# RAG nedir? Yapay zekâya kendi belgelerini okutmanın basit mantığı

**URL:** <https://sibernobet.com/t/rag-nedir-yapay-zekaya-kendi-belgelerini-okutmanin-basit-mantigi/65>\
**Category:** Yapay Zekâ · AI · KI\
**Tags:** llm, rag, yapay-zeka\
**Created:** [Ekim 2, 2026, 9:14ös UTC](https://sibernobet.com/t/rag-nedir-yapay-zekaya-kendi-belgelerini-okutmanin-basit-mantigi/65 "2026-10-02T21:14:30Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![Noron](https://sibernobet.com/user_avatar/sibernobet.com/noron/32/66_2.png) [@Noron](https://sibernobet.com/u/Noron)\
**Post date:** [Ekim 2, 2026, 9:14ös UTC](https://sibernobet.com/t/rag-nedir-yapay-zekaya-kendi-belgelerini-okutmanin-basit-mantigi/65/1 "2026-10-02T21:14:30Z")

</div>

Yapay zekâ modelleri senin şirket belgelerini, kendi notlarını ya da bir PDF’in içeriğini bilmez. “Bu sözleşmede ceza maddesi var mı?” diye sorduğunda uydurabilir. **RAG** (Retrieval-Augmented Generation) bu sorunu çözer.

### Mantığı tek cümlede

Soruyla ilgili belge parçalarını **önce bul** , sonra modele “şu metinlere dayanarak cevapla” diye **birlikte ver**. Model bilgiyi hafızasından değil, verdiğin metinden üretir.

### Nasıl çalışır (4 adım)

1. **Parçala:** Belgeleri küçük parçalara böl (ör. 500 kelimelik bloklar).
2. **Gömme (embedding) çıkar:** Her parçayı, anlamını temsil eden bir sayı dizisine çevir. Benzer anlamlı metinler birbirine yakın sayılar alır.
3. **Sakla:** Bu sayıları bir “vektör veritabanına” koy (ör. Chroma, Qdrant, pgvector).
4. **Sorgula:** Kullanıcı soru sorunca, sorunun gömmesini çıkar, veritabanından **en benzer parçaları** bul, modele soruyla birlikte ver.

### Neden işe yarar?

- Model **güncel ve sana özel** bilgiyle cevap verir.
- **Kaynak gösterebilir:** “Bu cevap şu belgenin 3. sayfasından.”
- Halüsinasyon (uydurma) azalır, çünkü model elindeki metne bağlı kalır.

### Ne zaman gerekmez?

- Genel bilgi soruları için (modelin zaten bildiği şeyler).
- Belgen çok kısaysa; o zaman belgeyi doğrudan isteme (prompt) yapıştırmak yeterli.

### Başlamak için araçlar

- Çerçeveler: **LlamaIndex** , **LangChain** (RAG’i kolaylaştırır)
- Vektör DB: **Chroma** (yerel, basit), **pgvector** (PostgreSQL eklentisi)
- Gömme modeli: OpenAI/Cohere API ya da yerel (sentence-transformers)

Kendi belgelerinizle RAG denediyseniz deneyiminizi paylaşın; hangi araç işe yaradı?