Gelişmiş RAG Desenleri ve Agentic RAG Rehberi [2026]

Temel RAG'in Sinirlari

Retrieval Augmented Generation (RAG), buyuk dil modellerinin dis bilgi kaynaklarina erisimini saglayarak halusinasyonu azaltan ve guncel bilgiye dayali yanitlar ureten bir mimari desendir. Ancak temel RAG yaklasimi -- belgeleri bol, vektorlere donustur, en yakin sonuclari getir ve modele ver -- uretim ortamlarinda ciddi sinirlamalarla karsilasmaktadir.

Lost in the Middle problemi: Modeller, uzun baglam pencerelerinde ortadaki bilgileri gozden kacirma egilimindedir. Cok sayida belge getirildiginde kritik bilgi kaybolabilir. Arastirmalar, modellerin baglamin basindaki ve sonundaki bilgilere daha fazla dikkat ettigini gostermektedir.

Alakasiz erisim: Semantik benzerlik her zaman ilgililik anlamina gelmez. Vektor benzerligine dayali erisim, sorguyla yapisal olarak benzer ancak icerik olarak alakasiz belgeler getirebilir. Bu durum ozellikle teknik terimlerin farkli baglamlarda kullanildigi domainlerde belirgindir.

Muhakeme eksikligi: Temel RAG, getirilen belgelerin kalitesini degerlendirmez veya eksik bilgi oldugunda ek arama yapmaz. Tek seferlik bir getir-ve-uret dongusune hapsolur ve alinan ilk sonuclarla yetinmek zorunda kalir.

Karmasik sorgular: Birden fazla bilgi parcasinin sentezlenmesini gerektiren sorularda temel RAG yetersiz kalir. Ornegin "X sirketinin 2024 ve 2025 gelirleri arasindaki farki acikla" gibi bir soru, iki ayri belgenin bulunmasini ve karsilastirilmasini gerektirir.

Bu sinirlamalari asmak icin gelistirilen ileri duzey RAG desenleri, bilgi erisim kalitesini ve model yanitlarinin dogrulugunu onemli olcude arttirir. RAG temelleri hakkinda detayli bilgi icin RAG ve Kurumsal Bilgi Yonetimi rehberimize basvurabilirsiniz.

Sorgu Donusumu (Query Transformation)

Kullanicilarin sordugu sorular genellikle belirsiz, eksik veya erisim icin optimize edilmemistir. Sorgu donusumu teknikleri, orijinal sorguyu erisim performansini arttiracak sekilde yeniden sekillendirmektedir.

HyDE (Hypothetical Document Embedding)

HyDE yaklasiminda model, soruya varsayimsal bir yanit uretir ve bu yanit vektor aramasinda kullanilir. Fikir basittir: gercek belgelerin yanitla daha yuksek semantik benzerlik gosterecegi varsayilir. Ornegin "Kubernetes pod scheduling nasil calisir?" sorusu yerine, modelin urettigi kapsamli bir aciklama vektor aramasinda kullanildiginda daha ilgili belgeler getirilebilir.

HyDE'nin avantaji, sorgu ile belge arasindaki semantik boslugun daraltilmasidir. Dezavantaji ise modelin yanlis bir varsayimsal belge uretmesi durumunda erisim kalitesinin dusebilmesidir. Bu nedenle HyDE, modelin temel bilgiye sahip oldugu domainlerde daha etkilidir.

Step-Back Prompting

Belirli ve dar kapsamli sorularin daha genel bir versiyonunu olusturarak erisim kapsamini genisletir. "Django ORM'de select_related ile prefetch_related arasindaki fark nedir?" sorusu, "Django ORM sorgu optimizasyon teknikleri nelerdir?" seklinde genisletilir. Bu sayede hem dogrudan yanit iceren hem de baglam saglayan belgeler getirilir. Dar kapsamli sorularin bos sonuc dondurmesi riskini onemli olcude azaltir.

Multi-Query Yaklasimi

Tek bir sorgudan birden fazla perspektif ureterek her biri icin ayri erisim yapilir ve sonuclar birlestirilir. Ornegin "React performans optimizasyonu" sorgusu su alt sorgulara donusturulebilir: "React rendering optimizasyonu", "React memo ve useMemo kullanimi", "React virtual DOM performansi". Bu yaklasim, sorunun farkli yonlerini yakalamaya ve erisim kapsamini genisletmeye yardimci olur. Sonuc birlestirilirken tekrarlayan belgelerin cikarilmasi (deduplication) ve Reciprocal Rank Fusion (RRF) ile siralanmasi gerekir.

Hiyerarsik Erisim (Hierarchical Retrieval)

Sentence Window

Belgeler cumle duzeyinde parcalanir ancak erisimde bulunan cumlenin etrafindaki pencere (komsu cumleler) de baglama dahil edilir. Bu yaklasim, ince granularite ile erisim yapmanin avantajini korurken yeterli baglam saglar. Pencere boyutu ayarlanabilir bir parametredir; tipik olarak 2-5 komsu cumle dahil edilir. Kucuk pencere boyutu daha odakli baglam saglarken, buyuk pencere boyutu daha fazla cevreleyen bilgi sunar.

Auto-Merging Retriever

Belgeler hiyerarsik olarak parcalanir: buyuk parcalar (parent) ve kucuk parcalar (child). Erisimde kucuk parcalar kullanilir; ancak ayni buyuk parcaya ait birden fazla kucuk parca getirildiginde otomatik olarak buyuk parca ile degistirilir. Bu mekanizma, ilgili bilginin dagildigi durumlarda butunsel baglam saglar. Birlesme esigi (merge threshold) ayarlanarak hassasiyet kontrol edilir; ornegin bir parent'in child parcalarinin yuzde ellisinden fazlasi getirildiginde otomatik birlesme tetiklenir.

Yeniden Siralama (Re-ranking)

Vektor benzerligine dayali ilk erisim asamasi (first-stage retrieval) hizli ancak kaba bir filtrelemedir. Yeniden siralama, getirilen belgeleri daha sofistike modellerle degerlendirerek siralamayi iyilestirir.

Cross-Encoder Re-ranking

Bi-encoder modellerden farkli olarak cross-encoder, sorgu ve belgeyi birlikte isler ve daha doggru bir ilgililik skoru uretir. Hesaplama maliyeti yuksek oldugu icin yalnizca ilk asamada getirilen sinirli sayida belgeye uygulanir. Tipik olarak ilk 20-50 belge getirilir ve cross-encoder ile yeniden siralanarak en ilgili 3-5 belge secilir. Bu iki asamali yaklasim, hiz ve dogruluk arasinda etkili bir denge kurar.

ColBERT

ColBERT, gec etkilesim (late interaction) mekanizmasiyla verimli ve etkili yeniden siralama saglar. Sorgu ve belge tokenlari bagimsiz olarak kodlanir ancak ilgililik hesaplamasi token duzeyi eslesmeleriyle yapilir. Bu yaklasim, cross-encoder'in dogruluguyla bi-encoder'in hizini dengelemeyi amaclar. Belge token embeddingleri onceden hesaplanip indekslendiginden, sorgu zamaninda yalnizca sorgu tokenlari kodlanir ve MaxSim operasyonuyla skor hesaplanir.

Cohere Rerank

Cohere'in yeniden siralama API'si, tek bir API cagrisiyla belgeleri yeniden siralamak icin kullanilabilir. Ozel model egitimi gerektirmeden yuksek kaliteli yeniden siralama saglar ve entegrasyonu oldukca basittir. Ozellikle hizli prototipleme ve kucuk-orta olcekli uygulamalar icin pratik bir secenektir.

Baglamsal Sikistirma (Contextual Compression)

Getirilen belgelerin tamamini baglama eklemek yerine, yalnizca sorguyla ilgili kisimlarin cikarilmasi baglam penceresini verimli kullanir. Bir LLM veya ozel bir model, her belgeden yalnizca soruyla ilgili cumleleri veya paragraflari ayiklar. Bu yaklasim ozellikle uzun belgelerle calisan sistemlerde baglam penceresi sinirlamasini asmaya yardimci olur. Ayrica modelin odaklanmasi gereken bilgiyi daraltarak yanit kalitesini arttirir ve halusinasyon riskini azaltir.

Agentic RAG

Agentic RAG, bilgi erisim surecini bir ajan dongusune donusturerek temel RAG'in tek seferlik getir-ve-uret sinirlamasini asar. Ajan, hangi kaynaklara basvurulacagina, ne zaman ek arama yapilacagina ve sonuclarin yeterli olup olmadigina karar verir.

Routing Ajanlari

Farkli bilgi kaynaklari icin farkli erisim stratejileri gereken sistemlerde routing ajanlari sorguyu analiz eder ve en uygun kaynaga yonlendirir. Ornegin teknik bir soru vektor veritabanina, guncel bir soru web aramasina, sayisal bir soru SQL veritabanina yonlendirilebilir. Routing karari, sorgunun icerigine, kategorisine ve beklenen yanit tipine gore yapilir. Yanlis yonlendirme durumunda fallback mekanizmalari devreye girer.

Arac-Destekli Erisim (Tool-Augmented Retrieval)

Ajan, vektor aramasi disinda SQL sorgulari, API cagrilari, web arama ve hesaplama araclari gibi cesitli araclara erisebilir. Karmasik sorulari cevaplamak icin birden fazla araci sirali veya paralel olarak kullanabilir. Ornegin "Gecen ayin en cok satan urunlerinin fiyat karsilastirmasi" sorusu icin ajan once SQL ile satis verilerini cekar, ardindan vektor aramasiyla urun detaylarini getirir ve sonuclari birlestirir.

Yansitmali Yinelemeli Erisim (Iterative Retrieval with Reflection)

Ajan, getirilen bilgileri degerlendirerek yetersiz veya celiskili bulursa ek arama yapar. Bu dongu, yeterli bilgi toplanana veya maksimum yineleme sayisina ulasilana kadar devam eder. Yansitma adimi, ajanin kendi erisim sonuclarini elestirel olarak degerlendirmesini saglar. Her iterasyonda ajan "Bu bilgiler soruyu cevaplamak icin yeterli mi?", "Eksik bir bilgi var mi?", "Celiskili bilgiler var mi?" gibi sorulari degerlendirir.

Coklu ajan sistemleriyle Agentic RAG'in birlestirilmesi hakkinda daha fazla bilgi icin Multi-Agent Sistem Gelistirme yazimiza basvurabilirsiniz.

Graph RAG

Graph RAG, bilgi grafleri (knowledge graphs) ile vektor aramasini birlestirerek yapisal iliskileri ve baglami yakalamaya yonelik bir yaklasimdir.

Bilgi Grafi Olusturma

Belgelerden varliklar (entities) ve iliskiler (relationships) otomatik olarak cikarilir. Bir LLM, yapilandirilmamis metinden "Sirket X, Urun Y'yi gelistirdi" gibi iliskileri tanimlar ve bir graf yapisi olusturur. Bu graf, vektor aramasinin yakalayamadigi yapisal bilgiyi icerir. Varliklar dugum olarak, iliskiler kenar olarak modellenir ve zengin bir bilgi agi olusturulur.

Varlik Cikarimi (Entity Extraction)

NER (Named Entity Recognition) modelleri ve LLM'ler kullanilarak belgelerden kisi, kurum, urun, konum ve tarih gibi varliklar cikarilir. Bu varliklar grafin dugumlerini olusturur. Cikarilan varliklarin normallestirilmesi (ayni varligin farkli yazimlarinin birlesmesi) graf kalitesi icin kritik oneme sahiptir. Ornegin "Turkiye", "TR" ve "Turkiye Cumhuriyeti" ayni varlik olarak tanimlanmalidir.

Topluluk Ozetleri (Community Summaries)

Buyuk graflar topluluk algoritmalari (Leiden, Louvain) ile kumelere ayrilir ve her kume icin ozet uretilir. Bu ozetler, genis kapsamli sorularda kullanilarak grafin tumunu taramak yerine ilgili kumelere odaklanmayi saglar. Ornegin "Yapay zeka alanindaki son gelismeler nelerdir?" gibi genel bir soru icin ilgili topluluk ozetleri kullanilarak kapsamli bir yanit olusturulabilir.

Hibrit Graf ve Vektor Arama

Vektor arama semantik benzerligi yakalarken, graf arama yapisal iliskileri ve cikarimlari saglar. Her iki sonuc birlestirildiginde hem icerik benzerligine hem de yapisal iliskilere dayali kapsamli bir baglam olusturulur. Smart Maple olarak kurumsal bilgi yonetimi projelerimizde bu hibrit yaklasimin tek basina vektor aramasina gore tutarlilik ve dogruluk acisindan onemli iyilestirmeler sagladigini gozlemledik.

Self-RAG: Oz-Yansima ve Derecelendirme

Self-RAG, modelin kendi urettigi yanitlari elestirel olarak degerlendirdigi bir yaklasimdir. Surec su adimlardan olusur:

1. Erisim gereksinimi degerlendirmesi: Model, soruyu cevaplamak icin dis bilgiye ihtiyac duyup duymadigina karar verir. Basit ve genel bilgi gerektiren sorular icin erisim atlanabilir.
2. Belge ilgililik degerlendirmesi: Getirilen her belgenin sorguyla ilgiligini derecelendirir. Ilgisiz belgeler filtrelenerek modelin odagi korunur.
3. Yanit desteklilik degerlendirmesi: Uretilen yanitin getirilen belgeler tarafindan desteklenip desteklenmedigini kontrol eder. Bu adim halusinasyon tespiti icin kritiktir.
4. Yanit faydalilik degerlendirmesi: Yanitin kullanicinin sorusunu ne olcude karsiladigini degerlendirir.

Bu oz-yansima mekanizmasi, modelin halusinasyon yapma egilimini azaltir ve yanit kalitesini arttirir. Derecelendirme sonuclari dusukse model ek erisim yapar veya yanitini revize eder. Self-RAG, ozel egitimlim tokenlar (reflection tokens) ile uygulanabilecegi gibi, prompt tabanlim yaklasimlarla da gerceklestirilebilir.

Corrective RAG (CRAG)

CRAG, getirilen belgelerin kalitesini degerlendiren ve yetersiz bulundugunda duzeltici eylemler alan bir yaklasimdir.

Surec su sekilde isler:

1. Standart vektor aramasiyla belgeler getirilir
2. Bir degerlendirici model, belgelerin sorguyla ilgiligini dogru, belirsiz veya yanlis olarak siniflandirir
3. Dogru: Belgeler dogrudan kullanilir ve yanit uretilir
4. Belirsiz: Belgeler rafine edilir, kritik bilgiler cikarilir ve ek arama yapilir
5. Yanlis: Vektor aramasiyla getirilen belgeler atilir ve web aramasina gecilir

Bu fallback mekanizmasi, bilgi tabaninda yeterli bilgi bulunmadigi durumlarda modelin web aramasiyla guncel ve dogru bilgiye erismesini saglar. CRAG ozellikle bilgi tabaninin kapsaminin sinirli oldugu veya hizla degisen domainlerde guclu sonuclar verir.

Degerlendirme Cerceveleri

Gelismis RAG sistemlerinin performansini olcmek icin standartlastirilmis degerlendirme cerceveleri kritik oneme sahiptir.

RAGAS

RAGAS (Retrieval Augmented Generation Assessment), RAG sistemlerini dort temel metrikle degerlendirir:

• Faithfulness (Sadakat): Yanitin yalnizca getirilen belgelerdeki bilgilere dayanip dayanmadigini olcer. Yuksek sadakat, dusuk halusinasyon anlamina gelir. Her yanitin getirilen belgelerle dogrulanmasi bu metrigin temelini olusturur.
• Answer Relevancy (Yanit Ilgiligi): Yanitin soruyu ne olcude karsiladigini degerlendirir. Soruyla ilgisiz bilgi iceren yanitlar dusuk skor alir.
• Context Recall (Baglam Hatirlama): Referans yanitlardaki bilgilerin ne kadarinin getirilen belgelerde bulundugunu olcer. Dusuk context recall, erisim katmaninin iyilestirilmesi gerektigine isaret eder.
• Context Precision (Baglam Hassasiyeti): Getirilen belgelerin ne kadarinin yanit icin gercekten gerekli oldugunu degerlendirir. Yuksek hassasiyet, gereksiz belgelerin getirilmedigini gosterir.

Ek Degerlendirme Metrikleri

RAGAS disinda su metrikler de degerlendirilmelidir:

• Gecikme suresi: Sorgudan yanita kadar gecen toplam sure; kullanici deneyimi icin kritiktir
• Maliyet: LLM cagrisi ve erisim maliyeti; ozellikle coklu yineleme yapan agentic yaklisimlarda onemlidir
• Tutarlilik: Ayni soruya farkli zamanlarda verilen yanitlarin tutarliligi
• Reddedme orani: Sistemin "bilmiyorum" demesi gereken durumlarda dogru sekilde reddedip reddetmedigi

Uretim Ortami Desenleri

Onbellekleme (Caching)

Semantik onbellekleme, benzer sorgularin onceden hesaplanmis yanitlarla karsilanmasini saglar. Sorgu embeddingi onbellekteki sorgu embeddingleriyle karsilastirilir; yeterli benzerlik varsa onbellekteki yanit dondurulur. Bu yaklasim hem gecikmeyi hem de maliyeti onemli olcude azaltir. Onbellek gecerlilik suresi (TTL) ve invalidasyon stratejileri, bilginin guncelligini korumak icin dikkatle planlanmalidir.

Akis (Streaming)

Uzun yanitlarin parcalar halinde kullaniciya iletilmesi, algilanan gecikmeyi azaltir. Erisim tamamlanip yanit uretilmeye baslandiginda ilk tokenlar hemen kullaniciya gonderilir. Bu yaklasim ozellikle karmasik sorgularda kullanici deneyimini iyilestirir ve kullanicinin yanittin olusumunu gercek zamanli takip etmesini saglar.

Yedek Zincirler (Fallback Chains)

Birincil erisim yontemi basarisiz oldugunda veya dusuk guvenle sonuc getirdiginde alternatif yontemlere gecis yapilir. Tipik bir yedek zinciri su sekilde yapilandirilabilir:

1. Vektor arama (birincil) - semantik benzerlik ile erisim
2. Anahtar kelime arama (yedek) - BM25 veya TF-IDF tabanli erisim
3. Web arama (son care) - guncel bilgi icin dis kaynaklara erisim
4. Modelin kendi bilgisiyle yanitlama (belirsizlik uyarisiyla birlikte)

Her asamada guven skoru degerlendirilir ve esik degerin altinda kalan sonuclar bir sonraki asamaya yonlendirilir. Kullaniciya yanitin hangi kaynaga dayandiginin belirtilmesi seffaflik acisindan onerilir.

Vektor Veritabani Altyapisi

Gelismis RAG desenlerinin etkili bir sekilde calisabilmesi icin saglam bir vektor veritabani altyapisi gereklidir. Embedding modeli secimi, indeksleme stratejileri ve sorgu optimizasyonu hakkinda detayli bilgi icin Vektor Veritabani ve Embedding Altyapisi rehberimize basvurabilirsiniz.

Sonuc

Gelismis RAG desenleri, temel RAG'in sinirlamalarini sistematik olarak asarak bilgi erisim kalitesini ve model yanitlarinin dogrulugunu onemli olcude arttirir. Sorgu donusumu, hiyerarsik erisim ve yeniden siralama teknikleri erisim kalitesini iyilestirirken; Agentic RAG, Graph RAG, Self-RAG ve CRAG gibi yaklasimlar muhakeme ve degerlendirme yetenekleri ekler.

Dogru yaklasimin secimi, kullanim senaryosuna, veri yapisina ve performans gereksinimlerine baglidir. Basit soru-cevap sistemleri icin sorgu donusumu ve yeniden siralama yeterli olabilirken, karmasik kurumsal senaryolarda Agentic RAG ve Graph RAG kombinasyonu gerekebilir. RAGAS gibi degerlendirme cerceveleriyle surekli olcum yapmak, sistemin kalitesini izlemek ve iyilestirmek icin vazgecilmezdir.