Blog
Mert Özen'in yazılım geliştirme, backend, frontend ve DevOps üzerine blog yazıları.
LLM Nedir? Geliştirici Gözüyle Büyük Dil Modelleri
Büyük dil modeli bir sonraki token'ı tahmin eden bir fonksiyondur. Bu döngüyü yerel gemma3:4b ile token token kuruyor; eğitim ile inference, base ile instruct model, open-weight ile kapalı model ve yerel ile bulut arasındaki farkları görüyor, modelin tarih, hesap ve sipariş sorularında nerede yanıldığını gerçek çıktılarla inceliyoruz.
LLM'e İlk İstek: Ollama, C# ve TypeScript ile İlk Cevap
Ollama'yı tanıyor, ollama list ve ollama ps ile modellere bakıyor, /api/chat endpoint'ine curl ile ilk isteği atıyoruz. Aynı isteği C#'ta Microsoft.Extensions.AI ve OllamaSharp ile, TypeScript'te ollama paketiyle tekrarlıyor; cevabın içindeki token sayılarını, nanosaniye cinsinden süreleri ve ilk isteğin neden yavaş olduğunu gerçek çıktılarla okuyoruz.
LLM'lerde Token ve Tokenizer: Türkçe Neden Daha Çok Token Tutar?
Token nedir, BPE ve SentencePiece metni nasıl böler? Ollama'nın prompt_eval_count sayacıyla aynı cümlenin Türkçesini ve İngilizcesini gemma3:4b ve qwen3:4b tokenizer'larında ölçüyor; sayıların, GUID'lerin, JSON'un ve kodun kaç token tuttuğunu, chat template'in görünmeyen token'larını ve token'ın maliyet, limit ve hıza etkisini gerçek sayılarla görüyoruz.
LLM Context Window: Model Neyi Hatırlar, Neyi Sessizce Keser?
LLM API'leri stateless'tır; sohbet geçmişini her istekte sen gönderirsin ve her tur faturayı büyütür. Gemma 3 128K token desteklese de Ollama varsayılan olarak 4096'lık bir pencere ayırıyor ve 4498 token'lık bir prompt'u hiçbir hata vermeden 2051 token'a indiriyor. num_ctx'i C# ve TypeScript'te ayarlıyor, geçmişi kırpma ve özetlemeyle yönetmeyi gerçek çıktılarla deniyoruz.
LLM Mesaj Rolleri ve System Prompt: Bookstore Asistanına Kimlik Vermek
system, user ve assistant rolleri ne işe yarar ve Gemma 3'ün chat template'i onları modele nasıl taşır? Bookstore asistanına bir system prompt yazıyor, iyi bir system prompt'un parçalarını görüyor, istemcide uydurulan bir assistant mesajının modeli nasıl kandırdığını ve kullanıcı metnini talimattan ayırmanın prompt injection'a karşı ilk adım olarak ne kadar işe yaradığını gerçek çıktılarla deniyoruz.
LLM'lerde Sampling: Temperature, Top-p, Top-k ve Seed
Aynı soruya neden farklı cevaplar geliyor? logprobs ile modelin aday token'larına bakıp temperature, top-k ve top-p'nin bu dağılımı nasıl değiştirdiğini hesaplıyor, seed'in tekrarlanabilirlik sözünü ve sınırlarını, num_predict ve stop sequence'leri gemma3:4b üzerinde gerçek çıktılarla görüyoruz.
LLM Cevabında Streaming: NDJSON, IAsyncEnumerable ve İlk Token Süresi
Streaming cevabı hızlandırmaz, beklemeyi kısaltır. Ollama'nın NDJSON ve OpenAI uyumlu SSE akışlarına curl ile bakıyor, C#'ta GetStreamingResponseAsync ve TypeScript'te async iterator ile cevabı okuyup ilk token süresini ölçüyor, akışı iki SDK'da iptal edip davranış farkını görüyoruz.
LLM için Prompt Yazmak (1): Açık Talimat, Ayraçlar ve Few-shot
Prompt bir spesifikasyondur: bağlam, görev, girdi, biçim ve kısıt. Kötü ve iyi prompt'u aynı yorum üzerinde token sayılarıyla karşılaştırıyor, ayraçlarla talimatı veriden ayırıyor, few-shot örneklerin bir sınıflandırıcıyı nasıl düzelttiğini ve nasıl yanılttığını gemma3:4b'nin gerçek çıktılarıyla görüyoruz.
LLM için Prompt Yazmak (2): Adım Adım Düşündürmek ve Reasoning Modelleri
Adım adım düşün demek doğru cevabı garanti eder mi? Tuzaklı bir sipariş hesabını gemma3:4b'ye üç biçimde soruyor, qwen3:4b'nin think parametresiyle düşünmeyi cevaptan ayırıyor, C#'ta ReasoningOptions kullanıyor ve düşünmenin token ile süre olarak bedelini ölçüyoruz.
LLM ile Structured Output: JSON Mode, JSON Schema ve GetResponseAsync<T>
Serbest metni regex ile parse etmenin neden kırıldığını, JSON mode'un neden yetmediğini ve JSON schema'nın biçimi nasıl sabitlediğini görüyoruz. TypeScript'te Zod, C#'ta GetResponseAsync<T> kullanıyor, schema'ya uyan ama yanlış bir cevabı yakalıyor ve iki katmanlı doğrulama kuruyoruz.