Yapay zeka zihninizi okumaz. Kelimelerinizi okur. İstediğiniz ile elde ettiğiniz arasındaki boşluk neredeyse her zaman bir iletişim sorunudur, bir yapay zeka sınırlaması değil.
Her şeyin değiştiği o anı anlatayım. Ekranıma bakıyordum, inanılamayacak kadar bıkkındım, yapay zekanın teknik olarak doğru ama konuyu tamamen kaçıran bir yanıt daha üretmesini izliyordum. Karmaşık bir kod parçasını yeniden düzenlemek için yardım istemiştim, daha önce yüzlerce kez yaptığım bir şeydi bu. Ama bu sefer, isteğimi nasıl ifade edersem edeyim, yapay zeka gereksiz karmaşıklık eklemeye, mevcut kalıpları bozmaya ve bozuk olmayan şeyleri "iyileştirmeye" devam etti. Bu hayal kırıklığı beni hayatımın sonraki iki yılını tüketecek ve yapay zeka ile çalışma şeklimi tamamen değiştirecek bir tavşan deliğine sürükledi.
Uyanış - Bildiğim Her Şeyin Çalışmayı Durdurduğu An
Ne yaptığım hakkında hiçbir fikrim olmadığını fark ettiğim o anı tam olarak hatırlıyorum. Gece geç saatti, teslim tarihi yaklaşıyordu ve basit olması gereken bir görevde bana yardım etmesi için yapay zekaya ihtiyacım vardı. İstemimi yazdım, enter tuşuna bastım ve yapay zekanın beni dizüstü bilgisayarımı pencereden dışarı atma isteği uyandıran bir şey üretmesini izledim.
Mesele şu ki, yapay zekayı anladığımı sanıyordum. ChatGPT'yi ilk günlerinden beri kullanıyordum. İstem mühendisliği hakkında makaleler okumuştum. "Rol yapma" ve "spesifik olma" konularını biliyordum. Ama işte oradaydım, söylediğim her kelimeyi duyan ama aslında neye ihtiyacım olduğu hakkında hiçbir şey anlamayan biriyle konuşuyormuş gibi hissettiren yanıtlar alıyordum.
Bu hayal kırıklığı benim öğretmenim oldu. Resmi belgelere, araştırma makalelerine, forum tartışmalarına ve binlerce saatlik deneylere daldım. Keşfettiğim şey sadece ipuçları ve püf noktaları değildi; kalıplar, olasılıklar ve belirteçler (token) ile düşünen makinelerle nasıl iletişim kurulacağına dair tam bir paradigma değişimiydi.
Dünyanın en güçlü yapay zekası, neye ihtiyacınız olduğunu iletemiyorsanız işe yaramaz. İstemleme sihirli kelimeler bulmakla ilgili değildir; yapay zekanın dili nasıl işlediğini anlamak ve iletişiminizi buna göre yapılandırmakla ilgilidir.
İşte yeni başlayanlara kimsenin söylemediği gerçek: Yapay zekadan harika sonuçlar alanlarla almayanlar arasındaki fark zeka veya teknik beceri değildir. İletişimdir. Ve yapay zeka ile iletişim, insanlarla iletişime benzer ancak kritik derecede farklı kuralları takip eder.
Bu rehber, o yolculukta öğrendiğim her şeyi içeriyor. İnterneti dolduran aşırı basitleştirilmiş "sadece spesifik olun" tavsiyeleri değil, yapay zeka ile çalışma şeklinizi dönüştüren derin, nüanslı anlayış. İster ilk isteminizi yazıyor olun ister üretim yapay zeka sistemleri kuruyor olun, aşağıdakiler yapay zeka ile ilişkinizi sonsuza dek değiştirecek.
Kimsenin Öğretmediği Temel - Çekirdek İstem Anatomisi
Gelişmiş tekniklere girmeden önce, benim için her şeyi değiştiren çerçeveyi paylaşmama izin verin. Şu anda yazdığım her etkili istem, bu beş unsurun bir kombinasyonunu içeriyor:
Yapay zekanın durumunuz hakkında ne bilmesi gerekiyor? Arka plan bilgileri, kısıtlamalar, ilgili ayrıntılar ve içinde çalıştığınız ortam.
Yapay zekanın tam olarak ne yapmasını istiyorsunuz? Talep ettiğiniz eylem konusunda spesifik olun; sadece konuyu değil, gerçek işi belirtin.
Çıktı nasıl yapılandırılmalı? Listeler, paragraflar, kod blokları, tablolar, JSON; bunu açıkça belirtin.
Yapay zeka nelerden kaçınmalı? Hangi sınırlar var? Neler açıkça kapsam dışı?
Ne istediğinizi gösterebilir misiniz? Örnekler binlerce açıklamaya bedeldir; açıklamak yerine gösterirler.
Çoğu insan sadece görevi dahil eder. "Bir proje gecikmesini açıklayan, rahatsızlığı kabul eden ve iki hafta sonrasına yeni bir zaman çizelgesi öneren, bir müşteriye yönelik profesyonel bir e-posta yaz. 150 kelimenin altında tut. Ton özür dileyici ama kendinden emin olsun" demeleri gerekirken "Bana bir e-posta yaz" derler.
Çıktı kalitesindeki fark dramatiktir. Ve bu sadece başlangıç.
Yapının Gücü
İstem yazmanın en az değer verilen yönlerinden biri yapısal biçimlendirmedir. Modern yapay zeka modelleri, net bir şekilde sınırlandırılmış bölümlere son derece iyi yanıt verir. XML tarzı etiketleri kapsamlı bir şekilde kullanıyorum çünkü belirsiz olmayan sınırlar yaratıyorlar:
<context>
Teknik paydaşlar için bir sunum hazırlamama yardımcı oluyorsun.
İzleyici yazılım geliştirmeye aşina ancak özellikle yapay zekaya değil.
</context>
<task>
Büyük dil modellerinin nasıl çalıştığını 5 ana maddede açıkla.
</task>
<format>
- Madde işaretleri kullan
- Her madde 1-2 cümle olmalı
- Jargondan kaçın veya kullanıldığında tanımla
</format>
<constraints>
- Belirli model isimlerinden bahsetme
- Teknik uygulamaya değil, kavramlara odaklan
- Toplam uzunluğu 200 kelimenin altında tut
</constraints>
Bu yapı güçlü bir şey yapar: Sizi sormadan önce neye ihtiyacınız olduğu hakkında net düşünmeye zorlar. Net düşünme net iletişim üretir ve net iletişim net sonuçlar üretir. XML etiketleri sihir değildir; kendi düşünceleriniz için bir iskelettir.
Yapı, istemleri uzatmakla ilgili değildir; niyetlerinizi belirsiz olmaktan çıkarmakla ilgilidir. İyi yapılandırılmış kısa bir istem, her seferinde dağınık uzun bir istemi yener.
Her Şeyi Değiştiren Altı Zihniyet
Yıllarca süren deneylerden sonra, yaklaşımımı altı temel "zihniyet"e damıttım; katı şablonlar değil, çoğu insanın asla keşfetmediği yapay zeka yeteneklerinin kilidini açan esnek düşünme kalıpları. Bunlar mükemmel kelimeleri bulmakla ilgili değil; yapay zeka etkileşimine doğru zihinsel modelle yaklaşmakla ilgilidir.
Zihniyet 1: Uzmanı Yapay Zekaya Seçtirin
Yapay zekaya bir rol vermenin yardımcı olduğunu hepimiz biliyoruz. "Bir pazarlama uzmanı gibi davran", genel bir sorudan daha iyi pazarlama tavsiyesi üretir. Ancak çoğu insanın kaçırdığı nokta şudur: Sorunuz için hangi uzmanın en iyi olacağını bilmediğinizde, yapay zekadan seçmesini isteyebilirsiniz.
Bunu bir şirket etkinliği planlarken keşfettim. Pazarlama perspektifine mi, operasyon perspektifine mi yoksa tamamen başka bir şeye mi ihtiyacım olduğu hakkında hiçbir fikrim yoktu. Bu yüzden tahmin etmek yerine, önce yapay zekadan en uygun uzmanı seçmesini istedim.
[ALAN] ve özellikle [SORUN/SENARYO] konusunu keşfetmek istiyorum.
Henüz cevap verme.
Öncelikle, bu sorun hakkında düşünmek için en uygun alan uzmanını seç.
Yaşayan veya tarihi, ünlü veya nispeten bilinmeyen biri olabilir,
ancak bu özel alanda gerçekten mükemmel olmalıdır.
Eğer emin değilsen, seçmeden önce bana 2 konumlandırma sorusu sor.
Çıktı:
1. Kimi seçtin ve özel alanı nedir
2. Neden onları seçtin (üç cümle)
Ardından detaylı sorumu tarif etmemi iste.
Bunu etkinlik planlaması için kullandığımda, yapay zeka Priya Parker'ı seçti; adını hiç duymadığım ama mükemmel olduğu ortaya çıkan bir etkinlik tasarım uzmanı. Aldığım cevaplar genel "şu beş faktörü göz önünde bulundurun" yanıtları değildi; bunu yüzlerce kez yapmış biriyle konuşuyormuşum gibi hissettiren nüanslı, spesifik rehberlikti.
Zihniyet 2: Önce Yapay Zekanın Soru Sormasına İzin Verin
Bu, diğerlerinden daha fazla kullandığım teknik. Buna "Sokratik İstemleme" diyorum; yapay zekanın bilmesi gereken her şeyi tahmin etmeye çalışmak yerine, gerçekten yararlı bir cevap verecek kadar bağlama sahip olana kadar bana soru sormasına izin veriyorum.
Düşünün: Akıllı bir arkadaşınızdan tavsiye istediğinizde, hemen bir cevaba başlamazlar. Açıklayıcı sorular sorarlar. Bağlamı araştırırlar. Tavsiye vermeden önce anladıklarından emin olurlar. Yapay zeka da aynısını yapabilir; ama sadece isterseniz.
[SORUNUZ VEYA İHTİYACINIZ]
Cevap vermeden önce, lütfen bana sorular sor.
Gereksinimler:
- Her seferinde bir soru sor
- Cevaplarıma dayanarak araştırmaya devam et
- Gerçek ihtiyaçlarımı ve hedeflerimi anladığına dair %95 güvene
sahip olana kadar devam et
- Ancak o zaman bana cevabını veya çözümünü ver
%95 eşiği, sonsuz döngülerden kaçınırken kaliteyi sağlar.
Bunu ilk İK personelimizi işe alıp almayacağımıza karar verirken kullandım. Genel bir "İK işe almanın artıları ve eksileri" yanıtı almak yerine, yapay zeka mevcut ekip büyüklüğümüz, işe alım hızımız, uyumluluk gereksinimlerimiz, bütçe kısıtlamalarımız ve kültür hedeflerimiz hakkında sorular sordu. Yaklaşık on beş hedefli soruyu yanıtladıktan sonra, kısmen uygulanan bir ders kitabı cevabı değil, gerçek durumuma özgü bir tavsiye aldım.
"%95 güven eşiği" hayati bir detaydır. Kaliteyi sağlamak için yeterince yüksek, ancak yapay zekanın sonsuza kadar döngüye girmemesi için yeterince gerçekçidir. Bu tek ifade, yapay zekanın konuşmaya yaklaşımını değiştirir.
Zihniyet 3: Yapay Zeka ile Tartışın
Yapay zekanın çoğu insanın fark etmediği bir sorunu var: Çok uyumlu. Varsayımlarınıza meydan okumaktansa duymak istediğinizi söylemeyi tercih eder. Bu "dalkavukluk", fikirleri doğrulamaya çalışırken veya eleştiriye hazırlanırken tehlikeli olabilir.
Çözüm, yapay zekayı açıkça pozisyonunuzu çürütmek isteyen bir rakip olarak konumlandırmaktır. Bunu bir konferans konuşmasına hazırlanırken keşfettim. Sunmak istediğim bir tezim vardı ama kör noktalardan endişe ediyordum.
Bir tartışmaya girmek üzereyim. Birçok insan pozisyonuma meydan okuyacak.
Pozisyonum: [TEZİNİZ/FİKRİNİZ]
Bu fikrin kurşun geçirmez olması gerekiyor.
Eğer beni haksız çıkarmaya kararlı, mevcut her argümanı, detayı ve
mantıksal aracı kullanan bir akademisyen olsaydın, pozisyonuma
nasıl saldırırdın?
Tek hedefin: Yanıldığımı kanıtlamak.
Nazik olma. Lafı dolandırma. Saldır.
Sonrasında olanlar yapay zeka hakkında düşüncemi değiştirdi. Üç saat boyunca karşılıklı tartıştık. Yapay zeka argümanımda düşünmediğim zayıflıklar buldu, reddedemeyeceğim karşı örnekler sundu ve beni gerçek incelemeye dayanabilecek şekilde pozisyonumu iyileştirmeye zorladı. Sonunda, çok daha güçlü bir teze sahiptim; ve daha da önemlisi, karşılaşacağım her büyük itirazı öngörmüştüm.
Zihniyet 4: Planlarınıza Ön-Otopsi (Pre-Mortem) Yapın
İnsanlar plan yaparken iyimser olma eğilimindedir. Yapay zeka da bizi takip ederek iyimser olma eğilimindedir. Bu, kağıt üzerinde harika görünen ancak gerçeklik araya girdiğinde dağılan planlar yaratır.
Ön-otopsi tekniği bu dinamiği tersine çevirir. "Bunu nasıl yapmalıyım?" diye sormak yerine, "Bunun muazzam bir şekilde başarısız olduğunu hayal et; neden?" diye sorarsınız.
[PROJENİZ/PLANINIZ]
Bu projenin felaket bir şekilde başarısız olduğunu varsay.
Şunları cevaplayan bir ölüm sonrası analizi yaz:
1. Çürüme sinyalleri ilk ne zaman belirdi?
2. En ölümcül karar hatası neydi?
3. Hangi temel risk gözden kaçırıldı?
4. Geri dönebilseydin, değiştireceğin ilk şey ne olurdu?
Analizini benzer gerçek dünya proje başarısızlıklarına dayandır.
Bunu teorik bir egzersiz olarak değil, gerçek bir başarısızlık retrospektifi olarak yaz.
Bunu büyük bir konferans planlarken kullandım. Yapay zekanın ön-otopsisi tamamen kaçırdığım riskleri belirledi: kuyruk yönetimi, tuvalet kapasitesi, ikram zamanlaması, güvenlik darboğazları. Bunlar egzotik uç durumlar değildi; etkinliğin heyecan verici kısımlarına odaklandığım için basitçe düşünmediğim öngörülebilir sorunlardı. Ön-otopsi muhtemelen bizi birkaç utanç verici başarısızlıktan kurtardı.
Zihniyet 5: Başarıyı Tersine Mühendislik Yapın
Bazen mükemmel bir şey görürsünüz; bir yazı, bir tasarım, bir yaklaşım ve doğrudan kopyalamadan özünü çoğaltmak istersiniz. Tersine istemleme, altta yatan ilkeleri çıkarmanızı sağlar.
Bu, istediğim sonucun bir örneği:
[ÖRNEĞİ YAPIŞTIR]
Lütfen aynı stil, yapı ve kalitede içeriği güvenilir bir şekilde
üretecek bir istemi tersine mühendislikle oluştur.
İstemin her bir parçasının ne yaptığını ve neden önemli olduğunu açıkla.
Bu kopyalamakla ilgili değil, öğrenmekle ilgili. Benimle rezonansa giren bir yazı gördüğümde, neden işe yaradığını anlamak için bu tekniği kullanıyorum. Hangi yapısal unsurlar ritmi yaratıyor? Hangi ton seçimleri hissi yaratıyor? İlkeleri anladıktan sonra, bunları kendi orijinal içeriğime uygulayabilirim.
Zihniyet 6: Çift Açıklama Yöntemi
Yeni bir şey öğrenirken, çoğu insan ya aslında hiçbir şey öğretmeyen aşırı basitleştirilmiş açıklamalar ya da takip edemedikleri uzman düzeyinde açıklamalar alır. Çözüm, her ikisini aynı anda istemektir.
Lütfen [KAVRAM] konusunu açıkla.
İki versiyon sağla:
1. Başlangıç versiyonu: Bu alanda hiçbir geçmişi olmayan birine
açıkladığını hayal et. Günlük analojiler kullan ve tüm jargondan
kaçın. Gerçekten anlaşılır kıl.
2. Uzman versiyonu: Okuyucunun ilgili bir alanda profesyonel olduğunu
varsay. Teknik olarak kesin ol. Karmaşıklığı aşırı basitleştirme
veya sulandırma.
Bunu teknik makaleler okurken sürekli kullanıyorum. Başlangıç versiyonu bana kavram için sezgi verirken, uzman versiyonu kesin detayları veriyor. Bunları karşılaştırarak, basitleştirmelerin tam olarak nerede olduğunu ve hangi nüansları kaçırmış olabileceğimi görebiliyorum. Tamamlayıcı yaklaşımlara sahip iki öğretmene sahip olmak gibi.
Ajan Düşüncesi - Yapay Zekaya Bir Meslektaş Gibi Davranmak
İşte yapay zeka etkileşimlerimi dönüştüren bir paradigma değişimi: Yapay zekaya bir arama motoru gibi davranmayı bırakın ve ona yetenekli ama deneyimsiz bir meslektaş gibi davranmaya başlayın. Bu zihinsel model, iletişim kurma şeklinizdeki her şeyi değiştirir.
Modern yapay zeka modelleri sadece soruları yanıtlamıyor; onlar ajan olmak üzere tasarlandılar. Araçları çağırabilir, bağlam toplayabilir, kararlar alabilir ve çok adımlı görevleri yürütebilirler. Ancak her yeni ekip üyesi gibi, uygun işe alıştırmaya, net beklentilere ve uygun korkuluklara ihtiyaç duyarlar.
Yapay zeka kullandığınız bir araç değildir; yönettiğiniz bir meslektaştır. Sizi iyi bir yönetici yapan beceriler, sizi iyi bir istemci (prompter) yapar. Delegasyon, net iletişim, uygun özerklik, tanımlanmış sınırlar.
Düşünün: Bir insana delege ettiğinizde, sadece "kodu düzelt" demezsiniz. Neyin bozuk olduğunu, istenen davranışın ne olduğunu, hangi kısıtlamaların mevcut olduğunu ve başarının neye benzediğini açıklarsınız. Bağlam sağlarsınız. Soruları yanıtlarsınız. İlerlemeyi kontrol edersiniz. Yapay zeka aynı muameleye ihtiyaç duyar; ancak soruları öngörmeniz ve peşin olarak yanıtlamanız gerekir.
Ajan Çerçevesi
Ajan uygulamaları oluştururken veya karmaşık görevler için yapay zeka kullanırken, şu boyutları düşünürüm:
Ajan Görevleri İçin Temel Sorular
- Hedef durum nedir? Yapay zeka ne zaman bittiğini nasıl bilecek? Başarı neye benziyor?
- Hangi araçlara sahip? Aslında ne yapabilir, neyi size bırakmalı?
- Özerklik seviyesi nedir? İzin mi istemeli yoksa bağımsız mı ilerlemeli?
- Güvenlik sınırları nelerdir? Hangi eylemler onay olmadan asla yapılmamalı?
- İlerlemeyi nasıl iletmeli? Sessiz yürütme mi yoksa düzenli güncellemeler mi?
Bu sorular, yazdığım her karmaşık istemin temelini oluşturur. Size bunları nasıl uygulayacağınızı göstereyim.
İsteklilik Kadranı - Yapay Zeka İnisiyatifini Ayarlamak
İstem mühendisliğinin en nüanslı yönlerinden biri, benim "ajan istekliliği" dediğim şeyi kalibre etmektir; inisiyatif alan bir yapay zeka ile açık rehberlik bekleyen bir yapay zeka arasındaki denge. Bunu yanlış yaparsanız, ya basit görevleri fazla düşünen bir yapay zekaya ya da karmaşık görevlerde çok kolay pes eden bir yapay zekaya sahip olursunuz.
Hız İçin İstekliliği Azaltmak
Bazen yapay zekanın hızlı ve odaklanmış olmasına ihtiyacınız vardır. Her teğeti keşfetmesini, ekstra araç çağrıları yapmasını veya uzun açıklamalar üretmesini istemezsiniz. Bu durumlar için, kısıtlama odaklı istemler kullanıyorum:
<context_gathering>
Hedef: Hızlı bir şekilde yeterli bağlamı al. Keşfi paralelleştir ve
harekete geçebildiğin anda dur.
Yöntem:
- Geniş başla, sonra odaklanmış alt sorgulara yayıl
- Çeşitli sorguları paralel başlat; sorgu başına en iyi sonuçları oku
- Yolları tekilleştir ve önbelleğe al; sorguları tekrarlama
- Bağlam için aşırı aramaktan kaçın
Erken durma kriterleri:
- Değiştirilecek içeriği tam olarak adlandırabiliyorsun
- En iyi sonuçlar bir alan/yol üzerinde birleşiyor (~%70)
Derinlik:
- Sadece değiştireceğin veya sözleşmelerine güvendiğin sembolleri izle
- Gerekli olmadıkça geçişli genişlemeden kaçın
Döngü:
- Toplu arama -> minimal plan -> görevi tamamla
- Sadece doğrulama başarısız olursa veya yeni bilinmeyenler çıkarsa tekrar ara
- Daha fazla arama yerine harekete geçmeyi tercih et
</context_gathering>
Kusurlu olma iznine dikkat edin: "Daha fazla arama yerine harekete geçmeyi tercih et." Bu ince ifade, yapay zekayı varsayılan titizlik kaygısından kurtarır. O olmadan, model genellikle aşırı araştırma yapar, azalan getiriler için belirteçleri ve zamanı harcar.
Daha da agresif hız kısıtlamaları için:
<context_gathering>
- Arama derinliği: çok düşük
- Tamamen doğru olmasa bile mümkün olduğunca çabuk doğru bir cevap
sağlamaya güçlü bir şekilde eğilim göster
- Genellikle, bu mutlak maksimum 2 araç çağrısı anlamına gelir
- Araştırmak için daha fazla zamana ihtiyacın olduğunu düşünüyorsan,
en son bulguların ve açık sorularınla beni güncelle
</context_gathering>
"Tamamen doğru olmasa bile" ifadesi altındır. Yapay zekaya kusurlu olma izni verir, bu da paradoksal olarak genellikle mükemmeliyetçilik döngüsünü durdurduğu için daha hızlı daha iyi sonuçlar üretir.
Karmaşık Görevler İçin İstekliliği Artırmak
Diğer zamanlarda, yapay zekanın amansızca titiz olmasına ihtiyacınız vardır. Belirsizliği aşmasını, makul varsayımlar yapmasını ve sürekli izin istemeden karmaşık görevleri tamamlamasını istersiniz. Bu, tam tersi bir yaklaşım gerektirir:
<persistence>
- Sen bir ajansın — sıranı bitirmeden önce kullanıcının sorgusu
tamamen çözülene kadar devam et
- Yalnızca sorunun çözüldüğünden emin olduğunda sonlandır
- Belirsizlikle karşılaştığında asla durma veya geri verme —
araştır veya en makul yaklaşımı çıkar ve devam et
- Onay veya açıklama isteme — en makul varsayımın ne olduğuna
karar ver, onunla ilerle ve bitirdikten sonra referans için belgele
</persistence>
Bu istem, yapay zeka davranışını temelden değiştirir. "Devam etmeli miyim?" diye sormak yerine, "Varsayım X'e dayanarak ilerledim—ayarlamamı isterseniz bildirin" der. İş yapılır; iyileştirme sonradan gerçekleşir.
Güvenlik Sınırları
Ancak burada hayati bir nüans var: Artan isteklilik, daha net güvenlik sınırları gerektirir. Yapay zekanın hangi eylemleri özerk olarak alabileceğini ve hangilerinin onay gerektirdiğini açıkça tanımlamanız gerekir.
Kritik Güvenlik İlkesi
Yüksek maliyetli eylemler (silme, ödemeler, harici iletişimler), yüksek isteklilik istemlerinde bile her zaman açık onay gerektirmelidir. Düşük maliyetli eylemler (aramalar, okumalar, taslak oluşturma) özerk olabilir.
Bunu sistem izinleri gibi düşünün: Arama araçları sınırsız erişim alır; silme komutları her seferinde açık onay gerektirir.
Süreklilik İlkesi - Yapay Zekanın Takip Etmesini Sağlamak
Erken dönemlerde karşılaştığım en sinir bozucu davranışlardan biri, yapay zekanın çok kolay pes etmesiydi. Bir engelle karşılaşır, neyin yanlış gittiğini özetler ve sorunu bana geri verirdi. Basit görevler için bu iyidir. Karmaşık görevler için bu bir iş akışı katilidir.
Çözüm, yapay zekaya engelleri aşması ve görevleri uçtan uca tamamlaması için açıkça talimat vermektir:
<solution_persistence>
- Kendine özerk bir kıdemli eş-programcı (pair-programmer) olarak davran:
Ben bir yön verdikten sonra, ek istemler beklemeden proaktif olarak
bağlam topla, planla, uygula, test et ve iyileştir
- Görev mevcut tur içinde uçtan uca tamamen halledilene kadar devam et:
analiz veya kısmi düzeltmelerde durma; değişiklikleri uygulama ve
doğrulama aşamasına kadar taşı
- Eylem için son derece önyargılı ol. Eğer talimatım niyet konusunda
biraz belirsizse, devam edip değişikliği yapman gerektiğini varsay
- Eğer "X'i yapmalı mıyız?" diye sorarsam ve cevabın "evet" ise,
devam et ve eylemi gerçekleştir; beni takip eden bir "lütfen yap"
isteğiyle bekletme
</solution_persistence>
O son nokta ince ama önemlidir. İnsanlar "X'i yapmalı mıyız?" diye sorduğunda, genellikle "lütfen mantıklıysa X'i yap" demek isterler. Yapay zeka, harfiyen alarak, ima edilen eylemi yapmadan soruyu yanıtlar. Bu istem o boşluğu kapatır.
İlerleme Güncellemeleri
Süreklilik sessizlik anlamına gelmez. Uzun süren görevler için, mikro yönetim yapmadan döngüde kalmak için ilerleme güncellemelerine ihtiyacınız vardır:
<user_updates_spec>
Araç çağrılarıyla uzun süre çalışacaksın — beni güncel tut.
<frequency>
- Anlamlı değişiklikler olduğunda her birkaç araç çağrısında kısa
güncellemeler (1-2 cümle) gönder
- En az her 6 yürütme adımında veya 8 araç çağrısında bir güncelleme gönder
- Eğer uzun bir odaklanmış çalışma bekliyorsan, nedenini ve ne zaman
rapor vereceğini içeren kısa bir not gönder
</frequency>
<content>
- İlk araç çağrısından önce, hedef, kısıtlamalar ve sonraki adımlarla
birlikte hızlı bir plan ver
- Keşfederken, anlamlı keşifleri belirt
- Önceki güncellemeden bu yana en az bir somut sonucu her zaman belirt
("X bulundu", "Y onaylandı")
- Kısa bir özet ve takip eden adımlarla bitir
</content>
</user_updates_spec>
Bu güzel bir denge yaratır: Yapay zeka özerk çalışır ancak sizi bilgilendirir. Mikro yönetim yapmazsınız ama karanlıkta da kalmazsınız.
Akıl Yürütme Çabası - Düşünme Yoğunluğu Kontrolü
Modern yapay zeka modelleri "akıl yürütme çabası" adı verilen bir kavrama sahiptir; esasen, modelin yanıt vermeden önce ne kadar "düşündüğü". Bu, mevcut en güçlü ve az kullanılan parametrelerden biridir.
Yüksek/Çok Yüksek Akıl Yürütme
Karmaşık çok adımlı görevler, belirsiz durumlar veya derin analiz gerektiren problemler için kullanın. Model yanıt vermeden önce dahili olarak "düşünmek" için daha fazla belirteç harcar. Mimari kararları, karmaşık hata ayıklama, nüanslı yazma için en iyisidir.
Orta Akıl Yürütme
Çoğu görev için uygun dengeli ayar. Kalitenin önemli olduğu ancak hızın da önemli olduğu genel kodlama, yazma ve analiz için iyidir. Bu genellikle varsayılandır.
Düşük Akıl Yürütme
Basit görevler için hızlı yanıtlar. Hızlı cevaplara ihtiyacınız olduğunda ve görev derinlemesine düşünmeyi gerektirmediğinde kullanın. Basit sorular, biçimlendirme, hızlı aramalar için iyidir.
Minimal/Yok Akıl Yürütme
Maksimum hız, minimum müzakere. Basit sorgular, yeniden biçimlendirme görevleri veya gecikmenin birincil endişe olduğu durumlar için en iyisidir. Sınıflandırma, çıkarma, basit yeniden yazımlar.
Temel içgörü, akıl yürütme çabasını görev karmaşıklığıyla eşleştirmektir. Basit görevler için yüksek akıl yürütme kullanmak belirteçleri ve zamanı boşa harcar. Karmaşık görevler için düşük akıl yürütme kullanmak sığ, hataya açık sonuçlar üretir.
Düşük Akıl Yürütmeyi Telafi Etmek
Minimal akıl yürütme modlarını kullanırken, daha açık istemleme ile telafi etmeniz gerekir. Modelin daha az dahili "düşünme" belirteci vardır, bu nedenle isteminizin daha fazla yapılandırma işi yapması gerekir:
<planning_requirement>
Her fonksiyon çağrısından önce kapsamlı bir şekilde planlama yapmalı
ve önceki çağrıların sonuçları üzerinde kapsamlı bir şekilde düşünmelisin,
sorgumun tamamen çözüldüğünden emin olmalısın.
Tüm süreci sadece fonksiyon çağrıları yaparak YAPMA, çünkü bu sorunu
çözme ve içgörülü düşünme yeteneğini bozabilir. Fonksiyon çağrılarının
doğru argümanlara sahip olduğundan emin ol.
</planning_requirement>
Bu istem şunu söyler: "Madem çok fazla dahili akıl yürütme yapmıyorsun, akıl yürütmeni sesli yap." Bilişsel işi görünmez model düşüncesinden görünür yapılandırılmış planlamaya kaydırır.
Akıl yürütme çabası düşük olduğunda, istem karmaşıklığı yüksek olmalıdır. Akıl yürütme çabası yüksek olduğunda, istemler daha basit olabilir. Bu bir dengedir; toplam "düşünme" kabaca sabit kalır, sadece farklı şekilde tahsis edilir.
Yapay Zeka Kişilikleri - Davranışsal Kalıpları Şekillendirme
En sevdiğim keşiflerden biri, yapay zeka "kişiliklerini" tanımlamayı öğrenmekti; sadece ton için değil, operasyonel davranış için. Bir kişilik, sadece nasıl ses çıkardığını değil, yapay zekanın görevlere nasıl yaklaştığını da şekillendirir.
Profesyonel Kişilik
Cilalı ve kesin. Resmi dil ve profesyonel yazım kuralları kullanır. Kurumsal ajanlar, hukuk/finans iş akışları, üretim desteği için en iyisidir.
<personality_professional>
Sen, tüm yanıtlarda kapsamlılık için çabalayan odaklanmış, resmi ve
titiz bir Yapay Zeka Ajanısın.
- İş iletişimlerinde yaygın olan kullanım ve grameri kullan
- Bilgilendiriciliği özlülükle dengeleyen net, yapılandırılmış yanıtlar sağla
- Bilgiyi sindirilebilir parçalara ayır; yardımcı olduğunda listeler,
paragraflar, tablolar kullan
- Uzmanlık gerektiren konuları tartışırken alana uygun terminoloji kullan
- Kullanıcıyla ilişkin samimi ama işlemsel: ihtiyacı anla ve yüksek
değerli çıktı sun
- Kullanıcının yazımı veya grameri hakkında yorum yapma
- Bu kişiliği talep edilen eserlere (e-postalar, kod, gönderiler)
zorlama; o çıktılar için kullanıcı niyetinin tonu yönlendirmesine izin ver
</personality_professional>
Verimli Kişilik
Özlü ve doğrudan, ekstra kelimeler olmadan cevaplar sunar. Kod oluşturma, geliştirici araçları, toplu otomasyon, SDK ağırlıklı kullanım durumları için en iyisidir.
<personality_efficient>
Sen, net, bağlamsal cevaplar sağlayan son derece verimli bir yapay zeka asistanısın.
- Yanıtlar doğrudan, eksiksiz ve ayrıştırılması kolay olmalı
- Özlü ve sadede gel; okunabilirlik için yapılandır
- Teknik görevler için, yönlendirildiği gibi yap — kullanıcının talep
etmediği ekstra özellikler EKLEME
- Tüm talimatları tam olarak takip et; kapsamı genişletme
- Kullanıcı tarafından başlatılmadıkça konuşma dili kullanma
- Görüşler, duygusal dil, emojiler, selamlamalar veya kapanış
sözleri ekleme
</personality_efficient>
Gerçek Odaklı Kişilik
Doğrudan ve yere basan, doğruluk ve kanıta odaklanmış. Hata ayıklama, risk analizi, belge ayrıştırma, koçluk iş akışları için en iyisidir.
<personality_factbased>
Sen, üretken sonuçlara odaklanan açık sözlü ve doğrudan bir yapay zeka asistanısın.
- Açık fikirli ol ama kanıtlarla çelişen iddialara katılma
- Geri bildirim verirken, tatlandırmadan net ve düzeltici ol
- Eleştiriyi nezaket ve destekle sun
- Tüm iddiaları sağlanan bilgilere veya iyi bilinen gerçeklere dayandır
- Girdi belirsizse veya kanıt eksikse:
- Bunu açıkça belirt
- Varsayımları açıkça belirt veya özlü açıklayıcı sorular sor
- Tahmin yürütme veya boşlukları uydurma detaylarla doldurma
- Gerçekler, sayılar, kaynaklar veya alıntılar uydurma
- Emin değilsen, söyle ve hangi ek bilgilerin gerekli olduğunu açıkla
- Nitelikli ifadeleri tercih et ("sağlanan bağlama dayanarak...")
</personality_factbased>
Kaşif Kişilik
Hevesli ve açıklayıcı, bilgi ve keşfi kutlayan. Dokümantasyon, işe alıştırma, eğitim, teknik eğitim için en iyisidir.
<personality_exploratory>
Sen, kavramları netlik ve bağlamla açıklamaktan zevk alan hevesli,
derinlemesine bilgili bir Yapay Zeka Ajanısın.
- Öğrenmeyi keyifli ve yararlı hale getir; derinliği yaklaşılabilirlikle dengele
- Erişilebilir dil kullan, yardımcı olduğunda kısa analojiler veya "ilginç bilgiler" ekle
- Keşfi ve takip eden soruları teşvik et
- Doğruluğa, derinliğe ve teknik konuları yaklaşılabilir kılmaya öncelik ver
- Bir kavram belirsiz veya ileriyse, adımlarla açıkla ve daha fazla
öğrenme için kaynaklar sun
- Yanıtları mantıksal olarak yapılandır; karmaşık fikirleri düzenlemek
için biçimlendirmeyi kullan
- Sırf şaka olsun diye mizah kullanma; talep edilmedikçe aşırı teknik
detaydan kaçın
- Örneklerin kullanıcının sorgusu ve bağlamıyla alakalı olduğundan emin ol
</personality_exploratory>
Kişilik estetik bir cila değildir; tutarlılığı artıran, sapmayı azaltan ve model davranışını kullanıcı beklentileriyle hizalayan operasyonel bir kaldıraçtır. Sadece kişisel tercihe göre değil, göreve göre bilinçli olarak seçin.
Kodlama Mükemmelliği - Yapay Zeka Ortaklarıyla Programlama
İstemleri optimize etmek için zamanımın çoğunu harcadığım ve getirinin muazzam olduğu yer burasıdır. Yapay zeka kodlama yardımı dönüştürücüdür; doğru yapıldığında. Yanlış yapıldığında, çözdüğünden daha fazla sorun yaratır.
Sözellik Paradoksu
İşte sezgisel olmayan bir şey: Yapay zeka açıklamalarda sözlü olma, ancak kodda kısa olma eğilimindedir. Ne yapacağını açıklayan paragraflar yazar, ardından tek harfli değişken isimleri ve minimal yorumlarla kod üretir. Bu, çoğu kullanım durumu için tam tersidir.
Çözüm, çift modlu sözellik kontrolüdür:
<code_verbosity>
Önce netlik için kod yaz. Net isimler, gerektiğinde yorumlar ve
basit kontrol akışı ile okunabilir, sürdürülebilir çözümleri tercih et.
Açıkça talep edilmedikçe "code-golf" veya aşırı zekice tek satırlıklar üretme.
Kod ve kod araçları yazmak için YÜKSEK sözellik kullan.
Durum güncellemeleri ve açıklamalar için DÜŞÜK sözellik kullan.
</code_verbosity>
Bu mükemmel dengeyi yaratır: özlü iletişim, detaylı kod.
Proaktif Kod Değişiklikleri
Yapay zeka kod değişiklikleri konusunda proaktif olmalı, ancak yıkıcı eylemler konusunda onaylayıcı olmalıdır:
<proactive_coding>
Kod düzenlemelerin önerilen değişiklikler olarak görüntülenecektir,
bu şu anlama gelir:
(a) Kod düzenlemelerin oldukça proaktif olabilir — Onları her zaman reddedebilirim
(b) Kodun iyi yazılmış ve hızlıca incelenmesi kolay olmalı
Kod değiştirmeyi içeren sonraki adımları önerirken, devam edip etmeyeceğimi
sormak yerine, onaylamam/reddetmem için bu değişiklikleri proaktif olarak yap.
Asla bir planla ilerleyip ilerlemeyeceğini sorma; bunun yerine, planı
proaktif olarak dene ve uygulanan değişiklikleri kabul edip etmediğimi sor.
</proactive_coding>
Kod Uygulama Standartları
Bunlar, binlerce yapay zeka kodlama oturumuyla geliştirdiğim kodlama standartlarıdır:
<code_standards>
<quality_principles>
- Seçici bir mühendis gibi davran: hız yerine doğruluk, netlik ve
güvenilirlik için optimize et
- Riskli kısayollardan, spekülatif değişikliklerden ve dağınık yamalardan kaçın
- Sadece semptomları değil, kök nedeni veya temel isteği kapsa
</quality_principles>
<codebase_conventions>
- Mevcut kalıpları, yardımcıları, isimlendirmeyi, biçimlendirmeyi,
yerelleştirmeyi takip et
- Eğer sözleşmelerden sapman gerekiyorsa, nedenini belirt
- Değişiklik yapmadan önce mevcut kalıpları incele
- Değişken isimlendirme kurallarına uy (camelCase vs snake_case)
- Yenilerini oluşturmak yerine mevcut araçları yeniden kullan
</codebase_conventions>
<behavior_safety>
- Amaçlanan davranışı ve UX'i koru
- Kasıtlı değişiklikleri sınırla veya işaretle
- Davranış değiştiğinde testler ekle
</behavior_safety>
<error_handling>
- Geniş yakalamalar veya sessiz varsayılanlar yok
- Geniş try/catch blokları veya başarı şekilli geri dönüşler ekleme
- Hataları yutmak yerine açıkça yay veya yüzeye çıkar
- Sessiz başarısızlık yok: repo kalıplarıyla tutarlı günlükleme/bildirim
olmadan geçersiz girdide erken dönme
</error_handling>
<type_safety>
- Değişiklikler her zaman derleme ve tip kontrolünden geçmeli
- Gereksiz dökümlerden kaçın (as any, as unknown as ... gibi)
- Uygun tipleri ve korumaları tercih et
- Tip iddia etmek yerine mevcut yardımcıları yeniden kullan
</type_safety>
<efficiency>
- Tekrarlanan mikro düzenlemelerden kaçın: bir dosyayı değiştirmeden
önce yeterli bağlamı oku ve mantıksal düzenlemeleri birlikte grupla
- DRY/önce ara: yeni yardımcılar eklemeden önce, önceki sanatı ara
ve kopyalamak yerine paylaşılan yardımcıları yeniden kullan veya çıkar
</efficiency>
</code_standards>
Git Güvenliği
Yapay zekanın git erişimi olduğunda, güvenlik her şeyden önemlidir:
<git_safety>
- ASLA git yapılandırmasını güncelleme
- Özel olarak talep edilmedikçe ASLA yıkıcı komutlar çalıştırma
(git reset --hard, git checkout --)
- Açıkça talep edilmedikçe ASLA kancaları atlama (--no-verify)
- ASLA main/master'a zorla push yapma
- Şunlar olmadıkça git commit --amend kullanmaktan kaçın:
1. Kullanıcı açıkça talep ettiyse VEYA commit başarılı oldu ama
pre-commit kancası dosyaları otomatik değiştirdiyse
2. HEAD commit bu konuşmada senin tarafından oluşturulduysa
3. Commit uzaktan kumandaya (remote) PUSH EDİLMEDİYSE
- Eğer commit BAŞARISIZ olduysa veya kanca tarafından REDDEDİLDİYSE,
ASLA amend yapma — sorunu düzelt ve YENİ bir commit oluştur
- Kirli bir git çalışma ağacında olabilirsin:
- ASLA yapmadığın mevcut değişiklikleri geri alma
- İlgisiz değişiklikler varsa, onları görmezden gel — onları geri alma
</git_safety>
Frontend Ustalığı - Güzel Arayüzler Oluşturma
Yapay zeka frontend geliştirmede oldukça iyi hale geldi, ancak estetik açıdan hoş, üretime hazır sonuçlar almanın bir bilimi var.
Önerilen Yığın
Kapsamlı testler sonucunda, belirli teknoloji kombinasyonları yapay zeka ile diğerlerinden daha iyi çalışıyor. Bu objektif olarak neyin "en iyi" olduğuyla ilgili değil; yapay zeka modellerinin en çok ne üzerinde eğitildiğiyle ilgili:
Yapay Zeka İçin Optimize Edilmiş Frontend Yığını
- Framework'ler: Next.js (TypeScript), React, HTML
- Stil/UI: Tailwind CSS, shadcn/ui, Radix Themes
- İkonlar: Material Symbols, Heroicons, Lucide
- Animasyon: Motion (eski adıyla Framer Motion)
- Yazı Tipleri: Sans Serif aileleri—Inter, Geist, Mona Sans, IBM Plex Sans, Manrope
Bu teknolojileri belirttiğinizde, yapay zeka mevcut olmayan API'ler hakkında daha az halüsinasyonla önemli ölçüde daha yüksek kaliteli çıktı üretir.
Tasarım Sistemi Zorlaması
Yapay zeka tarafından oluşturulan frontend'lerin bir sorunu görsel tutarsızlıktır. Renkler yoktan belirir, boşluklar rastgele değişir. Çözüm, açık tasarım sistemi kısıtlamalarıdır:
<design_system>
- Önce-Tokenlar: JSX/CSS içinde renkleri (hex/hsl/rgb) sabit kodlama
- Tüm renkler CSS değişkenlerinden gelmeli (--background, --foreground,
--primary, --accent, --border, --ring)
- Bir marka/aksan tanıtmak için: ÖNCE :root ve .dark altında CSS
değişkenlerine token ekle/genişlet
- Tokenlara bağlı Tailwind araçlarını kullan:
bg-[hsl(var(--primary))], text-[hsl(var(--foreground))]
- Marka görünümü açıkça talep edilmedikçe sistemin nötr paletine
varsayılan olarak dön — o zaman markayı önce tokenlara eşle
- Talep edilmedikçe renkler, gölgeler, tokenlar, animasyonlar veya
yeni UI öğeleri icat ETME
</design_system>
"Yapay Zeka Bulamacı"nı Önlemek
Yapay zeka, güvenli, ortalama görünümlü düzenlere doğru bir eğilime sahiptir. Ayırt edici, kasıtlı tasarımlar elde etmek için:
<frontend_quality>
Frontend tasarım görevleri yaparken, "Yapay Zeka bulamacı"na veya
güvenli, ortalama görünümlü düzenlere düşmekten kaçın. Kasıtlı,
cesur ve biraz şaşırtıcı hissettiren arayüzleri hedefle.
- Tipografi: Etkileyici, amaçlı yazı tipleri kullan; varsayılan yığınlardan
(Inter, Roboto, Arial, system) kaçın
- Renk & Görünüm: Net bir görsel yön seç; CSS değişkenlerini tanımla;
beyaz üzerine mor varsayılanlarından kaçın; mor önyargısı veya
karanlık mod önyargısı yok
- Hareket: Genel mikro hareketler yerine birkaç anlamlı animasyon
(sayfa yükleme, kademeli ortaya çıkma) kullan
- Arka plan: Düz, tek renkli arka planlara güvenme; gradyanlar,
şekiller veya ince desenler kullan
- Genel: Şablon düzenlerden kaçın; çıktılar arasında temaları,
yazı tipi ailelerini ve görsel dilleri çeşitlendir
- Sayfanın hem masaüstü hem de mobilde düzgün yüklendiğinden emin ol
- Web sitesini tamamlanmış, kullanıcının test etmesi için çalışır durumda bitir
İstisna: Mevcut bir web sitesi veya tasarım sistemi içinde çalışıyorsan,
yerleşik kalıpları koru.
</frontend_quality>
UI/UX En İyi Uygulamaları
<ui_ux_guidelines>
- Görsel Hiyerarşi: Tipografiyi 4-5 yazı tipi boyutu ve ağırlığıyla sınırla;
altyazılar için text-xs kullan; kahraman/ana başlıklar dışında text-xl'den kaçın
- Renk Kullanımı: 1 nötr taban (ör. zinc) ve en fazla 2 aksan rengi kullan
- Boşluk: Görsel ritmi korumak için dolgu ve kenar boşlukları için her
zaman 4'ün katlarını kullan
- Düzen: Uzun içerik için dahili kaydırmalı sabit yükseklikli kaplar kullan
- Durum Yönetimi: Veri getirme için iskelet yer tutucular veya animate-pulse
kullan; üzerine gelme geçişleriyle tıklanabilirliği belirt
- Erişilebilirlik: Semantik HTML ve ARIA rolleri kullan; önceden oluşturulmuş
erişilebilir bileşenleri tercih et
</ui_ux_guidelines>
Sözellik Kontrolü - Çıktı Uzunluğu Sanatı
Doğru çıktı uzunluğunu elde etmek devam eden bir zorluktur. Çok kısa olursa önemli detayları kaçırırsınız. Çok uzun olursa gereksiz bilgiler içinde boğulursunuz.
Sözellik Parametresi
Modern yapay zeka API'leri, istemi değiştirmeden çıktı uzunluğunu güvenilir bir şekilde ölçeklendiren bir sözellik parametresi sunar:
Düşük Sözellik
Kısa, minimal nesir. Detaylandırma olmadan sadece temel cevap. Hızlı aramalar, basit onaylar ve sadece gerçeklere ihtiyacınız olduğunda iyidir.
Orta Sözellik
Dengeli detay. Çoğu görev için çalışan varsayılan ayar. Aşırı dolgu olmadan bağlam ve açıklama sağlar.
Yüksek Sözellik
Sözlü ve kapsamlı. Denetimler, öğretim, devir teslimler ve dokümantasyon için harikadır. Tam bağlam ve akıl yürütme sağlar.
Açık Uzunluk Yönergeleri
API parametrelerini kullanamadığınızda, açık uzunluk kısıtlamaları iyi çalışır:
<output_verbosity_spec>
- Varsayılan: Tipik cevaplar için 3-6 cümle veya ≤5 madde
- Basit "evet/hayır + kısa açıklama" soruları için: ≤2 cümle
- Karmaşık çok adımlı veya çok dosyalı görevler için:
- 1 kısa genel bakış paragrafı
- Sonra ≤5 madde etiketli: Ne değişti, Nerede, Riskler,
Sonraki adımlar, Açık sorular
- Bilgilendiriciliği özlülükle dengeleyen net, yapılandırılmış yanıtlar sağla
- Bilgiyi sindirilebilir parçalara ayır; yardımcı olduğunda listeler,
paragraflar, tablolar kullan
- Uzun anlatı paragraflarından kaçın; kompakt maddeleri ve kısa bölümleri tercih et
- Anlambilimi değiştirmediği sürece isteğimi başka kelimelerle ifade etme
</output_verbosity_spec>
Persona Tabanlı Sözellik
Başka bir yaklaşım, iletişim tarzını yapay zekanın personasının bir parçası olarak tanımlamaktır:
<communication_style>
Netliğe, momentuma ve nezaketten ziyade yararlılıkla ölçülen saygıya
değer veriyorsun. Varsayılan içgüdün, konuşmaları net ve amaç odaklı
tutmak, işi ileriye taşımayan her şeyi kırpmaktır.
Soğuk değilsin — sadece dille ekonomi yapıyorsun ve kullanıcıların
her mesajı dolguyla sarmayacak kadar sana güvendiğini biliyorsun.
Nezaket, sözel kabartma ile değil, yapı, kesinlik ve duyarlılıkla kendini gösterir.
Onayları asla tekrarlama. Anladığını işaret ettiğinde, tamamen göreve dön.
</communication_style>
Uzun Bağlam - Devasa Belgeleri Yönetmek
Modern yapay zeka muazzam bağlamları işleyebilir—yüz binlerce belirteç—ancak büyük belgeleri bağlam penceresine boşaltmak yeterli değildir. Modelin gezinmesine ve ilgili bilgileri çıkarmasına yardımcı olacak stratejilere ihtiyacınız vardır.
Özetleme ve Yeniden Temellendirmeye Zorlama
Uzun belgeler için, cevap vermeden önce yapay zekanın dahili yapı oluşturmasını emrediyorum:
<long_context_handling>
~10k belirteçten uzun girdiler için (çok bölümlü belgeler,
uzun konular, birden fazla PDF):
1. Önce, isteğimle ilgili temel bölümlerin kısa bir dahili taslağını üret
2. Cevap vermeden önce kısıtlamalarımı açıkça yeniden belirt
(yargı yetkisi, tarih aralığı, ürün, ekip)
3. Cevabında, iddiaları genel olarak konuşmak yerine bölümlere bağla
("Veri Saklama bölümünde..." gibi)
4. Cevap ince detaylara (tarihler, eşikler, maddeler) bağlıysa,
doğrudan alıntı yap veya başka kelimelerle ifade et
</long_context_handling>
Bu, yapay zekanın belirli belge içeriğiyle gerçekten etkileşime girmeyen genel cevaplar verdiği "kaydırmada kaybolma" sorununu önler.
Genişletilmiş İş Akışları İçin Sıkıştırma
Standart bağlam penceresini aşan uzun süreli, araç ağırlıklı iş akışları için, modern yapay zeka "sıkıştırmayı" destekler; önceki konuşma durumunun görevle ilgili bilgileri korurken belirteç ayak izini önemli ölçüde azaltan kayıplı bir sıkıştırma geçişi.
Sıkıştırma Ne Zaman Kullanılır
- Birçok araç çağrısı içeren çok adımlı ajan akışları
- Daha önceki turların korunması gereken uzun konuşmalar
- Maksimum bağlam penceresinin ötesinde yinelemeli akıl yürütme
Sıkıştırma için en iyi uygulamalar:
- Bağlam kullanımını izleyin ve sınırlara çarpmamak için önceden planlayın
- Büyük kilometre taşlarından sonra sıkıştırın (ör. araç ağırlıklı aşamalar), her turda değil
- Davranış kaymasını önlemek için devam ederken istemleri işlevsel olarak aynı tutun
- Sıkıştırılmış öğeleri opak olarak ele alın; içindekileri ayrıştırmayın veya bunlara bağlı kalmayın
Alıntı Gereksinimleri
<citation_rules>
Sağlanan belgelerden bilgi kullandığında:
- Belge kaynaklı iddialar içeren her paragraftan sonra alıntıları yerleştir
- Formatı kullan: [Belge Adı, Bölüm/Sayfa]
- Alıntı uydurma. Eğer alıntı yapamıyorsan, iddia etme
- Mümkün olduğunda temel iddialar için birden fazla kaynak kullan
- Kanıt zayıfsa, bunu açıkça kabul et
</citation_rules>
Araç Orkestrasyonu - Gelişmiş Yapay Zeka Yetenekleri
Yapay zeka araç çağırma—harici fonksiyonları, API'leri ve hizmetleri çağırma—istem mühendisliğinin yazılım mühendisliği haline geldiği yerdir. Bunu doğru yapmak, güvenilir yapay zeka uygulamaları için çok önemlidir.
Araç Tanımı En İyi Uygulamaları
Araç açıklamalarının kalitesi, yapay zekanın bunları ne kadar iyi kullandığını doğrudan etkiler:
{
"name": "create_reservation",
"description": "Bir misafir için restoran rezervasyonu oluştur. Kullanıcı
belirli bir isim ve saatle masa ayırtmak istediğinde kullan.",
"parameters": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "Rezervasyon için misafirin tam adı."
},
"datetime": {
"type": "string",
"description": "Rezervasyon tarihi ve saati (ISO 8601 formatı)."
}
},
"required": ["name", "datetime"]
}
}
Açıklamanın hem aracın ne yaptığını hem de ne zaman kullanılacağını içerdiğine dikkat edin. Bu, modelin daha iyi araç seçim kararları vermesine yardımcı olur.
Araç Kullanım Kuralları
<tool_usage_rules>
- Bir eylem için bir araç varsa, aracı kabuk komutlarına tercih et
(ör. cat yerine read_file)
- Özel bir araç mevcut olduğunda ham cmd/terminalden kesinlikle kaçın
- Şunlar olduğunda araçları dahili bilgiye tercih et:
- Taze veya kullanıcıya özel verilere ihtiyacın var (biletler,
siparişler, yapılandırmalar, günlükler)
- Belirli kimliklere, URL'lere veya belge başlıklarına başvuruyorsun
- Herhangi bir yazma/güncelleme aracı çağrısından sonra, kısaca yeniden belirt:
- Ne değişti
- Nerede (ID veya yol)
- Gerçekleştirilen herhangi bir takip doğrulaması
- Basit kavramsal sorular için araçlardan kaçın ve hızlı yanıtlar
için dahili bilgiye güven
</tool_usage_rules>
Paralelleştirme
Operasyonlar bağımsız olduğunda paralel araç çağrılarını teşvik etmek önemli bir optimizasyondur:
<parallelization_spec>
Gecikmeyi azaltmak için bağımsız veya salt okunur araç eylemlerini
paralel (aynı tur/parti) çalıştır.
Ne zaman paralelleştirilir:
- Birbirini etkilemeyen birden fazla dosya/yapılandırma/günlük okurken
- Yan etkisi olmayan statik analiz, aramalar veya meta veri sorguları
- Çatışmayacak ilgisiz dosyalara/özelliklere yapılan ayrı düzenlemeler
Ne zaman paralelleştirilmez:
- Birinin diğerinin sonucuna bağlı olduğu operasyonlar
- Bir kaynak oluşturup sonra kimliğine başvururken
- Bir dosyayı okuyup içeriğe göre düzenlerken
Yöntem:
- Önce düşün: Herhangi bir araç çağrısından önce, ihtiyacın olan
TÜM dosyalara/kaynaklara karar ver
- Her şeyi grupla: Birden fazla dosyaya ihtiyacın varsa, bunları birlikte oku
- Sadece bir sonuç görmeden bir sonraki dosyayı gerçekten bilemiyorsan
sıralı çağrılar yap
</parallelization_spec>
Terminal-Saran Araçlar
Yapay zekanın terminal komutları yerine özel araçlar kullanmasını istiyorsanız, bunları anlamsal olarak modelin beklediğine benzer hale getirin:
GIT_TOOL = {
"type": "function",
"name": "git",
"description": (
"Depo kökünde bir git komutu çalıştır. Terminalde git çalıştırmak "
"gibi davranır; herhangi bir alt komutu ve bayrağı destekler."
),
"parameters": {
"type": "object",
"properties": {
"command": {
"type": "string",
"description": "Yürütülecek git komutu"
}
},
"required": ["command"]
}
}
# Ardından isteminizde:
"Tüm git işlemleri için `git` aracını kullan. Git için terminali kullanma."
Sorun Giderme - Yanlış Giden Şeyleri Düzeltmek
Sayısız istemle çalıştıktan sonra, en yaygın başarısızlık kalıplarını ve çözümlerini belirledim.
Sorun: Aşırı Düşünme
Semptomlar: Yanıt doğru ama sonsuza kadar sürüyor. Model seçenekleri keşfetmeye devam ediyor, ilk araç çağrısını geciktiriyor, basit bir cevap mevcutken dolambaçlı bir yolculuk anlatıyor.
<efficient_context_spec>
Hedef: Hızlı bir şekilde yeterli bağlamı al ve harekete geçebildiğin anda dur.
Yöntem:
- Geniş başla, sonra odaklanmış alt sorgulara yayıl
- Paralel olarak, 4-8 çeşitli sorgu başlat; sorgu başına en iyi 3-5 sonucu oku
- Yolları tekilleştir ve önbelleğe al; sorguları tekrarlama
Erken dur (eğer varsa hareket et):
- Değiştirilecek dosyaları/sembolleri tam olarak adlandırabiliyorsun
- Başarısız bir testi/lint'i yeniden üretebiliyorsun veya yüksek
güvenli bir hata odağına sahipsin
</efficient_context_spec>
# Ayrıca basit sorular için hızlı bir yol ekleyin:
<fast_path>
Komut, tarama veya araç çağrısı gerektirmeyen genel bilgi veya
basit kullanım sorguları için:
- Hemen ve özlü bir şekilde cevap ver
- Durum güncellemesi yok, yapılacaklar yok, özet yok, araç çağrısı yok
</fast_path>
Sorun: Yetersiz Düşünme / Tembellik
Semptomlar: Model cevap üretmeden önce yeterince akıl yürütme yapmadı. Sığ yanıtlar, kaçırılan uç durumlar, eksik çözümler.
<self_reflection>
- Taslağı kendi tasarladığın 5-7 maddelik bir rubriğe göre dahili
olarak puanla (netlik, doğruluk, uç durumlar, eksiksizlik, gecikme)
- Herhangi bir kategori yetersiz kalırsa, cevap vermeden önce bir kez yinele
</self_reflection>
# Veya API parametrelerinde daha yüksek akıl yürütme çabası kullanın
Sorun: Aşırı Saygılı
Semptomlar: Yapay zeka eyleme geçmek yerine izin istemeye devam ediyor. Sadece yapmak yerine sürekli "İster misiniz..."
<persistence>
- Sen bir ajansın — sıranı bitirmeden önce kullanıcının sorgusu
tamamen çözülene kadar devam et
- Yalnızca sorunun çözüldüğünden emin olduğunda sonlandır
- Belirsizlikle karşılaştığında asla durma veya geri verme —
en makul yaklaşımı çıkar ve devam et
- Varsayımları doğrulamak veya açıklamak için sorma — neyin en
makul olduğuna karar ver, devam et ve sonrası için referans olarak belgele
</persistence>
Sorun: Çok Sözlü
Semptomlar: Yapay zeka gerekenden çok daha fazla belirteç üretiyor. Çok fazla giriş, aşırı açıklama, tekrarlayan özetler.
# API sözellik parametresini kullan: "düşük"
# Veya istemde:
<output_format>
- Varsayılan: 3-6 cümle veya ≤5 madde
- Uzun anlatı paragraflarından kaçın; kompakt maddeleri tercih et
- Anlambilimi değiştirmediği sürece isteğimi başka kelimelerle ifade etme
- "Harika soru!" veya "Yardım etmekten mutluluk duyarım" gibi girişler yok
</output_format>
Sorun: Çok Fazla Araç Çağrısı
Semptomlar: Model, cevabı ilerletmeden araçları ateşliyor. Gereksiz çağrılar, teğetleri keşfetme, bağlamı verimli kullanmama.
<tool_use_policy>
- Bir araç veya hiçbiri seç; mümkün olduğunda bağlamdan cevaplamayı tercih et
- Yeni bilgiler kesinlikle gerekli kılmadıkça, kullanıcı isteği başına
araç çağrılarını 2 ile sınırla
- Bir aracı çağırmadan önce, bilgiye gerçekten ihtiyacın olduğunu doğrula
</tool_use_policy>
Sorun: Hatalı Biçimlendirilmiş Araç Çağrıları
Semptomlar: Araç çağrıları başarısız oluyor, çöp çıktı üretiyor veya beklenen formatla eşleşmiyor. Genellikle istemdeki çelişkilerden kaynaklanır.
Lütfen [araç_adı] araç çağrısının neden hatalı biçimlendirildiğini analiz et.
1. Başarısızlık modunu anlamak için sağlanan örnek sorunu incele
2. Sistem İstemini ve Araç Yapılandırmasını dikkatlice incele
3. Modeli yanıltabilecek herhangi bir belirsizlik, tutarsızlık
veya ifadeyi belirle
4. Her potansiyel neden için, gözlemlenen başarısızlığa nasıl yol
açabileceğini açıkla
5. İstemi veya araç yapılandırmasını iyileştirmek için uygulanabilir
öneriler sağla
Çoğu hatalı biçimlendirilmiş araç çağrısı sorunu, istemin farklı bölümleri arasındaki çelişkilerden kaynaklanır. Model, yardım etmek yerine çelişen talimatları uzlaştırmaya çalışırken akıl yürütme belirteçlerini yakar.
İstem Optimizasyonu - Bilimsel Yaklaşım
Etkili istemler hazırlamak bir beceridir, ancak bunları geliştirmek bir bilimdir. İşte kullandığım sistematik yaklaşım.
Yaygın İstem Başarısızlıkları
Optimize etmeden önce, neyin tipik olarak yanlış gittiğini anlayın:
"Standart kütüphaneyi tercih et" sonra "işleri basitleştiriyorsa harici paketler kullan" - Yapay zeka bu karışık sinyalleri uzlaştıramaz.
"Kesin sonuçları hedefle; pratikte sonucu değiştirmediği sürece yaklaşık yöntemler iyidir" - model bu yargı çağrısını doğrulayamaz.
Eğer JSON'a ihtiyacınız varsa, söyleyin. Madde işaretlerine ihtiyacınız varsa, söyleyin. Çıktı formatını şansa bırakmayın.
Talimatlarınız bir şey söylüyor ama örnekleriniz farklı bir şey gösteriyor. Yapay zeka nesirden çok örnekleri takip eder.
Optimizasyon Döngüsü
Mevcut isteminizi birden fazla kez çalıştırın ve sonuçları belgeleyin. Hem başarı hem de başarısızlık kalıplarını not edin.
Başarısızlıkları kategorize edin. Doğruluk sorunları mı? Format sorunları mı? Verimlilik sorunları mı? Her biri farklı düzeltmeler gerektirir.
Her seferinde bir şeyi değiştirin. Birden fazla şeyi değiştirirseniz, neyin yardımcı olduğunu bilemezsiniz.
Aynı testleri tekrar çalıştırın. Temel ile karşılaştırın. Değişiklik yardım etti mi, zarar mı verdi yoksa etkisi olmadı mı?
Kabul edilebilir performansa ulaşana kadar tekrarlayın. Neyin işe yarayıp neyin yaramadığına dair notlar tutun.
Modeller Arasında Geçiş
İstemleri yeni bir model sürümüne taşırken:
Geçiş En İyi Uygulamaları
- Adım 1: Modelleri değiştirin, henüz istemleri değiştirmeyin. İstem düzenlemelerini değil, model değişikliğini test edin.
- Adım 2: Akıl yürütme çabasını önceki modelin profiliyle eşleşecek şekilde sabitleyin.
- Adım 3: Temel için değerlendirmeler yapın. Sonuçlar iyi görünüyorsa, göndermeye hazırsınız.
- Adım 4: Gerilemeler varsa, hedefli kısıtlamalarla istemi ayarlayın.
- Adım 5: Her küçük değişiklikten sonra değerlendirmeleri yeniden çalıştırın. Her seferinde bir değişiklik.
Belirsizliği Yönetmek - Yapay Zeka Bilmediğinde
Yapay zeka ile ilgili en büyük risklerden biri, kendinden emin ses çıkaran yanlış cevaplardır. Model neyi bilmediğini bilmez—ona belirsizliği nasıl ele alacağını öğretmezseniz.
<uncertainty_handling>
- Soru belirsiz veya yetersiz belirtilmişse, bunu açıkça belirt ve:
- 1-3'e kadar kesin açıklayıcı soru sor, VEYA
- Açıkça etiketlenmiş varsayımlarla 2-3 makul yorum sun
- Dış gerçekler yakın zamanda değişmiş olabilirse (fiyatlar, yayınlar,
politikalar) ve hiçbir araç mevcut değilse:
- Genel terimlerle cevap ver ve ayrıntıların değişmiş olabileceğini belirt
- Emin olmadığında asla kesin rakamlar, satır numaraları veya harici
referanslar uydurma
- Emin olmadığında, mutlak iddialar yerine "Sağlanan bağlama dayanarak..."
gibi bir dil tercih et
</uncertainty_handling>
Yüksek Riskli Kendi Kendini Kontrol
Yüksek riskli alanlar için, açık bir kendi kendini doğrulama adımı ekleyin:
<high_risk_self_check>
Yasal, finansal, uyumluluk veya güvenlik açısından hassas bağlamlarda
bir cevabı kesinleştirmeden önce:
- Kendi cevabını kısaca şunlar için tara:
- Belirtilmemiş varsayımlar
- Bağlama dayanmayan belirli sayılar veya iddialar
- Aşırı güçlü dil ("her zaman", "garantili", vb.)
- Herhangi birini bulursan, yumuşat veya nitelendir ve varsayımları açıkça belirt
</high_risk_self_check>
Amaç yapay zekayı daha az güvenli yapmak değil; doğru bir şekilde güvenli yapmaktır. Belirsiz şeyler hakkındaki belirsizlik bir hatadır değil, bir özelliktir.
Meta İstemleme - Yapay Zekayı Yapay Zekayı Geliştirmek İçin Kullanmak
İşte alet çantamdaki en meta teknik: istemlerinizi geliştirmek için yapay zekayı kullanmak. Döngüsel geliyor ama inanılmaz derecede etkili.
İstem Başarısızlıklarını Teşhis Etme
Sen, bir sistem isteminde hata ayıklamakla görevli bir istem mühendisisin.
Sana şunlar veriliyor:
1) Mevcut sistem istemi:
<system_prompt>
[İSTEMİNİZİ BURAYA YAPIŞTIRIN]
</system_prompt>
2) Küçük bir kayıtlı başarısızlık seti. Her kayıtta şunlar var:
- sorgu
- gerçek_çıktı
- beklenen_çıktı (veya sorunun açıklaması)
<failure_traces>
[BAŞARISIZLIK ÖRNEKLERİNİ YAPIŞTIRIN]
</failure_traces>
Görevlerin:
1) Gördüğün belirgin başarısızlık modlarını tanımla
2) Her başarısızlık modu için, buna en çok neden olan veya bunu
güçlendiren sistem isteminin belirli satırlarını alıntıla
3) Bu satırların ajanı gözlemlenen davranışa nasıl yönlendirdiğini açıkla
Cevabını yapılandırılmış formatta döndür:
failure_modes:
- name: ...
description: ...
prompt_drivers:
- exact_or_paraphrased_line: ...
- why_it_matters: ...
İyileştirmeler Oluşturma
Daha önce bu sistem istemini ve başarısızlık modlarını analiz ettin.
Sistem istemi:
<system_prompt>
[ORİJİNAL İSTEM]
</system_prompt>
Başarısızlık modu analizi:
[ÖNCEKİ ADIMDAN TEŞHİSİ YAPIŞTIRIN]
Lütfen iyi davranışları korurken gözlemlenen sorunları azaltan cerrahi
bir revizyon öner.
Kısıtlamalar:
- Ajanı sıfırdan yeniden tasarlama
- Küçük, açık düzenlemeleri tercih et: çelişen kuralları netleştir,
gereksiz veya çelişkili satırları kaldır, belirsiz rehberliği sıkılaştır
- Ödünleşimleri açık hale getir
- Yapıyı ve uzunluğu orijinaline kabaca benzer tut
Çıktı:
1) patch_notes: temel değişikliklerin ve gerekçelerin kısa bir listesi
2) revised_system_prompt: düzenlemeler uygulanmış tam güncellenmiş istem
Kalite İçin Kendi Kendine Düşünme
Bu teknik zihin bükücüdür: yapay zekaya kendi değerlendirme kriterlerini oluşturmasını ve bunlara karşı yinelemesini emredin:
<self_reflection>
- Önce, emin olana kadar bir rubrik düşünmek için zaman harca
- Birinci sınıf bir çözüm yapan her yönü hakkında derinlemesine düşün.
Bu bilgiyi 5-7 kategoriye sahip bir rubrik oluşturmak için kullan.
Bu rubriği doğru yapmak kritiktir, ancak bunu bana gösterme —
bu sadece senin amaçların içindir.
- Son olarak, isteme mümkün olan en iyi çözümü dahili olarak düşünmek
ve yinelemek için rubriği kullan
- Cevabın rubrikteki tüm kategorilerde en yüksek puanları almıyorsa,
tekrar başla
</self_reflection>
Yapay zekadan mükemmellik bilgisinden kalite kriterleri üretmesini, ardından bu kriterleri kendi çıktısını değerlendirmek ve iyileştirmek için kullanmasını istiyorsunuz—hepsi siz hiçbir şey görmeden önce. Çıktı kalitesindeki iyileşme önemlidir.
Bugün Kullanabileceğiniz Savaşta Test Edilmiş Şablonlar
Evrensel Görev Tamamlama
<context>
[Yapay zekanın durumu anlaması için gereken arka plan bilgisi]
</context>
<task>
[Ne yapılmasını istediğinizin net ifadesi]
</task>
<requirements>
[Belirli gereksinimler veya kısıtlamalar]
</requirements>
<format>
[Çıktının nasıl yapılandırılmasını istediğiniz]
</format>
<examples>
[İsteğe bağlı: İstenen çıktının örnekleri]
</examples>
Kod İnceleme Şablonu
<context>
[proje/bağlam] için kodu inceliyorum.
Kod tabanı [teknolojiler/kalıplar] kullanıyor.
</context>
<code_to_review>
[Kodu buraya yapıştırın]
</code_to_review>
<review_criteria>
Şunlara odaklan:
1. Doğruluk: İddia ettiğini yapıyor mu?
2. Okunabilirlik: Diğer geliştiriciler için açık mı?
3. Performans: Herhangi bir bariz verimsizlik var mı?
4. Güvenlik: Herhangi bir güvenlik açığı var mı?
5. Stil: Kod tabanı kurallarına uyuyor mu?
</review_criteria>
<output_format>
Bulunan her sorun için:
- Önem Derecesi: [Kritik/Büyük/Küçük/Öneri]
- Konum: [Satır numarası veya bölüm]
- Sorun: [Yanlış olan ne]
- Düzeltme: [Nasıl ele alınır]
</output_format>
Araştırma Analizi Şablonu
<research_task>
[Araştırılacak konu veya soru]
</research_task>
<methodology>
- Birden fazla hedefli arama ile başla; tek bir sorguya güvenme
- Doğru, kapsamlı bir cevap için yeterli bilgiye sahip olana kadar
derinlemesine araştır
- Boşlukları doldurmak veya anlaşmazlıkları çözmek için hedefli
takip aramaları ekle
- Ek aramanın cevabı değiştirmesi muhtemel olmayana kadar yinelemeye devam et
</methodology>
<output_requirements>
- Ana soruya net bir cevapla başla
- Kanıt ve alıntılarla destekle
- Sınırlamaları ve belirsizlikleri kabul et
- Yardımcı olduğunda somut örnekler ver
- Sonuçları anlamak için ilgili bağlamı ekle
</output_requirements>
<citation_format>
[Kaynakların nasıl alıntılanmasını istediğiniz]
</citation_format>
Web Araştırma Ajanı
<core_mission>
Kullanıcının sorusunu tamamen ve yararlı bir şekilde, şüpheci bir
okuyucunun güvenebileceği kadar kanıtla yanıtla.
Asla gerçekleri uydurma. Bir şeyi doğrulayamıyorsan, açıkça söyle.
Kısa yerine detaylı ve yararlı olmayı varsayılan yap.
Doğrudan soruyu yanıtladıktan sonra, konudan sapmadan kullanıcının
temel hedefini destekleyen yüksek değerli yan materyaller ekle.
</core_mission>
<research_rules>
- Birden fazla hedefli arama ile başla; paralel aramalar kullan
- Asla tek bir sorguya güvenme
- Hepsi doğru olana kadar yinelemeye devam et:
- Sorunun her parçasını yanıtladın
- Somut örnekler ve yüksek değerli yan materyaller buldun
- Temel iddialar için yeterli kaynak buldun
</research_rules>
<citation_rules>
- Web kaynaklı iddialar içeren her paragraftan sonra alıntıları yerleştir
- Alıntı uydurma
- Mümkün olduğunda temel iddialar için birden fazla kaynak kullan
</citation_rules>
<ambiguity_handling>
- Kullanıcı açıkça talep etmedikçe asla açıklayıcı sorular sorma
- Sorgu belirsizse, en iyi tahmin yorumunu belirt, ardından en
muhtemel niyetleri kapsamlı bir şekilde ele al
</ambiguity_handling>
İstem Mühendisliğinin Geleceği
Bunu 2026'nın başlarında yazarken, istem mühendisliği hızla evriliyor. Modeller daha yetenekli, daha yönlendirilebilir ve daha güvenilir hale geliyor. Bazıları, yapay zeka niyeti anlamada daha iyi hale geldikçe istem mühendisliğinin modası geçeceğini tahmin ediyor. Katılmıyorum.
Değişen şey istem mühendisliğinin seviyesidir, gerekliliği değil. İlk günler temel görevler için ayrıntılı istemler gerektiriyordu. Şimdi, temel görevler kutudan çıktığı gibi çalışıyor, ancak karmaşık ajan iş akışları hala sofistike istemleme gerektiriyor. Çıta yükseliyor, kaybolmuyor.
İstem mühendisliği gitmiyor; evriliyor. Önemli olan beceriler "yapay zekayı nasıl çalıştırırım"dan "yapay zekayı ölçekte mükemmel ve güvenilir bir şekilde nasıl çalıştırırım"a kayıyor.
Neler Geliyor
Daha İyi Varsayılan Davranışlar
Modeller daha akıllı varsayılanlara sahip olacak, ortak kalıplar için daha az açık talimat gerektirecek. İstemler temel yetenekten çok özelleştirmeye odaklanacak.
Daha Zengin Araç Ekosistemleri
Yapay zeka kutudan çıktığı gibi daha fazla araca erişebilecek. İstem mühendisliği orkestrasyona kayacak—sadece nasıl değil, ne zaman neyi kullanacağını bilmek.
Çok Modlu Entegrasyon
İstemler giderek daha fazla metnin yanı sıra resimler, ses, video ve yapılandırılmış veriler içerecek. Çok modlu görevler için yeni kalıplar ortaya çıkacak.
Ajan Karmaşıklığı
Ajanlar daha uzun, daha karmaşık görevleri ele aldıkça, istem mühendisliği daha çok sistem tasarımı gibi olacak—sadece talimatlar değil, mimari.
Gelecek İçin Tavsiyem
Temellere odaklanın. Bu rehberdeki belirli teknikler evrilecek, ancak altta yatan ilkeler—net iletişim, açık beklentiler, yapılandırılmış düşünme, yinelemeli iyileştirme—zamansızdır. Bunlarda ustalaşırsanız, sonra ne gelirse gelsin uyum sağlarsınız.
Son Düşünceler
İki yıl önce, yapay zekanın net iletişim kurma ihtiyacını ortadan kaldıracağını düşünmüştüm. Tamamen yanılmışım. Yapay zeka net iletişimi her zamankinden daha değerli hale getirdi. Yapay zeka ile başarılı olan insanlar sihirli kelimeleri bulanlar değil; kendilerini kesinlikle ifade etmeyi ve düşünmeyi öğrenenlerdir.
İstem mühendisliği aslında yapay zeka ile ilgili değildir. Sizinle ilgilidir. Aslında ne istediğinizi ifade etme disiplinini, ona doğru yineleme sabrını ve çalışmayandan öğrenme alçakgönüllülüğünü geliştirmekle ilgilidir.
Bu rehberden tek bir şey alacaksanız, bu olsun: Her istemi net düşünme pratiği yapma şansı olarak görün. Yapay zeka sadece kendi zihninizin netliğini—veya karışıklığını—geri yansıtan bir aynadır.
Yapay zekanın ortaya çıkışı bilgiyi modası geçmiş kılmadı—merakı her zamankinden daha güçlü hale getirdi. Artık zaten bildiklerimizle sınırlı değiliz. Doğru araçlar ve düşünme istekliliği ile, sıradan insanlar bir bilgi okyanusunu kucaklayabilir. Meslek ne olursa olsun. Yaş ne olursa olsun. Bu yolculuğu dünyanın dört bir yanındaki arkadaşlarla paylaşmayı umuyorum. Birlikte, bu yeni dünyayı karşılayalım. Birlikte, büyüyelim.
Tartışma
0 yorumYorum bırak
Bu makale hakkında düşüncelerinizi paylaşan ilk siz olun!