[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-analogical-prompting::tr":3,"gloss-cluster-analogical-prompting::tr":23,"gloss-next-analogical-prompting::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"analogical-prompting","prompt-eng","Analogical Prompting","Analogical prompting (benzeşim yoluyla yönlendirme), modelden önce kendi ilgili örneklerini — benzer problemleri ve çözümlerini — üretmesini, sonra bunları hedef problemi çözmek için kullanmasını ister. Google DeepMind araştırmacıları (Yasunaga vd., 2023) tarafından tanıtılan yöntem, insanların yeni bir probleme girişmeden önce benzer geçmiş problemleri hatırlamasından esinlenir. Aslında bu, kendi kendine üretilen few-shot'tur: gösterimleri elle hazırlamanız yerine model her sorguya uyarlanmış örnekleri anında üretir; bu da örnek derleme zahmetini ortadan kaldırır ve örneklerin her sorguya uyum sağlamasını mümkün kılar. Bildirilen sonuçlar, akıl yürütme ve matematik görevlerinde düz düşünce zincirini hatta bazı sabit few-shot kurulumlarını geçtiğini gösterdi. SaaS geliştiricileri için cazibesi bakım gerektirmeyen in-context learning'dir: her görev için örnek kütüphanesi kurup sürümlemeden örneklerin doğruluk artışını elde edersiniz. Uyarılar: kendi üretilen örnekler yanlış ya da konu dışı olabilir ve yanıtı da peşinden sürükleyebilir; ayrıca bunları üretmek token ve gecikme ekler. Bu yüzden basit, gecikmeye duyarlı çağrılardan çok, yetenekli modellerdeki akıl yürütme ağırlıklı özelliklere uygundur.","Analogical prompting, modelden önce kendi benzeşik çözümlü örneklerini üretmesini, sonra bunlarla hedef problemi çözmesini ister; elle örnek yazmak gerekmez.",null,[11,14,17,20],{"slug":12,"name":13},"few-shot-prompting","Few-Shot Prompting (Az Örnekli İstem)",{"slug":15,"name":16},"generated-knowledge-prompting","Generated Knowledge Prompting",{"slug":18,"name":19},"in-context-learning","Bağlam İçi Öğrenme (In-Context Learning)",{"slug":21,"name":22},"step-back-prompting","Step-Back Prompting",[24,28,31,35,38,41,44,47,50,53,56,57],{"slug":25,"category":5,"name":26,"updated_at":27},"automatic-prompt-optimization","Otomatik Komut Optimizasyonu","2026-08-24T02:46:37+00:00",{"slug":29,"category":5,"name":30,"updated_at":27},"chain-of-density","Yoğunluk Zinciri (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-Thought Prompting (Düşünce Zinciri İstemi)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":27},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Chunking (Parçalama)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Kısıtlanmış Çözümleme (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Bağlam Doldurma (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Ayırıcı (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":27},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":27},"emotion-prompting","Emotion Prompting",{"slug":12,"category":5,"name":13,"updated_at":34},{"slug":15,"category":5,"name":16,"updated_at":27}]