Prompt Engineering: Sıfırdan İleri Düzey Türkçe Rehber 2026

Bir LLM'in size verdiği cevabın kalitesi, soruyu nasıl sorduğunuza bağlıdır. Aynı modele "iyi bir rapor yaz" demek ile "Sen bir kıdemli finans analistisin. 2025 Q4 satış verilerimizi analiz et; trendleri, anomalileri ve 2026 önerilerini içeren 3 sayfa rapor üret. Format: yönetici özeti + 5 ana bulgu + aksiyon listesi." demek dünyalar kadar fark eder. İkinci cevap belirgin şekilde daha kaliteli, tutarlı ve kullanılabilir olur.

Niye Bu Kadar Etkili?

LLM'ler olasılıksal sistemlerdir. Aynı girdiyle bile çıktıda varyans olabilir; az açıklamalı prompt'ta varyans büyük, iyi yapılandırılmış prompt'ta küçük. İyi prompt = çıktı dağılımını daraltma eylemidir. Üretim sistemlerinde tutarlılık olmadan ölçeklenemezsiniz.

Prompt Engineering vs Fine-tuning vs RAG

Üç farklı LLM adapte yöntemi var; karıştırılırsa pahalı yanlış kararlar verilir.

Modern LLM API'leri (OpenAI, Anthropic, Google) üç mesaj rolü ile çalışır. Bu kavramları anlamadan prompt yazmak gözü kapalı kullanmaktır.

2.1. System (Sistem) Mesajı

LLM'e "kim olduğunu" söyler. Konuşma boyunca sabittir; tipik olarak persona, görev kapsamı, kısıtlar, format, güvenlik kuralları burada tanımlanır.

System: Sen bir Türk vergi danışmanısın. KDV ve gelir vergisi konularında uzmansın.
Cevapların doğru, kaynak gösterimli olmalı; emin değilsen "bilmiyorum" de.
Asla finansal yatırım tavsiyesi verme.

2.2. User (Kullanıcı) Mesajı

Kullanıcının somut talebi. Konuşma boyunca her sırada yeni bir user mesajı eklenir.

User: 50.000 TL gelirim var, 2025'te KDV'ye nasıl tabi olurum?

2.3. Assistant (Asistan) Mesajı

LLM'in cevabı. Çoklu-turn konuşmalarda geçmiş assistant mesajları context'te kalır; model "kendi geçmişini" görebilir.

Few-shot için Mesaj Yapısı

System mesajının ardından bir veya daha fazla örnek user/assistant çifti ekleyerek modeli "demonstrasyonla" öğretebilirsiniz. Bu, few-shot learning olarak adlandırılır ve sıfır-shot'tan kalite olarak çok daha üstündür.

Tutarlı kaliteli çıktı veren her prompt aynı 6 bileşeni içerir. Eksik kalan her bileşen, çıktıda belirsizlik yaratır.

3.1. Rol (Role / Persona)

"Sen bir kıdemli yazılım mimarısın" gibi. Model bu role göre dil, derinlik ve perspektif ayarlar.

3.2. Görev (Task)

"Bu PRD'yi incele ve teknik risk analizini çıkar". Eylem fiili net olmalı.

3.3. Bağlam (Context)

"Şirketimiz B2B SaaS, 200K MAU, Postgres + Next.js stack kullanıyor". Modelin bilmediği ortam koşulları.

3.4. Kısıtlar (Constraints)

"En fazla 3 sayfa", "Türkçe yaz", "KVKK uyumlu önerilerle sınırlı kal", "kod yerine pseudocode kullan".

3.5. Örnekler (Few-shot Examples)

Format ve ton için 1-3 somut örnek. Few-shot, modelin "ne yapması gerektiğini" göstererek tarif etmekten çok daha etkilidir.

3.6. Çıktı Formatı (Output Format)

"Markdown başlıklı 3 bölüm: Özet, Riskler (5 madde), Aksiyonlar (öncelik sıralı)". Yapılandırılmış çıktı isteniyorsa JSON şeması veya XML şablonu.

4.1. Zero-Shot

Hiç örnek vermeden doğrudan talimat. Modern büyük modeller (GPT-5, Claude Opus 4.7) basit görevlerde zero-shot ile yeterli.

"Bu metni İngilizce'ye çevir: 'Yarın sabah 9'da toplantımız var.'"

4.2. Few-Shot

Birkaç örnek vererek modele kalıbı göster. Kalite ve tutarlılığı dramatik artırır.

Sınıflandır: müşteri yorumu olumlu, olumsuz veya nötr.

Örnek 1: "Ürün çok iyi, hızlı kargo." → olumlu
Örnek 2: "Beklediğim gibi değil, iade ettim." → olumsuz
Örnek 3: "Ortalama bir ürün." → nötr

Sınıflandır: "Fiyat performans olarak idare eder."

4.3. Chain-of-Thought (CoT)

Modele "adım adım düşün" demek. Karmaşık akıl yürütme görevlerinde %20-40 doğruluk artışı.

"Adım adım düşünerek çöz: Ahmet'in 3 kutu çikolatası var, her kutuda 12 adet.
2 kutuyu Ayşe'ye verdi. Geri kalan çikolatayı 4 arkadaşına eşit dağıttı.
Her arkadaş kaç çikolata aldı?"

4.4. Self-Consistency

Aynı promptu birden çok kez çalıştır (temperature > 0); cevapların çoğunluğunu al. Tek cevaptan daha güvenilir; matematik/akıl yürütme görevlerinde yaygın.

4.5. Tree-of-Thoughts (ToT)

Modele birden çok düşünce dalı oluşturmasını ve en iyiyi seçmesini söyle. Karmaşık problemlerde kalite artırır, maliyet 3-10x.

4.6. ReAct (Reason + Act)

"Düşünce → Eylem → Gözlem → Düşünce" döngüsü. Agent mimarisinin temel deseni.

Düşünce: Müşterinin son siparişi nedir?
Eylem: get_last_order(customer_id=123)
Gözlem: Sipariş #5821, 12 Mart, 3 ürün
Düşünce: Müşteri iade için arıyor, hangisini iade ediyor?
...

4.7. Self-Critique / Self-Refinement

Modele kendi cevabını değerlendirip iyileştirmesini söyle. İki adım: önce cevap, sonra eleştir + revize.

Adım 1: Aşağıdaki probleme bir çözüm öner.
Adım 2: Önerinin zayıf noktalarını listele.
Adım 3: Bu zayıf noktaları gideren revize edilmiş çözüm üret.

4.8. Meta-Prompting

Modele "iyi bir prompt yaz" demek. Karmaşık görevlerde önce prompt'u model üretir, sonra o prompt'la çalışırsınız.

4.9. Role / Persona Prompting

"Sen X'sin" demek. Stil, derinlik ve perspektifi etkili biçimde değiştirir. Pratik: persona'yı somut yap ("10 yıl deneyimli iş analisti, MBA'lı, finansa odaklı") — soyut persona'lar ("uzman") etkisizdir.

4.10. Constraint Prompting

Açık kısıtlar koymak. "En fazla 100 kelime", "sadece Türkçe", "JSON formatında", "kod kullanma" gibi. Çıktıyı tahmin edilebilir kılar.

4.11. Negative Prompting

"Şunu yapma" listesi. Hangi davranışların istenmediği açık olduğunda model kaçınır.

Yapma:
- Tavsiye verme
- Kişisel bilgi sorma
- "Bence" diye başlama
- Asla "lütfen" deme

4.12. Structured Output (JSON / XML)

Yapılandırılmış çıktı için JSON şeması veya XML şablonu ver. Modern modeller (GPT-5, Claude Opus 4.7, Gemini 3) "structured output" parametresi ile şema-zorunlu cevap üretir.

Çıktıyı şu JSON şemasında ver:
{
  "summary": "string (max 200 chars)",
  "sentiment": "olumlu | olumsuz | nötr",
  "tags": ["string"],
  "confidence": 0.0 to 1.0
}

4.13. Output Template

Cevap formatını başlıklarla şablonla. Tutarlılık için en hızlı kazanım.

Cevabını şu yapıda ver:

## Özet
(2 cümle)

## Ana Bulgular
1. ...
2. ...

## Aksiyon Önerileri
- ...

4.14. Plan-and-Solve

Önce planı çıkar, sonra adım adım çöz. Karmaşık çoklu-adım görevler için.

1. Önce bu problemi çözmek için adım listesi çıkar.
2. Her adımı sırayla uygula.
3. Sonuçları birleştir.

Türkçe morfolojik açıdan zengin bir dil — prompt engineering'de bunun pratik sonuçları var.

5.1. Tokenizer Verimi

"Geliştiriyorum" kelimesi tipik tokenizer'da 4-5 token. Aynı içeriği İngilizce ifade etmek %30-50 daha az token kullanır. Pratik anlamı: aynı context'e daha az içerik sığar, API maliyeti yüksek.

5.2. Prompt Dili: TR mi EN mi?

Pratik gözlem: System prompt İngilizce + user input/çıktı Türkçe kombinasyonu çoğu modelde daha kararlı sonuç verir. Çünkü modellerin eğitim verisinin büyük çoğunluğu İngilizce; sistem talimatlarını İngilizce yorumlamak için daha "rahat"tırlar. Ancak Claude Opus 4.7 ve GPT-5 gibi en son modeller her iki dilde de yakın kalite üretir; test sizin için en doğrusu.

5.3. Resmi vs Samimi Türkçe

Türkçe'de "siz" / "sen" / "biz" zamir seçimleri tonun büyük belirleyicisi. Prompt'ta açıkça belirtin:

"Cevabını formal Türkçe'de yaz; 'siz' formunu kullan; gereksiz selamlama yapma."

5.4. Sektörel Terim Tutarsızlığı

Türkçe AI/teknoloji ekosisteminde aynı kavram için farklı çeviriler mevcut (örn. "embedding" = "gömme" / "yerleştirme" / "vektör temsili"). Prompt'ta hangi terim kümesini istediğinizi açıkça belirtin.

5.5. KVKK ve İçerik Hassasiyeti

Türkçe prompt'larda kişisel veri içermesi muhtemel — KVKK aydınlatma gereği. Prompt şablonlarınız müşteri/çalışan verilerini içeriyorsa anonimleştirme ve veri yerleşimi süreçleri olmadan üretime alınmamalı.

Üretime hazır, doğrudan kopyalanabilir 20 şablon. Hepsi 6 bileşenli prensibe uyar.

6.1. İçerik Üretimi — Blog Yazısı

Sen Türkiye'de B2B SaaS pazarlama uzmanısın. Aşağıdaki konu için 1200-1500 kelimelik bir blog yazısı yaz:

Konu: [konu]
Hedef kitle: [persona]
Anahtar kelime: [SEO kelime]
Ton: profesyonel, erişilebilir

Yapı:
1. Çarpıcı başlık
2. Tek cümlelik açılış hook
3. Problem (200 kelime)
4. Çözüm (400 kelime, 3 alt-başlık)
5. Vaka örneği (200 kelime)
6. Aksiyon önerileri (4 madde)
7. SSS (3 soru)

Format: Markdown, h2 + h3 başlıklar, kalın anahtar terimler.

6.2. Veri Çıkarımı — Sözleşmeden Bilgi

Aşağıdaki sözleşme metninden şu bilgileri çıkar ve JSON olarak ver:

{
  "taraflar": [{"ad": "string", "rol": "string"}],
  "süre": {"başlangıç": "YYYY-MM-DD", "bitiş": "YYYY-MM-DD"},
  "tutar": {"miktar": "number", "para_birimi": "TRY|USD|EUR"},
  "risk_maddeleri": ["string"],
  "fesih_şartları": "string"
}

Eğer bir alanı bulamazsan null olarak işaretle.

Sözleşme:
[metin]

6.3. Özetleme — Toplantı Notu

Sen bir kıdemli proje yöneticisisin. Aşağıdaki toplantı transkriptini şu formatta özetle:

## Toplantı Özeti (2-3 cümle)

## Alınan Kararlar
- (her madde için "Karar: ... Sahibi: ... Tarih: ...")

## Açık Sorular
- ...

## Sonraki Adımlar
- (her madde için aksiyon + sorumlu + tarih)

Transkript:
[içerik]

6.4. Sınıflandırma — Müşteri Yorumu

Müşteri yorumlarını şu kategorilerden birine sınıflandır: ürün_kalitesi, kargo, fiyat, müşteri_hizmeti, ambalaj, diğer.

Her yorum için duygu (olumlu|olumsuz|nötr) ve önem (1-5) skoru ver.

Çıktı formatı:
{"kategori": "...", "duygu": "...", "önem": N, "kısa_neden": "..."}

Yorumlar:
1. "Ürün kaliteli ama kargo geç geldi"
2. "Fiyat çok yüksek, kalitesi bu kadar değil"
...

6.5. Çeviri — Teknik Doküman

Sen bir teknik çevirmensin. Aşağıdaki İngilizce metni Türkçe'ye çevir:

- Teknik terimleri Türkçe'leştirme (RAG, LLM, embedding gibi); parantez içinde İngilizce orijinalini ver
- Tarihler ve sayılar Türk formatında (12.05.2026, 1.234,56)
- Aktif çatı, kısa cümleler
- "We" → "biz" (kurumsal); "you" → "siz"

Metin:
[içerik]

6.6. Kod Üretimi — Specifikasyondan Kod

Sen 10 yıllık deneyimli bir TypeScript geliştirisin. Aşağıdaki gereksinimi karşılayan kod yaz:

Gereksinim: [açıklama]

Kurallar:
- TypeScript strict mode
- Async/await (Promise.then() kullanma)
- Hata yönetimi try/catch ile
- JSDoc yorum
- Test edilebilir (dependency injection)
- Maksimum 50 satır

Açıklamayı koddan önce 3 cümleyle yap.

6.7. Yaratıcı Yazım — Reklam Metni

Sen ödüllü bir copywriter'sın. Aşağıdaki ürün için 5 farklı reklam başlığı yaz:

Ürün: [tanım]
Hedef kitle: [persona]
Ton seçenekleri: 1 dramatik, 1 mizahi, 2 net-fayda, 1 soru sorma

Her başlık:
- 8-12 kelime
- Türkçe akıcılık ön planda
- Klişe ifade yok ("şimdi", "hemen şimdi", "kaçırma")

Sonra her başlığın hangi duygusal tetiği kullandığını 1 cümleyle açıkla.

6.8. Eğitim — Öğretim Materyali

Sen üniversitede yapay zeka dersi veren bir öğretim üyesisin. Aşağıdaki konuyu lisans 2. sınıf öğrencileri için açıkla:

Konu: [kavram]

Yapı:
1. Tek cümlelik tanım
2. Analojiyle anlatım (günlük yaşamdan örnek)
3. Teknik tanım (formal)
4. 3 örnek (basit → karmaşık)
5. 2 yaygın yanlış anlama
6. Sınav sorusu önerisi

Stil: erişilebilir ama akademik; Türkçe terimleri standart kullan.

6.9. Karar Destekleme — Pro-Con Analizi

Sen bir kıdemli iş analistisin. Aşağıdaki karar için yapılandırılmış pro-con analizi yap:

Karar: [karar]

Yapı:
1. Karar bağlamı (3 cümle)
2. Pro Argümanlar (5 madde, her birinin "etki büyüklüğü" 1-5)
3. Con Argümanlar (5 madde, her birinin "risk büyüklüğü" 1-5)
4. Belirsizlikler (3 madde — bilmediğimiz şeyler)
5. Tavsiye (1 paragraf, gerekçeli)

Argümanları gerçek somut etki/risk üzerinden değerlendir; "olabilir" gibi belirsiz ifadelerden kaçın.

6.10. Hata Analizi — Bug Raporu

Sen bir kıdemli yazılım mühendisisin. Aşağıdaki hata raporunu analiz et:

[Hata raporu, log, stack trace]

Format:
## Olası Kök Sebepler (sıralı)
1. ... (ihtimal: yüksek/orta/düşük + gerekçe)

## Hızlı Doğrulama Adımları
- ...

## Çözüm Önerileri
- ... (her biri için tahmini süre + risk)

## Uzun Vadeli Önlem
- ...

Bu 10 şablon en yaygın kullanım senaryolarını kapsar. Geliştirme için 10 ek şablon ([SSS, e-posta cevabı, sunum slide içeriği, vaka çalışması yazımı, ürün açıklaması, kullanıcı persona oluşturma, OKR yazımı, mülakat soruları, görsel prompt'u, müzakere senaryosu]) sonraki sürümde eklenecek.

7.1. Persona Stacking

Birden çok rol yığma: "Sen X'sin VE Y'sin". Beklenmedik şekilde yararlı çıktılar.

"Sen bir Türk hukuk profesörü VE bir veri bilimcisisin. KVKK ve AI sistemleri arası kesişimi anlatan teknik bir makale yaz."

7.2. Constitutional Prompting

Modele iç tutarlılık kuralları ver — kendi cevaplarını bu kurallara göre değerlendirip revize etsin (Anthropic Constitutional AI'dan ilham).

"Cevap üretmeden önce şu prensipleri kontrol et:
1. Olgusal doğruluk
2. Türkçe akıcılık
3. KVKK uyumu
4. Tarafsızlık (yatırım tavsiyesi yok)

Eğer cevabın bu prensiplerden birini ihlal ediyorsa revize et."

7.3. Iterative Refinement

Tek seferde mükemmel cevap beklemek yerine, çok-turlu iyileştirme döngüsü kur.

Tur 1: "Aşağıdaki konuyu özetle"
Tur 2: "Bu özette teknik derinlik eksik; teknik detay ekle"
Tur 3: "Şimdi non-teknik bir okuyucu için bir 'Yönetici Özeti' ekle"

7.4. Negatif + Pozitif Prompting Birleşimi

İstenmeyenleri açıklayarak istenenleri yönlendir.

"Yapma: pazarlama jargonu, klişe ifadeler, 'bence', 'lütfen', 'hadi'.
Yap: net iddialar, somut sayılar, kaynak gösterimi."

7.5. Self-Discover

Modele "verilen problem için en uygun muhakeme yapısını sen tasarla" demek. Karmaşık problemlerde kalite artışı.

"Aşağıdaki problemi çözmeden önce:
1. Bu problemin türü nedir? (sınıflandırma, karşılaştırma, hesaplama, akıl yürütme, vb.)
2. Bu tür problemler için en uygun adımlar dizisi nedir?
3. Bu adımları uygula.

Problem: [problem]"

7.6. Hypothetical Document Embeddings (HyDE)

RAG için — kullanıcının sorgusuna doğrudan vektör araması yerine, önce hipotetik bir cevap üret, sonra onun vektörü ile arama yap. RAG kalitesini artıran ileri teknik.

Manuel prompt yazımı bir noktada plato çizer. DSPy (Stanford), prompt'ları kod gibi programlamayı öneren bir framework. Prompt'ları siz yazmazsınız; sinyal ve eval'leri tanımlarsınız, DSPy otomatik optimize eder.

Pratik anlamı. Üretim seviyesi LLM uygulamaları için DSPy 2026'da olgun bir alternatif; özellikle multi-step görevlerde prompt mühendisliğini code mühendisliğine taşıyor.

Kullanıcının girdiği metnin sistem prompt'unu manipüle etmesi prompt injection. Üretim sistemlerinde en yaygın güvenlik açığı.

Savunma Stratejileri

1. Sistem prompt'unu kullanıcıya gösterme — promptun içeriği gizli kalmalı.
2. Tool yetkilendirme — agent'lar yalnızca yetkilendirildikleri tool'ları çağırabilsin.
3. Strict input validation — kullanıcı girdisini şüpheli pattern'ler için tarayın.
4. Output guardrails — modelin çıktısını başka bir model/regex ile filtreleyin.
5. Sandboxing — code execution mutlaka izole edilmiş ortamda.
6. HITL — yüksek-stake eylemlerde insan onayı.

Üretim seviyesi prompt mühendisliği değişkenleri ölçer.

Ölçülecek Metrikler

• Task success rate — beklenen sonuç gerçekleşti mi?
• Hallucination rate — uydurma cevap üretti mi?
• Format compliance — istenen yapıyı izledi mi?
• Latency — yanıt süresi
• Cost — token tüketimi
• User satisfaction — beğeni/şikayet oranı

A/B Test Yaklaşımı

İki prompt versiyonu (V1 / V2) aynı kullanıcı kitlesine paralel sunulur; metrikler karşılaştırılır. Üretim trafiğinde minimum 1.000 örnek ile istatistiksel anlamlılık kontrol edilir.

Araçlar

LangSmith, Langfuse, PromptLayer, Helicone, Braintrust, Patronus, DeepEval.

Tüm LLM'ler aynı promptu aynı şekilde yorumlamaz. 2026 bayrak modellerin nüansları:

Anthropic Claude için XML. Anthropic resmî dokümantasyonu XML tag'leriyle yapılandırma öneriyor:

<instruction>Aşağıdaki müşteri yorumunu sınıflandır.</instruction>

<examples>
<example>
<input>Ürün kaliteli</input>
<output>olumlu</output>
</example>
</examples>

<input>[yorum]</input>

Bu yapı Claude'da daha tutarlı sonuçlar veriyor.

12.1. "Lütfen" Pazarlığı

"Lütfen şunu yap, çok rica ediyorum" eklemenin kaliteyi artırdığı yanılgısı. Modern modellerde kalite üzerinde belirgin etkisi yok; sadece prompt uzunluğunu (ve maliyeti) artırır.

12.2. Tek-Cümlelik Prompt

"Pazarlama metni yaz" gibi belirsiz prompt'lar. Çıktı dağılımı çok geniş; üretimde tahmin edilemez.

12.3. Çelişkili Talimatlar

"Kısa tut" + "tüm detayları ver" gibi. Model ya birini ya diğerini seçer; tutarsız.

12.4. Aşırı Detay

500 kelimelik prompt'lar — model dikkat dağılır, esas görevi kaçırır. Kısa + odaklı tercih edilmeli.

12.5. Few-Shot Örnek Sırası

Few-shot örnekler etkili sırada olmalı (basit → karmaşık veya benzerden farklıya). Rastgele sıralama recency bias yaratır.

12.6. Format'ı Söylemeyip Beklemek

"Yapısal cevap istiyorum" deyip format vermemek. Modelden netlik isterken kendiniz net olmadığınızda alacağınız çıktı belirsizdir.

12.7. Prompt'u Versiyonlamamak

Üretim trafiğinde her gün değişen prompt'lar, eval'siz, log'suz. Üretim borcu olarak birikiyor.

12.8. Tek Modelle Çalışmak

GPT için yazılmış prompt'un Claude veya Gemini'de aynı işi yapacağını varsaymak. Üretimde multi-model prompt portfolyosu kurmak gerekir.

Şirketinizde prompt engineering disiplinini kurmak veya mevcut prompt'ları üretim kalitesine taşımak için:

1. Prompt audit. Mevcut tüm prompt'larınızın bir envanteri çıkarılır; kalite, maliyet, format uyumu açısından değerlendirilir.
2. Prompt eval harness kurulumu. Langfuse / PromptLayer ile versiyonlama + A/B test altyapısı.
3. Prompt engineering atölyesi. Ekibinize sistematik prompt yazımı, eval ve optimization tekniklerinin uygulamalı eğitimi (yarım gün — 2 gün).

İletişim için site üzerindeki contact formunu kullanabilirsiniz.

Bu rehber yaşayan bir belgedir; prompt engineering ekosistemi (yeni teknikler, model davranış değişiklikleri, otomatik optimization araçları) her çeyrek değiştiği için çeyreklik olarak güncellenmektedir.