RAG basitçe açıklandı: bir yapay zeka asistanı belgelerinizi nasıl okur

RAG, Retrieval Augmented Generation anlamına gelir ve bir yapay zeka (YZ) asistanının yanıt vermeden önce kendi belgelerinizi nasıl okuduğunu açıklar. Önce ilgili metin bölümlerini arar, bunları dil modeline iletir ve modelin yalnızca bu temelde bir yanıt oluşturmasını sağlar. Böylece asistan, bir yanıtın nereden geldiğini söyleyebilir. Belgelerle sohbet etmeyi sağlayan hemen hemen her araç bu şekilde çalışır, Copilot'tan kendi geliştirdiğiniz bir bilgi ajanına kadar. Bu yazı, ilkeyi karar vericiler için kod kullanmadan açıklar ve RAG'ın nerede sınırlarına dayandığını gösterir. Tarih: Eylül 2026, Microsoft'a ilişkin bilgiler Microsoft Learn'deki bağlantılı sayfalara göredir.

Retrieval Augmented Generation nedir?

Retrieval Augmented Generation, bir dil modelinin her yanıttan önce belirlenmiş bir bilgi kaynağına başvurduğu bir yöntemdir. Terim, Lewis ve diğerlerinin 2020 yılından bir araştırma makalesinden gelir ve Facebook'un araştırma biriminde ortaya çıkmıştır. Arkasındaki fikir şudur: bir dil modeli yalnızca eğitim verilerinde bulunanları bilir. Fiyat listenizi, kalite el kitabınızı veya geçen ayki hizmet talimatını bilmez. RAG, bu belgeleri soru anında modele sunar.

Sıradan bir sohbet botundan farkı pratiktir: RAG olmadan bir model hafızasından yanıt verir ve bunu yaparken her zaman kendinden emin görünür. Bir RAG asistanı, kendisine verdiğiniz belgelerden yanıt verir ve ilgili bölümü gösterebilir.

RAG nasıl çalışır? Kafanızda canlandırmak için bir örnek

RAG, dosya dolabı olan iyi bir memur gibi çalışır. Soruyu duyar, uygun iki üç dosyayı çıkarır, ilgili paragrafları okur ve ardından dosyaya atıfla yanıt verir. Microsoft, aynı üç adımı RAG ile ilgili Learn belgelerinde (Eylül 2026 itibarıyla) şöyle tanımlar:

• Arama (Retrieve): Sistem, belgelerinizde soruya uyan metin bölümlerini arar. Bunun için belgeler önceden bölümlere ayrılır ve yalnızca aynı sözcüklerin değil, aynı anlamın da bulunabileceği şekilde hazırlanır.
• Ekleme (Augment): Bulunan bölümler, soruyla birlikte dil modeline aktarılır.
• Yanıtlama (Generate): Model, yanıtı bu bölümlere dayanarak oluşturur ve kaynağı belirtir.

Bir örnek: bir çalışan “Özel üretimler için iade süresi ne kadar?” diye sorar. Sistem, genel şartlar ve koşullardaki paragrafı ve müşteri hizmetleri el kitabındaki istisnayı bulur, model her ikisini iki cümlede özetler ve her iki yeri de bağlantılar. Yanıt hiçbir yerde bulunamıyorsa, iyi yapılandırılmış bir asistan tahmin etmek yerine bunu söylemelidir.

RAG bugün zaten nerede kullanılıyor?

RAG, kendi başına bir ürün değil, birçok aracın arkasındaki örüntüdür. Microsoft bunu açıkça belirtir: Copilot ajanlarının kullandığı şirket bilgisi araması, Microsoft tarafından Microsoft Graph üzerinden RAG olarak tanımlanır (Faturalandırma oranları, Microsoft Learn, Eylül 2026 itibarıyla). Copilot Studio'da bir bilgi kaynağı olan Dataverse de Microsoft Learn'e göre bir RAG yöntemiyle çalışır. Google'ın NotebookLM'i de soruları yalnızca yüklenen kaynaklardan yanıtlar ve alıntıları gösterir, daha fazlası için bkz. Kurumda NotebookLM.

Karar verici olarak sizin için bu şu anlama gelir: soru nadiren “RAG, evet ya da hayır” şeklindedir, daha çok “hangi araç, hangi belgeler üzerinde, kimin için” şeklindedir.

RAG nerede sınırlarına dayanır?

RAG, ancak bulduğu kadar iyidir. Projelerimizde nadiren modelden dolayı başarısız olur, daha çok dört şeyden dolayı:

• Kötü belgeler: Metin içermeyen taranmış PDF'ler, görüntü olarak tablolar, aynı klasörde aynı el kitabının beş sürümü. Sistem bu durumda yanlış bölümü bulur ve yine de akıcı bir şekilde yanıt verir.
• Güncelliğini yitirmiş sürümler: Eski fiyat listesi yenisinin yanında duruyorsa, sistem hangisinin geçerli olduğunu bilmez. Düzenleme ve net başlıklar, herhangi bir ayardan daha çok yardımcı olur.
• Yetkilendirmeler: Bir asistan yalnızca soruyu soran kişinin görmesine izin verilen şeyi bulabilmelidir. Microsoft, güvenlik ve erişim denetimini RAG'ın temel zorluklarından biri olarak belirtir (Azure Search ile RAG hakkında Microsoft Learn, Eylül 2026 itibarıyla). Microsoft 365 ortamındaki araçlarda asistan, SharePoint yetkilerini devralır. Bunlar çok cömertse sorun görünür hale gelir, bkz. Oversharing ve SharePoint yetkilendirmeleri.
• Belgeler dışındaki sorular: RAG, bir veritabanı sorgusunun yerini tutmaz. “Mart ayında kaç siparişimiz vardı?” sorusunu hiçbir el kitabı yanıtlayamaz. Bunun için asistanın ilgili sisteme bir bağlantısı olması gerekir.

Bir RAG asistanı ne kadara mal olur?

Bir RAG asistanının maliyeti üç bölümden oluşur: tek seferlik kurulum, soru başına süregelen işletim ve belgelerin bakımı. Verilerinize bakmadan ciddi bir rakam vermek mümkün değildir, ancak mantık her zaman aynıdır.

• Kurulum: Bilgi alanını belirlemek, belgeleri düzenlemek, asistanı kurmak, hedef yanıtlı test sorularını yazmak ve kontrol etmek. Düzenleme genellikle en büyük kalemdir.
• İşletim: Her soru, arama ve yanıt için işlem gücüne mal olur. Microsoft, sağlanan metin bölümlerinin modele giden girdiyi uzattığını ve böylece maliyetleri artırdığını belirtir (Microsoft Learn). Microsoft 365'te bu, lisanslar veya Copilot Kredileri üzerinden; kendi teknolojinizde ise dil modelinin ve sunucunun kullanımı üzerinden yürür.
• Bakım: Birinin yeni sürümleri eklemesi ve eskilerini kaldırması gerekir. Bu rol olmadan her asistan güncelliğini yitirir.

Teknik ekibiniz için: RAG'ı kendiniz kurun

Ekibiniz, örneğin kendi sunucunuzda n8n ile bir RAG asistanını kendisi kurmak isterse, elimizde üç teknik kılavuz var:

• n8n ile RAG kurmak: adım adım temel kurulum.
• n8n RAG ajanı veritabanından yanıt vermiyor: en sık görülen nedenler ve çözümleri.
• Bir n8n RAG sohbet botunun yanıt sürelerini optimize etmek: asistan çok yavaş olduğunda.

RAG'ı kendi işletmenizde deneyin

RAG'ın sizin için işe yarayıp yaramadığını öğrenmenin en hızlı yolu, bir bilgi alanı ve gerçek sorularla denemektir. Bilgi ajanı pilotu da tam olarak bu şekilde kurulur: bir bilgi alanı, örneğin el kitabı, ürün verileri veya politikalar, Copilot Studio ile SharePoint üzerinde veya kendi sunucunuzda n8n ile uygulama, hedef yanıtlı test soruları, test protokolü ve teslim. Pilot, beş gün için 5.000 Euro artı KDV sabit fiyata mal olur, sonrasındaki genişletme günlük 1.000 Euro artı KDV'dir. Tüm fiyatlar KDV hariçtir, yerinde randevularda seyahat masrafları ve giderler ayrıca eklenir. Gizli saat yoktur. Kurum içi bir bilgi asistanının günlük kullanımda nasıl göründüğünü Kurum içi bilgi asistanı adlı yazı anlatır. Belgelerinizin bunun için zaten uygun olup olmadığını ücretsiz ön görüşmede, 30 dakika içinde konuşuyoruz.

RAG hakkında sık sorulan sorular

YZ'de RAG ne anlama gelir?

RAG, Retrieval Augmented Generation anlamına gelir. Bir yapay zeka (YZ) asistanı, yanıt vermeden önce belgelerinizde ilgili metin bölümlerini arar ve yanıtı bu temelde, kaynağını belirterek oluşturur.

Bir RAG asistanı artık yanıt uydurmuyor mu?

Daha seyrek, ama asla değil. Sistem yanlış bölümü veya hiçbir bölüm bulamazsa, model yine de bir yanıt oluşturabilir. Bu yüzden hedef yanıtlı test soruları ve asistana verilen net bir talimat her kuruluma dahildir: yanıt belgelerde yoksa, asistan tahmin etmek yerine bunu açıkça söyler.

RAG için kendi modelimi eğitmem gerekir mi?

Hayır. RAG, mevcut bir dil modelini kullanır ve ona belgelerinizi çalışma zamanında sunar. Kendi eğitiminiz gerekli değildir, yeni belgeler arama dizinine girer girmez etkili olur.

RAG için Microsoft 365'e ihtiyacım var mı?

Hayır. Microsoft 365, RAG'ı Copilot ve Copilot Studio üzerinden sunar. Örneğin kendi sunucunuzda n8n ile kendi kurulumunuz da aynı derecede iyi çalışır. Veriler şirketten hiç çıkmamalıysa, dil modeli de yerel olarak çalışır.