B\u00fcy\u00fck dil modellerinin (LLM) s\u00fcrekli geli\u015fimiyle birlikte, bilgiye dayal\u0131 ve g\u00fcncel yan\u0131tlar sunma ihtiyac\u0131 da art\u0131yor. Ancak LLM’ler, e\u011fitim verilerinde bulunmayan veya g\u00fcncel olmayan bilgilere eri\u015fimde zorlanabilirler. \u0130\u015fte bu noktada LightRAG devreye giriyor. Bu makalede, LightRAG ile Retrieval Augmented Generation (RAG) konseptini s\u0131f\u0131rdan ke\u015ffedecek, ad\u0131m ad\u0131m uygulamal\u0131 \u00f6rneklerle kendi ak\u0131ll\u0131 bilgi alma sisteminizi nas\u0131l kuraca\u011f\u0131n\u0131z\u0131 \u00f6\u011freneceksiniz. Hafif, h\u0131zl\u0131 ve etkili RAG \u00e7\u00f6z\u00fcmleri olu\u015fturman\u0131n kap\u0131lar\u0131n\u0131 aralay\u0131n!<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn yapay zeka d\u00fcnyas\u0131nda, ChatGPT, GPT-4 gibi B\u00fcy\u00fck Dil Modelleri (LLM’ler) hayat\u0131m\u0131z\u0131n vazge\u00e7ilmez bir par\u00e7as\u0131 haline geldi. Bu modeller, metin \u00fcretme, \u00f6zetleme, \u00e7eviri gibi bir\u00e7ok karma\u015f\u0131k g\u00f6revi inan\u0131lmaz bir ba\u015far\u0131yla yerine getirebiliyor. Ancak, ne kadar yetenekli olurlarsa olsunlar, LLM’lerin de belirli s\u0131n\u0131rl\u0131l\u0131klar\u0131 mevcut. \u00d6zellikle g\u00fcncel olmayan veya e\u011fitim verilerine dahil edilmemi\u015f spesifik bilgiler s\u00f6z konusu oldu\u011funda, modeller “hal\u00fcsinasyon” olarak adland\u0131r\u0131lan yanl\u0131\u015f veya uydurma bilgiler \u00fcretebilirler. Bunun yan\u0131 s\u0131ra, \u015firket i\u00e7i dok\u00fcmanlar, \u00f6zel raporlar veya ni\u015f bir alana ait veriler gibi \u00f6zelle\u015fmi\u015f bilgi kaynaklar\u0131na do\u011frudan eri\u015fimleri yoktur.<\/p>\n
Peki, bu sorunu nas\u0131l a\u015fabiliriz? \u0130\u015fte burada Retrieval Augmented Generation (RAG), yani Bilgi Destekli \u00dcretim tekni\u011fi devreye giriyor. RAG, bir LLM’e cevap \u00fcretmeden \u00f6nce, ilgili harici bilgi kaynaklar\u0131ndan alakal\u0131 verileri \u00e7ekmesini ve bu verileri kullanarak daha do\u011fru, g\u00fcncel ve ba\u011flama uygun yan\u0131tlar \u00fcretmesini sa\u011flayan g\u00fc\u00e7l\u00fc bir paradigma sunar. Basit\u00e7e ifade etmek gerekirse, bir soru soruldu\u011funda, RAG sistemi \u00f6nce ilgili belgeleri (\u00f6rne\u011fin bir veri taban\u0131ndan, dok\u00fcman ar\u015fivinden) bulur, ard\u0131ndan bu belgelerden elde edilen bilgiyi LLM’e “ba\u011flam” olarak sunar ve LLM bu zenginle\u015ftirilmi\u015f ba\u011flam\u0131 kullanarak daha isabetli bir cevap olu\u015fturur. Bu sayede, LLM’in bilgi s\u0131n\u0131r\u0131 a\u015f\u0131l\u0131r, hal\u00fcsinasyon riski azal\u0131r ve \u00f6zelle\u015fmi\u015f bilgilere eri\u015fim m\u00fcmk\u00fcn hale gelir.<\/p>\n
Geleneksel RAG uygulamalar\u0131, genellikle karma\u015f\u0131k altyap\u0131lar, bir\u00e7ok ba\u011f\u0131ml\u0131l\u0131k ve y\u00fcksek \u00f6\u011frenme e\u011frisi gerektirebilir. LangChain veya LlamaIndex gibi kapsaml\u0131 framework’ler, geni\u015f \u00f6zellik setleri sunarken, k\u00fc\u00e7\u00fck \u00f6l\u00e7ekli projeler veya h\u0131zl\u0131 prototipleme i\u00e7in bazen fazla gelebilir. \u0130\u015fte tam da bu noktada LightRAG’\u0131n de\u011feri ortaya \u00e7\u0131k\u0131yor. LightRAG, RAG yakla\u015f\u0131m\u0131n\u0131 basitle\u015ftirmeyi, daha eri\u015filebilir k\u0131lmay\u0131 ve geli\u015ftiricilere minimum ba\u011f\u0131ml\u0131l\u0131kla maksimum esneklik sunmay\u0131 hedefler. Amac\u0131, RAG’\u0131n g\u00fcc\u00fcn\u00fc, gereksiz karma\u015f\u0131kl\u0131klardan ar\u0131nd\u0131rarak daha geni\u015f bir kitleye ula\u015ft\u0131rmakt\u0131r. H\u0131zl\u0131 kurulumu, sezgisel API’si ve hafif yap\u0131s\u0131yla LightRAG, geli\u015ftiricilere RAG sistemlerini \u00e7ok daha k\u0131sa s\u00fcrede hayata ge\u00e7irme imkan\u0131 sunar. \u00d6zellikle, ba\u015flang\u0131\u00e7 seviyesindeki geli\u015ftiriciler i\u00e7in m\u00fckemmel bir \u00f6\u011frenme arac\u0131 olmas\u0131n\u0131n yan\u0131 s\u0131ra, deneyimli geli\u015ftiricilerin de h\u0131zl\u0131 prototipleme ve test s\u00fcre\u00e7lerinde tercih edebilece\u011fi pratik bir \u00e7\u00f6z\u00fcmd\u00fcr. \u00d6zetle, LightRAG, RAG’\u0131n faydalar\u0131n\u0131 korurken, bu teknolojiyi daha “eller serbest” ve “dostane” bir \u015fekilde kullanmam\u0131z\u0131 sa\u011flar, b\u00f6ylece LLM’lerimizi daha ak\u0131ll\u0131 ve bilgili hale getirme s\u00fcrecini kolayla\u015ft\u0131r\u0131r.<\/p>\n
Retrieval Augmented Generation (RAG) mimarisi, b\u00fcy\u00fck dil modellerinin (LLM) bilgi yetene\u011fini harici veri kaynaklar\u0131yla g\u00fc\u00e7lendirmek i\u00e7in birka\u00e7 temel bile\u015fenden olu\u015fur. LightRAG bu bile\u015fenleri sade ve anla\u015f\u0131l\u0131r bir yap\u0131yla bir araya getirerek, karma\u015f\u0131k RAG sistemlerini daha ula\u015f\u0131labilir k\u0131lar. Peki, bu bile\u015fenler nelerdir ve LightRAG bunlar\u0131 nas\u0131l entegre eder?<\/p>\n
\u00d6ncelikle, bir RAG sisteminin bel kemi\u011fi, Dok\u00fcman Kaynaklar\u0131<\/strong>d\u0131r. Bunlar, PDF dosyalar\u0131, web sayfalar\u0131, veritabanlar\u0131 veya d\u00fcz metin dosyalar\u0131 gibi \u00e7e\u015fitli formatlarda olabilir. LightRAG, bu kaynaklardan bilgiyi \u00e7ekmek i\u00e7in esnek bir yap\u0131 sunar. \u0130kinci ad\u0131m, \u00e7ekilen bu dok\u00fcmanlar\u0131 “Chunking”<\/strong> ad\u0131 verilen bir s\u00fcre\u00e7le daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir par\u00e7alara b\u00f6lmektir. LLM’lerin ba\u011flam penceresi s\u0131n\u0131rl\u0131 oldu\u011fundan, t\u00fcm bir dok\u00fcman\u0131 tek seferde i\u015flemek genellikle m\u00fcmk\u00fcn de\u011fildir. Chunking, metinleri anlam b\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc koruyarak k\u00fc\u00e7\u00fck par\u00e7alara ay\u0131r\u0131r, b\u00f6ylece daha alakal\u0131 bilgiler daha kolay bulunabilir. Bu par\u00e7alama i\u015flemi, belirli bir kelime say\u0131s\u0131na, paragraf s\u0131n\u0131rlar\u0131na veya \u00f6zel ay\u0131r\u0131c\u0131lara g\u00f6re yap\u0131labilir. LightRAG, bu stratejileri \u00f6zelle\u015ftirme imkan\u0131 sunar, b\u00f6ylece veri setinize en uygun par\u00e7alama y\u00f6ntemini uygulayabilirsiniz.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc ve kritik bile\u015fen ise G\u00f6mme Modelleri (Embedding Models)<\/strong>dir. Bu modeller, metin par\u00e7alar\u0131n\u0131 say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu vekt\u00f6rler, metnin anlamsal i\u00e7eri\u011fini matematiksel olarak temsil eder. Yani, anlamsal olarak birbirine yak\u0131n olan metinler, vekt\u00f6r uzay\u0131nda da birbirine yak\u0131n konumlan\u0131r. \u00d6rne\u011fin, “k\u00f6pek” ve “kedi” kelimeleri, “araba” kelimesine g\u00f6re vekt\u00f6r uzay\u0131nda daha yak\u0131n olacakt\u0131r. LightRAG, pop\u00fcler embedding modellerini entegre etmenize olanak tan\u0131r, bu da semantik arama yetene\u011finizi do\u011frudan etkiler. Bu g\u00f6mme vekt\u00f6rleri daha sonra Vekt\u00f6r Veritaban\u0131 (Vector Store)<\/strong> olarak adland\u0131r\u0131lan \u00f6zel bir veritaban\u0131nda saklan\u0131r. Vekt\u00f6r veritabanlar\u0131, y\u00fcksek boyutlu vekt\u00f6rler aras\u0131nda h\u0131zl\u0131 ve verimli benzerlik aramalar\u0131 yapmak \u00fczere optimize edilmi\u015ftir. Bir kullan\u0131c\u0131 sorgusu geldi\u011finde, bu sorgu da ayn\u0131 embedding modeliyle vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve vekt\u00f6r veritaban\u0131nda bu sorguya en benzer metin par\u00e7alar\u0131 aran\u0131r. LightRAG, in-memory (bellek i\u00e7i) basit \u00e7\u00f6z\u00fcmlerden, daha geli\u015fmi\u015f FAISS veya Annoy gibi k\u00fct\u00fcphanelerle entegrasyona kadar \u00e7e\u015fitli vekt\u00f6r depolama se\u00e7enekleri sunar.<\/p>\n Son olarak, RAG sisteminin kalbi olan LLM (Large Language Model)<\/strong>, yani \u00fcretici model, \u00e7ekilen alakal\u0131 metin par\u00e7alar\u0131n\u0131 ve kullan\u0131c\u0131n\u0131n orijinal sorusunu birle\u015ftirerek nihai cevab\u0131 \u00fcretir. LightRAG, bu s\u00fcreci basit bir aray\u00fczle y\u00f6netmenizi sa\u011flar. Kullan\u0131c\u0131 bir soru sordu\u011funda:<\/p>\n LightRAG’\u0131n felsefesi, bu ad\u0131mlar\u0131 olabildi\u011fince az ba\u011f\u0131ml\u0131l\u0131kla, mod\u00fcler ve Pythonik bir \u015fekilde sunmakt\u0131r. Bu sayede geli\u015ftiriciler, RAG sisteminin her a\u015famas\u0131n\u0131 daha iyi kontrol edebilir, kolayca \u00f6zelle\u015ftirebilir ve h\u0131zl\u0131 bir \u015fekilde test edebilirler. Minimal ba\u011f\u0131ml\u0131l\u0131k ve esnek entegrasyon yetenekleri sayesinde, LightRAG hem ba\u015flang\u0131\u00e7 seviyesindeki geli\u015ftiriciler i\u00e7in bir \u00f6\u011frenme platformu hem de deneyimli geli\u015ftiriciler i\u00e7in h\u0131zl\u0131 prototipleme ve \u00f6zel \u00e7\u00f6z\u00fcmler \u00fcretme arac\u0131 olarak \u00f6ne \u00e7\u0131kar.<\/p>\n LightRAG ile RAG d\u00fcnyas\u0131na ad\u0131m atmak d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcn\u00fczden \u00e7ok daha kolay. Bu b\u00f6l\u00fcmde, LightRAG’\u0131 sisteminize kuracak ve ilk basit RAG uygulaman\u0131z\u0131 nas\u0131l geli\u015ftirece\u011finizi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz. Amac\u0131m\u0131z, en temel bile\u015fenleri kullanarak bir metin dok\u00fcman\u0131n\u0131 indekslemek ve ard\u0131ndan bu dok\u00fcman \u00fczerinden sorgulama yaparak ilgili cevaplar\u0131 almakt\u0131r.<\/p>\n Herhangi bir Python projesinde oldu\u011fu gibi, LightRAG i\u00e7in de bir sanal ortam olu\u015fturmak iyi bir uygulamad\u0131r. Bu, ba\u011f\u0131ml\u0131l\u0131k \u00e7ak\u0131\u015fmalar\u0131n\u0131 \u00f6nler ve projenizin izole kalmas\u0131n\u0131 sa\u011flar. Sanal ortam\u0131n\u0131z\u0131 olu\u015fturup etkinle\u015ftirdikten sonra, LightRAG’\u0131 ve metin g\u00f6mme modelleri i\u00e7in gerekli olan <\/code><\/kod><\/p>\n Kurulum tamamland\u0131ktan sonra, LightRAG'\u0131 kullanmaya haz\u0131rs\u0131n\u0131z. Basit bir \u00f6rnek i\u00e7in, birka\u00e7 c\u00fcmle i\u00e7eren d\u00fcz bir metin dosyas\u0131 olu\u015ftural\u0131m. Bu dosya, RAG sistemimizin \"bilgi taban\u0131n\u0131\" olu\u015fturacak.<\/p>\n <\/code><\/kod><\/p>\n Bu metin dosyam\u0131z art\u0131k RAG sistemimizin temelini olu\u015fturacak. \u015eimdi, bu belgeden nas\u0131l bilgi \u00e7ekece\u011fimizi g\u00f6relim.<\/p>\n LightRAG'\u0131n g\u00fcc\u00fc, dok\u00fcmanlar\u0131 y\u00fckleme, par\u00e7alama, g\u00f6mme ve vekt\u00f6r veritaban\u0131nda indeksleme s\u00fcre\u00e7lerini soyutlamas\u0131d\u0131r. \u0130\u015fte temel bir RAG ak\u0131\u015f\u0131 i\u00e7in ad\u0131m ad\u0131m Python kodu:<\/p>\n <\/code><\/kod><\/p>\n Bu kod blo\u011fu, LightRAG ile RAG sisteminin temel ak\u0131\u015f\u0131n\u0131 g\u00f6stermektedir. \u0130lk olarak, Bu ad\u0131mlar sayesinde, LightRAG'\u0131n esnek ve mod\u00fcler yap\u0131s\u0131n\u0131 kullanarak kendi bilgi taban\u0131n\u0131z\u0131 h\u0131zl\u0131ca olu\u015fturabilir ve \u00fczerinde sorgulamalar yapabilirsiniz. Bu, RAG'\u0131n temelini anlamak ve pratik bir uygulama geli\u015ftirmek i\u00e7in harika bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r.<\/p>\n LightRAG'\u0131n g\u00fcc\u00fc, sadece teorik \u00f6rneklerle s\u0131n\u0131rl\u0131 de\u011fildir; ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zme potansiyeli ta\u015f\u0131r. Bu b\u00f6l\u00fcmde, bir \u015firketin bilgi y\u00f6netimi s\u00fcre\u00e7lerini LightRAG ile nas\u0131l iyile\u015ftirebilece\u011fine dair iki farkl\u0131 vaka analizini ve uygulamas\u0131n\u0131 inceleyece\u011fiz. Bu senaryolar, LightRAG'\u0131n esnekli\u011fini ve pratik faydalar\u0131n\u0131 g\u00f6zler \u00f6n\u00fcne serecektir.<\/p>\n Her \u015firket, m\u00fc\u015fterilerinden gelen s\u0131k\u00e7a sorulan sorulara (SSS) yan\u0131t vermek i\u00e7in b\u00fcy\u00fck bir bilgi taban\u0131na veya dok\u00fcman ar\u015fivine sahiptir. Ancak, bu dok\u00fcmanlar genellikle PDF'ler, Word dosyalar\u0131 veya web sayfalar\u0131 gibi farkl\u0131 formatlarda da\u011f\u0131n\u0131k halde bulunabilir. M\u00fc\u015fteri destek ekipleri, bir soru geldi\u011finde do\u011fru bilgiyi bulmakta zaman kaybedebilir veya tutars\u0131z cevaplar verebilir. Bu durum, m\u00fc\u015fteri memnuniyetini olumsuz etkileyebilir ve operasyonel maliyetleri art\u0131rabilir.<\/p>\n Sorun:<\/strong> B\u00fcy\u00fck ve da\u011f\u0131n\u0131k bir SSS veritaban\u0131nda bilgi arama zorlu\u011fu, tutars\u0131z m\u00fc\u015fteri yan\u0131tlar\u0131 ve destek ekiplerinin verimsizli\u011fi.<\/p>\n LightRAG \u00c7\u00f6z\u00fcm\u00fc:<\/strong> LightRAG kullanarak \u015firketin t\u00fcm SSS dok\u00fcmanlar\u0131n\u0131 merkezi bir bilgi havuzunda indeksleyebiliriz. M\u00fc\u015fteri temsilcileri, do\u011fal dil kullanarak sorular\u0131n\u0131 sorabilir ve LightRAG destekli sistem an\u0131nda en alakal\u0131 ve do\u011fru bilgiyi \u00e7ekerek onlara sunar. Bu sayede, cevap verme s\u00fcresi k\u0131sal\u0131r, tutarl\u0131l\u0131k sa\u011flan\u0131r ve m\u00fc\u015fteri memnuniyeti artar.<\/p>\n \u0130\u015fte bu senaryo i\u00e7in basitle\u015ftirilmi\u015f bir Python kodu \u00f6rne\u011fi:<\/p>\n <\/code><\/kod><\/p>\n Bu \u00f6rnek, LightRAG'\u0131n \u015firket i\u00e7i dok\u00fcmanlar\u0131 nas\u0131l ak\u0131ll\u0131 bir \u015fekilde sorgulanabilir hale getirebilece\u011fini g\u00f6steriyor. Metadata kullan\u0131m\u0131 sayesinde, \u00e7ekilen belgelerle birlikte daha fazla ba\u011flamsal bilgi de sunulabilir, bu da yan\u0131tlar\u0131n do\u011frulu\u011funu ve kullan\u0131\u015fl\u0131l\u0131\u011f\u0131n\u0131 art\u0131r\u0131r.<\/p>\n LightRAG'\u0131 sadece kurup \u00e7al\u0131\u015ft\u0131rmakla kalmay\u0131p, ondan en iyi performans\u0131 almak i\u00e7in baz\u0131 optimizasyon stratejileri uygulayabilirsiniz. Bu ipu\u00e7lar\u0131, RAG sisteminizin daha h\u0131zl\u0131, daha do\u011fru ve daha verimli \u00e7al\u0131\u015fmas\u0131na yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n Son olarak, mobil uyumluluk a\u00e7\u0131s\u0131ndan, LightRAG'\u0131n \u00fcretti\u011fi HTML i\u00e7eri\u011fi do\u011frudan mobil bir uygulamada g\u00f6r\u00fcnt\u00fclenmek \u00fczere tasarlanmasa da, \u00e7\u0131kt\u0131 HTML'i modern web standartlar\u0131na uygun olmal\u0131d\u0131r. Geli\u015ftiriciler, bu i\u00e7eri\u011fi mobil uygulamalar\u0131nda veya duyarl\u0131 web sitelerinde g\u00f6r\u00fcnt\u00fclerken, CSS Bu makalede, B\u00fcy\u00fck Dil Modellerinin (LLM) bilgi s\u0131n\u0131rl\u0131l\u0131klar\u0131n\u0131 a\u015fman\u0131n etkili bir yolu olan Retrieval Augmented Generation (RAG) yakla\u015f\u0131m\u0131n\u0131 ve bu yakla\u015f\u0131m\u0131 basitle\u015ftiren LightRAG k\u00fct\u00fcphanesini derinlemesine inceledik. LightRAG'\u0131n neden \u00f6nemli oldu\u011funu, temel RAG mimarisinin bile\u015fenlerini ve LightRAG'\u0131n bunlar\u0131 nas\u0131l sadele\u015ftirdi\u011fini \u00f6\u011frendik. Ad\u0131m ad\u0131m kurulumdan basit bir RAG uygulamas\u0131 geli\u015ftirmeye kadar pratik bir rehber sunduk ve ger\u00e7ek d\u00fcnya senaryolar\u0131nda, \u00f6zellikle m\u00fc\u015fteri destek bilgi taban\u0131 olu\u015fturmada nas\u0131l kullan\u0131labilece\u011fine dair vaka analizlerini ele ald\u0131k. Ayr\u0131ca, RAG sistemlerinizin performans\u0131n\u0131 optimize etmek i\u00e7in chunking stratejileri, embedding modeli se\u00e7imi ve sorgu iyile\u015ftirme gibi ileri d\u00fczey ipu\u00e7lar\u0131n\u0131 payla\u015ft\u0131k.<\/p>\n LightRAG, RAG'\u0131n karma\u015f\u0131k d\u00fcnyas\u0131na giri\u015f yapmak isteyenler i\u00e7in m\u00fckemmel bir ba\u015flang\u0131\u00e7 noktas\u0131 sunarken, deneyimli geli\u015ftiricilere de h\u0131zl\u0131 prototipleme ve esnek \u00f6zelle\u015ftirme imkanlar\u0131 sunar. Hafif yap\u0131s\u0131, minimum ba\u011f\u0131ml\u0131l\u0131klar\u0131 ve Pythonik aray\u00fcz\u00fc sayesinde, geli\u015ftiriciler art\u0131k LLM'lerini daha bilgili, g\u00fcncel ve ba\u011flama uygun yan\u0131tlar \u00fcretebilen g\u00fc\u00e7l\u00fc ara\u00e7lara d\u00f6n\u00fc\u015ft\u00fcrebilirler. Bilgiye eri\u015fimi yeniden tan\u0131mlayan LightRAG ile projelerinizi bir \u00fcst seviyeye ta\u015f\u0131yarak, yapay zeka uygulamalar\u0131n\u0131z\u0131n potansiyelini tam olarak kullanabilirsiniz.<\/p>\n 1. LightRAG di\u011fer RAG k\u00fct\u00fcphanelerinden neden farkl\u0131d\u0131r?<\/strong><\/p>\n LightRAG, \u00f6zellikle hafifli\u011fi, minimal ba\u011f\u0131ml\u0131l\u0131klar\u0131 ve mod\u00fcler yap\u0131s\u0131yla \u00f6ne \u00e7\u0131kar. LangChain veya LlamaIndex gibi daha kapsaml\u0131 framework'lere k\u0131yasla daha az \"boilerplate\" kod gerektirir ve geli\u015ftiricilere her bile\u015fen \u00fczerinde daha fazla kontrol sunar. H\u0131zl\u0131 prototipleme ve \u00f6zel \u00e7\u00f6z\u00fcmler i\u00e7in idealdir.<\/p>\n 2. LightRAG hangi embedding modellerini destekler?<\/strong><\/p>\n LightRAG, 3. LightRAG b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015fabilir mi?<\/strong><\/p>\n Evet, LightRAG b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015fabilecek \u015fekilde tasarlanm\u0131\u015ft\u0131r. Dahili olarak, vekt\u00f6r veritaban\u0131 entegrasyonu sayesinde milyonlarca belgeyi i\u015fleyebilir. Ancak, \u00e7ok b\u00fcy\u00fck veri setleri i\u00e7in in-memory (bellek i\u00e7i) vekt\u00f6r veritabanlar\u0131 yerine FAISS, Annoy gibi k\u00fct\u00fcphaneler veya Pinecone, Weaviate gibi harici vekt\u00f6r veritaban\u0131 servisleriyle entegrasyon d\u00fc\u015f\u00fcn\u00fclmelidir.<\/p>\n 4. LightRAG \u00fcretim ortam\u0131nda kullan\u0131labilir mi?<\/strong><\/p>\n Kesinlikle. LightRAG'\u0131n hafif ve mod\u00fcler yap\u0131s\u0131, onu \u00fcretim ortamlar\u0131 i\u00e7in de uygun k\u0131lar. \u00d6zellikle h\u0131zl\u0131 yan\u0131t s\u00fcreleri ve d\u00fc\u015f\u00fck kaynak t\u00fcketimi gerektiren uygulamalarda avantaj sa\u011flayabilir. Ancak, \u00fcretimde kullanmadan \u00f6nce kapsaml\u0131 testler yapmak ve hata y\u00f6netimi, \u00f6l\u00e7eklenebilirlik gibi konular\u0131 g\u00f6z \u00f6n\u00fcnde bulundurmak \u00f6nemlidir.<\/p>\n 5. LightRAG ile hangi t\u00fcr dok\u00fcmanlar\u0131 i\u015fleyebilirim?<\/strong><\/p>\n LightRAG, metin tabanl\u0131 her t\u00fcrl\u00fc dok\u00fcman\u0131 i\u015fleyebilir. D\u00fcz metin dosyalar\u0131, PDF'ler, Word belgeleri, Markdown dosyalar\u0131 veya web sayfalar\u0131 gibi farkl\u0131 kaynaklardan gelen metinleri <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"B\u00fcy\u00fck dil modellerinin (LLM) s\u00fcrekli geli\u015fimiyle birlikte, bilgiye dayal\u0131 ve g\u00fcncel yan\u0131tlar sunma ihtiyac\u0131 da art\u0131yor. Ancak LLM’ler,…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-32953","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n\n
LightRAG ile \u0130lk Ad\u0131mlar\u0131n\u0131z: Kurulum ve Basit Bir RAG Uygulamas\u0131 Nas\u0131l Geli\u015ftirilir?<\/h2>\n
Ortam Haz\u0131rl\u0131\u011f\u0131 ve LightRAG Kurulumu: H\u0131zl\u0131 Ba\u015flang\u0131\u00e7 Rehberi<\/h3>\n
sentence-transformers<\/code> k\u00fct\u00fcphanesini kurabilirsiniz. \u0130\u015fte gerekli komutlar:<\/p>\n\n# Sanal ortam olu\u015fturma ve etkinle\u015ftirme (iste\u011fe ba\u011fl\u0131 ama \u00f6nerilir)\npython -m venv lightrag_env\nsource lightrag_env\/bin\/activate # Linux\/macOS\n# lightrag_env\\Scripts\\activate # Windows\n\n# LightRAG ve sentence-transformers kurulumu\npip install lightrag sentence-transformers\n<\/pre>\n\n# ornek_belge.txt ad\u0131nda bir dosya olu\u015fturun\nwith open(\"ornek_belge.txt\", \"w\", encoding=\"utf-8\") as f:\n f.write(\"LightRAG, Retrieval Augmented Generation (RAG) uygulamalar\u0131n\u0131 basitle\u015ftiren hafif bir Python k\u00fct\u00fcphanesidir.\\n\")\n f.write(\"B\u00fcy\u00fck dil modellerinin bilgi eksikliklerini gidermek i\u00e7in tasarlanm\u0131\u015ft\u0131r.\\n\")\n f.write(\"G\u00f6mme modelleri ve vekt\u00f6r veritabanlar\u0131 ile entegrasyonu kolayd\u0131r.\\n\")\n f.write(\"H\u0131zl\u0131 prototipleme ve \u00f6zel \u00e7\u00f6z\u00fcmler i\u00e7in idealdir.\\n\")\n f.write(\"Yapay zeka alan\u0131nda \u00e7al\u0131\u015fan geli\u015ftiricilere b\u00fcy\u00fck kolayl\u0131klar sunar.\\n\")\n f.write(\"LightRAG, performans ve esnekli\u011fi bir arada sunar.\\n\")\n<\/pre>\nBelgeleri Y\u00fckleme, \u0130\u015fleme ve Sorgulama: Temel RAG Ak\u0131\u015f\u0131<\/h3>\n
\nfrom lightrag.core import Document, DocumentStore, Rag\nfrom lightrag.models.sentence_transformers import SentenceTransformerEmbedder\nfrom lightrag.retrievers import DenseRetriever\nfrom lightrag.rankers import Rerank\nfrom lightrag.generators import TransformersGenerator\n\n# 1. Dok\u00fcmanlar\u0131 y\u00fckleme ve olu\u015fturma\n# ornek_belge.txt dosyas\u0131ndaki her sat\u0131r\u0131 ayr\u0131 bir dok\u00fcman olarak kabul edelim\nwith open(\"ornek_belge.txt\", \"r\", encoding=\"utf-8\") as f:\n text_content = f.read()\n\n# Metni basit\u00e7e sat\u0131r sat\u0131r par\u00e7alayal\u0131m (chunking stratejisini burada manuel uyguluyoruz)\n# Normalde LightRAG'\u0131n kendi chunking ara\u00e7lar\u0131n\u0131 kullanabilirsiniz.\ndocuments = [Document(content=line.strip()) for line in text_content.split('\\n') if line.strip()]\n\n# 2. Dok\u00fcmanlar\u0131 depolayacak bir DocumentStore olu\u015fturma\n# LightRAG, yerel bir bellek i\u00e7i vekt\u00f6r veritaban\u0131 ile gelir.\ndocument_store = DocumentStore()\ndocument_store.add_documents(documents)\n\n# 3. G\u00f6mme Modeli (Embedding Model) ayarlama\n# 'all-MiniLM-L6-v2' yayg\u0131n olarak kullan\u0131lan hafif bir modeldir.\nembedder = SentenceTransformerEmbedder(model_name=\"all-MiniLM-L6-v2\")\n\n# 4. Retriever (Bilgi \u00c7ekici) ayarlama\n# DenseRetriever, g\u00f6mme modelleri ile vekt\u00f6r benzerli\u011fi aramas\u0131 yapar.\nretriever = DenseRetriever(embedder=embedder, document_store=document_store)\n\n# 5. Opsiyonel: Ranker (S\u0131ralay\u0131c\u0131) ayarlama\n# Rerank, \u00e7ekilen dok\u00fcmanlar\u0131 daha alakal\u0131 hale getirmek i\u00e7in yeniden s\u0131ralar.\n# Bu \u00f6rnek i\u00e7in kullanmayabiliriz, ancak daha geli\u015fmi\u015f senaryolarda faydal\u0131d\u0131r.\n# ranker = Rerank()\n\n# 6. Generator (\u00dcretici) ayarlama - Bu \u00f6rnekte basit\u00e7e \u00e7ekilen i\u00e7eri\u011fi d\u00f6nd\u00fcrece\u011fiz\n# Ger\u00e7ek bir LLM entegrasyonu i\u00e7in TransformersGenerator veya OpenAIGenerator kullan\u0131labilir.\n# Basitlik ad\u0131na, \u015fimdilik sadece \u00e7ekilen dok\u00fcmanlar\u0131n i\u00e7eri\u011fini d\u00f6nd\u00fcrelim.\nclass SimpleGenerator(TransformersGenerator): # TransformersGenerator'dan t\u00fcretiyoruz ama temel bir mant\u0131kla kullan\u0131yoruz\n def generate(self, query: str, retrieved_docs: list[Document], **kwargs) -> str:\n if retrieved_docs:\n context = \"\\n\".join([doc.content for doc in retrieved_docs])\n return f\"Sorguya yan\u0131t olarak \u015fu bilgileri buldum:\\n{context}\\n\\nOrijinal Sorgu: {query}\"\n return \"\u00dczg\u00fcn\u00fcm, sorunuzla ilgili bir bilgi bulamad\u0131m.\"\n\ngenerator = SimpleGenerator()\n\n# 7. RAG Pipeline'\u0131 olu\u015fturma\nrag_pipeline = Rag(retriever=retriever, generator=generator)\n\n# 8. Sorgulama yapma\nquery = \"LightRAG ne i\u00e7in kullan\u0131l\u0131r?\"\nresponse = rag_pipeline.retrieve_and_generate(query=query)\nprint(response)\n\nprint(\"\\n--- \u0130kinci Sorgu ---\")\nquery_2 = \"LightRAG'\u0131n avantajlar\u0131 nelerdir?\"\nresponse_2 = rag_pipeline.retrieve_and_generate(query=query_2)\nprint(response_2)\n<\/pre>\nDocument<\/code> nesneleri olu\u015fturulur ve bir DocumentStore<\/code>'a eklenir. Ard\u0131ndan, metinleri vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrecek bir SentenceTransformerEmbedder<\/code> ve bu vekt\u00f6rleri kullanarak benzer metinleri bulacak bir DenseRetriever<\/code> yap\u0131land\u0131r\u0131l\u0131r. Bu \u00f6rnekte, bir SimpleGenerator<\/code> kullanarak \u00e7ekilen dok\u00fcmanlar\u0131n i\u00e7eri\u011fini do\u011frudan d\u00f6nd\u00fcr\u00fcyoruz. Ger\u00e7ek d\u00fcnya senaryolar\u0131nda, bu k\u0131s\u0131m genellikle bir OpenAI API veya Hugging Face Transformers tabanl\u0131 bir LLM ile entegre edilerek daha sofistike yan\u0131tlar \u00fcretir.<\/p>\nGer\u00e7ek D\u00fcnya Uygulamalar\u0131: \u015eirket \u0130\u00e7in Ak\u0131ll\u0131 Asistan ve Teknik Dok\u00fcman Sorgulama<\/h2>\n
Vaka Analizi: M\u00fc\u015fteri Destek \u0130\u00e7in Bilgi Taban\u0131 Olu\u015fturma<\/h3>\n
\nfrom lightrag.core import Document, DocumentStore, Rag\nfrom lightrag.models.sentence_transformers import SentenceTransformerEmbedder\nfrom lightrag.retrievers import DenseRetriever\nfrom lightrag.generators import TransformersGenerator # Veya OpenAIGenerator\n\n# Sim\u00fcle edilmi\u015f \u015firket i\u00e7i SSS belgeleri\n# Ger\u00e7ekte, bu belgeler PDF, DOCX gibi dosyalardan okunabilir.\ncompany_faqs_data = [\n {\"id\": \"faq_001\", \"content\": \"\u00dcr\u00fcnlerinizin garanti s\u00fcresi ne kadar? T\u00fcm \u00fcr\u00fcnlerimizde 2 y\u0131l garanti sunuyoruz.\"},\n {\"id\": \"faq_002\", \"content\": \"Kargo \u00fccretleri nas\u0131l hesaplan\u0131r? Kargo \u00fccreti, sipari\u015finizin a\u011f\u0131rl\u0131\u011f\u0131na ve teslimat adresine g\u00f6re de\u011fi\u015fir.\"},\n {\"id\": \"faq_003\", \"content\": \"\u0130ade ve de\u011fi\u015fim politikalar\u0131n\u0131z nelerdir? Kullan\u0131lmam\u0131\u015f \u00fcr\u00fcnleri 14 g\u00fcn i\u00e7inde iade edebilirsiniz.\"},\n {\"id\": \"faq_004\", \"content\": \"M\u00fc\u015fteri hizmetleri ile nas\u0131l ileti\u015fime ge\u00e7ebilirim? Haftan\u0131n 7 g\u00fcn\u00fc 09:00-18:00 aras\u0131 telefonla veya e-posta ile ula\u015fabilirsiniz.\"},\n {\"id\": \"faq_005\", \"content\": \"\u00d6deme y\u00f6ntemleriniz nelerdir? Kredi kart\u0131, banka havalesi ve kap\u0131da \u00f6deme se\u00e7eneklerimiz mevcuttur.\"},\n]\n\n# Dok\u00fcmanlar\u0131 LightRAG format\u0131na d\u00f6n\u00fc\u015ft\u00fcrme ve metadata ekleme\nfaq_documents = [\n Document(content=item[\"content\"], metadata={\"source\": \"Company FAQ\", \"faq_id\": item[\"id\"]})\n for item in company_faqs_data\n]\n\n# Dok\u00fcman deposu ve embedder ayarlamas\u0131\nfaq_document_store = DocumentStore()\nfaq_document_store.add_documents(faq_documents)\n\nfaq_embedder = SentenceTransformerEmbedder(model_name=\"all-MiniLM-L6-v2\")\nfaq_retriever = DenseRetriever(embedder=faq_embedder, document_store=faq_document_store)\n\n# Basit bir jenerat\u00f6r (ger\u00e7ek LLM entegrasyonu i\u00e7in geni\u015fletilebilir)\nclass FAQGenerator(TransformersGenerator):\n def generate(self, query: str, retrieved_docs: list[Document], **kwargs) -> str:\n if retrieved_docs:\n context = \"\\n\".join([doc.content for doc in retrieved_docs])\n return f\"Sorguya yan\u0131t olarak bilgi taban\u0131m\u0131zdan \u015funlar\u0131 buldum:\\n{context}\\n\\nOrijinal Soru: {query}\"\n return \"\u00dczg\u00fcn\u00fcm, sorunuzla ilgili bir bilgi bulamad\u0131m.\"\n\nfaq_generator = FAQGenerator()\n\nfaq_rag_pipeline = Rag(retriever=faq_retriever, generator=faq_generator)\n\n# M\u00fc\u015fteri temsilcisinden gelen bir sorgu\ncustomer_query = \"\u00dcr\u00fcn iadesi i\u00e7in ne yapmal\u0131y\u0131m?\"\nresponse = faq_rag_pipeline.retrieve_and_generate(query=customer_query)\nprint(response)\n\nprint(\"\\n--- Ba\u015fka bir sorgu ---\")\ncustomer_query_2 = \"Kargo \u00fccretleri sabit mi?\"\nresponse_2 = faq_rag_pipeline.retrieve_and_generate(query=customer_query_2)\nprint(response_2)\n<\/pre>\nSorgu Optimizasyonu ve Performans \u0130pu\u00e7lar\u0131: LightRAG'\u0131 Daha Etkili Kullanma<\/h3>\n
\n
chunk_size<\/code> (par\u00e7a boyutu) ve chunk_overlap<\/code> (par\u00e7a \u00e7ak\u0131\u015fmas\u0131) parametreleri \u00e7ok \u00f6nemlidir. \u00c7ok k\u00fc\u00e7\u00fck par\u00e7alar, ba\u011flam\u0131 kaybetmenize neden olabilirken, \u00e7ok b\u00fcy\u00fck par\u00e7alar LLM'in ba\u011flam penceresini a\u015fabilir ve g\u00fcr\u00fclt\u00fc ekleyebilir. Genellikle 250-500 kelimelik par\u00e7alar iyi bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r, ancak bu, verinizin do\u011fas\u0131na g\u00f6re ayarlanmal\u0131d\u0131r. \u00c7ak\u0131\u015fma eklemek, par\u00e7alar aras\u0131ndaki anlamsal bo\u015fluklar\u0131 kapatmaya yard\u0131mc\u0131 olur.\n <\/li>\nall-MiniLM-L6-v2<\/code> gibi modeller hafif ve h\u0131zl\u0131d\u0131r, ancak daha b\u00fcy\u00fck ve dil spesifik modeller (\u00f6rn. intfloat\/multilingual-e5-large<\/code> veya OpenAI'nin modelleri) daha iyi anlamsal do\u011fruluk sunabilir. Projenizin gereksinimlerine ve b\u00fct\u00e7enize g\u00f6re en uygun modeli se\u00e7melisiniz.\n <\/li>\nDenseRetriever<\/code>'dan d\u00f6necek top_k<\/code> (en iyi k adet sonu\u00e7) say\u0131s\u0131 \u00f6nemlidir. \u00c7ok az sonu\u00e7 d\u00f6nd\u00fcrmek \u00f6nemli bilgileri ka\u00e7\u0131rman\u0131za, \u00e7ok fazla sonu\u00e7 d\u00f6nd\u00fcrmek ise LLM'in kafas\u0131n\u0131 kar\u0131\u015ft\u0131rmas\u0131na yol a\u00e7abilir. Genellikle 3-5 sonu\u00e7 iyi bir dengedir. Ayr\u0131ca, e\u011fer dok\u00fcmanlar\u0131n\u0131zda metadata varsa, bu metadatalar\u0131 kullanarak aramay\u0131 filtreleyebilir (\u00f6rne\u011fin, sadece belirli bir departmana ait dok\u00fcmanlarda arama yapmak) ve alaka d\u00fczeyini art\u0131rabilirsiniz.\n <\/li>\nfunctools.lru_cache<\/code> veya Redis gibi harici bir \u00f6nbellekleme \u00e7\u00f6z\u00fcm\u00fc entegre edilebilir.\n <\/li>\n<\/ul>\nmedia query<\/code>'ler kullanarak ekran boyutlar\u0131na ve cihaz \u00f6zelliklerine g\u00f6re d\u00fczenlemeler yapabilirler. \u00d6rne\u011fin, k\u00fc\u00e7\u00fck ekranlar i\u00e7in yaz\u0131 tipi boyutunu ayarlamak veya resimlerin geni\u015fli\u011fini otomatik olarak ayarlamak gibi i\u015flemler, i\u00e7eri\u011fin mobil cihazlarda okunabilirli\u011fini ve kullan\u0131c\u0131 deneyimini art\u0131racakt\u0131r. Bu t\u00fcr uygulamalar genellikle HTML i\u00e7eri\u011finin stilize edilmesiyle (CSS) ve JavaScript ile dinamik etkile\u015fim sa\u011flanmas\u0131yla ger\u00e7ekle\u015ftirilir ve LightRAG'\u0131n \u00e7\u0131kt\u0131s\u0131 bu katmanlar\u0131n kolayca \u00fczerine in\u015fa edilebilir bir temel sunar.<\/p>\nSonu\u00e7: LightRAG ile Bilgiye Eri\u015fimi Yeniden Tan\u0131mlay\u0131n ve SSS<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
sentence-transformers<\/code> k\u00fct\u00fcphanesi arac\u0131l\u0131\u011f\u0131yla Hugging Face \u00fczerinde bulunan bir\u00e7ok pop\u00fcler embedding modelini destekler. Ayr\u0131ca, OpenAI veya di\u011fer sa\u011flay\u0131c\u0131lar\u0131n API tabanl\u0131 embedding modelleriyle de kolayca entegre edilebilir. Bu sayede projenizin ihtiya\u00e7lar\u0131na en uygun modeli se\u00e7me esnekli\u011fine sahip olursunuz.<\/p>\nDocument<\/code> nesnelerine d\u00f6n\u00fc\u015ft\u00fcrd\u00fckten sonra LightRAG pipeline'\u0131nda kullanabilirsiniz. Gerekirse, dok\u00fcmanlar\u0131 metne d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in harici k\u00fct\u00fcphanelerden (\u00f6rn. pypdf<\/code>, python-docx<\/code>) faydalanmak gerekebilir.<\/p>\n