yoklateknik mülakat
GelişimGeçmiş

AI Engineer Prompt Engineering Mülakat Soruları

75 doğrulanmış AI Engineer Prompt Engineering mülakat sorusu — cevaplarıyla çöz, açıklamalarıyla öğren, gerçek simülasyonda kendini test et.

Gerçek simülasyonu dene →

Örnek sorular

Prompt EngineeringZorluk 1
Bir büyük dil modeline prompt yazarken 'zero-shot' ne anlama gelir?
  • aModel, devreye alınmadan önce çok küçük bir veri setiyle fine-tune edilir.
  • bPrompt, modelden hiç örnek verilmeden bir görevi yapmasını ister.✓
  • cTemperature sıfıra ayarlandığında model yanıt vermeyi reddeder.
  • dPrompt, formatı göstermek için talimattan önce yerleştirilmiş tam olarak bir örnek içerir.
Açıklama:Zero-shot, prompt içinde görev örneği bulunmadığı anlamına gelir; model yalnızca talimata ve önceden eğitildiği bilgiye dayanır. d şıkkı one-shot'u tanımlar; a prompting'i fine-tuning ile, c ise temperature'ı örnek sayısıyla karıştırır.
Prompt EngineeringZorluk 2
Bir junior AI engineer, destek taleplerini 'billing', 'technical', 'account' olarak sınıflandırmak için şu few-shot promptu hazırlıyor:
Örnek 1: 'Ayarları açtığımda uygulama çöküyor.' -> technical
Örnek 2: 'Export işim 10 dakika sonra timeout oluyor.' -> technical
Örnek 3: 'API her retry'da 500 hatası dönüyor.' -> technical

Üretimde model, net billing sorularını bile neredeyse hep 'technical' olarak etiketliyor. En olası neden nedir?
  • aContext window üç kısa örneği tutamayacak kadar küçük.
  • bFew-shot prompting, örnekler nasıl seçilirse seçilsin sınıflandırma görevlerinde güvenilir biçimde işe yaramaz.
  • cÜç örnek de aynı etikete ait, bu da modeli o kalıba yönlendiriyor.✓
  • dEtiketleme yanlılığını düzeltmek için temperature düşürülmeli.
Açıklama:Dengesiz veya temsili olmayan few-shot örnekleri, modeli en çok gördüğü kalıba yönlendirir. Üç kısa örnek herhangi bir modern context window'a rahatça sığar, few-shot sınıflandırmada işe yarar ve temperature düşürmek dengesiz örnek setini düzeltmez.
Prompt EngineeringZorluk 2
Bir modelden 'chain-of-thought' prompting kullanmasını istemek genelde ne anlama gelir?
  • aNihai cevaptan önce ara adımlar üzerinden akıl yürütmek, genelde doğruluğu artırır.✓
  • bBirden fazla ayrı API çağrısını geliştirici müdahalesi olmadan otomatik olarak sırayla zincirlemek.
  • cSadece prompt çeşitliliği için ilgisiz örnekler vermek.
  • dNihai cevabı numaralı liste formatında yazdırmak.
Açıklama:Chain-of-thought prompting, modelin ara akıl yürütme adımlarından geçmesini ister; bu genelde çok adımlı akıl yürütme görevlerinde yardımcı olur. API çağrılarını zincirlemek, ilgisiz örnek eklemek veya belirli bir liste formatıyla ilgisi yoktur.
Prompt EngineeringZorluk 1
Tipik bir chat tabanlı LLM API'sinde system mesajının user mesajına göre genel amacı nedir?
  • aSystem mesajı yalnızca loglama içindir, yanıtları hiç etkilemez.
  • bUser mesajı persona'yı belirler, system mesajı ise soruyu taşır.
  • cİkisi arasında gerçek bir fark yoktur, roller her zaman aynı ele alınır.
  • dSystem mesajı genel davranışı/persona'yı/kısıtları belirler.✓
Açıklama:Genel kabule göre system mesajı davranışı, persona'yı veya kısıtları yapılandırır; user mesajı ise somut isteği taşır. Bu genel bir sorumluluk ayrımıdır; salt loglama aracı değildir ve roller birbirinin yerine geçmez.
Prompt EngineeringZorluk 3
Bir ekip, uzun bir talimatın içinde LLM'den 'çıkarılan alanları JSON olarak döndür' diye istiyor ama örnek bir JSON şekli göstermiyor ve fazladan metni açıkça yasaklamıyor. Üretimde bazı yanıtlar, JSON objesinden önce kısa bir açıklama cümlesiyle geliyor ve parser'ı bozuyor. En sağlam çözüm nedir?
  • aJSON'un bitmesi için max output token'ı artırmak.
  • bTam JSON şemasını/örneğini göstermek ve sadece-JSON iste.✓
  • cJSON her zaman geçerli olsun diye temperature'ı sıfıra çekmek.
  • dHer yanıtta ilk '{' öncesi metni elle silmek.
Açıklama:Kök neden, eksik belirtilmiş bir çıktı sözleşmesidir; tam şemayı/örneği göstermek ve 'yalnızca JSON çıktısı ver' talimatı, savunmacı parsing ile birlikte kalıcı çözümdür. Token limitini artırmak ön eki gidermez, temperature düşürmek rastgeleliği azaltır ama format uyumunu garanti etmez, elle temizlik ise ölçeklenebilir bir mühendislik çözümü değildir.
Prompt EngineeringZorluk 2
Bir prompt, bir LLM'e şu talimatı içeriyor:
Mesajdan müşterinin adını ve sipariş numarasını çıkar.
Sonucu JSON olarak döndür.

Model bazen {"name": "Ayşe", "orderId": "1234"}, bazen {"customer_name": "Ayşe", "order": "1234"} döndürüyor. Promptta eksik olan nedir?
  • aBeklenen tam anahtar adlarını gösteren açık bir şema/örnek eklemek.✓
  • bBir system mesajı, çünkü JSON çıktısı yalnızca system rolünden çalışır.
  • cÇıkarmadan önce adım adım düşünmesini söyleyen bir chain-of-thought talimatı.
  • dFazladan alan uydurmasın diye daha düşük bir max_tokens değeri.
Açıklama:Sabit bir şema veya örnek olmadan model, makul görünen anahtar adlarını seçmekte özgürdür, bu da tutarsız alan isimlendirmesine yol açar. Bu bir prompt-belirtim eksikliğidir, mesaj rolü kısıtlaması değildir; chain-of-thought ya da token limiti isimlendirme tutarsızlığını düzeltmez.

Uzmanlığa göre

LLM/RAG 450MLOps 450Python 450

Kıdeme göre

AI Engineer JuniorAI Engineer MidAI Engineer Senior

Diğer alanlar

BackendFrontendFullstackDevOps / CloudVeritabanıMobilGüvenlikQA / Test OtomasyonuData EngineerOyun GeliştirmeML Engineer

2025 soruluk AI Engineer bankasında kendini sına.

Mülakata başla