Prompt (language models) (TR)

Prompt (İngilizceden prompt — "ipucu" veya "metin isteği") büyük dil modelleri (LLM) bağlamında, kullanıcının modelden istenen yanıtı üretmesi için sağladığı giriş metni veya talimattır. Prompt, modele yönelik görevi; gerekli koşulları, bağlamı ve örnekleri kapsayacak biçimde tanımlar. Modelin etkinliği büyük ölçüde oluşturulan promptun kalitesine bağlıdır.

Metin isteklerinin geliştirilmesi ve optimize edilmesi yöntemlerini inceleyen disipline prompt mühendisliği (prompt engineering) adı verilir. Bu disiplinin amacı, AI modellerinden mümkün olan en alakalı, doğru ve güvenli yanıtları elde etmektir. Doğru hazırlanmış bir prompt, modele görevin nasıl yerine getirileceğine dair bir "rota" çizerek gerekli bağlamı ve istenen sonucu netleştirmeye yardımcı olur.

Yaklaşımın Gelişim Tarihi

LLM davranışını metin ipuçlarıyla yönetme fikri, modellerin kapasitelerinin artmasıyla birlikte gelişti.

İlk Aşamalar (GPT-2)

2019 yılında OpenAI araştırmacıları, GPT-2 gibi büyük önceden eğitilmiş dil modellerinin, görevler metin biçiminde ifade edildiğinde ek eğitim olmaksızın yeni görevleri çözebileceğini ortaya koydu. «Language Models are Unsupervised Multitask Learners» başlıklı çalışma temel bir kırılmaya işaret ediyordu: Her görev için modeli yeniden ince ayarlamak yerine, giriş kısmında anlaşılır bir talimat formüle etmek yeterliydi.

GPT-3 ve In-Context Learning ile Atılım

Gerçek atılım, 2020 yılında GPT-3 modelinin yayımlanmasıyla yaşandı. 175 milyar parametreye sahip olan GPT-3, bağlamsal öğrenme (in-context learning) kapasitesini sergiledi; yani doğrudan istek metninde sunulan birkaç örnekten yola çıkarak yeni bir görevi "anında" kavrama yeteneğini gösterdi. Bu çalışma biçimine few-shot learning ("birkaç örnekle öğrenme") adı verildi ve model boyutunun ölçeklendirilmesinin, herhangi bir ağırlık ince ayarı yapılmadan NLP görevlerinde yüksek kalite sağladığını ortaya koydu.

Chain-of-Thought (CoT) - Düşünce Zinciri'nin Ortaya Çıkışı

2022 yılındaki sonraki gelişmeler, modellerin karmaşık mantıksal akıl yürütme kapasitesinin iyileştirilmesiyle ilgiliydi. Düşünce zinciri biçiminde (chain-of-thought prompting) özel ipuçları önerildi. Bu tür promptlarda model yalnızca soruyu değil, yanıttan önce adım adım, sıralı bir akıl yürütme örneğini de alır. Bu yaklaşım, aritmetik ve mantık problemlerinde çözüm doğruluğunu belirgin biçimde artırdı. Kojima ve meslektaşlarının araştırması, isteğin sonuna "Adım adım düşünelim" ifadesini eklemenin, örnek sunulmasa bile (zero-shot) modeli akıl yürütmeye teşvik edebildiğini gösterdi.

Çok Modlu (Multimodal) Promptlar

Prompt kavramı metnin ötesine geçti. 2022 yılında DALL-E 2 ve Stable Diffusion modellerinin ortaya çıkmasıyla birlikte doğal dildeki kullanıcı istekleri, görsel üretimi için evrensel bir arayüze dönüştü; ardından müzik ve video üretiminde de bu yaklaşım benimsendi.

Prompt Türleri ve Kullanım Teknikleri

Genellikle birbirleriyle kombinlenen birkaç temel prompt türü ve tekniği bulunmaktadır.

Zero-shot prompting (Doğrudan Sorgulama)

Model yalnızca talimat veya soruyu alır, herhangi bir örnek sunulmaz. Bu modda LLM, ön eğitim sırasında edindiği genel bilgisine dayanır. Çeviri veya metin özetleme gibi basit görevler için uygundur.

Few-shot prompting (Örneklerle Öğrenme)

Talimata ek olarak, giriş ve beklenen çıktılarla birlikte bir veya birkaç örnek' prompta dahil edilir. Model bu örnekler üzerinde "anında öğrenir" ve edindiği mantığı yeni isteğe uygular. In-context learningi hayata geçiren bu yöntem, belirli bir biçim veya yanıt üslubu gerektiren görevlerde doğruluğu önemli ölçüde artırır.

Düşünce Zinciri (Chain-of-Thought, CoT)

Karmaşık akıl yürütme gerektiren görevler (matematik, mantık) için özel bir prompt türüdür. İpucuna, nihai yanıttan önce adım adım bir çözüm planı veya analizi eklenir. Bu, modeli akıl yürütme sürecini açıkça yapılandırmaya yönlendirerek sonuç kalitesini belirgin biçimde iyileştirir.

Prompt Tuning (İstem Ayarı)

Promptun elle yazılması yerine otomatik olarak optimize edilmiş bir ipucunun kullanıldığı tekniktir. Prompt, kullanıcı isteğine eklenen özel eğitilebilir tokenlardan (sürekli bir vektör) oluşan bir küme olarak temsil edilir. Yalnızca bu küçük vektör-promptu eğiterek, büyük bir "dondurulmuş" modeli minimum hesaplama maliyetiyle yeni bir göreve uyarlamak mümkündür.

Bir Disiplin Olarak Prompt Mühendisliği

Mesleğin Doğuşu

LLM'lerin kapasitesinin artması, yeni bir uzmanlık alanının doğmasına yol açtı: prompt mühendisi. Bu uzmanlar, yapay zekadan istenen davranışı elde etmek amacıyla metin ipuçları geliştirir ve hata ayıklaması yapar. Prompt mühendisleri, giriş verilerini en etkili biçimde yapılandırmak için dilbilim, mantık ve psikoloji alanlarındaki bilgilerini kullanır. 2022–2023 yıllarında bu pozisyon için ilk iş ilanları yayımlandı; bu durum, yapay zeka sistemleriyle etkin etkileşim becerilerine duyulan yüksek talebi yansıtmaktadır.

Mesleğin Geleceği ve Otomasyonu

Alan hızla gelişmekte olup geleceği tartışma konusudur. Örneğin VMware'den 2024 yılı araştırmaları, yapay zekanın deneme yanılma ve optimizasyon yoluyla, insan yapımı formülasyonları çoğunlukla aşan etkili istek ifadeleri bulabildiğini gösterdi. Bu durum, elle yapılan prompt mühendisliğinin geçici bir olgu olabileceği ve zamanla otomatik ipucu seçme araçlarının standart hale geleceği görüşünü doğurdu. Bununla birlikte, 2025 itibarıyla prompt mühendisliği uzmanlığı talep görmeye devam etmektedir.

Uygulama Alanları

• Doğal Dil İşleme: Belge otomatik özetleme, makine çevirisi, soru yanıtlama ve bilgi çıkarımı gibi klasik NLP görevleri.
• Sohbet Robotları ve Sanal Asistanlar: Promptlar, rol, iletişim üslubu ve yanıt biçimini belirlemeye yardımcı olarak diyalog sistemlerini daha tutarlı ve kullanışlı kılar.
• Kod Üretimi: OpenAI Codex gibi modeller, doğal dil açıklamalarına dayanarak program kodu yazabilir; bu da geliştirme sürecini hızlandırır.
• Veri Analizi: Promptlar aracılığıyla model, yapılandırılmamış metin raporlarından içgörü çıkarmak veya hipotez üretmek üzere yapılandırılabilir.
• Eğitim: Öğrencinin hazırbulunuşluk düzeyini göz önünde bulundurarak görev üreten, karmaşık kavramları açıklayan ve yanıtları değerlendiren akıllı özel ders sistemlerinin oluşturulması.
• Yaratıcı Endüstriler: Ayrıntılı açıklamalara dayalı olarak metin, sanatsal görsel, müzik ve senaryo üretimi.

Kötü Amaçlı Kullanım ve Güvenlik Açıkları (Prompt Injection)

LLM arayüzünün açıklığı, yeni bir saldırı sınıfının ortaya çıkmasına neden oldu: istem enjeksiyonu (prompt injection). Saldırgan, modeli başlangıçtaki talimatlarını ihlal etmeye veya gizli bilgileri ifşa etmeye yönlendiren özel bir zararlı istek formüle eder. Uzmanlar bunu, sisteme kod yerine sinsi metin talimatlarının "enjekte edildiği" bir tür kod enjeksiyonu saldırısı olarak değerlendirmektedir.

Saldırı Türleri

• Jailbreak: Modelin uygulanan kısıtlamaların (örneğin moderasyon politikasının) dışına "kaçmasına" ve yasaklı içerik üretmesine olanak tanıyan saldırı. Bilinen bir örnek, ChatGPT'yi sansürsüz yanıt verir hale getiren DAN promptu (Do Anything Now) dur.
• Prompt Leaking: Özel bir istek, modeli gizli sistem promptunun parçalarını ifşa etmeye zorlar.
• Token Smuggling: Zararlı talimat, filtreleri aşmak ve istenmeyen davranışı tetiklemek amacıyla isteğin zararsız bir bölümü (örneğin bir kod parçacığı) gibi gizlenir.

Bu saldırılar ciddi bir sorun oluşturmaktadır; zira geleneksel siber güvenlik yöntemleri, doğal dil yorumlamasıyla ilgili tehditlere karşı yetersiz kalmaktadır.

Kaynakça

• Radford, A. et al. (2019). Language Models are Unsupervised Multitask Learners. PDF.
• Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
• Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
• Wang, X. et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171.
• Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. arXiv:2205.11916.
• Li, X. L.; Liang, P. (2021). Prefix-Tuning: Optimizing Continuous Prompts for Generation. arXiv:2101.00190.
• Liu, Y. et al. (2021). Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. arXiv:2104.08786.
• Chang, K. et al. (2024). Efficient Prompting Methods for Large Language Models: A Survey. arXiv:2404.01077.
• Li, Z. et al. (2024). Prompt Compression for Large Language Models: A Survey. arXiv:2410.12388.
• Genkina, D. (2024). AI Prompt Engineering Is Dead. IEEE Spectrum. [5].
• Li, W. et al. (2025). A Survey of Automatic Prompt Engineering: An Optimization Perspective. arXiv:2502.11560.
• Wu, Z. et al. (2025). The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models. EMNLP 2025. PDF.