# Multi-Step Task Decomposition

> Source: https://sukruyusufkaya.com/en/learn/claude-ustaligi/task-decomposition
> Updated: 2026-05-13T09:37:27.734Z
> Category: Claude Ustalığı
> Module: 3. Advanced Prompting Techniques
**TLDR:** Instead of solving complex tasks in one prompt, break them into modular subtasks for better accuracy, testability, and cost.

> **Tek prompt'a sığmaz**
>
> Bir görevi tek prompt'a sıkıştırmak ne kadar basit gelirse gelsin, kalite ve hata bütçesi açısından çok adımlı pipeline çoğu zaman kazanır.

# Karmaşık Görevi Bölmek

Bir görevi tek seferde çözdürdüğünde:

- Hata oranı tüm pipeline'a yayılır.
- Hangi adımın yanlış olduğunu anlamak güçleşir.
- Kalite üst sınırını tek prompt belirler.

Görevi modüler alt görevlere böldüğünde:

- Her adımı **ayrı eval** edebilirsin.
- Adımları **farklı modellere** kanalize edebilirsin (ucuzlaştır).
- Bir adımın hatası **rollback** edilir.
- Ekipler farklı adımlarda paralel çalışır.

![Pipeline: niyet anlama → bilgi çekme → cevap üretme → format kontrol → kalite kontrol](/images/learn/claude-ustaligi/diagram-pipeline.svg)

_Çoklu adım pipeline — her adım kendi sorumluluğunu taşır._

## Genel Tasarım Kalıpları

### Router pattern

İlk Claude çağrısı sadece **niyet** belirler ve uygun alt pipeline'a yönlendirir:

```
user → router (Haiku) →
   ├─ billing pipeline (Sonnet)
   ├─ tech pipeline (Opus)
   └─ general pipeline (Sonnet)
```

Avantaj: ucuz model niyet bulur, pahalı model sadece gerektiğinde çağrılır.

### Extract → reason → format

Üç adımlı klasik pipeline:

1. **Extract:** Belge / mesajdan ilgili veriyi yapısal çıkar (JSON).
2. **Reason:** Çıkarılan veriyle akıl yürüt (cevap, karar, plan).
3. **Format:** Kullanıcı dostu çıktıya çevir.

Her adım test edilebilir, geri besleme kolay.

### Self-critique pattern

Üretilen cevabı bir başka Claude çağrısıyla **eleştir**, üçüncü çağrıda **iyileştir**:

```
generate → critique → revise
```

Yaratıcı yazım, kod refactor ve karmaşık plan üretiminde isabeti artırır. Maliyetlidir; kritik adımlarda aç.

### Map-reduce uzun belge

200K token'dan büyük belgelerle çalışırken:

1. **Map:** Belgeyi parçalara böl, her parçayı ayrı ayrı özetlet.
2. **Reduce:** Tüm özetleri birleştirip nihai özet üret.

Lost-in-the-middle problemini ciddi azaltır.

## Pratik: Müşteri Destek Pipeline'ı

```python
# Pipeline iskeleti — her adım ayrı bir Claude çağrısı
# (Burada sahte yanıtlarla simüle ediyoruz — Modül 11'de gerçek API ile yazacağız)

def call_haiku(prompt): return {"intent": "billing"}      # router
def call_sonnet_extract(msg, intent):
    return {"customer_id": "C-1029", "issue": "kart reddedildi"}
def call_sonnet_reason(payload):
    return {"action":"recommend_card_check","confidence":0.88}
def call_sonnet_format(payload):
    return "Merhaba, kart bilgilerinizi kontrol etmenizi öneriyorum..."

def support_pipeline(user_msg):
    intent = call_haiku(user_msg)["intent"]
    extracted = call_sonnet_extract(user_msg, intent)
    decision  = call_sonnet_reason(extracted)
    return call_sonnet_format(decision)

print(support_pipeline("Kartım reddedildi, ne yapmalıyım?"))
```

### Tek prompt yaklaşımı
- Yazması kolay
- Maliyeti tek çağrı
- Hata kaynağı belirsiz
- Eval zor
- Karma model imkânsız

---

### Pipeline yaklaşımı
- Yazması orta zorlukta
- Maliyet kontrol edilebilir
- Hata kaynağı izlenebilir
- Her adım ayrı eval
- Adıma uygun model seçilebilir

**Sıralama egzersizi:**
- `Görevi alt sorumluluklara böl`
- `Her alt görev için ayrı prompt yaz`
- `Adımlar arası veri sözleşmesini (kontratını) net tanımla`
- `Her adım için eval seti hazırla`
- `Adımları farklı modellere yönlendir (maliyet)`
- `Pipeline'ı izle ve iyileştir`

**Boşluk doldurma egzersizi (text):**
```text
Karmaşık bir görevde pipeline yaklaşımı her adımı ayrı _____ etmeyi sağlar. Niyet sınıflandırıp ilgili alt pipeline'a yönlendiren kalıba _____ pattern denir. Uzun belgelerde 'parçala-özet-birleştir' yaklaşımı _____ pattern olarak bilinir.
```

> ✋ Kontrol noktası: `q-303-mc1`