Prompt Chaining

İstem zincirleme, karmaşık bir görevin daha küçük ve yönetilebilir alt görevlere ayrıldığı, Yapay Zeka (AI) geliştirme sürecindeki ileri düzey bir mimari modeldir. Bu iş akışında, genellikle bir Büyük Dil Modeli (LLM) veya bir bilgisayarlı görü sistemi tarafından üretilen bir adımın çıktısı, sonraki adım için girdi görevi görür. Çok yönlü bir sorunu tek seferde çözmeye çalışan tek bir monolitik istemin aksine zincirleme, daha güvenilir, test edilebilir ve yetenekli uygulamalar oluşturmana olanak tanır. Bu modüler yaklaşım, akıl yürütebilen, web'de gezinebilen veya fiziksel ortamlarla etkileşime girebilen gelişmiş Yapay Zeka Ajanları oluşturmak için çok önemlidir.

Link to this sectionZincirlemenin Mekaniği#

Temelde istem zincirleme, Temel Modellerdeki bağlam pencereleri ve akıl yürütme yeteneklerinin sınırlamalarını ele alır. Bir modelden tek bir istekte çok fazla farklı işlem yapması istendiğinde (örneğin: "Bu görüntüyü analiz et, metni çıkar, İspanyolca'ya çevir ve JSON faturası olarak biçimlendir"), hata olasılığı artar. Bunu bir boru hattına bölerek, her aşamanın doğruluğunu doğrulayabilirsin.

Etkili zincirler genellikle adımlar arasındaki veri dönüşümünü yönetmek için Python ile yazılmış veya LangChain gibi orkestrasyon kütüphaneleri tarafından yönetilen "yapıştırıcı kod" kullanır. Bu, Nesne Algılama sistemlerinin görsel keskinliğini, üretken metin modellerinin dilsel akıcılığıyla birleştirmek gibi farklı teknolojilerin entegrasyonuna olanak tanır.

Link to this sectionGerçek Dünya Uygulamaları#

İstem zincirleme, farklı veri modaliteleri arasındaki boşluğu doldururken, Çok Modlu Modellerin dinamik endüstriyel ve ticari ortamlarda işlev görmesini sağladığında özellikle güçlüdür.

1. Otomatik Görsel Raporlama: Akıllı Üretimde, bir kalite kontrol sistemi bir görü modelini bir LLM ile zincirleyebilir. İlk olarak, Ultralytics YOLO26 gibi yüksek hızlı bir model, montaj hattındaki bileşenleri tarar. Yapılandırılmış çıktı (örneğin: "Sınıf: Ezik_Kutu, Güven: 0.92") bir metin dizisine dönüştürülür. Bu metin daha sonra "Bu kusura dayanarak bir bakım talebi taslağı hazırla" gibi bir istemle bir dil modeline gönderilerek kat sorumlusu için insan tarafından okunabilir bir e-posta oluşturulur.

2. Bağlama Duyarlı Müşteri Desteği: Akıllı sohbet robotları, karmaşık kullanıcı sorgularını yönetmek için sıklıkla zincirlemeyi kullanır. Zincirdeki ilk halka, kullanıcı niyetini sınıflandırmak için Doğal Dil İşleme (NLP) kullanabilir. Eğer niyet teknikse, sistem bir Almayla Artırılmış Üretim (RAG) iş akışını tetikler: sorgu için gömüleri üretir, dokümantasyon için bir vektör veritabanını arar ve son olarak bir LLM'i getirilen parçaları faydalı bir cevaba dönüştürmesi için yönlendirir.

Link to this sectionGörüden Dile Kod Örneği#

Aşağıdaki örnek, bir zincirdeki ilk "halkayı" gösterir: bir sonraki istem için bağlam görevi gören yapılandırılmış veriler oluşturmak için Bilgisayarlı Görü (CV) kullanmak.

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)

Link to this sectionİlgili Kavramları Ayırt Etme#

Etkili Makine Öğrenimi (ML) mimarileri uygulamak için, istem zincirlemeyi AI dünyasındaki benzer terimlerden ayırmak faydalıdır:

• Düşünce Zinciri İstemi ile karşılaştırma: Düşünce Zinciri (CoT), bir modeli "işini göstermeye" teşvik etmek için tek bir istem içinde kullanılan bir tekniktir (örneğin: "Adım adım düşün"). İstem zincirleme ise, B adımının girdisinin A adımının çıktısına bağlı olduğu birden fazla farklı API çağrısını içerir.
• İstem Mühendisliği ile karşılaştırma: İstem mühendisliği, daha iyi model performansı elde etmek için metin girdilerini optimize etme konusundaki daha geniş disiplindir. Zincirleme ise, operasyonların sıralı akışına ve mantık kontrolüne odaklanan özel bir mühendislik modelidir.
• İstem Ayarlama ile karşılaştırma: İstem ayarlama, eğitim aşamasında öğrenilebilir parametreleri (yumuşak istemler) güncelleyen bir Model Optimizasyonu yöntemidir. İstem zincirleme ise tamamen Gerçek Zamanlı Çıkarım sırasında gerçekleşir ve modelin Model Ağırlıklarını değiştirmez.

Ekipler, istem zincirlemeden yararlanarak mantık, veri alma ve Eylem Tanıma süreçlerini entegre eden sağlam uygulamalar oluşturabilirler. Bu zincirleri destekleyen veri kümelerini yönetmek ve görü modellerini eğitmek için Ultralytics Platformu, etiketleme, eğitim ve dağıtım için merkezi bir çözüm sunar.