Prompt Kısaltmaları ve Formül Geliştirme Kılavuzu

Yapay zeka modellerine uzun paragraflarla talimat vermek yerine, yazılımcıların ve veri bilimcilerin kullandığı matematiksel semboller, kısaltmalar ve şemalar kullanarak prompt yazabilirsiniz. Buna Matematiksel Prompting veya Sözdizimsel Sıkıştırma denir.

Bu teknik sayesinde normalde 300 token sürecek karmaşık bir talimatı sadece 40-50 token ile ifade edebilir ve modelden çok daha kararlı çıktılar alabilirsiniz.

1. Değişken Tanımlama (Variables)

Metin içerisinde sürekli tekrarlanan kelimeler yerine değişken tanımlayın. Bu, hem prompt'u kısaltır hem de modelin değişken mantığını kavramasını kolaylaştırır.

Geleneksel Uzun Prompt:

"Yapay zeka teknolojileri hakkında yazılmış makaleyi oku. Bu makaledeki ana konuları çıkar. Makale yazarının kim olduğunu bul. Makalenin yayınlanma tarihini bana yaz."

Formülize Edilmiş Prompt:

[M] = [Metin girin]
Görev: M oku -> 1. Ana Konular, 2. Yazar, 3. Yayın Tarihi çıkar.

2. Mantıksal Semboller ve Ok İşaretleri Kullanımı

Doğal dildeki bağlaçlar (ve, veya, bundan dolayı, bu sebeple, ise) çok fazla token harcar. Bunların yerine mantıksal operatörler kullanın:

• -> (Sonuç / Süreç geçişi)
• & (Ve)
• | (Veya)
• ! (Değil / Hariç)
• IF / THEN (Koşul)

Örnek Formül:

INPUT = [Makale]
PROCESS = Özetle (Max 3 madde) & Anahtar Kelimeler (Max 5)
OUTPUT = Markdown formatı

3. Parametre Kısaltmaları (Shorthand Commands)

Gelişmiş LLM'ler teknik terimleri ve kısaltmaları çok iyi anlarlar.

• TL;DR (Too Long; Didn't Read): Doğrudan "Özetle" anlamına gelir.
• CoT=1: Modele "Chain of Thought (Adım adım düşünerek çöz)" talimatını 5 karakterde verir.
• FMT=JSON: Çıktının JSON olacağını belirtir.
• LEN=100w: Uzunluğun 100 kelime (words) civarı olmasını sınırlar.
• TONE=Prof: Tonun profesyonel olmasını söyler.

Örnek Optimize Edilmiş Prompt:

[Metin]
Görev: Analiz et.
FMT=Markdown | TONE=Prof | LEN=3 para | CoT=1

Bu prompt sadece 20 token harcar ancak bir sayfalık talimata eşdeğerdir.