LLM Çağında Yazmak

• Son dönemde LLM kullanarak yazma yaygınlaştıkça, doğal olmayan yazım kalıpları da daha görünür hale geliyor
• Zayıf özet cümleleri, aşırı madde işareti kullanımı, tekdüze cümle ritmi gibi unsurlar LLM yazısının tipik sorunları arasında yer alıyor
• Bilgi yoğunluğu düşük ya da muğlak ifadeler sıkça görüldüğü için, ortaya çıkan metinler çoğu zaman somut içgörü sunmakta yetersiz kalıyor
• Buna karşılık kasıtlı tekrar, açık yönlendirme ifadeleri ve paralel yapı gibi unsurlar bazen LLM tarzı sanılsa da, aslında etkili yazma araçlarıdır
• Yazar, taslak iskeleti kurma, ilk taslağı üretme ve bölüm bazlı yeniden yazım için LLM’den yararlandığını; ancak son kararın ve derinlikli içerik kurgusunun hâlâ insana ait olduğunu vurguluyor

---

LLM Araçlarından Gördüğüm Kötü Yazı Kalıpları

• Son birkaç yılda birçok teknik makale ve blog yazısı yazıp gözden geçirirken, LLM tabanlı metinlerde sürekli hafifçe "tuhaf ve daha az çekici" bir his fark ettiğini söylüyor
• Aynı zamanda, ilk taslak oluşturma, karmaşık materyali özetleme ve dağınık düşünceleri toparlama konusunda LLM kullanımının büyük fayda sağladığını da deneyimlemiş
• Bu yazıda, LLM’lerin sık ürettiği kötü yazım kalıplarını, sıkça “LLM tarzı” sanılan ama aslında gayet iyi olan yazma alışkanlıklarını ve yazarın gerçekten kullandığı yazım ve prompt kurallarını paylaşıyor

Bir düşünceyi bitiriyormuş gibi yapan boş “özet” cümleleri

• Paragraf sonunda “By following these steps, we achieve better performance.”, “By internalizing these principles, you can cut through the noise.” gibi sonuç cümlesi gibi görünen ama özünde bir şey söylemeyen özet cümleler sıkça ortaya çıkıyor
  • “Bu süreci izlerseniz daha iyi performans elde edebilirsiniz”
  • “Bu ilkeleri içselleştirirseniz karmaşayı aşabilirsiniz”
• Bu tür cümleler okura yeni bir içgörü ya da düşünmeye değer bir nokta sunmuyor
• Yazar da LLM’ye bu tür gerçekten anlam taşıyan cümleler yazdırmanın güvenilir bir yolunu henüz bulamadığını söylüyor

Madde işaretleri ve taslak yapısının aşırı kullanımı

• LLM’ler madde işaretleri (listeler) ve taslak yapısını gereğinden fazla kullanma eğiliminde
• Maddeler paralel ve birbirinden bağımsız olduğunda liste faydalı olsa da, fikirlerin birbirine bağlandığı ya da bağlamın önemli olduğu yerlerde paragraf daha uygundur

Düz cümle ritmi

• Bütün cümleler benzer uzunlukta ve yapıda tekrarlandığında metin sıkıcı hale gelir ve okurun takibini zorlaştırır

• Cümle uzunluğu ve ritmi çeşitlendirilirse vurgu, dikkat toplama ve tempo kontrolü mümkün olur

  • Kötü örnek:
    "We recently launched a conversational AI feature that lets users ask questions in plain English and get responses based on their past activity and current session. The system searches a database of help articles, ranks the most relevant ones using a custom scoring function, and passes the top result into a language model to generate the final answer. We spent weeks optimizing each step to keep latency under 300 milliseconds, including caching, pruning irrelevant articles, and tuning prompt templates."
    "Kullanıcıların düz İngilizceyle soru sorup geçmiş etkinlikleri ve mevcut oturumlarına göre yanıt almasını sağlayan yeni bir konuşmalı AI özelliğini kısa süre önce kullanıma sunduk. Sistem, yardım makaleleri veritabanını tarıyor, en ilgili olanları özel bir puanlama işleviyle sıralıyor ve en üstteki sonucu son cevabı üretmesi için bir dil modeline aktarıyor. Gecikmeyi 300 milisaniyenin altında tutmak için önbellekleme, alakasız makaleleri ayıklama ve prompt şablonlarını ayarlama dahil her adımı haftalarca optimize ettik."

  • İyi örnek:
    "We just launched a new conversational AI feature. It answers user questions in plain language, using context from the current session. The system searches help articles, scores them with a custom ranking function, feeds the top result into a fine-tuned language model, and runs in under 300ms using caching, pruning, and prompt tuning techniques."
    "Yeni bir konuşmalı AI özelliği başlattık. Bu özellik, mevcut oturumun bağlamını kullanarak kullanıcı sorularını sade bir dille yanıtlıyor. Sistem yardım makalelerini tarıyor, özel bir sıralama işleviyle puanlıyor, en iyi sonucu fine-tuned bir dil modeline veriyor ve önbellekleme, ayıklama ve prompt tuning teknikleriyle 300 ms altında çalışıyor."

Doğru özne değil

• Özne seçimi uygun olmadığında cümlenin ana fikri bulanıklaşır
  • Kötü örnek:
    "Readers are better guided when the subject matches the main idea of the sentence."
    "Özne cümlenin ana fikriyle örtüştüğünde okur daha iyi yönlendirilir."
  • İyi örnek:
    "Choosing the right subject keeps the writing clear and focused."
    "Doğru özneyi seçmek metni açık ve odaklı tutar."
• Doğru özne seçimi, metnin tutarlılığı ve odağı açısından önemlidir

Düşük bilgi yoğunluğu

• Aşağıdaki parça, Gemini 2.5 Pro’dan alınmış LLM üretimi bir metin örneği:
  > "As someone who writes, reviews, and deconstructs complex information for a living, I’ve developed a strong allergy to bad writing. And lately, a lot of that bad writing has a specific, synthetic flavor—the unmistakable scent of an LLM. This post is a guide to navigating the new world of writing, with or without LLM assistance. First, I’ll cover the true pitfalls of LLM-generated text—the red flags that make it feel sterile and unconvincing."
  > "Hayatını yazmaya, gözden geçirmeye ve karmaşık bilgileri çözümlemeye adamış biri olarak kötü yazıya karşı güçlü bir alerji geliştirdim. Son zamanlarda da bu kötü yazının önemli bir kısmı, belirgin biçimde yapay bir tat taşıyor—LLM’nin ayırt edici kokusunu. Bu yazı, LLM yardımı olsun ya da olmasın, yazının yeni dünyasında yol bulmaya dair bir rehber. Önce LLM üretimi metinlerin asıl tuzaklarını, yani onları steril ve ikna edici olmaktan uzak gösteren kırmızı bayrakları ele alacağım."
• Cümle yapısı ve dilbilgisi kusursuz görünse de somut içgörü, belirgin bilgi ya da argümanın ilerleyişi yok

Muğlaklık

• LLM metinlerinde somutluktan kaçınma eğilimi güçlüdür
• Fikirleri açıkça tanımlamadan, kanıtsız iddialar öne sürer ya da kimin neden söz ettiğini belirsiz bırakır
  “Some experts say prompt engineering is becoming less important. The ability to simply prompt LLMs can have a major impact on productivity.”
  “Bazı uzmanlar prompt engineering’in öneminin azaldığını söylüyor. LLM’lere basitçe prompt verebilme becerisi üretkenlik üzerinde büyük etki yaratabilir.”
  → Kim, hangi bağlamda, kim üzerinde etkiden söz ediyor gibi noktalar açısından somut dayanak ve hedef kitle eksik

İşaret zamirlerinin aşırı kullanımı

• "this", "that", "these", "those" gibi işaret zamirleri fazla kullanılıyor
• Gönderme yaptığı isim açık değilse okurun anlamı kaçırması kolaylaşıyor
  “This creates friction in production.”
  “Bu, production ortamında sürtünme yaratır.”
  Buradaki "this/bu" ifadesinin neyi işaret ettiği açık değil

Anlamadan akıcılık

• Yüzeyde akıcı görünen ama gerçekte açıklayıcılığı zayıf cümleler sıkça ortaya çıkıyor
  “LLMs use attention mechanisms to generate contextually appropriate responses.”
  “LLM’ler bağlama uygun yanıtlar üretmek için attention mechanisms kullanır.”
  → Okur attention’ın ne olduğunu bilmiyorsa bu cümle ona neredeyse hiçbir şey aktarmıyor
• LLM’ler bazen gerçekte var olmayan terimler de uyduruyor
  “We used GPT-4 for summarization, but it hallucinated details, so we added retrieval grounding.”
  “Özetleme için GPT-4 kullandık, ama ayrıntıları uydurduğu için retrieval grounding ekledik.”
  → “retrieval grounding” gerçekte yerleşik bir terim değil
• LLM’ler okurun arka plan bilgisini ve açıklama ihtiyacını ayırt edemediği için, zor kısımları sık sık geçiştiriyor

İnsanların “LLM Gibi” Diye İşaretlediği, Ama Aslında Gayet İyi Olan Yazım Kalıpları

• İnsanların LLM tarzı diye gereğinden fazla şüpheyle yaklaştığı, ama gerçekte etkili ve yaygın yazım kalıpları da var
• Önemli olan modele benzemeyen bir metin yazmak değil; açıklığı, niyeti ve kontrol duygusunu taşıyan bir metin yazmak

Kasıtlı tekrar

• Tekrar, karmaşık fikirleri netleştirmek ya da vurgulamak için etkilidir
  "Vector databases store embeddings, or mathematical representations that capture semantic meaning in hundreds of dimensions. In other words, vector databases help find results that are “close” in meaning, not just exact text matches."
  “Vector veritabanları, yani yüzlerce boyutta anlamsal anlamı yakalayan matematiksel temsiller olan embedding’leri depolar. Başka bir deyişle, vector veritabanları yalnızca birebir metin eşleşmelerini değil, anlam olarak ‘yakın’ sonuçları bulmaya yardımcı olur.”

Yönlendirme ifadeleri

• "essentially", "in short", "the point is..." gibi yönlendirme ifadeleri, ardından gerçekten bilgi geliyorsa yararlıdır
  Örnek:
  "Essentially, instead of classifying the document as a whole, we classify each section independently."
  “Özünde, belgeyi bütün olarak sınıflandırmak yerine her bölümü bağımsız biçimde sınıflandırıyoruz.”

Paralel yapı

• Paralel yapı, fikirleri düzenli biçimde organize eder ve cümle akışını daha pürüzsüz hale getirir
  "The system scales across inputs, stays responsive under load, and returns consistent results even with noisy prompts."
  “Sistem farklı girdilerde ölçeklenir, yük altında duyarlı kalır ve gürültülü prompt’larda bile tutarlı sonuçlar döndürür.”

Bir yapıyı yansıtan bölüm başlıkları

• “Why X fails”, “What to do instead”, “How to know if it worked” gibi öngörülebilir yapıda bölüm başlıkları, içerik açıksa fazlasıyla etkilidir

Bildirim cümlesiyle açılış

• Bir bölüme net, iddialı bir cümleyle başlamak, arkasından kanıt ya da açıklama geliyorsa metnin odağını güçlendirir
  Örnek:
  "LLM evaluations are hard to get right. Many rely on user-defined gold labels or vague accuracy metrics, which do not work for subjective or multi-step tasks."
  “LLM değerlendirmelerini doğru yapmak zordur. Birçoğu kullanıcı tanımlı gold label’lara ya da muğlak doğruluk metriklerine dayanır; bunlar da öznel veya çok adımlı görevlerde işe yaramaz.”

Em dash

• Em dash (—), cümle içinde ek açıklama, ritim değişimi ya da hızlı geçişler için yararlıdır
• Yerinde kullanıldığında doğal konuşma akışına ve vurguya katkı sağlar

LLM’lerle Nasıl Yazıyorum

• Yazar, yazarken en önemli şeyin akışı (momentum) korumak olduğunu düşünüyor
• Gerçek makale ya da blog yazısı üretim süreci çoğunlukla şöyle ilerliyor
  • Taslak iskeleti planlama (kâğıda yazarak ya da zihinde kurarak)
  • İlk taslağı oluşturma
  • Yazılanı okuyup eleştirel biçimde gözden geçirme
  • Düzeltme
• Bu süreç cümle düzeyinde, bölüm düzeyinde ve farklı ölçeklerde tekrar edebiliyor
• Her insan planlama, ilk taslak ya da revizyon aşamalarının farklı yerlerinde tıkanıyor
  • Yazar taslağı hızlı kuruyor ama çoğu zaman ifadeyi nasıl kuracağı noktada takılıyor
  • LLM’yi, takıldığı yerleri aşmak veya taslak yapıyı hızla kurmak için kullanılan bir araç olarak aktif biçimde kullanıyor

Hikâyeyi modele anlat

• İlk taslağa başlarken, bir iş arkadaşına yapıyı anlatır gibi kabaca hikâyeyi yazarak bunu LLM’ye yapıştırıyor ve ayrıntılı bir taslak oluşturmasını istiyor
• Yapı netleşene kadar bunu tekrar ediyor

Paragrafı kendim yazıyorum, kaba olsa bile

• Taslak tamamlandığında, her paragrafı mümkün olduğunca kendisi yazmaya çalışıyor; kaba olması sorun değil
• Cümleyi sona erdirmekte zorlanırsa, LLM’ye “finish it” gibi bir komut verip birkaç tamamlanmış seçenek alıyor; sonra en iyisini seçip gerekirse biraz düzenliyor
  “In the last couple of years, I’ve written and reviewed several technical papers and blog posts. Something always feels slightly off, enough to make the writing quietly uninviting. At the same time, I feel like I get tremendous value from using LLMs to write…” “finish it”
  “Son birkaç yılda birçok teknik makale ve blog yazısı yazdım ve gözden geçirdim. Hep hafifçe tuhaf gelen bir şey oluyor; metni sessizce itici kılmaya yetecek kadar. Aynı zamanda LLM’leri yazmak için kullanmaktan büyük fayda sağladığımı hissediyorum…” “finish it”
  → Model birkaç öneri sunuyor; yazar da içlerinden en iyisini seçip biraz düzenleyerek kullanıyor

Revizyonda kapsamı sınırlı yeniden yazım stratejileri kullan

• Bir paragraf ya da cümle kulağa tuhaf geldiğinde “make it better” demek yerine, LLM’ye somut istekler veya belirli kalıplar (retorik yapı gibi) veriyor
• Örnek stratejiler:
  • Özne ve fiili mümkün olduğunca birbirine yakın ve cümlenin başına yerleştirmek
  • SWBST (biri ne istedi, ama hangi engel çıktı, nasıl karşılık verdi ve sonuç ne oldu) yapısını kullanmak
    • Örnek:
      "We used GPT-4 for summarization. We wanted fluent answers, but it hallucinated facts. So we added a retrieval step. Then we re-ranked outputs based on citation accuracy."
      “Özetleme için GPT-4 kullandık. Akıcı yanıtlar istiyorduk ama gerçek dışı bilgiler üretti. Bunun üzerine bir retrieval adımı ekledik. Sonra çıktıları alıntı doğruluğuna göre yeniden sıraladık.”
    • SWBST yapısı, teknik yazıda bile motivasyonu, sorunu, müdahaleyi ve sonucu kısa biçimde aktarmakta etkilidir

Son Düşünceler

• Artık orta seviye metinleri (ortalama kaliteyi) LLM ile kolayca üretmenin mümkün olduğu bir dönemdeyiz
• Ancak ne yazılacağına, hangi bakış açısı ve yapının seçileceğine, nerede derine inilmesi gerektiğine karar verme işi hâlâ insanın sorumluluğunda
• Gerçekten iyi bir metin, uzunluğunu hak eden somut bir katkı sunmalı ve okurun ayırdığı zamana değmeli
• Yazarın ulaşmak istediği standart da tam olarak bu

[crawler]

GeekNews'in bu açıdan bilgi yoğunluğunun yüksek olması hoşuma gidiyor.
-음슴체 ile bitmesi gerçekten yoğunluk optimizasyonu gibi geliyor.