Yapay zeka modelleriyle daha etkili ileti\u015fim kurman\u0131n yollar\u0131n\u0131 arayanlar i\u00e7in prompt hack’leri ge\u00e7mi\u015fte kal\u0131rken, Ba\u011flam M\u00fchendisli\u011fi<\/strong> yepyeni bir ufuk a\u00e7\u0131yor. Bu makale, neden s\u0131radan prompt y\u00f6ntemlerinin yerini ba\u011flamsal yakla\u015f\u0131mlar\u0131n ald\u0131\u011f\u0131n\u0131, bu d\u00f6n\u00fc\u015f\u00fcm\u00fcn arkas\u0131ndaki temel prensipleri ve ger\u00e7ek d\u00fcnya uygulamalar\u0131n\u0131 ad\u0131m ad\u0131m a\u00e7\u0131kl\u0131yor.<\/p>\n B\u00fcy\u00fck Dil Modelleri (LLM’ler) hayat\u0131m\u0131za girdi\u011finden beri, onlarla ileti\u015fim kurma sanat\u0131na “Prompt M\u00fchendisli\u011fi” ad\u0131n\u0131 verdik. Ba\u015flang\u0131\u00e7ta bu, modele do\u011fru \u00e7\u0131kt\u0131y\u0131 verdirmek i\u00e7in do\u011fru anahtar kelimeleri, c\u00fcmle yap\u0131lar\u0131n\u0131 veya talimatlar\u0131 bulma denemelerinden ibaretti. Bir m\u00fchendislik disiplininden ziyade, daha \u00e7ok bir deneme-yan\u0131lma sanat\u0131yd\u0131. Modelin karma\u015f\u0131k i\u00e7 i\u015fleyi\u015fini tam olarak anlamadan, belirli kelimelerin veya kal\u0131plar\u0131n sihirli bir \u015fekilde daha iyi sonu\u00e7lar verdi\u011fini ke\u015ffetmek, bir nevi “prompt hack” olarak kabul ediliyordu.<\/p>\n Peki, bu prompt hack’leri tam olarak neydi? \u00d6rne\u011fin, bir modele “L\u00fctfen \u015funu yaz” demek yerine “Sen profesyonel bir metin yazar\u0131 olarak \u015funu yaz” gibi persona atamalar\u0131 yapmak, veya “Ad\u0131m ad\u0131m d\u00fc\u015f\u00fcn” (Chain-of-Thought prompting) gibi spesifik sihirli ifadeler kullanmak birer hack idi. Bu yakla\u015f\u0131mlar, \u00f6zellikle modellerin ilk versiyonlar\u0131nda, \u00e7\u0131kt\u0131 kalitesinde g\u00f6zle g\u00f6r\u00fcl\u00fcr iyile\u015fmeler sa\u011flayabiliyordu. Ancak, bu y\u00f6ntemlerin ciddi s\u0131n\u0131rlamalar\u0131 vard\u0131. Modelin i\u00e7 mant\u0131\u011f\u0131n\u0131 anlamadan yap\u0131lan bu t\u00fcr “hack”ler, genellikle \u00f6l\u00e7eklenebilir de\u011fildi, farkl\u0131 modellerde veya farkl\u0131 g\u00f6revlerde tutarl\u0131 sonu\u00e7lar vermiyordu ve \u00e7o\u011fu zaman anl\u0131k \u00e7\u00f6z\u00fcmlerden \u00f6teye ge\u00e7emiyordu. Kullan\u0131c\u0131lar, ayn\u0131 prompt’u farkl\u0131 zamanlarda kulland\u0131klar\u0131nda veya model g\u00fcncellendi\u011finde farkl\u0131 sonu\u00e7lar alabiliyor, bu da sistemin g\u00fcvenilirli\u011fini d\u00fc\u015f\u00fcr\u00fcyordu.<\/p>\n Bir e-ticaret sitesi i\u00e7in \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131 olu\u015fturan bir senaryo d\u00fc\u015f\u00fcnelim. Ba\u015flang\u0131\u00e7ta, bir metin yazar\u0131, LLM’ye “Bu \u00fcr\u00fcn i\u00e7in \u00e7ekici bir a\u00e7\u0131klama yaz: [\u00dcr\u00fcn Ad\u0131], \u00d6zellikleri: [\u00d6zellikler Listesi]” gibi basit bir prompt girerdi. Ancak, \u00e7\u0131kt\u0131lar bazen fazla genel, bazen de \u00fcr\u00fcn\u00fcn ana faydalar\u0131n\u0131 ka\u00e7\u0131ran cinsten olabilirdi. Bu durumu a\u015fmak i\u00e7in metin yazar\u0131, “Sen uzman bir pazarlamac\u0131s\u0131n. T\u00fcketicinin duygular\u0131na hitap eden, SEO uyumlu ve 150 kelimeyi ge\u00e7meyen bir \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 yaz. Ba\u015flang\u0131\u00e7ta bir kanca c\u00fcmle kullan.” gibi daha detayl\u0131 ve manip\u00fclatif bir prompt kullanmaya ba\u015flard\u0131. Bu, bir prompt hack’iydi. Belirli kelimeler ve talimatlar modelin davran\u0131\u015f\u0131n\u0131 ge\u00e7ici olarak istedi\u011fi y\u00f6ne \u00e7ekiyordu. Ancak, bu t\u00fcr yakla\u015f\u0131mlar, yeni bir \u00fcr\u00fcn kategorisi eklendi\u011finde veya pazar trendleri de\u011fi\u015fti\u011finde yetersiz kalabiliyor, her yeni durum i\u00e7in prompt’u ba\u015ftan “hacklemek” gereklili\u011fi do\u011furuyordu. Modelin hangi verilerle e\u011fitildi\u011fi veya belirli bir talimat\u0131 neden daha iyi yorumlad\u0131\u011f\u0131 gibi temel sorular genellikle yan\u0131ts\u0131z kal\u0131yordu. Bu durum, prompt m\u00fchendisli\u011fini daha bilimsel ve yap\u0131sal bir temele oturtma ihtiyac\u0131n\u0131 beraberinde getirdi.<\/p>\n Prompt hack’leri, k\u0131sa vadede i\u015fe yarayan k\u00fc\u00e7\u00fck optimizasyonlar gibiydi. Ancak, modern yapay zeka uygulamalar\u0131, sadece “i\u015fe yarayan” de\u011fil, ayn\u0131 zamanda g\u00fcvenilir, tutarl\u0131, \u00f6l\u00e7eklenebilir ve y\u00f6netilebilir \u00e7\u00f6z\u00fcmler gerektiriyor. \u0130\u015fte bu noktada, modelin sadece anl\u0131k bir girdiye de\u011fil, geni\u015f ve zengin bir ba\u011flama dayanarak \u00e7\u0131kt\u0131 \u00fcretmesini sa\u011flayan Ba\u011flam M\u00fchendisli\u011fi devreye giriyor. Bu d\u00f6n\u00fc\u015f\u00fcm, yapay zeka etkile\u015fimlerimizi adeta bir deneme tahtas\u0131ndan, \u00f6zenle tasarlanm\u0131\u015f bir laboratuvara ta\u015f\u0131yor.<\/p>\n Ba\u011flam M\u00fchendisli\u011fi, LLM’lere yaln\u0131zca birka\u00e7 anahtar kelime veya talimat vermek yerine, onlara kapsaml\u0131, yap\u0131land\u0131r\u0131lm\u0131\u015f ve ilgili bilgi setleri sunarak daha do\u011fru, tutarl\u0131 ve alakal\u0131 yan\u0131tlar \u00fcretmelerini sa\u011flamak prensibine dayan\u0131r. Bu, modelin “daha ak\u0131ll\u0131” veya “daha yarat\u0131c\u0131” olmas\u0131n\u0131 beklemekten ziyade, ona karar verme yetene\u011fini geli\u015ftirecek zengin bir zemin haz\u0131rlamak anlam\u0131na gelir. Basit prompt’lar\u0131n y\u00fczeyselli\u011fine kar\u015f\u0131, Ba\u011flam M\u00fchendisli\u011fi, modelin g\u00f6revi anlamas\u0131, ilgili bilgilere eri\u015fmesi ve bu bilgileri kullanarak daha sofistike \u00e7\u0131kar\u0131mlar yapmas\u0131 i\u00e7in gereken t\u00fcm girdiyi proaktif bir \u015fekilde y\u00f6netir ve sunar. Bu yakla\u015f\u0131m, prompt hack’lerinin aksine, deneme-yan\u0131lma de\u011fil, veri bilimi ve sistem tasar\u0131m\u0131 prensiplerine dayan\u0131r.<\/p>\n Peki, Ba\u011flam M\u00fchendisli\u011fi neden bu kadar \u00f6nemli hale geldi? \u0130lk olarak, prompt hack’leri zamanla yetersiz kalmaya ba\u015flad\u0131. LLM’ler daha karma\u015f\u0131k hale geldik\u00e7e ve beklentiler artt\u0131k\u00e7a, basit tetikleyici kelimelerle istenen \u00e7\u0131kt\u0131y\u0131 almak giderek zorla\u015ft\u0131. \u0130kincisi, tutarl\u0131l\u0131k ve g\u00fcvenilirlik ihtiyac\u0131 do\u011fdu. Kurumsal uygulamalarda veya kritik sistemlerde, yapay zekan\u0131n her zaman do\u011fru ve g\u00fcvenilir bilgi sa\u011flamas\u0131 esast\u0131r. Prompt hack’leri bu tutarl\u0131l\u0131\u011f\u0131 garanti edemezken, yap\u0131land\u0131r\u0131lm\u0131\u015f ba\u011flam, modelin “hal\u00fcsinasyon” riskini azaltarak daha \u00f6ng\u00f6r\u00fclebilir sonu\u00e7lar sunar. \u00dc\u00e7\u00fcnc\u00fcs\u00fc, \u00f6l\u00e7eklenebilirlik. Binlerce farkl\u0131 \u00fcr\u00fcn a\u00e7\u0131klamas\u0131, milyonlarca m\u00fc\u015fteri deste\u011fi sorgusu veya y\u00fczlerce hukuki belge \u00f6zeti gibi b\u00fcy\u00fck \u00f6l\u00e7ekli g\u00f6revlerde, her bir prompt’u tek tek “hacklemek” imkans\u0131zd\u0131r. Ba\u011flam M\u00fchendisli\u011fi, standartla\u015ft\u0131r\u0131lm\u0131\u015f veri i\u015fleme ve ba\u011flam sa\u011flama mekanizmalar\u0131yla bu s\u00fcre\u00e7leri otomatize etme ve \u00f6l\u00e7ekleme imkan\u0131 sunar.<\/p>\n Bir \u00f6rnekle a\u00e7\u0131klayal\u0131m: Bir finansal analiz platformu i\u00e7in bir LLM entegre etti\u011finizi d\u00fc\u015f\u00fcn\u00fcn. M\u00fc\u015fteriler, belirli bir \u015firketin son \u00e7eyrek raporu hakk\u0131nda \u00f6zet veya analiz istiyorlar. Geleneksel bir prompt hack’i, “\u015eirket X’in son raporunu \u00f6zetle” gibi basit bir talimat olabilir. Ancak bu, modelin do\u011fru rapordan m\u0131 bahsetti\u011fini, en g\u00fcncel bilgiyi mi kulland\u0131\u011f\u0131n\u0131 veya finansal terimleri do\u011fru yorumlay\u0131p yorumlamad\u0131\u011f\u0131n\u0131 garanti etmez. Sonu\u00e7lar genel ve y\u00fczeysel olabilir.<\/p>\n Ba\u011flam M\u00fchendisli\u011fi ise bu soruna farkl\u0131 bir yakla\u015f\u0131m getirir. \u00d6ncelikle, sistem \u015firketin t\u00fcm finansal raporlar\u0131n\u0131, sekt\u00f6r verilerini, analist yorumlar\u0131n\u0131 ve makroekonomik g\u00f6stergeleri i\u00e7eren bir bilgi taban\u0131 olu\u015fturur. Kullan\u0131c\u0131 “\u015eirket X’in son raporunu \u00f6zetle” dedi\u011finde, Ba\u011flam M\u00fchendisli\u011fi sistemi devreye girer:<\/p>\n Bu s\u00fcre\u00e7te, LLM sadece bir talimat almakla kalmaz, ayn\u0131 zamanda bu talimat\u0131 yerine getirmek i\u00e7in gerekli t\u00fcm g\u00fcncel ve do\u011frulanm\u0131\u015f bilgilere do\u011frudan eri\u015fir. Bu, \u00e7\u0131kt\u0131n\u0131n \u00e7ok daha do\u011fru, derinlemesine ve g\u00fcvenilir olmas\u0131n\u0131 sa\u011flar. Prompt hack’leri k\u0131sa vadeli bir rahatlama sa\u011flarken, Ba\u011flam M\u00fchendisli\u011fi, yapay zeka destekli sistemlerin uzun vadeli ba\u015far\u0131s\u0131n\u0131n ve tutarl\u0131l\u0131\u011f\u0131n\u0131n anahtar\u0131d\u0131r.<\/p>\n Ba\u011flam M\u00fchendisli\u011fi, LLM’lerden daha tutarl\u0131 ve do\u011fru sonu\u00e7lar elde etmek i\u00e7in \u00e7e\u015fitli prensipleri bir araya getirir. Bu prensipler, modelin sadece “ne” soruldu\u011funu de\u011fil, “neden” soruldu\u011funu ve “hangi” bilgilerle yan\u0131t vermesi gerekti\u011fini anlamas\u0131n\u0131 sa\u011flar. \u0130\u015fte bu prensiplerin baz\u0131lar\u0131:<\/p>\n In-Context Learning (ICL), modele yeni bir g\u00f6revi \u00f6\u011fretmek i\u00e7in \u00f6nceden e\u011fitilmi\u015f bir modelin parametrelerini g\u00fcncellemek yerine, do\u011frudan prompt i\u00e7erisinde \u00f6rnekler sunma tekni\u011fidir. Bu, modelin “\u00f6\u011frenme” yetene\u011fini kullanarak belirli bir g\u00f6rev i\u00e7in nas\u0131l yan\u0131t vermesi gerekti\u011fini anlamas\u0131na yard\u0131mc\u0131 olur. ICL, genellikle “few-shot” veya “one-shot” \u00f6\u011frenme olarak kar\u015f\u0131m\u0131za \u00e7\u0131kar:<\/p>\n ICL’in g\u00fcc\u00fc, modelin sunulan \u00f6rneklerden genelleme yapma ve yeni, benzer senaryolara bu bilgiyi uygulama yetene\u011finden gelir. Bu, \u00f6zellikle modelin zaten bildi\u011fi ancak belirli bir formatta veya tonda sunmas\u0131 gereken g\u00f6revlerde \u00e7ok etkilidir.<\/p>\n RAG, Ba\u011flam M\u00fchendisli\u011finin en g\u00fc\u00e7l\u00fc ve yayg\u0131n prensiplerinden biridir. LLM’lerin en b\u00fcy\u00fck s\u0131n\u0131rlamalar\u0131ndan biri, e\u011fitim verileri d\u0131\u015f\u0131nda g\u00fcncel veya \u00f6zel bilgilere eri\u015fememeleridir. RAG bu sorunu, modeli “harici bir bilgi taban\u0131” ile donatarak \u00e7\u00f6zer. S\u00fcre\u00e7 genellikle \u015fu ad\u0131mlar\u0131 i\u00e7erir:<\/p>\n RAG’\u0131n ana faydas\u0131, modelin “hal\u00fcsinasyon” (ger\u00e7ek olmayan bilgi \u00fcretme) riskini \u00f6nemli \u00f6l\u00e7\u00fcde azaltmas\u0131 ve her zaman g\u00fcncel, do\u011frulanabilir bilgilere dayanarak yan\u0131t vermesini sa\u011flamas\u0131d\u0131r. Bu sayede, kurum i\u00e7i belgelerden veya belirli bir sekt\u00f6r\u00fcn terminolojisinden faydalanarak \u00e7ok daha ni\u015f ve do\u011fru \u00e7\u0131kt\u0131lar \u00fcretmek m\u00fcmk\u00fcn hale gelir.<\/p>\n LLM’ler serbest metni i\u015flemek i\u00e7in tasarlanm\u0131\u015f olsa da, yap\u0131land\u0131r\u0131lm\u0131\u015f veriler (JSON, XML, tablo formatlar\u0131 vb.) onlara net ve kesin bilgi sunman\u0131n en etkili yollar\u0131ndan biridir. Ba\u011flam M\u00fchendisli\u011fi, harici sistemlerden veya veritabanlar\u0131ndan gelen yap\u0131land\u0131r\u0131lm\u0131\u015f verileri, modelin anlayabilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcrerek prompt’a ekler. \u00d6rne\u011fin, bir m\u00fc\u015fteri sorgusuna yan\u0131t verirken, m\u00fc\u015fterinin sipari\u015f ge\u00e7mi\u015fi, adres bilgileri veya \u00f6nceki etkile\u015fimleri bir JSON nesnesi olarak prompt’a eklenebilir. Bu, modelin \u00e7ok daha ki\u015fiselle\u015ftirilmi\u015f ve do\u011fru yan\u0131tlar vermesini sa\u011flar.<\/p>\n Ba\u011flam M\u00fchendisli\u011fi tek seferlik bir i\u015flem de\u011fildir; s\u00fcrekli bir iyile\u015ftirme d\u00f6ng\u00fcs\u00fcd\u00fcr. Modelin \u00e7\u0131kt\u0131lar\u0131 d\u00fczenli olarak de\u011ferlendirilmeli, hatalar veya eksiklikler tespit edildi\u011finde ba\u011flam veya prompt stratejisi ayarlanmal\u0131d\u0131r. Bu, insan geribildirimini (Human-in-the-Loop) veya otomatik de\u011ferlendirme metriklerini i\u00e7erebilir. A\/B testleri, farkl\u0131 ba\u011flam stratejilerinin etkinli\u011fini kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in kullan\u0131labilir. Bu s\u00fcre\u00e7, ba\u011flam\u0131n zamanla daha rafine ve etkili hale gelmesini sa\u011flar.<\/p>\n Uzman \u0130pucu:<\/strong> Ba\u011flam M\u00fchendisli\u011fi’nde token y\u00f6netimi hayati \u00f6neme sahiptir. LLM’lerin s\u0131n\u0131rl\u0131 ba\u011flam pencereleri oldu\u011fundan, sunulan bilgilerin sadece en alakal\u0131 k\u0131s\u0131mlar\u0131n\u0131 se\u00e7mek ve gereksiz detaylar\u0131 elemek, model performans\u0131n\u0131 %40 art\u0131rabilir ve maliyetleri d\u00fc\u015f\u00fcrebilir.<\/p>\n<\/div>\n Prompt hack’lerinden Ba\u011flam M\u00fchendisli\u011fine ge\u00e7i\u015f, yapay zeka uygulamalar\u0131n\u0131z\u0131 daha sa\u011flam, g\u00fcvenilir ve \u00f6l\u00e7eklenebilir hale getiren metodik bir yakla\u015f\u0131md\u0131r. Bu d\u00f6n\u00fc\u015f\u00fcm, sadece prompt’lar\u0131 de\u011fi\u015ftirmekten \u00f6te, veri y\u00f6netimi, sistem mimarisi ve de\u011ferlendirme s\u00fcre\u00e7lerinde k\u00f6kl\u00fc de\u011fi\u015fiklikler gerektirir. \u0130\u015fte ad\u0131m ad\u0131m bu ge\u00e7i\u015fi nas\u0131l yapabilece\u011finize dair bir rehber:<\/p>\n \u00d6rnek Ge\u00e7i\u015f: Basit Prompt’tan Ba\u011flam M\u00fchendisli\u011fine<\/strong><\/p>\n Diyelim ki bir e-ticaret siteniz var ve \u00fcr\u00fcn iade politikalar\u0131 hakk\u0131nda bir sohbet botu geli\u015ftirmek istiyorsunuz.<\/p>\n Eski Yakla\u015f\u0131m (Prompt Hack):<\/strong><\/p>\n <\/code><\/p>\n Yeni Yakla\u015f\u0131m (Ba\u011flam M\u00fchendisli\u011fi):<\/strong><\/p>\n \u00d6ncelikle, t\u00fcm iade politikalar\u0131n\u0131z\u0131 i\u00e7eren bir bilgi taban\u0131 olu\u015fturursunuz. Bu, bir dok\u00fcman veya veritaban\u0131 girdisi olabilir:<\/p>\n <\/code><\/p>\n Kullan\u0131c\u0131 \"Merhaba, iade politikalar\u0131n\u0131z nelerdir?\" diye sordu\u011funda, sistem bu JSON verisini al\u0131p LLM'ye \u015fu \u015fekilde sunar:<\/p>\n <\/code><\/p>\n Bu \u00f6rnekte, LLM sadece bir soru almakla kalmaz, ayn\u0131 zamanda bu soruyu yan\u0131tlamak i\u00e7in gereken t\u00fcm detayl\u0131 ve g\u00fcncel iade politikalar\u0131na do\u011frudan eri\u015fir. Bu sayede modelin hal\u00fcsinasyon yapma veya yanl\u0131\u015f bilgi verme olas\u0131l\u0131\u011f\u0131 minimize edilir, \u00e7\u0131kt\u0131n\u0131n do\u011frulu\u011fu ve kullan\u0131\u015fl\u0131l\u0131\u011f\u0131 art\u0131r\u0131l\u0131r. Bu sadece bir ba\u015flang\u0131\u00e7t\u0131r; ba\u011flam m\u00fchendisli\u011fi, daha karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131 ve dinamik veri entegrasyonlar\u0131 ile \u00e7ok daha ileri seviyelere ta\u015f\u0131nabilir.<\/p>\n Ba\u011flam M\u00fchendisli\u011fi'nin teorik prensiplerini ger\u00e7ek d\u00fcnya problemlerine nas\u0131l uyguland\u0131\u011f\u0131n\u0131 g\u00f6rmek, konunun \u00f6nemini daha iyi anlamam\u0131z\u0131 sa\u011flar. \u0130\u015fte iki farkl\u0131 sekt\u00f6rden vaka analizi:<\/p>\n Problem:<\/strong> B\u00fcy\u00fck bir telekom\u00fcnikasyon \u015firketi, m\u00fc\u015fteri destek hatt\u0131ndaki yo\u011funlu\u011fu azaltmak i\u00e7in bir AI sohbet botu kullan\u0131yordu. Ancak, botun yan\u0131tlar\u0131 genellikle genel, tekrarlay\u0131c\u0131 ve m\u00fc\u015fterinin \u00f6zel durumuna uyarlanmam\u0131\u015ft\u0131. \u00d6rne\u011fin, bir m\u00fc\u015fteri \"Faturam\u0131 nas\u0131l d\u00fc\u015f\u00fcrebilirim?\" diye sordu\u011funda, bot sadece standart tarife bilgilerini listeliyor, m\u00fc\u015fterinin mevcut abonelik ge\u00e7mi\u015fini, kullan\u0131m al\u0131\u015fkanl\u0131klar\u0131n\u0131 veya \u00f6nceki \u015fikayetlerini dikkate alm\u0131yordu. Bu durum, m\u00fc\u015fterileri hala insan m\u00fc\u015fteri temsilcilerine y\u00f6nlendiriyor ve botun verimlili\u011fini d\u00fc\u015f\u00fcr\u00fcyordu. Prompt hack'leri bu durumda i\u015fe yaram\u0131yordu \u00e7\u00fcnk\u00fc her m\u00fc\u015fterinin durumu benzersizdi ve sabit bir \"sihirli prompt\" tasarlamak imkans\u0131zd\u0131.<\/p>\n \u00c7\u00f6z\u00fcm: Ba\u011flam M\u00fchendisli\u011fi ile RAG ve Yap\u0131land\u0131r\u0131lm\u0131\u015f Veri Entegrasyonu<\/strong><\/p>\n \u015eirket, Ba\u011flam M\u00fchendisli\u011fi yakla\u015f\u0131m\u0131n\u0131 benimseyerek botu yeniden tasarlad\u0131. Temel strateji \u015fuydu:<\/p>\n <\/code>\n <\/li>\n<\/ol>\n Sonu\u00e7:<\/strong> Bu Ba\u011flam M\u00fchendisli\u011fi yakla\u015f\u0131m\u0131 sayesinde, bot art\u0131k sadece genel bilgi vermek yerine, m\u00fc\u015fterinin spesifik kullan\u0131m al\u0131\u015fkanl\u0131klar\u0131na ve mevcut s\u00f6zle\u015fmesine g\u00f6re ki\u015fiselle\u015ftirilmi\u015f, ger\u00e7ek\u00e7i ve cazip teklifler sunabildi. \u00d6rne\u011fin, \"Mega 50GB paketinizin 3 ay sonra bitece\u011fini g\u00f6r\u00fcyorum. Ortalama 25GB kulland\u0131\u011f\u0131n\u0131z i\u00e7in size 'Orta Boy 30GB' paketimizi 120 TL'ye tavsiye edebilirim. Ayr\u0131ca, mevcut s\u00f6zle\u015fmenizi yenilemeniz durumunda %15 indirimden faydalanabilirsiniz.\" gibi yan\u0131tlar \u00fcretti. Bu, m\u00fc\u015fteri memnuniyetini art\u0131rd\u0131 ve insan temsilcilere y\u00f6nlendirilen \u00e7a\u011fr\u0131 say\u0131s\u0131n\u0131 %35 oran\u0131nda azaltt\u0131.<\/p>\n Problem:<\/strong> Bir hukuk firmas\u0131, avukatlar\u0131n y\u00fczlerce sayfal\u0131k yasal belgeleri (s\u00f6zle\u015fmeler, mahkeme kararlar\u0131, kanun maddeleri) h\u0131zl\u0131ca \u00f6zetlemesine yard\u0131mc\u0131 olmak i\u00e7in bir LLM tabanl\u0131 ara\u00e7 kullan\u0131yordu. Ancak, model s\u0131k s\u0131k \"hal\u00fcsinasyon\" yap\u0131yor, \u00f6nemli detaylar\u0131 atl\u0131yor veya hukuki terminolojiyi yanl\u0131\u015f yorumluyordu. Bu hatalar, ciddi mali ve hukuki riskler ta\u015f\u0131yordu. Geleneksel prompt hack'leri (\u00f6rn. \"Sen uzman bir avukats\u0131n...\") modelin g\u00fcvenilirli\u011fini art\u0131rmakta yetersiz kal\u0131yordu \u00e7\u00fcnk\u00fc modelin ger\u00e7ek hukuki bilgiye eri\u015fimi yoktu.<\/p>\n \u00c7\u00f6z\u00fcm: Ba\u011flam M\u00fchendisli\u011fi ile Semantik Par\u00e7alama ve Uzman Bilgi Entegrasyonu<\/strong><\/p>\n Hukuk firmas\u0131, Ba\u011flam M\u00fchendisli\u011fi tekniklerini kullanarak arac\u0131 geli\u015ftirdi:<\/p>\n Kullan\u0131c\u0131 (avukat) bir belgeyi \u00f6zetlemek istedi\u011finde:<\/p>\n <\/code><\/p>\n Sistem \u015fu ad\u0131mlar\u0131 izledi:<\/p>\n <\/code>\n <\/li>\n<\/ol>\n Sonu\u00e7:<\/strong> Bu Ba\u011flam M\u00fchendisli\u011fi yakla\u015f\u0131m\u0131 sayesinde, modelin \u00f6zetleri son derece do\u011fru, detayl\u0131 ve hukuki a\u00e7\u0131dan g\u00fcvenilir hale geldi. \"Hal\u00fcsinasyon\" riski dramatik bir \u015fekilde azald\u0131. Avukatlar, karma\u015f\u0131k belgeleri %60 daha h\u0131zl\u0131 inceleyebildi ve \u00f6zetlerin kalitesi insan uzmanlar\u0131nkine \u00e7ok yakla\u015ft\u0131. \u00d6zellikle, modelin sadece belgeyi de\u011fil, g\u00fcncel yasal mevzuat\u0131 ve yarg\u0131 i\u00e7tihatlar\u0131n\u0131 da dikkate almas\u0131 b\u00fcy\u00fck bir de\u011fer katt\u0131. Bu, hukuki s\u00fcre\u00e7lerde verimlilik ve hata oranlar\u0131nda ciddi iyile\u015fmeler sa\u011flad\u0131.<\/p>\n Ba\u011flam M\u00fchendisli\u011fi, basit veri entegrasyonlar\u0131n\u0131n \u00f6tesine ge\u00e7erek, daha karma\u015f\u0131k ve ak\u0131ll\u0131 \u00e7\u00f6z\u00fcmler sunabilen ileri teknikler i\u00e7erir. Bu teknikler, \u00f6zellikle y\u00fcksek performans, adaptasyon ve verimlilik gerektiren senaryolarda devreye girer.<\/p>\n S\u0131k\u00e7a kar\u0131\u015ft\u0131r\u0131lan iki kavram olan fine-tuning ve ba\u011flam m\u00fchendisli\u011fi asl\u0131nda birbirini tamamlayan yakla\u015f\u0131mlard\u0131r.<\/p>\n \u0130pu\u00e7lar\u0131:<\/strong> En iyi sonu\u00e7lar genellikle bu iki yakla\u015f\u0131m\u0131n birle\u015fimiyle elde edilir. Fine-tuning ile modelinizi genel olarak \u015firketinizin jargonuna ve g\u00f6rev tiplerine al\u0131\u015ft\u0131rd\u0131ktan sonra, Ba\u011flam M\u00fchendisli\u011fi (\u00f6zellikle RAG) ile modele g\u00fcncel, dinamik ve \u00f6zel bilgileri sa\u011flayabilirsiniz. B\u00f6ylece model hem kurumunuza \u00f6zg\u00fc bir \"dil\"e sahip olur hem de her zaman en g\u00fcncel bilgilere dayanarak yan\u0131t verir.<\/p>\n LLM'lerin belirli bir token (kelime veya kelime par\u00e7ac\u0131\u011f\u0131) limiti vard\u0131r. Bu limit, modelin bir seferde i\u015fleyebilece\u011fi ba\u011flam miktar\u0131n\u0131 belirler. \u0130leri d\u00fczey Ba\u011flam M\u00fchendisli\u011fi, bu pencereyi dinamik olarak y\u00f6netmeyi i\u00e7erir. Yani, her sorgu i\u00e7in statik bir ba\u011flam g\u00f6ndermek yerine, sadece en alakal\u0131 ve kritik bilgileri se\u00e7erek token kullan\u0131m\u0131n\u0131 optimize etmek hedeflenir.<\/p>\n Geli\u015fmi\u015f LLM'ler (Multimodal LLM'ler) metin d\u0131\u015f\u0131nda g\u00f6rseller, sesler veya videolar gibi farkl\u0131 veri t\u00fcrlerini de i\u015fleyebilir. \u0130leri d\u00fczey Ba\u011flam M\u00fchendisli\u011fi, bu \u00e7ok modlu yetenekleri kullanarak ba\u011flam\u0131 zenginle\u015ftirir. \u00d6rne\u011fin, bir \u00fcr\u00fcn hakk\u0131nda soru soruldu\u011funda, sadece metin a\u00e7\u0131klamas\u0131 de\u011fil, ayn\u0131 zamanda \u00fcr\u00fcn\u00fcn g\u00f6rselleri, kullan\u0131m k\u0131lavuzunun PDF'i veya bir tan\u0131t\u0131m videosunun transkripti de ba\u011flam olarak sunulabilir. Bu, modelin \u00e7ok daha kapsaml\u0131 ve g\u00f6rsel olarak desteklenmi\u015f yan\u0131tlar \u00fcretmesini sa\u011flar.<\/p>\n Ba\u011flam M\u00fchendisli\u011fi stratejilerinin etkinli\u011fini s\u00fcrekli olarak \u00f6l\u00e7mek ve iyile\u015ftirmek esast\u0131r. Geli\u015fmi\u015f sistemler, otomatik de\u011ferlendirme metrikleri ve insan geribildirim d\u00f6ng\u00fclerini entegre eder.<\/p>\n Otomatik test senaryolar\u0131 ve A\/B testleri, farkl\u0131 ba\u011flam stratejilerinin performans\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in kullan\u0131labilir. Geli\u015fmi\u015f izleme (monitoring) ara\u00e7lar\u0131, modelin canl\u0131 ortamdaki davran\u0131\u015f\u0131n\u0131 izleyerek anormallikleri tespit etmeye ve ba\u011flam stratejilerini ger\u00e7ek zamanl\u0131 olarak ayarlamaya yard\u0131mc\u0131 olabilir.<\/p>\n Mobil cihazlar, s\u0131n\u0131rl\u0131 i\u015flem g\u00fcc\u00fc, pil \u00f6mr\u00fc ve a\u011f ba\u011flant\u0131s\u0131 gibi kendine has k\u0131s\u0131tlamalara sahiptir. Ba\u011flam M\u00fchendisli\u011fi uygulamalar\u0131n\u0131 mobil platformlara ta\u015f\u0131rken bu k\u0131s\u0131tlamalar\u0131 g\u00f6z \u00f6n\u00fcnde bulundurmak kritiktir. Optimizasyon sadece kodla ilgili de\u011fil, ayn\u0131 zamanda kullan\u0131c\u0131 deneyimi ve veri transferiyle de ilgilidir.<\/p>\nBa\u011flam M\u00fchendisli\u011fi Nedir ve Neden Ortaya \u00c7\u0131kt\u0131?<\/h2>\n
\n
Ba\u011flam M\u00fchendisli\u011finin Temel Prensipleri Nelerdir?<\/h2>\n
In-Context Learning (Ba\u011flam \u0130\u00e7i \u00d6\u011frenme)<\/h3>\n
\n
Retrieval Augmented Generation (RAG) – Geri Getirme Art\u0131r\u0131lm\u0131\u015f \u00dcretim<\/h3>\n
\n
Yap\u0131land\u0131r\u0131lm\u0131\u015f Veri Entegrasyonu<\/h3>\n
\u0130teratif \u0130yile\u015ftirme ve De\u011ferlendirme<\/h3>\n
Prompt Hack’lerinden Ba\u011flam M\u00fchendisli\u011fine Nas\u0131l Ge\u00e7i\u015f Yap\u0131l\u0131r?<\/h3>\n
\n
\n * Uygulamalar\u0131n\u0131zda kulland\u0131\u011f\u0131n\u0131z “sihirli kelimeleri” veya kal\u0131plar\u0131 listeleyin.
\n * Bu hack’lerin hangi senaryolarda ba\u015far\u0131s\u0131z oldu\u011funu, tutars\u0131z \u00e7\u0131kt\u0131lar verdi\u011fini veya \u00f6l\u00e7eklenemedi\u011fini analiz edin.
\n * Hangi bilgilerin eksik oldu\u011fu i\u00e7in modelin “tahminler” yapt\u0131\u011f\u0131n\u0131 belirleyin.<\/li>\n
\n * Modelin do\u011fru yan\u0131tlar \u00fcretebilmesi i\u00e7in hangi bilgilere ihtiyac\u0131 oldu\u011funu d\u00fc\u015f\u00fcn\u00fcn. M\u00fc\u015fteri verileri, \u00fcr\u00fcn kataloglar\u0131, \u015firket politikalar\u0131, teknik dok\u00fcmanlar, sekt\u00f6r raporlar\u0131 vb.
\n * Bu verilerin hangi kaynaklarda bulundu\u011funu (veritabanlar\u0131, API’lar, dosyalar, web siteleri) tespit edin.
\n * Verileri standardize edin, temizleyin ve gerekli durumlarda yap\u0131land\u0131r\u0131n (JSON, CSV, veritaban\u0131 tablolar\u0131).<\/li>\n
\n * Toplad\u0131\u011f\u0131n\u0131z verileri, LLM’nin h\u0131zl\u0131ca eri\u015febilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fcn. Bu genellikle metinleri “chunk”lara ay\u0131r\u0131p vekt\u00f6r embedding’leri olu\u015fturarak bir vekt\u00f6r veritaban\u0131nda depolamak anlam\u0131na gelir.
\n * Pinecone, Weaviate, ChromaDB gibi ara\u00e7lar bu s\u00fcre\u00e7te size yard\u0131mc\u0131 olabilir.
\n * Verilerinizi d\u00fczenli olarak g\u00fcncel tutmak i\u00e7in bir strateji geli\u015ftirin.<\/li>\n
\n * Kullan\u0131c\u0131 sorgusu geldi\u011finde, alakal\u0131 ba\u011flam verilerini bilgi taban\u0131n\u0131zdan nas\u0131l geri getireceksiniz? (Anahtar kelime aramas\u0131, anlamsal arama vb.)
\n * Geri getirilen verileri, ana prompt ile nas\u0131l birle\u015ftireceksiniz? Genellikle “system message” veya “user message” i\u00e7ine \u00f6zel etiketlerle yerle\u015ftirilir.<\/li>\n<\/ol>\nPrompt: \"Merhaba, iade politikalar\u0131n\u0131z nelerdir?\"\nModelin Beklenen Cevab\u0131: \"\u00dcr\u00fcnlerinizi 30 g\u00fcn i\u00e7inde iade edebilirsiniz, ancak baz\u0131 istisnalar vard\u0131r.\" (Genel ve potansiyel olarak yanl\u0131\u015f)\n<\/pre>\n\n \"iade_politikasi\": {\n \"genel_sure\": \"30 g\u00fcn\",\n \"istisnalar\": [\n {\"kategori\": \"Elektronik\", \"sure\": \"14 g\u00fcn\", \"kosul\": \"Kutusu a\u00e7\u0131lmam\u0131\u015f olmal\u0131.\"},\n {\"kategori\": \"Hijyen \u00dcr\u00fcnleri\", \"sure\": \"0 g\u00fcn\", \"kosul\": \"\u0130ade kabul edilmez.\"},\n {\"kategori\": \"\u00d6zel \u00dcretim\", \"sure\": \"7 g\u00fcn\", \"kosul\": \"Sipari\u015f detaylar\u0131na g\u00f6re de\u011fi\u015fir.\"}\n ],\n \"iade_adimlari\": [\n \"Online iade formu doldurun.\",\n \"\u00dcr\u00fcn\u00fc orijinal ambalaj\u0131yla paketleyin.\",\n \"Kargo etiketiyle en yak\u0131n kargoya teslim edin.\"\n ]\n }\n\n<\/pre>\n\n# Python \u00f6rne\u011fi\ndef generate_context_engineered_prompt(user_query, relevant_data):\n context_str = f\"A\u015fa\u011f\u0131da \u015firketimizin g\u00fcncel iade politikalar\u0131 yer almaktad\u0131r:\\n\"\n context_str += f\"Genel \u0130ade S\u00fcresi: {relevant_data['iade_politikasi']['genel_sure']}\\n\"\n context_str += \"\u0130stisnalar:\\n\"\n for exception in relevant_data['iade_politikasi']['istisnalar']:\n context_str += f\"- Kategori: {exception['kategori']}, S\u00fcre: {exception['sure']}, Ko\u015ful: {exception['kosul']}\\n\"\n context_str += \"\u0130ade Ad\u0131mlar\u0131:\\n\"\n for step in relevant_data['iade_politikasi']['iade_adimlari']:\n context_str += f\"- {step}\\n\\n\"\n\n # \u00d6rnek ICL (In-Context Learning) ekleme\n icl_example = \"\"\"\n \u00d6rnek Soru: \"Elektronik \u00fcr\u00fcnlerde iade s\u00fcresi ne kadar?\"\n \u00d6rnek Cevap: \"Elektronik \u00fcr\u00fcnler i\u00e7in iade s\u00fcresi 14 g\u00fcnd\u00fcr ve kutusu a\u00e7\u0131lmam\u0131\u015f olmal\u0131d\u0131r.\"\n \"\"\"\n \n final_prompt = f\"\"\"\n Sen m\u00fc\u015fteri hizmetleri temsilcisisin. A\u015fa\u011f\u0131daki iade politikalar\u0131n\u0131 kullanarak m\u00fc\u015fterinin sorular\u0131n\u0131 yan\u0131tla.\n E\u011fer m\u00fc\u015fterinin sorgusu belirli bir kategoriye \u00f6zel ise, istisnalar\u0131 dikkate al.\n {icl_example}\n\n M\u00fc\u015fterinin sorusu: \"{user_query}\"\n\n {context_str}\n\n Cevab\u0131n\u0131 olu\u015ftururken bu ba\u011flam\u0131 kullan ve her zaman nazik ve a\u00e7\u0131klay\u0131c\u0131 ol.\n \"\"\"\n return final_prompt\n\n# \u00c7a\u011fr\u0131 \u00f6rne\u011fi:\n# model_input = generate_context_engineered_prompt(\"Merhaba, iade politikalar\u0131n\u0131z nelerdir?\", policy_data)\n# print(model_input)\n# LLM'ye bu model_input<\/code> g\u00f6nderilir.\n\n# Modern Kod \u00d6rne\u011fi (Python'da basit bir console \u00e7\u0131kt\u0131s\u0131)\n# console.log(\"Modern Kod \u00d6rne\u011fi - Ba\u011flam M\u00fchendisli\u011fi ba\u015far\u0131l\u0131!\");\n\n<\/pre>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131nda Ba\u011flam M\u00fchendisli\u011fi: Vaka Analizleri<\/h2>\n
Vaka Analizi 1: M\u00fc\u015fteri Destek Sohbet Botu<\/h3>\n
\n
\n
\n Prompt: \"Sen X Telekom'un m\u00fc\u015fteri temsilcisisin. M\u00fc\u015fterinin mevcut durumu, ge\u00e7mi\u015fi ve \u015firketin g\u00fcncel teklifleri a\u015fa\u011f\u0131dad\u0131r. Bu bilgilere dayanarak, m\u00fc\u015fteriye en uygun maliyetli fatura d\u00fc\u015f\u00fcrme se\u00e7eneklerini sun ve bunu nazik, a\u00e7\u0131klay\u0131c\u0131 bir dille yap.\n \n M\u00fc\u015fteri ID: 12345\n Mevcut Paket: 'Mega 50GB' - 150 TL\/ay (S\u00f6zle\u015fme Biti\u015f: 3 ay sonra)\n Ortalama Son 3 Ay Kullan\u0131m: 25GB veri, 500dk arama\n \u00d6nceki \u015eikayetler: 'Y\u00fcksek fatura' (\u00c7\u00f6z\u00fcld\u00fc: Ge\u00e7ici indirim)\n \n M\u00fc\u015fteri Sorgusu: 'Faturam\u0131 nas\u0131l d\u00fc\u015f\u00fcrebilirim?'\n \n \u0130lgili Tarife Bilgileri (RAG'dan \u00e7ekildi):\n - 'Ekonomi 20GB': 90 TL\/ay (Yeni m\u00fc\u015fteriye \u00f6zel, 12 ay taahh\u00fct)\n - 'Orta Boy 30GB': 120 TL\/ay (T\u00fcm m\u00fc\u015fterilere a\u00e7\u0131k, 24 ay taahh\u00fct, ilk 3 ay %10 indirim)\n - 'S\u00f6zle\u015fme Yenileme \u0130ndirimi': Mevcut m\u00fc\u015fterilere \u00f6zel, %15 indirim (Yeni s\u00f6zle\u015fmede)\n \"\n <\/pre>\nVaka Analizi 2: Hukuki Belge \u00d6zeti \u00c7\u0131karma<\/h3>\n
\n
\nKullan\u0131c\u0131 Sorgusu: \"A\u015fa\u011f\u0131daki s\u00f6zle\u015fmenin ana risklerini ve ilgili kanun maddelerini \u00f6zetle.\"\n[Y\u00fczlerce sayfal\u0131k s\u00f6zle\u015fme metni buraya eklendi.]\n<\/pre>\n\n
\n Prompt: \"Sen uzman bir hukuk dan\u0131\u015fman\u0131s\u0131n. A\u015fa\u011f\u0131daki 'S\u00f6zle\u015fme Metni', '\u0130lgili Kanun Maddeleri' ve 'Emsal Yarg\u0131 Kararlar\u0131' \u0131\u015f\u0131\u011f\u0131nda, s\u00f6zle\u015fmenin temel risklerini madde madde listele ve her bir risk i\u00e7in ilgili kanun maddelerini belirt. \u00c7\u0131kt\u0131y\u0131 JSON format\u0131nda ver, 'risks' anahtar\u0131 alt\u0131nda her bir riski bir nesne olarak, 'description', 'legal_article', 'case_references' alanlar\u0131yla belirt.\n \n S\u00f6zle\u015fme Metni: [\u0130lgili s\u00f6zle\u015fme par\u00e7ac\u0131klar\u0131 buraya gelir]\n \u0130lgili Kanun Maddeleri: [RAG'dan \u00e7ekilen kanun maddeleri buraya gelir]\n Emsal Yarg\u0131 Kararlar\u0131: [RAG'dan \u00e7ekilen emsal kararlar buraya gelir]\n \"\n <\/pre>\n\n\n
\n \n\u00d6zellik<\/th>\n Prompt Hack'leri<\/th>\n Ba\u011flam M\u00fchendisli\u011fi<\/th>\n<\/tr>\n<\/thead>\n \n G\u00fcvenilirlik<\/strong><\/td>\n D\u00fc\u015f\u00fck, \"hal\u00fcsinasyon\" riski y\u00fcksek<\/td>\n Y\u00fcksek, do\u011frulanabilir bilgiye dayan\u0131r<\/td>\n<\/tr>\n \n \u00d6l\u00e7eklenebilirlik<\/strong><\/td>\n D\u00fc\u015f\u00fck, her senaryo i\u00e7in ayr\u0131 prompt<\/td>\n Y\u00fcksek, yap\u0131land\u0131r\u0131lm\u0131\u015f sistemler kullan\u0131r<\/td>\n<\/tr>\n \n Uyarlanabilirlik<\/strong><\/td>\n S\u0131n\u0131rl\u0131, modelin i\u00e7 bilgisiyle s\u0131n\u0131rl\u0131<\/td>\n Y\u00fcksek, harici ve g\u00fcncel bilgiye a\u00e7\u0131k<\/td>\n<\/tr>\n \n Bak\u0131m Kolayl\u0131\u011f\u0131<\/strong><\/td>\n Zor, prompt'lar k\u0131r\u0131lgan olabilir<\/td>\n Daha kolay, veri taban\u0131 g\u00fcncellenir<\/td>\n<\/tr>\n \n Maliyet Etkinli\u011fi<\/strong><\/td>\n K\u0131sa vadede d\u00fc\u015f\u00fck, uzun vadede y\u00fcksek (hata maliyetleri)<\/td>\n Yat\u0131r\u0131m gerektirir, uzun vadede optimize maliyet<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n \u0130leri D\u00fczey Ba\u011flam M\u00fchendisli\u011fi Teknikleri ve \u0130pu\u00e7lar\u0131<\/h2>\n
Fine-Tuning (\u0130nce Ayar) ile Ba\u011flam M\u00fchendisli\u011finin Fark\u0131 ve Birlikteli\u011fi<\/h3>\n
\n
Dinamik Ba\u011flam Penceresi Y\u00f6netimi<\/h3>\n
\n
\u00c7ok Modlu Ba\u011flam Entegrasyonu<\/h3>\n
De\u011ferlendirme Metrikleri ve Otomasyon<\/h3>\n
\n
Mobil Cihazlarda Ba\u011flam M\u00fchendisli\u011fi Uygulamalar\u0131 Nas\u0131l Optimize Edilir?<\/h3>\n
\n
\n * Minimalist Ba\u011flam:<\/strong> Mobil cihazlarda LLM'ye g\u00f6nderilen ba\u011flam\u0131n m\u00fcmk\u00fcn oldu\u011funca k\u0131sa ve \u00f6z olmas\u0131 gerekir. Sadece en kritik bilgileri se\u00e7erek token say\u0131s\u0131n\u0131 d\u00fc\u015f\u00fcr\u00fcn.
\n * S\u0131k\u0131\u015ft\u0131rma:<\/strong> Ba\u011flam verilerini LLM'ye g\u00f6ndermeden \u00f6nce s\u0131k\u0131\u015ft\u0131r\u0131n (gzip gibi), b\u00f6ylece daha az veri transferi olur, bu da mobil veri kullan\u0131m\u0131n\u0131 ve gecikmeyi azalt\u0131r.
\n * \u00d6zetleme:<\/strong> Uzun dok\u00fcmanlar\u0131 veya metin par\u00e7ac\u0131klar\u0131n\u0131 LLM'ye g\u00f6ndermeden \u00f6nce daha k\u00fc\u00e7\u00fck \u00f6zetlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcn. Bu, hem token kullan\u0131m\u0131n\u0131 azalt\u0131r hem de modelin daha h\u0131zl\u0131 yan\u0131t vermesini sa\u011flar.<\/li>\n
\n * Yerel \u00d6nbellekleme:<\/strong> S\u0131k\u00e7a kullan\u0131lan ba\u011flam verilerini (\u00f6rn. \u015firket politikalar\u0131, \u00fcr\u00fcn bilgileri) mobil cihazda yerel olarak \u00f6nbelle\u011fe al\u0131n. B\u00f6ylece her seferinde sunucuya gitmeye gerek kalmaz.
\n * Asenkron \u0130\u015flemler:<\/strong> Ba\u011flam getirme ve LLM \u00e7a\u011fr\u0131lar\u0131n\u0131 asenkron olarak yap\u0131n, kullan\u0131c\u0131 aray\u00fcz\u00fcn\u00fcn donmamas\u0131n\u0131 sa\u011flay\u0131n.
\n * Stream Yap\u0131land\u0131rma:<\/strong> LLM'den yan\u0131t\u0131 par\u00e7a par\u00e7a (streaming) al\u0131n ve kullan\u0131c\u0131ya an\u0131nda g\u00f6stermeye ba\u015flay\u0131n, b\u00f6ylece yan\u0131t\u0131n tamam\u0131n\u0131 beklemek zorunda kalmaz.<\/li>\n
\n * A\u015famal\u0131 Y\u00fckleme:<\/strong> Ba\u011flam\u0131 ve LLM yan\u0131tlar\u0131n\u0131 a\u015famal\u0131 olarak y\u00fckleyin. \u00d6rne\u011fin, \u00f6nce genel bir yan\u0131t g\u00f6sterin, ard\u0131ndan daha detayl\u0131 ba\u011flam tabanl\u0131 bilgileri ekleyin.
\n * Duyarl\u0131 Tasar\u0131m (Responsive Design):<\/strong> Mobil cihazlar\u0131n ekran boyutlar\u0131na ve y\u00f6nlendirmelerine uyum sa\u011flayan duyarl\u0131 HTML\/CSS kullan\u0131n. Bu, ba\u011flam\u0131n ve LLM \u00e7\u0131kt\u0131s\u0131n\u0131n okunabilirli\u011fini art\u0131r\u0131r.
\n * Hata Y\u00f6netimi:<\/strong> A\u011f ba\u011flant\u0131s\u0131 kesildi\u011finde veya LLM yan\u0131t veremedi\u011finde kullan\u0131c\u0131ya anla\u015f\u0131l\u0131r geri bildirimler sunun.<\/li>\n\n