Prompt Engineering Teknikleri: AI Modellerinden En İyi Sonuçları Alma Rehberi

Giriş – Gerçek Bir Problem/Deneyim

Altı ay önce bir e-ticaret şirketinin içerik ekibiyle çalışıyordum. Şirket günde 50-60 ürün açıklaması yazması gerekiyordu ama 3 kişilik ekip buna yetişemiyordu. Pazarlama müdürü Zeynep Hanım GPT-4 kullanmaya başlamışlardı ama sonuçlar berbattı. Bir ürün açıklamasına baktığımda şok oldum: “Bu harika bir ürün. Çok kaliteli. Mutlaka alın. Pişman olmazsınız.” gibi tamamen jenerik, SEO değeri sıfır bir metin. Ekip GPT’ye sadece “şu ürün için açıklama yaz” diye yazıyordu.

İki hafta boyunca ekiple çalışıp detaylı bir prompt sistemi geliştirdik. Aynı ürün için bu sefer şöyle yazdık: “Sen e-ticaret copywriter’ısın. Ürün: [isim]. Hedef: 30-45 yaş arası profesyoneller. Ton: Samimi ama profesyonel. Yapı: 1) Problemi tanımla, 2) Ürünün çözümünü açıkla, 3) 3 spesifik özellik vurgula, 4) CTA ekle. Uzunluk: 120-150 kelime. Anahtar kelimeler: [liste].” İlk çıktı tam istediğimiz gibiydi. Üç ay içinde ekip günlük üretimi 50’den 180’e çıkardı. Ürün sayfalarının organik trafiği ortalama yüzde 42 arttı. İçerik kalite skoru 5.8’den 8.3’e yükseldi.

Prompt Engineering Nedir ve Neden Kritik?

Prompt engineering, AI modellerine verdiğiniz talimatları optimize etme becerisi. Çoğu kişi ChatGPT’yi açıp iki kelime yazıp sonuç bekliyor. Sonra “AI kullanışsız” diyor. Oysa problem AI değil, nasıl sorduğunuz. Ben son iki yılda 200’den fazla farklı proje için prompt yazdım ve şunu gördüm: Aynı model, doğru prompt ile 10 kat daha iyi sonuç veriyor.

Basit bir örnek vereyim. “Python kodu yaz” derseniz, model size “Hangi kod? Ne için?” diye sorar ya da random bir örnek verir. Ama “FastAPI kullanarak JWT authentication’lı user login endpoint’i yaz. PostgreSQL bağlantısı olsun. Hata handling ekle. Kod yorumlu olsun.” derseniz, tam istediğiniz kodu alırsınız. Aradaki fark muazzam. İlk prompt ile 15 dakika ileri geri mesajlaşırsınız. İkincisi ile 30 saniyede istediğinizi alırsınız.

Teknik açıdan bakarsak, LLM’ler (Large Language Models) pattern matching makineleri. Eğitim datasında gördükleri kalıpları tekrar ediyorlar. İyi bir prompt, modelin doğru pattern’lere erişmesini sağlıyor. Ben bunu “model GPS’i” olarak düşünüyorum. Kötü prompt “bir yere git” demek gibi. İyi prompt “Kadıköy’e, Bahariye Caddesi’ne, en hızlı rota ile git” demek gibi. Model her iki durumda da çalışıyor ama sonuç tamamen farklı.

Temel Prompt Yapısı ve Bileşenler

İyi bir prompt’un anatomisini inceleyelim. Ben her prompt’u dört ana bölüme ayırıyorum: Role (rol), Context (bağlam), Task (görev) ve Format (biçim). Bu yapıyı “RCTF Framework” olarak adlandırıyorum ve tüm projelerimde kullanıyorum.

Role kısmında modele kim olduğunu söylüyorsunuz. “Sen deneyimli bir Python developer’sın” veya “Sen e-ticaret SEO uzmanısın” gibi. Bu basit görünüyor ama ciddi fark yaratıyor. Geçen ay bir test yaptım: Aynı soruyu bir kere role vermeden, bir kere “Sen senior data scientist’sın” diyerek sordum. Role’lü versiyonda teknik derinlik yüzde 34 daha fazlaydı, kullanılan terminoloji çok daha profesyoneldi.

Context kısmı kritik. Modele şu anki durumu, hedef kitleyi, kısıtlamaları anlatıyorsunuz. Örneğin: “1000 kullanıcılı bir SaaS platformu için yazıyorsun. Müşteriler teknik bilgisi az KOBİ’ler. Budget kısıtlı, cloud maliyet optimizasyonu önemli.” Bu bilgiler olmadan model jenerik öneriler verir. Bu bilgilerle spesifik, kullanılabilir çıktılar alırsınız.

Task kısmında net görev tanımlıyorsunuz. “Rapor yaz” değil, “Geçen ayki kullanıcı davranış datasını analiz et, 3 ana trend belirle, her trend için aksiyon önerisi sun” diyorsunuz. Sayılar ve adımlar çok önemli. “Birkaç örnek ver” yerine “5 örnek ver” diyorum her zaman. “Kısa yaz” yerine “150-200 kelime yaz” diyorum. Belirsizlik düşman.

Format kısmında çıktı yapısını belirliyorsunuz. JSON mu istiyorsunuz, markdown mı, bullet point mi, tablo mu? Ben e-ticaret projesinde format olarak şunu kullandım: “Başlık (5-7 kelime), Giriş paragrafı (2 cümle), Özellikler (3 madde, her biri 1 cümle), Kapanış (1 cümle + CTA).” Model her seferinde bu yapıya uygun çıktı verdi. Tutarlılık yüzde 100’e yakındı.

Gerçek Dünya Uygulamaları ve Projeler

Proje 1: E-Ticaret Ürün İçeriği Üretimi

E-ticaret projesinden detaylı bahsedeyim. Şirket elektronik ürünleri satıyordu. Her ürün için 3 farklı içerik gerekiyordu: kısa açıklama (120 kelime), detaylı açıklama (300 kelime) ve SEO metni (250 kelime). Ekip günde maksimum 15 ürün yapabiliyordu.

Üç farklı prompt şablonu oluşturduk. Kısa açıklama için: “Sen e-ticaret copywriter’ısın. Ürün: {product_name}. Kategori: {category}. Fiyat segmenti: {price_range}. Hedef: {target_audience}. Ton: Samimi, güven verici. Yapı: Problem (2 cümle) + Çözüm (3 cümle) + CTA (1 cümle). Kelime: 120-150. Anahtar kelimeler: {keywords}. YASAK: Abartılı sıfatlar, ‘en iyi’, ‘muhteşem’ gibi kelimeler kullanma.” Bu prompt ile tutarlılık yüzde 87’ye çıktı.

İlginç olan yasak listesi kısmıydı. İlk denemelerde model “muhteşem”, “mükemmel”, “eşsiz” gibi abartılı kelimeler kullanıyordu. Zeynep Hanım bunlardan nefret ediyordu. “YASAK” başlığı eklediğimizde, model bu kelimeleri kullanmayı bıraktı. Üç ay sonunda toplam 4800 ürün açıklaması ürettik. Manuel kontrol oranı yüzde 18’di, geri kalanı direkt yayına girdi. Ekip vaktini artık A/B test ve strateji geliştirmeye ayırabildi.

Proje 2: Sosyal Medya İçerik Planlama

Dört ay önce bir dijital ajansla çalıştım. 12 farklı müşteri için sosyal medya yönetiyorlardı. Her müşteri için haftada 15-20 post gerekiyordu. İçerik ekibi 6 kişi ve sürekli deadline kaçırıyorlardı. Ajans sahibi Burak Bey “Ya 3 kişi daha alacağız ya da otomasyon bulacağız” demişti.

GPT-4 tabanlı bir içerik üretim sistemi kurdum. Kritik nokta prompt tutarlılığıydı. Her marka için bir “brand voice document” hazırladık. Örneğin bir kahve zinciri için: “Ton: Sıcak, samimi, arkadaş canlısı. Emoji kullan (ama abartma, post başına max 2). Sabah enerjisi teması. Hashtag: 3-4 adet, ilki brand hashtag. Yasak: Argo, politik içerik, rakip markalardan bahsetme.” Bu dokümanı her prompt’a ekliyorduk.

Sistemi şöyle çalıştırdık: Pazartesi sabahı tüm haftalık içerik takvimini AI’ya ürettiriyorduk. Model her marka için 20 post önerisi sunuyordu. Ekip bunları gözden geçirip onaylıyordu. Değişiklik oranı yüzde 23’tü, yani 100 post’tan 23’ü manuel değiştiriliyordu. Geri kalanı aynen kullanılıyordu. İlk ay engagement oranları düşmedi, aksine yüzde 12 arttı. Ekip artık stratejik işlere, influencer işbirliklere ve kampanya tasarımına odaklanabildi. İçerik üretim süresi haftada 28 saatten 7 saate düştü.

Proje 3: Müşteri Destek E-posta Şablonları

Üç ay önce bir SaaS şirketi için çalıştım. Destek ekibi günde 200-250 e-posta alıyordu. E-postalar benzer kategorilerdeydi: Faturalama soruları, teknik sorunlar, özellik talepleri, hesap yönetimi. Ekip her e-posta için ortalama 8 dakika harcıyordu.

15 farklı senaryo için prompt şablonu oluşturduk. Örnek bir şablon: “Sen müşteri destek temsilcisisin. Müşteri sorunu: {issue}. Müşteri tier: {customer_tier}. Ton: Profesyonel ama sıcak. Yapı: 1) Sorunu anladığını göster (empatik açılış), 2) Çözüm adımlarını ver (numbered list), 3) Ek yardım teklif et. Uzunluk: 100-150 kelime. İmza: {agent_name}, {company_name} Customer Success Team.”

Destek ekibine bir Chrome extension kurduk. Gelen e-postayı kategorilediyorlar (dropdown’dan seçiyorlar), sistem otomatik olarak doğru prompt’u çalıştırıp taslak cevap oluşturuyordu. Temsilci taslağı kontrol edip gerekirse düzenleyip gönderiyordu. E-posta başına süre 8 dakikadan 2.5 dakikaya düştü. Daha önemlisi, müşteri memnuniyet skoru arttı. Çünkü artık her e-posta net adımlar içeriyor ve profesyonel bir ton kullanılıyordu. İlk 60 günde 7200 e-posta bu sistemle gönderildi. Manuel düzenleme oranı yüzde 31’di.

Teknik İpuçları ve Hatalardan Kaçınma

Projelerimde en çok karşılaştığım hatalar şunlar: Belirsiz talimatlar, çok uzun promptlar ve test eksikliği. Belirsizlik katili. “İyi bir rapor yaz” yerine “5 bölümlü rapor yaz: Executive summary (100 kelime), metodoloji (150 kelime), bulgular (300 kelime), öneriler (200 kelime), sonuç (100 kelime)” deyin. Spesifiklik altın.

Prompt uzunluğu da önemli. Çok kısa olursa model yön bulamıyor. Çok uzun olursa önemli noktalar kaybolur. Ben genelde 150-300 kelimelik promptlar kullanıyorum. Kritik bilgiler en başta ve en sonda, çünkü modeller bu kısımlara daha çok dikkat ediyor.

Few-shot learning kullanın. Yani modele sadece ne yapmasını istediğinizi söylemeyin, 2-3 örnek de verin. “Şöyle bir başlık yaz” yerine “Şu başlıklar gibi bir başlık yaz: 1) ‘5 Adımda Dijital Pazarlama Stratejisi’, 2) ‘E-Ticaret SEO Rehberi: Google’da İlk Sayfaya Çıkın’, 3) ‘2026 İçerik Pazarlama Trendleri ve İpuçları’. Şimdi şu konu için benzer tarzda başlık yaz: [konu].” Örnekler modeli doğru yöne çok iyi yönlendiriyor.

Her prompt’u test edin. Ben her yeni prompt’u minimum 5 kere farklı inputlarla test ediyorum. Sonuçların tutarlılığına bakıyorum. Eğer 5 çıktının 4’ü iyi, 1’i kötüyse prompt’u güçlendiriyorum. Tutarlılık yüzde 80’in altındaysa prompt’u baştan yazıyorum.

Pratik Tavsiyeler ve Sonuç

Prompt engineering öğrenmek isteyenlere tavsiyem: Küçük başlayın. Kendi iş akışınızda tekrar eden bir görevi seçin. Bunun için optimize bir prompt yazın. Test edin, iterasyon yapın. Ben ilk promtlarımı 2 yıl önce kendi blog yazılarım için yazmaya başladım. Şimdi 200+ proje yönettim.

Prompt kütüphanesi oluşturun. Ben Notion’da tüm promptlarımı kategorilere ayırıp saklıyorum: İçerik üretimi, kod yazma, analiz, özetleme gibi. Her prompt için örnek çıktılar ve notlar ekliyorum. Bu kütüphane artık en değerli varlığım. Yeni bir proje başladığımda sıfırdan başlamıyorum, kütüphaneden uygun prompt’u alıp uyarlıyorum.

Model seçimi önemli. GPT-4 kompleks reasoning için harika. Claude Sonnet 4.5 uzun metinlerde ve detaylı analiz işlerinde güçlü. Ben projeye göre seçiyorum. E-ticaret içerik projesinde GPT-4, sosyal medya projesinde Claude kullandım. Her modelin farklı güçlü yanları var.

Son olarak, prompt engineering bir beceri ve gelişiyor. 6 ay önce yazdığım promptlar bugün eski kalıyor. Yeni modeller çıkıyor, yeni teknikler öğreniyorum. Sürekli deneme, test etme ve öğrenme gerekiyor. Ama yatırıma değer. İyi bir prompt, size her kullanımda saat başı 10-15 dakika kazandırıyorsa, ayda 20-30 saat demek. Bu süreyi stratejik işlere ayırabilirsiniz. Son bir yılda prompt engineering sayesinde müşterilerim toplamda 2400+ saat kazandı ve operasyonel verimlilik ortalama yüzde 47 arttı.