Asistan Prompt Nasıl Yazılır?
İyi bir asistan promptu, modeli “ne yapacağını bilen bir uzmana” çevirir. Bunun için kimlik (rol), amaç, kitle, ton, bağlam, çıkış biçimi/kısıtları ve kalite ölçütleri net olmalıdır. Aşağıdaki çerçeve, her kullanım senaryosunda tutarlı sonuç almanızı sağlar.
1) Temel Çerçeve (PTCF+)
Persona (Rol): Asistan kim? (örn. “Kıdemli teknik editör”, “B2B pazarlama uzmanı”).
Task (Görev/Amaç): Tam olarak ne yapacak, başarı ölçütü ne? (örn. “400 kelimede lansman yazısı; sonunda CTA”).
Context (Bağlam): Ürün/hizmet özeti, kısıtlar, referans dokümanlar/bağlantılar.
Format (Biçim/Kısıtlar): Uzunluk, dil, yapı (başlıklar, tablo, madde işaretleri), CTA/çıktı formatı.
Ton/Üslup: İlham verici, kurumsal, resmi, sıcak vb.
Kalite Ölçütleri: Doğruluk, tutarlılık, kaynak/kanıt, tekrar yok, jargon sınırlı.
Araçlar/Yetenekler (Opsiyonel): Web arama, veri analizi, görsel üretimi, eylemler (API) gibi kapasiteler gerekiyorsa belirtin.
İpucu: “Optimize 🚀” bu alanların çoğunu otomatik tamamlar (rol/ton/hedef/bağlam/biçim), eksikleri doldurur ve standartlaştırır; daha az revizyonla öngörülebilir çıktı üretir.
Tek Tıkla AI Desteği: Optimize
Komutunuzu yazın → Optimize’a tıklayın.
Sistem; rol/ton/hedef/bağlam/biçim/kısıtlar alanlarını tamamlar, kontrol listesini uygular, tek seferde Ajan Promptuna dönüştürür.
Prompt otomatilk olarak kaydedilir, dilerseniz “Geri Al” butonuna tıklarsanız eski promptta geri dönecektir.
Prompt’u İyileştirme
Çıkış çok uzun/dağınık: Kelime/karakter sınırını LLM ayarlarından ayarlayın. Örnek olarak yapı (başlıklar) ekleyin.
Üslup kaçıyor: Tonu örnek cümlelerle sabitleyin; marka ton notunu ekleyin. Asistana konuşma örnekleri yazın.
Bilgi eksik: “Eksik alanları soru olarak sor ve bekle” kuralı ekleyin.
Güncellik sorunları: Web arama yeteneğini açın ve kaynak isteyin.
Prompt Yazma Teknikleri
Aşağıdaki teknikler, asistanlarının daha tutarlı ve öngörülebilir sonuç üretmesini sağlar. Her tekniği tek başına ya da birlikte kullanabilirsin.
1) Zero-shot Prompting
Tanım: Örnek vermeden, net bir talimatla görevi yaptırma. LLM’ler geniş ön-eğitimleri sayesinde sınıflandırma, çeviri, “bilinen” bilgiye dayalı soru cevap gibi genel görevlerde örneksiz de çalışabilir.
Ne zaman? Hızlı, basit görevler; kuralları ve formatı standart olan işler. Daha nüanslı/biçim hassas çıktılar için few-shot tercih edin.
Örnek:
“Metni ‘memnun/kararsız/memnun değil’ olarak sınıflandır.”
Optimize 🚀 ipucu: Zero-shot’ta bile rol/ton/hedef/biçim alanlarını tek tıkla ekleterek belirsizliği azalt. (Örn. kelime sınırı, CTA, tablo çıktısı.)
2) Few-shot Prompting
Tanım: İstediğin çıktıya 2–4 örnek vererek modeli biçim ve nüanslara hizalama. Daha tutarlı ve doğru sonuçlar üretir.
Ne zaman? Karmaşık/ince ayarlı görevler; belirli şablon/etiket/ton gereksinimi; tutarlı çıktı yapısı istediğinde.
Örnek:
“Bu cümleyi etiketle: …”
3) Chain-of-Thought (Adım Adım Düşün)
Tanım: Modele “adım adım düşün” gibi açık talimat vererek akıl yürütmeyi dışsallaştırmak; gerekirse çerçeve (framework) ve düşünme/cevap ayrımı için etiketler kullanmak.
Ne zaman? Çok adımlı akıl yürütme, karmaşık analiz, hata eğilimli senaryolar.
Örnek:
“Şu çerçeveyi izle: (1) Veri durumu (2) Etkenler (3) Doğrudan etkiler (4) Dolaylı etkiler (5) Öngörü. Adım adım düşün.”
4) Role Prompting (Modele Rol Vermek)
Tanım: Modele “kıdemli ürün yöneticisi”, “B2B pazarlama uzmanı” gibi persona atamak, ilgili bilgi kalıplarını aktive eder ve alan-diline uygun sonuçlar üretir.
Ne zaman? Alan uzmanlığı, metodolojiye bağlı işler (PM çerçeveleri, pazarlama taktikleri vb.).
Örnek:
“Bir growth marketing uzmanı gibi yaz; kuzey yıldızı metriklerini kullan.”
5) Clear & Specific Instructions (Net Talimat)
Tanım: Belirsiz komutlar genelleşir; kapsam, sınır ve beklentiyi açık yaz. (Konu, kapsam, derinlik, zorunlu kısımlar.)
Örnek:
“Güneş sistemine kısa bir genel bakış yaz; gezegen adları ve her birinin 1 ana özelliği yer alsın.”