# Yaygın Failure Mode'lar (sentiment classification örneği)
 
CATEGORY: Negation Handling
  Örnek: "Hiç de fena değildi" → "olumsuz" (yanlış, "olumlu" olmalı)
  Frekans: 8/200 (%4)
  Kök neden: "fena" kelimesi negative trigger
  Çözüm: Few-shot'a negation örnekleri ekle
 
CATEGORY: Sarcasm
  Örnek: "Harika, paramın 3 hafta beklenmesi süper!" → "olumlu" (yanlış)
  Frekans: 5/200 (%2.5)
  Kök neden: Modeli sarkazm yakalayamıyor
  Çözüm: CoT promptu, "is this sarcasm?" check
 
CATEGORY: Mixed Sentiment
  Örnek: "Ürün güzel ama servis berbat" → "olumlu" (kısmi)
  Frekans: 12/200 (%6)
  Kök neden: Karar kuralı belirsiz
  Çözüm: Prompt'ta "mixed → en güçlü taraf" netleştir
 
CATEGORY: Implicit Praise
  Örnek: "Tekrar alacağım" → "nötr" (yanlış)
  Frekans: 3/200 (%1.5)
  Kök neden: Implicit signal kaçırıldı
  Çözüm: Few-shot'a implicit pozitif ekle

# Hatalı output'ları embed → cluster
from sklearn.cluster import KMeans
 
errors = [r for r in eval_results if not r["correct"]]
embs = embed([e["input"] for e in errors])
 
clusters = KMeans(n_clusters=8).fit(embs)
for c in range(8):
    cluster_items = [e for e, l in zip(errors, clusters.labels_) if l == c]
    print(f"\nCluster {c}: {len(cluster_items)} hata")
    for ex in cluster_items[:3]:
        print(f"  - {ex['input'][:60]}")
    # Ortak özellik bul = failure mode label