Üretim Uygulamaları İçin 7 System Prompt Örneği (2026 Kopyala-Yapıştır Şablonları)

Üretim Uygulamaları İçin 7 System Prompt Örneği (2026 Kopyala-Yapıştır Şablonları)

En iyi system prompt örnekleri, eğitimlerdeki "sen yardımsever bir asistansın" tek satırlıkları değildir. Bunlar, üretimdeki bir uygulamanın gece yarısı saat 2'de raydan çıkmasını engelleyen somut talimat bloklarıdır. Kendi içerik pipeline'ımızda bir düzineden fazla Claude subagent çalıştırıyoruz; her biri, Claude Opus 4.8 veya GPT-5 üzerinde bir hataya yol açtıktan sonra defalarca yeniden yazdığımız bir system prompt tarafından yönlendiriliyor. Bu yazı oyuncak demoları atlıyor: 7 gerçek, kopyala-yapıştır system prompt alıyorsunuz, ikisi doğrudan o üretim yığınından; ayrıca her güvenilir promptun altında yatan 6 bloklu anatomiyi de.

Temel Çıkarımlar

• Bir system prompt, herhangi bir kullanıcı mesajından önce bir kez ayarlanan kalıcı talimatlardır (rol, kısıtlamalar, çıktı formatı, guardrails).
• İçerik 1.000 istekte birebir aynı kalıyorsa system prompta koyun; isteğe özel içerik ise kullanıcı turuna gider.
• Güvenilir bir prompt altı bloktan oluşur: rol, bağlam, kısıtlamalar, çıktı formatı, guardrails, örnekler.
• Reasoning modelleri (o serisi, GPT-5, Claude Opus 4.5+) agresif "you MUST" ifadeleri değil, üst düzey hedefler ister.

Bir System Prompt Neler İçerir? 6 Yapı Taşı

Bir system prompt, bir modelin rolünü, davranışını, kısıtlamalarını ve çıktı formatını tüm oturum boyunca tanımlayan, herhangi bir kullanıcı mesajından önce bir kez ayarlanan kalıcı talimatlar kümesidir. Güvenilir olanların ortak noktası altı yapı taşıdır: rol, bağlam, kısıtlamalar, çıktı formatı, guardrails ve isteğe bağlı örnekler. Bunları doğru sırayla verdiğinizde, üretimde ayakta kalan bir system promptun nasıl yazılacağının kısa versiyonuna sahip olursunuz.

İşte her bloğun ne yaptığı.

Rol bloğu göründüğünden daha fazla önem taşır. Anthropic'in dokümantasyonu bunu açıkça belirtiyor: system promptta bir rol tanımlamak modelin davranışını ve tonunu netleştirir; "tek bir cümle bile fark yaratır". Guardrails bloğu için reddetme ve güvenlik kuralları gerçek bir düşünce gerektirir; bunları guardrails rehberimizde derinlemesine ele alıyoruz. Claude'u bağlıyorsanız, Anthropic her içerik türünü ayırmak için XML etiketleri (<instructions>, <context>, <input>) önermektedir; böylece model bunları birbirine karıştırmaz.

İşte altı bloğu tek bir şablonda birleştiren, doğrudan yapıştırılabilir bir iskelet:

# ROLE
You are a {role} for {audience}. Your scope is {narrow scope}.

# CONTEXT
{Stable facts the model needs on every request.}

# CONSTRAINTS
- {Hard rule 1}
- {Hard rule 2}
- Do not {forbidden action}.

# OUTPUT FORMAT
{Exact structure: length, format, JSON schema.}

# GUARDRAILS
- If {edge case}, then {fallback or escalate to a human}.
- If you are unsure, say so instead of guessing.

# EXAMPLES (optional)
{One or two model answers that show the target quality.}

Altı blok bir hissi bir spesifikasyona dönüştürür. Bu yalnızca system-prompt katmanıdır. Daha geniş tekniklere (few-shot, chain-of-thought, prompt zincirleme) yönelik olarak prompt engineering rehberimize bakın ve bunları system promptun dışında tutun. Bir oturumluk system prompt, bir CLAUDE.md gibi tek bir API oturumu yerine bütün bir kod tabanını yöneten repo düzeyindeki kalıcı proje düzeyi talimatlar dosyasından da farklıdır.

Üretime Hazır 7 System Prompt Örneği (Kopyala-Yapıştır)

İşte bugün system parametrenize veya developer mesajınıza doğrudan yapıştırabileceğiniz 7 system prompt örneği. Her biri gerçek bir işi hedefliyor (ajan, RAG, destek, kodlama, JSON, içerik QA, çeviri) ve her biri, kilit bloklarının neden var olduğunu gösteriyor. Son ikisi kendi pipeline'ımızda çalışıyor. Cursor ve Devin promptlarını sızdıran repolar talebi kanıtlıyor; kimsenin sunmadığı şey, her bloğun neden orada olduğunu açıklayan notlar.

1. Otonom Ajan

Rolü dar kapsamlı tutun, araç kurallarını açıkça belirtin ve sonsuza kadar döngüye girmemesi için bir durdurma koşulu verin.

You are a research agent. Your only job is to answer the user's
question using the provided tools.

TOOLS: web_search, read_url, calculator.

RULES
- Plan first: list the steps before calling any tool.
- Call one tool at a time and check the result before the next call.
- Never invent a URL or a fact. If a tool fails twice, stop.

STOP CONDITION
- When you have enough to answer, stop calling tools and reply.
- If the task needs account access or a purchase, hand off to a
  human and explain why.

Neden işe yarar: Dar kapsamlı bir rol artı açık bir durdurma koşulu, işini bitiren bir ajan ile döngüde token tüketen bir ajan arasındaki farktır. İyi bir ajan system promptunun temeli tam olarak budur.

2. RAG / Bilgi Getirme Soru-Cevap

Bilgi getirmedeki (retrieval) tüm mesele, modelin kendi belleğinden yanıt vermesini engellemektir. Tek bir kural bunu sağlar.

You answer questions using ONLY the context provided below.

CONTEXT
{retrieved_chunks}

RULES
- If the answer is not in the context, say: "I don't have that
  in my sources." Do not use outside knowledge.
- Cite the source after each claim using [chunk_id].

OUTPUT
Two to four sentences, plain text, with citations.

Neden işe yarar: "Yalnızca bağlamdan" kuralı artı bir alıntı formatı, bir RAG system promptu için yazabileceğiniz en ucuz halüsinasyon önlemidir.

3. Müşteri Destek Botu

Ton, bir yükseltme yolu ve kesin bir para kuralı, destek botunu yardımcı tutarken tutamayacağı sözler vermesini engeller.

You are a support agent for Northwind's billing team. Be warm,
brief, and factual.

CONTEXT
- Customers are on Free, Pro, or Enterprise plans.
- Refunds are allowed within 14 days of a charge.

CONSTRAINTS
- Never promise a refund above $200 without escalation.
- Do not give tax or legal advice.

GUARDRAILS
- If the customer is angry or asks for a manager, escalate to a
  human and say a teammate will follow up within one business day.
- If you are unsure of a policy, say you'll check rather than guess.

Neden işe yarar: İade guardrail'i ve yükseltme geri düşüşü, destek botlarının üretimden kaldırılmasına yol açan iki hata modunu durdurur.

4. Kodlama Asistanı

Çıktı formatını ve sürümleri kısıtlayın, düzenleme yapmadan önce açıklama yapmasını sağlayın.

You are a coding assistant for a Next.js 15 + TypeScript codebase.

RULES
- Explain your plan in two sentences before writing any code.
- Output changes as a unified diff, not full files.
- Match the existing style. Do not add dependencies without asking.
- Target Node 20. Do not use APIs newer than that.

If a request is ambiguous, ask one clarifying question before editing.

Neden işe yarar: "Tam dosyalar değil, diff" kuralı artı bir sürüm sınırı, asistanı kendi yığınınızın içinde tutar. Kodlama ajanları için prompt tasarımı kendi başına ayrı bir rehberi hak edecek kadar derin bir konu, bu yüzden bu örneği sade tutuyoruz.

5. Yapılandırılmış Veri / JSON Çıkarımı

Şemayı çıktı formatı bloğuna koyun ve düz metni yasaklayın. Güvenilir structured output (yapılandırılmış çıktı) için kalıp budur.

You extract structured data from raw text. Return ONLY valid JSON,
no prose, no markdown fences.

SCHEMA
{
  "company": "string",
  "amount_usd": "number",
  "date": "YYYY-MM-DD",
  "confidence": "low | medium | high"
}

RULES
- If a field is missing from the text, use null.
- Never guess a value to fill a field.
- Output must parse with JSON.parse on the first try.

Neden işe yarar: Harfiyen bir şema artı "yalnızca geçerli JSON" kuralı, tarif edilmiş bir formattan her zaman daha iyi sonuç verir. Promptun ötesindeki uygulama kalıpları için (JSON şema doğrulaması, araç tabanlı çıkarım) structured outputs rehberimize bakın.

6. İçerik QA / Doğrulayıcı Ajanı (kendi üretim pipeline'ımızdan)

Bu, kendi yığınımızda çalışıyor. Doğrulayıcımızın system promptu bir negatif kısıtlama örneğidir: modele tam olarak ne YAZMAMASI gerektiğini söyler, ardından bir script kuralları harfiyen kontrol eder.

You are a content QA agent. You check one blog draft against a
fixed style contract.

BANNED VOCABULARY (auto-fail on any hit)
delve, leverage, robust, seamless, tapestry, pivotal, elevate,
harness, foster, bolster, paramount, intricate, "in today's",
"when it comes to", "it's worth noting", "game-changer"

FORMAT LIMITS
- Em-dashes: max 3 per 1,000 words of body.
- Vague quantifiers ("many", "several", "significantly"): max 1
  per 500 words of body.

ENFORCEMENT
- Do not "write naturally." Check every rule literally.
- A deterministic script (ai_slop_check.py) greps the draft and
  exits non-zero on any hit. If it fails, the post does not publish.

Neden işe yarar: Numaralandırılmış bir yasak liste artı bir grep, "jargon kullanmaktan kaçının" ifadesinin asla olamayacağı kadar uygulanabilirdir. Model bir hisle tartışabilir; sıfır olmayan bir çıkış koduyla tartışamaz.

7. Çeviri Ajanı (kendi üretim pipeline'ımızdan)

Bu da bize ait. Çevirmenin promptu, modelin kendi çıktısı üzerinde çalıştırdığı bir öz kontrolle birlikte bir çıktı formatı ve eksiksizlik sözleşmesidir.

You are an expert translator. You translate ONE blog post into ONE
target language.

COMPLETENESS CONTRACT
- Output the SAME number of H2 sections as the source.
- Line count must land within 80-120% of the source.
- Translate the FAQ fully. Never submit a partial draft.

DIACRITICS SELF-CHECK
- Keep native characters. If you output "karsilastirma" instead of
  "karşılaştırma" (Turkish), or "developpement" instead of
  "développement" (French), the translation is WRONG. Re-do it.

If you cannot meet the contract, report the problem. Do not ship a
truncated post.

Neden işe yarar: Bir eksiksizlik sözleşmesi artı somut bir hatalı çıktı örneği, belirsiz bir "doğru çevir" talimatının gözden kaçırdığı sessiz hataları yakalar.

Üretimde System Prompt Çalıştırarak Öğrendiklerimiz

Kendi pipeline'ımızdaki üç system prompt hatası bize herhangi bir dokümantasyon sayfasından daha fazlasını öğretti. Üçü de kulağa iyi gelen ama spesifik veya doğrulanabilir olmayan talimatlardan kaynaklandı. İşte 16'dan fazla Claude subagent'ımız genelinde neyin bozulduğu ve her seferinde kalıcı olan tam düzeltme. Kalıp her seferinde aynı: yumuşak kurallar göz ardı edilir, spesifik ve dışarıdan denetlenen kurallar kalıcı olur.

Yasaklı kelime hatası. Haftalarca, ne kadar nazikçe rica edersek edelim, model leverage ve robust kelimelerini taslaklara geri sokuşturmaya devam etti. Yumuşak bir "jargon kullanmaktan kaçının" satırı hiçbir işe yaramadı. Çözüm, Örnek #6 oldu: promptun içinde numaralandırılmış bir yasak liste, artı çıktıyı greple tarayan ve herhangi bir isabette sıfır olmayan bir kodla çıkan bir script, üstüne 1.000 kelimede 3 em-dash sınırı. Ders: belirsiz kısıtlamalar göz ardı edilir; numaralandırılmış, dışarıdan doğrulanan kısıtlamalar kalıcı olur.

Aksan işaretleri hatası. Çevirmenimiz Türkçe, Fransızca ve İspanyolca çıktılarda sessizce ASCII üretiyordu. karşılaştırma kelimesi karsilastirma olarak çıkıyordu ve bunu bir anadili konuşuru fark edip bildirene kadar kimse fark etmedi. Çözüm, promptta bir yerel karakter tablosu, açık bir hatalı çıktı örneği ve çalıştırma sonrası bir grep kontrolü oldu (sıfır yerel karakter, yeniden çevir demek). Ders: modele sadece bir kural değil, hatanın somut bir örneğini verin.

Kararlı kimlik hatası. Bu, en pahalıya mal olanı. Her yeniden çeviride yerelleştirilmiş slug'ı yeniden türeten bir system prompt, yayıncının her yazı için ikinci bir canlı belge basmasına yol açtı. 2026-06-13'te 54 yinelenen canlı belge yayınladık ve bunları 2026-07-05'e kadar yayından kaldırmadık; üç hafta boyunca bölünmüş link değeri ve yinelenen içerik uyarıları yaşadık. Çözüm: kimliği açıkça sabitleyin ve mevcut ID'yi harfiyen yeniden kullanın. Kendi tanımlayıcılarını deterministik olmayan biçimde yeniden üreten bir system prompt kopyalar üretir; bizimki de kimliği sabitlemeden önce 54 canlı belge bastı.

En Yaygın System Prompt Hataları Nelerdir?

En yaygın system prompt hataları şunlardır: duvar gibi uzun metin talimatlar, çelişkili kurallar, yalnızca olumsuz ifadeler, isteğe özel bağlamı statik bir prompta doldurmak ve bir geri düşüş tanımlamamak. 2026 modellerinde yeni bir tanesi daha var: agresif BÜYÜK HARF kullanımı ve "you MUST" ifadeleri artık Claude Opus 4.5+ modelini aşırı tetikliyor.

İşte hızlı düzeltme listesi:

• Duvar gibi metin. Çözüm: Altı bloğa bölün ve sabit içeriği en başa koyun.
• Çelişkili talimatlar. Çözüm: Satır başına bir kural; yayınlamadan önce çelişkileri çözün.
• Yalnızca olumsuz ifadeler. Çözüm: Sadece neyden kaçınılacağını değil, ne yapılması gerektiğini söyleyin.
• BÜYÜK HARF ve "MUST" yüklemesi. Anthropic'in daha yeni modellerinde bu ters tepiyor. Dokümantasyonları artık şunu söylüyor: eskiden "CRITICAL: You MUST use this tool" yazabileceğiniz yerde, "Use this tool when." gibi normal bir ifade kullanabilirsiniz. 2025'in tavsiyesi artık hatanın kendisi.
• Statik promptta dinamik bağlam. İsteğe özel veriyi kullanıcı turunda tutun. Neyin nereye ait olduğu kendi başına bir disiplin; context engineering rehberimiz bunu ele alıyor.
• Geri düşüş yok. Her zaman bir reddetme ve yükseltme yolu tanımlayın.
• Uzunluğu ve maliyeti göz ardı etmek. Daha uzun promptlar her çağrıda gecikme ve token maliyeti ekler; sadece yerini hak edeni bırakın.

Sade talimat netliği temelleri için OpenAI'nin en iyi uygulamalar makalesi hâlâ sağlam bir kontrol listesi.

Bir System Promptu Nasıl Test Edip Geliştirirsiniz?

Bir system promptu, kodu test eder gibi test edin. Beklenen çıktılarla küçük bir golden set (referans veri seti) oluşturun, ardından her değişiklikte modelin yanıtını bunlara karşı doğrulayın (assert). Aynı girdiler üzerinde iki prompt versiyonunu A/B testine tabi tutun ve daha fazla kontrolü geçeni tutun. Doğrulama (assertion) her zaman göz kararı değerlendirmeyi yener.

Minimal bir eval döngüsü şöyle görünür:

# pseudo eval loop
for case in golden_set:
    out = model(system=PROMPT, user=case.input)
    assert is_valid_json(out)              # format check
    assert case.expected_field in out      # content check
    if case.no_context:
        assert "I don't have that" in out  # refusal check
# ship the prompt version that passes the most cases

Örnek #6'daki grep, çalıştırabileceğiniz en ucuz doğrulamadır: hiçbir maliyeti yoktur ve asla yorulmaz. Prompt kütüphaneniz bir avuçtan fazlasına büyüdükçe, dosyalar arasında kopyala-yapıştır yapmak yerine promptlarınızı gerçek prompt yönetim araçlarıyla versiyonlayıp test edin. Nokta her ölçekte aynı: bir üretim promptunu, onu iyileştirip iyileştirmediğinizi söyleyen bir kontrol olmadan asla değiştirmeyin.

System Prompt, User Prompt ve Developer Message Arasındaki Fark

System prompt sabit davranışı belirler; user prompt isteğe özel görevi taşır; developer message ise OpenAI'nin, komuta zincirinde kullanıcı mesajlarının üzerinde sıralanan uygulama düzeyi talimatları tutan reasoning model rolüdür. Anthropic, bir role: "system" mesajı yerine üst düzey bir system parametresi kullanır. İşte rakiplerin genellikle kaçırdığı üçlü ayrım.

OpenAI bu sıralama konusunda açık: "developer mesajları, uygulama geliştiricisi tarafından sağlanan ve kullanıcı mesajlarının önüne öncelik verilen talimatlardır". Yani bir kullanıcı uygulama kurallarınızı geçersiz kılmaya çalışırsa, komuta zincirini developer message kazanır.

Reasoning Modelleri Farklı System Prompt Gerektirir mi? (2026)

Evet. OpenAI'nin o serisi, GPT-5 ve Claude Opus 4.5+ gibi reasoning modelleri, adım adım senaryolar değil üst düzey hedefler ister. OpenAI, bir reasoning modelini detayları güvendiğiniz kıdemli bir çalışana benzetirken, bir GPT modelini açık talimatlara ihtiyaç duyan bir junior'a benzetiyor.

Bu çerçeve, promptu nasıl yazacağınızı değiştirir. Bir reasoning modeli için hedefi ve kısıtlamaları belirtin ve "detayları çözmesine güvenin"; bir GPT modeli için adımları tek tek yazın. Bir reasoning modelini aşırı detaylandırmak çoğu zaman onu daha iyi değil, daha kötü yapar.

Claude tarafının da kendi 2026 değişimi var. Opus 4.5+, system prompta daha duyarlı olduğu için, CRITICAL: ve MUST üst üste yığma alışkanlığı artık onu aşırı tetikliyor. Bu dili normal ifadelere geri çekin. Bir maliyet notu: prompt caching'in devreye girip tekrarlanan çağrılarda gecikmeyi azaltabilmesi için sabit, tekrar kullanılan içeriğinizi promptun başına koyun. Ve reasoning modeliniz adım adım bir iş yapıyorsa, chain-of-thought prompting kendi başına, kendi rehberini hak eden ayrı bir konu; burada onu yeniden anlatmayacağız.

Techsy Bu Konuya Nasıl Yaklaşıyor

Techsy'de B2B müşteriler için ajan sistemleri kuruyoruz ve yukarıdaki doğrulayıcı ile çevirmen promptları tam olarak o üretim yığınında çalışıyor. Her system promptu kod gibi ele alıyoruz: versiyonluyoruz, bir golden set'e karşı test ediyoruz ve tartışmaya kapalı kuralları umuda değil bir script'e emanet ediyoruz. Bir LLM özelliğini demodan üretime taşıyorsanız ve yapay zeka entegrasyonu konusunda yardım istiyorsanız, ücretsiz danışmanlık alın.

Sıkça Sorulan Sorular

System prompt nedir?

Bir system prompt, herhangi bir kullanıcı mesajından önce bir kez ayarlanan ve modelin rolünü, davranışını, kısıtlamalarını ve çıktı formatını tüm oturum için tanımlayan kalıcı talimatlar kümesidir. Sabit "nasıl davranır" katmanıdır ve kullanıcının isteğe özel mesajları her turda değişirken o aynı kalır.

System prompt ile user prompt arasındaki fark nedir?

System prompt, her istekte aynı kalan sabit "nasıl davranır" katmanıdır; user prompt ise isteğe özel "ne yapılacak" kısmıdır. Basit bir kural: içerik 1.000 istekte birebir aynı kalacaksa system prompta aittir; her çağrıda değişen her şey ise kullanıcı turuna gider.

Developer message, system prompttan nasıl farklıdır?

OpenAI'nin reasoning modelleri (o serisi, GPT-5), bir system mesajı yerine bir developer mesajı alır. Bu mesaj, komuta zincirinde kullanıcı mesajlarının üzerinde sıralanan uygulama düzeyi talimatları taşır; bu yüzden bir kullanıcı kurallarınızı geçersiz kılmaya çalışırsa developer message kazanır. Anthropic ise role dayalı bir mesaj yerine tek bir üst düzey system parametresi kullanır.

Bir system prompt ne kadar uzun olmalı?

Rolü, kısıtlamaları, çıktı formatını ve guardrails'i kapsayabildiği kadar kısa olmalı. Aşırı uzun promptlar her çağrıda token maliyeti ve gecikme ekler, Claude Opus 4.5+'ta fazladan reasoning'i aşırı tetikleyebilir. Sabit bir prompt uzun olmak zorundaysa, maliyeti dengelemesi için tekrar kullanılan içeriği en başa koyun.

System promptlar ChatGPT/GPT ve Claude'da aynı şekilde mi çalışır?

Kavram aynı, mekanik farklı. OpenAI, messages dizisi içinde bir system veya developer rolü kullanırken, Anthropic ayrı bir üst düzey system parametresi kullanır ve talimatları, bağlamı ve örnekleri ayırmak için XML etiketlerini tercih eder. Talimatlar sağlayıcılar arasında taşınır; kablolama ve biçimlendirme kuralları taşınmaz.

System promptu konuşma ortasında değiştirebilir misiniz?

API üzerinden her çağrıda tüm messages yükünü yeniden gönderirsiniz, bu yüzden teknik olarak system promptu turlar arasında değiştirebilirsiniz. Ama konuşma ortasında değiştirmek sürekliliği bozabilir ve modelin kendi kuralları konusunda kafasını karıştırabilir. Bir kez ayarlamayı tercih edin, ya da farklı bir göreve özel prompt için bilinçli olarak değiştirin.

System prompt yazarken XML etiketleri mi, markdown mı kullanmalıyım?

Anthropic, Claude için talimatları, bağlamı ve örnekleri ayırmak amacıyla XML etiketlerini önerir; böylece model bunları birbirine karıştırmaz. OpenAI modelleri markdown ve düz başlıkları iyi işler. İkisine tek bir stili zorlamak yerine sağlayıcının kuralına uyun ve hangisini seçerseniz seçin, tek bir prompt içinde tutarlı kalın.

Reasoning modelleri farklı system prompt gerektirir mi?

Evet. Reasoning modelleri, adım adım mikro yönetim değil, kıdemli bir çalışanı bilgilendirir gibi üst düzey hedefler ister. Claude Opus 4.5+ gibi yeni modelleri aşırı tetikleyen agresif BÜYÜK HARF ve "you MUST" dilini bırakın; hedefi ve guardrails'i belirtin, oraya giden yolu planlamayı modele bırakın.

İyi bir system promptun bölümleri nelerdir?

Altı blok: rol, bağlam, kısıtlamalar, çıktı formatı, guardrails ya da geri düşüşler ve isteğe bağlı olarak birkaç örnek. İşin çoğunu rol ve kısıtlamalar yapar; çıktı formatı bloğu, yanıtları ayrıştırılabilir kılan şeydir; guardrails ise sınır durumlarda ne olacağını tanımlar. Örnekler, yalnızca hedef kalite kelimelerle tarif etmesi zor olduğunda eklemeye değer.