--- title: "Güvenilir AI Çıktısı için 7 Prompt Kalıbı (Kopyala-Kullan)" description: "Rol verme, few-shot, CoT, JSON zorlama ve kendini kontrol: yapay zeka prompt kalıpları için kopyala-kullan şablonlar + AgentRoost'ta model denemesi." canonical: https://agentroost.app/tr/blog/guvenilir-ai-cikti-prompt-kaliplari date: 2026-04-12T04:00:00Z --- [Canonical URL](https://agentroost.app/tr/blog/guvenilir-ai-cikti-prompt-kaliplari) Bir otomasyon pipeline'ı kuruyorsunuz, her şey hazır; ama AI düğümü bazen mükemmel, bazen anlamsız çıktı veriyor. Sorunu modelde aramak çok kolay — ama çoğu zaman sorun promptun kendisinde. Bu yazıda hem manuel araştırma hem de otomasyon akışlarında kullanabileceğiniz 7 prompt kalıbını şablonlarıyla paylaşıyorum. Kalıpların her biri **neden işe yaradığını** ve **nasıl adapt edeceğinizi** açıklıyor. Kopyalayın, boşlukları doldurun, deneyin. --- ## Kalıp 1 — Rol verme (Persona) **Neden işe yarar:** LLM'ler, "sen X uzmansın" gibi bir bağlam aldıklarında cevabı o uzmanlığın kelime dağarcığı ve bakış açısıyla şekillendiriyor. Belirsiz sorulardan kaçınarak yanıtın odaklanmasını sağlıyor. ``` Sen deneyimli bir [ROL] olarak davranıyorsun. Hedef kitle: [KİTLE] Görev: [GÖREV] Kısıtlama: [VAR İSE KISITLAMA] ``` **Örnek:** ``` Sen B2B SaaS şirketleri için pazarlama stratejileri geliştiren, 10 yıllık deneyimli bir içerik stratejistisin. Hedef kitle: 5-50 çalışanlı yazılım şirketlerinin pazarlama müdürleri. Görev: Aşağıdaki blog yazısı başlığı için 5 farklı alt başlık öner. Başlık: "Otomasyon ile müşteri desteği nasıl ölçeklenir?" ``` --- ## Kalıp 2 — Az-örnekli öğrenme (Few-shot) **Neden işe yarar:** Modelin ne istediğinizi "tahmin etmesini" beklemek yerine, doğru çıktının nasıl göründüğünü iki-üç örnekle gösteriyorsunuz. Biçim tutarlılığı için ideal. ``` Aşağıdaki örnekleri incele ve aynı formatta yanıt üret: Örnek 1: Girdi: [ÖRNEK_GİRDİ_1] Çıktı: [ÖRNEK_ÇIKTI_1] Örnek 2: Girdi: [ÖRNEK_GİRDİ_2] Çıktı: [ÖRNEK_ÇIKTI_2] Şimdi sıra: Girdi: [GERÇEK_GİRDİ] Çıktı: ``` **Kullanım alanı:** E-posta sınıflandırma, ürün etiketleme, konu-duygu analizi gibi yapılandırılmış kategorizasyon görevleri. --- ## Kalıp 3 — Zincirleme akıl yürütme (Chain-of-Thought) **Neden işe yarar:** "Adım adım düşün" ifadesi, modelin sonuca atlamak yerine ara adımlarını yazmasını sağlıyor. Özellikle matematik, mantık ve çok adımlı karar problemlerinde hata oranını belirgin şekilde düşürüyor. ``` Problemi çözmeden önce adım adım düşün. Her adımı numaralı liste olarak yaz, sonra en altta sadece nihai cevabı ver. Problem: [PROBLEM] ``` > **İpucu:** Sonucu otomasyona aktaracaksanız modele "Nihai cevabı şu formatta yaz: **CEVAP:** [değer]" gibi belirgin bir etiket ekleyin; parse etmek kolaylaşır. --- ## Kalıp 4 — JSON'a zorlama **Neden işe yarar:** Serbest metin yerine yapılandırılmış JSON çıktısı, bir sonraki düğümde `JSON.parse()` ya da n8n'deki **Code** veya **Set** düğümüyle doğrudan kullanılabilir; regex hacklerine gerek kalmaz. ``` Aşağıdaki metni analiz et ve YALNIZCA geçerli bir JSON nesnesi döndür. Başka açıklama, yorum ya da markdown code fence ekleme. Beklenen şema: { "duygu": "pozitif" | "negatif" | "nötr", "güven_skoru": 0.0-1.0, "anahtar_konular": ["konu1", "konu2"], "özet": "maks 2 cümle" } Metin: """ [METİN] """ ``` **n8n'deki kullanım:** Bu prompt'u **AI/LLM** düğümüne koyun, çıktısını **Code** düğümüyle `JSON.parse(items[0].json.text)` ile alın; ardından **IF** veya **Switch** düğümüyle `duygu` alanına göre dallandırın. --- ## Kalıp 5 — Kısıtlama listesi (Constraints) **Neden işe yarar:** Modele "ne yapmasını" söylemek kadar "ne yapmamasını" söylemek de önemlidir. Özellikle pazarlama metni, müşteri desteği yanıtı veya hukuki risk taşıyan içerik üretiminde kritik. ``` Görevi tamamlarken şu kurallara kesinlikle uy: - [KISITLAMA_1] - [KISITLAMA_2] - [KISITLAMA_3] Görev: [GÖREV] ``` **Örnek kısıtlamalar:** - Rakip ürünlerin adını kesinlikle kullanma - Fiyat taahhüdünde bulunma; fiyatlar için müşteriyi satış ekibine yönlendir - Yanıt 3 cümleyi geçmesin - Türkçe yaz; teknik terimleri bile Türkçeleştir --- ## Kalıp 6 — Kendini kontrol ettirme (Self-check) **Neden işe yarar:** Modelin kendi çıktısını bir kontrol listesiyle incelemesini isteyince, tek seferlik bir geçişte gözden kaçan hatalar ikinci turda yakalanıyor. Özellikle fact-check gerektiren içerikler için değerli. ``` Aşağıdaki taslağı oluşturduktan sonra kendini şu kriterler listesiyle kontrol et ve gerekirse düzelt. Düzeltilmiş final versiyonu ver. Kontrol listesi: [ ] Başlıkta hedef anahtar kelime geçiyor mu? [ ] Hipotetik veya belirsiz önerme yok mu? ("muhtemelen", "olabilir" gibi) [ ] Harekete geçirici ifade (CTA) var mı? [ ] 400 kelimeyi geçiyor mu? Taslak görevi: [GÖREV] ``` --- ## Kalıp 7 — Çıktı formatı belirleme (Output Blueprint) **Neden işe yarar:** Modele sadece "bir rapor yaz" demek yerine, istediğiniz belgenin iskeletini vererek boşlukları doldurmasını istiyorsunuz. Çıktı her seferinde tutarlı bir yapıya sahip oluyor. ``` Aşağıdaki şablonu doldur. Şablonun dışına çıkma; eksik bir bölüm varsa [VERİ YOK] yaz. ## Özet [1-2 cümle] ## Temel Bulgular - [Bulgu 1] - [Bulgu 2] - [Bulgu 3] ## Önerilen Sonraki Adım [Tek, somut eylem] --- Kaynak metin: """ [METİN] """ ``` --- ## Prompt'u otomasyona koymadan önce sağlamlaştırma Bir prompt'u n8n workflow'una veya bir agent'a gömmeden önce şu kontrolleri yapın: 1. **Belirsiz zamir yok:** "Bunu yap" değil, tam nesne adı. 2. **Örnek verin ya da şema gösterin:** Modelin hayal gücüne bırakmayın. 3. **Çıktı sınırı koyun:** "200 kelimeden az", "sadece JSON", "maksimum 5 madde". 4. **Dinamik veriyi açıkça ayırın:** Promptun sabit kısmını `"""` veya `---` ile girdiden ayırın; böylece n8n'in **Set** düğümünden gelen değerleri yerleştirmek kolaylaşır. 5. **En az 3 farklı girdiyle test edin:** Sınır durumları (boş girdi, çok uzun metin, başka dilde girdi) genellikle üretimde ilk bozulan şeydir. --- ## AgentRoost'ta farklı modellerde risksiz deneyin Bir prompt kalıbını oturttuktan sonra gerçek soru şu: **Bu prompt GPT-4o'da mı daha iyi, Claude'da mı, Mistral'da mı?** AgentRoost aboneliğinize **AI kredileri dahil** — ayrıca bir LLM sağlayıcısında hesap açmanıza ya da API anahtarı almanıza gerek yok. 350'den fazla model arasından dilediğinizi seçip aynı prompt'u karşılaştırabilirsiniz; abonelik ücretinizin dışında ekstra fatura çıkmaz. **n8n kullanıyorsanız:** Kendi n8n instance'ınızda (sizin girişiniz, sizin verileriniz) AI düğümlerini açın, model seçiciden başka bir LLM'e geçin, workflow'u çalıştırın. Herhangi bir düğümün `system_prompt` alanına yukarıdaki kalıplardan birini yapıştırın — faturaya bakmanıza gerek yok. **Hermes veya OpenClaw kullanıyorsanız:** Agent konfigürasyonunuzdan modeli değiştirin, Telegram üzerinden aynı soruyu tekrar gönderin; cevapları karşılaştırın. Başlamak için: [Planları karşılaştır](/tr/pricing) ya da doğrudan [n8n instance'ı kur](/tr/agents/n8n). 14 gün içinde memnun kalmazsanız ücret iadesi var — kart bilgisi girerken tereddüt etmeyin.