Prompt mühendisliği rehberi: 2026'da hâlâ işe yarayan 7 teknik

Prompt mühendisliği, bir dil modelinin ihtiyacın olan çıktıyı ilk ya da ikinci denemede üretmesi için talimat ve bağlam yazma pratiğidir. Bu rehberde güncel modellerde hâlâ önemli olan teknikleri, öncesi ve sonrası örnekleriyle, tekrar kullanılabilir bir şablonla ve prompt'ları tahmin yerine test ederek geliştirmenin bir yoluyla anlatıyoruz.

2026'da prompt mühendisliği nedir?

Prompt mühendisliği (prompt engineering), bir dil modelinin istediğin çıktıyı üretmesini sağlayan talimatları, bağlamı ve örnekleri yazmaktır. Anthropic, OpenAI ve Google'ın güncel modellerinde iş artık akıllıca ifadeler bulmaktan çok net bir iş tanımı vermekle ilgili: görev ne, kimin için, iyi sonuç neye benzer ve cevap nasıl şekillenmeli.

İlk rehberler hilelerle doluydu: "derin bir nefes al", "200 dolar bahşiş alacaksın", ayrıntılı karakterler. Modeller o kadar gelişti ki bu hilelerin çoğu güncel modellerde sonucu nadiren değiştiriyor. Kaliteyi hâlâ artıran şey, yeni bir iş arkadaşının iyi iş çıkarmasını sağlayan şeyle aynı: yeterli bağlam ve kesin bir istek.

Anthropic'in prompt rehberi bunu şöyle anlatıyor: modeli, senin kurallarınla ilgili bağlamı olmayan parlak bir yeni çalışan gibi düşün. Rehberin "altın kuralı", prompt'unu çok az bağlamı olan bir iş arkadaşına göstermek: o kafası karışacaksa model de karışacaktır. Bu test tek başına zayıf prompt'ların çoğunu düzeltir.

Rehberin geri kalanı yedi tekniği, kabaca onlara başvurman gereken sırayla, ve tekrar kullanılabilir bir şablonu anlatıyor.

Belirsiz prompt'lar neden genel geçer cevaplar verir?

Belirsiz prompt'lar genel geçer cevaplar verir, çünkü model her boşluğu istatistiksel olarak en ortalama seçimle doldurur. Hedef kitleyi söylemezsen herkes için yazar. Uzunluğu söylemezsen orta bir uzunluk seçer. Nelerden kaçınacağını söylemezsen alışılmış dolgu cümlelerini ekler.

Şu iki isteği karşılaştır:

Write a product announcement for our new feature.

Write a 150-word product announcement for our changelog page.Feature: scheduled exports. Users can now schedule a CSV export of any reportto run daily or weekly and land in their email.Audience: operations managers at mid-size logistics companies who already usethe reports page. They care about saving manual work, not about how it works.Tone: plain and factual, like a release note from Linear or Stripe. Noexclamation marks, no "we're excited to announce".End with one sentence on where to find the setting: Reports > Schedule.

İkinci prompt daha uzun, ama her satırı bir tahmini ortadan kaldırıyor. İşin özü bu. Aşağıdaki tekniklerden birini eklemeden önce prompt'unun beş soruyu cevapladığından emin ol: ne, kimin için, neden, hangi biçimde ve ne uzunlukta. Örnekleri İngilizce verdik; aynı yapı Türkçe prompt'larda da aynen çalışır.

1. Modele ne kadar bağlam vermelisin?

Modele, yetenekli bir dışarıdan birinin görevi iyi yapması için ihtiyaç duyacağı bağlamı ver; kısıtlarının arkasındaki nedeni de ekle. Bir kuralın neden var olduğunu açıklamak, modelin onu senin öngörmediğin durumlara da mantıklı biçimde uygulamasını sağlar.

Anthropic'in belgeleri bunu bir biçim kuralıyla gösteriyor. "ASLA üç nokta kullanma", "Cevabın bir metinden sese motoruyla sesli okunacak, bu yüzden asla üç nokta kullanma, çünkü motor onları nasıl telaffuz edeceğini bilmez" ifadesinden daha kötü çalışır. İkinci sürüm modele hangi sorunu çözdüğünü söyler; böylece model bir ses motorunun takılacağı başka şeylerden de kaçınır.

Eklemeye değer bağlam:

• Hedef kitle ve onların zaten bildikleri.
• Görevin arkasındaki amaç (bu çıktının desteklediği karar).
• Nedenleriyle birlikte kısıtlar (hukuki ifadeler, marka kuralları, uzunluk sınırları).
• Kaynak malzeme: cevabın dayanması gereken belge, veri ya da kod.
• Daha önce ne denediğin ve neden işe yaramadığı.

Tek bir istekten büyük işlerde, modelin context window'una neyin girdiğini yönetmek başlı başına bir disiplin haline gelir. Context mühendisliği rehberimiz bellek dosyalarını, bilgi getirmeyi ve uzun oturumları yolunda tutmayı anlatıyor.

Rol prompt'ları hâlâ işe yarıyor mu?

Kısa bir rol, özellikle system prompt'ta, tonu, kelime dağarcığını ve ayrıntı düzeyini belirlemeye hâlâ yardım eder. Modeli daha akıllı yapmaz; bu yüzden işi rolün yapmasını beklemek yerine onu gerçek bağlamla birlikte kullan.

"Sen kıdemli bir mali müşavirsin" ifadesi çıktıyı kesin terimlere ve temkine doğru kaydırır. "Sen, ilk kez serbest meslek beyannamesi verecek ve daha önce hiç beyanname vermemiş bir serbest çalışana seçeneklerini anlatan kıdemli bir mali müşavirsin" çok daha iyidir, çünkü bu cümlenin çoğu okuyucuyla ilgili bağlamdır.

Rolü nereye koymalı:

2. Örnekleri (few-shot prompting) ne zaman kullanmalısın?

Çıktının biçimi, tonu ya da yapısı olgulardan daha önemli olduğunda örnek kullan. Birkaç somut örnek, bir modeli "kısa" ya da "profesyonel" gibi sıfat listelerinden çok daha güvenilir biçimde yönlendirir.

Anthropic, gerçek kullanım senaryona uygun ve modelin tesadüfi bir kalıbı kopyalamayacağı kadar çeşitli 3 ila 5 örnek öneriyor. Tüm örneklerin 40 kelimeyse ve bir fiille başlıyorsa, her çıktının da aynısını yapmasını bekle. OpenAI'ın rehberi de aynı tavsiyeyi veriyor: istediğin çıktılarla birlikte çeşitli girdiler göster.

Örnekleri, modelin onları talimatlardan ayırabileceği şekilde sar:

Classify each support ticket as billing, bug, feature_request or other.Reply with the label only.<examples><example>Ticket: I was charged twice this month.Label: billing</example><example>Ticket: The export button does nothing in Safari.Label: bug</example><example>Ticket: Could you add dark mode to the dashboard?Label: feature_request</example><example>Ticket: Do you have an office in Berlin?Label: other</example></examples>Ticket: {{ticket_text}}Label:

3. Uzun bir prompt nasıl yapılandırılır?

Uzun bir prompt'u, her içerik türünü kendi etiketli bölümüne koyarak yapılandır; böylece talimatlar, referans malzemesi, örnekler ve asıl girdi birbirine karışmaz. XML tarzı etiketler Claude ile iyi çalışır; Markdown başlıkları çoğu modelle iyi çalışır.

OpenAI, kimlik, talimatlar, örnekler ve bağlam bölümleri olan, genelde bu sırayla ilerleyen bir developer message öneriyor. Anthropic ise <instructions>, <context> ve <input> gibi tutarlı, açıklayıcı etiket adları öneriyor; içerik hiyerarşikse etiketler iç içe geçebilir.

Uzun belgelerde yerleşim de önemli. Anthropic'in rehberi uzun malzemeyi (20.000 token ve üstü) prompt'un en üstüne, soruyu sona koymayı söylüyor ve karmaşık, çok belgeli girdilerle yaptığı testlerde sondaki soruların cevap kalitesini yüzde 30'a kadar artırabildiğini bildiriyor.

<documents>  <document index="1">    <source>q3_board_deck.pdf</source>    <document_content>{{DECK}}</document_content>  </document>  <document index="2">    <source>customer_interviews.md</source>    <document_content>{{INTERVIEWS}}</document_content>  </document></documents>First, copy the quotes from both documents that relate to churn into <quotes>tags. Then, using only those quotes, list the three most likely causes of churnin <analysis> tags. If the documents do not support a cause, say so.

Önce alıntı istemek basit bir dayanak adımıdır. Modeli akıl yürütmeden önce kanıtı göstermeye zorlar ve uydurma ayrıntıları azaltır. Yapay zeka halüsinasyonları yazımızda bu sorun için başka teknikler de var.

4. Tam istediğin çıktı biçimi nasıl alınır?

Biçimi açıkça ve olumlu bir dille iste: yapıyı, alanları, uzunluğu ve sırayı söyle. "title, summary ve tags anahtarları olan bir JSON nesnesi döndür", "uzun bir cevap yazma"dan iyidir.

Anthropic'in rehberi burada üç pratik noktaya değiniyor:

1. Neden kaçınacağını değil, ne yapacağını söyle. "Akıcı düzyazı paragraflarıyla yaz", "markdown kullanma"dan daha iyi çalışır.
2. Prompt'unun üslubunu istediğin çıktıya uydur. Madde işaretleri ve kalın yazıyla dolu bir prompt, madde işaretleri ve kalın yazıyla dolu bir cevap davet eder.
3. Makinenin okuyacağı sonuçlar için API'nin yapılandırılmış çıktı özelliklerini kullan. Kodun ayrıştıracağı JSON için yalnızca ifadelere güvenmek yerine structured outputs ya da şemalı tool calling kullan.

Claude API üzerine geliştirme yapıyorsan bilmen gereken bir değişiklik var: asistanın cevabının başını önceden doldurmak (JSON'u zorlamak ya da giriş cümlelerini atlamak için yaygın bir hile) Claude 4.6 ve sonraki modellerde artık desteklenmiyor; bu istekler hata döndürüyor. Anthropic'in geçiş tavsiyesi, biçim kontrolü için structured outputs, geri kalanı için de "Respond directly without preamble" gibi doğrudan bir talimat kullanmak.

5. Modele adım adım düşünmesini söylemeli misin?

Güncel akıl yürütme modellerinde "adım adım düşün" pek bir şey katmaz, çünkü bu modeller cevaplamadan önce zaten akıl yürütür. Onlara hedefi, kısıtları ve sonucu doğrulamanın bir yolunu ver, adımları kendileri seçsin.

OpenAI'ın prompt mühendisliği rehberi farkı bir benzetmeyle anlatıyor: akıl yürütme modelleri hedef verebileceğin kıdemli bir iş arkadaşı gibi, standart GPT modelleri ise açık ve kesin talimatlarla en iyi çalışan genç bir iş arkadaşı gibi. Yani:

• Akıl yürütme modeliyle ya da extended thinking açıkken: sonucu ve nasıl kontrol edileceğini anlat. "Bu testi başarısız yapan hatayı bul, kök nedeni iki cümlede açıkla, sonra en küçük düzeltmeyi öner."
• Hızlı, akıl yürütmeyen bir modelle: sıra önemliyse prosedürü numaralı adımlar halinde yaz.

Anthropic'in rehberi de, model ne olursa olsun, adımların sırası ya da eksiksizliği önemli olduğunda numaralı adımlar öneriyor.

6. Bir prompt'u ne zaman birkaç prompt'a bölmelisin?

Bir görevin her biri tam dikkat isteyen ayrı aşamaları varsa (araştırma, sonra taslak plan, sonra yazım, sonra inceleme) görevi bir prompt zincirine böl. Her adım odaklı bir prompt alır ve adımlar arasında çıktıyı inceleyip düzeltebilirsin.

Bir içerik örneği:

1. Çıkar: "Bu görüşme dökümlerinden her sorunu doğrudan bir alıntıyla listele."
2. Grupla: "Bu sorunları 4 ila 6 temada topla. Her temaya beş kelimeden kısa bir ad ver."
3. Yaz: "Ürün ekibi için her temaya bir bölüm ayıran 600 kelimelik bir özet yaz."
4. İncele: "Bu özeti orijinal alıntılarla karşılaştır. Alıntıların desteklemediği her iddiayı işaretle."

Zincirlemenin asıl kazancı inceleme adımında. Bitmiş bir taslağı kaynaklarla karşılaştıran bir model, yazarken yaptığı hataları yakalar.

Aynı fikir, döngü içinde planlayan, uygulayan ve kontrol eden kodlama agent'larını da yönlendiriyor. Claude Code ya da Codex gibi araçlar için görev yazıyorsan, kabul kriterleri içeren bir şartname şablonu için yapay zeka kodlama agent'larına nasıl görev yazılır yazımıza bak.

7. Bir prompt nasıl test edilir ve geliştirilir?

Bir prompt'u kodu test ettiğin gibi test et: sabit bir gerçek girdi setinde çalıştır, çıktıları yazılı kriterlere göre değerlendir, tek bir şeyi değiştir ve yeniden çalıştır. Tek bir iyi cevap hiçbir şey kanıtlamaz; çeşitli girdilerde on iyi cevap ise kanıttır.

Hem Anthropic hem OpenAI değerlendirmeyi en başa koyuyor. Anthropic'in genel bakışı, prompt'u ayarlamadan önce net başarı kriterleri ve onlara karşı test etmenin bir yoluyla başlamayı söylüyor. OpenAI ise prompt davranışını ölçen test paketleri kurmayı, üretim prompt'larını kod tabanında tutmayı ve davranışın altından kaymaması için üretim uygulamalarını belirli bir model snapshot'ına sabitlemeyi öneriyor.

Hiçbir araç gerektirmeyen hafif bir rutin:

1. İki üç zorlu uç durum dahil 10 ila 20 gerçek girdi topla.
2. 3 ila 5 geçti/kaldı kriteri yaz ("120 kelimenin altında", "iade süresinden bahsediyor", "uydurma fiyat yok").
3. Prompt'u her girdide çalıştır ve her çıktıyı puanla.
4. Tek bir şeyi değiştir (bir örnek, bir kısıt, bölümlerin sırası).
5. Her şeyi yeniden çalıştır ve puanları karşılaştır. Değişikliği yalnızca puan artıyorsa tut.

Prompt'ların büyüdükçe maliyet önem kazanıyorsa, sağlayıcının prompt caching özelliğinin yeniden kullanabilmesi için sabit içeriği (talimatlar, örnekler, referans belgeler) başa koy. LLM API maliyetlerini azaltma rehberimiz caching'i ve model yönlendirmeyi ayrıntılı anlatıyor.

Tekrar kullanılabilir bir prompt şablonu

İyi bir varsayılan şablonun beş parçası var: rol ve hedef kitle, görev, bağlam, çıktı biçimi ve kontroller. Geçerli olanları doldur, gerisini sil.

<role>You are a {{role}} writing for {{audience}}, who already know {{what they know}}.</role><task>{{One or two sentences: what to produce and the decision or action it supports.}}</task><context>{{Background, source documents, constraints and the reason for each constraint.}}</context><examples>{{2 to 5 examples of good output, if format or tone matters.}}</examples><output_format>{{Structure, length, fields or headings, and what to do if information is missing.}}</output_format><checks>Before answering, verify that: {{2 or 3 concrete checks, e.g. every numbercomes from the context; the answer is under 200 words}}.</checks>

Bu kalıpla hazırlanmış, yazma, analiz, e-posta ve planlama için hazır prompt'lar istiyorsan iş için ChatGPT prompt'ları koleksiyonumuza bak; Claude ve Gemini'de de çalışırlar. ChatGPT'ye yeni başlıyorsan önce ChatGPT nasıl kullanılır rehberimizi okuyabilirsin.

Prompt'larını bugün nasıl geliştirmeye başlarsın?

Bu hafta daha iyi sonuç almak için bir kursa ihtiyacın yok. Sık kullandığın bir prompt'u seç ve bu listeyi uygula:

• İş arkadaşı testini yap: akıllı bir dışarıdan biri tam olarak ne istediğini anlar mı?
• Hedef kitleyi, amacı ve her kısıt için bir nedeni ekle.
• Sıfatları ("profesyonel", "ilgi çekici") iki üç örnekle değiştir.
• Talimatları malzemeden etiketler ya da başlıklarla ayır, uzun belgeleri sorunun üstüne taşı.
• Çıktıyı tanımla: yapı, uzunluk ve bilgi eksikse ne yapılacağı.
• Prompt'u bir dosyaya kaydet, on gerçek girdiyle test et ve her seferinde tek bir şeyi değiştir.

Prompt'ların kodlama agent'ları için uzun görevlere dönüştüğünde aynı kurallar geçerli, bir ek kaygıyla: agent'ın sen laptop'unu kapattıktan sonra çalışmaya devam edeceği bir yere ihtiyacı var. Orkio, Claude Code gibi agent'ları her zaman açık bir bulut kutusunda çalıştırır; iyi tanımlanmış bir görev gece boyunca bitip seni bir pull request olarak bekleyebilir.

Sık sorulanlar