AI PROMPT İÇİN FORMAT ŞABLONU KURMAK

"Bu prompt geçen sefer çalışıyordu, bugün neden farklı sonuç verdi?" Pazarlama, içerik, yazılım ekiplerinin son iki yılda en sık tekrarlanan sorularından biri. Cevap genelde aynı: prompt aynı görünüyor ama farklı bir şey değişmiş — bağlam eklenmemiş, örnek atlanmış, kısıtlar belirtilmemiş, çıktı yapısı tanımlanmamış.

AI modellerinden tutarlı sonuç almak şans değildir. Doğru prompt format şablonunu kurmak; aynı görevi 50 kez tekrar yaparken her seferinde aynı kalitede çıktı almak demektir. Şablon, ekip içinde paylaşılabilir bir varlığa, kuruma değer üreten bir araca dönüşür.

İyi bir format şablonu birkaç bloktan oluşur: rol, bağlam, görev, kısıtlar ve çıktı biçimi. Blokların ne işe yaradığı ve hangi sırayla kurulduğu anlaşıldığında, aynı şablon rapor özetinden kod incelemesine her senaryoya uyarlanabilir hâle gelir.

Şablon Neden Gerekli

Tek seferlik bir görev için "bana bir blog yazısı yaz" yazabilirsin. Ama aynı görev haftada 10 kez tekrarlanacaksa her seferinde sıfırdan yazmak kalite, hız ve tutarlılık açısından kayıp:

• Tekrar tekrar bağlam yazmak zaman kaybı.
• Her seferinde farklı kelimeleri unutmak farklı çıktılar üretir.
• Ekip içinde aynı görev için 5 farklı prompt biçimi olur; kalite tutarsız.
• Yeni ekip üyesi prompta nasıl başlayacağını bilemez.
• İyi sonuç veren prompt nasıl ortaya çıktı tekrar edilemez.

Prompt şablonu bu sorunların hepsini çözer. Şablon = "bu görev için her zaman böyle başlanır" demek. Kalite zemini garanti altına alınır; gerekirse üzerine küçük adaptasyonlar yapılır.

Şablonun Beş Temel Bloğu

İyi bir prompt şablonu bu beş bloğu içerir, sırayla:

1. Rol (Role): Model hangi uzman gözüyle bakacak. "Sen 10 yıl deneyimli bir e-ticaret pazarlama uzmanısın."
2. Görev (Task): Ne yapması istendiği net olarak. "Bu ürünü için bir Instagram caption yaz."
3. Bağlam (Context): Görevle ilgili tüm arka plan bilgisi. Marka, hedef kitle, mevcut tonu.
4. Kısıtlar (Constraints): Sınırlar — uzunluk, ton, kullanılacak/kaçınılacak kelimeler, format.
5. Örnek (Example): İdeal çıktıya yakın bir örnek (varsa).
6. Çıktı yapısı (Output format): Sonuç hangi formatta dönmeli — JSON, markdown, sade metin, kategorize liste.

Bu altı blokun her görevde altısı da olmak zorunda değil; ama hangisinin atlandığı bilinçli karar olmalı. Sistem ve kullanıcı mesajlarının bu blokları nasıl taşıdığı, resmi geliştirici dokümantasyonunda örneklerle gösterilir. Şablon listesinde her bloğun yeri var; gerekmediğinde boş bırakılır.

Rol — Modele Kim Olduğunu Söyle

"Rol vermek" basit ama etkili. Model hangi uzmanlık alanında ne tarz cevap vereceğini ayarlar:

"Sen 15 yıl deneyimli bir teknik içerik yazarısın.
Karmaşık teknik konuları sade Türkçe ile geliştiricilere anlatırsın.
Örnek ve kod parçaları kullanırsın, soyut açıklamalardan kaçınırsın."

Rol verme tonu, derinliği, terminoloji seçimini etkiler. Roller doğru seçildiğinde sonuç doğal bir uzmanın yazdığı kadar olgun olur; rol verilmediğinde generic ChatGPT tonu kaçınılmaz.

Tipik rol örnekleri:

• "Sen kıdemli bir React geliştiricisin..."
• "Sen B2B SaaS pazarlama uzmanısın..."
• "Sen pratik bir editörsün..."
• "Sen veri analistisin..."
• "Sen bir SEO denetçisisin..."

Rol ne kadar spesifikse cevap o kadar fokuslu olur. "Sen bir yazarsın" değil, "Sen 10 yıllık tecrübeli iletişim danışmanısın".

Görev — Eylemi Net Yaz

Modele "bir şeyler yap" demek belirsizdir; spesifik eylem fiili kullan:

• Üret: "Bu konu için 5 alternatif başlık üret."
• Düzenle: "Bu metni 200 kelimeye düşür ve daha samimi yap."
• Çevir: "Bu içeriği Türkçe'ye çevir, yerel kültürel referansları uyarla."
• Analiz et: "Bu müşteri yorumunu duygusal tonu ve ana şikayeti açısından analiz et."
• Karşılaştır: "Bu iki yaklaşımı avantaj-dezavantaj olarak karşılaştır."
• Özetle: "Bu makaleyi 3 paragrafta özetle."
• Yeniden yaz: "Bu paragrafı daha resmi tonla yeniden yaz."
• Listele: "Bu probleme ait 7 yaygın çözüm yöntemi listele."

"Bana bir şey ver" yerine "5 alternatif üret" kullanmak modele kararı netleştirir; çıktının formatı kendiliğinden belirlenir.

Bağlam — Arka Plan Bilgisi

Model senin durumunu bilmez. Verdiğin her bilgi sonucun kalitesini artırır:

"Bağlam:
Marka: Bonus ofis mobilyaları üreten orta segment bir firma.
Hedef kitle: 25-45 yaş, kurumsal alıcılar, satın alma yöneticisi profili.
Bu ürün: yüksekliği elektrik motoruyla ayarlanabilen masa, 12.000 TL.
Mevcut iletişim tonu: profesyonel ama sıcak, jargon az."

Bağlam ne kadar zenginse model o kadar isabetli yazar. Ama abartılmamalı; konuyla ilgili olmayan detay confusion yaratır. "İlgili" kavramı önemli.

Hangi bilgi ilgilidir? Görevi etkileyen herhangi bir şey:

• Marka tonu / kimliği
• Hedef kitle profili
• Önceki içeriklerle ilişki
• İlgili rakip yaklaşımı
• Kullanılması gereken anahtar mesajlar
• Yayınlanacağı platform / mecra

Kısıtlar — Sınırları Çiz

"Kısıt" model için en değerli bilgi türlerinden biri. "Yapma" listesi "yap" listesinden bazen daha güçlü:

"Kısıtlar:
- Maksimum 80 kelime.
- 'Stratejik', 'sinerji', '360 derece' gibi klişe kelimeler yasak.
- Pasif çatı kullanma; aktif fiillerle yaz.
- En az 1 somut sayı veya istatistik içermeli.
- Emoji kullanma.
- Soru ile bitmesin, eyleme davet edici net bir cümle olsun."

Kısıtlar olmadan model güvenli orta noktayı tercih eder; klişe ama "doğru" olan yazılır. Kısıtlar verildiğinde çıktı farklılaşır, markaya özel olur.

Yaygın kısıt kategorileri:

• Uzunluk (kelime, karakter, paragraf sayısı)
• Ton (resmi, samimi, profesyonel, eğlenceli)
• Kaçınılacak kelimeler / kavramlar
• Kullanılması gereken kelimeler / kavramlar (keyword)
• Format / yapı (madde madde, paragraf, başlıklı)
• Dilbilgisi / stil (aktif çatı, kişisel zamir)

Örnek — Modelin Hedef Görmesi

"Şuna benzer bir şey yaz" demek modeli ciddi yönlendirir. Tek bir iyi örnek yüzlerce kelime açıklamadan daha etkili:

"İdeal çıktı örneği:

'Yeni masamızla 47% daha az sırt ağrısı raporu aldık. Çalışanlar gün boyu 3-4 kez ayağa kalkıp oturuyor; ortalama oturma süresi günde 8 saatten 5 saate düştü. 14 günlük deneme isteyebilirsiniz: linkbio'da formumuz var.'

Bu örnekteki tonu, somut sayı kullanımını ve sade Türkçe'yi aynen koru."

One-shot (tek örnek) veya few-shot (3-5 örnek) prompting model performansını ciddi artırır. Özellikle:

• Marka tonu nüanslıysa
• Çıktı belirli bir formatta (JSON, XML, structured) gelmeliyse
• Kompleks bir görevde örnek hedefi netleştirir

Çıktı Yapısı — Nasıl Gelsin

Model'in cevabı sade metin mi, markdown mı, JSON mı, tabular mı? Belirlemediğinde tahmin eder, genelde sade metin döner. Otomatize akışta sorun yaratır:

"Çıktı formatı:
JSON olarak şu yapıyı kullan:
{
  'baslik': 'string, max 60 karakter',
  'aciklama': 'string, 150-160 karakter',
  'anahtar_kelimeler': ['array of 5 strings'],
  'icerik': 'string, html format, <p> ve <h2> tagları kullan'
}"

Çıktı yapısı belirlendiğinde model'in sonucu doğrudan başka bir yazılım sistemine beslenebilir. CMS'e otomatik kayıt, içerik üretim pipeline'ı, A/B test platformu — hepsi tutarlı format ister.

Şablonu Birleştirmek

Yukarıdaki blokları bir araya getirince tipik bir şablon böyle görünür:

[ROL]
Sen 10 yıl deneyimli bir e-ticaret pazarlama uzmanısın.
Doğrudan, ölçülebilir sonuca odaklı yazarsın.

[GÖREV]
Aşağıdaki ürün için Instagram caption üret.

[BAĞLAM]
Marka: {{marka_adi}}
Ürün: {{urun_adi}}
Hedef kitle: {{kitle}}
Ana mesaj: {{mesaj}}

[KISITLAR]
- Maksimum 80 kelime
- Klişe kelimeler yok (stratejik, sinerji, 360)
- En az 1 somut sayı
- Aktif çatı
- Emoji yok
- Eyleme davet edici net cümle ile bitir

[ÖRNEK]
{{ornek_caption}}

[ÇIKTI]
Sade metin, paragraf olarak.

Bu şablonda değişken yerleri ({{...}}) her seferinde doldurulur; geri kalan sabittir. Aynı görev her tekrarda aynı kalitede sonuç verir.

Şablon Kütüphanesi Kurmak

Tek bir şablon yeterli değil. Ekip içinde tipik görevler için şablon kütüphanesi oluşturulur:

• Blog yazısı taslağı şablonu
• Sosyal medya post şablonu (Instagram, LinkedIn, Twitter ayrı)
• E-posta pazarlama şablonu
• Ürün açıklaması şablonu
• Müşteri yorumu özet/analiz şablonu
• SEO meta description şablonu
• Reklam metni şablonu
• İçerik briefi şablonu

Bu şablonları Notion, Airtable veya basit bir Markdown dosyasında topla. Erişilebilir olmalı; yeni ekip üyesi 5 dakikada içeriğe başlayabilmeli.

Şablon İterasyonu

İlk versiyon mükemmel olmaz. Şablon kullanıma giriyor; performans gözlemleniyor; kötü çıkan örnekler analiz ediliyor; şablon iyileştiriliyor.

1. İlk şablon yazılır, 10-20 kez denenir.
2. Başarılı ve başarısız çıktılar incelenir.
3. Başarısız çıktıların nedeni şablona "yapma" maddesi olarak eklenir.
4. Başarılı bir çıktı varsa örnek olarak şablona eklenir.
5. Yeni versiyon test edilir.

Bu döngü ile şablon zamanla olgunlaşır. 6 ay sonra ekibin sahip olduğu şablonlar AI ile etkili çalışmasının asıl varlığı haline gelir.

İleri Düzey: Chain-of-Thought ve Reflection

Karmaşık görevler için temel şablonun üstüne ek katmanlar:

Chain-of-Thought (CoT): Modele "düşünme adımlarını göster" demek. "Cevabı vermeden önce aşağıdaki soruları kendine sor: ..." gibi yapısal düşünce yönlendirmesi. Mantık gerektiren problemlerde sonuç kalitesini ciddi artırır.

Self-reflection: "Cevabı yazdıktan sonra kendin gözden geçir. Kısıtlara uygun mu? İyileştirilecek nokta var mı? Gerekirse revize et." Modelin kendi çıktısını eleştirip düzeltmesi.

Multi-step: Görevi birkaç adıma böl. "Önce 5 alternatif üret, sonra her birini şu kritere göre puanla, sonra en yüksek puanlı olanı 200 kelimeye genişlet." Tek prompttan zincirlemeli sonuç.

Yazılım eğitimi içeriklerinde AI ile etkili çalışma, prompt engineering teknikleri ve otomasyon entegrasyonları işlenir.

Sık Karşılaşılan Yanılgılar

• Çok genel rol: "Bir uzmansın" yerine spesifik uzmanlık alanı belirt.
• Belirsiz görev: "Bir şey üret" yerine eylem fiili kullan.
• Bağlamsız prompt: Modele neyle uğraştığını söylemeden ondan sonuç beklemek.
• Kısıt yokluğu: Klişe kelimelere düşmek, hedef kitleye uyumsuz ton.
• Yapısız çıktı isteği: "Bir blog yazısı yaz" diyerek hangi formatta gelmesi gerektiğini söylememek.
• Tek seferlik prompt: Aynı görevi farklı kelimelerle her seferinde sıfırdan yazmak.
• Örneksiz nüanslı görev: Marka tonu hassas bir görevde bir tane bile örnek vermemek.

Bu hataları görmek bir alışkanlıktır; düzeltmek de. Her seferinde "bu prompttan en iyi sonuç almak için ne eksik" diye sormak şablon disiplinini geliştirir.

Şablon = Kurumsal Varlık

İyi kurulmuş prompt şablonları zamanla ekibin değerli bir varlığı haline gelir. Yeni kişi geldiğinde bir hafta üretkenliği yarım yıl deneyimliyle eşitlenir; çünkü şablon biçiminde aktarılan bilgi var.

Şablon disiplini AI çağında bir takımın hızını, kalitesini ve tutarlılığını belirler. "Bireysel olarak prompt yazıyoruz" diyen ekip, "Ortak şablon kütüphanemiz var" diyen ekibin yarı performansındadır. Bu fark uzun vadede ölçülmez bir avantaj yaratır.