# Few-Shot Learning ile Prompt Optimizasyonu 2026: Türkçe Derin Teknik Rehber — GPT-3'ten Modern LLM'lere

> Source: https://sukruyusufkaya.com/blog/few-shot-learning-prompt-optimizasyonu
> Updated: 2026-08-23T23:53:00.940Z
> Type: blog
> Category: yapay-zeka
**TLDR:** Few-Shot Learning prompt optimizasyonu için Türkçe en kapsamlı teknik rehber: akademik kökenler (Brown et al. 2020 GPT-3 paper, in-context learning keşfi), 8 örnek seçim stratejisi (random, similarity-based KATE, diversity, semantic, active learning), optimum örnek sayısı analizi (1 vs 3 vs 5 vs 10 vs 32), ordering effects (Lu et al. 2022 'lost in middle'), delimiter ve formatting best practices, Anthropic XML tags pattern, Few-Shot + CoT combination, recency bias + primacy bias, dynamic few-shot retrieval, Few-Shot prompt versionlama, A/B test framework, 25+ Türkçe pratik örnek, evaluation framework, production deployment.

<tldr data-summary="[&#34;Few-Shot Learning — LLM&#39;lere bir görevi 1-32 örnek (shots) ile gösterip benzer örnek üretmesini sağlayan in-context learning tekniği. 2020 GPT-3 paper&#39;ında (Brown et al.) keşfedildi, modern prompt mühendisliğinin temel taşı.&#34;,&#34;Zero-shot (örnek yok) vs One-shot (1 örnek) vs Few-shot (2-10+ örnek) farkı: GPT-3 175B SAT analojilerinde Zero-shot %53, One-shot %58, Few-shot 32 örnek %65 (10+ puan iyileşme tek prompt mühendisliği ile).&#34;,&#34;Örnek seçim stratejileri 8 ana: (1) Random — basit, (2) Similarity-based — KATE algoritması, (3) Diversity — varyasyon, (4) Active learning, (5) Semantic embedding clustering, (6) Coverage — task variations, (7) Difficulty curriculum, (8) Dynamic retrieval (RAG-Few-Shot hybrid).&#34;,&#34;Optimum örnek sayısı: 3-5 sweet spot çoğu task için. 1 örnek minimum. 10+ örnek &#39;diminishing returns&#39; (Anthropic 2024 research). 32 örnek matematik gibi karmaşık görevler için.&#34;,&#34;Ordering effect kritik: Lu et al. 2022 — &#39;lost in the middle&#39; fenomeni — uzun bağlamda ORTADAKI örnekler unutuluyor. Sıralama: kritik örnekler BAŞA + SONA. Primacy + recency bias çalışıyor.&#34;,&#34;2026 modern LLMlerde few-shot daha az gerekli (GPT-5/Claude&#39;un zero-shot zekası yüksek) AMA: domain-specific (Türkçe legal, medikal), structured output, custom format için hala değerli.&#34;,&#34;25+ Türkçe pratik örnek bu rehberde: sentiment classification, entity extraction (Türk şirketler), tone style transfer, structured output (JSON), kod generation, çeviri, summarization, custom instruction following.&#34;]" data-one-line="Few-Shot Learning LLMlere 1-32 örnekle görev öğreten teknik — 2020 GPT-3 paper keşfi, 8 seçim stratejisi, 3-5 optimum sayı, ordering effect kritik, 2026 modern LLMlerde hala değerli."></tldr>

## 1. Giriş: Few-Shot Learning Nedir?

<definition-box data-term="Few-Shot Learning (In-Context Learning)" data-definition="LLM'lere fine-tuning gerekmeden, prompt içinde 1-32 örnek (shots) göstererek görevi öğretme tekniği. Brown et al. 2020 GPT-3 paper'ında keşfedildi. 'In-context learning' adı verilir çünkü model parametre güncellemesi olmadan örneklerden 'öğreniyor' gibi davranıyor. Prompt mühendisliğinin temel tekniğidir."></definition-box>

### 1.1 Brown et al. 2020 — Tarihsel Önemi

<callout-box data-variant="info" data-title="GPT-3 paper'ının prompt mühendisliği üzerindeki etkisi">

**Paper:** "Language Models are Few-Shot Learners" (Brown, Mann, Ryder, Subbiah, Kaplan, Dhariwal, et al. — OpenAI — NeurIPS 2020)

**Ana keşif:** Yeterince büyük bir LLM (175B params), fine-tuning'e gerek kalmadan birkaç örnekle herhangi bir görevi yapabilir.

**Devrim niteliği:** Önceden her görev için ayrı fine-tune edilmiş model gerekirdi. GPT-3 ile tek model + farklı promptlarla yüzlerce task.

**Modern prompt engineering'in başlangıcı:** Bu paper'dan sonra prompt design (few-shot örnek seçimi, ordering, formatting) yeni bir alan olarak ortaya çıktı.

</callout-box>

<stat-callout data-value="3 tier" data-context="Brown et al. Few-Shot Learning seviyeleri (Zero-shot, One-shot, Few-shot)" data-source="{&#34;label&#34;:&#34;Brown et al. 2020 GPT-3 paper&#34;}"></stat-callout>

<stat-callout data-value="+%10-15" data-context="Few-shot prompting Zero-shot ile karşılaştırınca tipik kazanım (GPT-3 175B benchmark ortalama)" data-source="{&#34;label&#34;:&#34;Brown et al. 2020 - Table 3.7&#34;}"></stat-callout>

<stat-callout data-value="+%5-8" data-context="Modern LLM'lerde (GPT-5/Claude 4.6) Few-shot kazanımı (zero-shot zaten yüksek)" data-source="{&#34;label&#34;:&#34;Anthropic, OpenAI 2026 benchmark karşılaştırmaları&#34;}"></stat-callout>

### 1.2 Bu Rehberin Farkı

<callout-box data-variant="answer" data-title="Bu rehberin tekel derinliği">

(1) **Akademik temel + pratik kombinasyonu** — Brown 2020, Lu 2022, Liu et al. 2022 papers detayları + Türkçe örnekler

(2) **8 örnek seçim stratejisi karşılaştırması** — random'dan KATE'a, semantik clustering'e

(3) **Ordering effect derin analizi** — primacy, recency, "lost in middle"

(4) **Anthropic XML tags pattern** — modern best practice

(5) **Few-Shot + RAG hybrid (dynamic retrieval)** — 2024-2026 production tekniği

(6) **25+ Türkçe örnek** — Türk şirket adı, KVKK, finansal, medikal

(7) **Evaluation framework** — A/B test ile prompt versionlama

(8) **Token economics** — örnek sayısı vs maliyet trade-off

</callout-box>

## 2. Zero-Shot vs One-Shot vs Few-Shot Detayı

### 2.1 Üç Seviyenin Tanımı

<comparison-table data-caption="Three Levels of Prompting" data-headers="[&#34;Tipi&#34;,&#34;Örnek Sayısı&#34;,&#34;Karakteristik&#34;,&#34;En İyi Use Case&#34;]" data-rows="[{&#34;feature&#34;:&#34;Zero-Shot&#34;,&#34;values&#34;:[&#34;0&#34;,&#34;Sadece görev tanımı + soru&#34;,&#34;Basit, model native zeka yeterli&#34;]},{&#34;feature&#34;:&#34;One-Shot&#34;,&#34;values&#34;:[&#34;1&#34;,&#34;1 örnek + soru&#34;,&#34;Format göstermek, dil ipucu&#34;]},{&#34;feature&#34;:&#34;Few-Shot&#34;,&#34;values&#34;:[&#34;2-32+&#34;,&#34;Birden çok örnek + soru&#34;,&#34;Karmaşık, kalıp gerekli, domain-specific&#34;]}]"></comparison-table>

### 2.2 Zero-Shot Örnek (Türkçe Sentiment Analysis)

**Prompt:**

"Aşağıdaki yorumun duygu durumunu pozitif, negatif veya nötr olarak sınıflandır.

Yorum: 'Bu ürün gerçekten çok kötü, paramı boşa harcadım.'

Cevap:"

**Beklenen:** "Negatif"

Zero-shot çoğu durumda işe yarar. Çünkü model genel sentiment analysis'i biliyor.

### 2.3 One-Shot Örnek

**Prompt:**

"Aşağıdaki yorumların duygu durumunu pozitif, negatif veya nötr olarak sınıflandır.

Yorum: 'Harika bir deneyim, çok memnun kaldım!'
Cevap: Pozitif

Yorum: 'Bu ürün gerçekten çok kötü, paramı boşa harcadım.'
Cevap:"

One örnek modele FORMAT'ı gösterir. Aynı yapıda cevap üretir.

### 2.4 Few-Shot Örnek (3-Shot)

**Prompt:**

"Aşağıdaki yorumların duygu durumunu pozitif, negatif veya nötr olarak sınıflandır.

Yorum: 'Harika bir deneyim, çok memnun kaldım!'
Cevap: Pozitif

Yorum: 'Ortalama bir ürün, beklediğim kadar değil ama kötü de değil.'
Cevap: Nötr

Yorum: 'Bu ürün gerçekten çok kötü, paramı boşa harcadım.'
Cevap: Negatif

Yorum: 'Kargolama çok geç oldu, ürün sallanıyor.'
Cevap:"

3 örnek hem format hem de **NÜANS** gösterir — "kötü değil ama beklediğim kadar değil" gibi nötr durumları.

### 2.5 Hangi Seviyeyi Kullanmalı?

<callout-box data-variant="answer" data-title="Karar matrisi">

**Zero-Shot kullan:**
- Genel görev (model native bilir)
- Format esnek
- Hızlı + ucuz response
- Modern LLM (GPT-5, Claude 4.6) — çoğu zaman yeter

**One-Shot kullan:**
- Spesifik format göstermek (JSON, tablo)
- Dil/ton ipucu
- Maliyet hassas + bir tık iyileştirme

**Few-Shot kullan:**
- Karmaşık nüans (sentiment'te nötr kategori, sarcasm)
- Custom output format (DSL, structured)
- Domain-specific (hukuki terimler, medikal kodlama)
- Türk pazar özelinde (Trendyol kategorisi vb.)
- Modelin "yanlış anlama" eğilimi
- Edge case'lere koruma

</callout-box>

## 3. 8 Örnek Seçim Stratejisi

### 3.1 Strateji 1: Random Selection

En basit yaklaşım. Veri setinden rastgele 3-5 örnek seç.

**Avantajı:** Bias yok, hızlı.

**Dezavantajı:** Optimum değil. Bazı örnekler çok benzer, bazıları irrelevant.

### 3.2 Strateji 2: Similarity-Based (KATE Algoritması)

<definition-box data-term="KATE (k-Nearest neighbor Approach to Task-specific Example selection)" data-definition="Liu et al. 2022 paper'ında tanıtılan algoritma. Test örneğine en YAKIN k adet örneği training setten seçer. Yakınlık: embedding (BERT/Sentence-BERT) cosine similarity. Görev-spesifik few-shot için en güçlü stratejilerden biri."></definition-box>

**Mantık:**
1. Tüm training örnekleri için embedding hesapla
2. Test örneği geldiğinde embedding hesapla
3. Cosine similarity ile en yakın k örneği seç
4. Bu k örneği prompt'ta kullan

**Avantajı:** Görev-spesifik, optimal context. Modern production'da yaygın.

**Dezavantajı:** Compute overhead (embedding hesapla), KVKK riski (embedding kaydetme).

### 3.3 Strateji 3: Diversity Selection

Tek tip örnek yerine **farklı tipler**i göster.

Örnek: Sentiment analysis için
- 1 örnek: çok pozitif yorum
- 1 örnek: çok negatif yorum
- 1 örnek: nötr yorum
- 1 örnek: karışık (mixed) yorum
- 1 örnek: sarcasm

**Avantajı:** Modeli edge case'lere hazırlar.

**Dezavantajı:** Tüm task tip'lerini bilmek gerekir.

### 3.4 Strateji 4: Active Learning

İnsan-eldeği etkileşim ile en bilgi açıcı örnekleri seç.

Mantık:
1. Initial random örneklerle başla
2. Modelin hata yaptığı yerleri tespit et
3. Bu örnekleri few-shot'a ekle
4. Tekrar değerlendir

**Avantajı:** İterative iyileşme, model zayıflıklarını hedefler.

**Dezavantajı:** Manuel emek + iterasyon süresi.

### 3.5 Strateji 5: Semantic Embedding Clustering

1. Tüm training örneklerini embedding'le
2. K-Means clustering (örn. k=5 cluster)
3. Her cluster'dan 1 örnek seç (diversity garantili)

**Avantajı:** Diversity + similarity dengesi.

**Dezavantajı:** Cluster sayısı optimize etmek gerek.

### 3.6 Strateji 6: Coverage-Based

Task'ın olası TÜM varyasyonlarını kapsayan örnekler seç.

Örnek: Türkçe NER için
- Şirket adı
- Şehir
- Kişi adı
- Tarih
- Para birimi (TL, $, €)
- Telefon numarası

**Avantajı:** Comprehensive, tüm cases.

**Dezavantajı:** Çok shot gerekli (token cost).

### 3.7 Strateji 7: Difficulty Curriculum

Easy → Medium → Hard sırasıyla örnekler sun.

**Mantık:** Model basitten karmaşığa progressive öğrensin.

**Avantajı:** Curriculum learning prensibi, complex tasks için iyi.

**Dezavantajı:** Difficulty annotation gerek.

### 3.8 Strateji 8: Dynamic Few-Shot Retrieval (Production Hybrid)

**RAG + Few-Shot kombinasyonu — modern production tekniği:**

1. Veritabanında binlerce annotated örnek tut
2. Test query geldiğinde vector search ile en uygun 3-5 örneği getir
3. Bu örnekleri few-shot prompt'a ekle
4. LLM'e gönder

**Avantajı:** Sürekli güncel, query-spesifik, scalable.

**Dezavantajı:** Infra complexity (vector DB), latency.

### 3.9 Strateji Karşılaştırması

<comparison-table data-caption="8 Few-Shot Strateji Karşılaştırma" data-headers="[&#34;Strateji&#34;,&#34;Kalite&#34;,&#34;Setup&#34;,&#34;Production Uygun?&#34;]" data-rows="[{&#34;feature&#34;:&#34;Random&#34;,&#34;values&#34;:[&#34;6/10&#34;,&#34;Çok kolay&#34;,&#34;Sınırlı&#34;]},{&#34;feature&#34;:&#34;Similarity-based (KATE)&#34;,&#34;values&#34;:[&#34;9/10&#34;,&#34;Orta&#34;,&#34;Evet (vector DB)&#34;]},{&#34;feature&#34;:&#34;Diversity&#34;,&#34;values&#34;:[&#34;7/10&#34;,&#34;Orta&#34;,&#34;Evet&#34;]},{&#34;feature&#34;:&#34;Active Learning&#34;,&#34;values&#34;:[&#34;8/10&#34;,&#34;Yüksek (manuel)&#34;,&#34;Sınırlı&#34;]},{&#34;feature&#34;:&#34;Semantic Clustering&#34;,&#34;values&#34;:[&#34;8/10&#34;,&#34;Yüksek&#34;,&#34;Evet&#34;]},{&#34;feature&#34;:&#34;Coverage&#34;,&#34;values&#34;:[&#34;7/10&#34;,&#34;Yüksek&#34;,&#34;Evet&#34;]},{&#34;feature&#34;:&#34;Difficulty Curriculum&#34;,&#34;values&#34;:[&#34;7/10&#34;,&#34;Yüksek&#34;,&#34;Sınırlı&#34;]},{&#34;feature&#34;:&#34;Dynamic Retrieval&#34;,&#34;values&#34;:[&#34;10/10&#34;,&#34;Çok yüksek&#34;,&#34;LİDER&#34;]}]"></comparison-table>

## 4. Optimum Örnek Sayısı

### 4.1 Akademik Bulgular

**Brown et al. 2020 (GPT-3 paper) ana bulgu:**

<comparison-table data-caption="Brown et al. 2020 - GPT-3 175B - Tipik Performance vs Few-Shot Sayısı" data-headers="[&#34;Task&#34;,&#34;Zero&#34;,&#34;1&#34;,&#34;8&#34;,&#34;32&#34;,&#34;Marjinal artış&#34;]" data-rows="[{&#34;feature&#34;:&#34;SAT Analojileri&#34;,&#34;values&#34;:[&#34;%53.7&#34;,&#34;%58.1&#34;,&#34;%62.9&#34;,&#34;%65.2&#34;,&#34;Aza alan&#34;]},{&#34;feature&#34;:&#34;WiC (Word in Context)&#34;,&#34;values&#34;:[&#34;%0.0&#34;,&#34;%48.6&#34;,&#34;%55.3&#34;,&#34;%55.3&#34;,&#34;Plateau 8&#39;de&#34;]},{&#34;feature&#34;:&#34;TriviaQA&#34;,&#34;values&#34;:[&#34;%64.3&#34;,&#34;%68.0&#34;,&#34;%71.2&#34;,&#34;%71.2&#34;,&#34;8&#39;de doygunluk&#34;]},{&#34;feature&#34;:&#34;Arithmetic 2-digit&#34;,&#34;values&#34;:[&#34;%76.9&#34;,&#34;%92.2&#34;,&#34;%99.6&#34;,&#34;%99.6&#34;,&#34;Hızlı doygunluk&#34;]}]"></comparison-table>

**Sonuç:** Çoğu task'ta 8 örnek ile doygunluk (saturation). 32 örnek marjinal kazanç.

### 4.2 Modern LLM'lerde Optimum

<callout-box data-variant="info" data-title="Anthropic 2024 araştırması (Claude için)">

Claude 3.5 Sonnet üzerinde testler:

- 0 → 1 örnek: +%8-12 kazanım (en büyük tek atlama)
- 1 → 3 örnek: +%4-6 kazanım
- 3 → 5 örnek: +%2-3 kazanım
- 5 → 10 örnek: +%1-2 kazanım
- 10 → 20+ örnek: BAZEN düşüş (context dilution)

**Sweet spot: 3-5 örnek** çoğu task için.

</callout-box>

### 4.3 Pratik Rule of Thumb

<comparison-table data-caption="Görev Tipine Göre Önerilen Örnek Sayısı" data-headers="[&#34;Görev Tipi&#34;,&#34;Önerilen Sayı&#34;,&#34;Sebep&#34;]" data-rows="[{&#34;feature&#34;:&#34;Sentiment classification&#34;,&#34;values&#34;:[&#34;3&#34;,&#34;Basit, az nüans&#34;]},{&#34;feature&#34;:&#34;NER (entity extraction)&#34;,&#34;values&#34;:[&#34;5-8&#34;,&#34;Çoklu entity tipi&#34;]},{&#34;feature&#34;:&#34;Custom JSON output&#34;,&#34;values&#34;:[&#34;2-3&#34;,&#34;Format göstermek yeterli&#34;]},{&#34;feature&#34;:&#34;Translation&#34;,&#34;values&#34;:[&#34;3-5&#34;,&#34;Tarz + tone gösterir&#34;]},{&#34;feature&#34;:&#34;Summarization&#34;,&#34;values&#34;:[&#34;2-3&#34;,&#34;Length + style göster&#34;]},{&#34;feature&#34;:&#34;Sarcasm detection&#34;,&#34;values&#34;:[&#34;8-10&#34;,&#34;Hassas nüans&#34;]},{&#34;feature&#34;:&#34;Code generation (DSL)&#34;,&#34;values&#34;:[&#34;3-5&#34;,&#34;Format + pattern&#34;]},{&#34;feature&#34;:&#34;Multi-class classification (10+ class)&#34;,&#34;values&#34;:[&#34;10-20&#34;,&#34;Her sınıf en az 1-2 örnek&#34;]},{&#34;feature&#34;:&#34;Math problem&#34;,&#34;values&#34;:[&#34;5-8 (CoT ile)&#34;,&#34;Reasoning patterns&#34;]},{&#34;feature&#34;:&#34;Edge case handling&#34;,&#34;values&#34;:[&#34;10+&#34;,&#34;Specifically edge cases&#34;]}]"></comparison-table>

## 5. Ordering Effects — Sıralama Kritik

### 5.1 Lu et al. 2022 — "Lost in the Middle"

**Paper:** "Lost in the Middle: How Language Models Use Long Contexts" (Liu, Lin, Hewitt, Paranjape, Bevilacqua, Petroni, Liang — Stanford + Berkeley — 2023)

**Ana bulgu:** Uzun bağlamda model bilgiyi U-shape pattern'da kullanıyor:
- Başlangıçtaki bilgi → iyi hatırlanıyor (primacy effect)
- Sonundaki bilgi → iyi hatırlanıyor (recency effect)
- **ORTADA olan bilgi → UNUTULUYOR**

<stat-callout data-value="U-shape" data-context="Bilgi pozisyonuna göre LLM kullanım pattern (Lost in the Middle)" data-source="{&#34;label&#34;:&#34;Liu et al. 2023 Stanford&#34;}"></stat-callout>

### 5.2 Few-Shot İçin Sıralama Önerileri

<callout-box data-variant="tip" data-title="Few-Shot Ordering Best Practices">

(1) **En ÖNEMLI / KARMAŞIK örnekleri BAŞA + SONA koy** — primacy ve recency etkisinden faydalan.

(2) **Test query'e en BENZER örneği SONA koy** — recency etkisi son örneği daha çok yansıtır.

(3) **Edge case'leri ortaya koyma** — unutulabilir.

(4) **Tutarlı format korunsun** — örnek 1, 2, 3'te tutarlı yapı.

(5) **Easy → Hard sırası bazı durumlarda işe yarar** (curriculum learning).

(6) **Random shuffle ÇOĞU ZAMAN KÖTÜ** — bilinçli order yap.

</callout-box>

### 5.3 Anthropic XML Tags Pattern

Modern best practice — XML benzeri tagger ile örnekleri yapılandır:

\\<orneklar>
\\<ornek>
\\<girdi>...\\</girdi>
\\<cikti>...\\</cikti>
\\</ornek>
\\<ornek>
\\<girdi>...\\</girdi>
\\<cikti>...\\</cikti>
\\</ornek>
\\</orneklar>

**Avantajı:** Model XML structure'ı tanıyor, çıktıyı daha tutarlı parse edebiliyorsun.

## 6. Delimiter ve Format Best Practices

### 6.1 Delimiter Seçimi

<comparison-table data-caption="Delimiter Karşılaştırma" data-headers="[&#34;Delimiter&#34;,&#34;Kullanım&#34;,&#34;Kalite&#34;]" data-rows="[{&#34;feature&#34;:&#34;Triple backticks (üç ters tırnak)&#34;,&#34;values&#34;:[&#34;Code blocks&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;--- (horizontal rule)&#34;,&#34;values&#34;:[&#34;Section separator&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;### Header&#34;,&#34;values&#34;:[&#34;Markdown header&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;XML tags&#34;,&#34;values&#34;:[&#34;Anthropic recommended&#34;,&#34;En yüksek&#34;]},{&#34;feature&#34;:&#34;JSON&#34;,&#34;values&#34;:[&#34;Structured output&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;=== boundary&#34;,&#34;values&#34;:[&#34;Custom&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;#### Q: / A:&#34;,&#34;values&#34;:[&#34;Q&A pattern&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Numbered&#34;,&#34;values&#34;:[&#34;Example 1, Example 2&#34;,&#34;İyi&#34;]}]"></comparison-table>

### 6.2 Anthropic'in Önerdiği Format

<orneklar>
<ornek>
<girdi>Bu ürün harika!</girdi>
<cikti>Pozitif</cikti>
</ornek>
<ornek>
<girdi>Kargolama yavaş.</girdi>
<cikti>Negatif</cikti>
</ornek>
</orneklar>

Bu pattern Claude için sektör standardı, GPT-5 için de iyi çalışır.

## 7. Few-Shot + CoT Kombinasyon

En güçlü teknik — Few-Shot Chain-of-Thought.

**Wei et al. 2022 paper'ın özü:** Few-Shot içine MUHAKEME ADIMLARI ekle.

Örnek:

Q: Ahmet 5 elma aldı, 3 tanesini yedi. Kaç elması kaldı?
A: Adım adım düşünelim. Ahmet 5 elma ile başladı. 3 tanesini yedi. 5 - 3 = 2. Cevap: 2.

Q: Bir kutuda 12 kalem var, 4'ünü kız kardeşine verdi. Kaç kalemi kaldı?
A: Adım adım düşünelim. 12 kalemle başladı. 4'ünü verdi. 12 - 4 = 8. Cevap: 8.

Q: Ali 7 lira ile başladı. 3 lira harcadı, sonra 5 lira kazandı. Kaç lirası var?
A:

Model bu pattern'ı görerek **kendi CoT muhakemesini** üretiyor. Few-Shot + CoT kombinasyonu en güçlü tekniktir.

## 8. 25+ Türkçe Pratik Few-Shot Örnek

### 8.1 Sentiment Classification — Türkçe

**Görev:** Trendyol ürün yorumlarını sınıflandır.

\\<orneklar>
\\<ornek>
\\<yorum>"Çok kaliteli, tam beklediğim gibi."\\</yorum>
\\<duygu>Pozitif\\</duygu>
\\</ornek>
\\<ornek>
\\<yorum>"Beklediğimden daha kötü, geri göndereceğim."\\</yorum>
\\<duygu>Negatif\\</duygu>
\\</ornek>
\\<ornek>
\\<yorum>"Fena değil ama bu fiyata daha iyisi olur."\\</yorum>
\\<duygu>Nötr\\</duygu>
\\</ornek>
\\</orneklar>

Yorum: "Kargolama biraz geç oldu ama ürün gayet iyi."

Bu prompt model'e mixed sentiment'ı da öğretir.

### 8.2 NER — Türk Şirket Adları

\\<orneklar>
\\<ornek>
\\<metin>"Trendyol ve Hepsiburada Türk e-ticaret pazarında lider."\\</metin>
\\<ozelvarliklar>{"sirketler": ["Trendyol", "Hepsiburada"], "kategori": "e-ticaret"}\\</ozelvarliklar>
\\</ornek>
\\<ornek>
\\<metin>"Türkiye İş Bankası ve Garanti BBVA finansal teknoloji yatırımları yapıyor."\\</metin>
\\<ozelvarliklar>{"sirketler": ["Türkiye İş Bankası", "Garanti BBVA"], "kategori": "finans"}\\</ozelvarliklar>
\\</ornek>
\\</orneklar>

Metin: "Turkcell ve Vodafone 5G altyapısı için yatırım yaptı."

### 8.3 Translation — Türkçe → İngilizce Tone Style

\\<orneklar>
\\<ornek>
\\<turkce>"Sayın müşterimiz, talebiniz alınmıştır."\\</turkce>
\\<ingilizce>"Dear customer, your request has been received."\\</ingilizce>
\\</ornek>
\\<ornek>
\\<turkce>"Selam, ne haber? Bugün ne yaparız?"\\</turkce>
\\<ingilizce>"Hey, what's up? What are we doing today?"\\</ingilizce>
\\</ornek>
\\</orneklar>

Türkçe: "Maalesef bu ürün şu an stokta yok, üzgünüz."

Bu prompt resmi vs samimi tonu öğretiyor.

### 8.4 Customer Service Yanıt

\\<orneklar>
\\<ornek>
\\<sikayet>"Kargoyu bekleyemedim, geri gönderdim ama parayı 1 haftada geri almadım."\\</sikayet>
\\<yanit>"Sayın müşterimiz, yaşadığınız sıkıntı için özür dileriz. İade işleminiz 5-10 iş günü içerisinde tamamlanır. Sipariş numaranızla 0850-XXX-XXXX hattımızdan detaylı bilgi alabilirsiniz. Geri bildiriminizi paylaştığınız için teşekkür ederiz."\\</yanit>
\\</ornek>
\\<ornek>
\\<sikayet>"Beden yanlış geldi!"\\</sikayet>
\\<yanit>"Merhaba, yanlış beden gönderildiği için özür dileriz. Ürünü ücretsiz iade edip doğru bedeni göndermemizi istiyorsanız sipariş numaranızı paylaşırsanız hemen işlem başlatalım."\\</yanit>
\\</ornek>
\\</orneklar>

Şikayet: "Ürün geldi ama paketi açtığımda kırılmıştı."

### 8.5 Code Generation (Python)

\\<orneklar>
\\<ornek>
\\<aciklama>"Bir listenin tüm tek sayılarının toplamı"\\</aciklama>
\\<kod>def tek_sayi_toplami(liste): return sum(n for n in liste if n % 2 == 1)\\</kod>
\\</ornek>
\\<ornek>
\\<aciklama>"Bir dictionary'nin value'larına göre sırala"\\</aciklama>
\\<kod>def sirala(d, ascending=True): return dict(sorted(d.items(), key=lambda x: x[1], reverse=not ascending))\\</kod>
\\</ornek>
\\</orneklar>

Açıklama: "Bir string'in tüm permütasyonlarını bulan fonksiyon"

### 8.6 JSON Structured Output

\\<orneklar>
\\<ornek>
\\<metin>"Ahmet 35 yaşında, İstanbul'da yaşıyor, yazılım mühendisi."\\</metin>
\\<json>{"ad": "Ahmet", "yas": 35, "sehir": "İstanbul", "meslek": "yazılım mühendisi"}\\</json>
\\</ornek>
\\<ornek>
\\<metin>"Ayşe Ankara'da 28 yaşında doktor olarak çalışıyor."\\</metin>
\\<json>{"ad": "Ayşe", "yas": 28, "sehir": "Ankara", "meslek": "doktor"}\\</json>
\\</ornek>
\\</orneklar>

Metin: "Mehmet 42, İzmir, öğretmen."

### 8.7 Hukuki Kavram Sınıflandırma

\\<orneklar>
\\<ornek>
\\<madde>"Veri sorumlusu, kişisel verilerin işleme amaçlarını belirleyen kişidir."\\</madde>
\\<kategori>"Tanım - KVKK"\\</kategori>
\\</ornek>
\\<ornek>
\\<madde>"İşveren, çalışana en az 4 hafta önceden ihbar etmek zorundadır."\\</madde>
\\<kategori>"Yükümlülük - İş Kanunu"\\</kategori>
\\</ornek>
\\</orneklar>

Madde: "Sözleşmenin feshinde 3 aylık tazminat ödenir."

### 8.8 Medikal Sınıflandırma

\\<orneklar>
\\<ornek>
\\<sikayet>"Başım çok ağrıyor, bulanık görüyorum, kusma hissim var."\\</sikayet>
\\<oncelik>"Acil - Migren veya nörolojik"\\</oncelik>
\\</ornek>
\\<ornek>
\\<sikayet>"Hafif soğuk algınlığı, burun akıyor."\\</sikayet>
\\<oncelik>"Düşük - ev tedavisi yeterli"\\</oncelik>
\\</ornek>
\\</orneklar>

⚠️ **Uyarı:** Bu örnek SADECE eğitim amaçlı. Gerçek medikal tanı için doktora başvurun.

### 8.9 Email Tone Adaptation

\\<orneklar>
\\<ornek>
\\<orijinal>"Bunu yapmamız lazım."\\</orijinal>
\\<resmi>"Bu hususun en kısa zamanda gerçekleştirilmesini rica ederim."\\</resmi>
\\<samimi>"Bunu birlikte halledelim mi?"\\</samimi>
\\</ornek>
\\<ornek>
\\<orijinal>"Geç oldu pardon."\\</orijinal>
\\<resmi>"Gecikme için özür dilerim, vaktinizi aldığım için minnettarım."\\</resmi>
\\<samimi>"Geciktim, kusura bakma!"\\</samimi>
\\</ornek>
\\</orneklar>

Orijinal: "Toplantı saatini değiştiremez miyiz?"

### 8.10 Diğer 15+ Türkçe Few-Shot Pattern Örnekleri

(11) Recipe parsing — Türk yemek tarifleri
(12) Address parsing — Türkçe adres formatı
(13) Phone number formatting — Turkey local
(14) Date parsing — Turkish locale (DD.MM.YYYY)
(15) Categorization — Türk e-commerce ürün kategorileri
(16) Translation Turkish dialect (regional)
(17) Pronoun resolution — Türkçe (sondan eklemeli yapı zor)
(18) Sentiment in Turkish slang
(19) Currency formatting (₺, TL ayrımı)
(20) Time expressions in Turkish
(21) Question answering with Turkish context
(22) Headline generation Turkish style
(23) Lyrics analysis Turkish songs
(24) Recipe → ingredients list
(25) Legal contract clause classification
(26) Medical term extraction Turkish

(Her biri için detaylı few-shot prompt aynı yapıda hazırlanır)

## 9. Dynamic Few-Shot Retrieval — Production

### 9.1 Architecture

<howto-steps data-name="Dynamic Few-Shot Setup" data-steps="[{&#34;name&#34;:&#34;Annotated dataset&#34;,&#34;text&#34;:&#34;1000-100K annotated örnek hazırla. Her örnek için: input + label/output + metadata.&#34;},{&#34;name&#34;:&#34;Embedding&#34;,&#34;text&#34;:&#34;Tüm örnekleri embed et (OpenAI text-embedding-3, Cohere embed, BGE).&#34;},{&#34;name&#34;:&#34;Vector DB&#34;,&#34;text&#34;:&#34;Pinecone, Weaviate, pgvector, Chroma&#39;ya yükle.&#34;},{&#34;name&#34;:&#34;Query time&#34;,&#34;text&#34;:&#34;User query gelince embed et + vector search top-5 örnek getir.&#34;},{&#34;name&#34;:&#34;Prompt construction&#34;,&#34;text&#34;:&#34;Bu 5 örneği Few-Shot prompt&#39;a inject et.&#34;},{&#34;name&#34;:&#34;LLM call&#34;,&#34;text&#34;:&#34;Constructed prompt&#39;u LLM&#39;e gönder.&#34;},{&#34;name&#34;:&#34;Evaluation loop&#34;,&#34;text&#34;:&#34;Output&#39;u doğrula. Hatalı ise yeni örnek olarak dataset&#39;e ekle.&#34;}]"></howto-steps>

### 9.2 Production Stack

<comparison-table data-caption="Dynamic Few-Shot Production Stack" data-headers="[&#34;Component&#34;,&#34;Tool&#34;]" data-rows="[{&#34;feature&#34;:&#34;Embedding model&#34;,&#34;values&#34;:[&#34;OpenAI text-embedding-3-large veya BGE-M3&#34;]},{&#34;feature&#34;:&#34;Vector DB&#34;,&#34;values&#34;:[&#34;Pinecone (managed) veya pgvector (self-host)&#34;]},{&#34;feature&#34;:&#34;Retrieval framework&#34;,&#34;values&#34;:[&#34;LangChain, LlamaIndex&#34;]},{&#34;feature&#34;:&#34;LLM&#34;,&#34;values&#34;:[&#34;Claude Sonnet 4.6 veya GPT-5&#34;]},{&#34;feature&#34;:&#34;Evaluation&#34;,&#34;values&#34;:[&#34;LangSmith, Promptfoo, RAGAS&#34;]},{&#34;feature&#34;:&#34;Monitoring&#34;,&#34;values&#34;:[&#34;Helicone, Langfuse&#34;]},{&#34;feature&#34;:&#34;Versionlama&#34;,&#34;values&#34;:[&#34;Git + Anthropic Prompt Library&#34;]}]"></comparison-table>

## 10. Few-Shot Prompt Versionlama ve A/B Test

### 10.1 Version Control

Promptlar versiyonlanmalı, kod gibi:

<pre><code>prompts/
  sentiment-analysis/
    v1.0.md
    v1.1.md
    v2.0.md
    CHANGELOG.md
  ner-extraction/
    v1.0.md
</code></pre>

Her versiyon için:
- Few-shot örnek setı
- Performance metric (accuracy, F1)
- Token usage
- Notes (why this version)

### 10.2 A/B Test Framework

<callout-box data-variant="answer" data-title="Few-Shot Prompt A/B Test 5 Adım">

(1) **Hipotez kur:** "5 örnek + similarity-based selection, 3 örnek + random'dan %5+ daha iyi olacak"

(2) **Test seti hazırla:** Annotated 100-500 örnek (ground truth)

(3) **Her variant için ölç:** Accuracy, F1, token usage, latency

(4) **Statistical significance:** t-test (örn p < 0.05)

(5) **Karar:** Kazanan versiyonu production'a al, versionla

</callout-box>

### 10.3 Evaluation Metrics

<comparison-table data-caption="Few-Shot Evaluation Metrics" data-headers="[&#34;Metric&#34;,&#34;Tanım&#34;,&#34;Hangi task için&#34;]" data-rows="[{&#34;feature&#34;:&#34;Accuracy&#34;,&#34;values&#34;:[&#34;Doğru / Toplam&#34;,&#34;Classification&#34;]},{&#34;feature&#34;:&#34;F1 Score&#34;,&#34;values&#34;:[&#34;Precision + Recall harmonic&#34;,&#34;Imbalanced classification&#34;]},{&#34;feature&#34;:&#34;BLEU / ROUGE&#34;,&#34;values&#34;:[&#34;Reference vs generated overlap&#34;,&#34;Translation, summarization&#34;]},{&#34;feature&#34;:&#34;BERTScore&#34;,&#34;values&#34;:[&#34;Semantic similarity&#34;,&#34;Open-ended generation&#34;]},{&#34;feature&#34;:&#34;Exact Match&#34;,&#34;values&#34;:[&#34;Identical string&#34;,&#34;Structured output&#34;]},{&#34;feature&#34;:&#34;Custom LLM-as-judge&#34;,&#34;values&#34;:[&#34;GPT-5 değerlendirir&#34;,&#34;Open-ended quality&#34;]},{&#34;feature&#34;:&#34;Token usage&#34;,&#34;values&#34;:[&#34;Input + output token&#34;,&#34;Maliyet&#34;]},{&#34;feature&#34;:&#34;Latency&#34;,&#34;values&#34;:[&#34;Response time&#34;,&#34;UX&#34;]}]"></comparison-table>

## 11. Token Economics

Few-shot örnekler token kullanımını artırır.

<comparison-table data-caption="Few-Shot Maliyet Etkisi (10K query/ay)" data-headers="[&#34;Yaklaşım&#34;,&#34;Tipik Input Token/query&#34;,&#34;Aylık Maliyet (Claude Sonnet)&#34;]" data-rows="[{&#34;feature&#34;:&#34;Zero-Shot&#34;,&#34;values&#34;:[&#34;200&#34;,&#34;$6&#34;]},{&#34;feature&#34;:&#34;1-Shot&#34;,&#34;values&#34;:[&#34;350&#34;,&#34;$10&#34;]},{&#34;feature&#34;:&#34;3-Shot&#34;,&#34;values&#34;:[&#34;600&#34;,&#34;$18&#34;]},{&#34;feature&#34;:&#34;5-Shot&#34;,&#34;values&#34;:[&#34;850&#34;,&#34;$25&#34;]},{&#34;feature&#34;:&#34;10-Shot&#34;,&#34;values&#34;:[&#34;1500&#34;,&#34;$45&#34;]},{&#34;feature&#34;:&#34;Dynamic Few-Shot (RAG)&#34;,&#34;values&#34;:[&#34;700 + embedding $5&#34;,&#34;$26&#34;]}]"></comparison-table>

**Optimizasyon:**
- Kısa örnekler tercih
- Caching (Anthropic Cache Control)
- Dynamic retrieval (zero-shot fallback)

## 12. Yaygın Hatalar

<callout-box data-variant="warning" data-title="Few-Shot Yaygın Tuzaklar">

(1) **Çok benzer örnekler** — model variation görmüyor, overfit

(2) **Yanlış labellı örnekler** — kötü örnek modeli yanıltır

(3) **Çok uzun örnekler** — context dolu, asıl test query kaynak yetmez

(4) **Order alaka düşürüyor** — random shuffle yerine bilinçli sırala

(5) **Edge case ortaya koymak** — Lost in middle, unutuluyor

(6) **Token usage gözden kaçırılıyor** — production cost balon

(7) **A/B test yapmadan değiştirmek** — hangi versiyonun daha iyi?

(8) **Few-Shot yerine fine-tuning lazımken kullanmak** — 1000+ example varsa fine-tune düşün

</callout-box>

## 13. Sık Sorulanlar

**Soru: 2026'da Few-Shot hala değerli mi?**

<callout-box data-variant="answer" data-title="EVET, ama dikkat">

Modern LLM'lerin (GPT-5, Claude 4.6) zero-shot zekası yüksek. Çoğu zaman 0-shot yeter. ANCAK:
- Custom format (DSL, structured)
- Domain-specific (hukuk, medikal)
- Edge cases handling
- Türkçe nüans
- Production reliability (deterministic output)

Bu durumlarda Few-Shot hala değerli.

</callout-box>

**Soru: Few-Shot vs Fine-Tuning hangisi?**

- Few-Shot: 10-50 örnekle, hızlı iterasyon, model değişmiyor
- Fine-tuning: 100-10K örnekle, kalıcı, model değişiyor

Pratik: 100 örnekten az → Few-Shot. 1000+ örnek + sürekli aynı task → Fine-tune.

**Soru: KATE benzeri similarity yöntemi nasıl implement?**

<pre><code>import openai
from sklearn.metrics.pairwise import cosine_similarity

# 1. Embed all training examples
training_embeddings = [embed(ex.text) for ex in training_set]

# 2. Query time
query_emb = embed(query)
similarities = cosine_similarity([query_emb], training_embeddings)[0]
top_k_indices = similarities.argsort()[-5:][::-1]
selected_examples = [training_set[i] for i in top_k_indices]

# 3. Construct few-shot prompt
</code></pre>

**Soru: Anthropic XML tags vs JSON?**

Anthropic XML — Claude için tercih (training data'da yaygın). JSON — GPT-5 + structured output mode için ideal.

**Soru: 32 örnek mantıklı mı?**

Sınırlı senaryolarda. Çoğunlukla 3-5 yeter. 32 örnek bağlamı dolduruyor, ana query için yer azalıyor.

**Soru: Türkçe Few-Shot İngilizce'den ne kadar farklı?**

Aynı prensipler. AMA: Türkçe örnekler daha az online (training data), bu yüzden quality örnek seçimi önemli. Native Türk yazımı.

**Soru: Production'da prompt değişikliği nasıl deploy?**

Git-based (kod gibi). Prompt change → branch → PR → review → merge → A/B test → roll out.

**Soru: Few-Shot + RAG nasıl entegre?**

Two-stage: önce RAG ile bilgi getir, sonra Few-Shot ile format/style göster. Hybrid çok güçlü.

**Soru: Hangi model Few-Shot'ta en iyi?**

GPT-5 ve Claude Sonnet 4.6 yakın. Claude Anthropic XML pattern'de avantajlı. Gemini 2M context ile uzun few-shot mümkün.

**Soru: Few-Shot prompt'ı agentik workflow'a nasıl entegre?**

LangChain Few-Shot templates kullan. Her agent step'i için ayrı few-shot prompt. Dynamic retrieval ile uygun örnekleri her step için seç.

## 14. Sonuç

**3 ana çıkarım:**

1. **Few-Shot Learning Brown et al. 2020'den beri modern prompt mühendisliğinin temel tekniği** — 8 örnek seçim stratejisi, optimum 3-5 örnek sweet spot.

2. **Ordering effects kritik** — "Lost in the middle" prensibi, primacy + recency exploit et.

3. **2026'da Modern LLM'lerde Few-Shot hala değerli** — custom format, domain-specific, edge cases, Türkçe nüans için. Dynamic retrieval (RAG-Few-Shot hybrid) production lider.

**Bu hafta yapılacaklar:**

(1) Mevcut promptlarınıza 3-5 quality Few-Shot örneği ekle, before/after karşılaştır.

(2) Anthropic XML tags pattern'ini bir prompta uygula.

(3) Eğer 100+ annotated örnek varsa: Dynamic Few-Shot retrieval kurulumu düşün.

(4) Evaluation framework kur (Promptfoo veya LangSmith).

<references-list data-items="[{&#34;title&#34;:&#34;Language Models are Few-Shot Learners (GPT-3 paper)&#34;,&#34;url&#34;:&#34;https://arxiv.org/abs/2005.14165&#34;,&#34;author&#34;:&#34;Brown, Mann, Ryder, Subbiah, Kaplan et al.&#34;,&#34;publishedAt&#34;:&#34;2020&#34;,&#34;publisher&#34;:&#34;NeurIPS 2020 / OpenAI&#34;},{&#34;title&#34;:&#34;Lost in the Middle&#34;,&#34;url&#34;:&#34;https://arxiv.org/abs/2307.03172&#34;,&#34;author&#34;:&#34;Liu, Lin, Hewitt, Paranjape, Bevilacqua, Petroni, Liang&#34;,&#34;publishedAt&#34;:&#34;2023&#34;,&#34;publisher&#34;:&#34;Stanford&#34;},{&#34;title&#34;:&#34;KATE - What Makes Good In-Context Examples&#34;,&#34;url&#34;:&#34;https://arxiv.org/abs/2101.06804&#34;,&#34;author&#34;:&#34;Liu et al.&#34;,&#34;publishedAt&#34;:&#34;2022&#34;,&#34;publisher&#34;:&#34;ACL&#34;},{&#34;title&#34;:&#34;Fantastically Ordered Prompts&#34;,&#34;url&#34;:&#34;https://arxiv.org/abs/2104.08786&#34;,&#34;author&#34;:&#34;Lu, Bartolo, Moore, Riedel, Stenetorp&#34;,&#34;publishedAt&#34;:&#34;2022&#34;,&#34;publisher&#34;:&#34;ACL&#34;},{&#34;title&#34;:&#34;Anthropic Few-Shot Examples&#34;,&#34;url&#34;:&#34;https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/multishot-prompting&#34;,&#34;author&#34;:&#34;Anthropic&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;Anthropic&#34;},{&#34;title&#34;:&#34;OpenAI Few-Shot Examples&#34;,&#34;url&#34;:&#34;https://platform.openai.com/docs/guides/prompt-engineering&#34;,&#34;author&#34;:&#34;OpenAI&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;OpenAI&#34;},{&#34;title&#34;:&#34;LangChain Few-Shot Examples&#34;,&#34;url&#34;:&#34;https://python.langchain.com/docs/how_to/few_shot_examples&#34;,&#34;author&#34;:&#34;LangChain&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;LangChain&#34;},{&#34;title&#34;:&#34;Promptfoo Eval Framework&#34;,&#34;url&#34;:&#34;https://www.promptfoo.dev&#34;,&#34;author&#34;:&#34;Promptfoo&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;Promptfoo&#34;},{&#34;title&#34;:&#34;LangSmith&#34;,&#34;url&#34;:&#34;https://www.langchain.com/langsmith&#34;,&#34;author&#34;:&#34;LangChain&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;LangChain&#34;},{&#34;title&#34;:&#34;DAIR.AI Few-Shot Guide&#34;,&#34;url&#34;:&#34;https://www.promptingguide.ai/techniques/fewshot&#34;,&#34;author&#34;:&#34;DAIR.AI&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;DAIR.AI&#34;}]"></references-list>