Applied AI
Engineering

HTTP client, async akış, type/schema, test ve veri dönüşümünü üretim seviyesinde kullan.

Mesaj rolleri, token, context, sampling, rate limit ve hata türlerini öğren.

Amaç, bağlam, kısıt, örnek, çıktı biçimi ve başarısızlık davranışını açıkça tanımla.

JSON Schema ve runtime validation ile modeli diğer bileşenlere güvenli biçimde bağla.

Hesap, format, izin ve iş kuralını modele değil test edilebilir koda bırak.

Retry, timeout, circuit breaker, daha küçük model ve insan kuyruğu seçeneklerini ayır.

Kaynak sahipliği, güncellik, parse kalitesi, metadata ve silme politikasını belirle.

Belge yapısı, anlam sınırı, overlap ve bağlam kaybı trade-off'larını test et.

Vector, lexical ve hybrid retrieval seçeneklerini gerçek soru setiyle karşılaştır.

Getirilen adayların ilgisini ikinci aşamada sıralayıp context bütçesini koru.

Cevap cümlesini belge, bölüm ve pasaj kimliğiyle geri izlenebilir yap.

Kullanıcının görmemesi gereken belgeyi aramadan önce filtrele; cevaptan sonra değil.

“Kaliteli cevap” yerine görev, kullanıcı, hata maliyeti ve kabul eşiğini açıkça yaz.

Değişiklik öncesi/sonrası aynı veri setinde kalite, latency ve maliyeti karşılaştır.

Rubric'i örnekler üzerinde hizala; değerlendiriciler arası uyuşmayı kontrol et.

Harici içeriği talimat değil veri kabul et; tool ve retrieval izinlerini ayrı sınırla.

PII, retention, provider paylaşımı, redaction ve kullanıcı silme akışını tasarla.

Yetki aşımı, veri sızması, zararlı çıktı ve kaynak manipülasyonu senaryolarını çalıştır.

Dar amaçlı, tipli, idempotent ve açık hata döndüren araçlar tasarla.

Read/write, environment, tenant ve veri kapsamını görev bazında en aza indir.

Onayı yalnızca göstermelik modal değil, etki ve geri dönüş bilgisiyle karar noktası yap.

Prompt, retrieval, tool call, output, token ve süreyi aynı çalışma kimliğinde izle.

Model routing, cache, batch, context bütçesi ve kalite eşiğini birlikte optimize et.

Görevi küçük değişikliklere böl; diff, test, static check ve review ile modeli denetle.