[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-few-shot-prompting::tr":3,"gloss-cluster-few-shot-prompting::tr":20,"gloss-next-few-shot-prompting::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"few-shot-prompting","prompt-eng","Few-Shot Prompting (Az Örnekli İstem)","Few-shot prompting, promptun modele gerçek görevi sunmadan önce az sayıda (tipik olarak 2-10) işlenmiş örnek — tam girdi formatının ve istenen çıktı formatının gösterimleri — içerdiği bir tekniktir. Bu, modele yalnızca doğal dilde bir talimatın yorumuna güvenmek yerine taklit edebileceği somut bir kalıp verir ve üretim LLM uygulamalarında çıktı tutarlılığını iyileştirmenin en etkili ve güvenilir tek yollarından biridir. Few-shot prompting, bağlam içi öğrenme (in-context learning) sayesinde çalışır: transformer tabanlı modeller, herhangi bir ağırlık güncellemesi veya ince ayar olmadan, çıkarım zamanında verilen örneklerden bir görevin kurallarını çıkarabilir; esasen o tek prompt içinde kalıbı yeniden \"öğrenirler\". SaaS geliştiricileri için few-shot prompting, zero-shot prompting'in teknik olarak makul ancak biçim, ton veya uç durum işleme açısından tutarsız çıktılar ürettiği durumlarda başvurulan çözümdür — yaygın bir belirti, modelin bazen bir paragraf, bazen madde işaretli bir liste döndürmesi veya bazen alt akış ayrıştırıcısını bozan \"Tabii, işte özet:\" gibi bir giriş cümlesi içermesidir. Tam olarak istenen formatı gösteren 3-5 örnek eklemek genellikle bu varyansı ortadan kaldırır. Ödünleşim jeton maliyetidir: her örnek bağlam penceresi alanı tüketir ve her tek çağrıda API faturasına eklenir, bu yüzden ekipler artan doğruluk kazancını eklenen gecikme ve maliyete karşı dengeler ve genellikle örnekleri yalnızca temel alanlara sıkıştırır. Örnek seçimi de önemlidir — örnekler yalnızca kolay durumları değil, uç durumları ve beklenen girdi aralığını kapsamalı ve gerçek görev girdisiyle format açısından tutarlı tutulmalıdır. Somut bir örnek: müşteri e-postalarından yapılandırılmış veri çıkarmak için bir prompt: \"Her e-postadan sipariş numarasını ve sorun türünü çıkar. Gösterilen tam formatı takip et.\\n\\nE-posta: \\\"Merhaba, #4471 numaralı sipariş hasarlı geldi, lütfen yardım edin.\\\"\\nÇıktı: {\\\"order_id\\\": \\\"4471\\\", \\\"issue\\\": \\\"damaged\\\"}\\n\\nE-posta: \\\"8823 numaralı siparişim nerede? 2 hafta oldu.\\\"\\nÇıktı: {\\\"order_id\\\": \\\"8823\\\", \\\"issue\\\": \\\"delayed\\\"}\\n\\nE-posta: \\\"#1290 numaralı siparişi farklı bir renkte alabilir miyim?\\\"\\nÇıktı:\" — model, kalıbı iki kez gördükten sonra, \"change_request\" örneklerde hiç geçmemiş olsa bile, güvenilir bir şekilde aynı katı JSON şeklinde {\\\"order_id\\\": \\\"1290\\\", \\\"issue\\\": \\\"change_request\\\"} döndürür — bu, modelin kalıbı ezberlemek yerine genelleştirdiğini gösterir. Üretim ekiplerinin benimsediği ilgili bir iyileştirme, dinamik few-shot seçimidir: aynı sabit örnekleri her promptta sabit kodlamak yerine, uygulama mevcut girdiye en benzer 3-5 geçmiş örneği (gömme benzerlik araması yoluyla) getirir ve bunları yerine ekler, böylece model her zaman eldeki duruma yakından eşleşen gösterimler görür — few-shot prompting ile getirimin (retrieval) bu melezi, özellikle geniş çeşitlilikte girdi türleri olan görevlerde, sabit, genel bir örnek kümesinden tipik olarak daha iyi performans gösterir.","Few-shot prompting, modeli yanıtlamadan önce istenen kalıbı öğretmek için promptta birkaç örnek girdi-çıktı çifti içerir.",null,[11,14,17],{"slug":12,"name":13},"in-context-learning","Bağlam İçi Öğrenme (In-Context Learning)",{"slug":15,"name":16},"prompt-template","Prompt Şablonu",{"slug":18,"name":19},"zero-shot-prompting","Zero-Shot Prompting (Sıfır Örnekli İstem)",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Otomatik Komut Optimizasyonu",{"slug":29,"category":5,"name":30,"updated_at":24},"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":24},"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":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":57,"category":5,"name":58,"updated_at":24},"generated-knowledge-prompting","Generated Knowledge Prompting"]