Prompt Yazarken Çerçeve Kullanmak: RACE ve CO-STAR Örnekleri

Çerçeve neden işe yarar

Bir yapay zeka asistanına 'bir e-posta yaz' dediğinizde modelin bilmediği çok şey vardır: kim yazıyor, kime gidiyor, ne istenecek, ton nasıl olacak. Model bu boşlukları genel ve ortalama varsayımlarla doldurur. Sonuç da genelde ortalama olur.

Prompt çerçevesi bu boşlukları sıraya koyar. Her bileşen bir soruya karşılık gelir ve yazarken hangisini atladığınızı fark edersiniz. Çerçeve yaratıcılığı kısıtlamaz; yalnızca önemli bilginin unutulmasını engeller.

Çerçevelerin ortak yanı şudur: görevi, görevin yapılacağı bağlamı ve beklenen çıktının biçimini ayrı ayrı vermeye zorlarlar. Farklı isimler ve harf dizileri altında bu unsurlar hep tekrar eder. Bu yüzden bir çerçeveyi ezberlemekten çok, neden var olduğunu anlamak önemlidir.

RACE: rol, eylem, bağlam, beklenti

RACE dört bileşenli, kısa bir kalıptır. Role: modelin hangi bakış açısıyla konuşacağını söyler. Action: yapılacak işi açık bir fiille belirtir. Context: görevin arka planını, hedef kitleyi ve kısıtları verir. Son bileşen kaynağa göre Expectation ya da Execution diye geçer; ikisinde de amaç, çıktının biçimini, uzunluğunu ve tonunu tarif etmektir. RACE'i ortaya atan Trust Insights, çerçevenin sonraki dönemde yeni sürümlerle güncellendiğini kendi sayfasında anlatır; yani bu kalıp bir standart değil, uyarlanan bir pratiktir.

Örnek bir RACE promptu: 'Rol: Deneyimli bir müşteri deneyimi uzmanısın. Eylem: Gecikmiş siparişle ilgili şikâyet eden müşteriye yanıt taslağı yaz. Bağlam: Sipariş bir depo hatası yüzünden gecikti, müşteri daha önce de yazmıştı, markamızın sesi sıcak ve net. Beklenti: Kısa, özür dileyen ama savunmacı olmayan bir e-posta; sonda somut bir sonraki adım olsun.'

Bu örnekte her satır modelin bir kararını ortadan kaldırıyor. 'Hangi ton?' sorusu, 'hangi sonuç?' sorusu ve 'kim konuşuyor?' sorusu önceden yanıtlanmış durumda.

CO-STAR: hedef kitleli metinler için altı bileşen

CO-STAR, Singapur hükümetinin teknoloji kurumu GovTech'in prompt yazımı anlatımında yer verdiği bir çerçevedir. GovTech'in kendi anlatımında altı bileşen şöyle geçer: Context (arka plan bilgisi), Objective (görevin net tanımı), Style (yazı üslubu), Tone (duygusal ton), Audience (hedef kitle) ve Response (yanıtın biçimi).

RACE'e kıyasla fark, üslup, ton ve hedef kitleyi ayrı bileşenler olarak ayırmasıdır. Bu yüzden duyuru metni, blog yazısı, sunum konuşması ya da kamu kurumlarında yurttaşa dönük yazı gibi, kimin okuyacağının belirleyici olduğu işlerde işe yarar.

Örnek: 'Bağlam: Şirketimiz yeni bir iade politikası başlatıyor. Amaç: Çalışanlara politika değişikliğini duyuran bir iç duyuru yaz. Üslup: Kurumsal ama sade. Ton: Güven veren. Hedef kitle: Müşteri hizmetleri ekibi. Yanıt: Başlık, kısa giriş ve maddelenmiş değişiklik listesi.'

Bir ayrımı atlamayın: üslup yazının nasıl kurulduğunu, ton ise okurda bırakmak istediğiniz duyguyu anlatır. İkisini karıştırırsanız 'resmî' ve 'sıcak' gibi çelişen yönergeler verirsiniz.

Hangi çerçeve ne zaman

Çerçeve seçimi bir dogma değil, işin niteliğine göre bir karardır. Birkaç satırda halledilecek, rolü ve çıktısı belli bir görev için RACE yeterlidir. Okurun kim olduğunun metnin biçimini belirlediği yazılarda CO-STAR daha uygun düşer. Analiz ya da veri işi yapıyorsanız, her iki çerçevenin de eksik kaldığı yer çıktı ölçütüdür: neyi doğru sayacağınızı kendi cümlenizle eklemeniz gerekir.

Çerçeve kullanmanın gerekmediği durumlar da vardır. Tek cümlelik bir çeviri ya da basit bir özet için kısa bir prompt yeterlidir; çerçeveyle şişirmek zaman kaybettirir. Modelin ne yapacağını zaten güvenle tahmin edebildiği işlerde bağlam eklemek değer katmaz.

İş akışında en iyi uygulama, sık yaptığınız işler için kendi şablonunuzu tutmaktır. Çerçeve bu şablonun iskeleti olur, içerik sizin işinize göre doldurulur. Ekip içinde ortak şablon paylaşmak da tutarlılık sağlar.

Çerçeveyle yazıp çıktıyla düzeltmek

Çerçeve ilk promptu iyileştirir ama tek başına sonuca ulaştırmaz. Asıl kazanç, çıktıyı okuyup hangi bileşenin zayıf kaldığını teşhis etmekten gelir. Yanıt çok genelse bağlam eksiktir. Ton tutmuyorsa üslup ya da hedef kitle belirsizdir. Biçim beklediğiniz gibi değilse beklenti satırı net değildir.

Bu yüzden çerçeveyi döngü gibi kullanın. İlk taslağı çalıştırın, çıktıyı okuyun, eksik bileşeni bulup yalnızca onu değiştirin, tekrar çalıştırın. Aynı anda birçok bileşeni değiştirmek hangisinin işe yaradığını görmenizi engeller.

İyi çıkan bir promptu not edin. Bir sonraki benzer işte baştan yazmak yerine uyarlarsınız. Daha fazla tutarlılık gereken işlerde few-shot örnek vermek ya da adım adım düşünmeyi istemek gibi tekniklerle çerçeveyi birleştirebilirsiniz; bunlar ayrı konulardır ve çerçevenin yerine değil, yanına eklenir.

Sık hatalar

Bileşenleri form doldurur gibi tek kelimeyle doldurmak en yaygın hatadır. 'Rol: uzman. Bağlam: iş. Beklenti: iyi.' gibi satırlar çerçeve görüntüsü verir ama bilgi taşımaz. Her bileşen, modelin vermesi gereken bir kararı ortadan kaldırmalıdır.

Diğer bir hata çelişkili bileşenlerdir. 'Ton: samimi' ile 'üslup: resmî rapor dili' aynı promptta olursa model bir yere sapar. Bir başka hata gizli veriyi bağlam kutusuna yapıştırmaktır; bağlamı genişletirken müşteri ya da çalışan verisi eklemediğinizden emin olun.

Son olarak, çerçeveyi sihirli formül saymaktır. Çerçeve iyi yazılmış bir promptun yerine geçmez; iyi bir bilgi akışını sağlar. Hangi çerçeve olursa olsun, çıktıyı doğrulamak ve gerçek bilgileri kontrol etmek sizin işinizdir.

Bu beceriyi Mindset programlarında nerede çalışırsınız

Prompt Mühendisliği: Kurumsal Verimlilik Programı'ndaki 'Temel Prompt Yapısı' modülü, prompt bileşenlerinin nasıl kurulacağını işler; 'Departmana Özel Prompt Uygulamaları' modülü ise bu yapıyı pazarlama, satış ya da insan kaynakları gibi bölümlerin gerçek işlerine uyarlar. Yapay Zeka ve Otomasyon Uzmanlığı programı da prompt mühendisliğini kendi haftalık akışında ele alır.