Prompt Chaining

İstem zincirleme, Yapay Zekâ (AI) geliştirmesinde karmaşık bir görevin daha küçük ve yönetilebilir alt görevlere ayrıldığı gelişmiş bir mimari kalıptır. Bu iş akışında, bir adımın çıktısı—genellikle bir Büyük Dil Modeli (LLM) veya bilgisayarlı görü sistemi tarafından üretilir—sonraki adımın girdisi olarak kullanılır. Çok yönlü bir problemi tek seferde çözmeye çalışan tek ve yekpare bir istemin aksine, zincirleme yaklaşımı geliştiricilerin daha güvenilir, test edilebilir ve yetenekli uygulamalar oluşturmasını sağlar. Bu modüler yaklaşım, akıl yürütebilen, web'de gezinebilen veya fiziksel ortamlarla etkileşime girebilen gelişmiş Yapay Zekâ Ajanları oluşturmak için gereklidir.

Zincirleme Mekanizması#

İstem zincirleme, özünde Temel Modellerin bağlam pencerelerinin ve akıl yürütme yeteneklerinin sınırlamalarını ele alır. Bir modelden tek bir istekte çok fazla farklı işlemi gerçekleştirmesi istendiğinde (ör. "Bu görüntüyü analiz et, metni çıkar, İspanyolcaya çevir ve JSON faturası olarak biçimlendir"), hata olasılığı artar. Geliştiriciler bunu bir işlem hattına bölerek her aşamanın doğruluğunu doğrulayabilir.

Etkili zincirlerde, adımlar arasındaki veri dönüşümünü yönetmek için genellikle Python ile yazılmış veya LangChain gibi orkestrasyon kütüphaneleri tarafından yönetilen "yapıştırıcı kod" kullanılır. Bu, Nesne Tespitinin görsel yeteneğini üretken metin modellerinin dilsel akıcılığıyla birleştirmek gibi farklı teknolojilerin entegre edilmesini sağlar.

Gerçek Dünya Uygulamaları#

İstem zincirleme, farklı veri kiplikleri arasındaki boşluğu kapatırken özellikle güçlüdür ve Çok Kipli Modellerin dinamik endüstriyel ve ticari ortamlarda çalışmasını sağlar.

1. Otomatik Görsel Raporlama: Akıllı Üretimde bir kalite kontrol sistemi, bir görü modelini bir LLM ile zincirleyebilir. Önce Ultralytics YOLO26 gibi yüksek hızlı bir model, montaj hattındaki bileşenleri tarar. Yapılandırılmış çıktı (ör. "Class: Dented_Can, Confidence: 0.92") bir metin dizesine dönüştürülür. Bu metin daha sonra "Bu kusura dayanarak bir bakım talebi taslağı oluştur" gibi bir istemle bir dil modeline aktarılır ve saha yöneticisi için insanların okuyabileceği bir e-posta oluşturulur.

2. Bağlama Duyarlı Müşteri Desteği: Akıllı sohbet botları, karmaşık kullanıcı sorgularında gezinmek için sıklıkla zincirleme yaklaşımını kullanır. Zincirin ilk halkasında, kullanıcı amacını sınıflandırmak için Doğal Dil İşleme (NLP) kullanılabilir. Amaç teknikse sistem bir Getirmeyle Güçlendirilmiş Üretim (RAG) iş akışını tetikler: sorgu için gömüler oluşturur, belgeleri bulmak üzere bir vektör veritabanında arama yapar ve son olarak alınan parçaları yararlı bir yanıtta birleştirmesi için bir LLM'e istem gönderir.

Görüden Dile Kod Örneği#

Aşağıdaki örnek, bir zincirin ilk "halkasını" gösterir: sonraki bir istemin bağlamı olarak kullanılacak yapılandırılmış verileri oluşturmak için Bilgisayarlı Görü (CV) kullanılır.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

İlişkili Kavramları Ayırt Etme#

Etkili Makine Öğrenimi (ML) mimarilerini uygulamak için istem zincirlemeyi yapay zekâ alanındaki benzer terimlerden ayırmak faydalıdır:

• Düşünce Zinciri İstemleme ile karşılaştırma: Düşünce Zinciri (CoT), bir modeli "çalışmasını göstermeye" teşvik etmek için tek bir istemin içinde kullanılan bir tekniktir (ör. "Adım adım düşün"). İstem zincirleme, B adımının girdisinin A adımının çıktısına bağlı olduğu birden çok farklı API çağrısını içerir.
• İstem Mühendisliği ile karşılaştırma: İstem mühendisliği, daha iyi model performansı elde etmek için metin girdilerini optimize etmeye odaklanan daha geniş bir disiplindir. Zincirleme, işlemlerin ve mantık denetiminin ardışık akışına odaklanan özel bir mühendislik kalıbıdır.
• İstem Ayarlama ile karşılaştırma: İstem ayarlama, bir eğitim aşamasında öğrenilebilir parametreleri (yumuşak istemleri) güncelleyen bir Model Optimizasyonu yöntemidir. İstem zincirleme tamamen Gerçek Zamanlı Çıkarım sırasında gerçekleşir ve modelin Model Ağırlıklarını değiştirmez.

İstem zincirlemeden yararlanan ekipler; mantığı, veri alımını ve Eylem Tanımayı entegre eden sağlam uygulamalar oluşturabilir. Bu zincirlere güç veren veri kümelerini yönetmek ve görü modellerini eğitmek için Ultralytics Platformu, açıklama, eğitim ve dağıtım için merkezi bir çözüm sunar.