EasyAI Prompt Analyzer.
AI promptlarını özel bir makine öğrenmesi modeliyle puanlayan, geliştirme önerileri üreten ve tahmini token, enerji, su ve maliyet etkilerini görünür hâle getiren full-stack web uygulaması.
Canlı · 2026
- 01 · Rol
- Python/ML geliştirme · Backend geliştirme · Frontend redesign · API entegrasyonu
- 02 · Platform
- Full-stack Web · Machine Learning · Erasmus+ KA210-VET
- 03 · Dönem
- 1–6 Mart 2026
- 04 · Durum
- Canlı · 2026
Proje bağlamı
EasyAI Prompt Analyzer, EASY_AI – Education on Artificial Intelligence for Sustainability adlı, Almanya, İspanya, İtalya ve Türkiye ortaklığında yürütülen €60.000 bütçeli Erasmus+ KA210-VET projesinin Bergamo, İtalya'daki ilk uluslararası öğrenci ve öğretmen toplantısı sırasında ortaya çıkan ürünlerden biridir. Toplantıda öğrenciler iki geliştirme ekibine ayrıldı: bir ekip projenin AI ve sürdürülebilirlik temasını oyunlaştıran bir çalışma geliştirirken, benim yer aldığım ekip EasyAI Prompt Analyzer üzerinde çalıştı. Uygulama, bir AI promptunun yalnızca ne kadar iyi yazıldığını değil, olası AI etkileşiminin tahmini kaynak etkisini de kullanıcıya tek bir analiz akışında göstermeyi amaçlıyor.
Temel problem
Temel problem, 'iyi prompt' kavramını yalnızca öznel bir değerlendirme olmaktan çıkarıp ölçülebilir sinyallere dönüştürmek ve bunu sürdürülebilir AI kullanımıyla ilişkilendirmekti. Sistem bir promptun açıklığını, görev tanımını, bağlamını, kısıtlarını, örneklerini ve istenen çıktı biçimini değerlendirirken aynı zamanda görev türünü ve token miktarını tahmin ederek enerji, su ve maliyet gibi kaynak göstergeleri üretmeliydi. Bu değerlerin doğrudan veri merkezi ölçümleri değil, eğitim ve farkındalık amacıyla oluşturulan tahminler olarak açık biçimde sunulması da önemliydi.
Geliştirdiklerim
- 01
Bergamo toplantısında oluşturulan Prompt Analyzer geliştirme ekibinde yer aldım ve uygulamanın Python/ML tarafını uçtan uca geliştirdim.
- 02
Promptları 27 farklı yapısal özellik üzerinden inceleyen handcrafted feature extraction sistemini ve scikit-learn tabanlı kalite skorlama modelinin uygulama tarafını geliştirdim.
- 03
Prompt uzunluğu, görev açıklığı, bağlam, kısıtlar, örnekler, çıktı formatı ve benzeri sinyalleri analiz ederek kalite skoru ve kullanıcıya yönelik iyileştirme önerileri üreten sistemi geliştirdim.
- 04
spaCy kullanarak prompt içindeki fiil ve isimlerden görev türünü belirleyen; soru-cevap, özetleme, kod üretimi, yaratıcı yazma, çeviri ve analiz gibi görevleri sınıflandıran yapıyı geliştirdim.
- 05
tiktoken ile giriş tokenlarını hesaplayan ve görev türüne göre tahmini çıktı token miktarını belirleyen kaynak analiz katmanını geliştirdim.
- 06
Toplam token tahminlerinden enerji tüketimi, joule değeri, su kullanımı ve yaklaşık maliyet hesaplayan kaynak etki modelini uyguladım.
- 07
Python analiz sistemini FastAPI tabanlı REST API'ye dönüştürerek /score, /analyze ve /health endpointlerini oluşturdum.
- 08
Mevcut web arayüzünü yeniden tasarlayarak daha modern, okunabilir ve ürün odaklı bir React/Tailwind kullanıcı deneyimi oluşturdum.
- 09
React frontend ile FastAPI backend arasındaki bağlantıyı kurdum; kalite ve kaynak analizlerinin paralel alınarak tek sonuç ekranında birleştirilmesini sağladım.
- 10
Frontend ve backend'in production ortamına taşınması, CORS/API yapılandırması ve Vercel deployment sürecini tamamlayarak uygulamayı canlı olarak erişilebilir hâle getirdim.
Teknik yaklaşım
Uygulama iki ayrı analiz katmanını tek bir kullanıcı akışında birleştiriyor. Prompt Quality Scorer tarafında Python ile çıkarılan 27 handcrafted feature; karakter ve kelime sayısı, cümle yapısı, lexical diversity, açık görev ifadesi, bağlam, kısıtlar, örnekler, rol tanımı ve çıktı formatı gibi sinyalleri temsil ediyor. Bu özellikler önceden eğitilmiş scikit-learn regressor modeline verilerek 0–1 arasında kalite tahmini üretiliyor ve sonuç Very Low'dan Excellent'a kadar sınıflandırılıyor. Eksik prompt özelliklerine göre kullanıcıya doğrudan iyileştirme önerileri hazırlanıyor. Resource Estimator tarafında spaCy, promptun fiil ve isimlerini analiz ederek görev türünü belirliyor; tiktoken giriş tokenlarını hesaplıyor ve görev kategorisine göre olası çıktı uzunluğu tahmin ediliyor. Bu token tahmini daha sonra enerji, joule, su kullanımı ve maliyet göstergelerine dönüştürülüyor. FastAPI, analiz sistemini /score ve /analyze REST endpointleri üzerinden sunuyor. React + Vite frontend bu iki endpointi paralel çağırıyor ve sonuçları tek bir arayüzde prompt skoru, görev türü, token bilgileri, kaynak tahminleri ve optimizasyon önerileri olarak gösteriyor.
Sistem yapısı
- 01
Frontend
React · Vite · Tailwind CSS - 02
API
FastAPI · REST - 03
Quality model
scikit-learn · 27 handcrafted features - 04
NLP
spaCy · en_core_web_sm - 05
Token analysis
tiktoken - 06
Outputs
Score · Tips · Tokens · Energy · Water · Cost
Mevcut durum
EasyAI Prompt Analyzer tamamlanmış ve production ortamında canlı olarak kullanılabilen bir web uygulamasıdır. Frontend ve Python/FastAPI backend ayrı deployment katmanlarında çalışıyor ve uygulama https://easyai-prompt-analyzer.vercel.app/ adresinden erişilebiliyor. Prompt Analyzer, dört ülkeli EASY_AI Erasmus+ KA210-VET ortaklığının Bergamo'daki ilk uluslararası toplantısından çıkan teknik ürünlerden biridir. EASY_AI'nin daha geniş iki yıllık çalışması AI, sürdürülebilirlik, green prompting, uluslararası iş birliği ve gamification temaları etrafında devam ederken Prompt Analyzer; prompt kalitesi ile AI kullanımının tahmini çevresel ve hesaplama maliyetini aynı deneyimde bir araya getiriyor.