0Pricing
AI Prompt Engineering · Ders

Arka Plan Bilgileri Sağlama

Alan bilgisini, kısıtlamaları ve proje ayrıntılarını ne zaman ve nasıl ekleyeceğinizi öğrenin.

Arka Plan Bilgileri Sağlama, CoddyKit'te ücretsiz bir AI Prompt Engineering dersidir. Bu, 4 dersinin 2. 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.

Arka Plan Bilgisi Neden Önemlidir

Arka plan bilgisi, modele kendi başına bilemeyeceği gerçekleri verir: projenizin özel ayrıntılarını, ekibinizin kısıtlarını, mevcut çalışmalarınızı ve paydaşlarınızın beklentilerini.

Arka plan olmadan model, hayalî ve genel bir durum için içerik üretir. Arka plan olduğunda ise sizin durumunuz için içerik üretir.

Alan Bilgisi Ne Zaman Eklenmeli

Şu durumlarda isteminize alan bilgisi ekleyin:

  • Konu, farklı sektörlerde birden fazla yoruma açıksa
  • Uzmanlık terimleriyle çalışıyorsanız
  • Doğru yanıt alana özgü kurallara veya düzenlemelere bağlıysa
  • İhtiyacınız alana özgü bir yanıtken model genel bir yanıt verebilirse

Kitapların tamamını yapıştırmayın; özel sorunuzla en çok ilgili 2-3 alan bilgisini özetleyin.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

domain_knowledge = (
    'Domain: algorithmic trading at a regulated broker-dealer in the US. '
    'Relevant rules: SEC Rule 15c3-5 (Market Access Rule) requires pre-trade risk checks. '
    'Latency budget: all risk checks must complete in under 100 microseconds. '
    'Stack: C++ for the matching engine, Python for strategy logic.'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=300,
    messages=[{
        'role': 'user',
        'content': (
            f'{domain_knowledge}\n\n'
            f'Question: How should we implement position limit checks for our order router?'
        )
    }]
)
print(response.content[0].text)

Proje Ayrıntılarını Dahil Etme

Proje ayrıntıları, modele çalışmanızın özel bağlamını bildirir. Temel proje ayrıntıları şunlardır:

  • Projenin ne olduğu ve mevcut aşaması (MVP / ölçekleme / olgunluk)
  • Teknoloji yığını ve mimari
  • Ekip büyüklüğü ve beceri düzeyleri
  • Zaman çizelgesi ve son teslim tarihi baskıları
  • Soruyu etkileyen son değişiklikler veya olaylar
import openai

client = openai.OpenAI(api_key='sk-your-key-here')

project_context = (
    'Project: a mobile recipe app (React Native, Node.js backend, MongoDB). '
    'Stage: pre-launch, 2 weeks to go live. '
    'Team: 2 frontend devs, 1 backend dev, no dedicated QA. '
    'Current issue: app search is slow (3-5 seconds) with 50,000 recipes in the DB. '
    'Constraint: no time for a full re-architecture before launch.'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            f'{project_context}\n\n'
            f'Suggest 3 quick wins to improve search speed before launch. '
            f'Each suggestion: what to do (1 sentence), estimated effort (hours), '
            f'expected improvement.'
        )
    }]
)
print(response.choices[0].message.content)

Mevcut Çalışmaları Paylaşma

Mevcut çalışmalarınızı paylaşmak, modelin sıfırdan başlamak yerine şimdiye kadar yaptıklarınızın üzerine inşa etmesini sağlar. Şunları istediğinizde mevcut çalışmalarınızı dahil edin:

  • Bir belgenin veya kodun devam ettirilmesi ya da genişletilmesi
  • Eleştiri ve iyileştirme önerileri
  • Üslup eşleştirme (mevcut çalışmanın tonunu ve biçimini eşleştirme)
  • Tutarlılık kontrolü (bu yeni parça mevcut yapıya uyuyor mu?)
import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

existing_intro = (
    'At Northlight Labs, we build AI tools that work the way humans think — '
    'not the other way around. Founded in 2022 by two ex-Google researchers, '
    'we have helped 500 companies ship smarter products without hiring ML teams.'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=200,
    messages=[{
        'role': 'user',
        'content': (
            'Here is our existing company intro paragraph:\n\n'
            f'{existing_intro}\n\n'
            'Write a second paragraph (matching this exact tone and style) '
            'that describes our flagship product: an API that lets developers '
            'add natural language search to any database with 3 lines of code. '
            'Keep it under 60 words.'
        )
    }]
)
print(response.content[0].text)

Kısıtları Baştan Belirtme

Kısıtlar, modelin içinde çalışması gereken kurallardır. Bunları baştan belirtmek, modelin sizin durumunuzda uygulanması mümkün olmayan, ancak tamamen geçerli fikirler önermesini engeller.

Dahil edilecek kısıt türleri:

  • Teknik: “Python 3.11, üçüncü taraf kitaplık yok”
  • Bütçe: “0 dolar — yalnızca açık kaynak”
  • Zaman: “2 saatlik bir çalışma döneminde tamamlanmalı”
  • Düzenleyici: “Günlük kayıtlarında kişisel olarak tanımlanabilir bilgi bulunmayacak”
  • Kurumsal: “Veritabanı şeması değiştirilemez”
import openai

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'We need to add rate limiting to our REST API.\n\n'
            'Constraints:\n'
            '- Python 3.11 FastAPI application\n'
            '- No external dependencies beyond what is already installed (requests, pydantic, uvicorn)\n'
            '- Must work as a single process (no Redis, no shared state between workers)\n'
            '- Rate limit: 100 requests per minute per IP address\n'
            '- If limit exceeded, return HTTP 429 with Retry-After header\n\n'
            'Show me a complete implementation.'
        )
    }]
)
print(response.choices[0].message.content)

Paydaş Bilgileri

Paydaş bilgileri, durumunuzda başka kimlerin önemli olduğunu modele bildirir. Paydaşlar, hangi risklerin öne çıkarılacağını, hangi itirazların ele alınacağını ve başarının nasıl görüneceğini şekillendirir.

  • “Hedef kitlemde yapay zekâ yatırımlarına kuşkuyla yaklaşan CFO da var”
  • “Bu metin yayımlanmadan önce hukuk ekibimiz tarafından incelenecek”
  • “Son kullanıcının erişilebilirlik gereksinimleri var — ekran okuyucuyla uyumlu olmalı”
  • “CTO’muz zekice görünen çözümler yerine basit çözümleri tercih ediyor”
import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

stakeholder_context = (
    'This proposal will be reviewed by:\n'
    '1. CTO: cares about technical risk and maintainability, skeptical of microservices\n'
    '2. CFO: cares about cost, wants to see clear ROI numbers\n'
    '3. VP Engineering: cares about developer experience and team morale\n'
    'The CTO has veto power.'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=400,
    messages=[{
        'role': 'user',
        'content': (
            f'{stakeholder_context}\n\n'
            f'Write a 3-paragraph executive summary for a proposal to migrate '
            f'our monolith to a modular monolith (not microservices). '
            f'Address each stakeholder\'s top concern in a separate paragraph.'
        )
    }]
)
print(response.content[0].text)

Kronolojik Yöntem

Karmaşık durumlarda kronolojik yöntem, arka plan bilgilerini olayların zaman çizelgesi şeklinde düzenler. Bu, modelin nedenselliği ve mevcut durumu anlamasına yardımcı olur.

Biçim:

  • Durumun daha önce nasıl olduğu
  • Nelerin değiştiği veya gerçekleştiği
  • Mevcut durumun ne olduğu
  • Bu sıra dikkate alındığında hangi konuda yardıma ihtiyaç duyduğunuz
import openai

client = openai.OpenAI(api_key='sk-your-key-here')

chronological_background = (
    'Timeline:\n'
    '- 6 months ago: We launched v1 of our API with a flat pricing model ($99/month).\n'
    '- 3 months ago: Power users (top 10%) started consuming 80% of compute.\n'
    '- 1 month ago: We introduced usage-based pricing — power users complained loudly.\n'
    '- Current: 12% of power users have churned; new signups are up 15%.\n'
    '- Goal: Keep power users without losing the new-signup growth.\n'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            f'{chronological_background}\n\n'
            f'Suggest 3 pricing model adjustments that could address both groups. '
            f'For each: describe the change, who it benefits, and the revenue risk.'
        )
    }]
)
print(response.choices[0].message.content)

Kendi Verilerinizi Arka Plan Olarak Kullanma

Arka plan bilgisinin en güçlü kullanım alanlarından biri, kendi verilerinizi — ölçümleri, günlük kayıtlarını, çıktıları veya araştırmaları — doğrudan isteme ekleyerek modelin sizin özel sayılarınız hakkında akıl yürütebilmesini sağlamaktır.

Verileri her zaman temiz ve okunabilir bir biçimde yapıştırın. Tablolar ve yapılandırılmış listeler en iyi sonucu verir. Ham metin yığınlarının model tarafından çözümlenmesi daha zordur.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

metrics_data = (
    'Weekly active users (WAU) last 8 weeks:\n'
    'Week 1: 1,200  |  Week 2: 1,350  |  Week 3: 1,290  |  Week 4: 1,400\n'
    'Week 5: 1,380  |  Week 6: 1,220  |  Week 7: 1,100  |  Week 8: 980\n'
    'Note: We launched a pricing change in Week 5.'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=300,
    messages=[{
        'role': 'user',
        'content': (
            f'{metrics_data}\n\n'
            f'Analyze the trend, identify where decline began, '
            f'and suggest 2 hypotheses for the cause. '
            f'Be specific — reference the exact weeks in your analysis.'
        )
    }]
)
print(response.content[0].text)

Arka Plan Olarak Dahil Edilmeyecekler (NOT)

Arka plan bilgisinin bir maliyeti vardır: belirteç kullanımı. Yalnızca yanıtı doğrudan etkileyen bilgileri dahil edin.

Genellikle gereksiz arka plan bilgileri:

  • Şirketin kuruluş hikâyesi (marka üslubu önemli değilse)
  • Ekip organizasyon şeması (karar yetkisi önemli değilse)
  • Karar döneminden daha eski tarihsel bağlam
  • Kullanmadığınız teknoloji (NOT)
  • Mevcut soruyla ilgisi olmayan, daha önce çözülmüş sorunlar

Emin olmadığınızda: bilgiyi bir kez dahil edin, çıktının iyileşip iyileşmediğine bakın, ardından sonraki çalıştırmalarda kısaltın.

# Contrast: bloated vs lean background
bloated_background = (
    'Our company was founded in 2018 by Alice and Bob. '
    'We have 45 employees across 3 offices. We use Jira for project management. '
    'We had a product refresh in 2020. Our CTO came from Amazon. '
    'We use Slack, Notion, and Linear. '
    'We once tried Kubernetes but moved back to Docker Compose. '
    'Question: How should we handle database connection pooling in FastAPI?'
)

lean_background = (
    'Stack: FastAPI, PostgreSQL, deployed on a single 8-core server. '
    'Load: ~200 concurrent users peak. '
    'Current issue: seeing "too many connections" errors under load. '
    'Question: How should we handle database connection pooling?'
)

print('Bloated background:', len(bloated_background.split()), 'words')
print('Lean background:', len(lean_background.split()), 'words')
print('Reduction:', round((1 - len(lean_background.split())/len(bloated_background.split()))*100), '%')

Arka Planı Okunabilirlik İçin Biçimlendirme

Arka plan bilgilerini biçimlendirme şekliniz, modelin bu bilgileri ne kadar iyi işlediğini etkiler. En iyi uygulamalar:

  • Etiketli bölümler kullanın: Stack:, Constraints:, Goal:
  • Birbirine paralel öğeler için madde işaretli listeler kullanın
  • En önemli bilgileri ilk sıraya koyun
  • Arka planı görevden boş bir satır veya açık bir işaretleyiciyle ayırın
  • Tutarlı bir terminoloji kullanın — aynı şeyi iki farklı adla adlandırmayın
import openai

client = openai.OpenAI(api_key='sk-your-key-here')

# Well-formatted background
formatted_background = (
    '=== BACKGROUND ===\n'
    'Project: real-time chat API\n'
    'Stack: Python FastAPI, WebSockets, Redis pub/sub, PostgreSQL\n'
    'Scale: 10,000 concurrent connections target\n'
    'Constraints: single server for now, no Kubernetes\n'
    'Current problem: messages are occasionally delivered out of order\n'
    '=== TASK ===\n'
    'Explain the root cause of out-of-order message delivery in WebSocket pub/sub '
    'and suggest the simplest fix for our stack.'
)

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

Sistem Mesajında Yeniden Kullanılabilir Arka Plan

Yapay zekâ destekli bir uygulama geliştiriyorsanız ve aynı arka plan tüm konuşmalar için geçerliyse, bunu her kullanıcı iletisinde tekrarlamak yerine sistem mesajına koyun.

Bu yöntem daha verimlidir ve kullanıcının bilgileri yeniden belirtmesine gerek kalmadan tüm etkileşimlerde tutarlı bir bağlam sağlar.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

# System message carries reusable background for every user turn
system_background = (
    'You are an AI assistant embedded in Northlight Labs\' internal developer portal. '
    'Background: our stack is Python 3.11, FastAPI, PostgreSQL 15, Redis 7, Docker. '
    'We follow Google Python style guide. All code examples must include type hints. '
    'We do not use ORM — raw SQL with psycopg3. '
    'Our API follows REST conventions with snake_case JSON fields.'
)

# Now every user turn gets this background automatically
response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=300,
    system=system_background,
    messages=[
        {'role': 'user', 'content': 'Show me how to insert a row into the users table.'}
    ]
)
print(response.content[0].text)

Bilgi Kontrolü

Bir ürün yöneticisi, yapay zekâdan bir özellik duyuru e-postası yazmasına yardım etmesini istiyor. Şirketin kuruluş yılını, çalışan sayısını, ofis konumlarını ve ardından görevini ekliyor. Çıktıyı en çok iyileştirecek hangi arka plan bilgisi eksik?

Arka Plan Bilgisi Sağlama — Özet

İyi arka plan bilgisi, genel tavsiye ile gerçekten durumunuza uyan tavsiye arasındaki farktır. Temel ilkeler:

  • Alanınız için doğru yanıtı etkileyen alan bilgisini dahil edin
  • Proje ayrıntılarını paylaşın: teknoloji yığını, aşama, ekip büyüklüğü, son değişiklikler
  • Devam ettirme veya üslup eşleştirme gerektiğinde mevcut çalışmaları dahil edin
  • İşe yaramayan önerileri önlemek için kısıtları baştan belirtin
  • Modelin doğru noktaları ele alması için paydaş bilgilerini dahil edin
  • Karmaşık durumsal bağlamlar için kronolojik yöntemi kullanın
  • Arka planı yalın tutun — yalnızca yanıtı etkileyen bilgileri dahil edin

Sıkça Sorulan Sorular

“Arka Plan Bilgileri Sağlama” dersi ücretsiz mi?

Evet — “Arka Plan Bilgileri Sağlama” 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.

“Arka Plan Bilgileri Sağlama” dersinde ne öğreneceğim?

Alan bilgisini, kısıtlamaları ve proje ayrıntılarını ne zaman ve nasıl ekleyeceğinizi öğrenin. 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 2. dersidir.

“Arka Plan Bilgileri Sağlama” 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

  1. Yapay Zeka İstemlerinde Bağlam Ne Anlama Gelir?
  2. Arka Plan Bilgileri Sağlama
  3. Sahneyi Etkili Biçimde Kurma
  4. Bağlam Uzunluğu ve Uygunluk
← AI Prompt Engineering Sayfasına Dön