Few-Shot Prompting Nedir? Örnekle Yönlendirme

Few shot prompting nedir? Few shot prompting, bir dil modeline yapmasını istediğiniz işi kelimelerle anlatmak yerine, o işin birkaç çözülmüş örneğini prompt içinde göstererek modeli yönlendirme tekniğidir. Modele "şunu şöyle yap" demek yerine, iki-beş örnek koyar ve "bak, girdi böyle olunca çıktı böyle oluyor" dersiniz; model bu örneklerden görevin kalıbını çıkarır ve yeni girdiye aynı biçimde yanıt verir.

Bir dil modeli talimatları anlayabilir, ama talimat çoğu zaman belirsizdir: "bu yorumun duygusunu söyle" dediğinizde model "olumlu", "pozitif", "mutlu", "5 üzerinden 4" ya da uzun bir paragrafla cevap verebilir — hangisini istediğinizi bilemez. Few shot prompting tam olarak bu belirsizliği giderir: birkaç örnekle beklediğiniz biçimi, tonu ve etiket kümesini gösterirsiniz, model de onu taklit eder. Bu rehberde few shot prompting nedir, nasıl çalışır, zero shot farkı nedir, kaç örnek vermeli, örnekler nasıl seçilir, örnekler nasıl yanlılık yaratır, ne zaman kullanılmalı ne zaman kullanılmamalı, fine-tuning ve RAG ile ilişkisi nedir ve tutarlı çıktı için hangi disiplinler gerekir sorularını bir danışman titizliğiyle ele alıyoruz.

Tanım

Few-Shot Prompting

Bir dil modeline bir görevi kelimelerle anlatmak yerine, o görevin birkaç çözülmüş örneğini (girdi-çıktı çiftini) prompt içinde göstererek modeli yönlendirme tekniği. Model bu örneklerden görevin kalıbını çıkarır ve yeni girdiye aynı biçimde yanıt verir. Öğrenme, modelin ağırlıkları değişmeden yalnızca o anlık istem içinde gerçekleşir; buna bağlam içi öğrenme (in-context learning) denir.

Ayrıca: few shot prompting, örnekle yönlendirme, örnekle öğretme, bağlam içi öğrenme, in-context learning

Few shot prompting nedir sorusunun en kısa cevabı şudur: modele görevi örnekle öğretmek. "Few" (birkaç) kelimesi verilen örnek sayısının azlığını, "shot" (deneme/örnek) her bir örneği, "prompting" ise bunların modelin istemine (prompt) yerleştirilmesini anlatır. Yani modele işi anlatmak yerine, işin birkaç çözülmüş halini gösterip "sen de böyle yap" dersiniz.

Bir benzetme yardımcı olur. Yeni işe başlayan bir çalışana bir görevi iki türlü öğretebilirsiniz. Birincisi, uzun uzun anlatırsınız: "Gelen e-postayı oku, konusuna göre sınıflandır, şu kurallara dikkat et." İkincisi, önüne üç tane çözülmüş örnek koyarsınız: "Bak, bu e-posta şu kategoriye girdi, bu şuna, bu da şuna — şimdi sıradakini sen sınıflandır." İnsanlar çoğu zaman ikinci yolla daha hızlı ve daha doğru öğrenir; çünkü soyut kural yerine somut örnek görürler. Dil modelleri de tam olarak böyle davranır: few shot prompting, modele soyut talimat yerine somut örnek verme sanatıdır.

Buradaki kritik ayrım şudur: few shot prompting, modeli yeniden eğitmez. Modelin içindeki milyarlarca parametre (ağırlık) hiç değişmez. Örnekler yalnızca o anlık istemin içinde yaşar; model, o çağrı boyunca örneklerden görevin kalıbını çıkarır, yanıtı verir ve çağrı bitince örnekler "unutulur". Bu geçici, istem-içi öğrenmeye bağlam içi öğrenme (in-context learning) denir ve few shot prompting'in çalışma mekanizmasının kalbidir. Bu ayrım, few-shot'u fine-tuning'den (kalıcı eğitim) kesin biçimde ayırır; ikisini ilerideki bölümde karşılaştıracağız.

Few shot prompting nedir kadar önemli bir soru da nasıl çalıştığıdır. Yüzeyde işlem basit görünür: prompt'a birkaç örnek eklersiniz, model daha iyi cevap verir. Ama perde arkasında ilginç bir mekanizma çalışır ve bunu anlamak, tekniği doğru kullanmanın anahtarıdır.

Bir dil modeli özünde bir örüntü tamamlama makinesidir: kendisine verilen metni okur ve en olası devamı üretir. Few shot prompting bu yeteneği bilinçli biçimde kullanır. Prompt'a "Girdi: ... → Çıktı: ..." biçiminde birkaç örnek koyduğunuzda, model bu tekrar eden yapıyı bir kalıp olarak algılar. Son satıra yeni bir girdi yazıp çıktıyı boş bıraktığınızda, model kalıbı sürdürmenin en olası yolunun bu girdiye uygun çıktıyı üretmek olduğunu "görür". Yani model, örneklerden görevin ne olduğunu, girdinin nasıl göründüğünü ve çıktının hangi biçimde olması gerektiğini çıkarır — hepsi tek bir çağrı içinde.

Bu mekanizmanın önemli bir sonucu vardır: model örneklerden yalnızca "ne yapılacağını" değil, "nasıl yapılacağını" da öğrenir. Örnekleriniz kısa cevaplıysa model kısa cevap verir; örnekleriniz gerekçe içeriyorsa model de gerekçe üretir; örnekleriniz belirli bir JSON biçimindeyse model o biçime uyar. Bu yüzden few shot prompting yalnızca doğruluğu artırmaz, çıktının biçimini ve tonunu da kontrol eder. Örnekle öğretme, modele hem görevi hem de o görevi sunma biçimini aynı anda gösterir.

Bir noktayı netleştirmek gerekir: model örneklerden görevi "anlar" derken bir insan gibi kavradığını değil, örüntüyü istatistiksel olarak sürdürdüğünü kastediyoruz. Bu ayrım pratikte önemlidir; çünkü model bazen örneklerin yüzeysel bir özelliğine (örneğin hep aynı uzunlukta olmalarına) takılıp asıl görevi kaçırabilir. İyi few shot prompting, modelin doğru örüntüye — yüzeysel değil, anlamlı olana — kilitlenmesini sağlayacak biçimde örnek tasarlamaktır.

Few shot prompting'i tam kavramak için onu komşularıyla karşılaştırmak gerekir. Örnek sayısına göre üç temel yaklaşım vardır ve zero shot farkı bu spektrumun bir ucundadır. Bu üçünü net ayırmak, hangi durumda hangisini seçeceğinizi bilmenizi sağlar.

Zero-shot prompting'te modele hiç örnek verilmez; yalnızca bir talimat vardır. "Bu ürün yorumunun duygusunu belirt" dersiniz ve model kendi ön bilgisiyle yanıtlar. Zero-shot hızlıdır, prompt kısadır ve token maliyeti düşüktür; modelin zaten iyi bildiği, biçimi kritik olmayan basit görevlerde çoğu zaman yeterlidir. Zero shot farkı tam da buradadır: örnek yokluğu esneklik ve hız verir, ama biçim ve tutarlılık kontrolünü zayıflatır.

One-shot prompting'te modele tek bir örnek verilir. Bu tek örnek bile çoğu zaman biçimi netleştirmeye yeter: model, istenen çıktının nasıl görüneceğini bir kez görür ve ona uyar. Few-shot prompting'te ise iki veya daha fazla (genellikle iki-beş) örnek verilir; birden fazla örnek, hem biçimi netleştirir hem de görevin farklı yönlerini ve kenar durumlarını gösterir. Örnek sayısı arttıkça model görevin sınırlarını daha iyi kavrar, ama bu artışın bir bedeli ve bir doyma noktası vardır — bunu ayrı bir bölümde ele alacağız.

Zero-shot, one-shot ve few-shot prompting karşılaştırması

Boyut	Zero-shot	One-shot	Few-shot
Örnek sayısı	0	1	2-5 (tipik)
Biçim kontrolü	Zayıf	Orta	Güçlü
Tutarlı çıktı	Değişken	Daha iyi	En tutarlı
Token maliyeti	En düşük	Düşük	Daha yüksek
En iyi kullanım	Basit, tanıdık görev	Biçim netleştirme	Sınıflandırma, biçim, ton

Bu üçü rakip değil, bir merdivenin basamaklarıdır. Doğru pratik yaklaşım, en ucuz ve en basit olanla — zero-shot ile — başlamak, sonucu ölçmek ve ancak biçim ya da tutarlılık sorunları görüldüğünde one-shot veya few-shot'a çıkmaktır. Karmaşıklığı gereksizce eklemek token israfıdır; ama gerçekten gerekli olduğunda few shot prompting, zero shot farkını net biçimde kapatır ve çıktıyı güvenilir kılar. Modelin ne kadar örnek alabileceğini belirleyen sınır önemlidir; çünkü çok fazla örnek istemin sığmayacağı bir noktaya ulaşabilir.

"Kaç örnek vermeli?" few shot prompting'in en sık sorulan sorusudur ve dürüst cevap "duruma göre değişir"dir — ama bu cevabı işe yarar bir kurala dönüştürebiliriz. Örnek sayısı, doğruluk ve maliyet arasında bilinçli bir dengedir; ne çok az ne çok fazla.

Genel gözlem şudur: doğruluk ve tutarlılık, ilk birkaç örnekle hızla yükselir, sonra bir platoya girer. İlk örnek biçimi netleştirir; ikinci ve üçüncü örnek görevin çeşitliliğini ve kenar durumlarını gösterir; dördüncü, beşinci örnek genellikle küçük iyileştirmeler ekler; ondan sonraki örnekler ise çoğu zaman kayda değer bir kazanç sağlamadan yalnızca token maliyeti ve gecikme ekler. Bu yüzden pratik başlangıç noktası iki-beş iyi seçilmiş örnektir. Örnek sayısını körlemesine artırmak değil, doğru örnekleri seçmek kaliteyi belirler.

Ama görev türü bu sayıyı değiştirir. Basit, tek biçimli görevlerde (örneğin bir metni iki sınıftan birine ayırmak) bir-iki örnek yeter. Çok sınıflı görevlerde (örneğin on farklı kategoriye ayırmak) her sınıfı en az bir örnekle temsil etmek gerekebilir; bu da doğal olarak örnek sayısını yükseltir. Kenar durumların bol olduğu görevlerde (örneğin belirsiz, alaycı veya karışık dilli metinler) bu durumları gösteren ek örnekler değerlidir. Kısacası örnek sayısı, görevin karmaşıklığıyla ölçeklenir; ama her zaman "yeterince ama fazla değil" ilkesine bağlı kalır.

Örnek sayısı × beklenen etki (illustratif çerçeve)

Örnek sayısı	Tipik etki	Ne zaman uygun	Dikkat
0 (zero-shot)	Biçim değişken, hızlı	Basit, tanıdık görev	Tutarlılık düşük olabilir
1 (one-shot)	Biçim büyük ölçüde netleşir	Tek kalıp yeterliyse	Tek örnek yanlıysa yanıltır
2-5 (few-shot)	En iyi denge	Çoğu kurumsal görev	Örnek kalitesi kritik
6-10+	Azalan getiri	Çok sınıflı/kenar durum bol	Maliyet ve gecikme artar

Yukarıdaki çerçeve illüstratiftir; kesin sayılar modele, göreve ve verinize bağlıdır. Bu yüzden en sağlam yaklaşım tahmin değil ölçümdür: küçük bir etiketli test kümesi hazırlayın, örnek sayısını bir, iki, üç, beş diye kademeli artırın ve doğruluğun nerede platoya girdiğini görün. Böylece "kaç örnek" sorusuna kurumunuza ve görevinize özel, kanıta dayalı bir cevap verirsiniz. Örnek sayısını artırırken bir sınırı da unutmayın: her örnek bağlam penceresinden yer yer ve token maliyeti ekler; çok uzun bir örnek listesi hem pahalıdır hem de modelin dikkatini seyreltebilir.

Örnek sayısı kadar — hatta ondan daha çok — önemli olan, hangi örnekleri seçtiğinizdir. İyi örnek seçimi, few shot prompting kalitesinin gerçek kalbidir; çünkü model gördüğü örnekleri rol modeli alır. Beş kusurlu örnek, iki kusursuz örnekten daha kötü sonuç verir. İyi örnek seçimi birkaç ilkeye dayanır.

Birinci ilke doğruluktur. Her örnek kusursuz çözülmüş olmalıdır; çünkü model, örnekteki hatayı da "görevin doğru cevabı" sanıp kopyalar. Yanlış etiketlenmiş tek bir örnek, tüm çıktıyı zehirleyebilir. Bu yüzden örnekler rastgele değil, dikkatle seçilmeli ve doğrulanmalıdır. İkinci ilke çeşitliliktir. Örnekler görevin farklı yönlerini kapsamalı; hepsi aynı tipte, aynı kolaylıkta olmamalıdır. Çeşitli örnekler modele görevin sınırlarını gösterir; tek tip örnekler ise dar bir kalıp dayatır ve model o kalıbın dışına çıkan girdilerde başarısız olur.

Üçüncü ilke temsildir. Örnekler, gerçek verinizin dağılımını yansıtmalıdır. Eğer gerçek girdilerinizin çoğu kısa ve resmî ama örnekleriniz hep uzun ve gündelikse, model gerçek girdilerde yanılır. Dördüncü ilke dengedir; özellikle sınıflandırma görevlerinde kritiktir. Örneklerinizde etiketler dengesizse — diyelim dört olumlu, bir olumsuz — model çoğunluk etiketine kayar ve olumsuzları kaçırır. Beşinci ilke kenar durum kapsamıdır: modelin en çok zorlanacağı belirsiz, aykırı veya tuzaklı girdileri örneklerle göstermek, onu bu durumlara hazırlar.

İleri bir teknik, örnekleri sabit tutmak yerine dinamik seçmektir. Bu yaklaşımda, gelen her yeni girdi için, önceden hazırlanmış büyük bir örnek havuzundan o girdiye en benzer örnekler bir arama katmanıyla seçilir ve prompta konur. Böylece her sorgu, kendi bağlamına en uygun örneklerle beslenir. Bu teknik, few shot prompting ile bilgi getirme mimarilerini birleştirir ve özellikle girdi çeşitliliğinin yüksek olduğu kurumsal senaryolarda tutarlı çıktı kalitesini belirgin biçimde artırır. Bu dinamik seçim mantığı, bir LLM maliyet optimizasyonu stratejisiyle de örtüşür; çünkü yalnızca en ilgili örnekleri göndermek, gereksiz token harcamasını da azaltır.

Few shot prompting'te çoğu kişi örnekleri seçtikten sonra işin bittiğini sanır; oysa örneklerin sırası ve biçimi de sonucu belirgin biçimde etkiler. Modeller, örneklerin yalnızca içeriğine değil, düzenine de duyarlıdır ve bu duyarlılığı yönetmek, ileri düzey few-shot ustalığının parçasıdır.

Önce sıra. Araştırma ve saha deneyimi gösterir ki modeller, örneklerin sırasına şaşırtıcı ölçüde duyarlıdır; aynı örnekleri farklı sırayla vermek farklı çıktılar üretebilir. Genellikle son örneklerin etkisi daha güçlüdür — buna recency (yakınlık) etkisi denir; model, kendisine en yakın gördüğü örneği daha çok ağırlıklandırır. Sınıflandırmada bu, bir tuzağa dönüşebilir: eğer son iki örneğiniz hep aynı etiketse, model o etikete kayabilir. Bu yüzden örnek sırasını bilinçli tasarlamak — örneğin etiketleri dönüşümlü sıralamak veya sırayı çeşitlendirmek — yanlılığı azaltır.

Sonra biçim. Örneklerinizin biçimi, modele bir şablon dayatır. Girdi ve çıktıyı nasıl etiketlediğiniz ("Girdi:/Çıktı:", "Soru:/Cevap:", "Metin:/Etiket:"), araya hangi ayraçları koyduğunuz, çıktının uzunluğu ve yapısı — hepsi modelin taklit edeceği kalıbın parçasıdır. Tutarlı ve net bir biçim, modele temiz bir şablon verir; tutarsız biçim (bir örnekte iki nokta, diğerinde tire; birinde uzun, diğerinde kısa cevap) modeli kararsız bırakır. İyi bir few-shot promptunda tüm örnekler aynı biçimi kusursuzca paylaşır; böylece model biçimi net görür ve tutarlı çıktı üretir.

Biçimin bir başka boyutu, örneklerin talimattan ve gerçek sorudan görsel olarak ayrılmasıdır. Model, "bunlar örnek, bu ise cevaplanacak asıl girdi" ayrımını net görmelidir; aksi halde örneklerden birini asıl soru sanabilir veya asıl soruyu bir örnek gibi işleyebilir. Açık ayraçlar, tutarlı etiketler ve son satırda boş bırakılan çıktı alanı, bu ayrımı netleştirir. Kısacası few shot prompting'te "ne söylediğiniz" kadar "nasıl dizdiğiniz" de önemlidir.

Few shot prompting güçlü bir tekniktir, ama körlemesine kullanıldığında ince yanlılıklar (bias) getirir. Bu yanlılıkların farkında olmak, few-shot'u acemi kullanımdan uzman kullanıma taşıyan çizgidir. Örnekler, modeli yönlendirdiği gibi, istemeden yanlış yöne de itebilir.

Birinci yanlılık kaynağı etiket dengesizliğidir. Sınıflandırma yaparken örneklerinizdeki etiketler dengeli değilse, model o dengesizliği bir sinyal sanır. Beş örnekten dördü "olumlu", biri "olumsuz" ise, model belirsiz girdilerde "olumlu" demeye eğilim gösterir; çünkü örnekler ona bu görevin çoğunlukla olumlu olduğunu "öğretmiştir". Çözüm, etiketleri mümkün olduğunca dengelemek veya en azından dengesizliğin farkında olup çıktıyı buna göre değerlendirmektir. İkinci kaynak sıra yanlılığıdır: az önce değindiğimiz recency etkisi nedeniyle, son örneklerin etiketi çıktıyı orantısız etkiler.

Üçüncü kaynak biçim yanlılığıdır. Örnekleriniz hep kısa cevaplıysa, model uzun ve nüanslı bir yanıt gerektiren girdide bile kısa keser; hepsi kesin ve emin tonda ise, model belirsiz bir girdide bile emin konuşur. Model, örneklerin biçimsel özelliklerini görevin gereği sanar. Dördüncü kaynak seçim yanlılığıdır: örneklerinizi gerçek dağılımı temsil etmeyecek biçimde seçtiyseniz (örneğin hep kolay vakalar), model zor vakalarda hazırlıksız yakalanır ve gerçek performans, test ettiğinizden düşük çıkar.

Her teknik gibi few shot prompting de her sorunun çözümü değildir; gücü belirli durumlarda ortaya çıkar, bazı durumlarda ise gereksiz hatta zararlıdır. Nerede kullanılacağını bilmek, tekniği ustaca kullanmanın yarısıdır.

Few shot prompting şu durumlarda güçlüdür. Birincisi, çıktının belirli bir biçime uyması gerektiğinde: belirli bir JSON yapısı, sabit bir etiket kümesi, tutarlı bir tablo düzeni istiyorsanız, örnekler bu biçimi kelimelerle anlatmaktan çok daha net gösterir. İkincisi, görev nüanslı veya öznel olduğunda: "profesyonel ama sıcak bir ton" gibi tarif etmesi zor bir şeyi, üç örnekle göstermek anlatmaktan kolaydır. Üçüncüsü, sınıflandırma görevlerinde: özellikle etiketlerin tanımı ince farklar içeriyorsa, örnekler sınırları netleştirir. Dördüncüsü, modelin varsayılan davranışını değiştirmek gerektiğinde: model kendi haline bırakıldığında istemediğiniz bir biçimde cevap veriyorsa, örneklerle onu istediğiniz kalıba çekersiniz.

Few shot prompting şu durumlarda ise gereksiz ya da yanlış araçtır. Görev gerçekten basitse ve model zaten iyi yapıyorsa, örnek eklemek yalnızca token harcar; zero-shot yeter. Görev, modelin hiç bilmediği güncel ya da kuruma özel bilgi gerektiriyorsa, few-shot bu bilgiyi getirmez — birkaç örnek bir bilgi tabanının yerini tutmaz; burada doğru araç bilgi getirme mimarisidir. Görev çok sayıda örnek gerektiriyorsa (yüzlerce farklı durum) ve bu her çağrıda tekrarlanacaksa, örnekleri her seferinde göndermek pahalı olur; burada fine-tuning daha ekonomiktir. Bu ayrımları ilerideki bölümlerde derinleştiriyoruz.

Few shot prompting: ne zaman uygun, ne zaman değil

Durum	Few-shot uygun mu?	Daha iyi alternatif
Belirli çıktı biçimi gerekli	Evet, çok uygun	-
Nüanslı ton/üslup	Evet	-
Basit, model zaten iyi yapıyor	Gereksiz	Zero-shot
Güncel/kuruma özel bilgi lazım	Yetersiz	RAG (bilgi getirme)
Yüksek hacim, kararlı görev	Pahalı	Fine-tuning

Doğru zihinsel model şudur: few shot prompting bir "biçim ve davranış" aracıdır, bir "bilgi" aracı değil. Modele nasıl davranacağını, çıktıyı nasıl biçimlendireceğini ve hangi tonu kullanacağını öğretir; ama ona bilmediği yeni bir olguyu öğretmez. Bu ayrımı içselleştirmek, few-shot'u nerede kullanacağınızı ve nerede başka bir araca geçeceğinizi netleştirir.

Kurumsal kullanımda few shot prompting'in en değerli faydası tutarlı çıktıdır. Bir uygulamanın her seferinde aynı biçimde, aynı kalitede ve öngörülebilir bir yanıt üretmesi gerekir; rastgele değişen çıktı, otomasyonu imkânsız kılar. Few-shot, doğru kurulduğunda tutarlı çıktının en pratik yoludur, ama bunun için birkaç disiplin gerekir.

Birinci disiplin, kusursuz ve tutarlı örneklerdir. Az önce ayrıntılandırdığımız gibi, örnekleriniz aynı biçimi, aynı etiket kümesini ve aynı üslubu kusursuzca paylaşmalıdır. Model tutarlı örnek görürse tutarlı çıktı üretir; tutarsız örnek görürse çıktısı da değişkenleşir. İkinci disiplin, net biçim şablonudur: çıktının yapısını (alan adları, sıra, ayraçlar) örneklerde açıkça göstermek, modeli her seferinde aynı yapıya bağlar. Üçüncü disiplin, açık talimatı örneklerle birleştirmektir: örnekler biçimi gösterir, talimat ise kuralları ve sınırları söyler; ikisi birlikte belirsizliği en aza indirir.

Dördüncü disiplin, belirsizlik davranışını tanımlamaktır. Model, örneklerde görmediği bir durumla karşılaşınca ne yapacağını bilmelidir. İyi bir few-shot promptu, "eğer girdi hiçbir kategoriye uymuyorsa 'belirsiz' etiketini kullan" gibi bir kaçış yolu tanımlar; böylece model belirsiz durumlarda uydurmak yerine öngörülebilir davranır. Beşinci disiplin, tekrarlanabilirliği artıran ayarlardır: çıktının rastgeleliğini azaltan model ayarları (düşük sıcaklık gibi) ile few-shot birleştiğinde, aynı girdi büyük ölçüde aynı çıktıyı verir.

Tutarlı çıktının ölçülebilir olduğunu da hatırlamak gerekir. Aynı girdiyi birkaç kez çalıştırıp çıktıların ne kadar değiştiğini görmek, tutarlılığın somut bir testidir. Eğer aynı girdi farklı çalıştırmalarda farklı biçimlerde cevaplanıyorsa, promptunuz henüz yeterince kararlı değildir ve örneklerinizi veya talimatınızı sıkılaştırmanız gerekir. Kurumsal bir uygulamada bu tekrarlanabilirlik testi, sistemi üretime almadan önce yapılması gereken temel bir adımdır.

Few shot prompting nedir sorusunu teoride anlamak kolaydır; zor olan, pratikte tuzaklara düşmeden uygulamaktır. Deneyimli bir gözle bakıldığında, başarısız few-shot denemeleri benzer hatalarla bozulur. En yaygınları şunlardır:

• Hatalı veya tutarsız örnek kullanmak: Yanlış etiketlenmiş ya da biçimi değişken bir örnek, modeli yanlış yöne çeker; çünkü model hatayı da kopyalar. Örnek sayısını artırmak değil, örnekleri kusursuzlaştırmak gerekir.
• Dengesiz etiket dağılımı: Sınıflandırmada örneklerin çoğu tek bir etiketse, model o etikete kayar. Etiketleri mümkün olduğunca dengelemek şarttır.
• Sıra etkisini görmezden gelmek: Örneklerin sırasını rastgele bırakmak, recency yanlılığı yaratır; özellikle son örneğin etiketi çıktıyı orantısız etkiler.
• Çok fazla örnek koymak: "Ne kadar çok, o kadar iyi" yanılgısıyla onlarca örnek eklemek, azalan getiri, artan maliyet ve seyrelen dikkat demektir.
• Few-shot'u bilgi aracı sanmak: Modele bilmediği güncel bir olguyu birkaç örnekle öğretmeye çalışmak boşunadır; bu bir bilgi getirme (RAG) işidir, few-shot işi değil.
• Örnekleri gerçek soruyla karıştırmak: Örnekler ile cevaplanacak asıl girdi net ayrılmazsa, model asıl soruyu bir örnek gibi işleyebilir veya tersini yapar.
• Ölçmeden üretime almak: "İyi görünüyor" demek yeterli değildir; few-shot promptu dengeli bir test kümesinde ölçülmeden güvenilir sayılamaz.

Bu hatalardan kaçınmanın en pratik yolu, few-shot promptunu bir defada mükemmel yazmaya çalışmak değil, küçük adımlarla iyileştirmektir. Basit bir zero-shot ile başlayın, sonuç yetersizse bir örnek ekleyin, hâlâ yetersizse örnekleri çeşitlendirin ve her adımda küçük bir test kümesinde ölçün. Bu kademeli yaklaşım, hem gereksiz karmaşıklığı önler hem de her değişikliğin gerçekten fayda getirip getirmediğini görmenizi sağlar.

Few shot prompting'in gücünü somutlaştırmanın en iyi yolu, farklı görev tiplerinde nasıl uygulandığını görmektir. Aynı teknik, görevin doğasına göre farklı biçimlerde işe yarar. Dört yaygın senaryoya bakalım.

Birinci senaryo sınıflandırmadır. Bir metni önceden tanımlı kategorilerden birine ayırmak — örneğin gelen destek taleplerini "faturalama", "teknik sorun", "iptal" gibi etiketlere bölmek — few-shot'un en güçlü olduğu alanlardan biridir. Her kategoriden dengeli birkaç örnek verirsiniz; model etiketlerin sınırlarını bu örneklerden öğrenir ve yeni talepleri aynı etiket kümesiyle sınıflandırır. Burada örnek dengesi ve etiket tutarlılığı kritiktir; dengesiz örnekler modeli çoğunluk etiketine kaydırır.

İkinci senaryo çıkarımdır (extraction): bir metinden belirli bilgileri çıkarıp yapılandırmak — örneğin bir sözleşmeden tarafları, tarihleri ve tutarları çekmek. Few-shot burada hem neyin çıkarılacağını hem de çıktının hangi yapıda olacağını (örneğin bir alan listesi) gösterir. İki-üç örnek, modelin hangi bilgiyi arayacağını ve nasıl biçimlendireceğini net biçimde öğretir. Üçüncü senaryo biçimlendirmedir: serbest bir metni belirli bir yapıya (tablo, madde listesi, özet şablonu) dönüştürmek. Örnekler, istenen yapıyı kelimelerle tarif etmekten çok daha etkili gösterir; model şablonu bir kez görüp tekrarlar.

Dördüncü senaryo ton ve üslup dönüşümüdür: aynı içeriği farklı bir tonda yeniden yazmak — örneğin teknik bir açıklamayı sade bir dile çevirmek veya resmî bir metni sıcak bir müşteri mesajına dönüştürmek. Ton, kelimelerle tarif etmesi en zor şeylerden biridir; ama iki-üç örnek, istediğiniz üslubu doğrudan gösterir. Bu dört senaryonun ortak dersi şudur: few shot prompting, "tarif etmesi zor ama göstermesi kolay" her görevde parlar. Bu tür görevleri günlük iş akışına oturtmanın daha geniş çerçevesini insan-AI iş birliği yazısında ele alıyoruz.

Kurumlar sık sorar: "Modele örnekleri her seferinde vermek yerine, onu bu örneklerle bir kez eğitsek olmaz mı?" Bu, few shot prompting ile fine-tuning arasındaki temel ayrımı gündeme getirir. İkisi de modele örnek gösterir, ama bunu kökten farklı biçimde yapar ve farklı durumlarda uygundur.

Few shot prompting anlıktır ve geçicidir. Örnekleri çağrı anında prompta koyarsınız; model o çağrı boyunca onlardan öğrenir, çağrı bitince "unutur". Kod yazmaya, veri toplamaya veya eğitim sürecine gerek yoktur; bir örneği değiştirip anında sonucu görürsünüz. Bu esneklik, few-shot'u deneme, prototipleme ve sık değişen görevler için ideal kılar. Bedeli ise şudur: örnekler her çağrıda token olarak gönderilir, yani her istekte hem maliyet hem de bağlam penceresinden yer harcanır. Yüksek hacimli, tekrar eden bir görevde bu maliyet birikir.

Fine-tuning ise kalıcıdır. Modeli çok sayıda örnekle (yüzlerce, binlerce) bir eğitim sürecinden geçirir ve davranışı modelin ağırlıklarına gömersiniz. Kurulumu daha pahalı ve yavaştır — veri hazırlamak, eğitmek, doğrulamak gerekir — ama sonrasında çıkarımda örnek göndermenize gerek kalmaz; model görevi zaten "içselleştirmiştir". Bu, yüksek hacimli, kararlı görevlerde hem maliyeti düşürür hem de çok sayıda örneğin bağlamı tıkamasını önler.

Few shot prompting ile fine-tuning ne zaman tercih edilir

Kriter	Few-shot prompting	Fine-tuning
Kurulum	Anında, kodsuz	Veri + eğitim gerekir
Değiştirme hızı	Örneği değiştir, biter	Yeniden eğitim
Çıkarım maliyeti	Her çağrıda örnek tokenı	Örnek göndermeye gerek yok
Örnek kapasitesi	Bağlamla sınırlı (birkaç)	Binlerce örnek
En iyi kullanım	Deneme, düşük/orta hacim, sık değişen	Yüksek hacim, kararlı görev

Pratik kural nettir: önce few shot prompting ile deneyin. Çoğu görev için birkaç iyi örnek yeterlidir ve fine-tuning'in maliyetine hiç girmezsiniz. Ancak görev kararlı hale geldiğinde, hacim yükseldiğinde ve örnekler bağlamda çok yer kaplamaya başladığında fine-tuning'e geçmek ekonomik olur. İkisi rakip değil, olgunluk yolculuğunun iki basamağıdır; hatta birlikte de kullanılabilirler — fine-tuning ile temel davranışı verip, few-shot ile o anki göreve ince ayar yaparsınız.

Few shot prompting ile bilgi getirme mimarisi (RAG) sık karıştırılır, oysa farklı problemleri çözerler ve en güçlü sonuç, ikisini birleştirmekten çıkar. Ayrımı netleştirmek önemlidir: few-shot modele görevi nasıl yapacağını öğretir; RAG ise modele görevi yapmak için gereken bilgiyi getirir.

Bir örnek bu ayrımı somutlaştırır. Diyelim ki bir kurumsal asistan, müşteri sorularını yanıtlıyor. RAG, sorunun cevabını içeren güncel belgeyi (ürün kılavuzu, politika metni) bilgi tabanından bulup prompta ekler — bu, "hangi bilgi" katmanıdır. Few shot prompting ise asistanın bu bilgiyi hangi tonda, hangi biçimde ve hangi yapıda sunacağını birkaç örnekle gösterir — bu, "nasıl sunulacak" katmanıdır. İkisi birlikte çalışır: RAG doğru bilgiyi getirir, few-shot o bilgiyi tutarlı ve istenen biçimde sunmayı sağlar.

Daha ileri bir birleşim, dinamik few-shot seçimidir. Bu yaklaşımda, few-shot örnekleri sabit değildir; gelen her girdi için, bir örnek havuzundan o girdiye en benzer örnekler tıpkı RAG'in belge getirmesi gibi getirilir ve prompta konur. Böylece her sorgu, kendi bağlamına en uygun örneklerle beslenir. Bu teknik, few shot prompting'in gücünü bilgi getirmenin esnekliğiyle birleştirir ve girdi çeşitliliğinin yüksek olduğu senaryolarda tutarlı çıktı kalitesini belirgin biçimde artırır. Bu tür ileri mimarileri kurumsal bağlamda tasarlamak, hem prompt tasarımı hem de sistem mühendisliği gerektirir; benzer bir ayrımı AI ajanı ile chatbot farkı yazısında da ele alıyoruz.

Few shot prompting, akıl yürütme gerektiren görevlerde tek başına bazen yetersiz kalır; işte burada onu chain-of-thought (düşünce zinciri) ile birleştirmek devreye girer. Chain-of-thought, modelin nihai cevaba varmadan önce ara adımları — yani "düşünme sürecini" — açıkça yazmasını sağlayan bir tekniktir. İkisi birleştiğinde, örnekler yalnızca girdi-çıktı çiftini değil, çözüme giden akıl yürütmeyi de gösterir.

Fark şudur: klasik few-shot örneği "Girdi → Çıktı" biçimindedir. Chain-of-thought'lu few-shot örneği ise "Girdi → Adım adım akıl yürütme → Çıktı" biçimindedir. Örneklerinizde çözüme nasıl ulaşıldığını gösterdiğinizde, model de yeni girdide aynı akıl yürütme kalıbını izler; önce düşünür, sonra cevap verir. Bu, özellikle çok adımlı problemlerde — matematiksel hesap, mantıksal çıkarım, karmaşık sınıflandırma — doğruluğu belirgin biçimde artırır. Model, cevabı doğrudan tahmin etmek yerine, örneklerdeki gibi adım adım ilerlediği için hata yapma olasılığı düşer.

Bu birleşimin bir bedeli vardır: akıl yürütme adımlarını yazmak daha çok token tüketir ve yanıtı uzatır. Bu yüzden chain-of-thought'lu few-shot, her görev için değil, gerçekten çok adımlı akıl yürütme gerektiren görevler için uygundur. Basit bir sınıflandırmada gerekçe zorlamak gereksiz maliyettir; ama karmaşık bir karar veya hesaplama gerektiren görevde, örneklerde akıl yürütmeyi göstermek few shot prompting'in doğruluğunu bir üst seviyeye taşır. Kural yine aynıdır: en basit yaklaşımla başlayın, yalnızca ihtiyaç kanıtlandığında karmaşıklığı ekleyin.

Few shot prompting'in genel prensipleri dilden bağımsızdır, ama Türkçe içerikle çalışırken bazı özel incelikler öne çıkar. Bunları görmezden gelmek, tekniğin Türkçedeki verimini sessizce düşürür.

Birinci incelik, örneklerin Türkçe olması gerektiğidir. Görev Türkçe girdilerle çalışacaksa, örnekleriniz de Türkçe olmalıdır; İngilizce örneklerle Türkçe girdi işlemek, modeli hem dil hem biçim açısından kararsız bırakır. Türkçe örnekler, modele hem görevin kalıbını hem de doğru Türkçe üslubu aynı anda gösterir. İkinci incelik, Türkçenin biçim zenginliğidir: aynı kavram çok sayıda çekimli biçimde geçebilir (sözleşme, sözleşmenin, sözleşmeye). Örnekleriniz bu çeşitliliği temsil ederse, model farklı çekimlerde de tutarlı davranır.

Üçüncü incelik, ton ve resmiyet düzeyidir. Türkçede resmî ve gündelik üslup arasındaki fark belirgindir; hitap biçimi, nezaket kalıpları ve cümle yapısı tona göre değişir. İstediğiniz tonu örneklerle göstermek, kelimelerle tarif etmekten çok daha etkilidir; birkaç örnek, "resmî ama samimi" gibi tarif etmesi zor bir Türkçe üslubu doğrudan aktarır. Dördüncü incelik, bazı modellerin İngilizcede güçlüyken Türkçede zayıf kalabilmesidir; few-shot bu boşluğu bir ölçüde kapatır, çünkü örnekler modele doğru Türkçe biçimi hatırlatır, ama modelin temel Türkçe yeterliliğinin de kabul edilebilir olması gerekir.

Türkiye bağlamında bir ek not: kurumsal yapay zeka benimsemesi hızlı ilerliyor ve Türkçeyi doğru işleyen çözümler önemli bir fark yaratıyor. Bu yüzden Türkçe few-shot promptlarını tasarlarken, kararları (örnek sayısı, seçimi, tonu) Türkçe bir test kümesiyle doğrulamak en sağlam yoldur. İngilizcede iyi çalışan bir few shot prompting yaklaşımı, Türkçeye birebir taşındığında aynı kaliteyi vermeyebilir; Türkçeye özel doğrulama, bu riski ortadan kaldırır.

Few shot prompting'in çoğu zaman gözden kaçan bir boyutu maliyettir. Örnekler bedava değildir; her örnek, her çağrıda prompta eklenen ve token olarak ücretlendirilen bir yüktür. Bu maliyet boyutunu anlamak, few-shot'u üretimde ekonomik kullanmanın anahtarıdır.

Mekanizma şudur: bir dil modeli, kendisine gönderilen her token için hesaplama yapar ve çoğu fiyatlandırma token başınadır. Few-shot promptunda örnekler, gerçek soruyla birlikte her çağrıda tekrar tekrar gönderilir. Yani beş uzun örnek eklediğinizde, o beş örneğin token maliyetini her istekte yeniden ödersiniz. Düşük hacimde bu önemsizdir; ama günde binlerce, milyonlarca çağrı yapan bir sistemde, örneklerin token maliyeti toplamda ciddi bir kaleme dönüşür. Bu, örnek sayısını "yeterince ama fazla değil" ilkesiyle sınırlamanın yalnızca kalite değil, maliyet gerekçesidir.

Maliyeti kontrol etmenin birkaç yolu vardır. Birincisi, örnekleri kısa ve öz tutmak: gereksiz uzun örnekler token israfıdır; aynı kalıbı daha kısa bir örnekle gösterebiliyorsanız, kısa olanı seçin. İkincisi, örnek sayısını ölçerek optimize etmek: doğruluğun platoya girdiği noktadan sonra örnek eklemek yalnızca maliyet ekler. Üçüncüsü, kararlı ve yüksek hacimli görevlerde fine-tuning'e geçmek: örnekleri modele bir kez gömdüğünüzde, her çağrıda göndermekten kurtulursunuz. Dördüncüsü, dinamik örnek seçimi: sabit büyük bir örnek listesi yerine, her girdiye yalnızca en ilgili birkaç örneği getirmek hem kaliteyi korur hem tokeni azaltır. Bu maliyet stratejilerini daha geniş bir çerçevede LLM maliyet optimizasyonu yazısında ele alıyoruz.

Few shot prompting nedir sorusundan sonra gelen en önemli soru, "benim few-shot promptum ne kadar iyi çalışıyor"dur; çünkü ölçülmeyen bir prompt yönetilemez. Few-shot kalitesini ölçmek, tahmin yerine kanıta dayalı iyileştirmenin tek yoludur ve şaşırtıcı ölçüde ihmal edilir.

Ölçümün temeli bir değerlendirme kümesidir: gerçek girdilerden ve onların doğru cevaplarından oluşan, etiketli bir liste. Bu küme, few-shot promptunuzu üzerinde test edeceğiniz "sınav kâğıdıdır". Küçük ama temsili olması yeterlidir; birkaç düzine iyi seçilmiş örnek bile çoğu kararı vermenizi sağlar. Önemli olan, bu kümenin gerçek dağılımı yansıtması ve zor vakaları, kenar durumları içermesidir; yalnızca kolay vakalardan oluşan bir küme, yanıltıcı biçimde yüksek skorlar verir.

Bu küme üzerinde birkaç şeyi ölçebilirsiniz. Doğruluk: model kaç girdide doğru cevabı verdi? Biçim uyumu: çıktılar istenen yapıya ne ölçüde uydu? Tutarlılık: aynı girdi farklı çalıştırmalarda ne kadar aynı kaldı? Yanlılık: model belirli bir etikete sistematik kayıyor mu? Bu ölçümleri farklı few-shot yapılandırmalarıyla — farklı örnek sayısı, farklı örnek seçimi, farklı sıra — tekrarlayarak, hangi yapılandırmanın en iyi çalıştığını kanıta dayalı görürsünüz. Bu, "sanırım üç örnek daha iyi" demek yerine "test kümesinde üç örnek yüzde X daha doğru" demektir.

Değerlendirmeyi bir kez değil, sürekli yapmak gerekir. Model güncellenir, girdiler evrilir, görev değişir; bu yüzden değerlendirme kümenizi koruyup her değişiklikte tekrar çalıştırmak (bir tür regresyon testi), kalitenin sessizce bozulmasını önler. Few-shot promptunuzu değiştirdiğinizde, değişikliğin gerçekten iyileştirme mi yoksa gerileme mi getirdiğini yalnızca bu ölçümle anlarsınız. Kurumsal bir uygulamada bu değerlendirme disiplini, few shot prompting'i "denedik, iyi görünüyor" seviyesinden "ölçtük, kanıtladık" seviyesine taşır.

Few shot prompting'i teoride anlamak ile üretimde güvenilir biçimde kullanmak arasında bir mesafe vardır. Aşağıdaki kontrol listesi, bir few-shot promptunu fikirden üretime sağlıklı taşımak için pratik bir rehberdir.

Nasıl Yapılır

Few shot prompting kurma kontrol listesi

Bir few-shot promptunu sıfırdan güvenilir üretime taşımak için adım adım kontrol listesi.

1. 1

   Zero-shot ile başla

   Önce hiç örnek vermeden dene; model görevi zaten iyi yapıyorsa örnek eklemeye gerek yoktur.

2. 2

   Küçük bir test kümesi hazırla

   Gerçek girdilerden ve doğru cevaplardan oluşan, zor vakaları da içeren dengeli bir değerlendirme kümesi oluştur.

3. 3

   Kusursuz örnekler seç

   Doğru, çeşitli, gerçek dağılımı temsil eden ve etiketleri dengeli iki-beş örnek belirle.

4. 4

   Biçimi tutarlı kur

   Tüm örnekler aynı biçimi, ayraçları ve etiket kümesini kusursuzca paylaşsın; örnekleri gerçek sorudan net ayır.

5. 5

   Sıra ve dengeyi kontrol et

   Etiketleri dengele, örnek sırasını çeşitlendir ve recency yanlılığını azalt.

6. 6

   Belirsizlik davranışını tanımla

   Model örneklerde görmediği bir durumla karşılaşınca ne yapacağını (örneğin 'belirsiz' etiketi) açıkça belirt.

7. 7

   Test kümesinde ölç

   Doğruluk, biçim uyumu, tutarlılık ve yanlılığı ölç; farklı örnek sayısı ve seçimini karşılaştır.

8. 8

   İzle ve iyileştir

   Üretimde çıktı kalitesini izle, model veya görev değiştikçe değerlendirmeyi tekrarla ve örnekleri güncelle.

Bu listeyi bir görev üzerinde uygulamak, few shot prompting'i güvenilir bir üretim aracına dönüştürür. Dikkat edin: adımların çoğu modelle değil, örneklerin tasarımı ve ölçümle ilgilidir. Few-shot başarısı, doğru modeli seçmekten çok, örnekleri titizlikle tasarlamak ve kaliteyi ölçmekten gelir. Ekiplerinizin bu disiplini kazanması, uygulamalı bir eğitimle çok daha hızlı olur; kurumsal eğitim seçenekleriyle bu yetkinliği kurumunuza kazandırabilirsiniz.

Few shot prompting güçlü bir tekniktir, ama tek başına bir strateji değil, daha geniş bir prompt tasarımı repertuarının bir aracıdır. Olgun bir yaklaşım, few-shot'u zero-shot, chain-of-thought, rol tanımlama ve bilgi getirme gibi diğer tekniklerle birlikte, göreve göre seçerek kullanır. Her görev için doğru aracı seçmek, tek bir tekniğe körü körüne bağlanmaktan her zaman üstündür.

Bu repertuar zihniyeti pratik bir sıralama önerir. Basit bir görevde zero-shot yeterlidir; biçim netleştirmek gerektiğinde bir-iki örnekle few-shot'a çıkarsınız; akıl yürütme gerektiğinde örnekleri chain-of-thought ile zenginleştirirsiniz; güncel bilgi gerektiğinde RAG eklersiniz; kararlı yüksek hacimde fine-tuning'e geçersiniz. Bu basamakların her biri, bir öncekinin üzerine kurulur ve yalnızca ölçülen bir ihtiyaç olduğunda eklenir. Karmaşıklığı erken eklemek, prompt tasarımının en pahalı hatalarından biridir.

Bu bütüncül bakış, few shot prompting'i doğru konumlandırır: ne her sorunun çözümü olan sihirli bir değnek, ne de göz ardı edilecek küçük bir hile. O, iyi tanımlı bir sorun sınıfı için — biçim, ton ve sınıflandırma kontrolü için — güçlü, ekonomik ve anlık bir araçtır. Bu aracı ne zaman kullanacağını, ne zaman başka bir tekniğe geçeceğini bilmek, iyi bir prompt mühendisi ile acemi bir kullanıcı arasındaki farktır. İnsan ve yapay zekânın verimli birlikte çalışmasının daha geniş çerçevesini insan-AI iş birliği yazısında, temel kavramları ise öğrenme merkezinde derinleştirebilirsiniz.

Few shot prompting'in neden işe yaradığını anlamak, onu daha bilinçli kullanmanızı sağlar. Tekniğin gücü tesadüf değildir; büyük dil modellerinin eğitildiği biçimden doğar. Bu modeller, devasa metin yığınları üzerinde "bir sonraki kelimeyi tahmin et" göreviyle eğitilir. Bu eğitim sırasında model, sayısız kez şuna benzer kalıplarla karşılaşır: bir örüntü başlar, birkaç kez tekrarlanır ve model tekrarı sürdürmeyi öğrenir. İşte bağlam içi öğrenme, bu temel yeteneğin bir yan ürünüdür: model, istem içinde gördüğü örüntüyü, eğitiminde milyonlarca kez pekiştirdiği "örüntüyü sürdürme" refleksiyle tamamlar.

Bu köken, önemli bir pratik sonuç doğurur. Few shot prompting, modele yeni bir yetenek kazandırmaz; modelde zaten var olan bir yeteneği açığa çıkarır. Model, görevi yapabilecek bilgiye zaten sahiptir; örnekler yalnızca o bilgiyi hangi biçimde, hangi kalıpla kullanacağını gösterir. Bu yüzden few-shot, modelin bilmediği bir şeyi öğretmede değil, bildiğini doğru biçimde ortaya çıkarmada güçlüdür. Bir örnekle öğretme anı, modele "işte tam olarak bunu, tam bu biçimde istiyorum" demenin en net yoludur.

Bir başka içgörü, modelin boyutuyla ilgilidir. Bağlam içi öğrenme yeteneği, modeller büyüdükçe belirginleşen bir özelliktir; küçük modeller örneklerden zayıf öğrenirken, yeterince büyük modeller birkaç örnekten görevin kalıbını şaşırtıcı ölçüde iyi çıkarır. Bu, few shot prompting'in neden ancak belirli bir model olgunluğundan sonra bu kadar etkili hale geldiğini açıklar. Pratik açıdan bunun anlamı şudur: few-shot'un işe yaraması için hem iyi örneklere hem de örneklerden öğrenebilecek yeterlikte bir modele ihtiyaç vardır; ikisi birlikte olmadan teknik tam potansiyeline ulaşmaz. Bu kökeni bilmek, few-shot'un neden bazı görevlerde mucizevi, bazılarında ise yetersiz kaldığını da anlamanızı sağlar.

Few shot prompting'i ustaca kullanmak için bir few-shot promptunun parçalarını net görmek gerekir. İyi tasarlanmış bir few-shot promptu rastgele bir metin yığını değildir; belirli bir anatomisi vardır ve her parçanın bir işlevi bulunur. Bu anatomiyi anlamak, promptunuzun hangi parçasının hangi işi yaptığını ve bir sorun çıktığında nereye bakacağınızı bilmenizi sağlar.

Birinci parça talimattır (instruction). Bu, modele görevi kelimelerle özetleyen açılış bölümüdür: "Aşağıdaki müşteri yorumlarını duygusuna göre sınıflandır." Talimat, örneklerin gösterdiği kalıbı çerçeveler ve görevin kurallarını, sınırlarını söyler. İyi bir talimat kısa ama net olmalı; örneklerin zaten göstereceği biçim ayrıntılarını tekrar etmek yerine, görevin amacını ve kritik kurallarını belirtmelidir. İkinci parça örneklerdir (demonstrations): görevin çözülmüş halleri. Bunlar promptun kalbidir ve daha önce ele aldığımız tüm seçim, sıra, denge ve biçim ilkeleri buraya uygulanır.

Üçüncü parça biçim şablonudur: örneklerin ve sorgunun nasıl düzenlendiği. Girdiyi ve çıktıyı etiketleyen ayraçlar ("Yorum:", "Duygu:"), örnekler arasındaki ayrımlar ve son sorgunun konumu bu şablonu oluşturur. Dördüncü parça sorgudur (query): modelin cevaplayacağı asıl girdi. Sorgu, örneklerle aynı biçimde sunulur ama çıktı alanı boş bırakılır; böylece model, kalıbı sürdürmenin bu boşluğu doldurmak olduğunu anlar. Bu dört parçanın uyumu, promptun kalitesini belirler.

Bir few-shot promptunun parçaları ve işlevleri

Parça	İşlevi	Sık hata
Talimat	Görevi ve kuralları çerçeveler	Belirsiz veya gereğinden uzun
Örnekler	Kalıbı ve biçimi gösterir	Az, dengesiz veya hatalı seçim
Biçim şablonu	Tutarlı yapı dayatır	Örnekler arası tutarsız ayraç
Sorgu	Cevaplanacak asıl girdi	Örneklerden net ayrılmaması

Bu anatomiyi bilmek, sorun çözmeyi sistematik hale getirir. Çıktının biçimi yanlışsa, örneklerin biçim şablonuna bakarsınız; model yanlış etiket veriyorsa, örneklerin dengesine ve doğruluğuna; model asıl soruyu bir örnek sanıyorsa, sorgunun ayrımına. Few shot prompting'te hata ayıklama, modeli suçlamak yerine bu dört parçadan hangisinin zayıf olduğunu bulmaktır.

Few shot prompting'i somutlaştırmanın en iyi yolu, tek bir görevin baştan sona nasıl kurulduğunu izlemektir. Diyelim ki bir e-ticaret ekibi, gelen müşteri mesajlarını üç kategoriye ayırmak istiyor: "sipariş durumu", "iade talebi" ve "ürün sorusu". Bu görevi few-shot ile nasıl kurarız, adım adım görelim.

Önce zero-shot ile başlarız: modele yalnızca "bu mesajı üç kategoriden birine ayır" deriz. Sonuçları küçük bir test kümesinde ölçeriz ve modelin bazı belirsiz mesajlarda kararsız kaldığını, ayrıca bazen kategori adı yerine uzun açıklamalar döndürdüğünü görürüz. Bu, biçim ve sınır sorununun işaretidir; few-shot'a geçmenin tam zamanıdır. Her kategoriden birer temsili örnek seçeriz — üç örnek — ve bunları tutarlı bir biçimde diziyoruz: "Mesaj: ... → Kategori: ...". Örnekleri seçerken dengeye dikkat ederiz; üç kategori de eşit temsil edilir.

İlk few-shot denememizi ölçtüğümüzde doğruluğun yükseldiğini ama "iade talebi" ile "ürün sorusu" arasında karışan bazı mesajların hâlâ yanlış sınıflandığını görürüz. Bu, kenar durum eksikliğinin işaretidir. İki örnek daha ekleriz: biri "ürünü iade etmek istiyorum ama önce şunu sormak istedim" gibi tuzaklı bir karışık mesaj, diğeri belirsiz bir sınır durumu. Ayrıca talimata bir kaçış kuralı ekleriz: "Mesaj birden fazla kategoriye uyuyorsa, ana niyeti seç." Bu ekleme, tutarlı çıktı kalitesini belirgin biçimde artırır.

Son adımda örnek sırasını kontrol ederiz — son iki örneğin aynı kategoride olmamasına dikkat ederiz — ve promptu tekrarlanabilirlik için birkaç kez aynı girdiyle çalıştırırız. Çıktılar tutarlıysa ve test kümesindeki doğruluk kabul edilebilir bir seviyeye ulaştıysa, prompt üretime hazırdır. Bu yolculuğun dersi şudur: iyi bir few-shot promptu bir defada yazılmaz; ölçülerek, gözlemlenerek ve kademeli olarak iyileştirilerek inşa edilir. Bu tür sınıflandırma ve çıkarım görevlerinin, görüntü ve metni birlikte işleyen sistemlerdeki karşılığını multimodal model nedir yazısında ele alıyoruz.

Few shot prompting tek başına çalışmaz; genellikle daha büyük bir prompt yapısının içine yerleşir. Modern uygulamalarda bu yapının iki önemli komşusu sistem promptu ve rol tanımıdır. Bu ikisiyle few-shot'un nasıl birleştiğini anlamak, tekniği gerçek uygulamalarda doğru konumlandırmanızı sağlar.

Sistem promptu, modele tüm konuşma boyunca geçerli olacak genel talimatları ve kısıtları veren üst düzey bir yönergedir: "Sen bir müşteri destek asistanısın, kibar ve öz konuş, emin olmadığında uydurma." Few-shot örnekleri bu sistem promptunun içine veya hemen yanına yerleştirilir; sistem promptu genel davranışı, örnekler ise o davranışın somut kalıbını verir. İkisi çelişmemeli; sistem promptu "kibar ol" derken örnekleriniz sert bir ton gösteriyorsa, model kararsız kalır. Tutarlı bir prompt, sistem talimatı ile örneklerin aynı yönü işaret etmesini gerektirir.

Rol tanımı ise modele bir persona veya uzmanlık çerçevesi verir: "Deneyimli bir hukuk asistanı gibi davran." Rol tanımı, modelin hangi bilgi ve üslupla yaklaşacağını çerçeveler; few-shot örnekleri ise o rolün çıktıyı tam olarak nasıl biçimlendireceğini gösterir. Rol tanımı "kim" olduğunu, örnekler "nasıl" yaptığını söyler. Bu üçlü — sistem promptu, rol tanımı, few-shot örnekleri — birlikte kullanıldığında, birbirini pekiştiren güçlü bir yönlendirme oluşur.

Pratik bir uyarı: bu katmanların hepsi token harcar ve hepsi bağlam penceresinden yer kaplar. Bu yüzden her katmanı gerektiği kadar kullanmak, gereksiz tekrardan kaçınmak önemlidir. Sistem promptunda söylediğinizi örneklerde tekrar göstermek zorunda değilsiniz; örneklerin zaten gösterdiği biçimi talimatta uzun uzun anlatmak da gereksizdir. İyi bir prompt tasarımı, her bilgiyi en uygun katmanda bir kez verir. Few shot prompting bu ekonomik tasarımın bir parçası olarak düşünülmelidir; kurumunuzda bu yetkinliği sistematik kurmak için yapay zeka danışmanlığı ile başlayabilirsiniz.

Dürüst bir teknik değerlendirme, bir aracın gücü kadar sınırlarını da anlatmayı gerektirir. Few shot prompting güçlüdür, ama her şeyi çözmez; sınırlarını bilmek, onu yanlış yerde kullanıp hayal kırıklığına uğramaktan korur. Birkaç temel sınırı netleştirelim.

Birinci sınır bilgidir. Few-shot, modele bilmediği bir olguyu öğretmez. Birkaç örnek, modelin hiç görmediği güncel bir mevzuatı, kuruma özel bir prosedürü veya spesifik bir veriyi ona kazandıramaz; örnekler yalnızca biçimi ve kalıbı gösterir, yeni bilgi yüklemez. Modelin bilmediği bir bilgiyi kullanması gerekiyorsa, doğru araç bilgi getirme (RAG) mimarisidir. Bu ayrımı karıştırmak, few shot prompting'in en yaygın yanlış kullanımıdır.

İkinci sınır kapasitedir. Few-shot, bağlam penceresiyle sınırlıdır; onlarca veya yüzlerce örnek gerektiren karmaşık görevlerde, tüm örnekleri prompta sığdıramazsınız. Bu noktada fine-tuning devreye girer. Üçüncü sınır tutarlılığın mutlaklığı değildir: few-shot tutarlılığı belirgin biçimde artırır ama yüzde yüz garanti etmez; model yine de ara sıra beklenmedik çıktı verebilir. Kritik uygulamalarda, çıktıyı doğrulayan bir kontrol katmanı gerekir. Dördüncü sınır akıl yürütme derinliğidir: çok karmaşık, çok adımlı problemlerde tek başına few-shot yetmeyebilir; chain-of-thought veya ajan mimarileri gerekebilir.

Bu sınırları kabul etmek, few shot prompting'i daha güçlü kılar; çünkü onu gerçekten parladığı yerde kullanır, yetersiz kaldığı yerde başka araçlarla tamamlarsınız. Olgun bir uygulayıcı, few-shot'u bir çözüm repertuarının parçası olarak görür — tek başına her derde deva bir sihir olarak değil. Bu dengeli bakış, tekniği hem etkili hem sürdürülebilir kılar.

İyi bir few-shot promptunun kalitesi örneklerin kalitesine bağlıysa, doğal bir soru ortaya çıkar: bu örnekleri nereden buluruz? Örneklerin kaynağı, few shot prompting'in çoğu zaman atlanan ama sonucu doğrudan etkileyen bir boyutudur. Üç temel kaynak vardır ve her birinin kendine özgü avantajları ile tuzakları bulunur.

Birinci ve en değerli kaynak gerçek veridir. Kurumunuzun geçmiş kayıtları — çözülmüş destek talepleri, sınıflandırılmış belgeler, düzenlenmiş metinler — gerçek dağılımı yansıtan örneklerin en iyi kaynağıdır. Gerçek veriden seçilen örnekler, modele gerçek girdilerin nasıl göründüğünü doğrudan gösterir; yapay örneklerin kaçırdığı nüansları, düzensizlikleri ve kenar durumları içerir. Tuzak şudur: gerçek veriyi örnek olarak kullanırken doğruluğunu mutlaka doğrulamak gerekir; geçmiş kayıtlar da hatalı etiketlenmiş olabilir ve model hatayı kopyalar.

İkinci kaynak elle hazırlanmış (curated) örneklerdir. Bir alan uzmanı, görevi kusursuz temsil eden örnekleri özenle yazar veya seçer. Bu yaklaşım en yüksek kaliteyi verir çünkü her örnek bilinçli tasarlanır; ama emek ister ve uzmanın zamanını tüketir. Üçüncü kaynak sentetik örneklerdir: bir dil modelinin kendisine örnek ürettirmek. Bu hızlıdır ve bol miktarda örnek üretir; ama sentetik örnekler gerçek dağılımı yansıtmayabilir ve modelin kendi yanlılıklarını taşıyabilir. Sentetik örnekler kullanılacaksa, mutlaka bir insan tarafından gözden geçirilmeli ve doğrulanmalıdır.

Pratikte en sağlam yaklaşım, bu üç kaynağı birleştirmektir: gerçek veriden temsili örnekler seçmek, bir uzmanın gözünden geçirip düzeltmek ve gerektiğinde kenar durumlar için elle örnek eklemek. Örnek havuzunuz zamanla büyür ve iyileşir; üretimde karşılaştığınız zor vakaları örnek havuzuna geri beslemek, few-shot promptunuzu sürekli güçlendirir. Örneklerin kaynağını ciddiye almak, few shot prompting kalitesini şansa bırakmamak demektir.

Bir kişi tek bir few-shot promptunu iyileştirmek başka şeydir; bir ekibin onlarca promptu üretimde güvenilir biçimde yönetmesi başka şeydir. Few shot prompting kurumsal ölçeğe taşındığında, teknik beceriye ek olarak bir yönetim disiplini gerekir; aksi halde promptlar dağınık, izlenemez ve bakımı zor bir yığına dönüşür.

Birinci ilke sürüm yönetimidir. Promptlar, tıpkı kod gibi, zamanla değişir; bir örneği değiştirmek, bir talimatı düzeltmek çıktıyı etkiler. Bu değişiklikleri izlemek — hangi sürüm ne zaman değişti, hangi değişiklik kaliteyi nasıl etkiledi — few-shot promptlarını yönetilebilir kılar. Prompt değişikliklerini rastgele değil, ölçülen bir değerlendirmeyle yapmak, bir gerilemeyi fark etmeden üretime almayı önler. İkinci ilke merkezi bir örnek havuzudur: örneklerin dağınık dosyalarda değil, tek bir yerde, meta veriyle (hangi görev, hangi kategori, ne zaman eklendi) tutulması, ekibin ortak ve tutarlı örnekler kullanmasını sağlar.

Üçüncü ilke değerlendirme kültürüdür. Bir ekip, few-shot promptlarını "iyi görünüyor" diye değil, paylaşılan bir test kümesinde ölçerek yönetmelidir. Bu, kalite hakkında öznel tartışmaları nesnel verilere dönüştürür ve farklı kişilerin yaptığı değişikliklerin gerçekten iyileştirme mi getirdiğini gösterir. Dördüncü ilke sahipliktir: her önemli promptun bir sahibi olmalı; kaliteyi izlemekten, örnekleri güncellemekten ve gerilemeleri yakalamaktan sorumlu biri. Sahipsiz promptlar zamanla sessizce bozulur.

Bu yönetim disiplini, few shot prompting'i bireysel bir hüner olmaktan çıkarıp kurumsal bir yetkinliğe dönüştürür. Bir kişinin ustalığı değerlidir, ama ölçeklenmez; bir ekibin paylaşılan disiplini ise sürdürülebilir kalite üretir. Ekiplerinizin bu prompt yönetimi olgunluğunu kazanması için yapılandırılmış bir kurumsal eğitim programı, dağınık bireysel denemelerden çok daha hızlı sonuç verir. Few-shot ustalığı, tek tek promptlarda değil, bu promptları üreten ve iyileştiren sürecin olgunluğunda gizlidir.

Few shot prompting nedir?

Few shot prompting, bir dil modeline yapmasını istediğiniz işi birkaç çözülmüş örnekle göstererek yönlendirme tekniğidir. Talimatın yanına, girdi-çıktı çiftlerinden oluşan iki-beş örnek koyarsınız; model bu örneklerden görevin kalıbını çıkarır ve yeni girdiye aynı biçimde yanıt verir. Bu örnekle öğretme, modelin ağırlıklarını değiştirmez; öğrenme yalnızca o anlık istem içinde, bağlam içi öğrenme (in-context learning) olarak gerçekleşir. Sonuç, tek başına talimata göre daha tutarlı çıktı ve daha net biçimdir.

Few shot promptingde kaç örnek vermeli?

Evrensel bir sayı yoktur, ama pratik bir kural vardır: iki-beş iyi seçilmiş örnek çoğu kazancı sağlar. Örnek sayısını artırmak bir noktaya kadar doğruluğu ve tutarlılığı yükseltir, sonra getiri azalır ve her ek örnek token maliyeti ile gecikme ekler. Görev basit ve biçim nettse bir-iki örnek yeter; görev çok sınıflı veya kenar durumlar zenginse daha fazla örnek gerekebilir. Doğru sayıyı tahminle değil, küçük bir test kümesinde ölçerek bulun: örnek sayısını kademeli artırıp doğruluğun nerede platoya girdiğini görün.

Few shot promptingde örnekler nasıl seçilir?

İyi örnek seçimi few-shot kalitesinin kalbidir. Örnekler dört ilkeye uymalı: doğruluk (her örnek kusursuz çözülmüş olmalı, çünkü model hatayı da kopyalar), çeşitlilik (farklı girdi tiplerini ve kenar durumları kapsamalı), temsil (gerçek verinizin dağılımını yansıtmalı) ve denge (sınıflandırmada etiketler dengeli olmalı, aksi halde model çoğunluk etiketine kayar). Ayrıca örneklerin sırası ve biçimi tutarlı olmalı. İleri senaryolarda örnekler sabit seçilmez; gelen girdiye en benzer örnekler bir arama katmanıyla dinamik seçilir.

Zero shot ile few shot prompting arasındaki fark nedir?

Zero shot farkı örnek olup olmamasıdır. Zero-shot promptingde modele hiç örnek verilmez; yalnızca bir talimat verilir ve model kendi bilgisiyle yanıtlar. Few shot promptingde ise talimatın yanına birkaç çözülmüş örnek eklenir; model görevin biçimini ve beklentisini bu örneklerden görür. Zero-shot hızlı ve ucuzdur, basit görevlerde yeterlidir; few-shot ise çıktının belirli bir formata, etiket kümesine veya tona uyması gerektiğinde daha tutarlı ve doğru sonuç verir.

Few shot prompting mi fine-tuning mi kullanmalı?

İkisi farklı problemleri çözer. Few shot prompting anlıktır, kod veya veri toplama gerektirmez, hemen denenir ve örnekleri değiştirerek davranışı hızla ayarlarsınız; ama her çağrıda örnekler token olarak gönderildiği için tekrar eden yüksek hacimde maliyetlidir ve bağlam penceresini tüketir. Fine-tuning ise modeli çok sayıda örnekle kalıcı olarak eğitir; kurulumu daha pahalıdır ama çıkarımda örnek göndermeye gerek kalmaz. Kural: önce few-shot ile deneyin; görev kararlıysa, hacim yüksekse ve örnekler bağlamda çok yer kaplıyorsa fine-tuning'e geçin.

Few shot prompting örnekleri yanlılık yaratır mı?

Evet, ve bunun farkında olmak kaliteyi belirler. Modeller örneklerin sırasına duyarlıdır; genellikle son örneklerin etkisi daha güçlüdür (recency etkisi). Sınıflandırmada örnek etiketleri dengesizse (dört olumlu, bir olumsuz) model çoğunluk etiketine kayar. Örneklerin biçimi de bir kalıp dayatır; hepsi kısa yanıtsa model uzun yanıt gerektiren girdide bile kısa keser. Bu yanlılıkları azaltmak için etiketleri dengeleyin, örnek sırasını çeşitlendirin veya karıştırın ve örneklerin görev dağılımını gerçekçi temsil etmesini sağlayın.

Özetle few shot prompting nedir sorusunun cevabı şudur: bir dil modeline bir görevi kelimelerle anlatmak yerine, o görevin birkaç çözülmüş örneğini prompt içinde göstererek modeli yönlendirme tekniğidir. Model bu örneklerden görevin kalıbını, biçimini ve tonunu çıkarır ve yeni girdiye aynı biçimde yanıt verir; bu öğrenme, ağırlıklar değişmeden, yalnızca o anlık istem içinde (bağlam içi öğrenme) gerçekleşir. Zero shot farkı nettir: örnek yokluğu esneklik verir ama biçim kontrolünü zayıflatır; birkaç iyi örnek ise tutarlı çıktı sağlar.

En önemli mesaj şudur: few shot prompting'in başarısı, örneklerinizin kalitesinden gelir. Kaç örnek verdiğinizden çok, hangi örnekleri — doğru, çeşitli, temsil eden, dengeli — seçtiğiniz belirleyicidir. Örneklerin sırası ve biçimi yanlılık yaratabilir; bu yüzden bilinçli tasarım ve dengeli bir test kümesinde ölçüm şarttır. Few-shot bir "biçim ve davranış" aracıdır; güncel bilgi için RAG, kararlı yüksek hacim için fine-tuning daha uygundur. Bu tekniği ve daha geniş prompt tasarımı repertuarını kurumunuza kazandırmak için kurumsal eğitim ile başlayabilir, benzer temel kavramları AI ajanı ile chatbot farkı ve insan-AI iş birliği yazılarında derinleştirebilir, tüm kavramları öğrenme merkezinde inceleyebilir ve kurumunuza özel bir yol haritası için yapay zeka danışmanlığı ile iletişime geçebilirsiniz.

Bu rehberden tek bir pratik adım alacaksanız, o da şu olsun: few shot prompting'in mükemmel halini baştan yazmaya çalışmayın. Zero-shot ile başlayın, gerçek bir biçim veya tutarlılık sorunu gördüğünüzde yalnızca birkaç kusursuz örnek ekleyin ve her değişikliği küçük, etiketli bir test kümesinde ölçün. Bu mütevazı, kanıta dayalı döngü — basit başla, ölç, iyileştir — size few shot prompting hakkında herhangi bir teoriden daha çoğunu öğretir; çünkü tekniği kendi göreviniz, kendi veriniz ve kendi kalite çıtanız üzerinde kendini kanıtlamaya zorlar.