Few-Shot Learning ile Prompt Optimizasyonu 2026: Türkçe Derin Teknik Rehber — GPT-3'ten Modern LLM'lere

1.1 Brown et al. 2020 — Tarihsel Önemi

1.2 Bu Rehberin Farkı

2.1 Üç Seviyenin Tanımı

2.2 Zero-Shot Örnek (Türkçe Sentiment Analysis)

Prompt:

"Aşağıdaki yorumun duygu durumunu pozitif, negatif veya nötr olarak sınıflandır.

Yorum: 'Bu ürün gerçekten çok kötü, paramı boşa harcadım.'

Cevap:"

Beklenen: "Negatif"

Zero-shot çoğu durumda işe yarar. Çünkü model genel sentiment analysis'i biliyor.

2.3 One-Shot Örnek

Prompt:

"Aşağıdaki yorumların duygu durumunu pozitif, negatif veya nötr olarak sınıflandır.

Yorum: 'Harika bir deneyim, çok memnun kaldım!' Cevap: Pozitif

Yorum: 'Bu ürün gerçekten çok kötü, paramı boşa harcadım.' Cevap:"

One örnek modele FORMAT'ı gösterir. Aynı yapıda cevap üretir.

2.4 Few-Shot Örnek (3-Shot)

Prompt:

"Aşağıdaki yorumların duygu durumunu pozitif, negatif veya nötr olarak sınıflandır.

Yorum: 'Harika bir deneyim, çok memnun kaldım!' Cevap: Pozitif

Yorum: 'Ortalama bir ürün, beklediğim kadar değil ama kötü de değil.' Cevap: Nötr

Yorum: 'Bu ürün gerçekten çok kötü, paramı boşa harcadım.' Cevap: Negatif

Yorum: 'Kargolama çok geç oldu, ürün sallanıyor.' Cevap:"

3 örnek hem format hem de NÜANS gösterir — "kötü değil ama beklediğim kadar değil" gibi nötr durumları.

2.5 Hangi Seviyeyi Kullanmalı?

3.1 Strateji 1: Random Selection

En basit yaklaşım. Veri setinden rastgele 3-5 örnek seç.

Avantajı: Bias yok, hızlı.

Dezavantajı: Optimum değil. Bazı örnekler çok benzer, bazıları irrelevant.

3.2 Strateji 2: Similarity-Based (KATE Algoritması)

Mantık:

1. Tüm training örnekleri için embedding hesapla
2. Test örneği geldiğinde embedding hesapla
3. Cosine similarity ile en yakın k örneği seç
4. Bu k örneği prompt'ta kullan

Avantajı: Görev-spesifik, optimal context. Modern production'da yaygın.

Dezavantajı: Compute overhead (embedding hesapla), KVKK riski (embedding kaydetme).

3.3 Strateji 3: Diversity Selection

Tek tip örnek yerine farklı tipleri göster.

Örnek: Sentiment analysis için

• 1 örnek: çok pozitif yorum
• 1 örnek: çok negatif yorum
• 1 örnek: nötr yorum
• 1 örnek: karışık (mixed) yorum
• 1 örnek: sarcasm

Avantajı: Modeli edge case'lere hazırlar.

Dezavantajı: Tüm task tip'lerini bilmek gerekir.

3.4 Strateji 4: Active Learning

İnsan-eldeği etkileşim ile en bilgi açıcı örnekleri seç.

Mantık:

1. Initial random örneklerle başla
2. Modelin hata yaptığı yerleri tespit et
3. Bu örnekleri few-shot'a ekle
4. Tekrar değerlendir

Avantajı: İterative iyileşme, model zayıflıklarını hedefler.

Dezavantajı: Manuel emek + iterasyon süresi.

3.5 Strateji 5: Semantic Embedding Clustering

1. Tüm training örneklerini embedding'le
2. K-Means clustering (örn. k=5 cluster)
3. Her cluster'dan 1 örnek seç (diversity garantili)

Avantajı: Diversity + similarity dengesi.

Dezavantajı: Cluster sayısı optimize etmek gerek.

3.6 Strateji 6: Coverage-Based

Task'ın olası TÜM varyasyonlarını kapsayan örnekler seç.

Örnek: Türkçe NER için

• Şirket adı
• Şehir
• Kişi adı
• Tarih
• Para birimi (TL, $, €)
• Telefon numarası

Avantajı: Comprehensive, tüm cases.

Dezavantajı: Çok shot gerekli (token cost).

3.7 Strateji 7: Difficulty Curriculum

Easy → Medium → Hard sırasıyla örnekler sun.

Mantık: Model basitten karmaşığa progressive öğrensin.

Avantajı: Curriculum learning prensibi, complex tasks için iyi.

Dezavantajı: Difficulty annotation gerek.

3.8 Strateji 8: Dynamic Few-Shot Retrieval (Production Hybrid)

RAG + Few-Shot kombinasyonu — modern production tekniği:

1. Veritabanında binlerce annotated örnek tut
2. Test query geldiğinde vector search ile en uygun 3-5 örneği getir
3. Bu örnekleri few-shot prompt'a ekle
4. LLM'e gönder

Avantajı: Sürekli güncel, query-spesifik, scalable.

Dezavantajı: Infra complexity (vector DB), latency.

3.9 Strateji Karşılaştırması

4.1 Akademik Bulgular

Brown et al. 2020 (GPT-3 paper) ana bulgu:

Sonuç: Çoğu task'ta 8 örnek ile doygunluk (saturation). 32 örnek marjinal kazanç.

4.2 Modern LLM'lerde Optimum

4.3 Pratik Rule of Thumb

5.1 Lu et al. 2022 — "Lost in the Middle"

Paper: "Lost in the Middle: How Language Models Use Long Contexts" (Liu, Lin, Hewitt, Paranjape, Bevilacqua, Petroni, Liang — Stanford + Berkeley — 2023)

Ana bulgu: Uzun bağlamda model bilgiyi U-shape pattern'da kullanıyor:

• Başlangıçtaki bilgi → iyi hatırlanıyor (primacy effect)
• Sonundaki bilgi → iyi hatırlanıyor (recency effect)
• ORTADA olan bilgi → UNUTULUYOR

5.2 Few-Shot İçin Sıralama Önerileri

5.3 Anthropic XML Tags Pattern

Modern best practice — XML benzeri tagger ile örnekleri yapılandır:

\ \ \...\ \...\ \ \ \...\ \...\ \ \

Avantajı: Model XML structure'ı tanıyor, çıktıyı daha tutarlı parse edebiliyorsun.

6.1 Delimiter Seçimi

6.2 Anthropic'in Önerdiği Format

Bu pattern Claude için sektör standardı, GPT-5 için de iyi çalışır.

En güçlü teknik — Few-Shot Chain-of-Thought.

Wei et al. 2022 paper'ın özü: Few-Shot içine MUHAKEME ADIMLARI ekle.

Örnek:

Q: Ahmet 5 elma aldı, 3 tanesini yedi. Kaç elması kaldı? A: Adım adım düşünelim. Ahmet 5 elma ile başladı. 3 tanesini yedi. 5 - 3 = 2. Cevap: 2.

Q: Bir kutuda 12 kalem var, 4'ünü kız kardeşine verdi. Kaç kalemi kaldı? A: Adım adım düşünelim. 12 kalemle başladı. 4'ünü verdi. 12 - 4 = 8. Cevap: 8.

Q: Ali 7 lira ile başladı. 3 lira harcadı, sonra 5 lira kazandı. Kaç lirası var? A:

Model bu pattern'ı görerek kendi CoT muhakemesini üretiyor. Few-Shot + CoT kombinasyonu en güçlü tekniktir.

8.1 Sentiment Classification — Türkçe

Görev: Trendyol ürün yorumlarını sınıflandır.

\ \ \"Çok kaliteli, tam beklediğim gibi."\ \Pozitif\ \ \ \"Beklediğimden daha kötü, geri göndereceğim."\ \Negatif\ \ \ \"Fena değil ama bu fiyata daha iyisi olur."\ \Nötr\ \ \

Yorum: "Kargolama biraz geç oldu ama ürün gayet iyi."

Bu prompt model'e mixed sentiment'ı da öğretir.

8.2 NER — Türk Şirket Adları

\ \ \"Trendyol ve Hepsiburada Türk e-ticaret pazarında lider."\ \{"sirketler": ["Trendyol", "Hepsiburada"], "kategori": "e-ticaret"}\ \ \ \"Türkiye İş Bankası ve Garanti BBVA finansal teknoloji yatırımları yapıyor."\ \{"sirketler": ["Türkiye İş Bankası", "Garanti BBVA"], "kategori": "finans"}\ \ \

Metin: "Turkcell ve Vodafone 5G altyapısı için yatırım yaptı."

8.3 Translation — Türkçe → İngilizce Tone Style

\ \ \"Sayın müşterimiz, talebiniz alınmıştır."\ \"Dear customer, your request has been received."\ \ \ \"Selam, ne haber? Bugün ne yaparız?"\ \"Hey, what's up? What are we doing today?"\ \ \

Türkçe: "Maalesef bu ürün şu an stokta yok, üzgünüz."

Bu prompt resmi vs samimi tonu öğretiyor.

8.4 Customer Service Yanıt

\ \ \"Kargoyu bekleyemedim, geri gönderdim ama parayı 1 haftada geri almadım."\ \"Sayın müşterimiz, yaşadığınız sıkıntı için özür dileriz. İade işleminiz 5-10 iş günü içerisinde tamamlanır. Sipariş numaranızla 0850-XXX-XXXX hattımızdan detaylı bilgi alabilirsiniz. Geri bildiriminizi paylaştığınız için teşekkür ederiz."\ \ \ \"Beden yanlış geldi!"\ \"Merhaba, yanlış beden gönderildiği için özür dileriz. Ürünü ücretsiz iade edip doğru bedeni göndermemizi istiyorsanız sipariş numaranızı paylaşırsanız hemen işlem başlatalım."\ \ \

Şikayet: "Ürün geldi ama paketi açtığımda kırılmıştı."

8.5 Code Generation (Python)

\ \ \"Bir listenin tüm tek sayılarının toplamı"\ \def tek_sayi_toplami(liste): return sum(n for n in liste if n % 2 == 1)\ \ \ \"Bir dictionary'nin value'larına göre sırala"\ \def sirala(d, ascending=True): return dict(sorted(d.items(), key=lambda x: x[1], reverse=not ascending))\ \ \

Açıklama: "Bir string'in tüm permütasyonlarını bulan fonksiyon"

8.6 JSON Structured Output

\ \ \"Ahmet 35 yaşında, İstanbul'da yaşıyor, yazılım mühendisi."\ \{"ad": "Ahmet", "yas": 35, "sehir": "İstanbul", "meslek": "yazılım mühendisi"}\ \ \ \"Ayşe Ankara'da 28 yaşında doktor olarak çalışıyor."\ \{"ad": "Ayşe", "yas": 28, "sehir": "Ankara", "meslek": "doktor"}\ \ \

Metin: "Mehmet 42, İzmir, öğretmen."

8.7 Hukuki Kavram Sınıflandırma

\ \ \"Veri sorumlusu, kişisel verilerin işleme amaçlarını belirleyen kişidir."\ \"Tanım - KVKK"\ \ \ \"İşveren, çalışana en az 4 hafta önceden ihbar etmek zorundadır."\ \"Yükümlülük - İş Kanunu"\ \ \

Madde: "Sözleşmenin feshinde 3 aylık tazminat ödenir."

8.8 Medikal Sınıflandırma

\ \ \"Başım çok ağrıyor, bulanık görüyorum, kusma hissim var."\ \"Acil - Migren veya nörolojik"\ \ \ \"Hafif soğuk algınlığı, burun akıyor."\ \"Düşük - ev tedavisi yeterli"\ \ \

⚠️ Uyarı: Bu örnek SADECE eğitim amaçlı. Gerçek medikal tanı için doktora başvurun.

8.9 Email Tone Adaptation

\ \ \"Bunu yapmamız lazım."\ \"Bu hususun en kısa zamanda gerçekleştirilmesini rica ederim."\ \"Bunu birlikte halledelim mi?"\ \ \ \"Geç oldu pardon."\ \"Gecikme için özür dilerim, vaktinizi aldığım için minnettarım."\ \"Geciktim, kusura bakma!"\ \ \

Orijinal: "Toplantı saatini değiştiremez miyiz?"

8.10 Diğer 15+ Türkçe Few-Shot Pattern Örnekleri

(11) Recipe parsing — Türk yemek tarifleri (12) Address parsing — Türkçe adres formatı (13) Phone number formatting — Turkey local (14) Date parsing — Turkish locale (DD.MM.YYYY) (15) Categorization — Türk e-commerce ürün kategorileri (16) Translation Turkish dialect (regional) (17) Pronoun resolution — Türkçe (sondan eklemeli yapı zor) (18) Sentiment in Turkish slang (19) Currency formatting (₺, TL ayrımı) (20) Time expressions in Turkish (21) Question answering with Turkish context (22) Headline generation Turkish style (23) Lyrics analysis Turkish songs (24) Recipe → ingredients list (25) Legal contract clause classification (26) Medical term extraction Turkish

(Her biri için detaylı few-shot prompt aynı yapıda hazırlanır)

9.1 Architecture

9.2 Production Stack

10.1 Version Control

Promptlar versiyonlanmalı, kod gibi:

prompts/
  sentiment-analysis/
    v1.0.md
    v1.1.md
    v2.0.md
    CHANGELOG.md
  ner-extraction/
    v1.0.md

Her versiyon için:

• Few-shot örnek setı
• Performance metric (accuracy, F1)
• Token usage
• Notes (why this version)

10.2 A/B Test Framework

10.3 Evaluation Metrics

Few-shot örnekler token kullanımını artırır.

Optimizasyon:

• Kısa örnekler tercih
• Caching (Anthropic Cache Control)
• Dynamic retrieval (zero-shot fallback)

Soru: 2026'da Few-Shot hala değerli mi?

Soru: Few-Shot vs Fine-Tuning hangisi?

• Few-Shot: 10-50 örnekle, hızlı iterasyon, model değişmiyor
• Fine-tuning: 100-10K örnekle, kalıcı, model değişiyor

Pratik: 100 örnekten az → Few-Shot. 1000+ örnek + sürekli aynı task → Fine-tune.

Soru: KATE benzeri similarity yöntemi nasıl implement?

import openai
from sklearn.metrics.pairwise import cosine_similarity

# 1. Embed all training examples
training_embeddings = [embed(ex.text) for ex in training_set]

# 2. Query time
query_emb = embed(query)
similarities = cosine_similarity([query_emb], training_embeddings)[0]
top_k_indices = similarities.argsort()[-5:][::-1]
selected_examples = [training_set[i] for i in top_k_indices]

# 3. Construct few-shot prompt

Soru: Anthropic XML tags vs JSON?

Anthropic XML — Claude için tercih (training data'da yaygın). JSON — GPT-5 + structured output mode için ideal.

Soru: 32 örnek mantıklı mı?

Sınırlı senaryolarda. Çoğunlukla 3-5 yeter. 32 örnek bağlamı dolduruyor, ana query için yer azalıyor.

Soru: Türkçe Few-Shot İngilizce'den ne kadar farklı?

Aynı prensipler. AMA: Türkçe örnekler daha az online (training data), bu yüzden quality örnek seçimi önemli. Native Türk yazımı.

Soru: Production'da prompt değişikliği nasıl deploy?

Git-based (kod gibi). Prompt change → branch → PR → review → merge → A/B test → roll out.

Soru: Few-Shot + RAG nasıl entegre?

Two-stage: önce RAG ile bilgi getir, sonra Few-Shot ile format/style göster. Hybrid çok güçlü.

Soru: Hangi model Few-Shot'ta en iyi?

GPT-5 ve Claude Sonnet 4.6 yakın. Claude Anthropic XML pattern'de avantajlı. Gemini 2M context ile uzun few-shot mümkün.

Soru: Few-Shot prompt'ı agentik workflow'a nasıl entegre?

LangChain Few-Shot templates kullan. Her agent step'i için ayrı few-shot prompt. Dynamic retrieval ile uygun örnekleri her step için seç.

3 ana çıkarım:

1. Few-Shot Learning Brown et al. 2020'den beri modern prompt mühendisliğinin temel tekniği — 8 örnek seçim stratejisi, optimum 3-5 örnek sweet spot.

2. Ordering effects kritik — "Lost in the middle" prensibi, primacy + recency exploit et.

3. 2026'da Modern LLM'lerde Few-Shot hala değerli — custom format, domain-specific, edge cases, Türkçe nüans için. Dynamic retrieval (RAG-Few-Shot hybrid) production lider.

Bu hafta yapılacaklar:

(1) Mevcut promptlarınıza 3-5 quality Few-Shot örneği ekle, before/after karşılaştır.

(2) Anthropic XML tags pattern'ini bir prompta uygula.

(3) Eğer 100+ annotated örnek varsa: Dynamic Few-Shot retrieval kurulumu düşün.

(4) Evaluation framework kur (Promptfoo veya LangSmith).