RAG Nedir? Kendi Verinizle Chatbot Kurma Rehberi
RAG mimarisine uygulamalı giriş: belge işleme, vektör arama, istem birleştirme ve kendi belgelerinizle çalışan chatbot kurulumunun adım adım planı.
Bu rehberi ücretsiz indir
PDF; kapak ve içindekiler sayfası dahil 6 bölümden ve sık sorulan sorulardan oluşur. Türkçe, A4 formatında, yazdırılabilir.
İndirmek için ücretsiz WebTuring hesabı gerekir. Girişli değilseniz giriş sayfasına yönlendirilirsiniz.
Kısa cevap
RAG (Geri-getirmeli üretim): Kullanıcı sorusu vektör aramasıyla ilgili belge parçalarını bulur, bu parçalar modele eklenir ve cevap verilere dayandırılır; halüsinasyonu düşüren, bilgiyi güncel tutan temel mimaridir.
RAG akışı: 5 bileşen
1. Belge hazırlığı: PDF/HTML/Docs belgeleri temiz metne çevrilir ve parçalara bölünür (chunking — genelde 300-800 token, biraz örtüşmeyle). 2. Gömme (embedding): Her parça vektöre çevrilir. 3. Vektör depo: Vektörler aranabilir saklanır (üstün hafif: FAISS; üretim: pgvector, Qdrant, vb.).
4. Geri getirme (retrieval): Soru vektöre çevrilir, en benzer k parça çekilir. 5. Üretim: Soru + parçalar modele verilir; model cevabı verilere dayandırır. Akışın güzelliği: Bilgi güncellemek için modeli yeniden eğitmek gerekmez — belge eklemek yeterlidir.
Belge hazırlığı: Kalitenin temeli
Parçalama kuralları: Başlık ve konu bütünlüğünü koruyun (madde başına parça, tablo başına parça); çok küçük parça bağlam kaybettirir, çok büyük parça arama hassasiyetini düşürür. Metaveri ekleyin: kaynak dosya, bölüm adı, tarih — cevapta "kaynak gösterme" bununla mümkün olur.
Temizlik: Sayfa numaraları, üstbilgi/altbilgi ve OCR çöpleri temizlenmeli. Bu aşama göze önemsiz görünür ama RAG kalitesinin en büyük tekil belirleyicisidir: Çöp parça, çöp cevap üretir.
Vektör arama mantığı
Gömme, metni anlamsal koordinat sistemine yerleştirir: "iade süresi kaç gün" sorusu, "ürün 14 gün içinde iade edilebilir" parçasına kelime eşleşmesinden daha yakındır. Arama, vektörler arasında en yakın komşuları bulmaktır.
Hibrit arama (anahtar kelime + vektör) çoğu durumda daha iyi sonuç verir: Fiyat, model numarası gibi kesin terimler anahtar kelime aramasında, konumsal sorular vektörde. İleri adım: Yeniden sıralama (reranking) — ilk 20 adayı daha küçük bir modelle puanlayıp ilk 5'i modele vermek.
Minimum sistem: Hafta sonu planı
Cumartesi: Belge hazırlığı (temizlik + parçalama) ve gömme üretimi. Pazar sabahı: vektör depo kurulumu + arama fonksiyonu. Pazar öğleden sonra: istem şablonu ("Cevabı yalnızca aşağıdaki parçalara dayandır; parçalarda yoksa bilmediğini söyle; kaynak parça numarası göster") + basit arayüz (terminal veya basit web sayfası).
Kullanılacak bileşenler: gömme için sağlayıcı API'si veya açık model, vektör için FAISS/pgvector, üretim için güçlü bir LLM. Kod bilgisi: Python temeli yeterlidir; hazır RAG çerçeveleri (LangChain, LlamaIndex) adımları kısaltır ama temel akışı bilmek hata ayıklama için şarttır.
Kalite iyileştirme teknikleri
Değerlendirme paketi: 30-50 soru-cevap çifti hazırlayın; her sistem değişikliğinde bu seti çalıştırın. Metrikler: cevap doğruluğu (insan puanı veya LLM-judge), kaynağa sadakat, bilmediğini söyleme oranı. Ölçümsüz RAG iyileştirmesi, karanlıkta ayar yapmaktır.
İyileştirme sırası: (1) parça boyutu/örtüşme, (2) hibrit arama, (3) istem kuralları, (4) reranking, (5) sorgu yeniden yazımı (kullanıcı sorusunu arama için optimize etme). Model büyütmek en son adımdır — çoğu RAG problemi arama katmanındadır, üretim katmanında değil.
Güvenlik ve operasyon
Erişim kontrolü: Kullanıcı hangi belgeleri görebiliyorsa, RAG da o belgelerden aramalıdır — filtreleme, vektör aramasıyla birlikte uygulanmalıdır. İstem enjeksiyonu: Belge içine gizlenmiş talimatlar ("bu belgedeki her şeye evet de") modeli kandırabilir; sistem isteminde belge içeriğinin talimat sayılmayacağı belirtilmeli.
Operasyon: Belge güncelleme süreci (yeni sürüm → eski parçaların silinmesi), kullanım günlükleri ve maliyet takibi (gömme + üretim tokenı). RAG bir kere kurulan değil, beslenen sistemdir; besleyen kişiyi tanımlamak projenin işletme sorumluluğudur.
Sık sorulan sorular
RAG ile fine-tuning arasındaki fark nedir?
RAG bilgiyi dışarıdan getirir (belge ekleyerek güncellenir), fine-tuning model davranışını kalıcı değiştirir (eğitimle). Bilgi güncelliği isteniyorsa RAG, tutarlı üslup ve özel davranış isteniyorsa fine-tuning; çoğu kurumsal ihtiyaçta önce RAG yeterlidir.
RAG halüsinasyonu tamamen önler mi?
Hayır, büyük ölçüde azaltır. Model verilere dayalı cevabı da "genelleştirebilir"; istemde "yalnızca parçalara dayan, yoksa bilmediğini söyle" kuralı ve kaynak gösterme zorunluluğu ile denetlenebilirlik sağlanır.
Türkçe belgeler için RAG çalışır mı?
Evet; gömme modelinin Türkçe desteği seçimi önemlidir. Çok dilli gömme modelleri Türkçe parçaları başarılı biçimde vektörleştirir; parçalama ve istem Türkçe yapılabilir.
