AI Prompt Engineering · Ders

Kötü İstemleri Tanılama ve Düzeltme

Yetersiz performans gösteren istemleri geliştirmek için sistematik bir hata ayıklama kontrol listesi kullanın.

Kötü İstemleri Tanılama ve Düzeltme, CoddyKit'te ücretsiz bir AI Prompt Engineering dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Prompt Engineering öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Prompt Engineering kursu toplamda 4 dersten oluşur.

Hata Ayıklama Yaklaşımı

Bir istem kötü bir çıktı ürettiğinde, çoğu kişinin ilk içgüdüsü modeli suçlamaktır. Ancak çoğu durumda sorun istemdedir — model ise aldığı talimatlara göre tam olarak olması gerektiği gibi davranmaktadır.

İstem başarısızlıklarını hata ayıklama sorunları olarak ele almak daha verimlidir. Tıpkı kodda hata ayıklarken olduğu gibi, kök nedeni sistematik biçimde belirler, bir düzeltme varsayar, bunu sınar ve sonucu doğrularsınız. Bu yaklaşım, hayal kırıklığı yaratan deneme yanılmadan daha hızlı ilerleme sağlar.

İstemde Hata Ayıklama Kontrol Listesi

Bir istem başarısız olduğunda, şu beş boyutlu kontrol listesini sistematik biçimde uygulayın:

Özgüllük — Fazla mı belirsiz? Görevin daha kesin tanımlanması gerekiyor mu?
Bağlam — Modelin ihtiyaç duyduğu arka plan bilgileri eksik mi?
Biçim — İstenen çıktı biçimi ve uzunluğu belirtilmiş mi?
Kısıtlamalar — Kısıtlamalar açıkça belirtilmiş mi? Bunlardan herhangi biri birbiriyle çelişiyor mu?
Örnekler — İyi çıktıya ilişkin bir örnek belirsizliği ortadan kaldırır mı?

Her boyut, belirli bir düzeltme türüne karşılık gelir. Hangi boyutta sorun olduğunu belirleyin ve buna karşılık gelen düzeltmeyi uygulayın.

Boyut 1: Özgüllük Kontrolü

Özgüllük eksiklikleri şunlara yol açar: yanlış konu, yanlış bakış açısı, yanlış hedef kitle düzeyi, görevin temel yönlerinin eksik kalması.

Teşhis soruları:

Konuya hâkim olmayan zeki bir kişi bu istemi benim niyetimden farklı yorumlayabilir mi?
Değiştirilmesi gereken belirsiz sözcükler (iyi, daha iyi, uygun, profesyonel) var mı?
Görev türü belirtilmiş mi (makale? e-posta? özet? analiz?)?
Hedef kitle yeterince kesin tanımlanmış mı?

Düzeltme: Belirsiz sözcükleri belirli sözcüklerle değiştirin. Görev türünü adlandırın. Hedef kitlenin arka planını belirtin. İstediğiniz çıktıya ilişkin tek cümlelik bir örnek ekleyin.

Boyut 2: Bağlam Kontrolü

Bağlam eksiklikleri şunlara yol açar: özel durumunuzu göz ardı eden genel tavsiyeler, teknoloji yığınınız, şirketiniz veya hedef kitleniz hakkında yanlış varsayımlar, başka bir bağlamda işe yarayacak ancak sizin bağlamınızda işe yaramayan yanıtlar.

Teşhis soruları:

Modelin özel durumum hakkında, genel eğitiminden bilemeyeceği neyi bilmesi gerekiyor?
Görevin ilgili olduğu kodu, belgeyi veya veriyi sağladım mı?
Ortamımın kısıtlamalarını açıkladım mı?

Düzeltme: Görev talimatından önce bir Arka Plan bölümü ekleyin. İlgili kodu veya içeriği doğrudan istemin içine yapıştırın.

Boyut 3: Biçim Kontrolü

Biçim eksiklikleri şunlara yol açar: doğru içerik, yanlış yapı — madde işaretlerine ihtiyaç duyduğunuzda düzyazı, adım adım bir kılavuza ihtiyaç duyduğunuzda bir makale, gezinmenin gerekli olduğu durumlarda başlıkların olmaması.

Teşhis soruları:

Çıktı biçimini belirttim mi (madde işaretleri, numaralı liste, düzyazı, tablo, kod bloğu)?
Uzunluğu belirttim mi?
Gerekli bölümleri veya yapıyı belirttim mi?

Düzeltme: Açık biçimlendirme talimatları ekleyin. Şu kalıbı kullanın: "Biçim: [yapı]. Uzunluk: [hedef]. Bölümler: [liste]." Karmaşık biçimler için modelin doldurması gereken yer tutucu metinler içeren bir şablon sağlayın.

Boyut 4: Kısıtlamalar Kontrolü

Kısıtlama sorunları şunlara yol açar: hariç tutmak istediğiniz içeriği içeren çıktılar veya kısıtlamalar çeliştiği için robotik hissettiren çıktılar.

Teşhis soruları:

Kısıtlamalarım açıkça belirtilmiş mi, yoksa ima mı ediliyor?
Kısıtlamalardan herhangi biri bir diğeriyle çelişiyor mu?
Kısıtlamalarım içerik kapsamı veya uzunlukla çelişiyor mu?
Birbirine yakın çelişen kısıtlamalar için bir öncelik talimatı var mı?

Düzeltme: Örtük kısıtlamaları açıkça belirtin. Bir önceliklendirme talimatı ekleyin. Hangi kısıtlamanın geçerli olacağını seçerek çelişkileri giderin. Kapsam ve uzunluğun uyumlu olduğundan emin olun.

Boyut 5: Örnekler Kontrolü

İlk dört boyut iyi göründüğü hâlde çıktı hâlâ istenen gibi değilse, eksik olan parça çoğu zaman örneklerdir. Sözcüklerin anlatamadığını anlatırlar.

Teşhis soruları:

İyi bir çıktı örneği göstermek, beklenen üslubu, tonu veya biçimi açıklığa kavuşturur mu?
Olumsuz bir örnek (üretilmemesi gereken şey: NOT) yardımcı olur mu?
Bu görev türüne ait, başvuru olarak kullanabileceğiniz mevcut çıktılar var mı?

Düzeltme: İsteme ideal çıktıya ilişkin bir veya iki örnek ekleyin. Şu kalıbı kullanın: "Aradığım şeye ilişkin bir örnek: [örnek]. Şimdi gerçek göreviniz için aynısını yapın."

İstemde Hata Ayıklama İş Akışı

İşte başarısız olan herhangi bir isteme uygulayabileceğiniz eksiksiz teşhis iş akışı:

def diagnose_prompt(original_prompt, failed_output, problem_description):
    '''
    Use a second LLM call to diagnose why a prompt produced a bad output.
    Returns a diagnosis and an improved prompt.
    '''
    import openai
    client = openai.OpenAI(api_key='sk-...')

    diagnosis_prompt = f'''You are a prompt engineering expert.

A user ran this prompt:
---PROMPT---
{original_prompt}
---END PROMPT---

It produced this output (which was unsatisfactory):
---OUTPUT---
{failed_output[:500]}...
---END OUTPUT---

The problem the user identified: {problem_description}

Diagnose the prompt failure using this framework:
1. Specificity: Is anything too vague?
2. Context: What background information is missing?
3. Format: Is the desired format/length unclear?
4. Constraints: Are there missing or conflicting constraints?
5. Examples: Would an example help?

Then write an improved version of the prompt that addresses the root cause.
Format: Diagnosis: [analysis] || Improved prompt: [new prompt]'''

    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[{'role': 'user', 'content': diagnosis_prompt}]
    )
    return response.choices[0].message.content

Kök Neden ve Belirti

Yaygın bir hata ayıklama yanlışı, kök neden yerine belirtiyi ele almaktır.

Belirti: Çıktı fazla genel.

Belirtiyi düzeltme: İsteme "daha belirli olun" eklemek.

Kök neden: Hedef kitle tanımlanmadığı için model genel bir hedef kitleyi varsaydı.

Kök nedeni düzeltme: Kesin bir hedef kitle tanımı eklemek.

Belirtileri ele almak sınırlı bir gelişme sağlar. Kök nedenleri ele almak güvenilir bir gelişme sağlar. Düzeltmeyi yazmadan önce bir katman daha derine inerek "bu belirti neden ortaya çıkıyor?" diye sorun.

İstem Başarısızlıkları Günlüğü Tutma

Tekrarlanan görev türleri için istem başarısızlıkları günlüğü tutmak, zaman içinde gelişimi hızlandırır. Her kayıt şunları içerir:

Özgün istem
Kötü çıktı (veya neyin yanlış olduğunun açıklaması)
Teşhis edilen kök neden (özgüllük / bağlam / biçim / kısıtlamalar / örnekler)
Uygulanan düzeltme
Sonuç

10-20 kayıttan sonra kalıplar ortaya çıkar. Bir kategorideki başarısızlıkların %60'ından aynı kök nedenin (örneğin eksik hedef kitle bağlamının) sorumlu olduğunu görebilirsiniz. Bunu şablonda düzeltin; kalıp ortadan kalkar.

Geliştirilmiş İstem Şablonu

İyi yapılandırılmış istemlerin çoğu, beş hata ayıklama boyutunun tümünü önceden ele alan tutarlı bir şablonu izler:

ROBUST_PROMPT_TEMPLATE = '''
## Role
[Who the model should act as — establishes expertise level and perspective]

## Context
[Background the model needs: company, audience, product, prior decisions, constraints]

## Task
[Specific, precise description of what to produce]

## Format
[Output structure: bullet points / prose / numbered list / table]
[Length: word count or sentence count]
[Required sections: list them if the output needs specific sections]

## Constraints
[What to include: required elements]
[What to exclude: off-limits content or approaches]
[Priority: if constraints conflict, X takes priority over Y]

## Example
[One example of good output for this task type — optional but powerful]
'''

print(ROBUST_PROMPT_TEMPLATE)

Bilgi Kontrolü: İstemde Hata Ayıklama

Bir istem, iyi yazılmış ancak görevde açıklanan özel durum yerine konuyla ilgili genel en iyi uygulamalara odaklanan bir çıktı üretiyor. Biçim ve uzunluk doğru. Kısıtlamalar ihlal edilmiyor. Kök neden hangi hata ayıklama boyutudur?

Özet: Kötü İstemleri Teşhis Etme ve Düzeltme

İstemde hata ayıklama, deneme yanılma değil, sistematik bir süreçtir. Beş boyutlu kontrol listesi — Özgüllük, Bağlam, Biçim, Kısıtlamalar, Örnekler — yaygın her başarısızlık türünü belirli bir düzeltmeyle eşleştirir.

Sağlam istem şablonu, beş boyutun tümünü önceden ele alarak çoğu başarısızlığı gerçekleşmeden önler. Hata ayıklama iş akışı (belirtiyi belirleme → kök nedeni bulma → düzeltmeyi uygulama → doğrulama) güvenilir bir gelişme sağlar. İstem başarısızlıkları günlüğü, oturumlar arasındaki öğrenmeyi hızlandırır.

Bu araçlarla herhangi bir istem başarısızlığını yöntemli ve tutarlı biçimde teşhis edip düzeltebilirsiniz.

Sıkça Sorulan Sorular

“Kötü İstemleri Tanılama ve Düzeltme” dersi ücretsiz mi?

Evet — “Kötü İstemleri Tanılama ve Düzeltme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Prompt Engineering kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Prompt Engineering kursu toplamda 4 dersten oluşur.

“Kötü İstemleri Tanılama ve Düzeltme” dersinde ne öğreneceğim?

Yetersiz performans gösteren istemleri geliştirmek için sistematik bir hata ayıklama kontrol listesi kullanın. AI Prompt Engineering ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Prompt Engineering öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Prompt Engineering, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.

“Kötü İstemleri Tanılama ve Düzeltme” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Prompt Engineering dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Prompt Engineering dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← AI Prompt Engineering Sayfasına Dön