
Aynı hikâye fikrini beş ayrı şekilde denemek, yaratıcı yazmada iki büyük avantaj sağlar: (1) hızlı keşif (hangi ton/tür daha iyi çalışıyor?) ve (2) kontrollü çeşitlilik (öz aynı kalsın, anlatım değişsin). Yapay zekâ ile bunu yapmanın en pratik yolu, çekirdek hikâye bilgilerini sabit tutup vurguyu değişkenlere vermektir.
Bu rehberde, tek bir temel prompttan yola çıkarak beş farklı hikâye üretmek için kullanılan yöntemleri; açık varyasyon talimatları, few-shot örnekleme ve üretim parametreleri (temperature/top_p) gibi “kolay uygulanır” kontrollerle birleştiriyoruz. Prompt yazımındaki genel en iyi uygulamalar için OpenAI’ın resmi kılavuzu yol göstericidir; özellikle talimatların netliği, format isteme ve önce zero-shot sonra few-shot deneme yaklaşımı öne çıkar (OpenAI Help Center).
İyi bir çekirdek prompt, beş varyasyonda da korunacak bilgileri taşır. Burada amaç, modelin her seferinde aynı temel hikâyeyi “tanıması” ve sadece istediğiniz boyutlarda değişmesi.
Rol: Deneyimli bir hikâye yazarı gibi yaz.
Çekirdek hikâye: [Karakter] [Mekân] içinde [hedef] peşinde. Önünde [engel/tehdit] var. “Mutlaka geçsin” öğeleri: [öğe1], [öğe2], [öğe3].
Çıkış kuralları: 600–900 kelime, 5–7 kısa paragraf, Türkçe. Klişe ifadelerden kaçın; duyguyu davranışla göster.
Şimdi: Aşağıdaki 5 varyasyonu üret ve her birini V1…V5 başlığıyla ayır.
Tek prompt içinde beş farklı sonuç istemenin en güvenilir yolu, her varyasyonu ayrı ayrı net koşullarla tanımlamaktır. Resmi kılavuzlar, talimatların belirgin ve sıralı olmasını; ayrıca modelin uyması gereken formatı açıkça istemeyi önerir (S1).
| Varyasyon ekseni | Ne değişir? | Prompta örnek ifade |
|---|---|---|
| Tür | Atmosfer, olay örgüsü beklentisi | “Bunu gotik korku tonunda yaz.” |
| Bakış açısı | Yakınlık ve güvenilirlik | “1. tekil şahıs anlat; anlatıcı güvenilmez olsun.” |
| Duygu tonu | Okur hissi, ritim | “Hüzünlü ama umutlu bir alt ton taşısın.” |
| Uzunluk/tempo | Sahne sayısı, ayrıntı seviyesi | “350–450 kelime, hızlı tempolu.” |
| Sürpriz türü | Final etkisi | “Son sahnede beklenmedik ama mantıklı bir ters köşe.” |
Aynı promptla birden fazla deneme almak, farklı kelime ve olay seçimlerine kapı açar. OpenAI’ın rehberi ve pratik kılavuzlar genellikle şunu belirtir: yüksek temperature ayarları üretimin daha çeşitli ve beklenmedik olma eğilimini artırırken, düşük temperature ayarları daha tutarlı ve tekrarlanabilir çıktılar eğilimindedir; bu eğilimler platforma ve modele göre değişebilir (S1, S4).
Top_p (nucleus sampling) ise örnekleme havuzunu daraltıp genişleterek kelime çeşitliliğini etkileyebilir; farklı kombinasyonlar farklı türde sürprizler veya uyumsuzluklar üretebilir (önerilen başlangıç noktaları için bkz. aşağı). Bu ifadeler kesin kurallar değil, rehberlik amaçlıdır ve yayımlamadan önce hedef platformda hızlı testlerle doğrulanmalıdır (S1, S4).
| Hedef | Temperature (örnek) | Top_p (örnek) | Ne zaman kullanılır? |
|---|---|---|---|
| Daha tutarlı anlatım | 0.0–0.3 (örnek aralık) | 0.6–0.9 (örnek) | Yapı korunacaksa, aynı olay örgüsünde küçük dil farkları istiyorsanız. |
| Daha yaratıcı sapmalar | 0.6–1.0 (örnek aralık) | 0.8–1.0 (örnek) | Farklı metaforlar, sıra dışı sahneler ve sürprizler istiyorsanız. |
| Kontrollü deney | Sabit tut / küçük değişiklikler | Sabit tut / küçük değişiklikler | Önce sadece tek ekseni (örn. bakış açısı) değiştirip etkisini görmek istiyorsanız. |
Bu sayısal aralıklar öğretici amaçlıdır; hedeflediğiniz modelin dokümantasyonunu kontrol edip küçük A/B testleriyle doğrulayın (S1).
Modelin üslubu kaçırdığını, tonun dağıldığını veya formatı bozduğunu görürseniz, 2–4 kısa örnek vermek yardımcı olabilir. Resmi rehberler, önce zero-shot denemeyi; ihtiyaç varsa few-shot örneklerle yönlendirmeyi önerir (S1).
Örnek üslup (kısa):
“Kısa cümleler. Duygu anlatma, göster. Nesneler üzerinden çağrışım kur. Her paragraf bir görüntüyle bitsin.”
İstek: Yukarıdaki üsluba benzer şekilde, aşağıdaki çekirdek hikâyeyi 5 varyasyonla yaz.
Akademik çalışmalarda, belirli semantik kontroller veya etiketler (duygu, uzunluk, belirli olay öğeleri gibi) ile aynı bağlamdan anlamlı ve farklı devamlar üretmenin mümkün olduğu gösterilmiştir (S3).
Varyasyon etiketi:
Bazı akademik yöntemler, girişte düzenli ifade veya kısıt benzeri talimatlarla daha ince kontrol denemelerini tartışır; ancak bunlar çoğu zaman model ince‑ayarı veya özel decoding stratejileriyle birlikte daha etkili olur (S2). Günlük yaratıcı yazım kullanımında ise “kısıt dilini” basit ve denetlenebilir tutmak daha iyi sonuç verir.
Aşağıdaki blok, platform-agnostic (herhangi bir servisle) kopyala–yapıştır için uygundur. Parametre önerileri örnek amaçlıdır; yayın öncesi hedef platformda test edin.
Çekirdek: Rol: Deneyimli bir hikâye yazarı gibi yaz. Çekirdek hikâye: Los Angeles’ta gece vardiyasında çalışan bir arşiv görevlisi, yıllardır kayıp olan bir kasetin katalogda “bugün teslim edildi” göründüğünü fark eder. Mutlaka geçsin: paslı bir anahtar, yarım kalan bir ses kaydı, yağmur altında bir telefon kulübesi. Çıkış: Türkçe, 450–700 kelime, 6 paragraf. Açılışta merak uyandır; finalde bir keşif olsun.
Varyasyon talimatları (aynı prompt içinde):
V1 (Noir): Kısa, keskin cümleler. Gölge ve ışık imgeleri. Duygu: kuşku.
V2 (1. tekil itiraf): Anlatıcı, bazı şeyleri saklıyor. Duygu: suçluluk.
V3 (Bilimkurgu mikro-kırılma): Kayıt, küçük bir zaman kaymasına işaret etsin. Duygu: hayret.
V4 (Komik ama karanlık): Küçük mizah anları; gerilimi bozmasın. Duygu: gergin tebessüm.
V5 (Minimalist): 250–350 kelime. Diyalog yok. Sürpriz son cümlede.
Örnek parametre önerisi (başlangıç noktası):
V1: temperature 0.2–0.3, top_p 0.6–0.9 (tutarlı noir ritmi).
V2: temperature 0.3–0.6, top_p 0.7–0.9 (iç ses ve nüans).
V3: temperature 0.6–0.9, top_p 0.8–1.0 (beklenmedik kırılmalar).
V4: temperature 0.5–0.9, top_p 0.8–1.0 (mizah ve sapmalar).
V5: temperature 0.1–0.3, top_p 0.6–0.9, kelime sınırı 250–350 (minimalist).
Beş çıktıyı aldıktan sonra, hangisinin işe yaradığını seçmek için 5 dakikalık bir rubrik kullanın. Bu, “rastgele beğeni” yerine tekrarlanabilir bir seçim yapmanızı sağlar.
| Kriter | Soru | 1–5 puan |
|---|---|---|
| Çekirdeğe sadakat | Karakter/mekân/çatışma aynı mı? | |
| Varyasyon hedefi | İstenen tür/ton/POV belirgin mi? | |
| Okunabilirlik | Paragraflar net mi, tempo akıyor mu? | |
| Sahne gücü | En az 1 sahne “görüntü” gibi mi? | |
| Final etkisi | Son paragraf bir iz bırakıyor mu? |
İlk üretimde tam isabet beklemek yerine, seçtiğiniz varyasyonu kısa revizyon komutlarıyla iyileştirmek daha verimlidir. Aşağıdaki komutları tek tek uygulayın.
Bu yöntemi düzenli kullanacaksanız, kendinize küçük bir katalog yapın:
Temperature, modelin kelime seçiminde ne kadar “rastgelelik” kullanacağını etkileyen bir parametredir. Genel rehberlik olarak yüksek değerler daha çeşitli ve beklenmedik sonuçlar üretme eğilimindedir; düşük değerler daha tutarlı sonuçlara eğilim gösterir (örnek aralıklar için S1 ve S4'e bakın).
Top_p (nucleus sampling), olası kelime dağılımından alınan seçim havuzunun boyutunu etkiler. Farklı top_p ayarları, üretimde farklı çeşitlilik türleri ortaya çıkarabilir; platforma göre test edilmesi önerilir (S4).
Örnek üslup veya format model tarafından iyi takip edilmiyorsa few-shot (2–4 kısa örnek) eklemek fayda sağlar. Önce zero-shot, sonra ihtiyaç varsa few-shot yaklaşımı genelde pratiktir (S1).
İsterseniz, çekirdek promptunuzu (karakter/mekân/çatışma ve “mutlaka geçsin” öğeleri) buraya yapıştırın; hangi 5 varyasyonun en anlamlı olacağını birlikte tasarlayabiliriz.
Yorumlar