Yapay zeka (YZ) ajanlar\u0131 ve B\u00fcy\u00fck Dil Modelleri (BBM’ler) hayat\u0131m\u0131z\u0131n her alan\u0131na girerken, bu ak\u0131ll\u0131 sistemlerin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131na dair temel bir yan\u0131lg\u0131 giderek daha fazla kar\u015f\u0131m\u0131za \u00e7\u0131k\u0131yor. Pek \u00e7ok ki\u015fi, bir YZ ajan\u0131n\u0131n kendisine sunulan bilgileri, yani “ba\u011flam penceresi” i\u00e7indeki verileri, uzun s\u00fcreli bir haf\u0131za gibi alg\u0131lamaktad\u0131r. Ancak bu, \u00f6nemli bir fark\u0131 g\u00f6zden ka\u00e7\u0131rmak demektir. Ba\u011flam penceresi, bir anl\u0131k not defteri gibidir; oysa ger\u00e7ek haf\u0131za, bilgiyi kal\u0131c\u0131 olarak saklama ve gerekti\u011finde geri \u00e7a\u011f\u0131rma yetene\u011fini ifade eder. Bu makalede, ba\u011flam penceresinin ne oldu\u011funu, neden haf\u0131za olmad\u0131\u011f\u0131n\u0131 derinlemesine inceleyecek ve YZ ajanlar\u0131n\u0131za ger\u00e7ek bir “haf\u0131za” kazand\u0131rmak i\u00e7in hangi mimarileri ve teknikleri kullanman\u0131z gerekti\u011fini ad\u0131m ad\u0131m a\u00e7\u0131klayaca\u011f\u0131z.<\/p>\n
Yapay zeka ajanlar\u0131, belirli g\u00f6revleri yerine getirmek \u00fczere tasarlanm\u0131\u015f, genellikle B\u00fcy\u00fck Dil Modelleri (BBM’ler) etraf\u0131nda in\u015fa edilmi\u015f yaz\u0131l\u0131m sistemleridir. Bu ajanlar, kullan\u0131c\u0131dan gelen girdileri anlama, i\u00e7sel bir mant\u0131k y\u00fcr\u00fctme s\u00fcreci izleme ve buna g\u00f6re \u00e7\u0131kt\u0131lar \u00fcretme yetene\u011fine sahiptir. Bir YZ ajan\u0131yla etkile\u015fime girdi\u011finizde, asl\u0131nda bir dizi bilgi al\u0131\u015fveri\u015fi ger\u00e7ekle\u015fir. \u0130\u015fte bu al\u0131\u015fveri\u015fin kritik bir bile\u015feni olan “ba\u011flam penceresi” kavram\u0131, YZ’nin \u00e7al\u0131\u015fma prensiplerini anlamak i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n
Ba\u011flam penceresi (context window), bir B\u00fcy\u00fck Dil Modelinin (BBM) tek bir i\u015flem s\u0131ras\u0131nda ayn\u0131 anda i\u015fleyebilece\u011fi metin miktar\u0131n\u0131 ifade eder. Bu metin, hem kullan\u0131c\u0131n\u0131n anl\u0131k sorusunu veya komutunu hem de modelin \u00f6nceki etkile\u015fimlerden veya harici kaynaklardan ald\u0131\u011f\u0131 ek bilgileri i\u00e7erebilir. Teknik olarak, bu pencere, modelin dikkat mekanizmas\u0131n\u0131n (attention mechanism) ayn\u0131 anda bakabilece\u011fi token (kelime, kelime par\u00e7ac\u0131\u011f\u0131 veya karakter) say\u0131s\u0131yla s\u0131n\u0131rl\u0131d\u0131r. \u00d6rne\u011fin, 4096 tokenlik bir ba\u011flam penceresine sahip bir model, yakla\u015f\u0131k 3000-4000 kelimelik bir metni tek bir istekte i\u015fleyebilir. Bu pencere, modelin o anki yan\u0131t\u0131n\u0131 olu\u015ftururken “hat\u0131rlayabilece\u011fi” veya “eri\u015febilece\u011fi” t\u00fcm veriyi temsil eder.<\/p>\n
Peki, ba\u011flam penceresi neden haf\u0131za de\u011fildir? Bu temel ayr\u0131m\u0131 anlamak, YZ ajanlar\u0131n\u0131z\u0131n kapasitesini do\u011fru bir \u015fekilde de\u011ferlendirmeniz ve beklentilerinizi ger\u00e7ek\u00e7i tutman\u0131z i\u00e7in kritik \u00f6neme sahiptir. Ba\u011flam penceresi, asl\u0131nda ge\u00e7ici bir \u00e7al\u0131\u015fma alan\u0131d\u0131r; bir nevi anl\u0131k not defteri ya da tahta gibidir. Her yeni istek geldi\u011finde, bu pencere yeniden olu\u015fturulur veya \u00fczerine yaz\u0131l\u0131r. Model, \u00f6nceki etkile\u015fimlerden veya d\u0131\u015far\u0131dan gelen bilgileri bu pencereye yerle\u015ftirerek anl\u0131k bir “durum” yarat\u0131r. Ancak bu durum, modelin kendisi taraf\u0131ndan kal\u0131c\u0131 olarak saklanmaz. Yani, bir sohbet oturumu sona erdi\u011finde veya yeni bir istek ba\u015flad\u0131\u011f\u0131nda, modelin ba\u011flam penceresindeki t\u00fcm bilgiler s\u0131f\u0131rlan\u0131r ve bir sonraki etkile\u015fim i\u00e7in yeniden y\u00fcklenmesi gerekir. Bu, modelin kendisinin “ge\u00e7mi\u015fi hat\u0131rlamad\u0131\u011f\u0131” anlam\u0131na gelir; sadece kendisine sunulan bilgiyi o an i\u00e7in i\u015fler.<\/p>\n
Bu durum, YZ ajanlar\u0131n\u0131n uzun s\u00fcreli ve tutarl\u0131 etkile\u015fimler kurma yetene\u011fini do\u011frudan etkiler. E\u011fer bir ajan, her yeni etkile\u015fimde ge\u00e7mi\u015f konu\u015fmalar\u0131 veya \u00f6\u011frenilmi\u015f bilgileri yeniden sunmak zorunda kal\u0131rsa, bu hem maliyetli hem de verimsiz olur. Ayr\u0131ca, ba\u011flam penceresinin s\u0131n\u0131rl\u0131 boyutu, modele ayn\u0131 anda ne kadar bilgi sunabilece\u011finizi de k\u0131s\u0131tlar. \u00c7ok uzun metinler veya \u00e7ok say\u0131da ge\u00e7mi\u015f etkile\u015fim, ba\u011flam penceresinin dolmas\u0131na ve modelin \u00f6nemli bilgileri g\u00f6zden ka\u00e7\u0131rmas\u0131na neden olabilir. Bu nedenle, ba\u011flam penceresi, bir YZ ajan\u0131n\u0131n “d\u00fc\u015f\u00fcnme” yetene\u011fi i\u00e7in gerekli olan anl\u0131k bilgiyi sa\u011flarken, uzun s\u00fcreli \u00f6\u011frenme, ki\u015fiselle\u015ftirme veya tutarl\u0131 bir kullan\u0131c\u0131 deneyimi sunma konusunda yetersiz kal\u0131r. Bu s\u0131n\u0131rlamalar\u0131 a\u015fmak i\u00e7in, YZ ajanlar\u0131m\u0131za ger\u00e7ek bir “haf\u0131za” katman\u0131 eklememiz gerekmektedir.<\/p>\n
Bir YZ ajan\u0131 geli\u015ftirirken, ba\u011flam penceresinin s\u0131n\u0131rlamalar\u0131n\u0131 a\u015fmak ve daha yetenekli, kullan\u0131c\u0131 odakl\u0131 sistemler olu\u015fturmak i\u00e7in neden ger\u00e7ek bir haf\u0131za katman\u0131na ihtiya\u00e7 duydu\u011fumuzu anlamak olduk\u00e7a \u00f6nemlidir. Ba\u011flam penceresi, anl\u0131k g\u00f6revler i\u00e7in etkili bir ara\u00e7 olsa da, uzun vadeli etkile\u015fimlerde ve karma\u015f\u0131k senaryolarda ciddi eksiklikler bar\u0131nd\u0131r\u0131r. \u0130\u015fte ger\u00e7ek bir haf\u0131za katman\u0131n\u0131n neden vazge\u00e7ilmez oldu\u011funu g\u00f6steren ba\u015fl\u0131ca nedenler:<\/p>\n
\u00d6ncelikle, tutarl\u0131 ve ki\u015fiselle\u015ftirilmi\u015f etkile\u015fimler<\/strong> sa\u011flamak i\u00e7in haf\u0131za \u015fartt\u0131r. Bir insanla konu\u015ftu\u011funuzda, \u00f6nceki konu\u015fmalar\u0131, ilgi alanlar\u0131n\u0131 ve tercihleri hat\u0131rlars\u0131n\u0131z. Bu, sohbeti daha ak\u0131c\u0131, anlaml\u0131 ve ki\u015fisel hale getirir. Bir YZ ajan\u0131 da benzer bir deneyim sunmak istiyorsa, kullan\u0131c\u0131yla olan ge\u00e7mi\u015f etkile\u015fimlerini hat\u0131rlamal\u0131d\u0131r. \u00d6rne\u011fin, bir m\u00fc\u015fteri hizmetleri botu, daha \u00f6nce ya\u015fad\u0131\u011f\u0131n\u0131z bir sorunu veya tercih etti\u011finiz \u00fcr\u00fcnleri hat\u0131rlarsa, size \u00e7ok daha h\u0131zl\u0131 ve ilgili \u00e7\u00f6z\u00fcmler sunabilir. Ba\u011flam penceresi, her yeni etkile\u015fimde bilgiyi “unutma” e\u011filiminde oldu\u011fu i\u00e7in bu t\u00fcr ki\u015fiselle\u015ftirmeyi do\u011fal olarak desteklemez.<\/p>\n \u0130kinci olarak, karma\u015f\u0131k ve \u00e7ok ad\u0131ml\u0131 g\u00f6revleri y\u00f6netmek<\/strong> i\u00e7in haf\u0131za elzemdir. Bir YZ ajan\u0131, sadece tek bir soruya yan\u0131t vermekle kalmay\u0131p, bir projenin farkl\u0131 a\u015famalar\u0131n\u0131 takip etmesi, bir rezervasyon s\u00fcrecini ba\u015ftan sona y\u00f6netmesi veya bir veri analizini ad\u0131m ad\u0131m ger\u00e7ekle\u015ftirmesi gerekti\u011finde, ge\u00e7mi\u015f ad\u0131mlar\u0131 ve ara sonu\u00e7lar\u0131 hat\u0131rlamal\u0131d\u0131r. Ba\u011flam penceresi, belirli bir anda yaln\u0131zca s\u0131n\u0131rl\u0131 miktarda bilgiyi bar\u0131nd\u0131rabildi\u011finden, uzun ve karma\u015f\u0131k g\u00f6revlerin t\u00fcm a\u015famalar\u0131n\u0131 tek bir pencerede tutmak pratik de\u011fildir ve maliyetlidir. Ger\u00e7ek bir haf\u0131za, ajan\u0131n bu t\u00fcr g\u00f6revler aras\u0131nda “devaml\u0131l\u0131k” sa\u011flamas\u0131na olanak tan\u0131r.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc neden, bilgi tekrar\u0131n\u0131 azaltmak ve verimlili\u011fi art\u0131rmak<\/strong>t\u0131r. E\u011fer bir YZ ajan\u0131, her yeni etkile\u015fimde veya her yeni soruya yan\u0131t verirken ayn\u0131 bilgiyi (\u00f6rne\u011fin, \u015firket politikalar\u0131n\u0131, \u00fcr\u00fcn kataloglar\u0131n\u0131 veya kullan\u0131c\u0131n\u0131n ge\u00e7mi\u015f sipari\u015flerini) tekrar tekrar ba\u011flam penceresine y\u00fcklemek zorunda kal\u0131rsa, bu hem i\u015flem g\u00fcc\u00fc a\u00e7\u0131s\u0131ndan pahal\u0131 olur hem de yan\u0131t s\u00fcrelerini uzat\u0131r. Ger\u00e7ek bir haf\u0131za sistemi, bu t\u00fcr bilgileri kal\u0131c\u0131 olarak saklar ve yaln\u0131zca gerekti\u011finde, ilgili par\u00e7alar\u0131 modele sunar. Bu, hem maliyetleri d\u00fc\u015f\u00fcr\u00fcr hem de ajan\u0131n daha h\u0131zl\u0131 ve verimli \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar.<\/p>\n D\u00f6rd\u00fcnc\u00fc olarak, \u00f6\u011frenme ve adaptasyon yetene\u011fi<\/strong> i\u00e7in haf\u0131za kritik bir rol oynar. Bir YZ ajan\u0131, zamanla daha ak\u0131ll\u0131 hale gelmeli, kullan\u0131c\u0131 geri bildirimlerinden ders \u00e7\u0131karmal\u0131 ve davran\u0131\u015flar\u0131n\u0131 buna g\u00f6re ayarlamal\u0131d\u0131r. Bu t\u00fcr bir adaptasyon, ajan\u0131n ge\u00e7mi\u015f deneyimlerini hat\u0131rlamas\u0131n\u0131 ve bunlar\u0131 gelecekteki kararlar\u0131nda kullanmas\u0131n\u0131 gerektirir. Ba\u011flam penceresi anl\u0131k bir ara\u00e7 oldu\u011fundan, bu t\u00fcr uzun vadeli \u00f6\u011frenmeyi ve adaptasyonu kendi ba\u015f\u0131na sa\u011flayamaz. Ger\u00e7ek bir haf\u0131za, ajan\u0131n deneyimlerini biriktirmesine ve zamanla daha yetkin hale gelmesine olanak tan\u0131r.<\/p>\n Son olarak, g\u00fcvenilirlik ve ba\u011flamsal do\u011fruluk<\/strong> a\u00e7\u0131s\u0131ndan haf\u0131za \u00f6nemlidir. Ba\u011flam penceresi, modelin “hayal g\u00f6rme” (hallucination) e\u011filimini art\u0131rabilir, \u00e7\u00fcnk\u00fc yeterli bilgi olmad\u0131\u011f\u0131nda model kendi kendine bilgi uydurabilir. Ger\u00e7ek bir haf\u0131za sistemi, g\u00fcvenilir ve do\u011frulanm\u0131\u015f bilgilere dayanarak yan\u0131tlar \u00fcretilmesini sa\u011flayarak bu riski azalt\u0131r. \u00d6zellikle hassas veya kritik uygulamalarda, ajan\u0131n do\u011fru ve tutarl\u0131 bilgiye eri\u015fimi olmas\u0131 hayati \u00f6nem ta\u015f\u0131r. \u00d6zetle, YZ ajanlar\u0131m\u0131z\u0131n sadece anl\u0131k girdilere tepki veren makineler olmaktan \u00e7\u0131k\u0131p, ger\u00e7ekten ak\u0131ll\u0131, uyumlu ve kullan\u0131c\u0131 odakl\u0131 sistemler haline gelmeleri i\u00e7in sa\u011flam bir haf\u0131za katman\u0131 in\u015fa etmek ka\u00e7\u0131n\u0131lmazd\u0131r.<\/p>\n YZ ajanlar\u0131m\u0131za ger\u00e7ek bir haf\u0131za kazand\u0131rman\u0131n en g\u00fc\u00e7l\u00fc ve yayg\u0131n yollar\u0131ndan biri, Retrieval Augmented Generation (RAG) mimarisini kullanmakt\u0131r. RAG, ad\u0131ndan da anla\u015f\u0131laca\u011f\u0131 gibi, “geri \u00e7a\u011f\u0131rma” (retrieval) ve “\u00fcretme” (generation) s\u00fcre\u00e7lerini birle\u015ftirerek B\u00fcy\u00fck Dil Modelleri’nin (BBM) yeteneklerini art\u0131rmay\u0131 hedefler. Temel olarak, bir kullan\u0131c\u0131 sorgusu geldi\u011finde, model do\u011frudan yan\u0131t \u00fcretmek yerine, \u00f6nce harici bir bilgi taban\u0131ndan ilgili bilgileri “geri \u00e7a\u011f\u0131r\u0131r” ve bu bilgileri kendi ba\u011flam penceresine ekleyerek daha do\u011fru ve ba\u011flamsal yan\u0131tlar \u00fcretir. Bu, modelin sadece e\u011fitim verilerine de\u011fil, ayn\u0131 zamanda g\u00fcncel ve spesifik verilere de eri\u015febilmesini sa\u011flar.<\/p>\n RAG mimarisinin kalbinde, bilgiyi verimli bir \u015fekilde depolayan ve geri \u00e7a\u011f\u0131ran sistemler yatar. \u0130\u015fte burada “vekt\u00f6r veritabanlar\u0131” devreye girer. Geleneksel veritabanlar\u0131 metinleri do\u011frudan saklarken, vekt\u00f6r veritabanlar\u0131 metinleri veya di\u011fer veri t\u00fcrlerini say\u0131sal vekt\u00f6r g\u00f6sterimlerine (embedding’ler) d\u00f6n\u00fc\u015ft\u00fcrerek saklar. Bu embedding’ler, verinin anlamsal i\u00e7eri\u011fini yo\u011fun bir vekt\u00f6r uzay\u0131nda temsil eder. Benzer anlama sahip metinler, bu uzayda birbirine yak\u0131n konumlan\u0131r. \u00d6rne\u011fin, “hava durumu” ile ilgili bir metin par\u00e7as\u0131, “meteoroloji” ile ilgili bir metin par\u00e7as\u0131na yak\u0131n bir vekt\u00f6rle temsil edilir.<\/p>\n Bir kullan\u0131c\u0131 sorgusu geldi\u011finde, bu sorgu da ayn\u0131 \u015fekilde bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Ard\u0131ndan, bu sorgu vekt\u00f6r\u00fc, vekt\u00f6r veritaban\u0131ndaki di\u011fer t\u00fcm vekt\u00f6rlerle kar\u015f\u0131la\u015ft\u0131r\u0131l\u0131r. Bu kar\u015f\u0131la\u015ft\u0131rma, genellikle kosin\u00fcs benzerli\u011fi (cosine similarity) gibi metrikler kullan\u0131larak yap\u0131l\u0131r ve sorguya en anlamsal olarak benzeyen bilgi par\u00e7alar\u0131 h\u0131zl\u0131ca bulunur. Bu s\u00fcre\u00e7, “yak\u0131n kom\u015fu arama” (nearest neighbor search) olarak bilinir ve vekt\u00f6r veritabanlar\u0131n\u0131n en \u00f6nemli yeteneklerinden biridir. Bu sayede, milyarlarca belge aras\u0131ndan bile saniyeler i\u00e7inde en alakal\u0131 bilgilere ula\u015fmak m\u00fcmk\u00fcn olur.<\/p>\n Vekt\u00f6r veritabanlar\u0131, YZ ajanlar\u0131 i\u00e7in uzun d\u00f6nem haf\u0131zan\u0131n temelini olu\u015fturur \u00e7\u00fcnk\u00fc:<\/p>\n RAG mimarisinde, vekt\u00f6r veritaban\u0131ndan geri \u00e7a\u011fr\u0131lan bu alakal\u0131 bilgi par\u00e7alar\u0131, orijinal kullan\u0131c\u0131 sorgusuyla birlikte BBM’nin ba\u011flam penceresine “enjekte edilir”. Bu sayede BBM, sadece kendi genel bilgisine de\u011fil, ayn\u0131 zamanda spesifik ve g\u00fcncel bilgilere de dayanarak yan\u0131t \u00fcretir. Bu yakla\u015f\u0131m, modelin “hal\u00fcsinasyon” yapma (olmayan bilgileri uydurma) olas\u0131l\u0131\u011f\u0131n\u0131 azalt\u0131r, yan\u0131tlar\u0131n do\u011frulu\u011funu ve g\u00fcvenilirli\u011fini art\u0131r\u0131r. Ayr\u0131ca, modelin e\u011fitim verilerinde bulunmayan veya \u00e7ok yeni olan bilgilere de eri\u015fmesini sa\u011flar. Bu, \u00f6zellikle h\u0131zla de\u011fi\u015fen bilgi alanlar\u0131nda veya \u015firket i\u00e7i dok\u00fcmanlar gibi \u00f6zel veri setleriyle \u00e7al\u0131\u015f\u0131rken paha bi\u00e7ilmez bir \u00f6zelliktir. K\u0131sacas\u0131, RAG ve vekt\u00f6r veritabanlar\u0131, YZ ajanlar\u0131m\u0131z\u0131 sadece “konu\u015fan” de\u011fil, ayn\u0131 zamanda “bilen” ve “hat\u0131rlayan” sistemlere d\u00f6n\u00fc\u015ft\u00fcrmenin anahtar\u0131d\u0131r.<\/p>\n Retrieval Augmented Generation (RAG) mimarisi, yapay zeka ajanlar\u0131na uzun d\u00f6nem haf\u0131za kazand\u0131rman\u0131n en etkili yollar\u0131ndan biridir. Bu mimari, karma\u015f\u0131k ve \u00e7ok ad\u0131ml\u0131 bir s\u00fcreci i\u00e7erir ancak temel prensipleri anla\u015f\u0131ld\u0131\u011f\u0131nda olduk\u00e7a mant\u0131kl\u0131d\u0131r. \u015eimdi, RAG mimarisinin ad\u0131m ad\u0131m nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 ve bu s\u00fcrecin bir YZ ajan\u0131 i\u00e7in nas\u0131l bir de\u011fer yaratt\u0131\u011f\u0131n\u0131 bir uygulama senaryosu \u00fczerinden inceleyelim.<\/p>\n Hayal edelim ki, bir e-ticaret \u015firketinin \u00fcr\u00fcnleri hakk\u0131nda bilgi veren ve m\u00fc\u015fteri sorular\u0131n\u0131 yan\u0131tlayan bir YZ asistan\u0131 geli\u015ftiriyoruz. Bu asistan\u0131n, sadece genel \u00fcr\u00fcn bilgilerine de\u011fil, ayn\u0131 zamanda en son indirimlere, stok durumuna ve belirli \u00fcr\u00fcnlerin teknik \u00f6zelliklerine de eri\u015fmesi gerekiyor. \u0130\u015fte RAG mimarisinin devreye girdi\u011fi yer buras\u0131:<\/p>\n \u0130lk ad\u0131m, YZ ajan\u0131m\u0131z\u0131n “haf\u0131zas\u0131n\u0131” olu\u015fturacak t\u00fcm ilgili verileri toplamakt\u0131r. Bu, \u015firket i\u00e7i \u00fcr\u00fcn kataloglar\u0131, SSS belgeleri, teknik \u00f6zellikler, m\u00fc\u015fteri yorumlar\u0131, kampanya e-postalar\u0131 veya web sitesi i\u00e7erikleri gibi her t\u00fcrl\u00fc metinsel veri olabilir. Bu veriler daha sonra “par\u00e7alara” (chunks) ayr\u0131l\u0131r. \u00d6rne\u011fin, uzun bir \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 k\u00fc\u00e7\u00fck paragraflara b\u00f6l\u00fcnebilir. Her bir par\u00e7a, genellikle belirli bir boyutta (\u00f6rne\u011fin, 200-500 kelime) olmal\u0131d\u0131r ki, anlamsal b\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc koruyabilsin ancak \u00e7ok uzun olmas\u0131n.<\/p>\n<\/li>\n Toplanan ve par\u00e7alara ayr\u0131lan her bir metin par\u00e7as\u0131, bir “embedding modeli” (g\u00f6mme modeli) kullan\u0131larak say\u0131sal bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Bu vekt\u00f6rler, metnin anlamsal anlam\u0131n\u0131 yo\u011fun bir say\u0131 dizisi olarak temsil eder. \u00d6rne\u011fin, “iPhone 15 \u00f6zellikleri” ile ilgili bir metin par\u00e7as\u0131, belirli bir vekt\u00f6rle temsil edilirken, “Samsung Galaxy S24 incelemesi” ile ilgili bir par\u00e7a ba\u015fka bir vekt\u00f6rle temsil edilir. Benzer anlama sahip metinler, vekt\u00f6r uzay\u0131nda birbirine daha yak\u0131n konumlan\u0131r. Bu ad\u0131m, YZ ajan\u0131m\u0131z\u0131n anlamsal olarak arama yapabilmesi i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n Olu\u015fturulan t\u00fcm vekt\u00f6rler, orijinal metin par\u00e7alar\u0131yla birlikte bir vekt\u00f6r veritaban\u0131na (\u00f6rne\u011fin, Pinecone, Weaviate, ChromaDB, FAISS) kaydedilir. Bu veritaban\u0131, milyonlarca veya milyarlarca vekt\u00f6r\u00fc h\u0131zl\u0131 ve verimli bir \u015fekilde depolamak ve aramak i\u00e7in optimize edilmi\u015ftir. Bu, YZ ajan\u0131m\u0131z\u0131n uzun d\u00f6nem haf\u0131zas\u0131n\u0131 olu\u015fturan kal\u0131c\u0131 depolama katman\u0131d\u0131r.<\/p>\n<\/li>\n Bir kullan\u0131c\u0131 YZ ajan\u0131na bir soru sordu\u011funda, \u00f6rne\u011fin “iPhone 15’in en son indirimleri nelerdir?”, bu sorgu RAG s\u00fcrecini tetikler.<\/p>\n<\/li>\n Kullan\u0131c\u0131n\u0131n sorgusu da ayn\u0131 embedding modeli kullan\u0131larak bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Ard\u0131ndan, bu sorgu vekt\u00f6r\u00fc, vekt\u00f6r veritaban\u0131nda depolanan t\u00fcm metin par\u00e7as\u0131 vekt\u00f6rleriyle kar\u015f\u0131la\u015ft\u0131r\u0131l\u0131r. Bu kar\u015f\u0131la\u015ft\u0131rma, sorguya anlamsal olarak en \u00e7ok benzeyen (en yak\u0131n kom\u015fular) metin par\u00e7alar\u0131n\u0131 bulmak i\u00e7in yap\u0131l\u0131r. \u00d6rne\u011fin, “indirimler” ve “iPhone 15” anahtar kelimelerini i\u00e7eren metin par\u00e7alar\u0131 geri \u00e7a\u011fr\u0131l\u0131r. Bu ad\u0131m, ajan\u0131n “haf\u0131zas\u0131ndan” ilgili bilgileri “hat\u0131rlamas\u0131n\u0131” sa\u011flar.<\/p>\n Vekt\u00f6r veritaban\u0131ndan geri \u00e7a\u011fr\u0131lan en alakal\u0131 metin par\u00e7alar\u0131 (genellikle 3-5 adet), orijinal kullan\u0131c\u0131 sorgusuyla birle\u015ftirilerek B\u00fcy\u00fck Dil Modelinin (BBM) ba\u011flam penceresine “enjekte edilir”. Bu, BBM’ye sadece kullan\u0131c\u0131n\u0131n sorusunu de\u011fil, ayn\u0131 zamanda soruyu yan\u0131tlamak i\u00e7in gerekli olan ek bilgiyi de sunar.<\/p>\n BBM, kendisine sunulan bu zenginle\u015ftirilmi\u015f ba\u011flam\u0131 kullanarak kullan\u0131c\u0131 sorusuna en do\u011fru ve ilgili yan\u0131t\u0131 \u00fcretir. Bu sayede, ajan, sadece genel bilgiye dayanmak yerine, \u015firketin g\u00fcncel indirimleri gibi spesifik bilgilere de eri\u015ferek \u00e7ok daha do\u011fru ve de\u011ferli bir yan\u0131t sunabilir.<\/p>\n<\/li>\n<\/ol>\n Bu ad\u0131mlar dizisi, bir YZ ajan\u0131n\u0131n anl\u0131k ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131n\u0131 a\u015farak, geni\u015f bir bilgi taban\u0131ndan \u00f6\u011frenmesini ve bu bilgileri etkile\u015fimlerinde kullanmas\u0131n\u0131 sa\u011flar. B\u00f6ylece, ajanlar daha ak\u0131ll\u0131, daha bilgilendirici ve kullan\u0131c\u0131lar i\u00e7in daha faydal\u0131 hale gelir.<\/p>\n YZ ajanlar\u0131na uzun d\u00f6nem haf\u0131za kazand\u0131rmak sadece bir vekt\u00f6r veritaban\u0131 kurmakla bitmez; bu haf\u0131zay\u0131 etkili bir \u015fekilde y\u00f6netmek de kritik \u00f6neme sahiptir. Haf\u0131za y\u00f6netimi, depolanan bilgilerin kalitesini, eri\u015filebilirli\u011fini ve B\u00fcy\u00fck Dil Modeli (BBM) taraf\u0131ndan ne kadar verimli kullan\u0131labilece\u011fini do\u011frudan etkiler. \u0130\u015fte bu s\u00fcre\u00e7te uygulayabilece\u011finiz temel stratejiler: par\u00e7alama (chunking), \u00f6zetleme (summarization) ve \u00f6nceliklendirme (prioritization).<\/p>\n Par\u00e7alama, b\u00fcy\u00fck metin belgelerini daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir ve anlamsal olarak anlaml\u0131 par\u00e7alara ay\u0131rma i\u015flemidir. Bu, RAG mimarisinde vekt\u00f6r veritaban\u0131na kaydedilecek embedding’lerin olu\u015fturulmas\u0131 i\u00e7in temel bir ad\u0131md\u0131r. Do\u011fru par\u00e7alama stratejisi, geri \u00e7a\u011fr\u0131lan bilginin alaka d\u00fczeyini ve modelin ba\u011flam penceresine s\u0131\u011fma kapasitesini optimize eder. Par\u00e7alama yaparken dikkat edilmesi gerekenler:<\/p>\n \u00d6rne\u011fin, bir kullan\u0131m k\u0131lavuzunu par\u00e7alarken, her bir ba\u015fl\u0131k alt\u0131ndaki metni ayr\u0131 bir par\u00e7a olarak al\u0131p, bir sonraki par\u00e7an\u0131n ba\u015flang\u0131c\u0131na \u00f6nceki par\u00e7an\u0131n son birka\u00e7 c\u00fcmlesini ekleyebiliriz. B\u00f6ylece, bir kullan\u0131c\u0131 “cihaz\u0131 nas\u0131l a\u00e7ar\u0131m?” diye sordu\u011funda, ilgili b\u00f6l\u00fcm\u00fcn tamam\u0131 ve belki de \u00f6nceki b\u00f6l\u00fcmden gelen ge\u00e7i\u015f c\u00fcmlesi modele sunulabilir.<\/p>\n T\u00fcm metinleri oldu\u011fu gibi saklamak, ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131 nedeniyle bazen verimsiz olabilir. \u00d6zellikle \u00e7ok uzun belgeler veya ge\u00e7mi\u015f sohbet kay\u0131tlar\u0131 i\u00e7in \u00f6zetleme teknikleri devreye girer. \u00d6zetleme, bilginin \u00f6z\u00fcn\u00fc koruyarak daha k\u0131sa ve yo\u011fun bir formda depolanmas\u0131n\u0131 sa\u011flar:<\/p>\n T\u00fcm bilgiler ayn\u0131 derecede \u00f6nemli veya g\u00fcncel de\u011fildir. Haf\u0131za y\u00f6netimi, hangi bilgilerin daha \u00f6ncelikli oldu\u011funu belirleyerek ajan\u0131n en alakal\u0131 ve g\u00fcncel verilere odaklanmas\u0131n\u0131 sa\u011flamal\u0131d\u0131r:<\/p>\n Bu stratejilerin birle\u015fimi, YZ ajan\u0131n\u0131z\u0131n haf\u0131zas\u0131n\u0131 sadece bir depolama alan\u0131 olmaktan \u00e7\u0131kar\u0131p, dinamik, ak\u0131ll\u0131 ve ba\u011flamsal olarak duyarl\u0131 bir bilgi kayna\u011f\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Do\u011fru haf\u0131za y\u00f6netimi, ajan\u0131n performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131rken, gereksiz maliyetleri ve “hal\u00fcsinasyon” riskini azalt\u0131r.<\/p>\n Bir YZ ajan\u0131na ger\u00e7ek bir haf\u0131za katman\u0131 eklemenin pratik faydalar\u0131n\u0131 en iyi g\u00f6steren senaryolardan biri, m\u00fc\u015fteri hizmetleri alan\u0131ndaki uygulamalard\u0131r. Geleneksel m\u00fc\u015fteri hizmetleri botlar\u0131 genellikle basit SSS (S\u0131k\u00e7a Sorulan Sorular) yan\u0131tlar\u0131 veya belirli komutlar\u0131 yerine getirme yetene\u011fiyle s\u0131n\u0131rl\u0131d\u0131r. Ancak uzun d\u00f6nem haf\u0131zaya sahip bir ak\u0131ll\u0131 m\u00fc\u015fteri hizmetleri botu, \u00e7ok daha ki\u015fiselle\u015ftirilmi\u015f, verimli ve tatmin edici bir deneyim sunabilir. \u015eimdi, b\u00f6yle bir botun nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 ve RAG mimarisinin burada nas\u0131l bir rol oynad\u0131\u011f\u0131n\u0131 bir vaka analiziyle inceleyelim.<\/p>\n B\u00fcy\u00fck bir telekom\u00fcnikasyon \u015firketi, \u00e7a\u011fr\u0131 merkezlerindeki yo\u011funluktan ve m\u00fc\u015fteri memnuniyetsizli\u011finden \u015fikayet\u00e7idir. M\u00fc\u015fteriler, s\u0131k s\u0131k ayn\u0131 bilgileri tekrar etmekten, farkl\u0131 temsilcilerle her konu\u015ftu\u011funda sorunlar\u0131n\u0131 yeniden anlatmak zorunda kalmaktan ve botlar\u0131n “aptal” olmas\u0131ndan yak\u0131n\u0131yorlar. \u015eirket, hem m\u00fc\u015fteri deneyimini iyile\u015ftirmek hem de operasyonel maliyetleri d\u00fc\u015f\u00fcrmek istiyor. Mevcut bot, sadece birka\u00e7 anahtar kelimeye dayal\u0131 basit yan\u0131tlar verebiliyor ve \u00f6nceki konu\u015fmalar\u0131 “hat\u0131rlam\u0131yor”.<\/p>\n \u015eirket, ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131n\u0131 a\u015fmak ve m\u00fc\u015fterilerine ki\u015fiselle\u015ftirilmi\u015f bir deneyim sunmak i\u00e7in RAG tabanl\u0131 bir YZ ajan\u0131 geli\u015ftirmeye karar verir. Bu ajan\u0131n temel \u00f6zellikleri \u015funlar olacakt\u0131r:<\/p>\n \u015eirketin t\u00fcm yaz\u0131l\u0131 verileri (\u00fcr\u00fcn k\u0131lavuzlar\u0131, SSS, fatura \u00f6rnekleri, kampanya ko\u015fullar\u0131, m\u00fc\u015fteri \u015fikayet kay\u0131tlar\u0131, web sitesi i\u00e7erikleri) toplan\u0131r. Bu belgeler, anlamsal b\u00fct\u00fcnl\u00fc\u011f\u00fc koruyacak \u015fekilde par\u00e7alara ayr\u0131l\u0131r (chunking). Her bir par\u00e7a, bir embedding modeli kullan\u0131larak vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. M\u00fc\u015fteri etkile\u015fim ge\u00e7mi\u015fleri de (sohbet kay\u0131tlar\u0131, e-postalar) benzer \u015fekilde i\u015flenir ve \u00f6zetlenerek vekt\u00f6r veritaban\u0131na eklenir. \u00d6rne\u011fin, bir m\u00fc\u015fterinin son 3 ay i\u00e7indeki t\u00fcm fatura sorgular\u0131 tek bir \u00f6zet vekt\u00f6r olarak depolan\u0131r.<\/p>\n<\/li>\n Olu\u015fturulan t\u00fcm vekt\u00f6rler, bir vekt\u00f6r veritaban\u0131na (\u00f6rne\u011fin, Pinecone<\/a> veya Astra DB<\/a>) y\u00fcklenir. Bu veritaban\u0131, milyonlarca metin par\u00e7as\u0131n\u0131 ve m\u00fc\u015fteri ge\u00e7mi\u015fini anlamsal olarak sorgulayabilecek \u015fekilde indekslenir. Her vekt\u00f6r, orijinal metin par\u00e7as\u0131 ve ilgili meta verilerle (\u00f6rne\u011fin, belge t\u00fcr\u00fc, tarih, m\u00fc\u015fteri ID’si) ili\u015fkilendirilir.<\/p>\n<\/li>\n Bir m\u00fc\u015fteri YZ ajan\u0131yla ileti\u015fime ge\u00e7ti\u011finde (\u00f6rne\u011fin, “Son faturam\u0131 anlam\u0131yorum.”), s\u00fcre\u00e7 \u015f\u00f6yle i\u015fler:<\/p>\n Yeni kampanyalar ba\u015flad\u0131\u011f\u0131nda veya \u00fcr\u00fcn bilgileri g\u00fcncellendi\u011finde, ilgili belgeler yeniden vekt\u00f6rle\u015ftirilerek veritaban\u0131na eklenir. M\u00fc\u015fteri etkile\u015fimleri de s\u00fcrekli olarak \u00f6zetlenir ve m\u00fc\u015fteriye \u00f6zel haf\u0131zaya eklenir, b\u00f6ylece bot zamanla daha da ak\u0131ll\u0131 hale gelir.<\/p>\n<\/li>\n<\/ol>\n Bu RAG tabanl\u0131 ak\u0131ll\u0131 m\u00fc\u015fteri hizmetleri botu sayesinde \u015firket, \u00f6nemli iyile\u015fmeler kaydeder:<\/p>\n Bu vaka analizi, YZ ajanlar\u0131na uzun d\u00f6nem haf\u0131za eklemenin sadece teknik bir zorunluluk olmad\u0131\u011f\u0131n\u0131, ayn\u0131 zamanda ger\u00e7ek d\u00fcnya problemlerine somut \u00e7\u00f6z\u00fcmler sunan stratejik bir yat\u0131r\u0131m oldu\u011funu a\u00e7\u0131k\u00e7a g\u00f6stermektedir.<\/p>\n Ba\u011flam penceresi, B\u00fcy\u00fck Dil Modelinin (BBM) tek bir istek s\u0131ras\u0131nda i\u015fleyebilece\u011fi ge\u00e7ici bir \u00e7al\u0131\u015fma alan\u0131d\u0131r; o anki etkile\u015fim i\u00e7in gereken bilgiyi tutar ve her yeni istekte s\u0131f\u0131rlan\u0131r. Uzun d\u00f6nem haf\u0131za ise, bilgiyi kal\u0131c\u0131 olarak depolayan, anlamsal olarak arama yapmaya ve gerekti\u011finde geri \u00e7a\u011f\u0131rmaya olanak tan\u0131yan harici bir sistemdir (genellikle vekt\u00f6r veritabanlar\u0131 ile RAG mimarisi kullan\u0131larak olu\u015fturulur). Ba\u011flam penceresi anl\u0131k not defteri gibiyken, uzun d\u00f6nem haf\u0131za bir k\u00fct\u00fcphane gibidir.<\/p>\n RAG mimarisi olmadan bir YZ ajan\u0131, sadece ba\u011flam penceresi i\u00e7erisinde kendisine sunulan bilgiyi “hat\u0131rlayabilir”. Bu, \u00f6nceki birka\u00e7 mesajl\u0131k sohbet ge\u00e7mi\u015finin do\u011frudan ba\u011flam penceresine eklenmesiyle sa\u011flanabilir. Ancak bu y\u00f6ntem, ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131 nedeniyle uzun sohbet ge\u00e7mi\u015fleri veya geni\u015f bilgi tabanlar\u0131 i\u00e7in \u00f6l\u00e7eklenebilir de\u011fildir. Ger\u00e7ek, kal\u0131c\u0131 ve anlamsal haf\u0131za i\u00e7in RAG gibi harici mekanizmalar gereklidir.<\/p>\n Vekt\u00f6r veritabanlar\u0131, metinleri (ve di\u011fer veri t\u00fcrlerini) anlamsal vekt\u00f6r g\u00f6sterimlerine d\u00f6n\u00fc\u015ft\u00fcrerek saklar. Bu, anahtar kelime e\u015fle\u015fmesi yerine, i\u00e7eri\u011fin anlam\u0131na g\u00f6re arama yap\u0131lmas\u0131na olanak tan\u0131r. Geleneksel veritabanlar\u0131, yap\u0131land\u0131r\u0131lm\u0131\u015f veriler veya tam e\u015fle\u015fme gerektiren sorgular i\u00e7in uygundur. Ancak YZ ajanlar\u0131n\u0131n do\u011fal dil sorgular\u0131n\u0131 anlamas\u0131 ve anlamsal olarak benzer bilgileri bulmas\u0131 gerekti\u011finde, vekt\u00f6r veritabanlar\u0131 \u00e7ok daha verimli ve alakal\u0131 sonu\u00e7lar sunar.<\/p>\n Bu stratejiler, haf\u0131zan\u0131n kalitesini ve verimlili\u011fini art\u0131r\u0131r. Do\u011fru par\u00e7alama, geri \u00e7a\u011fr\u0131lan bilginin anlamsal b\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc korurken, ba\u011flam penceresi boyutunu optimize eder. \u00d6zetleme, uzun metinleri daha k\u0131sa ve \u00f6z formda depolayarak maliyeti d\u00fc\u015f\u00fcr\u00fcr ve yan\u0131t s\u00fcrelerini h\u0131zland\u0131r\u0131r. \u00d6nceliklendirme ise, ajan\u0131n en alakal\u0131 ve g\u00fcncel bilgilere odaklanmas\u0131n\u0131 sa\u011flayarak, daha do\u011fru ve ba\u011flamsal yan\u0131tlar \u00fcretmesine yard\u0131mc\u0131 olur. Bu stratejiler olmadan, haf\u0131za sistemi karma\u015f\u0131k ve verimsiz hale gelebilir.<\/p>\n RAG mimarisi, B\u00fcy\u00fck Dil Modellerinin (BBM) “hal\u00fcsinasyon” yapma (olmayan bilgileri uydurma) riskini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r, ancak tamamen ortadan kald\u0131rmaz. \u00c7\u00fcnk\u00fc RAG, modele do\u011frulanm\u0131\u015f ve spesifik bir ba\u011flam sunar. Ancak model yine de bu ba\u011flam\u0131 yanl\u0131\u015f yorumlayabilir, \u00e7\u0131kar\u0131m hatalar\u0131 yapabilir veya sunulan bilgiler aras\u0131nda yanl\u0131\u015f ba\u011flant\u0131lar kurabilir. Bu nedenle, RAG ile bile modelin \u00e7\u0131kt\u0131lar\u0131n\u0131n do\u011frulu\u011funu ve g\u00fcvenilirli\u011fini art\u0131rmak i\u00e7in ek do\u011frulama ve ince ayar (fine-tuning) y\u00f6ntemleri kullanmak \u00f6nemlidir.<\/p>\n #YapayZeka #AIAjanlar\u0131 #RAG #Vekt\u00f6rVeritaban\u0131 #LLM #Teknoloji #YapayZekaHaf\u0131zas\u0131<\/p>\nUzun D\u00f6nem Haf\u0131za Mekanizmalar\u0131: Retrieval Augmented Generation (RAG) ve Vekt\u00f6r Veritabanlar\u0131<\/h2>\n
\n
RAG Mimarisi Nas\u0131l \u00c7al\u0131\u015f\u0131r? Ad\u0131m Ad\u0131m Bir Uygulama Senaryosu<\/h2>\n
\n
Veri Toplama ve \u0130\u015fleme (Ingestion):<\/strong><\/h3>\n
Vekt\u00f6rle\u015ftirme (Embedding Creation):<\/strong><\/h3>\n
\n# \u00d6rnek bir embedding (g\u00f6mme) i\u015flemi\nfrom sentence_transformers import SentenceTransformer\n\nmodel = SentenceTransformer('all-MiniLM-L6-v2')\nsentences = [\"Bu harika bir \u00fcr\u00fcn.\", \"\u00dcr\u00fcn\u00fcn kalitesi m\u00fckemmel.\"]\nembeddings = model.encode(sentences)\nprint(embeddings.shape) # \u00c7\u0131kt\u0131: (2, 384) - 2 c\u00fcmle, 384 boyutlu vekt\u00f6r\n <\/code><\/pre>\n<\/p><\/div>\n<\/li>\nVekt\u00f6r Veritaban\u0131na Kay\u0131t (Vector Database Storage):<\/strong><\/h3>\n
Kullan\u0131c\u0131 Sorgusu (Query):<\/strong><\/h3>\n
Sorgu Vekt\u00f6rle\u015ftirme ve Benzerlik Aramas\u0131 (Query Embedding & Similarity Search):<\/strong><\/h3>\n
\n# \u00d6rnek benzerlik arama (basit\u00e7e)\nimport numpy as np\nfrom sklearn.metrics.pairwise import cosine_similarity\n\nquery_embedding = model.encode([\"iPhone 15 indirimleri\"])\nsimilarities = cosine_similarity(query_embedding, embeddings)\nprint(similarities) # Hangi c\u00fcmlenin daha benzer oldu\u011funu g\u00f6sterir\n <\/code><\/pre>\n<\/p><\/div>\n<\/li>\nBa\u011flam Enjeksiyonu (Context Augmentation):<\/strong><\/h3>\n
\n# \u00d6rnek ba\u011flam enjeksiyonu\nuser_query = \"iPhone 15'in en son indirimleri nelerdir?\"\nretrieved_context = \"Son kampanya: iPhone 15 modellerinde %10 indirim, 31 Mart'a kadar ge\u00e7erli. Stoklarla s\u0131n\u0131rl\u0131d\u0131r.\"\nprompt = f\"A\u015fa\u011f\u0131daki ba\u011flam\u0131 kullanarak \u015fu soruyu yan\u0131tla: {user_query}\\n\\nBa\u011flam: {retrieved_context}\"\n# Bu 'prompt' daha sonra LLM'ye g\u00f6nderilir.\n <\/code><\/pre>\n<\/p><\/div>\n<\/li>\nYan\u0131t \u00dcretimi (Generation):<\/strong><\/h3>\n
Haf\u0131za Y\u00f6netimi ve Stratejileri: Chunking, \u00d6zetleme ve \u00d6nceliklendirme<\/h2>\n
Verimli Par\u00e7alama (Chunking) Nas\u0131l Yap\u0131l\u0131r?<\/h3>\n
\n
\u00d6zetleme (Summarization) ile Haf\u0131zay\u0131 Zenginle\u015ftirme<\/h3>\n
\n
\u00d6nceliklendirme (Prioritization) ile Alaka D\u00fczeyini Art\u0131rma<\/h3>\n
\n
Vaka Analizi: Ak\u0131ll\u0131 M\u00fc\u015fteri Hizmetleri Botu ile Uzun D\u00f6nem Haf\u0131za<\/h2>\n
Problem: M\u00fc\u015fteri Deneyimi ve Operasyonel Verimsizlik<\/h3>\n
\u00c7\u00f6z\u00fcm: RAG Tabanl\u0131 Ak\u0131ll\u0131 M\u00fc\u015fteri Hizmetleri Ajan\u0131<\/h3>\n
\n
Uygulama Ad\u0131mlar\u0131 ve RAG’\u0131n Rol\u00fc:<\/h3>\n
\n
Veri Haz\u0131rl\u0131\u011f\u0131 ve Vekt\u00f6rle\u015ftirme:<\/strong><\/h4>\n
Vekt\u00f6r Veritaban\u0131 Kurulumu:<\/strong><\/h4>\n
Etkile\u015fim S\u00fcreci:<\/strong><\/h4>\n
\n
\n
S\u00fcrekli \u00d6\u011frenme ve G\u00fcncelleme:<\/strong><\/h4>\n
Sonu\u00e7lar ve Faydalar\u0131:<\/h3>\n
\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h2>\n
1. Ba\u011flam penceresi ile uzun d\u00f6nem haf\u0131za aras\u0131ndaki temel fark nedir?<\/h3>\n
2. RAG mimarisi olmadan bir YZ ajan\u0131 haf\u0131zaya sahip olabilir mi?<\/h3>\n
3. Vekt\u00f6r veritabanlar\u0131 neden geleneksel veritabanlar\u0131ndan daha iyi bir haf\u0131za \u00e7\u00f6z\u00fcm\u00fc sunar?<\/h3>\n
4. Haf\u0131za y\u00f6netimi stratejileri (chunking, \u00f6zetleme, \u00f6nceliklendirme) neden \u00f6nemlidir?<\/h3>\n
5. RAG mimarisi “hal\u00fcsinasyon” (hallucination) sorununu tamamen ortadan kald\u0131r\u0131r m\u0131?<\/h3>\n