Prompt Chaining

Prompt zincirleme, karmaşık bir görevin daha küçük, yönetilebilir alt görevler dizisine ayrıldığı Artificial Intelligence (AI) geliştirme sürecinde gelişmiş bir mimari desendir. Bu iş akışında, bir adımın çıktısı —genellikle bir Large Language Model (LLM) veya bilgisayarla görü sistemi tarafından üretilir— sonraki adım için girdi görevi görür. Çok yönlü bir sorunu tek seferde çözmeye çalışan tekli monolitik bir istemin aksine zincirleme, geliştiricilerin daha güvenilir, test edilebilir ve yetenekli uygulamalar oluşturmasına olanak tanır. Bu modüler yaklaşım; akıl yürütebilen, web'de gezinebilen veya fiziksel ortamlarla etkileşime girebilen sofistike AI Agents oluşturmak için esastır.

Zincirlemenin Mekaniği#

Özünde prompt zincirleme, Foundation Models modellerindeki bağlam pencerelerinin ve akıl yürütme yeteneklerinin sınırlamalarını ele alır. Bir modele tek bir istekte çok fazla farklı işlem gerçekleştirmesi istendiğinde (örn. "Bu görseli analiz et, metni çıkar, İspanyolcaya çevir ve bir JSON faturası olarak biçimlendir"), hata olasılığı artar. Geliştiriciler bunu bir boru hattına bölerek her aşamanın accuracy oranını doğrulayabilir.

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

Gerçek Dünya Uygulamaları#

Prompt zincirleme, farklı veri modülleri arasındaki boşluğu doldururken özellikle güçlüdür ve Multi-Modal Models modellerinin dinamik endüstriyel ve ticari ortamlarda işlev görmesini sağlar.

1. Otomatik Görsel Raporlama: Smart Manufacturing alanında, kalite kontrol sistemi bir görü modelini bir LLM ile zincirleyebilir. İlk olarak, Ultralytics YOLO26 gibi yüksek hızlı bir model bir montaj hattındaki bileşenleri tarar. Yapılandırılmış çıktı (örn. "Class: Dented_Can, Confidence: 0.92") bir metin dizesine dönüştürülür. Bu metin daha sonra "Bu kusura dayanarak bir bakım talebi taslağı hazırola" gibi bir istemle dil modeline aktarılarak kat yöneticisi için okunabilir bir e-posta oluşturulur.

2. Bağlam Farkında Müşteri Desteği: Akıllı sohbet botları, karmaşık kullanıcı sorgularında gezinmek için genellikle zincirleme kullanır. Zincirdeki ilk halka, kullanıcı niyetini sınıflandırmak için Natural Language Processing (NLP) kullanabilir. Niyet teknikse sistem bir Retrieval-Augmented Generation (RAG) iş akışını tetikler: sorgu için embeddings oluşturur, belgeler için bir vektör veritabanını arar ve son olarak alınan parçaları yararlı bir yanıtta sentezlemesi için bir LLM'yi yönlendirir.

Görüden Dile Kod Örneği#

Aşağıdaki örnek, bir zincirdeki ilk "halkayı" göstermektedir: akış aşağısı bir istem için bağlam görevi gören yapılandırılmış veriler üretmek amacıyla Computer Vision (CV) kullanma.

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)

İlgili Kavramları Ayırt Etme#

Etkili Machine Learning (ML) mimarileri uygulamak için prompt zincirlemeyi yapay zeka manzarasındaki benzer terimlerden ayırmak faydalıdır:

• Vs. Chain-of-Thought Prompting: Düşünce Zinciri (CoT), bir modele "çalışmasını göstermesi" için teşvik etmek amacıyla tek bir istem içinde kullanılan bir tekniktir (örn. "Adım adım düşün"). Prompt zincirleme, B adımının girdisinin A adımının çıktısına bağlı olduğu birden fazla ayrı API çağrısı içerir.
• Vs. Prompt Engineering: Prompt mühendisliği, daha iyi model performansını ortaya çıkarmak için metin girdilerini optimize etmeye yönelik daha geniş disiplindir. Zincirleme, işlemlerin sıralı akışına ve mantık kontrolüne odaklanan belirli bir mühendislik desenidir.
• Vs. Prompt Tuning: Prompt ayarı, bir eğitim aşamasında öğrenilebilir parametreleri (yumuşak promptlar) güncelleyen bir Model Optimization yöntemidir. Prompt zincirleme tamamen Real-time Inference sırasında gerçekleşir ve modelin Model Weights değerlerini değiştirmez.

Prompt zincirlemeden yararlanarak ekipler; mantığı, veri alımını ve Action Recognition birleştiren güçlü uygulamalar oluşturabilir. Bu zincirlere güç veren veri kümelerini yönetmek ve görü modellerini eğitmek için Ultralytics Platform, açıklama ekleme, eğitim ve dağıtım için merkezi bir çözüm sunar.