Örnekle Yönlendirme: Few-shot Prompt Yazma Rehberi

Few-shot prompt nedir ve ne zaman işe yarar?

Few-shot prompt, modele görevi yalnızca anlatmakla yetinmeyip birkaç çözülmüş örneği de prompt'un içinde göstermektir. Model, örneklerdeki girdi ve çıktı ilişkisinden beklenen biçimi, tonu ve karar mantığını çıkarır; yeni girdiye aynı kalıpla yanıt verir. İngilizce kaynaklarda bu yaklaşım bağlam içi öğrenme (in-context learning) olarak da geçer. Modelin ağırlıkları değişmez, davranışı yalnızca o konuşmadaki örneklerle yönlenir.

En çok işe yaradığı yer, kuralı cümleyle anlatmanın zor, örnekle göstermenin kolay olduğu işlerdir. Şirketin kendi iç diline ait etiket sınıfları, belirli bir JSON yapısı, markanın kısa ürün açıklaması üslubu ya da “bu mesaj şikayet mi, talep mi” gibi sınırı bulanık kararlar tipik örneklerdir. Görev zaten açıksa ve genel bilgiyle çözülüyorsa, örnek eklemek gereksiz uzunluk yaratabilir. Few-shot, her sorunun ilacı değil, biçim ve ölçüt belirsizliğinin ilacıdır.

Örnek seçimi: hangi örnekler öğretir, hangileri yanıltır?

İyi bir örnek, görevin tipik bir halini ve en az bir zor halini gösterir. Yalnızca kolay vakalardan oluşan bir örnek seti modele sınırın nerede olduğunu öğretmez. Etiketleme işinde her sınıftan en az bir örnek bulunmalı; bir sınıf hiç görünmezse model o sınıfı seçmekten kaçınabilir.

Örneklerin çeşitliliği de önemlidir. Hepsi aynı uzunlukta, aynı kalıpla başlayan örnekler modelin yüzeysel kalıbı kopyalamasına yol açar. Girdi uzunluğunu, konuyu ve üslubu değiştirerek göster. Çıktıların kendisi ise tutarlı olmalıdır: bir örnekte tek kelimelik etiket, diğerinde cümle yazarsan model hangisini istediğini anlayamaz.

Son olarak örnekler gerçek verinizden gelmelidir. Kurgusal ve fazla temiz cümleler, sahadaki dağınık, yazım hatalı, yarım yamalak mesajlarla karşılaşan modeli hazırlıksız bırakır. Gizli ya da kişisel veri içeren gerçek kayıtları ise anonimleştirerek kullan.

Örnekleri prompt'a nasıl yerleştirmeli?

Yapı basittir: önce görevin kısa tanımı ve çıktı biçimi, sonra örnekler, en sonda yanıtlanacak gerçek girdi. Her örnek aynı etiketlerle yazılır, örneğin “Mesaj:” ve “Kategori:”. Etiketler örnekler arasında harfi harfine aynı kalmalıdır; model kalıbı bu tekrardan öğrenir.

Örnekleri birbirinden ayırmak için belirgin bir ayırıcı kullan: boş satır, ayırıcı çizgi ya da XML benzeri etiketler. Böylece model bir örneğin nerede bittiğini ve gerçek girdinin nerede başladığını karıştırmaz. Gerçek girdi, örneklerle aynı biçimde sunulmalı ve yanıt kısmı boş bırakılmalıdır; model kalıbı tamamlamaya yönelir.

Sıralama da sonucu etkileyebilir. Genelde modele son gördüğü örnekler daha yakın durur. Bu yüzden en sık karşılaşılan ya da en kritik vakayı sona koymak yerine örnekleri karışık sırada dizip farklı sıralamalarla deneme yapmak sağlıklıdır.

Adım adım örnek: müşteri mesajlarını sınıflandırma

Örneğin bir destek ekibi, gelen mesajları iç sistemde tuttuğu sınıflara ayırmak istiyor: şikayet, iade talebi, bilgi sorusu, övgü. Önce görevi tek cümleyle yazar: “Aşağıdaki müşteri mesajını şu sınıflardan yalnızca birine ata: şikayet, iade talebi, bilgi sorusu, övgü. Yanıtta yalnızca sınıf adını yaz.”

Ardından her sınıf için gerçek mesajlardan türetilmiş örnekler ekler: • Mesaj: Kargo gecikti, kimse dönüş yapmıyor. Kategori: şikayet • Mesaj: Ürün beklediğim gibi çıkmadı, paranın iadesini istiyorum. Kategori: iade talebi • Mesaj: Bu model hangi renk seçeneklerinde var? Kategori: bilgi sorusu • Mesaj: Paketleme çok özenliydi, teşekkürler. Kategori: övgü

Son olarak sınırdaki bir vakayı da gösterir: hem şikayet eden hem iade isteyen mesajın hangi sınıfa gideceğini ekibin kuralına göre bir örnekle netleştirir. Gerçek mesajı aynı kalıpta ekler, “Kategori:” satırını boş bırakır. Sonra çeşitli gerçek mesajlarla çıktıyı elle kontrol eder, hatalı sınıfları gözleyip eksik kalan örnek tipini listeye ekler.

Few-shot yazarken sık yapılan hatalar

Sık görülen hata, örneklerdeki çıktıyla talimat metnindeki çıktı biçimini çelişkili bırakmaktır. Talimat “yalnızca etiket yaz” derken örnekler gerekçe de içeriyorsa model örnekleri izler. Örnekler her zaman talimattan daha güçlü bir sinyaldir; biri diğeriyle çelişiyorsa önce örnekleri düzelt.

Bir başka hata, dengesiz dağılımdır. Örneklerin büyük bölümü tek sınıftan gelirse model o sınıfa kayma eğilimi gösterir. Dağılımı gerçek iş dağılımına değil, öğretmek istediğin sınır ayrımına göre dengele.

Başka bir hata, test verisini örnek olarak kullanmaktır. Modeli ölçtüğün mesajı aynı zamanda örnek olarak verirsen başarı olduğundan yüksek görünür. Örnek setini ve değerlendirme setini baştan ayır.

Son hata, her sorunu daha fazla örnekle çözmeye çalışmaktır. Örnek sayısı arttıkça prompt uzar, maliyet ve gecikme büyür, ilgili kural örneklerin arasında kaybolabilir. Önce hatanın nedenini bul: ölçüt mü belirsiz, örnek mi eksik, yoksa görev tek adımda çözülemeyecek kadar karmaşık mı?

Zero-shot, few-shot ve zincir düşünce arasında seçim

Örneksiz (zero-shot) prompt, görevi yalnızca talimatla tarif eder. Hızlıdır ve çoğu basit iş için başlangıç noktasıdır. Çıktı biçimi ya da karar ölçütü tutmuyorsa few-shot'a geçersin. Hâlâ yanlış sonuç geliyorsa, sorun çoğunlukla örneğin değil akıl yürütme adımlarının eksikliğidir; bu durumda örneklerin içine ara adımları da yazan zincir düşünce yaklaşımı devreye girer.

Bu yaklaşımlar birbirinin yerine değil, kademeli araçlar olarak düşünülmelidir. Pratik yöntem şudur: önce zero-shot ile dene, hata türünü not et, biçim hatası varsa örnek ekle, mantık hatası varsa ara adımları göster. Her değişiklikten sonra aynı test girdileriyle karşılaştırma yapmak, hangi eklemenin gerçekten fark yarattığını ayırt etmeni sağlar.

Örnekleri tek tek prompt'a gömmek yerine bir kütüphanede tutmak, ekipte ortak kullanıma da imkân verir. Hangi örnek hangi görev için yazıldı, hangi sürümde değişti sorusuna cevap verebilmek, prompt'un bakımını kolaylaştırır.

Few-shot becerisini Mindset programlarında nerede geliştirirsiniz?

Mindset kataloğunda “Prompt Mühendisliği: Kurumsal Verimlilik Programı” modül başlıkları arasında Temel Prompt Yapısı, Gelişmiş Prompt Teknikleri, Prompt Optimizasyonu ve Kalite Kontrolü, Departmana Özel Prompt Uygulamaları ve Kurumsal Prompt Kütüphanesi ve Kapanış Projesi yer alır. Örnekle yönlendirme gibi teknikler bu çizgide, temel yapıdan departman uygulamalarına uzanan bir akışın parçası olarak ele alınır. Ekibinde destek, satış ya da insan kaynakları gibi farklı fonksiyonlar varsa, departmana özel uygulama başlığı örnek setlerini kendi işine uyarlamak için uygun bir zemindir.

“Prompt Engineer Programı” ise Zincir Düşünce ve Gelişmiş İstem Teknikleri, Model Bazlı İstem Optimizasyonu ve İstem Mühendisliği Proje Atölyesi başlıklarıyla daha teknik bir yönü kapsar; yapay zeka ürünlerinde prompt tasarlayan geliştirici ve analist rolleri için anlamlıdır. Eğitim içerikleri ve dönemleri program sayfalarında yer alır.