{"id":33874,"date":"2025-11-08T07:32:02","date_gmt":"2025-11-08T04:32:02","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/web-uygulamalarinda-embeddings-ve-rag-derinlemesine-rehber\/"},"modified":"2025-11-08T07:32:02","modified_gmt":"2025-11-08T04:32:02","slug":"web-uygulamalarinda-embeddings-ve-rag-derinlemesine-rehber","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/web-uygulamalarinda-embeddings-ve-rag-derinlemesine-rehber\/","title":{"rendered":"Web Uygulamalar\u0131nda Embeddings ve RAG: Derinlemesine Rehber"},"content":{"rendered":"

Web uygulamalar\u0131n\u0131z\u0131 g\u00fc\u00e7lendirmek i\u00e7in Embeddings ve RAG teknolojilerini mi merak ediyorsunuz? Bu kapsaml\u0131 rehberde, modern yapay zeka tekniklerini s\u0131f\u0131rdan ele alacak, uygulamalar\u0131n\u0131zda nas\u0131l kullanaca\u011f\u0131n\u0131z\u0131 pratik \u00f6rneklerle \u00f6\u011freneceksiniz.<\/p>\n

G\u00fcn\u00fcm\u00fcz dijital d\u00fcnyas\u0131nda, kullan\u0131c\u0131lar web uygulamalar\u0131ndan sadece i\u015flevsellik de\u011fil, ayn\u0131 zamanda ak\u0131ll\u0131, ki\u015fiselle\u015ftirilmi\u015f ve ba\u011flamsal deneyimler bekliyor. Statik i\u00e7erik sunumu ve geleneksel arama algoritmalar\u0131 art\u0131k yetersiz kal\u0131yor; kullan\u0131c\u0131lar\u0131n karma\u015f\u0131k sorular\u0131na anlaml\u0131 yan\u0131tlar verebilen, ilgi alanlar\u0131na \u00f6zel i\u00e7erik \u00f6nerileri sunabilen ve do\u011fal dilde etkile\u015fim kurabilen sistemlere ihtiya\u00e7 duyuluyor. \u0130\u015fte tam da bu noktada, yapay zekan\u0131n iki g\u00fc\u00e7l\u00fc bile\u015feni olan Embeddings ve Retrieval-Augmented Generation (RAG) devreye giriyor.<\/p>\n

Bu makale, web geli\u015ftiricilerinden veri bilimcilere kadar geni\u015f bir kitleye hitap ederek, Embeddings ve RAG’nin temel prensiplerini, web uygulamalar\u0131nda nas\u0131l entegre edilece\u011fini ve ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l de\u011fer yaratabilece\u011fini derinlemesine inceleyecektir. Konuya tamamen yabanc\u0131 olsan\u0131z bile, ad\u0131m ad\u0131m ilerleyen anlat\u0131m, pratik kod \u00f6rnekleri ve vaka analizleri sayesinde bu heyecan verici teknolojileri kendi projelerinize nas\u0131l dahil edebilece\u011finizi ke\u015ffedeceksiniz. Amac\u0131m\u0131z, sadece teorik bilgi vermekle kalmay\u0131p, ayn\u0131 zamanda size bu teknolojileri hayata ge\u00e7irecek somut ara\u00e7lar\u0131 ve bilgileri sunmakt\u0131r.<\/p>\n

G\u00fcn\u00fcm\u00fcz\u00fcn rekabet\u00e7i dijital ortam\u0131nda, bir web uygulamas\u0131n\u0131n yaln\u0131zca temel i\u015flevlerini yerine getirmesi yeterli de\u011fildir. Kullan\u0131c\u0131lar, kulland\u0131klar\u0131 platformlardan daha fazlas\u0131n\u0131 bekliyor: sezgisel arama, ki\u015fiselle\u015ftirilmi\u015f i\u00e7erik ak\u0131\u015flar\u0131, an\u0131nda ve do\u011fru bilgiye eri\u015fim sa\u011flayan ak\u0131ll\u0131 sohbet botlar\u0131 ve genel olarak daha zengin, daha dinamik bir deneyim. Geleneksel arama motorlar\u0131 genellikle anahtar kelime e\u015fle\u015ftirmesine dayan\u0131r ve kullan\u0131c\u0131n\u0131n niyetini veya sorgunun ba\u011flam\u0131n\u0131 tam olarak anlayamaz. Bu durum, alakas\u0131z sonu\u00e7larla dolu bir kullan\u0131c\u0131 deneyimine yol a\u00e7abilir. Benzer \u015fekilde, genel ama\u00e7l\u0131 yapay zeka modelleri bile, kendi e\u011fitim verilerinde bulunmayan veya g\u00fcncel olmayan bilgilere dayal\u0131 sorular\u0131 yan\u0131tlarken “hal\u00fcsinasyon” olarak adland\u0131r\u0131lan yanl\u0131\u015f veya uydurma bilgiler \u00fcretme e\u011filiminde olabilir.<\/p>\n

Peki, bu zorluklar\u0131n \u00fcstesinden nas\u0131l gelinebilir? Cevap, verileri anlama ve \u00fcretme yetene\u011fimizi k\u00f6kten de\u011fi\u015ftiren iki yenilik\u00e7i yapay zeka tekni\u011finde yat\u0131yor: Embeddings ve Retrieval-Augmented Generation (RAG). Bu teknolojiler, web uygulamalar\u0131n\u0131z\u0131n sadece bilgi sunmakla kalmay\u0131p, ayn\u0131 zamanda bilgiyi anlamas\u0131n\u0131, yorumlamas\u0131n\u0131 ve ba\u011flamsal olarak en uygun yan\u0131tlar\u0131 \u00fcretmesini sa\u011flar. D\u00fc\u015f\u00fcn\u00fcn ki bir e-ticaret siteniz var ve kullan\u0131c\u0131lar “bu ak\u015fam giyebilece\u011fim \u015f\u0131k, rahat bir elbise” gibi do\u011fal dilde sorgular yap\u0131yor. Geleneksel bir sistem bu sorguyu anlamakta zorlan\u0131rken, Embeddings ve RAG ile g\u00fc\u00e7lendirilmi\u015f bir sistem, binlerce \u00fcr\u00fcn aras\u0131ndan hem “\u015f\u0131k” hem “rahat” hem de “ak\u015fam” konseptine uyan elbiseleri bulup kullan\u0131c\u0131n\u0131n bedenine ve \u00f6nceki al\u0131\u015fveri\u015f ge\u00e7mi\u015fine g\u00f6re ki\u015fiselle\u015ftirilmi\u015f \u00f6neriler sunabilir. Bu, sadece bir arama kutusundan \u00e7ok daha fazlas\u0131d\u0131r; bu, kullan\u0131c\u0131n\u0131n niyetini anlayan ve ona \u00f6zel bir \u00e7\u00f6z\u00fcm sunan bir ak\u0131ll\u0131 asistand\u0131r.<\/p>\n

Ayr\u0131ca, m\u00fc\u015fteri hizmetleri alan\u0131nda da devrim niteli\u011finde iyile\u015fmeler g\u00f6zlemlenebilir. \u015eirketinizin kapsaml\u0131 bilgi bankas\u0131na sahip oldu\u011funuzu ancak m\u00fc\u015fterilerin belirli bilgilere ula\u015fmakta zorland\u0131\u011f\u0131n\u0131 varsayal\u0131m. Geli\u015fmi\u015f bir RAG sistemi, m\u00fc\u015fterilerin sorular\u0131n\u0131 do\u011fal dilde alabilir, kurum i\u00e7i belgelerinizden en alakal\u0131 b\u00f6l\u00fcmleri otomatik olarak \u00e7ekebilir ve bu bilgilerle zenginle\u015ftirilmi\u015f, do\u011fru ve g\u00fcncel yan\u0131tlar \u00fcretebilir. Bu durum, hem m\u00fc\u015fteri memnuniyetini art\u0131r\u0131r hem de destek ekiplerinizin \u00fczerindeki y\u00fck\u00fc hafifletir. K\u0131sacas\u0131, Embeddings ve RAG, web uygulamalar\u0131n\u0131za sadece ak\u0131l katmakla kalmaz, ayn\u0131 zamanda kullan\u0131c\u0131lar\u0131n platformunuzla etkile\u015fim \u015feklini temelden de\u011fi\u015ftirerek rekabet avantaj\u0131 sa\u011flar. Bu teknolojilere yat\u0131r\u0131m yapmak, sadece bug\u00fcn\u00fcn ihtiya\u00e7lar\u0131n\u0131 kar\u015f\u0131lamakla kalmaz, ayn\u0131 zamanda gelece\u011fin dijital deneyimlerini \u015fekillendirmenize olanak tan\u0131r. \u0130\u015fte bu y\u00fczden, web uygulamalar\u0131n\u0131z\u0131n daha ak\u0131ll\u0131 olmas\u0131 bir l\u00fcks de\u011fil, bir gerekliliktir.<\/p>\n

Temel Kavramlar: Embeddings Nedir ve Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n

Yapay zeka ve do\u011fal dil i\u015fleme (NLP) d\u00fcnyas\u0131nda “Embeddings” kavram\u0131, karma\u015f\u0131k verileri, bilgisayarlar\u0131n anlayabilece\u011fi ve i\u015fleyebilece\u011fi say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrme s\u00fcrecini ifade eder. Basit\u00e7e ifade etmek gerekirse, Embeddings; kelimelerin, c\u00fcmlelerin, paragraflar\u0131n, hatta resimlerin veya seslerin “anlam\u0131n\u0131” yo\u011fun, \u00e7ok boyutlu bir say\u0131 dizisine (vekt\u00f6re) s\u0131k\u0131\u015ft\u0131r\u0131r. Bu vekt\u00f6rler, verilerin semantik ili\u015fkilerini ve benzerliklerini korur. Yani, anlam olarak birbirine yak\u0131n olan kelimeler veya dok\u00fcmanlar, vekt\u00f6r uzay\u0131nda da birbirine yak\u0131n konumlan\u0131r. \u00d6rne\u011fin, “kedi” ve “k\u00f6pek” kelimelerinin Embedding’leri, “araba” kelimesinin Embedding’inden \u00e7ok daha yak\u0131n olacakt\u0131r, \u00e7\u00fcnk\u00fc kedi ve k\u00f6pek ayn\u0131 kategoriye (evcil hayvan) aittir.<\/p>\n

Embeddings’in g\u00fcc\u00fc, makine \u00f6\u011frenimi modellerinin metin gibi yap\u0131land\u0131r\u0131lmam\u0131\u015f verilerle daha etkin bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flamas\u0131ndan gelir. Geleneksel y\u00f6ntemlerde, kelimeler genellikle tekil tan\u0131mlay\u0131c\u0131lar (one-hot encoding) olarak temsil edilir ve bu da kelimeler aras\u0131ndaki ili\u015fkileri g\u00f6z ard\u0131 eder, ayr\u0131ca \u00e7ok b\u00fcy\u00fck veri setlerinde bellek ve hesaplama a\u00e7\u0131s\u0131ndan verimsizdir. Embeddings ise, her kelimenin veya c\u00fcmlenin birden fazla \u00f6zelli\u011fini (\u00f6rne\u011fin, cinsiyet, zaman, konu) yakalayabilen yo\u011fun vekt\u00f6rler olu\u015fturarak bu sorunlar\u0131 \u00e7\u00f6zer. Bu vekt\u00f6rler genellikle y\u00fczlerce veya binlerce boyuta sahip olabilir. Bir Embeddings modelinin temel amac\u0131, verideki \u00f6r\u00fcnt\u00fcleri \u00f6\u011frenmek ve bunlar\u0131 say\u0131sal bir formda temsil etmektir. Bu, genellikle derin \u00f6\u011frenme modelleri (\u00f6rne\u011fin Word2Vec, GloVe, FastText veya BERT, GPT gibi transformat\u00f6r tabanl\u0131 modeller) kullan\u0131larak ger\u00e7ekle\u015ftirilir. Bu modeller, \u00e7ok b\u00fcy\u00fck metin korpuslar\u0131 \u00fczerinde e\u011fitilir ve kelimelerin veya c\u00fcmlelerin hangi ba\u011flamlarda birlikte g\u00f6r\u00fcnd\u00fc\u011f\u00fcn\u00fc \u00f6\u011frenerek onlar\u0131n semantik temsilini olu\u015fturur.<\/p>\n

Embeddings’in \u00e7al\u0131\u015fma prensibi, bir \u00f6rnekle daha iyi anla\u015f\u0131labilir. Diyelim ki bir \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 metniniz var: “Y\u00fcksek performansl\u0131, ince tasar\u0131ml\u0131 diz\u00fcst\u00fc bilgisayar”. Bu metin bir Embeddings modeli taraf\u0131ndan i\u015flendi\u011finde, model bu c\u00fcmlenin genel anlam\u0131n\u0131 yakalayan 768 boyutlu (veya modelin \u00e7\u0131kt\u0131 boyutuna g\u00f6re ba\u015fka bir say\u0131) bir vekt\u00f6r \u00fcretecektir. Ba\u015fka bir \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 “Hafif, g\u00fc\u00e7l\u00fc ve ta\u015f\u0131nabilir laptop” ise, bu iki c\u00fcmle anlam olarak \u00e7ok yak\u0131n oldu\u011fu i\u00e7in, onlar\u0131n Embedding vekt\u00f6rleri de vekt\u00f6r uzay\u0131nda birbirine \u00e7ok yak\u0131n olacakt\u0131r. Bu yak\u0131nl\u0131k, kosin\u00fcs benzerli\u011fi gibi matematiksel metriklerle kolayca \u00f6l\u00e7\u00fclebilir. Bu sayede, kullan\u0131c\u0131 bir arama sorgusu girdi\u011finde, sorgunun Embedding’i ile \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131n\u0131n Embedding’leri kar\u015f\u0131la\u015ft\u0131r\u0131larak semantik olarak en alakal\u0131 sonu\u00e7lar saniyeler i\u00e7inde bulunabilir. Geleneksel anahtar kelime tabanl\u0131 araman\u0131n aksine, bu yakla\u015f\u0131m “ince” kelimesi yerine “dar” veya “\u015f\u0131k” gibi e\u015f anlaml\u0131lar\u0131 i\u00e7eren \u00fcr\u00fcnleri de alg\u0131layabilir, \u00e7\u00fcnk\u00fc model kelimelerin y\u00fczey formundan ziyade anlamlar\u0131n\u0131 \u00f6\u011frenmi\u015ftir. Embeddings, b\u00f6ylece web uygulamalar\u0131nda ki\u015fiselle\u015ftirilmi\u015f \u00f6neri sistemlerinden ak\u0131ll\u0131 arama motorlar\u0131na, doland\u0131r\u0131c\u0131l\u0131k tespitinden anomali alg\u0131lamaya kadar pek \u00e7ok alanda vazge\u00e7ilmez bir ara\u00e7 haline gelmi\u015ftir.<\/p>\n

\n

Uzman \u0130pucu: Embedding Modeli Se\u00e7imi<\/h3>\n

Projenizin ihtiya\u00e7lar\u0131na g\u00f6re do\u011fru Embedding modelini se\u00e7mek kritik \u00f6neme sahiptir. Genel ama\u00e7l\u0131 modeller (\u00f6rn. OpenAI’\u0131n text-embedding-ada-002<\/code>) iyi bir ba\u015flang\u0131\u00e7 noktas\u0131 olsa da, sekt\u00f6re \u00f6zel veya daha k\u00fc\u00e7\u00fck, h\u0131zl\u0131 modeller (\u00f6rn. Sentence-BERT) daha maliyet etkin ve performansl\u0131 \u00e7\u00f6z\u00fcmler sunabilir. \u00d6zellikle d\u00fc\u015f\u00fck gecikme s\u00fcresi gerektiren web uygulamalar\u0131 i\u00e7in h\u0131z \u00f6nemlidir.<\/p>\n<\/div>\n

Temel Kavramlar: RAG (Retrieval-Augmented Generation) Ne \u0130\u015fe Yarar?<\/h2>\n

B\u00fcy\u00fck Dil Modelleri (LLM’ler) son y\u0131llarda inan\u0131lmaz yetenekler sergileyerek do\u011fal dilde ak\u0131c\u0131 ve ba\u011fda\u015f\u0131k metinler \u00fcretme konusunda \u00e7\u0131\u011f\u0131r a\u00e7t\u0131. Ancak bu modellerin baz\u0131 temel s\u0131n\u0131rl\u0131l\u0131klar\u0131 var: E\u011fitim verileriyle s\u0131n\u0131rl\u0131 olmalar\u0131, g\u00fcncel bilgilere eri\u015fememeleri ve bazen “hal\u00fcsinasyon” olarak adland\u0131r\u0131lan yanl\u0131\u015f veya uydurma bilgiler \u00fcretme e\u011filimleri. \u0130\u015fte tam bu noktada Retrieval-Augmented Generation (RAG) devreye girerek LLM’lerin bu eksikliklerini gidermeyi ama\u00e7lar. RAG, “geri getirme destekli \u00fcretim” anlam\u0131na gelir ve bir LLM’in bir soruya yan\u0131t \u00fcretmeden \u00f6nce harici bir bilgi taban\u0131ndan alakal\u0131 bilgileri dinamik olarak almas\u0131n\u0131 sa\u011flayan bir yapay zeka mimarisidir.<\/p>\n

RAG’nin temel mant\u0131\u011f\u0131 iki ana a\u015famadan olu\u015fur:<\/p>\n

    \n
  1. Retrieval (Geri Getirme):<\/strong> Kullan\u0131c\u0131 bir sorgu veya soru sordu\u011funda, sistem ilk olarak bu sorguyu al\u0131r ve harici bir bilgi kayna\u011f\u0131ndan (\u00f6rne\u011fin, bir dok\u00fcman veritaban\u0131, bir web sitesi veya bir \u015firket i\u00e7i Wiki) en alakal\u0131 bilgi par\u00e7ac\u0131klar\u0131n\u0131 (“chunks” veya “passages”) arar ve geri getirir. Bu geri getirme i\u015flemi genellikle Embedding’ler ve vekt\u00f6r veritabanlar\u0131 arac\u0131l\u0131\u011f\u0131yla yap\u0131l\u0131r. Sorgu, bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve bu vekt\u00f6r, bilgi taban\u0131ndaki \u00f6nceden Embedding’i \u00e7\u0131kar\u0131lm\u0131\u015f dok\u00fcman par\u00e7ac\u0131klar\u0131n\u0131n vekt\u00f6rleriyle kar\u015f\u0131la\u015ft\u0131r\u0131larak semantik olarak en benzer olanlar bulunur.<\/li>\n
  2. Augmentation & Generation (Zenginle\u015ftirme ve \u00dcretim):<\/strong> Geri getirilen alakal\u0131 bilgi par\u00e7ac\u0131klar\u0131, kullan\u0131c\u0131n\u0131n orijinal sorgusuyla birlikte bir LLM’e (\u00f6rne\u011fin, GPT-4, Llama 2) girdi olarak verilir. LLM, sadece kendi dahili bilgilerine dayanarak de\u011fil, ayn\u0131 zamanda bu harici, g\u00fcvenilir ve g\u00fcncel ba\u011flam\u0131 kullanarak bir yan\u0131t \u00fcretir. Bu sayede, modelin hal\u00fcsinasyon yapma olas\u0131l\u0131\u011f\u0131 azal\u0131r, yan\u0131t\u0131n do\u011frulu\u011fu ve alaka d\u00fczeyi artar ve en \u00f6nemlisi, modelin e\u011fitim verilerinde olmayan veya e\u011fitim sonras\u0131 de\u011fi\u015fmi\u015f bilgilere eri\u015fmesi sa\u011flan\u0131r.<\/li>\n<\/ol>\n

    Bir \u00f6rnekle a\u00e7\u0131klayal\u0131m: Bir kullan\u0131c\u0131 bir e-ticaret sitesinde “X model telefonun pil \u00f6mr\u00fc ne kadar?” diye sordu. Geleneksel bir LLM, e\u011fitim verilerinde bu bilgi varsa yan\u0131tlayabilir, ancak bilgi eski veya eksik olabilir. RAG sistemi ise \u015fu ad\u0131mlar\u0131 izler: \u00d6nce bu soruyu bir Embeddings modeline g\u00f6nderir, ortaya \u00e7\u0131kan vekt\u00f6r\u00fc \u00fcr\u00fcn veri taban\u0131ndaki t\u00fcm telefon modellerinin \u00f6zellik a\u00e7\u0131klamalar\u0131yla kar\u015f\u0131la\u015ft\u0131r\u0131r. “X model telefonun pil \u00f6mr\u00fc” ile ilgili en alakal\u0131 dok\u00fcman par\u00e7ac\u0131klar\u0131n\u0131 (\u00f6rne\u011fin, teknik \u00f6zellikler sayfas\u0131ndan ilgili b\u00f6l\u00fcm\u00fc) geri getirir. Ard\u0131ndan, bu par\u00e7ac\u0131klar\u0131 orijinal soruyla birlikte bir LLM’e g\u00f6nderir ve LLM, bu ba\u011flama dayanarak do\u011fru ve g\u00fcncel bir yan\u0131t olu\u015fturur. B\u00f6ylece kullan\u0131c\u0131, do\u011frudan \u00fcr\u00fcn\u00fcn g\u00fcncel verilerine dayanan g\u00fcvenilir bir bilgi al\u0131r.<\/p>\n

    RAG’nin web uygulamalar\u0131nda kullan\u0131m\u0131, m\u00fc\u015fteri hizmetleri botlar\u0131ndan i\u00e7erik olu\u015fturma asistanlar\u0131na, i\u00e7 bilgi y\u00f6netim sistemlerinden ki\u015fiselle\u015ftirilmi\u015f e\u011fitim platformlar\u0131na kadar geni\u015f bir yelpazeyi kapsar. Bu teknoloji, LLM’leri sadece birer “dil modeli” olmaktan \u00e7\u0131kar\u0131p, dinamik, bilgiye dayal\u0131 ve g\u00fcvenilir “bilgi asistanlar\u0131” haline getirerek web uygulamalar\u0131n\u0131n yeteneklerini \u00f6nemli \u00f6l\u00e7\u00fcde geni\u015fletir. Geli\u015ftiriciler i\u00e7in RAG, LLM’lerin g\u00fc\u00e7l\u00fc y\u00f6nlerinden faydalan\u0131rken zay\u0131f y\u00f6nlerini dengelemenin etkili ve pratik bir yolunu sunar.<\/p>\n

    \n

    Uzman \u0130pucu: RAG’de “Chunking” Stratejileri<\/h3>\n

    RAG sistemlerinin performans\u0131nda, dok\u00fcmanlar\u0131 nas\u0131l k\u00fc\u00e7\u00fck par\u00e7alara (chunks) ay\u0131rd\u0131\u011f\u0131n\u0131z \u00e7ok \u00f6nemlidir. \u00c7ok b\u00fcy\u00fck chunk’lar, LLM’in ba\u011flam penceresini a\u015fabilir veya alakas\u0131z bilgileri de i\u00e7erebilir. \u00c7ok k\u00fc\u00e7\u00fck chunk’lar ise ba\u011flam kayb\u0131na yol a\u00e7abilir. Genellikle 250-1000 kelime aral\u0131\u011f\u0131nda, c\u00fcmle veya paragraf s\u0131n\u0131rlar\u0131na dikkat ederek chunk’lamak iyi sonu\u00e7lar verir. Markdown ba\u015fl\u0131klar\u0131 veya semantik b\u00f6l\u00fcmler de chunking i\u00e7in iyi referans noktalar\u0131 olabilir.<\/p>\n<\/div>\n

    Web Uygulamalar\u0131nda Embeddings ve RAG Nas\u0131l Entegre Edilir? Mimari Yakla\u015f\u0131mlar<\/h2>\n

    Embeddings ve RAG teknolojilerini bir web uygulamas\u0131na entegre etmek, \u00f6zenli bir mimari planlama gerektirir. Temelde, bu entegrasyon kullan\u0131c\u0131 etkile\u015fimini, veri i\u015flemeyi ve yapay zeka modelleriyle ileti\u015fimi bir araya getirir. \u0130\u015fte tipik bir RAG destekli web uygulamas\u0131n\u0131n mimari bile\u015fenleri ve bunlar\u0131n nas\u0131l bir araya geldi\u011fi:<\/p>\n

      \n
    1. \n

      Frontend (Kullan\u0131c\u0131 Aray\u00fcz\u00fc)<\/h3>\n

      Kullan\u0131c\u0131n\u0131n sorgular\u0131n\u0131 girdi\u011fi ve yan\u0131tlar\u0131 ald\u0131\u011f\u0131 aray\u00fczd\u00fcr. Modern JavaScript k\u00fct\u00fcphaneleri ve framework’leri (React, Vue, Angular) veya basit HTML\/CSS\/JS ile olu\u015fturulabilir. Kullan\u0131c\u0131 sorgular\u0131, genellikle bir API \u00e7a\u011fr\u0131s\u0131 ile backend’e g\u00f6nderilir. Yan\u0131tlar al\u0131nd\u0131\u011f\u0131nda, kullan\u0131c\u0131 aray\u00fcz\u00fcnde \u015f\u0131k ve okunabilir bir bi\u00e7imde g\u00f6sterilir.<\/p>\n

      \n\/\/ \u00d6rnek: React uygulamas\u0131 i\u00e7in basit bir arama formu\nimport React, { useState } from 'react';\n\nfunction SearchComponent() {\n  const [query, setQuery] = useState('');\n  const [results, setResults] = useState([]);\n\n  const handleSubmit = async (e) => {\n    e.preventDefault();\n    if (!query) return;\n\n    try {\n      const response = await fetch('\/api\/rag-search', {\n        method: 'POST',\n        headers: {\n          'Content-Type': 'application\/json',\n        },\n        body: JSON.stringify({ query }),\n      });\n      const data = await response.json();\n      setResults(data.answer); \/\/ RAG'den gelen yan\u0131t\n    } catch (error) {\n      console.error('Arama hatas\u0131:', error);\n      setResults('\u00dczg\u00fcn\u00fcz, bir hata olu\u015ftu.');\n    }\n  };\n\n  return (\n    
      \n      
      \n         setQuery(e.target.value)}\n          placeholder=\"Sorunuzu buraya yaz\u0131n...\"\n        \/>\n