Prompt Decomposition Nedir ve Büyük Görevler Nasıl Parçalanır?

Yapay zeka dil modellerinin karmaşık görevleri alt adımlara bölerek daha doğru sonuçlar üretmesini sağlayan prompt decomposition yöntemini ve uygulama adımlarını açıklar.

Büyük dil modellerinin (LLM) kurumsal iş akışlarına dahil edilmesi sürecinde karşılaşılan en temel zorluk, karmaşık ve çok adımlı görevlerin tek bir girdiyle hatasız yürütülmesidir. Tek bir komut bloğu içerisine sığdırılmaya çalışılan monolitik istemler, modellerin dikkat mekanizmasını tüketerek bağlam sapmasına, eksik adımlara ve halüsinasyon riskinin artmasına yol açar. Bu rehberde Prompt Decomposition Nedir ve Büyük Görevler Nasıl Parçalanır? sorusunun teknik temelleri, kurumsal mimarilerdeki uygulama adımları, maliyet-performans dengeleri ve hata yönetimi stratejileri ele alınmaktadır.

Prompt Decomposition (Prompt Ayrıştırma) Nedir?

Prompt decomposition (istem ayrıştırma), büyük dil modellerine yöneltilen karmaşık, çok katmanlı ve doğrusal olmayan iş yüklerini, deterministik olarak işlenebilecek daha küçük, bağımsız ve hiyerarşik alt görevlere (sub-tasks) bölme metodolojisidir. Yazılım mühendisliğindeki modüler mimari ve mikroservis felsefesiyle doğrudan örtüşen bu yaklaşım, tek bir devasa sistem istemi (monolithic prompt) yerine birbirine girdi ve çıktı zincirleriyle bağlı modüler istem boru hatları (prompt pipelines) inşa edilmesini hedefler. Model, her adımda yalnızca ilgili alt görevin bağlamına odaklandığı için hem bilişsel aşırı yüklenmeden kurtulur hem de üretilen çıktının doğruluğu matematiksel olarak artar.

Geleneksel prompt tasarımında kullanıcılar genellikle tek bir prompt içerisinde arka plan bilgisini, kuralları, kısıtlamaları, analiz adımlarını ve biçimlendirme kurallarını aynı anda verir. Örneğin bir pazar analizinin yapılması, rakip verilerinin kıyaslanması, risk faktörlerinin listelenmesi ve tüm bunların yönetim kuruluna sunulacak bir özet tablo haline getirilmesi tek bir komutta talep edildiğinde; model, parametre ağırlıkları üzerindeki dikkat dağılımını optimize edemez. Bunun sonucunda ya bazı kısıtlamalar atlanır ya da analiz katmanları yüzeysel geçilir. Prompt decomposition, bu monolitik yapıyı kırarak her analitik aşamayı ayrı bir LLM çağrısı (API call) veya bağımsız bir oturum adımı haline getirir.

İşletmeler ve dijital ürün mimarları için prompt decomposition yalnızca bir istem yazma taktiği değil, aynı zamanda operasyonel güvenilirlik stratejisidir. Bir iş akışını mikro adımlara bölmek; her adımın bağımsız olarak test edilmesini, hata veren noktalara özel hata yakalama (exception handling) mekanizmaları kurulmasını ve gerektiğinde insan onay (Human-in-the-Loop) katmanlarının entegre edilmesini mümkün kılar. Böylece yapay zeka operasyonları, öngörülemez bir "kara kutu" olmaktan çıkarak kurumsal düzeyde yönetilebilir, sürümlenebilir ve denetlenebilir bir üretim hattına dönüşür.

Büyük Dil Modelleri (LLM) Tek Seferde Kapsamlı Görevleri Neden Çözemez?

Büyük dil modellerinin çok bileşenli görevlerde yetersiz kalmasının ardında transformatör (Transformer) mimarisinin matematiksel çalışma prensipleri yatar. LLM'ler bir görevi "anlayıp muhakeme eden" insan zihni gibi çalışmaz; istatistiksel olarak bir sonraki en olası belirteci (token) tahmin eder. Çok uzun ve karmaşık bir monolitik prompt iletildiğinde, öz-dikkat mekanizması (self-attention mechanism) girdideki yüzlerce farklı kural, kısıtlama ve bağlam parçası arasında paylaştırılır. Bu durum, "dikkat dağılması" (attention dispersion) olarak adlandırılan fenomene yol açar ve model, talimatların bir kısmını görmezden gelmeye veya düşük ağırlıkla işlemeye başlar.

Bir diğer kritik teknik sınırlama, "Ortada Kaybolma" (Lost in the Middle) etkisidir. Stanford Üniversitesi ve UC Berkeley araştırmacılarının ortaya koyduğu üzere, dil modelleri bağlam penceresinin (context window) başında ve sonunda yer alan bilgilere en yüksek dikkat katsayısını atarken, metnin ortalarında bulunan karmaşık yönergeleri gözden kaçırma eğilimindedir. Eğer kapsamlı bir görev tanımı içerisinde onlarca farklı veri formatı ve operasyonel şart metnin orta kısımlarında verilmişse, modelin bu şartları kusursuz şekilde uygulaması istatistiksel olarak zayıflar.

Halüsinasyon (hallucination) riski de monolitik prompt yapılarında üstel olarak artar. Modelden aynı anda hem kaynak taraması yapması, hem çıkarım yapması, hem sentez oluşturması hem de biçimlendirmesi istendiğinde, ara işlem adımlarını kendi içinde doğrulamadan doğrudan nihai çıktıyı üretmeye zorlanır. Model ara aşamada hatalı bir varsayımda bulunursa, bu hata sonraki tüm cümlelere zincirleme biçimde yayılır ve sonuç tamamen uydurma veya hatalı verilerden oluşan bir metne dönüşür.

Son olarak, deterministik çıktı ihtiyacı ile üretken yapay zekanın olasılıksal (probabilistic) yapısı arasındaki uyumsuzluk, monolitik yapılarda kriz yaratır. İşletmelerin API entegrasyonlarında kesin JSON şemalarına, doğrulanmış veri türlerine ve eksiksiz alanlara ihtiyacı vardır. Tek bir prompta 15 farklı alanın doldurulması ve her birinin farklı iş kurallarına göre hesaplanması talimatı verildiğinde, modelin çıktı şemasını bozma olasılığı kabul edilemez seviyelere çıkar.

Prompt Decomposition ile Chain of Thought (Düşünce Zinciri) Arasındaki Fark Nedir?

Yapay zeka mühendisliğinde sıklıkla birbirine karıştırılan iki kavram, Chain of Thought (CoT - Düşünce Zinciri) ve Prompt Decomposition yaklaşımlarıdır. İki yöntem de karmaşık problemleri adım adım çözmeyi amaçlasa da, bunu tamamen farklı mimari seviyelerde ve operasyonel katmanlarda gerçekleştirirler.

Chain of Thought (CoT), modele "Adım adım düşün" (Let's think step by step) talimatı verilerek veya birkaç adımlı akıl yürütme örneği (few-shot examples) gösterilerek modelin kendi içsel akıl yürütme dizisini (reasoning trace) tek bir oturum veya yanıt içinde üretmesini sağlayan bir tekniktir. Model, nihai yanıta ulaşmadan önce ara düşünce basamaklarını aynı çıktı bloğunun içine yazar. Bu yöntem matematiksel işlemler, mantık bulmacaları ve basit nedensellik zincirlerinde son derece etkilidir. Ancak CoT tamamen modelin kendi iç dinamiklerine bırakılmıştır; dışarıdan bir müdahale, ara adım denetimi veya harici veri tabanı doğrulaması yapılmasına izin vermez.

Prompt Decomposition ise mimari bir orkestrasyondur. Problem, tek bir model çağrısının içinde çözülmek yerine, uygulama katmanında (Python, LangChain, LlamaIndex, Semantic Kernel vb.) parçalara ayrılır. Her bir alt görev, ayrı bir prompt ve bağımsız bir API çağrısı olarak çalıştırılır. İlk adımın çıktısı yazılım kodları tarafından parse edilir, doğrulanır, gerekirse bir veritabanından ek veriyle zenginleştirilir ve bir sonraki adımın istemine girdi olarak verilir. Bu durum, sistem mimarına ara aşamalarda deterministik kontroller ve müdahale imkanı tanır.

Büyük Görevleri Parçalama Metodolojisi: Adım Adım Uygulama Rehberi

Prompt decomposition sürecini kurumsal standartlarda hayata geçirmek, yapılandırılmış bir metodolojiye bağlı kalmayı gerektirir. Gelişigüzel parçalama işlemleri, gereksiz API maliyetlerine ve veri kaybına neden olabilir. Aşağıdaki dört aşamalı metodoloji, karmaşık bir iş yükünü deterministik bir yapay zeka boru hattına dönüştürmek için tasarlanmıştır.

1. Adım: Nihai Hedefin ve Çıktı Formatının Tanımlanması

Ayrıştırma sürecinin başlangıç noktası girdiler değil, ulaşılmak istenen nihai çıktıdır. İş biriminin veya yazılım sisteminin ihtiyaç duyduğu sonucun kesin parametreleri belirlenmelidir. Bu aşamada "çıktı ne olacak?" sorusu genel ifadelerle değil; veri şeması, ton, uzunluk ve biçim standartları açısından netleştirilir.

Nihai sonucun JSON şeması, Pydantic modeli veya Markdown hiyerarşisi net olarak tanımlanmalıdır. Örneğin bir sözleşme analizi sistemi kuruluyorsa nihai hedef "Sözleşmenin riskli maddelerini, finansal yükümlülüklerini ve fesih koşullarını içeren, her maddenin 1-5 arası risk puanına sahip olduğu bir JSON nesnesi" şeklinde ifade edilmelidir. Hedefin kesin sınırlarla çizilmesi, geriye doğru yapılacak alt görev mühendisliğinin temelini oluşturur.

2. Adım: İş Akışının (Workflow) Mikro Görevlere Bölünmesi

Nihai hedef belirlendikten sonra bu hedefe ulaşmak için gereken zihinsel ve operasyonel süreç mantıksal yapı taşlarına ayrılır. Bu işlem, Directed Acyclic Graph (DAG - Yönlendirilmiş Döngüsüz Çizge) mantığıyla modellenir. Hangi adımların birbiri ardına (sıralı), hangi adımların ise aynı anda (paralel) yürütülebileceği tespit edilir.

Örnek bir metin analizi DAG akışı şu aşamaları içerebilir:

• Paralel Aşama 1A: Ham metindeki ana temaların çıkarılması.

• Paralel Aşama 1B: Metindeki kişi, kurum ve tarih varlıklarının (NER) ayıklanması.

• Sıralı Aşama 2: Çıkarılan temalar ve varlıklar arasındaki ilişkilerin analiz edilmesi.

• Sıralı Aşama 3: Bulguların önceden tanımlanmış kurumsal risk kriterlerine göre puanlanması.

• Sıralı Aşama 4: Tüm analizin nihai JSON şemasına derlenmesi.

3. Adım: Her Alt Görev İçin Bağımsız Prompt Tasarlanması

İş akışı ayrıştırıldıktan sonra her bir mikro görev için yalnızca o göreve odaklanan bağımsız bir prompt yazılır. Bu aşamada "Tek Sorumluluk İlkesi" (Single Responsibility Principle) geçerlidir. Bir prompt asla hem veri ayıklama hem de stratejik yorumlama yapmamalıdır.

Her alt prompt şu üç temel unsuru içermelidir:

• İzole Bağlam: Yalnızca o adım için gereken veri (önceki adımların tüm geçmişi değil, yalnızca ilgili çıktısı).

• Kesin Görev Tanımı: Modelden beklenen tek ve net eylem.

• Yapılandırılmış Çıktı Kuralı: Bir sonraki adıma sorunsuz aktarılabilmesi için JSON veya kesin etiketler (örneğin <result>...</result>).

{
  "step_name": "entity_extraction",
  "input_context": "{{source_text}}",
  "instruction": "Metindeki tüm tüzel kişilikleri ve sözleşme taraflarını ayıkla.",
  "output_format": {
    "parties": ["string"],
    "jurisdiction": "string"
  }
}

4. Adım: Human-in-the-Loop (İnsan Denetimi) ile Ara Doğrulama Noktaları Oluşturma

Prompt decomposition mimarisinin en büyük avantajlarından biri, boru hattının kritik duraklarına doğrulama protokolleri yerleştirebilme esnekliğidir. Her alt görevin çıktısı bir sonraki aşamaya geçmeden önce ya otomatik bir validatörden (JSON şema doğrulama, regex kontrolü) ya da insan onayından geçirilir.

Kritik hukuki, finansal veya medikal kararların verildiği sistemlerde, ara adımlarda insan uzman onayı (Human-in-the-Loop) devreye alınmalıdır. Örneğin 2. adımda çıkarılan sözleşme risk maddeleri %80 güven skorunun altındaysa, sistem akışı durdurarak bir hukuk uzmanının önüne onay arayüzü düşürmelidir. Uzman onay verdikten sonra 3. adıma geçilir. Bu yöntem, halüsinasyonların nihai rapora sızmasını kesin olarak engeller.

Sektörel Kullanım Senaryoları ve Somut Örnekler

Prompt decomposition teorik bir kavramın ötesinde, üretim ortamlarında çalışan yapay zeka sistemlerinin ana omurgasını oluşturur. Farklı sektörlerdeki monolitik başarısızlıkların bu yöntemle nasıl çözüldüğü somut mimarilerle incelenebilir.

Yazılım Geliştirme: Monolitik Fonksiyonları Alt Modüllere Bölme

Bir yazılım ekibinin "Legacy bir PHP dosyasını modern, test edilebilir ve güvenli bir Node.js/TypeScript mikroservisine dönüştür" şeklinde monolitik bir prompt kullandığı senaryoda, LLM genellikle eksik importlar, unutulmuş edge-case'ler ve hatalı tip tanımlamaları üretir.

Prompt decomposition uygulandığında süreç şu adımlara ayrılır:

• İstem 1 (Mimari Analiz): PHP dosyasını oku, tüm harici bağımlılıkları, veri tabanı sorgularını ve iş mantığı kurallarını maddeleştirerek bir teknik analiz dökümanı üret.

• İstem 2 (Tip ve Arayüz Tanımı): Çıkan iş mantığına uygun TypeScript arayüzlerini (interface, type) ve veri modellerini yaz.

• İstem 3 (Çekirdek Fonksiyonların Yazımı): Sadece belirlenen arayüzleri ve iş mantığını kullanarak saf fonksiyonları (pure functions) kodla.

• İstem 4 (Birim Test Üretimi): Yazılan fonksiyonlar için Jest/Vitest kütüphanesine uygun birim testleri (unit tests) oluştur ve olası sınır durumları (edge cases) test et.

• İstem 5 (Güvenlik Denetimi): Oluşturulan TypeScript kodunu OWASP standartlarına göre statik analize tabi tut.

Dijital Pazarlama: Kapsamlı Bir Kampanya Stratejisi ve İçerik Takvimi Hazırlama

"Yeni B2B SaaS ürünümüz için 3 aylık tam kapsamlı pazarlama stratejisi, blog başlıkları, LinkedIn gönderileri ve Google Ads reklam metinleri yaz" komutu, modelin her alandan çok az ve yüzeysel fikirler verdiği verimsiz bir çıktı üretir.

Ayrıştırılmış pazarlama boru hattı:

• İstem 1 (Persona ve Konumlandırma): Ürün özelliklerini analiz ederek 3 farklı B2B alıcı personasının (buyer persona) temel acı noktalarını ve değer önerilerini çıkar.

• İstem 2 (İçerik Temalarının Belirlenmesi): Çıkarılan bu acı noktalarına odaklanan 6 ana tema ve SEO odaklı konu kümesi (topic cluster) tasarla.

• İstem 3 (Kanal Dağılımı): Belirlenen temaların her biri için bağımsız LinkedIn gönderi metinleri kurgula (her çağrıda yalnızca 1 tema işlenir).

• İstem 4 (SEM Metinleri): Arama niyeti yüksek anahtar kelimelere odaklanan Google Ads başlık ve açıklama kombinasyonları oluştur.

İş Analizi: Büyük Bir Pazar Araştırması Raporunu Özetleme ve Aksiyon Planına Dönüştürme

100 sayfalık bir sektör raporunu tek bir istemde özetletmeye çalışmak, modelin bağlam penceresini tüketir ve kritik pazar fırsatlarının atlanmasına neden olur.

İş analitiğinde uygulanan Map-Reduce tabanlı decomposition süreci:

• Aşama 1 (Bölümleme - Chunking): Rapor 10 sayfalık mantıksal bölümlere ayrılır.

• Aşama 2 (Map Prompts): Her bölüm bağımsız bir istemle taranarak "Pazar Büyüklüğü", "Teknolojik Tehditler" ve "Regülasyon Değişiklikleri" başlıkları altında 3 maddelik yapılandırılmış özetlere dönüştürülür.

• Aşama 3 (Reduce / Sentez Promptu): 10 farklı alt özet tek bir istemde birleştirilerek genel pazar eğilimleri konsolide edilir.

• Aşama 4 (Strateji Promptu): Konsolide özet baz alınarak şirket yönetimi için 5 maddelik somut yatırım aksiyon planı üretilir.

Prompt Decomposition Uygularken Dikkat Edilmesi Gereken Riskler ve Sınırlamalar

Prompt decomposition yaklaşımı sistem doğruluğunu artırırken beraberinde birtakım mimari, finansal ve güvenlik riskleri getirir. Bu risklerin önceden modellenmemesi, kurumsal entegrasyonlarda bütçe aşımlarına veya veri sızıntılarına yol açabilir.

Veri Gizliliği ve Hassas Bilgilerin Güvenliği

Çok adımlı prompt akışlarında verinin sistem içindeki dolaşımı genişler. Birinci adımda işlenen ham müşteri verisi, ikinci ve üçüncü adımlara aktarılırken bağlam içinde gereksiz yere taşınabilir. Bu durum KVKK, GDPR ve SOC 2 Tip II uyumluluk süreçleri açısından risk teşkil eder.

Hassas verilerin (PII - Kişisel Olarak Tanımlanabilir Bilgiler) ayrıştırma boru hattına girmeden önce anonimleştirilmesi (data masking / tokenization) şarttır. İlk adımda kimlik, telefon veya ticari sır niteliğindeki veriler temizlenmeli; alt modeller yalnızca bağlamsal yer tutucular ([MÜŞTERİ_A], [TUTAR_X]) üzerinden analiz yürütmelidir. Nihai aşamada bu yer tutucular güvenli iç veritabanından geri eşleştirilmelidir.

API Maliyetleri ve Token Yönetimi

Monolitik bir prompt tek bir giriş ve çıkış token maliyeti üretirken; 5 adımlı bir decomposition boru hattı 5 ayrı API çağrısı anlamına gelir. Ara adımların girdileri ve çıktıları biriktikçe toplam token tüketimi katlanarak artabilir. Bu durum özellikle yüksek hacimli veri işleyen SaaS platformlarında kârlılığı tehdit eder.

Maliyet optimizasyonu için homojen model kullanımı yerine heterojen model mimarileri tercih edilmelidir. Örneğin veri ayıklama, sınıflandırma ve formatlama gibi deterministik ara adımlarda OpenAI GPT-4o-mini, Anthropic Claude 3.5 Haiku veya açık kaynaklı Llama 3 8B gibi hafif ve ekonomik modeller (Small Language Models - SLM) kullanılmalıdır. Yalnızca derin stratejik sentez ve üst düzey muhakeme gerektiren nihai adımda GPT-4o veya Claude 3.5 Sonnet gibi amiral gemisi modellere çağrı yapılmalıdır.

Entegrasyon Zorlukları ve Hata Birikimi

Ayrıştırılmış sistemlerde karşılaşılan en sinsi teknik risk, "Hata Birikimi" (Error Propagation / Cascading Failures) problemidir. Zincirin 1. adımında yapılan küçük bir sınıflandırma veya ayrıştırma hatası, 2. ve 3. adımlara doğru veri olarak aktarılır. Model bu hatalı girdiyi baz alarak çıkarım yaptıkça hata büyüyecek ve nihai adımda tamamen yanlış bir sonuca varılacaktır.

Bu riski engellemek için her adımın arasına katı "Şema Doğrulama" (Schema Validation) ve "Hata İzolasyon" mantıkları yerleştirilmelidir. Eğer 2. adımın çıktısı beklenen JSON şemasına uymuyorsa veya güven skoru belirlenen eşiğin altındaysa, akış bir sonraki adıma geçirilmemeli; ilgili mikro adım farklı sıcaklık (temperature) parametresiyle otomatik olarak yeniden denenmeli (retry mechanism) veya hata günlüğüne (log) yazılarak süreç güvenli şekilde sonlandırılmalıdır.

Kurumsal İş Akışlarında Prompt Ayrıştırma Stratejisini Ölçeklendirme

Yapay zeka modellerini prototip aşamasından kurumsal üretim ortamına taşırken en kritik başarı kriteri, sistemin öngörülebilir ve sürdürülebilir olmasıdır. Prompt decomposition, modellerin deterministik olmayan doğasını kontrol altına almak için yazılım mühendisliği disiplinlerinin LLM operasyonlarına (LLMOps) uygulanmasını sağlar. İş süreçlerinin başarılı bir şekilde ölçeklenmesi, istemlerin versiyon kontrol sistemlerine (Git) dahil edilmesi ve her alt prompt için otomatik regresyon testlerinin yazılmasıyla mümkündür.

Kurumsal organizasyonlar, yapay zekayı sihirli ve her şeyi tek başına çözen bir mekanizma olarak konumlandırmaktan kaçınmalıdır. Bunun yerine, prompt decomposition ilkeleri doğrultusunda her iş sürecini net girdileri, doğrulanabilir kuralları ve kesin çıktı formatları olan alt istasyonlara ayırmalıdır. Bu yaklaşım, sistemin hem teknik ekipler tarafından kolayca bakımının yapılmasını sağlar hem de regülasyonlara tabi sektörlerde her kararın adım adım geriye dönük denetlenebilmesine (audit trail) zemin hazırlar.

Doğru tasarlanmış bir ayrıştırma mimarisi; yapay zekayı bir risk unsuru olmaktan çıkarıp, şirketlerin operasyonel verimliliğini, kod kalitesini, pazar analiz hızını ve müşteri deneyimini dönüştüren güvenilir bir kurumsal omurgaya dönüştürür.