RAG (Retrieval-Augmented Generation) nedir

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

RAG (Retrieval-Augmented Generation) nedir

Açık kitap sınavına giren bir öğrenci hayal edin. Öğrenci, her soruyu yalnızca hafızasından yanıtlamak yerine bir ders kitabını karıştırır, en alakalı sayfaları bulur, okur ve ardından hatırladığı bilgiyle yeni baktığı gerçekleri birleştiren bir yanıt yazar. Retrieval-Augmented Generation (RAG), bir büyük dil modeli için aynı şekilde çalışır. Model yalnızca eğitim sırasında ezberlediklerine dayanmaz — önce harici bir bilgi tabanında arama yapar, en alakalı belgeleri getirir ve yanıtını üretirken bunları ek bağlam olarak kullanır.

Bu teknik önemlidir, çünkü en güçlü LLM'lerin bile bir bilgi kesim tarihi vardır, "halüsinasyon" görebilirler (akla yatkın ama yanlış ifadeler üretebilirler) ve uzmanlaşmış alan bilgisinden yoksun olabilirler. RAG, modele her soru yanıtlayışında güncel, alana özgü, doğrulanabilir kaynaklara erişim vererek bu üç zayıflığı aynı anda giderir.

Kısaca: RAG, bir getirme (retrieval) sistemini bir LLM ile birleştiren bir mimari desendir. Ayrı bir model türü değildir — harici bilgi ve bağlamla çalışmanın bir yoludur.

Nasıl çalışır

Bir RAG hattı, net bir beş adımlı diziyi izler. Her adımı anlamak, RAG iddia eden bir projenin gerçekten işlevsel bir getirme katmanına mı sahip olduğunu yoksa yalnızca standart bir LLM çağrısını mı sardığını değerlendirmenize yardımcı olur.

Adım 1 — Kullanıcı sorgusu

Süreç, bir kullanıcının bir soru, komut veya istem göndermesiyle başlar. Bu sorgu, sonraki her şeyin başlangıç noktasıdır. Örneğin, bir kullanıcı şunu sorabilir: "Geçen ay Ethereum üzerindeki başlıca yönetişim önerileri nelerdi?" Sistem, yalnızca LLM'nin hafızasından yanıt vermeye çalışmaz — bunun yerine sorguyu bir arama talimatı olarak ele alır.

Adım 2 — Sorgu gömme (embedding)

Ham metin sorgusu, gömme (embedding) adı verilen sayısal bir temsile dönüştürülür — sorgunun anlamsal anlamını yakalayan bir sayı vektörü. Bu adım, uzmanlaşmış bir gömme modeli kullanır (OpenAI'nin text-embedding-ada-002'si veya E5 ya da BGE gibi açık kaynak bir alternatif). Ortaya çıkan vektör, sistemin anlamsal arama yapmasına — belgeleri birebir anahtar kelime eşleşmesi yerine anlama göre bulmasına — olanak tanır.

Adım 3 — Bilgi tabanından getirme

Sorgu gömmesi, belgelerin, pasajların veya veri parçalarının önceden hesaplanmış gömmelerini tutan bir vektör veritabanıyla (vektör deposu da denir) karşılaştırılır. Veritabanı, anlamsal olarak en benzer ilk k öğeyi döndürür. Yaygın vektör veritabanları arasında Pinecone, Weaviate, Qdrant, Milvus ve Chroma yer alır.

Getirmenin kalitesi birkaç etkene bağlıdır:

Parçalama (chunking) stratejisi — orijinal belgelerin daha küçük parçalara nasıl bölündüğü. Çok büyük parçalar alaka düzeyini seyreltir; çok küçük parçalar bağlamı kaybeder. Doğru parça boyutunu bulmak, bir RAG hattındaki en etkili mühendislik kararlarından biridir.
Gömme modeli — anlamın vektörlerde ne kadar doğru yakalandığı. Zayıf bir gömme modeli, veritabanından bağımsız olarak zayıf getirmeye yol açar.
Alaka sıralaması — aramanın gerçekten alakalı sonuçlar mı yoksa yalnızca yüzeysel olarak benzer sonuçlar mı döndürdüğü. Bazı sistemler, ilk sonuçları bir cross-encoder ile yeniden puanlayan bir yeniden sıralama adımı ekler.

Adım 4 — Bağlam enjeksiyonu

Getirilen belgeler, kullanıcının orijinal sorgusuyla birlikte LLM'ye gönderilen tek bir isteme (bazen "zenginleştirilmiş istem" denir) birleştirilir. İstem tipik olarak modele, soruyu sağlanan bağlamı kullanarak yanıtlamasını ve bağlam yeterli bilgi içermediğinde bunu belirtmesini söyler.

Adım 5 — LLM üretimi ve çıktı

LLM, zenginleştirilmiş istemi okur ve hem önceden eğitilmiş bilgisine hem de getirilen kanıta dayanan bir yanıt üretir. İyi tasarlanmış bir RAG sistemi, yanıtın bölümlerini belirli kaynak belgelere geri bağlayan ve kullanıcıya iddiaları doğrulama yolu veren bir atıf katmanı da içerebilir.

Aşama	Girdi	Çıktı	Kilit bileşen
Sorgu	Kullanıcı metni	Ham sorgu	Kullanıcı arayüzü
Gömme	Ham sorgu	Sorgu vektörü	Gömme modeli
Getirme	Sorgu vektörü	Alakalı belgeler	Vektör veritabanı
Bağlam enjeksiyonu	Sorgu + belgeler	Zenginleştirilmiş istem	İstem şablonu
Üretim	Zenginleştirilmiş istem	Nihai yanıt	LLM

RAG neden önemlidir

RAG, tek başına çalışan LLM'lerin iyi bilinen üç sınırlamasını ele alır:

Halüsinasyonlar. LLM'ler kendinden emin ama yanlış yanıtlar üretebilir. RAG, yanıtları gerçek belgelere dayandırarak bunu azaltır. Model belirli bir pasaja atıfta bulunabildiğinde, uydurma riski önemli ölçüde düşer.
Bayat bilgi. Önceden eğitilmiş bir modelin bir bilgi kesim tarihi vardır. RAG, taze ve sürekli güncellenen verilere erişim sağlar — harici bir veritabanı günlük olarak, hatta gerçek zamanlı olarak yenilenebilir.
Alan özgüllüğü. Bir LLM'yi dar bir alan için ince ayarlamak pahalı ve zaman alıcıdır. RAG, genel amaçlı bir modelin yeniden eğitim olmadan uzmanlaşmış bilgi tabanlarıyla çalışmasına olanak tanır; alana özgü uygulamaların dağıtımını daha hızlı ve daha ucuz hale getirir.

RAG ile ince ayar (fine-tuning) karşılaştırması

Hem RAG hem de ince ayar (fine-tuning), bir LLM'nin belirli görevlerdeki performansını iyileştirmeyi amaçlar; ancak temelden farklı şekillerde çalışırlar.

Yön	RAG	İnce ayar
Bilgi ne zaman eklenir	Çıkarım zamanında (her sorguda)	Eğitim zamanında (bir kez, sonra statik)
Güncelleme maliyeti	Düşük — bilgi tabanını güncelleyin	Yüksek — modeli yeniden eğitin veya yeniden ince ayar yapın
Bilgi tazeliği	Neredeyse gerçek zamanlı olabilir	Eğitim kesim tarihinde donmuş
Eğitim altyapısı gerektirir mi	Hayır	Evet (GPU'lar, veri kümeleri, eğitim hattı)
En uygun olduğu alan	Olgusal hatırlama, dokümantasyon soru-cevap	Stil, ton, biçim, dar görev optimizasyonu
Denetlenebilirlik	Yüksek — getirilen kaynaklar günlüğe kaydedilebilir	Düşük — bilgi ağırlıklara gömülüdür

Pratikte birçok üretim sistemi her ikisini birleştirir: ince ayarlı bir model doğru tonu ve görev davranışını sağlarken, RAG güncel olgusal dayanağı sağlar.

Gelişmiş RAG desenleri

Yukarıda açıklanan temel beş adımlı hat bazen naive RAG olarak adlandırılır. Teknik olgunlaştıkça mühendisler daha sofistike varyantlar geliştirdi:

Çok adımlı (yinelemeli) RAG. Sistem bir kez getirmek yerine getirir, ara bir yanıt üretir, bilgi boşluklarını belirler, rafine edilmiş bir sorguyla yeniden getirir ve yanıt yeterince eksiksiz olana kadar tekrar eder. Bu yaklaşım, tek bir getirme geçişiyle yanıtlanamayan karmaşık soruları ele alır.
Ajanlaştırılmış (agentic) RAG. Getirme adımı, bir AI ajan çerçevesinin içine sarılır. Ajan, ne zaman getireceğine, hangi bilgi tabanını sorgulayacağına, sorguyu yeniden formüle edip etmeyeceğine ve nihai yanıtı üretmek için yeterli bağlama sahip olup olmadığına karar verir. Bu desen, RAG ile otonom ajanlar arasındaki çizgiyi bulanıklaştırır.
Hibrit arama. Vektör tabanlı anlamsal aramayı, aynı getirme adımında geleneksel anahtar kelime aramasıyla (BM25) birleştirmek. Hibrit arama, hem anlam temelli hem terim temelli eşleşmeleri yakalar; özgül teknik terimler veya özel adlar içeren sorgularda geri çağırmayı (recall) iyileştirir.
Graph RAG. Bilgi tabanı, düz belge parçaları yerine bir bilgi grafiği olarak yapılandırılır — varlıklar ve ilişkiler. Getirme, vektör benzerliği yerine (veya ona ek olarak) grafik kenarlarını izler ve yapılandırılmış veriler üzerinde çok sıçramalı akıl yürütmeye olanak tanır. Bu desenler değerlendirme açısından önemlidir: yinelemeli getirme içeren bir graph-RAG hattı tanımlayan bir proje, yalnızca "RAG kullanıyoruz" diyen bir projeden daha özgül (ve taklit edilmesi daha zor) bir iddiada bulunuyordur.

RAG'in gerçek dünyadaki örnekleri

RAG teorik bir kavram değildir — bugün en yaygın kullanılan bazı AI ürünlerine güç verir.

Bing Chat (Microsoft Copilot). Bing Chat'e bir soru sorduğunuzda web'de arama yapar, alakalı sayfaları getirir ve bu sayfaları LLM'nin yanıtı için bağlam olarak kullanır. Yanıtta gördüğünüz satır içi atıflar, getirme adımının doğrudan sonucudur.
Perplexity. Perplexity bir RAG mimarisi etrafında inşa edilmiştir: her kullanıcı sorgusu bir web araması tetikler, sonuçlar bir LLM'ye verilir ve yanıt numaralandırılmış kaynak referansları içerir. Kullanıcı, her iddiayı doğrulamak için kaynaklara tıklayabilir.
Kurumsal bilgi asistanları. Şirketler, çalışanların İK politikalarını, mühendislik dokümantasyonunu veya hukuki sözleşmeleri doğal dille sorgulayabilmesi için dahili RAG sistemleri kullanır. Getirme katmanı, açık web yerine şirketin dahili belge deposunda arama yapar. Bu örnekler, RAG'in ana akım bir teknoloji olduğunu gösterir. Bir kripto AI projesi "RAG kullanıyoruz" dediğinde soru, RAG'in gerçek bir teknoloji olup olmadığı değil, projenin özgül uygulamasının sağlam olup olmadığıdır: hangi veri getiriliyor, nasıl indeksleniyor ve getirme kalitesi ölçülmüş mü?

RAG kripto AI projelerinde neden görülür

Birçok kripto AI projesi mimarilerinde RAG kullanır veya kullandığını iddia eder. Yaygın kullanım senaryoları şunları içerir:

Dokümantasyon asistanları — bir protokolün kuralları veya parametreleri hakkındaki kullanıcı sorularını yanıtlamak için protokol dokümanlarını, whitepaper'ları veya yönetişim önerilerini getirmek.
Kripto istihbarat araçları — analiz özetleri veya uyarılar üretmek için gerçek zamanlı piyasa verilerini, zincir üstü olayları veya haber makalelerini çekmek.
Ajanlar için bilgi tabanları — AI ajanlarının harekete geçmeden önce sorgulayabileceği yapılandırılmış depolar kurmak; kararların en güncel verilerle bilgilendirilmesini sağlamak.
Zincir üstü veriye dayandırma — getirme katmanını blok zinciri indeksleyicilerine bağlamak; böylece LLM, cüzdan bakiyeleri, işlem geçmişleri veya akıllı sözleşme durumları hakkındaki soruları eğitim zamanı anlık görüntüleri yerine güncel bilgiyle yanıtlayabilir.

DecAIHub proje kartlarında RAG desenleri içeren tipik AI bileşeni değerleri şunları içerir: "3D AI agents (RAG/memory/LLM catalog)", "AI summaries + crypto intelligence terminal" ve "AgentData (real-time data streams for AI agents)".

RAG bir model değildir

Yaygın bir yanlış kanı, RAG'i bir AI model türü olarak ele almaktır. Değildir. RAG bir mimari desendir — bir getirme sistemini bir LLM ile birleştirmenin bir yolu. Bir RAG hattının içindeki model GPT, DeepSeek, Mistral veya başka herhangi bir LLM olabilir. Getirme bileşeni bir vektör veritabanı, bir arama API'si veya yapılandırılmış bir bilgi grafiği olabilir.

"RAG kullanıyoruz" demek, sistemin nasıl organize edildiğini söyler. Hangi modelin kullanıldığını, tescilli olup olmadığını veya getirme kalitesinin ne kadar iyi olduğunu söylemez. İki proje de RAG iddia ederken çok farklı sofistikasyon düzeylerine sahip olabilir — biri özenle derlenmiş bir bilgi tabanı ve özel gömmelerle, diğeri nadiren alakalı belgeler döndüren aceleyle kurulmuş bir prototiple.

RAG neyi kanıtlamaz

RAG kullanmak, temeldeki LLM'nin tescilli veya ince ayarlı olduğunu kanıtlamaz. Proje, üçüncü taraf bir API çağırıyor olabilir.
Bir RAG hattı kurmak, getirme kalitesinin yüksek olduğunu kanıtlamaz. Kalite; bilgi tabanına, parçalama stratejisine, gömme modeline ve arama alakasına bağlıdır.
Bir RAG mimarisine sahip olmak, yanıtların doğru olduğunu kanıtlamaz. Zayıf getirme alakasız bağlam besleyebilir ve LLM yine de halüsinasyon görebilir.
Bir açılış sayfasında RAG'den söz etmek, sistemin gerçekten getirme yaptığını kanıtlamaz. Tier-1 kanıtı — kod, mimari diyagramları, demo günlükleri — olmadan iddia doğrulanmamış kalır. RAG iddia eden bir kripto AI projesini değerlendirirken ayrıntılara bakın: hangi bilgi tabanında arama yapılıyor, hangi gömme modeli kullanılıyor, alaka nasıl ölçülüyor ve herhangi bir kalite metriği yayımlanıyor mu?

DecAIHub proje kartlarında nerede görünür

RAG tipik olarak AI component alanında geçer — ya doğrudan ya da bir getirme-artı-üretim hattını ima eden açıklamalar aracılığıyla. AI_1 bayrağı, AI bileşeninin yeterli özgüllükle tanımlanıp tanımlanmadığını kontrol eder. Yalnızca "RAG" yazmak yeterli değildir; kart neyin, nereden ve hangi amaçla getirildiğini açıklamalıdır.

Karıştırmayın

LLM — RAG hattının içindeki üretim motoru. RAG, üzerine getirmeyi ekler.
Eğitim (training) — RAG, çıkarım zamanı bir desendir. Modeli yeniden eğitmez; istemi getirilen bağlamla zenginleştirir.
AI ajan — bir ajan, RAG'i araçlarından biri olarak kullanabilir; ancak RAG tek başına bir sistemi ajan yapmaz.
İnce ayar (fine-tuning) — ince ayar, bir eğitim aşamasında model ağırlıklarını ayarlar. RAG, modeli değiştirmeden çıkarım zamanında harici bilgi enjekte eder.
Getirme / bilgi katmanı — getirme bileşeni RAG'in bir yarısıdır. RAG, salt getirmenin üzerine üretim adımını ekler.

Sık sorulan sorular

RAG ile ince ayar arasındaki fark nedir?

İnce ayar, modeli uzmanlaşmış bir veri kümesi üzerinde eğiterek ağırlıklarını kalıcı olarak değiştirir. Yeni bilgi, modelin kendisinin bir parçası haline gelir. RAG, modele dokunmaz ve bunun yerine sorgu zamanında alakalı belgeler sağlar. İnce ayar, bir modele yeni bir stil veya görev biçimi öğretmek için daha iyidir; RAG, yanıtları taze ve doğrulanabilir gerçeklere dayalı tutmak için daha iyidir. Birçok üretim sistemi her ikisini kullanır — ince ayarlı model ton ve biçimi yönetirken RAG güncel olgusal dayanağı sağlar.

RAG, LLM'leri daha doğru yapar mı?

RAG, modelin çıktısını getirilen kanıta dayandırarak halüsinasyonları önemli ölçüde azaltabilir. Ancak doğruluk, getirme kalitesine bağlıdır. Getirme sistemi alakasız veya güncelliğini yitirmiş belgeler döndürürse, LLM kendinden emin biçimde yanlış — üstelik artık yanlış kanıtla desteklenen — yanıtlar üretebilir. RAG, doğruluğun tavanını yükseltir ama garanti etmez. Getirme kesinliğini (precision) ve geri çağırmayı (recall) ölçmek, ciddi her RAG dağıtımı için şarttır.

Vektör veritabanı nedir?

Vektör veritabanı, yüksek boyutlu sayısal vektörleri (gömmeleri) tutmak ve aramak için tasarlanmış uzmanlaşmış bir veri deposudur. Bir sorgu gömmesi gönderildiğinde, veritabanı — tipik olarak HNSW veya IVF gibi algoritmalarla — en yakın eşleşen vektörleri bulmak için bir benzerlik araması yapar. Bu, anlamsal aramayı mümkün kılar: belgeleri birebir anahtar kelime eşleşmesi yerine anlama göre bulmak. Popüler vektör veritabanları arasında Pinecone, Weaviate, Qdrant, Milvus ve Chroma yer alır.

RAG kripto AI projelerinde nasıl kullanılır?

Kripto AI projeleri, LLM'leri blok zincirine özgü verilerle bağlamak için RAG kullanır: protokol dokümantasyonu, yönetişim önerileri, zincir üstü işlem geçmişleri, gerçek zamanlı fiyat akışları ve akıllı sözleşme kaynak kodu. Getirme katmanı bu uzmanlaşmış kaynaklarda arama yapar; böylece LLM, alana özgü soruları güncelliğini yitirmiş eğitim bilgisi yerine güncel verilerle yanıtlayabilir. Bu tür sistemlerin kalitesi çok değişkendir — iyi indekslenmiş, derlenmiş bilgi tabanlarından, çok az faydalı bağlam getiren asgari kurulumlara kadar.

RAG zincir üstü verilerle çalışabilir mi?

Evet. Bir RAG hattındaki getirme katmanı; blok zinciri indeksleyicilerine, subgraph'lara veya zincir üstü analitik API'lerine bağlanabilir. Bir kullanıcı bir cüzdan bakiyesi, bir işlem geçmişi veya bir akıllı sözleşme durumu hakkında soru sorduğunda, getirme sistemi ilgili zincir üstü veriyi çeker ve LLM insan tarafından okunabilir bir açıklama üretir. Başlıca zorluklar gecikme (blok zinciri sorguları yavaş olabilir), veri biçimlendirme (ham zincir üstü verinin gömme için ayrıştırılıp parçalanması gerekir) ve tazeliktir (indeks, mevcut zincir durumunu yansıtacak sıklıkta güncellenmelidir).

Ayrıca bakınız

Dış kaynaklar

Lewis, P. et al. "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks." arXiv, 2020. https://arxiv.org/abs/2005.11401
Gao, Y. et al. "Retrieval-Augmented Generation for Large Language Models: A Survey." arXiv, 2024. https://arxiv.org/abs/2312.10997
AWS. "What is RAG?" https://aws.amazon.com/what-is/retrieval-augmented-generation/
Pinecone. "Retrieval-Augmented Generation (RAG)." https://www.pinecone.io/learn/retrieval-augmented-generation/
Microsoft. "Retrieval-Augmented Generation (RAG) in Azure AI Search." https://learn.microsoft.com/en-us/azure/search/retrieval-augmented-generation-overview