Yapay Zekaya Ne İstediğini Değil, Neyi Engellediğini Söyle

Ralph Wiggum tekniği gibi yapay zeka araçlarının, özellikle Claude Code ile kullanıldığında, saatler içinde bitmiş bir uygulama vaat etmesi büyük bir heyecan yaratıyor. Ancak gerçekte, kullanıcılar genellikle eksik gereksinimler, derleme hataları veya kalıcı olmayan veri katmanları gibi sorunlarla karşılaşıyor. Bu durumun nedeni, yapay zekanın tam olarak isteneni yapmaması değil, kullanıcının ne istediğini yanlış ifade etmesidir. Geleneksel "daha iyi prompt yazma" tavsiyeleri, uygulamanın hatalı olması durumunda "daha iyi gereksinim yazın" demek kadar işe yaramaz bir yaklaşım sunar. Asıl beceri "prompt mühendisliği" değil, "kriter tasarımı"dır.

Makale, Ralph Wiggum gibi yapay zeka sistemlerinin bir döngü içinde çalıştığını ve başarı kriterleri karşılanana kadar devam ettiğini vurguluyor. Bu nedenle, her şeyin anahtarı, belirlenen kriterlerin netliğidir. Belirsiz kriterler, yapay zekanın da belirsiz sonuçlar üretmesine ve işi erken bitirmesine yol açar. Yazar, bu soruna farklı bir bakış açısı getiriyor: İsteklerinizi unutun, sizi engelleyecek şeylere odaklanın. Bir yazılım projesinde sizi engelleyecek tipik kısıtlamalar bellidir: iOS'ta derleniyor mu? Android'de derleniyor mu? Analizler geçiyor mu? Uygulama gerçekten başlatılıyor mu? Bu maddeler, ikili (geçti/kaldı) sonuçlar veren ve yoruma açık olmayan somut kısıtlamalardır.

Yapay zekanın başarı kriterleri de bu tür kısıtlamalar olmalıdır. Örneğin, "doğru çalışıyor" yerine "dotnet build -f net10.0-ios 0 ile çıkıyor mu?" gibi somut ve doğrulanabilir ifadeler kullanılmalıdır. Her bir başarı kriteri için "Bir script bunu doğrulayabilir mi?" sorusu sorulmalıdır. Eğer cevap evet ise, bu bir kısıtlamadır; hayır ise, bu sadece bir dilektir. Yapay zeka, dosya varlığını kontrol edebilir, derleme komutlarını çalıştırabilir ama "iyi" gibi soyut kavramları değerlendiremez. Bu yaklaşım, her dileği bir "geçit"e dönüştürerek, yapay zekanın daha doğru ve beklentilere uygun sonuçlar üretmesini sağlar.