Chain-of-Thought (CoT) prompting, büyük dil modellerinin (LLM) mantıksal akıl yürütme gerektiren görevlerde daha doğru sonuçlar üretmesini sağlayan bir tekniktir. Bu yöntem, modele bir problemi adım adım çözmesi için rehberlik eden ara düşünce adımları eklemeyi içerir. Aritmetik, sembolik akıl yürütme ve mantıksal problem çözme gibi alanlarda çığır açan başarılar sağlar. Doğru uygulandığında, CoT prompting modellerin halüsinasyon riskini azaltır ve yanıtlarının güvenilirliğini artırır.
CoT Prompting Nedir ve Neden Önemlidir?
Geleneksel sorgularda, kullanıcı bir soru sorar ve model doğrudan bir yanıt üretir. Oysa karmaşık problemler, çoğu zaman ara adımların açıkça ifade edilmesini gerektirir. CoT prompting, modele 'adım adım düşün' talimatı vererek veya birkaç örnek üzerinden zincirleme düşünce yapısı göstererek çalışır. Özellikle matematik, okuduğunu anlama ve planlama gibi alanlarda doğruluk oranını belirgin biçimde yükseltir. LLM'lerde halüsinasyonları azaltma konusunda da etkili bir stratejidir.
CoT Prompting Türleri
1. Sıfır Atışlı (Zero-Shot) CoT
Modele doğrudan 'Adım adım düşünelim.' gibi bir ibare eklenir. En basit ve hızlı yöntemdir. Ancak karmaşık problemlerde yetersiz kalabilir. Örnek: "Bir çiftlikte 12 koyun ve 8 tavuk var. Kaç hayvan bacağı vardır? Adım adım düşünelim."
2. Az Atışlı (Few-Shot) CoT
Birkaç örnek üzerinden modeli yönlendirir. Her örnekte soru, ara düşünce adımları ve nihai cevap verilir. Bu yöntem, modelin beklenen akıl yürütme şablonunu öğrenmesini sağlar. Aşağıdaki tablo tipik bir az atışlı CoT örneğini göstermektedir:
| Soru | Düşünce Zinciri | Cevap |
|---|---|---|
| Bir mağaza %20 indirimle 80 TL'ye bir ürün satıyor. İndirimsiz fiyat nedir? | İndirimli fiyat = %80'i = 80 TL. O halde %1 = 1 TL. Yani tam fiyat 100 TL'dir. | 100 TL |
| Bir karenin alanı 49 cm² ise çevresi kaç cm'dir? | Alan = kenar² = 49 → kenar = 7 cm. Çevre = 4 × 7 = 28 cm. | 28 cm |
3. Zincirleme Düşünce Ağacı (Tree-of-Thought)
Birden fazla düşünce dalını aynı anda keşfederek en iyi yolu seçer. Daha karmaşık problemler için uygundur, ancak daha fazla token tüketir.
Etkili CoT Prompting İçin Pratik İpuçları
- Net ve spesifik olun: Modele tam olarak ne istediğinizi belirtin. 'Adım adım düşün' ile yetinmeyin, hangi adımları izlemesi gerektiğini örneklerle gösterin.
- Örnekleri çeşitlendirin: Farklı zorluk seviyelerinde ve farklı mantıksal yapılarda örnekler kullanın. Bu, modelin genelleme yapmasını kolaylaştırır.
- Ara adımları açıklayıcı yazın: Her adımda neden o işlemi yaptığınızı kısaca belirtin. Örneğin 'Önce toplam bacağı bulalım.' gibi.
- Token sınırlamasına dikkat edin: CoT promptları uzundur; modelin yanıt kapasitesini aşmamak için gereksiz ayrıntılardan kaçının.
- Tutarlı bir format kullanın: Tüm örneklerde aynı sıralama ve dil yapısını koruyun. Karışık format modelin kafasını karıştırır.
- Test ve iterasyon yapın: Farklı varyasyonları deneyin. Bazen küçük bir ifade değişikliği büyük fark yaratabilir.
CoT Prompting Kontrol Listesi
Uygulamaya başlamadan önce aşağıdaki maddeleri gözden geçirin:
- [ ] Sorunun türü belirlendi mi? (Matematik, mantık, planlama vs.)
- [ ] Hangi CoT türü seçildi? (Sıfır atışlı, az atışlı, ağaç)
- [ ] Örnekler hazırlandı mı? (Az atışlı ise en az 2-3 örnek)
- [ ] Ara adımlar net ve sıralı mı?
- [ ] Gereksiz bilgi eklenmedi mi?
- [ ] Token limiti kontrol edildi mi?
- [ ] Farklı prompt varyasyonları test ediliyor mu?
- [ ] Sonuçlar değerlendirilip modelin akıl yürütme kalitesi ölçülüyor mu?
Sık Yapılan Hatalar ve Kaçınılması Gerekenler
- Çok kısa veya eksik adımlar: Model ara adımları atlayarak doğrudan sonuca gitmeye çalışabilir. Her adımı açıkça yazın.
- Yanıltıcı örnekler: Verdiğiniz örneklerde hata varsa model bunu öğrenir. Örneklerin doğruluğundan emin olun.
- Fazla uzun promptlar: Çok fazla örnek veya gereksiz ayrıntı modelin dikkatini dağıtır. Kısa ve öz tutun.
- Tutarsız format: Bazı örneklerde 'cevap:', bazılarında 'sonuç:' kullanmak modeli karıştırır.
CoT Prompting ile İlgili Sık Sorulan Sorular
CoT prompting her modelde aynı mı çalışır? Hayır, bazı modeller (özellikle daha büyük modeller) bu teknikten daha fazla fayda görür. Küçük modellerde etki sınırlı olabilir. CoT'yi fine-tuning veya RAG ile birleştirerek daha güçlü sistemler oluşturabilirsiniz.
İleri Düzey: CoT ve Diğer Tekniklerin Entegrasyonu
CoT prompting, kod üretimi gibi daha karmaşık görevlerde de kullanılabilir. Örneğin, bir fonksiyon yazarken 'Önce girdileri kontrol et, sonra döngüyü kur, en son dönüş değerini belirle' şeklinde adım adım talimat vermek, modelin daha doğru kod üretmesini sağlar. Diğer yandan, hiperparametre optimizasyonu süreçlerinde de CoT benzeri adımsal düşünme yaklaşımı uygulanabilir.
Sonuç olarak, Chain-of-Thought prompting, LLM'lerin akıl yürütme yeteneklerini önemli ölçüde geliştiren basit ama güçlü bir tekniktir. Doğru uygulandığında, hem akademik hem de endüstriyel projelerde vazgeçilmez bir araç haline gelir. Bu rehberdeki ipuçlarını ve kontrol listesini kullanarak kendi promptlarınızı optimize edebilir, daha güvenilir ve açıklanabilir yanıtlar elde edebilirsiniz.
Sık Sorulan Sorular
Chain-of-Thought prompting her modelde çalışır mı?
Hayır, CoT prompting genellikle büyük dil modellerinde (100 milyar+ parametre) daha etkilidir. Küçük modellerde fayda sınırlı olabilir, ancak yine de denenebilir.
Zero-shot CoT ile few-shot CoT arasındaki fark nedir?
Zero-shot CoT'de modele sadece 'Adım adım düşün' gibi bir talimat verilirken, few-shot CoT'de birkaç örnek üzerinden beklenen akıl yürütme şablonu gösterilir. Few-shot genelde daha başarılıdır.
CoT prompting ne kadar token tüketir?
CoT promptları normal promptlara göre daha uzundur çünkü ara adımları içerir. Token limitinizi aşmamak için örnek sayısını ve adım detayını optimize etmek önemlidir.
CoT prompting ile halüsinasyon azaltılabilir mi?
Evet, CoT prompting modelin düşünce sürecini adım adım izlemesini sağladığı için mantıksal tutarlılığı artırır ve halüsinasyon riskini azaltır.
