Yapay zekâ araçları artık her yerde. Bir e-posta yazdırmak, fikir üretmek, kod yazmak, hatta sadece bir konuyu anlamak için bile açıyoruz. Ancak bu kolaylıklar için kullansak da hepimiz aynı hayal kırıklığını yaşadık. Soruyu sorduğumuzda alakasız cevaplar aldık. “Hani yapay zeka insanın yerini alacaktı, daha basit bir komutu yerine getirirken bile zorlanıyor.” dediğini duyar gibiyim.
Aslında cevap, yapay zekânın ne olduğunu yanlış anlamakta yatıyor.
Çoğumuz bu sistemleri gerçekten “anlayan” bir varlık gibi hayal ederiz. Oysa bir Large Language Model’in yaptığı iş aslında çok daha mekaniktir: Verilen bir metne bakıp en olası devamını tahmin etmek. Telefon klavyesinin “Bugün hava…” yazdıktan sonra “güzel” önermesini düşünün; ama bunu milyarlarca cümleyle eğitilmiş, astronomik boyutlarda bir sistemle. Yani gerçekte model seni anlamaz, sadece seni tahmin eder. Bu fark her şeyi değiştirir.
Bu yüzden prompt’un nasıl göründüğü, ne söylediğinden bile daha önemli olabilir.
Bunun altında ilginç bir teknik gerçek yatar: Model, senin yazdığın metni bütüncül bir anlam olarak değil, küçük parçalar hâlinde işler. Örnek verecek olursak: “Unbelievable” kelimesi modelin gözünde “un”, “believ” ve “able” olmak üzere üç ayrı parçadır. Bu sürece “Tokenization” denir. Aynı fikri ifade etsen bile kelime seçimin modelin çıktısını değiştirir. İki farklı cümle, model için iki farklı dünya demektir.
Bir de şunu eklemek gerekir ki bazen aynı komutu yazıp farklı cevaplar alırsın, bunu mutlaka deneyimlemişsindir. Bu bir hata değil, tasarımın getirdiği bir özelliktir. “Temperature Sampling” adı verilen mekanizma, modelin tahmin yaparken ne kadar ‘risk alacağını’ belirler. Düşük ayarda model daha temkinli ve tutarlı davranır. Yüksek ayarda ise daha yaratıcı ama bir o kadar da öngörülemez olur. Yani bazen sorun prompt’ta değil, modelin o anki “cesaretindedir”.
Peki iyi bir prompt nasıl çalışır? Genellikle üç katmandan oluşur.
Birincisi rol tanımıdır: “Bir UX tasarımcısı gibi düşün” demek, modeli milyarlarca örnek arasından belirli bir kümeye yönlendirir; tıpkı bir aktöre sahneye çıkmadan önce karakter vermek gibi.
İkincisi görev tanımıdır: Ne istediğini ne kadar net söylersen, belirsizlik o kadar azalır; model o kadar az “tahmin” yapmak zorunda kalır.
Üçüncüsü ve çoğu zaman en göz ardı edilen kısım ise çıktı formatıdır. “Maddeler hâlinde yaz” demek sadece şekli değil, içeriği de dönüştürür; çünkü model neyi söyleyeceği kadar, nasıl söyleyeceğini de taklit eder.
Modele örnek vermek de bu yüzden bu kadar güçlüdür. Sadece “bunu çevir” demek yerine birkaç örnek eklemek, modele komutu değil, örüntüyü öğretir. Few-Shot Learning denen bu yaklaşım, LLM’lerin özünü gözler önüne serer. Bu sistemler birer anlama motoru değil, birer örüntü tamamlama makinesidir.
Ve bu makineler oldukça öngörülebilir biçimlerde hata yapar. Belirsiz bir komut, modeli olasılıklar arasında rastgele gezinmeye iter. Fazla bilgi, dikkat mekanizmasını dağıtır; model neyin önemli olduğunu seçemez. Format yoksa çıktı kaotik olur. Çok genel komutlar yüzeysel sonuçlar üretir, aşırı detaylı komutlar ise gürültü yaratır. İyi bir prompt, bu uçların tam ortasını bulur. Modeli yönlendirir ama boğmaz.
Bütün bunları bir araya getirdiğimizde şu sonuç ortaya çıkar: Prompt engineering aslında yazarlık değil, sistem tasarımıdır. Bir input kurarsın, model davranışını yönlendirirsin ve istediğin output’u üretmesini sağlarsın. Doğal dille yazılmış, küçük ama işlevsel bir program gibi. Bu yüzden yapay zekâyla “konuşmayı” değil, onu yönlendirmeyi öğrenmek asıl fark yaratan beceridir.
