Prompt mühendisliğinin çoğu doğruluğa ve talimatların kapsamına odaklanır. Üretimdeki en büyük kazanımlar, diyaloğun kendisini temel tasarım sorunu olarak ele almaktan gelir.
Tetikleyici-eylem niyetlerini tanımlamak, modele içinden çıkamayacağı bir senaryo vermek yerine nasıl karar vereceğini gösterir. Prompt içindeki konum, başlı başına bir talimattır. Kimlik başa, davranış nüansları ortaya, katı kısıtlar sona konur; gerçekten kritik olan her şey ise hem başta hem sonda yer alır.
Promptu hedeflenen sesi tarif etmek yerine doğrudan o sesle yazmak, yapılabilecek en etkili değişikliklerden biridir.
En tutarlı ajanların promptları, sohbetin farklı anlarını kendine uygun biçimi olan ayrı etkileşimler olarak ele alır; buna rağmen ses, baştan sona fark edilir biçimde aynı kalır.
Bazı durumlarda düşünen ajanlarla konuşan ajanları ayırmak daha tutarlı ve sağlam temellere dayanan yanıtlar üretir, ayrıca iç akıl yürütmenin yanıtlara sızmasını önler.
Daha önce dilbilim ve bilişsel psikoloji alanlarından edinilen içgörülere dayanan yeni bir prompt yazımı paradigması tanıtmıştık. Ajanımızın çalışabileceği, sınırları net çizilmiş bir sorun alanı oluşturmanın önemini ve bu alanın müşteriye dönük yapay zekânın doğasında bulunan diyalog üst görevini nasıl kapsaması gerektiğini ele almıştık.
Şimdi bu ilkeleri üretime taşımaya çalışırken promptlarımızın pratikte nasıl değişmeye başladığına bakacağız.
Canlı ve müşteriye dönük sistemlerde yüzlerce prompt yinelemesi yaptık. En büyük kazanımlar daha fazla talimat eklemekten, örnekleri yığmaktan veya tipik prompt mühendisliği kurallarını izlemekten gelmedi. Asıl kazanımlar, diyaloğu sorunun merkezine yerleştirmekten geldi.
Sürekli keşif ve testler sonucunda bir dizi etkili teknik ortaya çıktı. Bir promptu değiştirip sohbetin nerede başarılı veya başarısız olduğunu gözlemledik; hataları yönlendirmelerin etkinliğine, prompt yapısına ve dili kullanma biçimimize kadar takip ettik. Sonuçta ajanın sohbetteki rolünü yorumlama, sonraki hamlesine karar verme ve değişen bağlamlarda sesini tutarlı biçimde koruma şeklini değiştiren, tekrarlanabilir birkaç kalıp elde ettik.
Aşağıdakiler evrensel bir çerçeve olmadığı gibi prompt yazımı sorununun artık “çözüldüğü” iddiası da değildir. Amaç yalnızca işlevsel doğruluk değil, daha iyi diyalog olduğunda üretimde işe yarayanları beş kalıpta özetler: Bir markayı temsil edecek kadar tutarlı, doğal ve bütünlüklü hissettiren yanıtlar.
Ajan tabanlı bir sistemi yapılandırmanın birçok yolu olsa da çok ajanlı ve orkestrasyonlu iş akışları popülerliğini koruyor. Özellikle bu tür sistemlerde yaptığımız en istikrarlı iyileştirme, düşünen ajanlarla konuşan ajanları birbirinden ayırmak oldu.
Niyet orkestrasyonu, sınıflandırma, bilgi çıkarımı ve araç kullanımı arka planda yürütülen işlemlerdir. Müşteriye dönük yanıtlar ise ön plandadır. Aynı ajan tek turda ikisini de yaptığında iç akıl yürütme ve mantık yanıtlara sızabilir. Yanıtlar çekingen ve gereğinden fazla koşullu hâle gelir ya da kişinin ihtiyaçları yerine sürecin mantığı etrafında şekillenir.
Bu tek kısıt, şaşırtıcı ölçüde çok işe yarar. Yanıtların gerçek sohbete dayanmasını sağlar, bağlamın sıfırlanmasını önler ve “yalnızca farkı sunmak” dediğimiz yaklaşıma daha yakın bir sonuç üretir. Nihayetinde ajan, kullanıcıyı gerçekten ileri taşıyacak en küçük yeni katkıyı sunar.
Hangi türde yanıt verileceğine karar vermek de önemlidir. Konuşan ajandan herhangi bir şey yazmadan önce bir hamle türü seçmesini istemenin (yanıtla, netleştir, yönlendir, beklet) en yaygın diyalog hatasını güvenilir biçimde azalttığını gördük. Bu hata kötü bir anlatım değil, tamamen yanlış bir yanıt vermektir.
En yeni en üst seviye modellerin, doğru koşullarda bu kalıbın temel varsayımını sorgulatmaya başladığını belirtmekte yarar var. Yine de pek çok geliştirici çeşitli nedenlerle daha küçük veya eski modellere güvenmeye devam ediyor. Bu koşullarda arka plandaki işlerle müşteriye dönük işleri ayırmanızı kesinlikle öneriyoruz.
Akıl yürütme yapmayan modellerde az örnekli örnekler işe yarar; çünkü somuttur, hızlıdır ve modeller bunlara iyi yanıt verir. Sorun, aşırı uyumdur. Modele bir örnek verdiğinizde model sözcüklere, ritme ve biçime tutunur; durum değişse bile aynı yanıtın yakın benzerlerini durmadan üretir.
Farkında olmadan modelin dışına çıkamadığı bir senaryo yazmış olursunuz.
Uygulama niyetleri veya sezgisel kurallar daha kalıcı bir alternatiftir. Modele belirli senaryolarda ne söyleyeceğini göstermek yerine daha genel bir tetikleyici ve eylem çifti sunarız: X olursa Y yap.
Temel fark şudur: Her örnekle X ve Y'yi giderek daha katı hâle getirmek yerine, örnekleri gereksiz kılacak kadar kesin bir talimatla her birinin sınırlarını net biçimde çizeriz. Böylece ajan, bir şablonla kalıp eşleştirmek yerine gerçek sohbet çeşitliliğine yanıt verebilir.
Uygulamada bunlar örneklerden çok, yürütülebilir pratik kurallara benzer:
If a key detail is missing, ask one clarifying question.
If the answer isn’t supported, say so directly and offer the best available next step.
If the request hits a guardrail, decline briefly and redirect without ceremony.
Gösterişli değildir ama örnek yanıt kütüphanesinden çok daha sağlamdır; çünkü modele neyi tekrarlayacağını değil, nasıl karar vereceğini öğretir.
Bir unsurun prompttaki yeri, ne kadar ağırlık taşıdığını belirler. Bu, farklı modellerde ve dağıtımlarda sürekli gözlemlediğimiz bir kalıptır. Promptun başı ve sonu, diğer bölümlere kıyasla çok daha fazla öne çıkar. Ortada kalanlar nüanslardır; nüansların olması gereken yer de tam olarak orasıdır.
Promptlarımızı bunu göz önünde bulundurarak yapılandırıyoruz. Her şeyden önce kimliği belirlemek için ajanın rolünü ve benlik algısını en üste yerleştiriyoruz. Ortada davranış ayrıntıları yer alır: Sohbetin muhtemel akışı, yanıtları yönlendiren sezgisel kurallar ve ajanın ele alması gereken durumlar. Katı kısıtlar ve taviz verilmeyecek kurallar en alta yerleştirilir; böylece zihinde en taze kalanlar bunlar olur.
Gerçekten kritik olan her şeyi iki yere de koyuyoruz. Belirli bir çıktı kuralı, örneğin noktalama veya biçimlendirmeyle ilgili kesin bir talimat, yoğun bir promptun ortasında yalnızca bir kez yer alırsa kolayca gözden kaçabilir. Sonda tekrarlandığında ise kalıcı olur.
Güncellik etkisi açısından, kullanıldığında yapılandırılmış çıktıların promptunuzdaki en son talimat olduğunu belirtmekte yarar var. Yapılandırılmış çıktılardaki açıklama alanları yanıtların niteliğini etkiler ve promptun geri kalanından daha güçlü bir çıktı sözleşmesi oluşturur.
Ses tonu için de az örnekli örnekler kullanmamayı öğrendik. Bu, müşteriye dönük ajanlarımızda yaptığımız en etkili değişikliklerden biri oldu.
Bunun yerine promptun tamamını hedeflenen ses tonuyla yazıyoruz. Ses tonunun bir tarifini ya da onu yaklaşık olarak yansıtan bir sıfat listesini değil, ilk satırdan son satıra kadar akıcı metinle o sesin kendisini yazıyoruz. Böylece prompt, örneğin kendisine dönüşüyor. Buna “senaryodan uzaklık” diyoruz: Modeli girdisinin üslubunu taklit etmeye yönlendirirken promptun kendisiyle aynı çizgide kalan daha geniş bir dil ve ifade yelpazesi kullanmasına olanak tanımak.
Tutarlı bir ses içinde çeşitlilik sağlamak için promptu böyle yazıyoruz. Bu, açık talimatları en aza indirirken diyaloğu her ajanın görevinin merkezine taşıma stratejimizin bir parçası.
Ses tonuyla ilgili açık örnekler kullanırsak bunlar “ne yapılmaması gerektiğini” gösterir. Örneğin: “No em dashes. Ever. No clichés. No policy dumping. No over-explanation when a single sentence will close the loop.” Olumsuz kısıtlar, olumlu hedeflerden hem daha net hem de daha az sınırlayıcıdır; çünkü modelin en çok kayabileceği hata biçimlerini adlandırırlar.
Burada biçimlendirme de önemlidir ve yanıtın tonunu belirler. Madde işaretleri, başlıklar ve parantez içi talimatlarla dolu bir prompt, modeli daha düzenli ve klinik bir çıktıya yönlendirir. Çıktının sohbet gibi hissettirmesi bekleniyorsa girdi de kısaltmalarla yazılmış bir şartnameye benzememelidir.
Ses tonuna yönelik promptların çoğu, konuyu kişiliğe indirger. Ajanın nasıl konuşması gerektiğini anlatması beklenen bir sıfat listesi sunulur. Sıcak. Profesyonel. Samimi ama öz. Bunlar yanlış değil. Ancak bir sesin sohbette nasıl algılandığını asıl belirleyen üslup düzeyidir: Aynı temel kişiliğin farklı sosyal durumlarda nasıl davrandığı.
Bir sorgu işlenirken gösterilen bekleme mesajı, nihai yanıt gibi duyulmamalıdır. Güvenlik sınırı yanıtı, gündelik sohbetle aynı havayı taşımamalıdır. Canı sıkkın bir müşteriye, yalnızca göz atan bir müşteriyle aynı ölçüde espri ve sevimlilikle yaklaşılmamalıdır.
Marka sesi ile diyalog tasarımı arasındaki fark budur. Marka sesi çoğunlukla kişiliği tanımlar; diyalog tasarımıysa koşullar değiştiğinde bu kişiliğin nasıl davranacağına karar verir. Bunu doğru yapmak, yalnızca yapay zekâ çıktıları üzerinde çalışan metin yazarları olmadığımız anlamına gelir. Bir sesin sohbet boyunca nasıl ilerleyeceğini tasarlıyoruz.
Bu kalıpların hiçbirinin teknik açıdan karmaşık olmadığını fark edeceksiniz. Zaten amaç kısmen bu. Ajan tabanlı bir sistemin mimarisi önemlidir; ancak sohbet kalitesi için promptlarınızın tasarımına ve iyileştirilmesine ciddi zaman ayırmanız gerekir.
Yalnızca işlevsel olan yapay zekâ ile gerçekten sohbet edebilen yapay zekâ arasındaki fark teknik tasarımla kapanmaz. Bu fark, insan diyaloğunda dilin ve dikkatin nasıl işlediğini daha iyi anlamak ve diyaloğu ajanlarınızın çözmesi gereken sorunun merkezine taşımakla kapanır.
Yapay zekâ ürün ekipleri, mühendisler ve deneyim tasarımcıları, müşteriye dönük yapay zekâda diyalog tasarımına teknik mükemmellikle aynı titizlikle yaklaşmalıdır. Bu sohbetlerin diğer tarafındaki insanlar için ortada ne model ne çok ajanlı iş birliği ne de araç çağrısı vardır; yalnızca doğru hissettiren ya da hissettirmeyen bir etkileşim vardır. Bu etkileşim ya güven oluşturur ya da güveni aşındırır.
Sonuçta hiç kimse mimariyi deneyimlemez. İnsanların deneyimlediği şey sohbettir.
Ürün, sohbetin kendisidir.