RAG Nedir ve Hangi Problemi Çözer?

Bir modele şirketinizin iade politikasını sorun. Cevap verir. Akıcı, kendinden emin, biçimli bir cevap. Ve büyük olasılıkla yanlış — çünkü o politikayı hiç görmedi, gördüklerinin ortalamasından bir tane uydurdu.

Bunu fark edip belgeyi promptun içine yapıştırırsınız. Cevap düzelir. İkinci belgeyi de yapıştırırsınız, hâlâ iyi. Otuzuncuda bir şey bozulur: ya sınıra çarparsınız, ya cevap ilgisizleşir, ya fatura kabarır.

Bu yazı tam o kırılma noktasının yazısı. Yapıştırmak neden bir yere kadar çalışır, nerede biter ve yerine ne geçer.

Prompta yapıştırmak neden bir yere kadar çalışır

Model, eğitim verisinde olmayan bir bilgiyi üretemez. İki tür bilgi bu tanıma girer: eğitim kesim tarihinden sonra olan her şey, ve hiçbir zaman herkese açık olmamış her şey — sizin sözleşmeleriniz, prosedürleriniz, müşteri geçmişiniz. → 5.1.4.5^yakında

Prompt bu boşluğu kapatmaz. Talimat vermek bilgi yaratmaz; “emin ol” ya da “uydurma” demek yalnızca tonu değiştirir. → Prompt Mühendisliği Ne Demek? Terimin Kapsamı ve Sınırı

Bilgiyi doğrudan vermek ise çalışır ve küçük ölçekte fazlasıyla yeterlidir. Elle taşınan bir bilgi tabanı — birkaç kısa dosya, her konuşmanın başına yapıştırılan — gerçek bir çözümdür ve çoğu kişisel kullanımda tek ihtiyaç budur. → Kişisel Bilgi Tabanı: Modelin Bilmediği Tek Şey Sizin Kararlarınız

Sorun ölçekte başlıyor ve üç ayrı biçimde geliyor.

Bağlam penceresi sonlu. Model tek seferde sınırlı miktarda metin okuyabilir. Belge sayısı arttıkça hepsini birden vermek fiziksel olarak mümkün olmaktan çıkar.

Uzun bağlam ucuz değil. Her istekte taşınan her satır işlenir ve ücretlendirilir. Yüz sayfayı her soruda baştan göndermek, cevabın kendisinden çok daha pahalıya mal olur.

Fazla bağlam kaliteyi düşürür. Sorunuz tek bir paragrafla ilgiliyken modele yüz sayfa vermek, ilgili cümleyi gürültünün içine gömer. Model uzun metinlerin ortasında kalan bilgiyi kenarlardakine göre daha zayıf kullanır.

Üçü birleşince ortaya çıkan şey bir prompt sorunu değil. Belge sayısı artıp seçimi elle yapamaz hâle geldiğinizde, elinizdeki artık bir getirim sorunudur: doğru parçayı doğru anda bulmak. → Prompt Ne Kadar Uzun Olmalı? Ayrıntının Ters Tepmeye Başladığı Nokta

Sezgi: açık kitap sınavı

Modelin kendi başına cevap vermesi kapalı kitap sınavına benzer. Öğrenci ne hatırlıyorsa onu yazar. Hatırlamadığı yerde de yazmaya devam eder — bu, dil modellerinin en tanıdık davranışıdır. Boşluk bırakmak yerine olası görüneni üretirler; buna halüsinasyon deniyor ve kaynağı kötü niyet değil, sistemin çalışma biçimi.

RAG aynı sınavı açık kitaba çevirir. Soru geldiğinde bir yardımcı devreye girer, kaynak kitaptan konuyla ilgili birkaç sayfayı bulur, fotokopisini öğrencinin önüne koyar. Öğrenci artık hatırlamaya çalışmaz; önündeki sayfalardan okur ve cevabı ona göre yazar.

Benzetmenin işe yarayan kısmı şu: bilgi öğrencinin kafasında değil, dışarıda duruyor. Kitap değiştiğinde öğrenciyi yeniden eğitmeniz gerekmiyor, kitabı değiştirmeniz yetiyor.

Benzetme şurada bozuluyor: gerçek bir açık kitap sınavında sayfaları öğrenci seçer, beğenmezse geri döner, dizine bakar, başka bir bölümü açar. RAG’de seçimi öğrenci yapmaz. Sayfalar model soruyu görmeden önce, ayrı bir mekanizma tarafından seçilir ve model o seçimi sorgulayamaz. Yanlış sayfalar geldiyse model bunu bilmez — elindekiyle cevabını yazar.

Bu fark, ilerideki her sorunun kaynağıdır. Sistem “bilmiyorum” demeyi değil, “önüme konanla cevap vermeyi” öğrenmiştir.

RAG nedir

RAG, modelin cevabı üretmeden hemen önce dış bir kaynaktan ilgili metin parçalarını bulup promptuna ekleyen yöntemdir. Açılımı retrieval-augmented generation, Türkçesi bilgi getirimli üretim: önce getirim, sonra üretim.

Tanımın iki yarısı da önemli. Getirim, sorulan soruya göre büyük bir metin yığınından küçük ve ilgili bir alt küme seçmektir. Üretim, o alt kümeyi bağlam olarak alan modelin cevabı yazmasıdır. RAG bu ikisinin sırayla ve otomatik olarak çalıştığı kurulumun adıdır.

RAG, modeli eğitmek değildir. Model hiç değişmez; ağırlıklarına dokunulmaz, yeni bir şey öğrenmez. Değişen tek şey, o modele soru sorarken yanına ne konduğudur. Kalıcı davranış değişikliği isteyen bir ihtiyaç için doğru araç ince ayardır; ikisi arasındaki seçim ayrı bir yazının konusu. → Prompt mu, RAG mi, İnce Ayar mı? Ölçülebilir Bir Karar Ağacı

RAG bir arama motoru da değildir. Arama size bağlantı listesi verir, okumayı siz yaparsınız. RAG’de bulunan metni siz değil model okur; çıktı bir liste değil, o metne dayanan bir cevaptır.

Nasıl çalışır: iki ayrı zaman

RAG’i karmaşık gösteren şey, işin iki farklı zamanda yapılmasıdır. Bir kısmı önceden, siz henüz soru sormamışken olur. Bir kısmı her soruda yeniden.

Hazırlık zamanı — bir kez, sonra belgeler değiştikçe.

Birinci adım parçalama. Belgeler bütün hâlde işe yaramaz; bir sözleşmenin tamamı tek bir “parça” sayılırsa getirim ya hepsini getirir ya hiçbirini. Bu yüzden metin, tek başına anlamlı olacak kadar büyük ve gereksiz bağlam taşımayacak kadar küçük parçalara bölünür. Parça boyunun kendisi bir tasarım kararıdır ve doğrudan cevabın kalitesini etkiler. → Belge Parçalama (Chunking) Stratejileri

İkinci adım sayıya çevirme. Her parça, anlamını temsil eden bir sayı dizisine dönüştürülür. Bunu yapan şeye gömme modeli deniyor ve ürettiği sayı dizisinin tek işlevi şudur: anlamca yakın iki metnin sayıları da birbirine yakın çıkar. “İade süresi” ile “kaç gün içinde geri gönderebilirim” farklı kelimelerdir ama yakın sayılar üretirler.

Üçüncü adım saklama. Bu sayı dizileri, “bana verilen bir diziye en yakın olanları getir” sorusunu hızlı cevaplayabilen bir depoya yazılır. Deponun seçimi ayrı bir karardır. → Gömme Modeli Seçimi ve Vektör Veritabanları

Sorgu zamanı — her soruda yeniden.

Dördüncü adım getirim. Kullanıcının sorusu aynı gömme modelinden geçirilir ve bir sayı dizisine dönüşür. Depo, bu diziye en yakın parçaları döndürür. Getirilen parça sayısı bir ayar değeridir: az getirmek cevabı eksik bırakır, çok getirmek gürültü ekler ve maliyeti büyütür.

Beşinci adım üretim. Getirilen parçalar, kullanıcının sorusuyla birlikte modele verilir. Prompt kabaca şu biçimi alır: “Aşağıdaki metinlere dayanarak şu soruyu cevapla. Metinlerde cevap yoksa bunu söyle.” Model cevabı yazar.

Dikkat edilecek nokta: dördüncü adımın çıktısı beşinci adımın girdisidir ve arada hiçbir denetim yoktur. Getirim yanlış parçaları seçtiyse üretim bunu düzeltemez. Boru hattının kalitesi, en zayıf halkası olan getirimle sınırlıdır. → Benzerlik Araması: Neden Bazen Alakasız Sonuç Gelir?

Blueprint: şirket içi doküman asistanı

RAG’in en yaygın kurulduğu yer, kurumun kendi belgeleri üzerinde soru cevaplayan bir asistandır. Prosedürler, sözleşmeler, ürün belgeleri, geçmiş destek kayıtları — hepsi aynı hattan geçer.

Blueprint: Şirket içi doküman asistanı

Kim kurar: Kurumsal bilgi yönetimi, hukuk ekipleri, müşteri destek, teknik dokümantasyon Yapı taşları: Belge parçalayıcı → Gömme modeli → Vektör deposu → Getirici → Dil modeli Tipik ölçek: Elle yapıştırmanın bittiği yerde başlar — tek bir kişinin okuyup seçemeyeceği kadar belge Zorluk: Orta Nerede kırılır: Getirim başarısızlığı sessizdir. Yanlış parça gelirse model aynı emin dille yanlış cevap verir.

Somut bir izleme: kullanıcı “iade süresi kaç gün” diye soruyor. Soru sayı dizisine çevriliyor, depo en yakın beş parçayı döndürüyor, bunlardan üçü iade politikasından, ikisi kargo sözleşmesinden geliyor. Beşi de promptun içine konuyor. Model cevabı iade politikasından çıkarıyor ve hangi belgeye dayandığını yazıyor.

Kaynağı yazdırmak bu kurulumun en ucuz güvencesidir. Cevabın altında hangi parçadan geldiği görünüyorsa, kullanıcı yanlış getirimi kendi gözüyle yakalayabilir. Kaynak göstermeyen bir RAG kurulumu, sessiz başarısızlığını da gizler.

Bir kademe derine: RAG neyi garanti eder, neyi etmez

RAG’in en çok abartılan vaadi halüsinasyonu bitirdiğidir. Bitirmez. Yaptığı şey, modelin dayanacağı metni ortaya koymak ve boşluk doldurma ihtiyacını azaltmaktır. Cevabın gerçekten o metne dayandığını ise garanti etmez.

Üç ayrı yerde ayrışma olur. Getirim ilgili parçayı hiç bulamayabilir; bu durumda model ya “bilmiyorum” der ya da eski alışkanlığına dönüp uydurur. Getirim doğru parçayı bulur ama model onu yanlış okur ya da kendi ön bilgisiyle karıştırır. Üçüncüsü en sinsisi: getirim yüzeyde benzeyen ama konusu farklı bir parça getirir, model de o parçaya sadık kalarak tutarlı görünen yanlış bir cevap üretir.

Bunların hepsi ölçülebilir şeylerdir ve ölçülmeden iyileştirilemez. Getirim kalitesini ölçmenin kendi metrikleri ve kendi yazısı var; buradaki iş yalnızca sorunun nereden geldiğini görmek.

Temel boru hattının üzerine kurulan iyileştirmeler de bu üç ayrışmayı hedefler. Anahtar kelime aramasıyla anlamsal aramayı birleştiren hibrit yaklaşımlar, getirilen parçaları ikinci bir modelle yeniden sıralamak, kullanıcının sorusunu getirimden önce yeniden yazmak — hepsi aynı beş adımın üzerine oturur ve hiçbiri adımların yerini almaz. Kendi yazılarını hak edecek kadar da ayrıntılıdırlar.

Sınırlar ve yanlış anlamalar

RAG bir bilgi kalitesi çözümü değil. Kaynak belgeleriniz çelişkiliyse, eskiyse ya da yanlışsa RAG bu yanlışı sadakatle taşır. Hatta kötüleştirir: cevap artık bir kaynağa dayandığı için daha güvenilir görünür. Kurulumdan önce gelen iş, belgelerin kendisini derleyip toparlamaktır.

Getirim başarısızlığı sessizdir. Bir arama motoru boş sonuç döndürdüğünde bunu görürsünüz. RAG’de yanlış getirim, kendinden emin bir cevap olarak görünür. Sistemi izlemenin tek yolu, cevapları değil getirilen parçaları da kaydetmektir.

Her soru getirim istemez. “Bu metni özetle” ya da “şu tabloyu düzenle” gibi işlerde getirilecek bir şey yoktur; gereksiz getirim yalnızca gürültü ve gecikme ekler. Her isteği aynı hattan geçiren bir kurulum, kendi kalitesini düşürür.

Küçük ölçekte gereksiz karmaşıklık. Beş dosyanız varsa RAG kurmak yanlış karardır. Elle yapıştırmak daha ucuz, daha hızlı ve daha denetlenebilir. → Kişisel Bilgi Tabanı: Modelin Bilmediği Tek Şey Sizin Kararlarınız

Bu konuda anlaşmazlık: Bağlam pencereleri büyüdükçe RAG gereksizleşecek mi?

Görüş A → Pencere yeterince büyürse belgeyi olduğu gibi vermek hem daha basit hem daha güvenli; getirim katmanı fazladan bir hata kaynağı. (Savunanlar: uzun bağlam tarafı) Görüş B → Sorun pencerenin boyutu değil. Maliyet her istekte tekrarlanıyor, gecikme büyüyor, belgeler değiştiğinde tazelik gerekiyor ve cevabın hangi kaynağa dayandığını göstermek gerekiyor. (Savunanlar: getirim tarafı) Durum → 2026 ortası itibarıyla uzlaşma yok. Karar ölçeğe ve belgelerin ne sıklıkla değiştiğine bağlı.

Bu tartışmanın üçüncü bir tarafı daha var — prompt, RAG ve ince ayar arasındaki seçim — ve o kendi karar çerçevesini hak ediyor. → Prompt mu, RAG mi, İnce Ayar mı? Ölçülebilir Bir Karar Ağacı

Özet

Model, eğitim verisinde olmayan bilgiyi üretemez ve prompt bu boşluğu kapatmaz. Küçük ölçekte bilgiyi elle yapıştırmak yeterlidir; belge sayısı artıp seçimi elle yapamaz hâle geldiğinizde bu bir getirim sorununa dönüşür.

RAG, cevap üretilmeden hemen önce ilgili metin parçalarını otomatik bulup promptun içine koyan kurulumun adıdır. Modeli değiştirmez, yanına ne konduğunu değiştirir. Beş adımda çalışır: parçala, sayıya çevir, sakla, getir, üret. İlk üçü önceden, son ikisi her soruda.

Kazandırdığı şey ölçek, tazelik ve kaynak gösterebilme. Garanti etmediği şey doğruluk: getirim yanlış parçayı seçtiğinde sistem uyarı vermez, sadece emin bir sesle yanlış cevap verir. Bu yüzden kurulumun kendisi kadar, getirilenin kaydını tutmak da işin parçasıdır.

Sık sorulanlar

İlgili yazılar