RAG, yapay zekânın cevap vermeden önce sizin belgelerinizde arama yapıp bulduğu bölümlere dayanmasıdır. 1in46'nın yorumları bu yöntemle yaklaşık 6.300 pasaja dayanır.
Kısaca
- RAG'de model önce belgelerinizde arama yapar, cevabını bulduğu bölümlere dayandırır ve hangi belgeyi kullandığını gösterebilir.
- 1in46, rüya yorumlarını yaklaşık 6.300 pasajlık bir arşivden seçilen bölümlere dayandırır; uygulama Mart 2026'dan beri App Store'da.
- MUST'ın asistanı, uygulamanın kendi doğrulanmış veritabanına dayanır: üç şehirde 1.800'den fazla elle seçilmiş mekân.
- Cevap belgelerinizde duruyorsa RAG; modelin davranışını ya da çıktı biçimini değiştirmek gerekiyorsa fine-tuning (ince ayar) düşünülür.
- Kurmadan önce cevabı bilinen gerçek sorulardan bir liste hazırlayın ve asistanı her değişiklikten sonra bu listeyle ölçün.
RAG nasıl çalışır?
Kısaltma, İngilizce “retrieval-augmented generation” ifadesinden gelir: aramayla desteklenen metin üretimi. RAG modellerini Patrick Lewis ve arkadaşları 2020'de yayımladıkları bir makaleyle tanıttı. Makalede önceden eğitilmiş bir dil modeli, bir belge arşivinin vektör dizinine bağlanır; arşivden ilgili pasajları getiren de önceden eğitilmiş bir arama modelidir. Bugün kurulan belge asistanları aynı fikri beş adımda uygular:
- Belgeleri bölümlere ayırın. Yönetmelikler, sözleşmeler, ürün kılavuzları ya da destek yazışmaları, her biri tek başına anlaşılabilen kısa pasajlara bölünür.
- Her bölümü vektöre çevirip saklayın. Bir gömme (embedding) modeli her pasajı bir sayı dizisine çevirir; anlamca birbirine yakın metinlerin vektörleri de birbirine yakın düşer. Vektörler bir veritabanında tutulur. Örneğin pgvector, PostgreSQL'e vektör benzerlik araması ekleyen açık kaynaklı bir eklentidir.
- Soruya en yakın bölümleri bulun. Soru da aynı modelle vektöre çevrilir ve veritabanından ona en yakın pasajlar istenir. Bu aramayı pgvector tam ya da yaklaşık en yakın komşu araması olarak yapabilir; yaklaşık arama daha hızlıdır ama en yakın sonuçların bir kısmını kaçırabilir.
- Modele pasajlarla birlikte sorun. Bulunan pasajlar soruyla birlikte dil modeline gönderilir ve modelden cevabını yalnızca bunlara dayandırması istenir.
- Kaynağı gösterin. Cevabın altında hangi belgenin hangi bölümünün kullanıldığı listelenir; kullanıcı cevabı kaynağından kendisi kontrol eder.
Makale bu yolun neden seçildiğini de anlatır. Bilgiyi yalnızca kendi parametrelerinde tutan modellerde, cevabın kaynağını göstermek ve bilgiyi güncellemek hâlâ açık araştırma sorunlarıdır. RAG'de ise bilgi, arşiv dizini değiştirilerek güncellenebilir; yazarlar bunu Aralık 2016 ve Aralık 2018 tarihli iki Wikipedia diziniyle yaptıkları bir deneyle gösterir. Sizin için anlamı şu: bir yönetmelik değiştiğinde modeli yeniden eğitmeniz gerekmez, arşivdeki belgeyi güncellemeniz yeter.
RAG mı, ince ayar mı?
İkisi farklı sorunlara cevap verir. İnce ayarda modelin kendisi örneklerle yeniden eğitilir; RAG'de model aynı kalır, değişen ona verilen pasajlardır.
| Soru | RAG | İnce ayar |
|---|---|---|
| Bilgi nerede durur? | Belgelerinizde; model her soruda onlara bakar | Modelin ağırlıklarında |
| Bilgi değişince ne yapılır? | Arşivdeki belge güncellenir | Model yeni örneklerle yeniden eğitilir |
| Cevabın kaynağı gösterilebilir mi? | Evet, kullanılan pasaj gösterilir | Kolayca gösterilemez |
| Uygun olduğu iş | Belgelerden soru cevaplama, kurum içi arama | Sabit bir çıktı biçimi, dar bir görev, görüntüde yeni nesne türleri |
İkisi birlikte de kullanılabilir: RAG'i tanıtan 2020 tarihli makalede arama ve üretim bileşenleri birlikte ince ayarlanır. Hangi durumda model eğitmenin gerektiğini fine-tuning (ince ayar) rehberimizde örneklerle anlattık.
Kurumsal belge asistanı kurarken
Şirket içinde kullanılacak bir asistan, herkese açık bir sohbet botundan farklı sorular doğurur. Kuruluma başlamadan önce şu beş konuyu yazıya geçirmenizi öneririz.
Kim neyi görebilir?
Asistan, soran kişinin zaten açabildiği belgelerin dışına çıkmamalıdır. Bu yüzden yetki kontrolü arama adımında yapılır: kullanıcının erişemediği pasajlar daha bulunurken elenir ve modele hiç gönderilmez. Muhasebe ile insan kaynakları klasörleri aynı arşivdeyse bu kural baştan yazılmalıdır.
Her cevap kaynağıyla gelsin
Cevabın altında kullanılan belge ve bölüm görünmelidir. Yanlış bir cevap böylece kaynağına kadar izlenir: yanlış pasaj mı bulundu, doğru pasaj mı yanlış yorumlandı, yoksa belge mi eksik? Belgelerde cevap yoksa asistandan bunu açıkça söylemesi istenir, tahmin yürütmesi istenmez.
Arşiv güncel kalsın
Yeni bir yönetmelik geldiğinde ya da bir fiyat listesi değiştiğinde arşiv de değişmelidir. Hangi klasörlerin ne sıklıkla okunacağı, silinen bir belgenin arşivden ne zaman çıkacağı ve eski sürümlerin saklanıp saklanmayacağı kurulumda kararlaştırılır.
Soru listesiyle ölçün
Cevabını ve kaynağını bildiğiniz gerçek sorulardan bir liste hazırlayın. Asistan her değişiklikten sonra bu listeyle denenir: doğru pasajı buldu mu, cevap pasajla tutarlı mı, cevap yoksa bunu söyledi mi? Dil modeli, gömme modeli ya da bölümleme yöntemi değiştiğinde neyin iyileştiğini ve neyin bozulduğunu bu liste gösterir.
Kişisel veriler: roller baştan belli olsun
Belgelerde müşteri ya da çalışan bilgisi varsa, kimin hangi rolde olduğu sözleşmede yazılmalıdır. 6698 sayılı Kişisel Verilerin Korunması Kanunu'nun 3. maddesine göre veri sorumlusu, kişisel verilerin işleme amaçlarını ve vasıtalarını belirleyen, veri kayıt sisteminin kurulmasından ve yönetilmesinden sorumlu olan gerçek ya da tüzel kişidir; veri işleyen ise veri sorumlusunun verdiği yetkiye dayanarak onun adına kişisel verileri işleyen gerçek ya da tüzel kişidir.
Kanunun 12. maddesinin 2. fıkrasına göre kişisel veriler veri sorumlusu adına başka biri tarafından işlendiğinde, veri sorumlusu güvenlik tedbirlerinin alınmasından o kişiyle birlikte müştereken sorumludur. Barındırılan bir model kullanılacaksa, metnin hangi hizmete gönderileceği de bu konuşmanın parçasıdır. Bu bölüm hukuki danışmanlık değildir; kendi kurulumunuz için bir hukukçuya danışın.
Maliyeti ne belirler?
Bir RAG projesinin fiyatını bir liste değil, şu kalemler belirler:
- Belge hacmi ve biçimi. Belge sayısı kadar, dosyaların metin katmanlı mı yoksa taranmış mı olduğu da önemlidir: taranmış sayfalar arşive girmeden önce OCR'dan geçer. Bu adımı OCR ve görüntü işleme rehberinde anlattık.
- Güncelleme sıklığı. Arşiv bir kez mi yüklenecek, yoksa her gün yeni belge mi gelecek?
- Soru hacmi ve model seçimi. Barındırılan bir modelin kullanım ücreti işlenen metin miktarına bağlı olabilir; örneğin Claude'un fiyat belgesi ücretleri, modele gönderilen ve modelden dönen token sayısına göre verir. Her soruda gönderilen pasaj sayısı bu yüzden maliyeti doğrudan etkiler.
- Ölçüm. Soru listesinin hazırlanması ve her sürümde yeniden çalıştırılması ayrı bir iştir.
- Bakım. Yeni belge türleri, değişen yetkiler ve yeni model sürümleri için aylık olarak sürdürülen destek.
Bu kalemler 15 dakikalık ücretsiz ön görüşmede netleşir; ardından yazılı kapsam ve tek bir sabit fiyat gelir. Belge asistanlarında nasıl çalıştığımızı yapay zekâ entegrasyonu hizmetimizin asistanlar bölümünde bulabilirsiniz.
Projelerimizden: 1in46'nın RAG arşivi ve kaynağa dayanan iki asistan
1in46. Sesle tutulan bir rüya günlüğü. Rüyayı, klasik, kadim ve Jungcu rüya literatüründen derlenen yaklaşık 6.300 pasajlık bir arşive göre yorumlar. Altyapıda Supabase ve pgvector, modelde Claude kullanılır. Uygulama Mart 2026'dan beri App Store'da, Eylül 2026'dan beri Google Play'de.
MUST: See, Eat, Visit. İstanbul, Miami ve New York için bir şehir rehberi. Yapay zekâ asistanı, uygulamanın kendi doğrulanmış veritabanına dayanarak cevap verir; veritabanında üç şehirde 1.800'den fazla elle seçilmiş mekân var. Cevaplar kaydedilebilir, çok duraklı gezi planlarına dönüşür.
Mawla. Namaz vakitleri, Kur'an ve kıble özellikleri olan, Türkçe ve İngilizce bir uygulama. Sesli asistanı, gündelik dinî sorulara verdiği cevaplarda dayandığı kaynakları da belirtir; bu cevaplar dinî hüküm değildir.
Sık sorulan sorular
RAG mimarisi hangi parçalardan oluşur?
Beş parçadan: belgeleri bölen ve güncel tutan bir veri hattı, pasajların vektörlerini saklayan bir veritabanı, soruya en yakın pasajları bulan arama adımı, cevabı yazan dil modeli ve cevabı kaynağıyla birlikte gösteren arayüz. Yetki kontrolü arama adımına eklenir; ölçüm ise hepsini kapsar.
RAG kullanan bir asistan yanlış cevap verebilir mi?
Evet. Doğru pasaj bulunamazsa ya da model pasajı yanlış okursa cevap hatalı olabilir. Kaynak göstermenin ve düzenli ölçümün amacı, bu hataların fark edilmeden geçmemesidir.
Kendi yapay zekâ asistanımızı yaptırmak için neyi hazırlamalıyız?
Asistanın okuyacağı belgelerden bir örnek küme, cevabını bildiğiniz gerçek sorular ve kimin hangi belgeyi görebileceğini gösteren bir liste. Bunlarla ön görüşmede RAG'in işinize uyup uymadığını söyleyebiliriz.
İlgili hizmet
Yapay zekâ danışmanlığı ve entegrasyonu: belge asistanları, ajanlar ve geliştirmeye başlamadan önce yapılan uygulanabilirlik değerlendirmesi.
İlgili rehberler
Kaynaklar
- Patrick Lewis ve diğerleri, “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, arXiv:2005.11401, 2020: arxiv.org/abs/2005.11401 (kontrol: 16.10.2026)
- pgvector, proje belgeleri (README): github.com/pgvector/pgvector (kontrol: 16.10.2026)
- Supabase belgeleri, “pgvector: Embeddings and vector similarity”: supabase.com/docs/guides/database/extensions/pgvector (kontrol: 16.10.2026)
- 6698 sayılı Kişisel Verilerin Korunması Kanunu, md. 3 ve md. 12: mevzuat.gov.tr/MevzuatMetin/1.5.6698.pdf (kontrol: 16.10.2026)
- Anthropic, “Pricing”, Claude belgeleri: platform.claude.com/docs/en/about-claude/pricing (kontrol: 16.10.2026)
Belgelerinizden cevap verecek bir asistan mı düşünüyorsunuz? Birkaç örnek belge ve cevabını bildiğiniz birkaç soruyla gelin; RAG'in işinize uyup uymadığını ön görüşmede söyleyelim.