Chain-of-Thought (CoT) Prompting 2026: Türkçe Derin Teknik Rehber — Akademiden Pratiğe

Özet (TL;DR)

Tek cümlelik cevap: CoT prompting LLMlere düşünce zinciri yazdıran teknik — 2022 Wei paper ile başladı, 6 varyantı var (Zero-shot, Few-shot, Self-Consistency, Tree, Graph, Auto), 2026'da modern LLMlerde native ama prompt teknikleri hala değerli.

• Chain-of-Thought (CoT) prompting — LLM'lere SONUC ÜRETMEDEN ÖNCE 'düşünce zinciri' yazdıran prompt mühendisliği tekniği. 2022 Wei et al. Google Brain paper'ında tanıtıldı, GSM8K matematik bench'inde %18 → %78 dramatik sıçrama yaptı.
• CoT'nin 6 ana varyantı: (1) Zero-shot CoT (Kojima 2022 — 'adım adım düşün' magic phrase), (2) Few-shot CoT (Wei 2022 — örneklerle), (3) Self-Consistency (Wang 2022 — çoklu CoT örneği majority voting), (4) Tree-of-Thoughts (Yao 2023 — paralel düşünce dalları), (5) Graph-of-Thoughts (Besta 2024 — düşünce grafiği), (6) Auto-CoT (Zhang 2022 — otomatik örnek üretimi).
• 2024-2026: GPT-5, Claude 4.6 ve o3 NATIVE reasoning ile geldi — açık CoT artık değil model içinde 'thinking' tokens. Ama PROMPT CoT teknikleri hala değerli (model davranışını yönlendirme).
• CoT en güçlü kullanım: çok adımlı matematik, mantık bulmacaları, multi-hop reasoning (bir cevap diğerini gerektirir), uzun planlama, kod debugging, hukuki muhakeme. ZAYIF: basit factual recall, tek-adımlı sorular, yaratıcı yazım (CoT yaratıcılığı azaltır).
• Türkçe için CoT özel: 'adım adım düşün' Türkçe direkt çalışır AMA modeller bazen İngilizce düşünüp Türkçe çıktı verir (latent reasoning). 'Türkçe düşün' eklemek kalite artırır.
• Maliyet etkisi: CoT token usage 2-5x artar (her adım için ekstra token). Anthropic Claude 4.6 1M token bağlamlı tier'de bu durum yönetilebilir. Maliyet-hassas üretim için Self-Consistency yerine simple CoT yeterli olabilir.
• Pratik kural: ÇOK ADIMLI işlemde CoT kullan (matematik, multi-step planlama). Basit görevde KULLANMA (selamlama, single-fact lookup) — overhead'i mantıksız.
• Türkçe için 35+ pratik CoT örneği bu rehberde: matematik problemi (faiz hesaplama), iş analizi (SWOT akıl yürütme), hukuki muhakeme (KVKK uyum), kod debug (Python traceback), strateji (pazarlama kampanyası tasarımı), planlama (proje milestone'ları).

Tanım

Chain-of-Thought (CoT) Prompting

LLM'lere bir problem üzerinde ARA ADIMLAR / muhakeme süreci ÜRETTİRMEDEN doğrudan cevap istemek yerine, modelin 'düşünce zincirini' açıkça yazmasını sağlayan prompt mühendisliği tekniği. Jason Wei ve diğer Google Brain araştırmacıları tarafından 2022 NeurIPS paper'ında tanıtıldı. Karmaşık akıl yürütme görevlerinde dramatik performans artışı sağlar. Türkçe karşılığı 'Düşünce Zinciri Prompting'.

1.1 CoT'nin Devrim Niteliği

2022'ye kadar LLM'ler matematik problemlerinde çok zayıftı:

Aynı modelde sadece prompt tekniği değiştirilince performans 4 kat arttı. Bu, hesaplama ek maliyeti gerekmeden yapay zekayı daha güçlü hale getirme yöntemi keşfetmek anlamına geliyordu.

1.2 Bu Rehberin 7 Farkı

2.1 Wei et al. 2022 — Orijinal CoT Paper

Paper: "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" (Wei, Wang, Schuurmans, Bosma, Ichter, Xia, Chi, Le, Zhou — Google Brain — NeurIPS 2022)

Ana keşif: Few-shot örneklerin içine muhakeme adımları eklemek, LLM'in kendi düşüncesini açıkça yazmasını teşvik ediyor.

Klasik prompt (No CoT):

Q: Roger'ın 5 tenis topu var. 2 kutu daha aldı, her kutuda 3 top. Toplam kaç top var? A: 11.

CoT prompt:

Q: Roger'ın 5 tenis topu var. 2 kutu daha aldı, her kutuda 3 top. Toplam kaç top var? A: Roger 5 topla başladı. 2 kutu × 3 top = 6 yeni top. 5 + 6 = 11. Cevap 11.

İkinci promptta model SADECE CEVABA değil, adım adım akıl yürütmeye maruz kalıyor. Sonra benzer bir soruda kendi düşüncesini de açıkça yazıyor.

2.2 Kojima et al. 2022 — Zero-Shot CoT

Paper: "Large Language Models are Zero-Shot Reasoners" (Kojima, Gu, Reid, Matsuo, Iwasawa — University of Tokyo + Google Research — NeurIPS 2022)

Magic phrase keşfi: "Let's think step by step" / Türkçe karşılığı "Adım adım düşünelim" eklemek, ZERO-SHOT (örnek olmadan) CoT'yi tetikliyor.

Kojima et al. Zero-Shot CoT Benchmark (Türkçe karşılığı)

Bench	No CoT	Zero-Shot CoT	Few-Shot CoT
GSM8K matematik	%10	%41	%55
MultiArith	%18	%79	%93
AQuA mantık	%23	%34	%41
SVAMP matematik	%59	%64	%69
Commonsense reasoning	%55	%65	%72

Pratik anlam: "Adım adım düşün" eklemek bile %20-30 performans artışı.

2.3 Wang et al. 2022 — Self-Consistency

Paper: "Self-Consistency Improves Chain of Thought Reasoning" (Wang, Wei, Schuurmans et al. — Google Brain — ICLR 2023)

Konsept: Tek bir CoT cevabı yerine, çoklu CoT örnekleri üret (genelde 5-40), ardından majority voting ile cevap seç.

Örnek:

• Aynı soru → 20 farklı CoT çıktısı
• 17 tanesi "11" diyor, 3 tanesi "12" diyor
• Sonuç: 11 (majority)

Bu yöntem error correction sağlıyor — bir CoT yanlış adım atsa bile, çoklu örnekler doğruyu bulur.

2.4 Yao et al. 2023 — Tree of Thoughts (ToT)

Paper: "Tree of Thoughts: Deliberate Problem Solving with Large Language Models" (Yao, Yu, Zhao, Shafran, Griffiths, Cao, Narasimhan — Princeton + Google — NeurIPS 2023)

Konsept: CoT lineer (tek zincir) — ToT ağaç yapısı (paralel zincirler + branching).

Örnek (Game of 24):

• Sayılar: 4, 9, 10, 13
• 24'e nasıl ulaşırsın?

Tree of Thoughts yaklaşımı:

1. Step 1: Birkaç farklı ilk hareket dene (root → children)
2. Her child için: değerlendir (close to 24? feasible?)
3. Promising children'ı genişlet
4. Backtrack: çıkmaza girdiyse geri dön

Sonuç: Game of 24'te GPT-4 No CoT %4 başarı vs ToT %74.

2.5 Besta et al. 2024 — Graph of Thoughts (GoT)

Paper: "Graph of Thoughts: Solving Elaborate Problems with Large Language Models" (Besta et al. — ETH Zurich — AAAI 2024)

Konsept: ToT ağaç → GoT grafik. Düşünceler birbirine bağlanabilir, birleşebilir, geri dönebilir.

Use case: Karmaşık planlama, scheduling, multi-hop reasoning.

2.6 Zhang et al. 2022 — Auto-CoT

Paper: "Automatic Chain of Thought Prompting in Large Language Models" (Zhang, Zhang, Li, Smola — AWS + UCSB — ICLR 2023)

Konsept: Manuel CoT örnekleri yazmak yerine, otomatik üretmek:

1. Test sorusuna en benzer soruları cluster'la
2. Her cluster'dan örnek seç
3. Zero-shot CoT ile bu örneklere muhakeme üret
4. Bu otomatik örnekleri few-shot olarak kullan

Avantaj: Manuel emek azalır, herhangi domain'e adapte olur.

CoT Varyant Karşılaştırma Tablosu

Varyant	Token Maliyeti	Performans	Implementation Karmaşıklığı	Use-Case
Zero-Shot CoT	1x baseline	+%20-30	Çok kolay (1 satır)	Hızlı, basit problemler
Few-Shot CoT	2-3x	+%30-50	Kolay (örnek hazırla)	Domain-specific kaliteli sonuç
Self-Consistency	5-40x	+%5-15 (Few-shot üstüne)	Orta (multiple call + voting)	Kritik doğruluk gereken
Tree-of-Thoughts	10-50x	+%30-70 (uzun problem)	Yüksek (search algorithm)	Karmaşık planlama
Graph-of-Thoughts	20-100x	+%40-80	Çok yüksek (graph traversal)	Multi-hop reasoning
Auto-CoT	2-3x	+%25-45	Orta (cluster + üretim)	Otomatize edilmiş workflow

3.1 Hangi Varyantı Ne Zaman?

4.1 OpenAI o1 / o3 — Native Chain of Thought

OpenAI'nın o1 (Eylül 2024) ve o3 (Aralık 2024) modelleri modele entegre CoT içeriyor:

4.2 Native Reasoning vs Prompt CoT — Hala İhtiyaç Var mı?

4.3 2026 Model Davranışları

2026 Modeller — CoT Native Davranış

Model	Native Reasoning	Manual CoT Yararı
GPT-5	Var (otomatik)	Düşük (model çoğunlukla kendi yapar)
o3 / o3-pro	Lider (deep reasoning)	Çok düşük
Claude Opus 4	Extended thinking opsiyon	Orta (kontrol için)
Claude Sonnet 4.6	Extended thinking opsiyon	Orta
Gemini 2.5 Pro	Deep Thinking var	Orta
Gemini Flash	Native yok	Yüksek
DeepSeek R1	Native (açık)	Düşük
Llama 4	Yok	Çok yüksek
Mistral Large 2	Yok	Çok yüksek
Qwen 3	Reasoning mode opsiyon	Orta

5.1 Türkçe "Adım Adım Düşün" Trigger Phrase'leri

İngilizce'de Kojima'nın "Let's think step by step" magic phrase'i var. Türkçe için çoklu varyant:

Türkçe Zero-Shot CoT Tetikleyici Cümleler

Cümle	Etki (1-10)	Not
Adım adım düşünelim.	9	Kojima orijinal Türkçe karşılığı
Adım adım açıklayarak çöz.	9	Daha güçlü direktif
Önce düşün, sonra cevap ver.	8	Türkçe doğal akış
Bu problemi parça parça çözelim.	8.5	Görsel metafor
Düşünce sürecini açıkla ve cevap ver.	9	Açık talep
Önce muhakeme yap, sonra sonucu yaz.	8.5	Resmi ton
Hadi adım adım gidelim.	7	Samimi ton
Her adımı tek tek anlat.	8	Detay zorunlu
Cevabını gerekçelendir.	7	Justification odaklı
Mantığını göster, sonra çıkarımı yaz.	8.5	Mantık vurgusu

5.2 Türkçe-Spesifik Tuzaklar

6.1 Matematik Problemi (1-7)

Örnek 1: Faiz Hesaplama

Soru: Ahmet Bey 100.000 TL'yi yıllık %15 faizle bankaya yatırdı. 3 yıl sonra bileşik faiz ile ne kadar olur?

Zero-Shot CoT prompt:

"Yukarıdaki problemi adım adım düşünerek çöz. Her formülü açıkla."

Beklenen model çıktısı:

Adım 1: Bileşik faiz formülü A = P(1 + r)^n Adım 2: P = 100.000 TL, r = 0,15, n = 3 Adım 3: A = 100.000 × (1,15)^3 Adım 4: (1,15)^3 = 1,520875 Adım 5: A = 100.000 × 1,520875 = 152.087,50 TL

Cevap: 3 yıl sonra 152.087,50 TL.

---

Örnek 2: Yüzde Hesaplama (KDV)

Soru: Bir ürün 1.200 TL (KDV dahil). KDV oranı %20. KDV hariç fiyat nedir?

CoT prompt:

"Adım adım çöz. KDV mantığını açıkla."

Beklenen çıktı:

Adım 1: KDV dahil fiyat = KDV hariç × (1 + %20) = KDV hariç × 1,20 Adım 2: 1.200 = KDV hariç × 1,20 Adım 3: KDV hariç = 1.200 / 1,20 = 1.000 TL Adım 4: KDV tutarı = 1.000 × 0,20 = 200 TL

Cevap: KDV hariç 1.000 TL, KDV 200 TL.

---

Örnek 3: Olasılık Hesabı

Soru: Bir bidonda 5 kırmızı, 3 mavi top var. Aynı anda 2 top çekiliyor. İkisinin de kırmızı olma olasılığı nedir?

CoT prompt: "Adım adım çöz, kombinasyon formülünü açıkla."

Adım 1: Toplam top = 8 Adım 2: 2 kırmızı seçme: C(5,2) = 10 Adım 3: 2 top seçme: C(8,2) = 28 Adım 4: Olasılık = 10/28 = 5/14 ≈ 0,357

Cevap: Yaklaşık %35,7.

---

Örnek 4: Üçgende Açı

Soru: Bir üçgenin iki iç açısı 50° ve 70°. Üçüncü iç açı kaç derecedir?

CoT prompt: "Bir üçgenin iç açıları toplamı ne olduğunu hatırla, sonra hesapla."

Adım 1: Bir üçgenin iç açıları toplamı 180°. Adım 2: 180 - 50 - 70 = 60°

Cevap: 60°.

---

Örnek 5: Aritmetik Dizi

Soru: 2, 5, 8, 11, ... dizisinin 20. terimi kaçtır?

CoT prompt: "Genel terim formülünü çıkar, sonra hesapla."

Adım 1: İlk terim a₁ = 2, ortak fark d = 3 Adım 2: Genel terim: aₙ = a₁ + (n-1)d = 2 + (n-1)×3 Adım 3: a₂₀ = 2 + 19×3 = 2 + 57 = 59

Cevap: 59.

---

Örnek 6: Kar Hesabı

Soru: Bir şirket ürünü 80 TL'den alıp 100 TL'den satıyor. Kar yüzdesi ne kadar?

CoT prompt: "Maliyet üzerine kar yüzdesi formülünü kullan."

Adım 1: Kar = 100 - 80 = 20 TL Adım 2: Maliyet üzerine kar oranı = Kar / Maliyet × 100 Adım 3: = 20 / 80 × 100 = %25

Cevap: %25 kar.

---

Örnek 7: Hız-Mesafe-Zaman

Soru: İstanbul-Ankara arası 450 km. Bir otomobil ortalama 90 km/saat hızla giderse kaç saatte varır?

CoT prompt: "Hız-mesafe-zaman ilişkisini hatırla, hesapla."

Adım 1: Zaman = Mesafe / Hız Adım 2: Zaman = 450 / 90 = 5 saat

Cevap: 5 saat.

6.2 Mantık Bulmacaları (8-12)

Örnek 8: Klasik Mantık Bulmacası

Soru: Tüm kuşlar uçar. Penguenler kuştur. Penguenler uçar mı?

CoT prompt: "Bu önermenin doğruluğunu adım adım değerlendir. Gerçek dünya bilgisini de kullan."

Adım 1: Tümdengelim (deductive logic) açısından önermeden sonuç çıkar: Tüm kuşlar uçar + Penguenler kuştur → Penguenler uçar. Adım 2: AMA gerçek dünya bilgisi: Penguenler UÇMAZ. Adım 3: Çelişki: ilk önerme yanlış (tüm kuşlar uçmaz — istisnalar var).

Cevap: Mantıksal olarak çıkarım doğru görünür ama gerçek dünyada penguenler uçmaz. İlk önerme hatalıdır.

---

Örnek 9: Yaş Problemi

Soru: Ahmet'in yaşı, kardeşi Mert'in 3 katı. Birlikte 40 yaşındalar. Her birinin yaşı kaçtır?

CoT prompt: "Denklemler kur, çöz."

Adım 1: Mert = x, Ahmet = 3x Adım 2: x + 3x = 40 Adım 3: 4x = 40, x = 10 Adım 4: Mert = 10, Ahmet = 30

Cevap: Mert 10, Ahmet 30.

---

Örnek 10: Tarih Problemi

Soru: Bugün Salı. 100 gün sonra hangi gün olur?

CoT prompt: "Mod 7 (haftanın günleri) kullanarak hesapla."

Adım 1: Bir haftada 7 gün var. Adım 2: 100 / 7 = 14 tam hafta + 2 gün artar. Adım 3: Salı + 2 gün = Perşembe.

Cevap: Perşembe.

---

Örnek 11: Mantık Bulmacası — Şapka

Soru: 3 kişi (A, B, C) var. Her birine kırmızı veya mavi şapka takılıyor. Her biri diğer ikisinin şapkasını görür ama kendisininkini görmez. Hiç kimse konuşmuyor. A "Şapkamın rengini bilmiyorum" diyor. B "Bilmiyorum" diyor. C "Biliyorum, kırmızı" diyor. Hangisi mantıklı?

CoT prompt: "Her kişinin gözünden adım adım düşün."

Adım 1: A "bilmiyorum" demeden önce B + C'ye bakıyor. Eğer ikisi de mavi olsaydı, mümkün varyasyonlardan kendi durumunu bulmaya çalışırdı. Bilemediği için, B+C'nin durumundan kendisininkini saptayamıyor (yeterli bilgi yok). Adım 2: B "bilmiyorum" diyor. B, A+C'yi görür. A'nın "bilmiyorum" demesinden çıkarım yapar: A "bilmiyor" demek çoğunlukla ipucu vermez ama "bilemediğinden" emin demektir. Adım 3: C, A'nın ve B'nin durumlarına bakarak ipucu çıkartır. Mantık: A bilmediğine göre B+C'de en az 1 kırmızı vardı (eğer ikisi de mavi olsaydı, A kendinin de kırmızı olmasına yakın hipotez kurabilirdi — ama bu detayda mantık karmaşıklaşır).

(Bu bulmacanın TAM doğru çözümü "induction with knowledge of others' uncertainty" gerektirir — model bu karmaşıklığa belki ulaşır belki ulaşmaz)

---

Örnek 12: Olasılık Sınama

Soru: Bir torbada 2 madeni para var. Biri yazı-tura, diğeri çift yazılı (her iki tarafta yazı). Rastgele bir madeni para çekiyoruz ve bir tarafına bakıyoruz — yazı. Diğer tarafının da yazı olma olasılığı nedir?

CoT prompt: "Bayes teoremini kullan."

Adım 1: 3 olası "yazı" yüzü var: (a) çift yazılı paranın 1. yüzü, (b) çift yazılı paranın 2. yüzü, (c) yazı-tura paranın yazı yüzü. Adım 2: 3 yazı yüzünden 2'si çift yazılı paraya ait. Adım 3: Diğer tarafının da yazı olma olasılığı = 2/3.

Cevap: 2/3.

6.3 İş Analizi (13-17)

Örnek 13: SWOT Analizi

Soru: Türk e-ticaret startup'ı (3 yıl, ₺50M ciro, 30 çalışan) için SWOT analizi yap. Adım adım düşün.

CoT prompt: "Önce şirketin durumunu analiz et. Sonra 4 quadrant'ı sırayla doldur, her madde için gerekçe ver."

Adım 1: Şirket durumu — KOBİ büyüklük, gelir orta, ekip küçük. Türk e-ticaret pazarı: Trendyol/Hepsiburada/Getir dominant.

Adım 2: Strengths (İç + Pozitif)

• Çevik yapı (30 kişi) — hızlı karar
• ₺50M ciro — operating breakeven yakın
• 3 yıl tecrübe — ürün-pazar uyum kanıtlı

Adım 3: Weaknesses (İç + Negatif)

• Marka tanınırlık düşük (vs Trendyol)
• Bütçe kısıtlı (büyük marketing yatırımı yok)
• Tek kanal (mobil-only?)

Adım 4: Opportunities (Dış + Pozitif)

• Türk e-ticaret hala büyüyor (yıllık %20-30)
• AI/personalization fırsatı
• Niş pazarlar (premium, B2B)

Adım 5: Threats (Dış + Negatif)

• Trendyol/Hepsiburada rekabet
• KVKK + Türk Lirası kur riski
• Ekonomik daralma → tüketici harcamaları düşüş

---

Örnek 14: Strateji Kararı

Soru: "İki yeni Pazar açmayı planlıyoruz: Almanya ve BAE. Hangisi öncelik olmalı?" Adım adım analiz et.

CoT prompt: "Her iki Pazar için 5 kriter değerlendirme tablosu çıkar."

Adım 1: Kriterler tanımla — (1) pazar büyüklüğü, (2) rekabet seviyesi, (3) düzenleyici karmaşıklık, (4) lojistik mesafe, (5) Türk diasporası varlığı.

Adım 2: Almanya değerlendirme

• Pazar büyüklüğü: 5/5 (€100B+ e-commerce)
• Rekabet: 2/5 (Amazon, Otto dominant)
• Düzenleyici: 2/5 (EU AI Act, GDPR, Almanca dil)
• Lojistik: 4/5 (DHL altyapı güçlü)
• Türk diasporası: 5/5 (3M+ Türk)
• Toplam: 18/25

Adım 3: BAE değerlendirme

• Pazar büyüklüğü: 3/5 ($20B e-commerce)
• Rekabet: 3/5 (Noon, Amazon.ae)
• Düzenleyici: 3/5 (orta zorluk)
• Lojistik: 3/5 (Dubai hub güçlü)
• Türk diasporası: 2/5 (sınırlı)
• Toplam: 14/25

Adım 4: Karar — Almanya öncelik (18/25 vs 14/25). Türk diasporası özellikle güçlü.

---

Örnek 15: Bütçe Allokasyon

Soru: ₺1M pazarlama bütçesi var. SEO, paid ads, content, events, influencer'a nasıl dağıtmalıyım?

CoT prompt: "Her kanalın ROI tipini düşün, B2B SaaS için optimum dağılım öner."

Adım 1: Her kanalın özelliği

• SEO: long-term, yüksek ROI ama yavaş
• Paid ads: hızlı sonuç, ölçülebilir, drying cost
• Content: SEO + thought leadership, orta vade
• Events: networking + brand, yüksek maliyet
• Influencer: brand + lead, sektöre bağlı

Adım 2: B2B SaaS için ideal mix

• SEO + content: %35 (uzun vadeli investment)
• Paid ads: %30 (acil ROI)
• Events: %20 (B2B kritik)
• Influencer: %10 (B2B'de düşük)
• Reserve: %5 (test new channels)

Adım 3: ₺1M dağılım

• SEO + content: ₺350K
• Paid ads: ₺300K
• Events: ₺200K
• Influencer: ₺100K
• Reserve: ₺50K

Cevap: Yukarıdaki dağılım B2B SaaS için optimum.

---

Örnek 16: Fiyatlandırma Stratejisi

Soru: SaaS ürünüm için pricing stratejisi belirleyeceğim. 3 tier önereceğim. Adım adım düşün.

CoT prompt: "Önce hedef kitle, sonra value-based pricing principles uygula."

Adım 1: Hedef kitle — KOBİ (10-50 kişi), orta şirket (50-250), enterprise (250+).

Adım 2: Her tier için pain point + willingness to pay

• KOBİ: bütçe sıkı, basit feature → ₺500-2.000/ay
• Orta: scaling sorunları, integrations → ₺2.000-10.000/ay
• Enterprise: customization, SSO, dedicated support → ₺10.000+/ay

Adım 3: Feature differentiation

• KOBİ: 5 kullanıcı, temel features
• Orta: 50 kullanıcı, API, integrations
• Enterprise: sınırsız, SSO/SCIM, dedicated CSM

Adım 4: Pricing anchor + psychology

• En düşük tier "ucuz" görünmemeli (perceived value)
• Orta tier "sweet spot" — %60 müşteri buraya
• Enterprise "custom" — sales-led

Adım 5: Final tier

• Starter: ₺1.499/ay
• Pro: ₺4.999/ay (recommended)
• Enterprise: Custom

---

Örnek 17: Kompetitif Analiz

Soru: 3 ana rakibimi analiz et. Hangi alanlarda saldırabilirim?

CoT prompt: "Her rakip için strengths/weaknesses, sonra pozisyon haritası."

Adım 1: Rakip A — Pazar lider, geniş feature set ama UI eski + maliyet yüksek Adım 2: Rakip B — Modern UI, çevik ama feature dar Adım 3: Rakip C — Niche specialist, derin features ama scaling sorunu

Adım 4: Açık pazar boşlukları

• Modern UI + geniş feature set (A'nın UI gap + B'nin feature gap)
• Orta segment + scalable (B + C arası)
• Türkçe localization + Türk pazar uyumu

Adım 5: Saldırı vektörleri

• Pozisyonlandırma: "Modern + comprehensive + Türk dostu"
• Hedef segment: orta şirket (50-250)
• Fiyat: A'nın altında %30, B'nin üstünde %20

6.4 Hukuki Muhakeme (18-22)

Örnek 18: KVKK Uyum Analizi

Soru: Şirketim müşteri verisi topluyor (isim, e-posta, telefon, satın alma geçmişi). KVKK uyumu için ne yapmalıyım?

CoT prompt: "KVKK Madde 5, 10, 11'i sırayla uygula."

Adım 1: Veri işleme hukuki dayanağı (Madde 5) — Açık rıza VEYA sözleşmenin ifası VEYA meşru menfaat. Müşteri verisi → sözleşmenin ifası (satın alma) hukuki dayanak yeterli.

Adım 2: Aydınlatma yükümlülüğü (Madde 10) — Veri sahibine aşağıdaki bilgileri ver: (1) Veri sorumlusu, (2) Hangi veriler, (3) Hangi amaç, (4) Hangi aktarımlar, (5) Hangi haklara sahip.

Adım 3: Veri sahibi hakları (Madde 11) — Bilgi talep, düzeltme, silme, anonimleştirme, itiraz, KVK Kuruluna şikayet.

Adım 4: Aksiyon planı

• Web sitesinde Aydınlatma Metni yayınla
• Onam mekanizması (checkbox, opt-in)
• Müşteri talepleri için süreç kur (15 gün cevap)
• Veri güvenliği (TLS, encryption)
• VERBİS kayıt (50+ çalışanlık şirketler)

---

Örnek 19: Sözleşme Maddesi Yorumlama

Soru: Sözleşmemde "Tarafların kontrolü dışındaki olağanüstü haller (mücbir sebep) nedeniyle yapamama" yazıyor. COVID-19 mücbir sebep mi?

CoT prompt: "Türk Borçlar Kanunu Madde 136 + 138 (imkansızlık) açısından analiz et."

Adım 1: Mücbir sebep tanımı (Türk Borçlar Kanunu Madde 136) — Borçlunun kusuru olmayan, öngörülemeyen, kaçınılamaz olay.

Adım 2: COVID-19 değerlendirme

• Öngörülemez mi? 2020 başlangıçta evet, 2021+ tartışılır
• Kaçınılamaz mı? Lockdown gibi resmi tedbirler → evet
• Borçlunun kusuru var mı? Genelde yok

Adım 3: İstisna durumları

• Sözleşme COVID-19 dahil yazıyor mu? (modern sözleşmelerde pandemic clause)
• İhtimal alternatif performance var mıydı? (remote work)

Adım 4: Yargıtay içtihat — 2020-2021'de COVID-19 mücbir sebep kabul, sonrasında tartışılır.

Cevap: İlk lockdown dönemi → büyük ihtimal mücbir sebep. 2022+ → vakaya göre değişir.

⚠️ Hukuki uyarı: Bu genel analizdir. Avukat danışmanlığı şarttır.

---

Örnek 20: İş Kanunu Uyum

Soru: Çalışanım uzaktan çalışıyor. Ofise dönüş emrini reddediyor. Geçerli sebep var mı?

CoT prompt: "Türk İş Kanunu + İlgili Mevzuat'ı sırayla değerlendir."

Adım 1: İş sözleşmesi ne diyor? — Uzaktan çalışma yazılı mı? Geçici mi kalıcı mı?

Adım 2: Türk Borçlar Kanunu Madde 408 + İş Kanunu Madde 14 — İşveren çalışma koşullarını tek taraflı değiştiremez (çalışanın aleyhine).

Adım 3: 6098 sayılı kanun + 4857 sayılı İş Kanunu uyumu

• Sözleşmede "ofiste çalışma" yazıyorsa, ofiste çalışma asıldır
• "Uzaktan çalışma" yazıyorsa, ofise dönüş değişiklik = çalışanın onayı gerek

Adım 4: Çalışan ofise dönüşü reddederse — sözleşme şartına göre işveren ne yapabilir

• İhtar (yazılı)
• Performans uyarısı
• Son çare: geçerli neden işten çıkarma (Madde 18)

⚠️ Uyarı: Esaslı değişiklik için çalışanın onayı şart. Tek taraflı zorlama tazminat sonuç doğurabilir.

---

Örnek 21: Marka Tescil

Soru: Yeni ürünüm "AINOVA" — markayı tescil ettirmek istiyorum. Hangi süreçleri izlemeliyim?

CoT prompt: "Türk Patent ve Marka Kurumu (TÜRKPATENT) süreçlerini adım adım."

Adım 1: Marka benzerlik araştırması (TÜRKPATENT online portal)

• "AINOVA" + "AI NOVA" + "AINO" benzeri marka var mı kontrol
• Sınıflar: 9 (yazılım), 42 (SaaS) öncelikli

Adım 2: Başvuru hazırlığı

• Form, sınıflandırma, logo (varsa)
• Resmi ücret ödeme

Adım 3: Yayın + itiraz dönemi (3 ay)

• Marka resmi gazete'de yayınlanır
• 3. taraflar itiraz edebilir

Adım 4: Tescil belgesi (10 yıl geçerli, yenilenir)

Maliyet (2026 tahmini): 1 sınıf ₺3.000-5.000, ek sınıflar ekstra.

---

Örnek 22: Telif Hakkı + AI

Soru: Midjourney ile ürettiğim görselleri ticari kullanabilir miyim? Telif kimde?

CoT prompt: "ABD + Türk telif hukukunu + Midjourney ToS'i sırayla analiz et."

Adım 1: Midjourney ToS — Pro ($60/ay) ve üzeri tier'ler tam ticari hak. Basic/Standard sınırlı (gelir $1M altı OK).

Adım 2: Telif sahipliği

• ABD U.S. Copyright Office (2022, 2023 kararları) — AI generated alone HAS NO COPYRIGHT.
• Türkiye — Türk yargısı henüz net karar vermedi ama benzer yorum bekleniyor.

Adım 3: Pratik sonuç

• Generated görsel ticari kullanılabilir ama TELİFİ koruma altında değil
• Başkası aynı görseli kullanırsa dava açamazsın
• Pratik koruma: insan emeği ekle (post-process), unique brand marketing.

Adım 4: Risk azaltma

• ToS'i okuyarak doğru tier kullan
• Ünlü kişi/marka logosu gibi 3. taraf hakkını ihlal eden output yok
• Türk Borçlar Kanunu m.49 (kişilik hakları) ihlal etmemek

6.5 Kod Debug (23-27)

Örnek 23: Python Hata Mesajı

Soru: Python kodumda "TypeError: 'NoneType' object is not subscriptable" hatası alıyorum. Nasıl debug ederim?

CoT prompt: "Hatanın anlamını + olası nedenleri + debug stratejisini adım adım açıkla."

Adım 1: Hata anlamı — 'NoneType' yani None değeri bir değişkene 'subscript' (örn [0]) uygulanıyor. Yani değişken None ve siz indexleme yapmaya çalışıyorsunuz.

Adım 2: Olası nedenler

• Fonksiyon None döndürüyor (return ifadesi unutuldu)
• API çağrısı başarısız → None
• Dictionary .get() default None değer

Adım 3: Debug stratejisi

• Hatadan önceki satıra print(type(degisken)) ekle
• Pdb breakpoint ile inspect et
• IDE debugger ile değişkeni izle

Adım 4: Önerilen fix

• None check: if degisken is not None: ...
• Try-except wrap

---

Örnek 24: SQL Optimization

Soru: SQL sorgu yavaş çalışıyor (8 saniye), nasıl hızlandırabilirim?

CoT prompt: "Önce sorgu pattern'i analiz et, sonra index/join/cache stratejileri sıralı uygula."

Adım 1: Sorgu pattern — SELECT * mı? JOIN var mı? WHERE filtresi indexed sütunda mı?

Adım 2: Quick wins

• SELECT * yerine sadece gerekli sütunlar
• WHERE'deki sütunlara index ekle
• JOIN'lerde index kullanımı

Adım 3: EXPLAIN ANALYZE çalıştır (PostgreSQL)

• Hangi step yavaş?
• Full table scan var mı?

Adım 4: Optimization techniques (sıralı uygulanır)

• Index ekle
• Query rewrite (sub-query → JOIN)
• Materialized view
• Cache layer (Redis)
• Database tuning (vacuum, statistics)

---

Örnek 25: API Rate Limit Hatası

Soru: OpenAI API çağrılarımda 429 Too Many Requests hatası alıyorum. Çözüm?

CoT prompt: "Rate limit sınırlarını + retry stratejisini + cache mantığını adım adım."

Adım 1: Hata anlamı — Tier'a göre Tokens Per Minute (TPM) veya Requests Per Minute (RPM) limit aşıldı.

Adım 2: Mevcut limit kontrol

• OpenAI dashboard → Limits sekmesinde TPM/RPM görünür
• Hata mesajındaki retry-after header'ı

Adım 3: Çözüm stratejileri (sıralı)

• Exponential backoff retry (1, 2, 4, 8 saniye)
• Request batching (10 sorgu birleşik 1 request)
• Cache (Redis) — aynı prompt aynı cevap
• Tier upgrade (Higher TPM)

Adım 4: Production-grade çözüm

• LangSmith + LangFuse rate limit tracking
• Queue (Celery, BullMQ)
• Backpressure (eskalasyon)

---

Örnek 26: Memory Leak

Soru: Python Flask app'imde memory sürekli artıyor, restart gerektiriyor. Nasıl tespit ederim?

CoT prompt: "Memory leak tespit + profile + çözüm sıralı."

Adım 1: Memory leak vs normal memory growth ayır

• Sabit growth (her saat +50MB) → leak
• Düzensiz spike → cache veya batch

Adım 2: Profile (tools)

• tracemalloc (Python built-in)
• memory_profiler library
• objgraph (object reference visualizer)
• pympler (advanced analysis)

Adım 3: Yaygın memory leak nedenleri

• Global list/dict sürekli büyüyor (history, cache)
• Circular reference (gc collect olmuyor)
• File handle açık unutulmuş
• Connection pool size yanlış

Adım 4: Tespit + Fix

• tracemalloc snapshot başlangıçta + 1 saat sonra → diff
• Top 10 allocator'ı görüp düzelt
• gc.collect() ile manuel garbage collect

---

Örnek 27: CORS Hatası

Soru: Frontend'den backend API'ye fetch atınca CORS hatası alıyorum. Nasıl çözerim?

CoT prompt: "CORS mantığını + frontend/backend taraflarını + çözüm sırası açıkla."

Adım 1: CORS nedir? — Cross-Origin Resource Sharing. Browser güvenliği — Origin A'dan Origin B'ye fetch için B'nin izin vermesi şart.

Adım 2: Hatanın hangi tarafı? Browser console'da görürsün:

• "Access-Control-Allow-Origin missing" → backend eksik
• "Preflight failed" → OPTIONS request reddedildi

Adım 3: Backend çözümleri

• FastAPI: from fastapi.middleware.cors import CORSMiddleware
• Express: app.use(cors())
• Spesifik origin: allow_origins=["https://example.com"] (production)

Adım 4: Production best practice

• * wildcard sadece development'ta
• Production'da spesifik origin whitelist
• Credentials varsa allow_credentials=True

6.6 Strateji + Planlama (28-32)

Örnek 28: Pazarlama Kampanyası Planlama

Soru: Yeni AI ürün lansmanı için 90 günlük pazarlama kampanyası planlayacağım. Adım adım nasıl olmalı?

CoT prompt: "Funnel mantığı + 90 günlük plan + KPI'lar."

Adım 1: Funnel aşaması belirleme

• Awareness: 0-30 gün
• Consideration: 30-60 gün
• Conversion: 60-90 gün

Adım 2: Kanal mix per aşama

• Awareness: SEO, content, PR, sosyal media
• Consideration: webinars, demo, case study
• Conversion: email nurture, sales calls, free trial

Adım 3: 90 günlük takvim

• Hafta 1-4: Teaser content + lansman event
• Hafta 5-8: Demo + webinar serisi
• Hafta 9-12: Sales push + retargeting

Adım 4: KPI'lar

• Awareness: Reach, impressions, brand search
• Consideration: Demo signup, content engagement, MQL
• Conversion: SQL, customer acquisition, ARR added

---

Örnek 29: Proje Risk Değerlendirme

Soru: Yeni AI ürün projesi 6 ay sürecek, 5 kişilik takım, ₺2M bütçe. En büyük 5 risk nedir?

CoT prompt: "Risk taxonomy + olasılık×etki + mitigation sırasıyla."

Adım 1: Risk kategorileri

• Teknik
• İnsan kaynağı
• Pazar
• Bütçe
• Yasal

Adım 2: Her kategoride top risk

• Teknik: AI hallucination + production quality (Olasılık Y, Etki Y)
• İK: Senior dev ayrılması (O O, E Y)
• Pazar: Rakip lansman önce (O Y, E O)
• Bütçe: AI API maliyet aşımı (O O, E O)
• Yasal: KVKK uyumsuzluk (O D, E Ç Y)

Adım 3: Olasılık × Etki matris (1-5)

• AI hallucination: 4×4 = 16
• KVKK: 2×5 = 10
• Senior dev: 3×4 = 12
• Rakip: 4×3 = 12
• Bütçe aşımı: 3×3 = 9

Adım 4: Mitigation

• AI hallucination: Eval framework + human review + RAG citations
• KVKK: DPO görüş, sözleşmeler, DPA
• Senior dev: Knowledge transfer + redundancy
• Rakip: Hızlı go-to-market + niche pozisyon
• Bütçe: Aylık tracking + reserve %15

---

Örnek 30: Proje Milestone Belirleme

Soru: 6 aylık SaaS proje için milestone'ları belirle.

CoT prompt: "MVP first + iteration + launch + scale planı."

Adım 1: Proje aşamaları

• Discovery: Hafta 1-2
• MVP: Hafta 3-12
• Beta: Hafta 13-18
• Launch: Hafta 19-22
• Scale: Hafta 23-26

Adım 2: Milestone'lar

• M1 (Hafta 2): Spec + design lock
• M2 (Hafta 6): Core feature 1 (MVP-A)
• M3 (Hafta 10): MVP complete
• M4 (Hafta 14): Beta launch (50 user)
• M5 (Hafta 18): Beta complete + iteration
• M6 (Hafta 22): Public launch
• M7 (Hafta 26): 1000 customer

Adım 3: Acceptance criteria per milestone

Adım 4: Risk check-in her milestone'da

---

Örnek 31: Hiring Plan

Soru: Şirketim 10 → 30 kişi büyüyecek 12 ay içinde. Hiring planı nasıl olmalı?

CoT prompt: "Quarterly hiring + role priority + Türk pazar şartları."

Adım 1: Mevcut yapı analiz — 10 kişi: 6 engineer, 2 product, 1 design, 1 sales

Adım 2: 12 ay sonra hedef — 30 kişi

• Engineering: 18 (multiple specialized)
• Product: 4
• Design: 3
• Sales + Marketing: 3
• People + Finance: 2

Adım 3: Quarterly plan

• Q1: 5 hire (2 senior eng, 1 PM, 1 designer, 1 sales)
• Q2: 6 hire (3 eng, 1 PM, 1 marketing, 1 People ops)
• Q3: 5 hire (3 eng, 1 design, 1 sales)
• Q4: 4 hire (2 eng, 1 PM, 1 finance)

Adım 4: Türk pazar gerçekleri

• Senior AI Engineer rare (Trendyol/Getir rekabet)
• 6-12 hafta hiring süre normal
• Referral %30+ hire (Türk topluluğu)

---

Örnek 32: Yıllık Hedef Belirleme

Soru: SaaS şirketim için 2026 ana hedefler nasıl olmalı? Mevcut ARR ₺10M, MAU 5K.

CoT prompt: "OKR framework + 3 ana objective + 9 key result."

Adım 1: Genel strateji yön — Growth + retention + new market

Adım 2: 3 ana Objective

• O1: ARR 3x'lemek (₺10M → ₺30M)
• O2: Müşteri retention iyileştirmek (NRR > %110)
• O3: 2. pazar açmak (Almanya)

Adım 3: Key results O1: ARR 3x

• KR1.1: 200 yeni enterprise customer (mevcut 50)
• KR1.2: ARPU %30 artış (price + upsell)
• KR1.3: Churn rate %15 → %8

O2: Retention

• KR2.1: NPS 30 → 50
• KR2.2: Onboarding completion %60 → %85
• KR2.3: Power user (DAU/MAU) %15 → %25

O3: Almanya

• KR3.1: 10 enterprise pilot customer
• KR3.2: Almanca localization + GDPR
• KR3.3: ₺2M Almanya ARR

Adım 4: Quarterly OKR tracking + adjust

6.7 Ek 8 Örnek (33-40+)

Örnek 33: Self-Consistency Pratik Uygulama

Soru: Bir matematik problemine 10 farklı muhakeme yolu üret, sonra majority voting yap.

Prompt (5+ seferden majority voting):

"Roger 5 topla başladı + 2 kutu × 3 = ..."

Çoklu run (Temperature 1.0):

• Run 1: 5 + 6 = 11
• Run 2: 5 + 6 = 11
• Run 3: 5 + 2×3 = 5 + 6 = 11
• Run 4: 2 kutu = 6 top, total = 5 + 6 = 11
• Run 5: 5 × 1 + 2 × 3 = 5 + 6 = 11

Majority vote: 11 (5/5).

---

Örnek 34: Tree of Thoughts Örnek

Soru: "İstanbul'da 1 günde 4 müze gezme planı yapın — Ayasofya, Topkapı, Mavi Cami, Yerebatan Sarnıcı."

Tree of Thoughts mantığı:

Adım 1: Root — başlangıç noktası seç

• Branch A: Mavi Cami'den başla
• Branch B: Ayasofya'dan başla
• Branch C: Topkapı'dan başla

Adım 2: Her branch için 2. müze

• A → Ayasofya / Yerebatan
• B → Mavi Cami / Yerebatan
• C → Ayasofya / Yerebatan

Adım 3: Her branchi değerlendir (yakınlık, sıra, mantıklı akış)

• A1: Mavi Cami → Ayasofya → Yerebatan → Topkapı = OK
• B1: Ayasofya → Mavi Cami → Yerebatan → Topkapı = mantıklı
• C1: Topkapı → Ayasofya → Yerebatan → Mavi Cami = mantıklı

Adım 4: En iyi rotayı seç (yürünme mesafesi, sırada açılış saatleri)

Cevap: Ayasofya (sabah) → Mavi Cami → Yerebatan (öğleden sonra) → Topkapı (akşam).

---

Örnek 35: Multi-Hop Reasoning

Soru: Türk e-ticaret pazarı 2026'da ABD'den daha mı hızlı büyüyor? Niye?

CoT multi-hop:

Adım 1: Türk e-ticaret büyüme hızı — TÜBİSAD 2026 verisi: yıllık ~%25-30 Adım 2: ABD e-ticaret büyüme — eMarketer 2026: yıllık ~%8-10 Adım 3: Karşılaştırma — Türk pazarı 2-3x daha hızlı büyüyor Adım 4: Niye? Birden çok faktör

• Penetrasyon farkı: ABD %80+ Türk %30 (hala büyüme alanı)
• Mobile-first Türk pazarı
• Yeni nesil tüketim (Z kuşağı)
• Trendyol, Hepsiburada, Getir aggressive büyüme
• KOBİ'lerin e-commerce'a geçişi devam ediyor

Cevap: Evet, %2-3x daha hızlı. Düşük penetrasyon + agresif platforma + KOBİ digital transformation.

CoT 2-5x token kullanımı = 2-5x maliyet.

CoT Maliyet Etkisi (10K query/ay senaryosu)

Yaklaşım	Aylık Token	Aylık Maliyet (Claude Sonnet 4.6)
No CoT	~50M	$150
Zero-Shot CoT	~100M	$300
Few-Shot CoT (3 örnek)	~200M	$600
Self-Consistency (5x)	~500M	$1500
Tree-of-Thoughts	~1B	$3000

Pratik öneri: Production'da maliyet hesaplama yap. Self-Consistency sadece kritik doğruluk için.

LangGraph, Anthropic SDK, Crew AI gibi agentik framework'lerde CoT entegrasyonu:

Nasıl Yapılır

Agentik CoT Workflow

1. 1

   Plan adımı

   Agent ilk adımda görevi analiz et — CoT ile plan yap. 'Önce A yapacağım, sonra B sonucunu C için kullanacağım'

2. 2

   Tool selection

   Her adım için en uygun tool/sub-agent seç. CoT ile gerekçelendir.

3. 3

   Execution

   Tool çağır. Sonucu CoT'a feed et.

4. 4

   Validation

   Her tool çıktısını CoT ile doğrula. Hata varsa retry.

5. 5

   Final synthesis

   Tüm adımları birleştir, final cevap üret.

Soru: 2026'da hala manuel CoT prompt mı yazmalıyım?

Soru: Türkçe CoT İngilizce'den ne kadar farklı?

Akademik kanıt çoğunlukla İngilizce. Türkçe'de %5-10 daha düşük accuracy görülebilir (model eğitim verisi az). "Türkçe düşün" eklemek + RBGFK çerçevesi farkı azaltır.

Soru: Hangi modele en iyi CoT cevap verir?

2026 sıralama: o3 > Claude Opus 4 (extended thinking) > Claude Sonnet 4.6 > GPT-5 > Gemini 2.5 Pro > Llama 4 405B.

Soru: CoT vs RAG hangisini ne zaman?

CoT — muhakeme + multi-step RAG — bilgi getirme + grounding İkisi birleştirilir: RAG ile bilgi al, CoT ile akıl yürüt. "Önce belgeleri inceleye, sonra adım adım analiz et."

Soru: Self-Consistency için kaç sample yeterli?

Wang et al. paper'ında 40 sample optimal. Pratik: 10-20 sample %95 etkili, maliyet 4x az.

Soru: Tree-of-Thoughts framework kullanmaya değer mi?

Specialized problemler için EVET. General use için karmaşıklığı zor. LangGraph "subgraph" pattern ile ToT-benzeri akış kurulabilir.

Soru: CoT ile prompt injection güvenliği?

CoT prompt'ları daha uzun, prompt injection'a daha açık. Çözüm: system prompt'ta CoT, user input ayrı separate. Anthropic XML tags pattern güçlü.

Soru: Türk hukuki konularda CoT güvenli mi?

Hukuki cevap için CoT yararlı AMA model fact'lerden hata yapabilir. KESINLIKLE avukat onayı şart. CoT sadece düşünme yardımcısı.

Soru: Production'da CoT performansı nasıl monitör?

LangSmith / Helicone / Langfuse → token usage + latency tracking. Eval framework (Promptfoo, RAGAS) ile accuracy.

Soru: CoT öğrenmek için hangi kaynak en iyi?

Wei et al. 2022 paper (orijinal), Anthropic Prompt Engineering Guide, DAIR.AI Prompting Guide, Andrew Ng + Isa Fulford "ChatGPT Prompt Engineering" Coursera kursu.

3 ana çıkarım:

1. CoT 2022 keşfedildiğinden beri LLM muhakeme kalitesinde devrim yarattı — 6 ana varyantı var, hepsi farklı use-case için.

2. 2026'da modern LLM'ler (o3, Claude Opus 4) native reasoning ile geldi ama manuel CoT teknikleri özellikle self-host + maliyet kritik durumlarda hala değerli.

3. Türkçe için 'Adım adım düşün' yeterli ama agentik sistemlerde + Self-Consistency + Tree-of-Thoughts ile karmaşık akıl yürütme problemleri çözülebilir.

Bu hafta yapılacaklar:

(1) Bu rehberden 5 örneği kendi use case'ine adapte et.

(2) Mevcut prompt'larınızı CoT ile geliştir (basit "step by step" ekle).

(3) Self-Consistency dene — kritik bir karar için 5 farklı CoT çık + majority vote.

(4) Token usage izle (maliyet trade-off).

Kaynaklar

1. Chain-of-Thought Prompting Elicits Reasoning — Wei, Wang, Schuurmans, Bosma, Ichter, Xia, Chi, Le, Zhou, NeurIPS 2022 · 2022
2. Large Language Models are Zero-Shot Reasoners — Kojima, Gu, Reid, Matsuo, Iwasawa, NeurIPS 2022 · 2022
3. Self-Consistency Improves Chain of Thought Reasoning — Wang, Wei, Schuurmans, Le, Chi, Narang, Chowdhery, Zhou, ICLR 2023 · 2022
4. Tree of Thoughts — Yao, Yu, Zhao, Shafran, Griffiths, Cao, Narasimhan, NeurIPS 2023 · 2023
5. Graph of Thoughts — Besta, Blach, Kubicek, Gerstenberger, Hoefler, AAAI 2024 · 2024
6. Automatic Chain of Thought — Zhang, Zhang, Li, Smola, ICLR 2023 · 2022
7. OpenAI o1 / o3 — OpenAI, OpenAI · 2024
8. Anthropic Prompt Engineering Guide — Anthropic, Anthropic · 2026
9. DAIR.AI Prompting Guide — DAIR.AI, DAIR.AI · 2026
10. ChatGPT Prompt Engineering for Developers — Andrew Ng, Isa Fulford, DeepLearning.AI · 2023