Prompt Pattern’leri: Extraction, Classification, Reasoning, Critique ve Planning için En Etkili Şablonlar

Prompt engineering alanında en yaygın yanlışlardan biri, farklı görev türlerini aynı komut yapısıyla çözmeye çalışmaktır. Bir metinden veri çıkarmak, bir içeriği sınıflandırmak, çok adımlı akıl yürütme yapmak, bir çıktıyı eleştirel biçimde değerlendirmek ya da hedefe ulaşmak için plan üretmek; yüzeyde benzer görünse de aslında birbirinden oldukça farklı bilişsel ve operasyonel ihtiyaçlara sahiptir. Buna rağmen birçok kurum, tüm bu görevleri tek tip “iyi yazılmış komut” mantığıyla yönetmeye çalışır. Sonuç olarak model bazen gereksiz yorum yapar, bazen fazla serbest kalır, bazen de çok net görevlerde gereksiz akıl yürütmeye yönelir.

Oysa güçlü kurumsal prompt engineering’in temelinde şu ilke vardır: Her görev ailesi, kendi doğasına uygun prompt pattern’iyle çalıştırılmalıdır. Doğru pattern seçildiğinde model daha tutarlı davranır, çıktı daha kolay ölçülür, sistem daha iyi versiyonlanır ve kalite kişiden bağımsız hale gelir. Yanlış pattern seçildiğinde ise aynı model, aynı veri ve aynı use-case için bile gereksiz belirsizlik ve kalite dalgalanması üretir.

Bu yazıda, kurumsal yapay zekâ sistemlerinde en sık kullanılan beş temel prompt pattern ailesini ele alacağım: extraction, classification, reasoning, critique ve planning. Her pattern için şu sorulara odaklanacağım:

• Bu pattern hangi problem tipini çözer?
• Prompt yapısı nasıl kurulmalıdır?
• Çıktı şeması nasıl tasarlanmalıdır?
• En sık yapılan hatalar nelerdir?
• Kalite nasıl ölçülmelidir?
• Kurumsal sistemlerde üretim seviyesinde nasıl uygulanmalıdır?

Amaç, prompt pattern’lerini yüzeysel “örnek komutlar” listesi olarak değil; görev türüne göre doğru davranış mimarisi kurmayı sağlayan sistematik şablonlar olarak konumlandırmaktır.

Kurumsal ölçekte prompt engineering yalnızca iyi cümle kurma işi değildir. Asıl mesele, modeli belirli görev tiplerinde tekrar edilebilir biçimde çalıştırabilmektir. Bir extraction görevinde modelden mümkün olduğunca yorum yapmaması beklenir. Bir classification görevinde etiket sınırlarının dışına çıkmaması gerekir. Bir reasoning görevinde ara bağıntıları kurması değerli olabilir. Bir critique görevinde ise doğrudan içerik üretmek değil, kaliteyi değerlendirmek önemlidir. Planning tarafında ise modelin bilgi değil, aksiyon sırası ve görev mantığı üretmesi beklenir.

Bu farklar prompt pattern’lerini gerekli kılar. Çünkü pattern aslında şu sorunun cevabıdır: “Bu görev türünde model hangi düşünme ve çıktı davranışını göstermeli?”

Bir pattern yaklaşımı şu avantajları sağlar:

• Görev tipine göre doğru prompt yapısı kurulur
• Çıktı standardı daha net olur
• Evaluation daha sistematik yapılır
• Prompt’lar kişisel değil, kurumsal asset haline gelir
• Farklı ekipler aynı görev ailesinde tutarlı kalite üretir

"

Kritik gerçek: Güçlü prompt engineering, daha uzun komut yazmak değil; doğru görev için doğru prompt pattern’ini seçmektir.

Prompt pattern, belirli bir görev türü için tekrar tekrar kullanılabilen yapısal prompt şablonudur. Burada amaç yalnızca metni tekrar kullanmak değil; görevin bilişsel çerçevesini, bağlam yapısını, çıktı formatını ve davranış sınırlarını standardize etmektir.

İyi bir prompt pattern şu bileşenleri netleştirir:

• Görev türü
• Rol veya perspektif
• Girdi yapısı
• Talimatlar ve sınırlar
• Çıktı şeması
• Gerekirse örnekler
• Belirsizlik durumunda davranış

Bu nedenle prompt pattern’leri tekil yaratıcı komutlardan çok, kurumsal mühendislik bileşenleri gibi düşünmek gerekir.

Kurumsal LLM ve agent sistemlerinde en temel beş görev ailesi genellikle şunlardır:

1. Extraction
2. Classification
3. Reasoning
4. Critique
5. Planning

Bu beş pattern, birçok daha spesifik görevin de temelini oluşturur. Örneğin bilgi çıkarımı, alan tespiti, duygu analizi, karar destek, metin değerlendirme, düzeltme, iş akışı planlama ve tool seçimi gibi görevler bu pattern ailelerinin türevleri olarak okunabilir.

Extraction pattern, serbest metin veya doküman içeriği içinden belirli alanları, özellikleri, varlıkları, tarihleri, sayıları, etiketleri veya yapılandırılmış öğeleri çıkarmak için kullanılır. Buradaki temel amaç yorum üretmek değil, bilgiyi tespit edip düzenli formda döndürmektir.

Ne Tür Görevlerde Kullanılır?

• CV’den beceri, deneyim ve eğitim bilgisi çıkarma
• PDF faturalardan tarih, tutar, firma adı çekme
• Müşteri mesajından talep türü ve aksiyon ihtiyacı belirleme
• Sözleşmeden taraflar, süre, ceza maddesi gibi alanları çıkarma
• Destek e-postalarından ürün adı, hata kodu, öncelik bilgisi çıkarma

Extraction Pattern’in Temel Mantığı

Bu pattern’de modelin yaratıcı değil, dikkatli ve dar çerçeveli davranması istenir. Yani beklenen davranış “ne anladığını uzun uzun anlatması” değil, istenen alanları mümkün olduğunca doğru ve yapılandırılmış biçimde çıkarmasıdır.

Extraction için Etkili Şablon Bileşenleri

• Hangi alanların çıkarılacağı açık liste halinde verilmeli
• Her alanın tanımı net olmalı
• Bulunamayan alanlar için davranış tanımlanmalı
• Çıktı şeması yapılandırılmış olmalı
• Modelin tahmin yürütmemesi açıkça istenmeli

Örnek Pattern Mantığı

“Aşağıdaki metinden yalnızca istenen alanları çıkar. Bilgi metinde açıkça geçmiyorsa null döndür. Tahmin yapma. Çıktıyı belirtilen JSON şemasına göre ver.”

En Sık Yapılan Hatalar

• Alanların tanımını belirsiz bırakmak
• Modelin yorum yapmasına izin vermek
• Bulunamayan alanlarda tahmin yürütmesini engellememek
• Çıktı formatını gevşek bırakmak
• Bir extraction görevine gereksiz reasoning yüklemek

Evaluation Kriterleri

• Field-level accuracy
• Missing-field handling
• Hallucination oranı
• Output schema compliance
• Human correction ihtiyacı

Classification pattern, girdiyi önceden tanımlanmış sınıflardan veya kategorilerden birine ya da birkaçına eşlemek için kullanılır. Burada modelin görevi içerik üretmek değil; karar alanını sınırlı bir etiket uzayı içinde yönetmektir.

Ne Tür Görevlerde Kullanılır?

• Müşteri mesajını konu başlığına göre sınıflandırma
• CV’leri uygunluk seviyesine göre etiketleme
• Risk seviyesini düşük / orta / yüksek olarak belirleme
• Açık uçlu yorumları tema başlıklarına ayırma
• Dokümanları departman, süreç veya içerik tipine göre sınıflandırma

Classification Pattern’in Temel Mantığı

Modelin özgürce yorum yapmasından çok, tanımlı etiketler arasından en uygun olanı seçmesi beklenir. Bu nedenle etiket tanımları, karar kuralları ve çakışma durumları açık biçimde tanımlanmalıdır.

Classification için Etkili Şablon Bileşenleri

• Etiket listesi açık olmalı
• Her etiketin anlamı ve sınırı tanımlanmalı
• Çok etiketli mi tek etiketli mi olduğu belirtilmeli
• Belirsiz durumlarda fallback etiketi tanımlanmalı
• Gerekirse kısa gerekçe alanı eklenmeli

Örnek Pattern Mantığı

“Aşağıdaki metni yalnızca verilen etiketlerden biriyle sınıflandır. Etiket tanımları dışına çıkma. Yeterli sinyal yoksa ‘belirsiz’ etiketini kullan. Çıktıyı etiket ve kısa gerekçe olarak ver.”

En Sık Yapılan Hatalar

• Etiket sınırlarını açık tanımlamamak
• Etiketlerin birbirine çok yakın olmasına rağmen örnek vermemek
• Modelin yeni etiket üretmesini engellememek
• Belirsizlik davranışını tasarlamamak
• Sınıflandırma yerine özetleme beklemek

Evaluation Kriterleri

• Accuracy / F1 / precision / recall
• Label consistency
• Ambiguous-case handling
• False positive / false negative dengesi
• Confusion matrix analizi

Reasoning pattern, birden fazla bilgi parçası arasındaki ilişkiyi kurmak, çıkarım yapmak, karar destek üretmek veya bağlamsal değerlendirme sunmak için kullanılır. Burada amaç sadece bilgi çıkarmak ya da etiketlemek değil; verilen bilgiye dayanarak anlamlı bir muhakeme üretmektir.

Ne Tür Görevlerde Kullanılır?

• Bir adayın role uygunluğunu çok boyutlu değerlendirme
• Rapor verilerini yorumlayıp risk sinyali çıkarma
• Birden fazla dokümandan gelen bilgiyi karşılaştırmalı analiz etme
• Olay akışına göre kök neden analizi yapma
• Belirli kurallara göre karar desteği veya öneri üretme

Reasoning Pattern’in Temel Mantığı

Bu pattern’de modelin yalnızca sonuç değil, gerekçelendirilmiş sonuç üretmesi beklenir. Ancak burada da kritik denge şudur: Reasoning pattern, sınırsız serbest düşünme alanı değildir. Kurumsal use-case’lerde reasoning kontrollü, bağlamlı ve gerekirse yapılandırılmış olmalıdır.

Reasoning için Etkili Şablon Bileşenleri

• Karar veya yorum çerçevesi net tanımlanmalı
• Hangi bilgi kaynaklarına dayanacağı belirtilmeli
• Varsayım üretip üretemeyeceği açık olmalı
• Sonuç ve gerekçe ayrıştırılmalı
• Belirsizlik durumunda davranış tanımlanmalı

Örnek Pattern Mantığı

“Verilen verileri kullanarak değerlendirme yap. Yalnızca sağlanan bilgilere dayan. Sonucu kısa gerekçe ile açıkla. Eksik veri varsa bunu belirt ve varsayım yapma.”

En Sık Yapılan Hatalar

• Reasoning görevini fazla açık bırakmak
• Modele dayanak sınırı koymamak
• Sonuç ile gerekçeyi karıştırmak
• Belirsizliği gizlemeye itmek
• Reasoning görevine aslında classification veya extraction pattern’i gerekirken yanlış pattern seçmek

Evaluation Kriterleri

• Answer correctness
• Groundedness
• Gerekçe kalitesi
• Belirsizlik yönetimi
• Hallucination / unsupported inference oranı

Critique pattern, mevcut bir metni, kararı, çıktıyı veya öneriyi kalite, doğruluk, eksiklik, risk, tutarlılık veya standart uyumu açısından değerlendirmek için kullanılır. Burada modelin görevi yeni içerik üretmekten çok, mevcut içeriğe eleştirel ve denetleyici gözle bakmaktır.

Ne Tür Görevlerde Kullanılır?

• Bir taslak e-postanın marka diline uygunluğunu değerlendirme
• Rapor özetindeki eksik noktaları bulma
• Prompt çıktısının kalite denetimini yapma
• Politika yorumunun riskli alanlarını işaretleme
• Bir çözüm önerisinin güçlü ve zayıf yanlarını çıkarma

Critique Pattern’in Temel Mantığı

Bu pattern’de modelin işi “kendisi daha iyisini yazmak” değil, önce mevcut çıktıyı değerlendirmektir. İstenirse ikinci aşamada geliştirme önerileri de sunabilir; ancak critique pattern’in ana çıktısı kalite değerlendirmesidir.

Critique için Etkili Şablon Bileşenleri

• Değerlendirme kriterleri açık tanımlanmalı
• Eleştiri boyutları ayrıştırılmalı
• Sadece genel yorum değil, spesifik bulgu beklenmeli
• Gerekirse skor + gerekçe yapısı kullanılmalı
• İyileştirme önerisi ayrı alan olarak verilmeli

Örnek Pattern Mantığı

“Aşağıdaki metni verilen kriterlere göre değerlendir. Her kriter için güçlü yan, sorun ve iyileştirme önerisi ver. Metni yeniden yazma; önce mevcut halini eleştir.”

En Sık Yapılan Hatalar

• Eleştiri kriterlerini tanımsız bırakmak
• Modeli hemen yeniden yazmaya yöneltmek
• Genel ve yüzeysel yorumlarla yetinmek
• Riskli alanları ayrı işaretlememek
• Critique ile reasoning veya summarization görevini karıştırmak

Evaluation Kriterleri

• Critique specificity
• Criteria coverage
• Actionability of feedback
• False criticism oranı
• Human reviewer agreement

Planning pattern, belirli bir hedefe ulaşmak için gerekli adımları, alt görevleri, sıralamayı, bağımlılıkları veya aksiyon planını oluşturmak için kullanılır. Bu pattern özellikle agentic sistemler, görev yönetimi, operasyon tasarımı ve çok adımlı süreçlerde kritik hale gelir.

Ne Tür Görevlerde Kullanılır?

• Bir use-case için uygulama planı oluşturma
• Agent’ın çok adımlı görev akışını tasarlama
• Proje fazlarını ve bağımlılıklarını çıkarma
• Belirli hedef için görev listesi ve öncelik sırası üretme
• İnsan onayı noktaları olan iş akışı oluşturma

Planning Pattern’in Temel Mantığı

Burada modelin temel görevi bilgi vermek değil, hedefe ulaşmak için izlenecek yapıyı üretmektir. Bu nedenle planning prompt’larında kapsam, hedef, kısıt, öncelik ve başarı koşulları net biçimde tanımlanmalıdır.

Planning için Etkili Şablon Bileşenleri

• Hedef net olmalı
• Kısıtlar açık olmalı
• Çıktı adım adım yapılandırılmalı
• Bağımlılıklar ve öncelikler sorulmalı
• Gerekirse risk ve fallback alanları eklenmeli

Örnek Pattern Mantığı

“Aşağıdaki hedefe ulaşmak için uygulanabilir bir plan oluştur. Planı aşamalara ayır. Her aşama için amaç, gerekli girdiler, riskler ve çıktı kriteri belirt. Belirsiz alanları ayrıca işaretle.”

En Sık Yapılan Hatalar

• Hedefi fazla geniş bırakmak
• Kısıt vermemek
• Plan yerine genel öneri listesi almak
• Önceliklendirme istememek
• Gerçek eylem planı ile düşünce zincirini karıştırmak

Evaluation Kriterleri

• Plan completeness
• Logical sequencing
• Constraint adherence
• Actionability
• Risk awareness

Kurumsal prompt engineering’de en sık yapılan üst seviye hata, aslında prompt’u değil görevi yanlış sınıflandırmaktır. Örneğin extraction gerektiren göreve reasoning pattern uygulanırsa model gereksiz yorum üretir. Classification görevi critique gibi yazılırsa etiket istikrarı bozulur. Planning beklenen yerde reasoning yapılırsa sonuç uygulanabilir plan yerine düşünsel metin olur.

Bu nedenle prompt tasarımından önce şu soru sorulmalıdır:

Bu görevde modelden gerçekten ne istiyoruz: veri çıkarmak mı, etiket atamak mı, yorum yapmak mı, eleştirmek mi, plan oluşturmak mı?

Doğru cevap, prompt pattern seçimini doğrudan belirler.

Evet, gerçek üretim sistemlerinde pattern’ler çoğu zaman ardışık veya birleşik biçimde çalışır. Örneğin:

• Önce extraction, sonra classification
• Önce reasoning, sonra critique
• Önce critique, sonra rewrite
• Önce retrieval + extraction, sonra planning

Ancak burada tasarım disiplini önemlidir. Tek prompt içinde her şeyi yaptırmak yerine, mümkün olduğunda pattern’leri aşamalara bölmek çoğu zaman daha güvenilir sonuç verir. Çünkü her pattern’in kalite kriteri farklıdır.

Kurumsal ekipler için en sağlıklı yaklaşım, prompt’ları tek tek değil; görev ailesi bazlı pattern kütüphanesi olarak yönetmektir. Böyle bir kütüphane şu alanları içerebilir:

• Pattern adı
• Görev tipi
• Standart prompt şablonu
• Input yapısı
• Output formatı
• Guardrail notları
• Few-shot örnekleri
• Evaluation ölçütleri
• Versiyon bilgisi

Bu sayede ekipler her use-case için sıfırdan prompt yazmak yerine, kurumsal standarda uygun pattern üzerinden ilerleyebilir.

1. Her görev için aynı prompt dilini kullanmak
2. Görev türünü doğru tanımlamamak
3. Extraction görevine yorum yüklemek
4. Classification etiketlerini belirsiz bırakmak
5. Reasoning prompt’unu sınırsız bırakmak
6. Critique yerine doğrudan rewrite istemek
7. Planning görevinde hedef ve kısıt tanımlamamak
8. Çıktı formatını pattern’e uygun seçmemek
9. Belirsizlik davranışını hiç tasarlamamak
10. Few-shot örnekleri rastgele kullanmak
11. Pattern bazlı evaluation yapmamak
12. Prompt kütüphanesi yerine bireysel prompt kültürüyle ilerlemek

Her pattern için farklı kalite kriteri gerekir. Tek tip benchmark yaklaşımı bu yüzden zayıf kalır.

Extraction için

Alan doğruluğu, hallucination oranı, null handling kalitesi.

Classification için

Accuracy, confusion matrix, label consistency, belirsiz vaka performansı.

Reasoning için

Doğruluk, groundedness, gerekçe kalitesi, unsupported inference oranı.

Critique için

Bulgu özgüllüğü, kriter kapsamı, öneri uygulanabilirliği.

Planning için

Plan bütünlüğü, mantıksal sıralama, uygulanabilirlik, risk farkındalığı.

Pattern’lerin aynı şablonla değil, görev doğasına göre değerlendirilmesi gerekir. Kurumsal kalite disiplini burada başlar.

İlk 30 Gün: Görev Ailelerini Haritala

• Mevcut use-case’leri incele
• Görevleri extraction, classification, reasoning, critique ve planning olarak gruplandır
• En kritik görev ailelerini seç
• İlk kalite problemlerini topla

31-60 Gün: Referans Pattern Şablonlarını Kur

• Her görev ailesi için standart prompt şablonu oluştur
• Input ve output yapısını tanımla
• Few-shot örnekleri ve fallback davranışlarını ekle
• İlk benchmark setini oluştur

61-90 Gün: Evaluation ve Governance Disiplinini Yerleştir

• Pattern bazlı metrikleri devreye al
• Versiyonlama mantığını kur
• Takım içi prompt library standardını yayınla
• Yeni use-case’leri uygun pattern ailesine bağlayan karar rehberi oluştur

Kurumsal prompt engineering’in olgunlaşması, “iyi komut yazma” becerisinden “doğru görev için doğru prompt pattern’i seçme” disiplinine geçişle mümkün olur. Extraction, classification, reasoning, critique ve planning gibi görev aileleri farklı davranış mantıkları gerektirir. Aynı prompt yaklaşımını tüm görevlere uygulamak; modeli gereksiz belirsizliğe iter ve kaliteyi kişisel ustalığa bağımlı hale getirir.

Buna karşılık pattern odaklı prompt tasarımı; daha kontrollü çıktı, daha net evaluation, daha güçlü versiyonlama ve daha yüksek kurumsal tekrar edilebilirlik sağlar. Uzun vadede en iyi AI sistemleri, yalnızca iyi model veya iyi veriyle değil; görev doğasına uygun prompt pattern’leriyle fark yaratacaktır.

Her görev için ayrı prompt pattern gerçekten gerekli mi?

Her mikro görev için ayrı değil; ancak farklı görev aileleri için ayrı pattern yaklaşımı kurmak kaliteyi belirgin şekilde artırır.

Extraction ile classification neden aynı prompt’la yönetilmemeli?

Çünkü extraction veri çıkarmaya, classification ise sınırlı etiket uzayı içinde karar vermeye odaklanır. Beklenen davranış ve çıktı yapıları farklıdır.

Reasoning prompt’ları her zaman en güçlü pattern midir?

Hayır. Bazı ekipler gereksiz yere her görevi reasoning’e çevirir. Oysa basit extraction veya classification görevlerinde bu kaliteyi bile düşürebilir.

Critique pattern neden ayrı düşünülmeli?

Çünkü critique’nin amacı üretmek değil değerlendirmektir. Bu ayrım yapılmazsa model eleştirmek yerine içeriği yeniden üretmeye kayar.

Planning pattern ile reasoning pattern arasındaki temel fark nedir?

Reasoning daha çok yorum ve çıkarım üretir; planning ise hedefe ulaşmak için uygulanabilir adım yapısı kurar. Biri analiz, diğeri aksiyon tasarımı odaklıdır.