Few-shot ve Zero-shot Prompt Nedir? Örneklerle Yönlendirme

Kısa Tanım

Zero-shot: AI’a hiç örnek vermeden direkt görev verme.

Few-shot: AI’a 2-5 örnek göstererek “buna benzer şekilde yap” demek.

One-shot: Tek örnek vermek (few-shot’un özel hali).

Many-shot: 10+ örnek vermek (büyük context window gerekli).

Zero-shot Örneği

Aşağıdaki cümleyi pozitif/negatif olarak etiketle:
"Bu film hayatımda izlediğim en kötü filmdi."

Model: “Negatif”

Few-shot Örneği

Aşağıdaki cümleleri pozitif/negatif olarak etiketle.

Cümle: "Ürünü çok beğendim." → Pozitif
Cümle: "Beklediğimi karşılamadı." → Negatif
Cümle: "Fiyatı uygun, kalitesi iyi." → Pozitif

Cümle: "Bu film hayatımda izlediğim en kötü filmdi." → ?

Model: “Negatif”

Aynı sonuç ama few-shot, daha tutarlı format/üslup garanti eder.

Ne Zaman Hangisi?

Zero-shot için iyi:

• Basit, açık görevler
• Önceden çok benzer örnek modelin gördüğü konular
• Token tasarrufu önemli olduğunda

Few-shot için iyi:

• Spesifik format/stil gerekli
• Tutarlı çıktı kritik
• Belirsiz görev tanımı (model örneklerden çıkarsın)
• Domain-spesifik terminoloji
• Tablo/JSON gibi yapısal çıktı

Few-shot İyi Yazma Kuralları

1. Çeşitlilik: Örnekler farklı senaryoları kapsasın
2. Format tutarlılığı: Her örnek aynı yapıda
3. Az sayıda yüksek kalite: 3 iyi örnek > 10 ortalama
4. Edge case ekle: Modelin atlayacağı durumları örnekle
5. Olumsuz örnek vermeyin: “Bu yanlış” dememek genelde iyi

Few-shot Gerçek Örnek: Yorum Sınıflandırma

E-ticaret müşteri yorumlarını şu kategorilerde sınıflandır:
[KALITE, KARGO, FIYAT, MUSTERI_HIZMETLERI, GENEL]

Örnekler:

Yorum: "Ürün 3 günde geldi, hızlı kargo!"
Kategori: KARGO

Yorum: "Para harcamaya değer kalitede."
Kategori: KALITE

Yorum: "Müşteri hizmetleri sorumu hızlı çözdü."
Kategori: MUSTERI_HIZMETLERI

Yorum: "Aynı kalitede daha ucuzlar var."
Kategori: FIYAT

Şimdi sen sınıflandır:
Yorum: "Çok memnunum, herkese tavsiye ederim."
Kategori:

Cevap: “GENEL”

Many-shot Trendi

Gemini 2.5 ve Claude 4.7 Opus gibi 1M token’lı modellerde many-shot mantıklı:

• 100+ örnekle modeli “in-context learning” ile özelleştirme
• Fine-tuning’in ucuz alternatifi
• Anında deployment, ek eğitim yok

Chain-of-Thought ile Birleşim

Few-shot’a chain-of-thought (adım adım düşünme) eklenebilir:

Soru: "Bir mağazada 12 elma vardı. 5 kişi 2'şer elma aldı. Kaç elma kaldı?"

Düşünelim: 5 kişi 2'şer elma alırsa, toplam 10 elma satılır. 12 - 10 = 2.

Cevap: 2 elma kaldı.

Soru: "Bir kamyonda 24 kutu vardı. 3 farklı yere 6'şar kutu indirildi. Geriye kaç kutu kaldı?"

Model adım adım düşünüp doğru sonuç verir.

Sınırları

1. Token maliyeti: Few-shot daha pahalı
2. Bias riski: 3 örnek yanlışsa model hep yanlış yapar
3. Format-only: Model “yapı” öğrenir ama “anlam” değil
4. Context window: Many-shot çok yer kaplar

İlgili Kavramlar

• Prompt — temel kavram
• Chain-of-thought — birleşik kullanım
• Fine-tuning — alternatif yöntem
• Sistem Prompt — few-shot konteksi

Sonraki Adımlar

• Prompt Kontrol Listesi: 7 Adım
• Few-shot Prompt Nasıl Yazılır?

Özet

Few-shot ve zero-shot prompt teknikleri, LLM’lerle çalışırken günlük olarak kullandığınız yaklaşımlardır. Basit görev → zero-shot, tutarlılık gerekli → few-shot kuralı geneldir. 2-5 yüksek kaliteli örnek çoğu durumda ideal. Many-shot ise büyük context window’lu modellerde fine-tuning’in pratik alternatifi.