek, Few-shot Prompting’de ise birden fazla örnek kullanılır. Özellikle çıktı biçiminin veya yazım tarzının önemli olduğu görevlerde One-shot Prompting, modelin beklentiyi daha doğru anlamasına yardımcı olur.

Bu teknikte verilen örnek, model için bir şablon görevi görür. Örneğin kullanıcı şu şekilde bir istem hazırlayabilir:

Örnek:
“Girdi: ‘Yapay zekâ eğitimde kullanılmaktadır.’
Çıktı: ‘Artificial intelligence is used in education.’

Şimdi aşağıdaki cümleyi aynı şekilde çevir:
‘Makine öğrenmesi sağlık alanında yaygın olarak kullanılmaktadır.'”

Bu örnekte model, verilen tek çeviri örneğini referans alarak ikinci cümleyi aynı formatta çevirmektedir. Benzer şekilde metin özetleme, duygu analizi, sınıflandırma, kod üretimi, tablo oluşturma veya belirli bir yazım stilinin taklit edilmesi gibi görevlerde de tek bir örnek, modelin beklenen çıktı yapısını anlaması için yeterli olabilmektedir. Böylece kullanıcı, uzun açıklamalar yapmak yerine örnek üzerinden istediği biçimi doğrudan gösterebilir.

One-shot Prompting; akademik yazım, içerik üretimi, müşteri hizmetleri, yazılım geliştirme, veri analizi ve doğal dil işleme uygulamalarında yaygın olarak kullanılmaktadır. Bu yöntemin en önemli avantajı, tek bir örnekle modelin görev biçimini daha doğru kavramasını sağlamasıdır. Özellikle belirli bir formatın korunması gereken görevlerde, Zero-shot Prompting’e göre daha tutarlı sonuçlar elde edilebilir. Bununla birlikte yalnızca tek örnek kullanılması, örneğin yetersiz veya temsil gücünün düşük olduğu durumlarda modelin hatalı genellemeler yapmasına neden olabilir. Bu nedenle daha karmaşık veya çok çeşitli çıktıların beklendiği görevlerde Few-shot Prompting yaklaşımı daha başarılı sonuçlar verebilmektedir.

Günümüzde One-shot Prompting, ChatGPT, GPT-5, Gemini, Claude, Llama ve DeepSeek gibi büyük dil modelleriyle çalışırken en sık kullanılan yönlendirme tekniklerinden biridir. Kullanıcıların yalnızca tek bir örnek vererek modele hem görevin amacını hem de beklenen çıktı biçimini göstermesine olanak tanıması, bu yöntemi özellikle profesyonel içerik üretimi ve kurumsal yapay zekâ uygulamalarında etkili ve pratik bir Prompt Engineering tekniği hâline getirmektedir.