Şablonları Farklı Görevlerde Yeniden Kullanma
Parametreli şablonlarla kişisel bir istem kitaplığı oluşturun.
Şablonları Farklı Görevlerde Yeniden Kullanma, 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.
Doğaçlama Çözümlerden İstem Kütüphanesine
Çoğu istem mühendisi, doğaçlama biçimde istemler yazar — her görev için bir tane; bunları bir not uygulamasına veya sohbet geçmişine gelişigüzel kaydeder. Bu, küçük ölçekte işe yarar; ancak görevler, ekip üyeleri veya zaman arasında tutarlılığa ihtiyaç duyduğunuzda yetersiz kalır.
Bir istem kütüphanesi, yeniden kullanılabilir istem şablonlarından oluşan yapılandırılmış bir koleksiyondur — düzenlenmiş, adlandırılmış, sürümlendirilmiş ve belgelenmiştir. Böyle bir kütüphane oluşturmak, düzenli olarak yapay zekâ içeriği üreten her iş akışında kısa sürede karşılığını veren bir yatırımdır.
Dosya Düzeni: Düz Yapı
En basit istem kütüphanesi, düz bir şablon dosyaları dizinidir:
prompts/ email_cold_outreach.j2 email_follow_up.j2 linkedin_post.j2 product_description.j2 blog_post_intro.j2 support_reply.j2
Düz yapı, yaklaşık 30-50 şablona kadar iyi çalışır. Bunun ötesinde, kategorilere ayrılmış bir dizin yapısında gezinmek kolaylaşır.
Dosya Düzeni: Kategorilere Ayrılmış Yapı
Daha büyük kütüphanelerde şablonları içerik türüne veya kullanım alanına göre düzenleyin:
prompts/ marketing/ email_cold_outreach.j2 social_linkedin_post.j2 support/ reply_complaint.j2 reply_question.j2 content/ blog_post.j2 product_description.j2 internal/ meeting_summary.j2 project_update.j2
Kategorilendirmeyi istem mühendisliği kavramlarına göre değil, ekibinizin görevler hakkında düşünme biçimine göre yapın.
Adlandırma Kuralları
Şablon adları, amacını ilk bakışta anlatmalıdır. İyi adlandırma kalıpları:
- içerik türü + bağlam:
email_cold_outreach,post_linkedin_announcement - eylem + nesne:
summarize_meeting,analyze_feedback,generate_tagline - rol + görev:
support_reply_complaint,marketing_product_description
template1, prompt_v2 veya new_thing gibi genel adlardan kaçının. İyi bir ad, dosyayı açmadan okunabilir.
Şablonları Sürümlendirme
İyileştirmeler keşfettikçe istemler zaman içinde değişir. Şablonlar için sürüm denetimi, geçmişin kaybolmasını ve gerilemeleri önler:
- Şablonları git'te saklayın — her değişiklik izlenir ve geri alınabilir
- Git kullanmadan dosya tabanlı sürüm oluşturma için:
email_cold_outreach_v1.j2,v2.j2,v3.j2 - Büyük üretim sürümlerini etiketleyin: hangi sürümün ne zaman kullanıma alındığını belirten bir yorumu en üste ekleyin
- Kopyasını saklamadan hiçbir zaman üzerine yazmayın — geçen ay işe yarayan şeyin geri yüklenmesi gerekebilir
Git en sağlam seçenektir: proje deponuzda özel bir prompts/ dizini kullanın.
Şablon Belgeleme Üstbilgisi
Her şablon dosyasında bir belgeleme üstbilgisi bulunmalıdır. Bu, üst kısımda yer alan ve kritik meta verileri içeren bir yorum bloğudur:
# Template: email_cold_outreach.j2
# Version: 2.1
# Author: Sarah Chen
# Created: 2025-03-15
# Last modified: 2025-05-10
# Changes in v2.1: Added 'value_prop' variable, removed generic opener
#
# Purpose:
# Generate personalized cold outreach emails for B2B sales.
#
# Required variables:
# - sender_name: str — Name of the sender
# - recipient_name: str — First name of the recipient
# - company_name: str — Recipient's company
# - value_prop: str — 1-2 sentence value proposition tailored to this prospect
# - cta: str — Specific call to action (e.g., '15-minute discovery call')
#
# Optional variables:
# - tone: str (default: 'professional but warm')
# - word_count: int (default: 120)
#
# Example output: see examples/email_cold_outreach_sample.txt
# Known limitations: Performs best when value_prop is specific to the company.Bir Şablon Kayıt Defteri
Ekip ortamlarında, mevcut tüm şablonları listeleyen merkezi bir dizin dosyası olan şablon kayıt defteri, şablonları bulmayı çok hızlandırır:
# prompts/registry.py
# Central index of all prompt templates
TEMPLATE_REGISTRY = {
'email_cold_outreach': {
'file': 'marketing/email_cold_outreach.j2',
'description': 'Cold outreach email for B2B prospecting',
'required_vars': ['sender_name', 'recipient_name', 'company_name', 'value_prop', 'cta'],
'optional_vars': {'tone': 'professional but warm', 'word_count': 120},
'version': '2.1',
'owner': 'sarah.chen'
},
'linkedin_post': {
'file': 'marketing/linkedin_post.j2',
'description': 'LinkedIn announcement post with professional tone',
'required_vars': ['company', 'announcement', 'cta'],
'optional_vars': {'tone': 'professional and approachable', 'word_count': 180},
'version': '1.0',
'owner': 'marketing_team'
}
}
def get_template_info(name):
return TEMPLATE_REGISTRY.get(name, None)Görevler Arası Şablon Yeniden Kullanımı
Bir kitaplığın asıl gücü, aynı şablonun küçük değişken değişiklikleriyle birden fazla görevde işe yaradığını keşfetmektir. Görevler arası yeniden kullanım fırsatlarını araştırın:
- Bir ürün açıklaması şablonu, farklı uzunluk ve üslup değişkenleriyle hem web sitesi metni hem de uygulama mağazası açıklamaları oluşturabilir
- Bir özet şablonu, içerik türü değişkeni değiştirilerek toplantı özetleri, makale özetleri ve kod incelemesi özetleri için kullanılabilir
- Bir karşılaştırma şablonu, konu ve ölçüt değişkenleri değiştirilerek ürünler, iş adayları ve teknik yaklaşımlar için kullanılabilir
Kendinizi yeni bir şablon yazarken bulduğunuzda önce kitaplıkta arama yapın.
Şablon Birleştirme: Ana + Alt
Jinja2, şablon kalıtımını destekler — bir ana şablon ortak yapıyı tanımlar, alt şablonlar ise belirli blokların içeriğini değiştirir. Bu, ilişkili şablonlardaki yinelemeleri azaltır:
# prompts/base_content.j2 — shared structure for all content templates
'''
You are a professional writer for {{company}}.
Style rules (apply to all outputs):
- Active voice
- No jargon unless defined
- Sentences under 25 words
- No passive voice
- Warm, direct tone
{% block task %}{% endblock %}
{% block constraints %}
Length: {{word_count | default(200)}} words.
{% endblock %}
'''
# prompts/blog_post.j2 — inherits base, adds blog-specific instructions
'''
{% extends 'base_content.j2' %}
{% block task %}
Write a blog post about {{topic}} for {{audience}}.
Structure: Hook (1 para) + Problem (1-2 para) + Solution (2-3 para) + Takeaway (1 para).
Include one concrete example.
{% endblock %}
{% block constraints %}
{{ super() }}
Do not mention competitors. Include one pull quote.
{% endblock %}
'''Şablon Başarımını İzleme
Üretim işlem akışlarında, hangi şablon sürümlerinin en iyi çıktıları ürettiğini izleyin. Basit bir kayıt tutma yaklaşımı:
import json
import datetime
def log_generation(template_name, template_version, variables, output, rating=None):
log_entry = {
'timestamp': datetime.datetime.utcnow().isoformat(),
'template': template_name,
'version': template_version,
'input_vars': {k: str(v)[:50] for k, v in variables.items()}, # truncate for log
'output_length': len(output),
'rating': rating # optional human rating 1-5
}
with open('logs/generation_log.jsonl', 'a') as f:
f.write(json.dumps(log_entry) + '\n')
# Usage after generation
log_generation(
template_name='email_cold_outreach',
template_version='2.1',
variables={'sender_name': 'Alice', 'company_name': 'Acme'},
output='Dear Mr. Smith...',
rating=4
)Bir Şablon Ne Zaman Kullanımdan Kaldırılmalı
Şablonlar zamanla güncelliğini yitirir. Bir şablonun kullanım dışı bırakılması veya güncellenmesi gerektiğini gösteren işaretler:
- Çıktılar sürekli olarak kapsamlı elle düzenleme gerektiriyor — şablon doğru gereksinimleri yakalamıyor
- Görev değişti (yeni marka yönergeleri, yeni hedef kitle, yeni biçim gereksinimleri)
- Model sürümü değişti ve şablon yönergeleri artık beklendiği gibi çalışmıyor
- Bunun yerini alan daha iyi bir şablon yazıldı
Kullanım dışı bırakılan şablonları silmek yerine arşivleyin — kayıt defterinde bunları kullanımdan kaldırılmış olarak işaretleyin ve dosyaları archive/ adlı bir alt dizinde tutun. Eski çıktıların neden bu şekilde göründüğünü anlamanız gerekebilir.
Bilgi Kontrolü: İstem Kitaplıkları
8 kişilik ekibiniz e-posta kampanyaları, ürün belgeleri ve sosyal medya olmak üzere üç farklı kullanım alanı için yapay zekâ içeriği oluşturuyor. Şu anda ortak kullanılan bir Google Dokümanı'nda, tutarlı bir adlandırma, sürüm geçmişi veya belgeleme olmadan kayıtlı 45 istem şablonunuz var. Yapılacak ilk ve etkisi en yüksek iyileştirme hangisidir?
Özet: Şablonları Görevler Arasında Yeniden Kullanma
Bir istem kitaplığı, gelişigüzel istemleri yeniden kullanılabilir ve bakımı kolay bir varlığa dönüştürür. Temel uygulamalar şunlardır: düzenli bir dosya yapısı (50 şablona kadar düz, daha fazlasında kategorilere ayrılmış), tutarlı adlandırma kuralları, gerekli değişkenleri ve sürüm notlarını içeren belgeleme üstbilgileri ve sürüm denetimi için git.
Kitaplığın en değerli özelliği görevler arası yeniden kullanımdır: değişken değerlerini değiştirerek aynı şablon yapısının birden fazla kullanım alanında hizmet vermesi. Jinja2 kalıtımıyla şablon birleştirme, ilişkili şablonlardaki yinelemeleri azaltır. Başarımı izleyin ve güncelliğini yitiren şablonları etkin biçimde kullanım dışı bırakın.
Yapay zeka eğitmeniyle AI Prompt Engineering öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 53
- Dersler
- 199
Sıkça Sorulan Sorular
“Şablonları Farklı Görevlerde Yeniden Kullanma” dersi ücretsiz mi?
Evet — “Şablonları Farklı Görevlerde Yeniden Kullanma” 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.
“Şablonları Farklı Görevlerde Yeniden Kullanma” dersinde ne öğreneceğim?
Parametreli şablonlarla kişisel bir istem kitaplığı oluşturun. 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.
“Şablonları Farklı Görevlerde Yeniden Kullanma” 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
- İstem Şablonu Nedir?
- Boşluk Doldurma Kalıpları Oluşturma
- Değişken Değiştirme Teknikleri
- Şablonları Farklı Görevlerde Yeniden Kullanma