What is the main job of retrieval in an AI-search pipeline?

Create a candidate set of potentially relevant evidence

Why can hybrid retrieval use both lexical and vector search?

Lexical matching handles exact terms while vectors can retrieve semantic similarity

They always return identical candidates

Vector search guarantees freshness

Lexical search creates citations

What does grounding establish?

That identified external evidence is available to constrain the response

That the answer is guaranteed true

That every source was crawled today

That a citation will receive a click

Which statement about a displayed citation is correct?

It is visible attribution that still needs claim-level support checking

It proves the cited page supports every answer claim

It proves the cited page ranked first

It proves a user clicked the source

Why does live retrieval not automatically guarantee a current answer?

Source, fetch, index, cache, retrieval, and model clocks can differ

Language models cannot read dates

Only lexical search can retrieve new information

AI Arama Nasıl Çalışır

TL;DR — AI araması genellikle bir arama sistemiyle bir dil modelini birleştirir. Arama tarafı yararlı kaynakları bulup sıralar. Model tarafı, getirilen sınırlı miktardaki materyali okuyup bir yanıt yazar. Bazı sistemler zor bir soruyu daha küçük aramalara böler, anahtar kelime ve anlam tabanlı getirmeyi birleştirir, adayları yeniden sıralar ve alıntılar gösterir. Bu süreç güncelliği ve izlenebilirliği artırabilir; ancak yine de bir kaynağı gözden kaçırabilir, kanıtı yanlış anlayabilir veya desteklenmeyen bir iddia yazabilir.

En kısa yararlı açıklama

Klasik web araması genellikle sıralanmış bir sonuç kümesi döndürür. AI araması buna başka bir katman ekleyebilir: kanıtları getirip doğrudan bir yanıt oluşturmak için üretken bir model kullanmak.

Savunulabilir genel bir iş hattı şöyle görünür:

kaynakları keşfetmek veya almak;
içeriklerini ayrıştırmak, dizine eklemek ve temsil etmek;
kullanıcının sorusunu anlamak;
isteğe bağlı olarak soruyu alt sorulara bölmek;
aday belgeleri veya pasajları getirmek;
adayları sıralamak ve yeniden sıralamak;
seçilen kanıtları modelin bağlamına yerleştirmek;
bu bağlam ve ürün kurallarıyla sınırlandırılmış bir yanıt üretmek;
destekleyici bağlantılar veya alıntılar eklemek;
kaliteyi, güvenliği, güncelliği ve belirsizliği değerlendirmek.

Ürünler araçlar, ticari veri akışları, bilgi grafikleri, veritabanları, kullanıcı dosyaları, konum, konuşma geçmişi veya canlı kamera girdisi ekleyebilir. Aşamaları atlayabilir ya da birleştirebilirler. Bu iş hattı zihinsel bir modeldir; Google, ChatGPT, Copilot, Perplexity veya başka bir ürünün aynı iç yapıyı kullandığı iddiası değildir.

AI search is an evidence supply chain. Each stage changes what the next stage can see and introduces a different failure boundary. Kaynak: How AI Search Works

Source acquisition receives versioned material from the web, feeds, files, connectors, and tools, with access and timing as failure boundaries. Representation and indexing parse documents into chunks, vectors, graphs, and other forms, with parsing and freshness risks. Query planning interprets intent, applies filters, rewrites, and optionally fans out subquestions. Retrieval and reranking create candidates and narrow them into ordered, diverse evidence, with recall and truncation risks. Context assembly and grounding allocate selected evidence and product rules under finite limits, with coverage and support risks. Answer generation, attribution, checking, and evaluation produce the visible response and citations, with faithfulness and claim-source alignment risks. Products may combine or skip stages, so this is a defensible generic model rather than a claim about one provider's internals.

1. Kaynak keşfi ve tarama

Bir AI yanıtı yalnızca sistemin erişebildiği kaynaklardan içerik getirebilir. Kaynaklar sisteme şu yollarla girebilir:

bağlantıları ve site haritalarını izleyen web tarayıcıları;
bir arama sağlayıcısının mevcut web dizini;
lisanslı veya iş ortağı veri kümeleri;
ürün katalogları ve yapılandırılmış veri akışları;
birinci taraf veritabanları ve bilgi tabanları;
kullanıcı tarafından yüklenen dosyalar;
istek sırasında bir sayfayı getiren araçlar.

Google’ın güncel Arama nasıl çalışır belgeleri, web aramasının temelini tarama, dizine ekleme ve sunma olarak tanımlar. OpenAI’ın web araması belgeleri, web bilgilerini ve alıntılanan kaynakları bir model yanıtına taşıyabilen bir arama aracını tanımlar. Bunlar ürün örnekleridir; evrensel bir tarayıcının veya ortak dizinin kanıtı değildir.

Daha ayrıntılı bilgi: AI tarayıcıları tarayıcıların amaçlarını ve denetimlerini; AI tarayıcı günlük analizi ise doğrulanmış bir isteğin neyi kanıtlayıp neyi kanıtlayamayacağını açıklar.

2. Dizine ekleme, parçalar ve bilgi temsilleri

Getirilen materyal, verimli biçimde aranabilmesi için ayrıştırılıp saklanır. Bir sistem birden fazla temsil türünü tutabilir:

sözcükler ve alanlar için ters dizin;
odaklanmış getirme için pasajlar veya parçalar;
embedding modellerinin ürettiği vektörler;
yapılandırılmış olgular, varlıklar, ilişkiler ve meta veriler;
güncellik, dil, konum, politika, erişim ve kalite sinyalleri;
özgün kaynağa ve konuma geri götüren bağlantılar.

Parça boyutu ve sınırları önemlidir; çünkü getirici, üreticiye hiçbir zaman belgenin tamamını vermeyebilir. Birbiriyle ilgisiz bölümlere dağılmış açık bir yanıtın tek ve tutarlı bir birim olarak getirilmesi daha zor olabilir.

Daha ayrıntılı bilgi: parçalama, embedding’ler ve token’lar ile bağlam pencereleri.

3. Sorguyu anlama ve fan-out

Sistem isteği, konuşmayı, dili, konumu ve kısıtları yorumlar. Sorguyu yeniden yazabilir, varlıkları belirleyebilir veya karmaşık bir görevi birkaç getirme sorusuna ayırabilir.

Google, AI Overviews ve AI Mode’un sorgu fan-out yöntemini kullanabileceğini; alt konular ve veri kaynakları genelinde birden çok ilişkili arama yapabileceğini açıkça belirtir. Bu, belgelenmiş bir Google davranışıdır; her AI arama ürününün her sorguda fan-out yaptığına veya sabit sayıda alt sorgu kullandığına dair kanıt değildir. Evidence for this claim Google says AI Overviews and AI Mode may use query fan-out by issuing multiple related searches across subtopics and data sources. Scope: production Confidence: high · Verified: 2026-07-18 AI features and your website

Daha ayrıntılı bilgi: sorgu fan-out ve anlamsal arama.

4. Getirme: sözcüksel, vektörel veya hibrit

Getirme, yönetilebilir bir aday kümesi oluşturan yüksek geri çağırma aşamasıdır.

Sözcüksel getirme, tam sözcükleri ve terim kalıplarını ödüllendirir. Adlar, kodlar, alıntılar ve kesin terminoloji için yararlıdır.
Vektörel getirme, embedding temsillerini karşılaştırır ve ifadeler farklı olsa bile anlamsal benzerliği bulabilir.
Hibrit getirme, her iki yöntemi de çalıştırıp sonuç listelerini birleştirir.

Microsoft’ın güncel hibrit arama belgeleri somut bir uygulama örneğidir: metin ve vektör sorguları birlikte yürütülür ve sonuçları birleştirilir. Araştırmalar, sözcüksel ve anlamsal getirmenin birbirini tamamlayan aday kümeleri üretebildiğini de gösterir; ancak kazancın büyüklüğü derleme, sorgular, modeller ve değerlendirmeye bağlıdır.

Daha ayrıntılı bilgi: vektör araması ve hibrit arama.

5. Sıralama ve yeniden sıralama

Getirme geri çağırmayı gözetir: yeterli sayıda makul aday bulmak. Sıralama ve yeniden sıralama ise kesinliği gözetir: bu soru için en yararlı adayları üst sıralara yerleştirmek.

Bir sistem şunları yapabilir:

sözcüksel ilgiyi puanlamak;
vektör benzerliğini puanlamak;
birden çok sonuç listesini birleştirmek;
güncellik, dil, coğrafya, otorite, güvenlik veya erişim filtreleri uygulamak;
daha pahalı bir anlamsal modeli yalnızca en üstteki adaylarda kullanmak;
görevin farklı bölümlerini kapsayan çeşitli pasajlar seçmek.

Microsoft’ın semantic ranker belgeleri kalıbı açıkça gösterir: ilk sonuç kümesi, yeniden puanlama için daha pahalı bir dil anlama aşamasına aktarılır. Bu ürüne ait sınırlar ve puanlar, AI araması için evrensel sabitler değildir.

Daha ayrıntılı bilgi: yeniden sıralama ve pasaj sıralaması.

6. Temellendirme ve RAG

Seçilen pasajlar, veriler veya araç çıktıları modelin kullanılabilir bağlamına yerleştirilir. Model daha sonra bu kanıtı, talimatlarını ve izin verilen dâhilî bilgileri kullanarak bir yanıt üretir.

Bu kalıp genellikle getirmeyle artırılmış üretim (RAG) olarak adlandırılır. Özgün RAG makalesi, bir modelin parametrik belleğiyle getirilen parametrik olmayan belleğin birleştirilmesini tanımlamıştır. Üretim ortamında “RAG”, tek bir vektör aramasından çok aşamalı aramaya, yeniden sıralamaya, araçlara ve yinelemeli getirmeye kadar birçok tasarımı kapsar.

Temellendirilmiş, yanıtın belirlenmiş kanıtlarla sınırlandırıldığı anlamına gelmelidir. “Doğruluğu garanti edilmiş” ifadesinin eş anlamlısı olarak kullanılmamalıdır. Getirici en iyi kaynağı kaçırabilir, kaynak yanlış veya eski olabilir ve üretici kendisine verilenleri hatalı aktarabilir.

Daha ayrıntılı bilgi: temellendirme ve RAG.

7. Yanıt üretimi ve alıntılar

Model arayüze uygun bir yanıt oluşturur: düz yazı, adımlar, tablo, bağlantılar, görseller, ürün kartı veya üretilmiş başka bir düzen. Ardından bir alıntı katmanı, iddiaları ya da pasajları ürünün seçtiği kaynaklarla ilişkilendirir.

Şu üç soruyu birbirinden ayırın:

Kaynak getirildi mi? Bir getirme işlemi yapılmış veya kaynak aday olmuş olabilir.
Kaynak yanıtı etkiledi mi? Kullanılabilir bağlam ve üretim yolu gözlemlenemeyebilir.
Gösterilen alıntı, iliştirildiği iddiayı destekliyor mu? Bunun için kaynağın tam ifadeyle karşılaştırılması gerekir.

Üretken aramanın doğrulanabilirliği üzerine yapılan araştırma, incelediği ürünlerde ve 2023 örnekleminde alıntı eksiksizliği ve desteğiyle ilgili sorunlar buldu. Bu bulguları, günümüz sistemleri için kalıcı bir hata oranı olarak değil, tarihli bir denetim olarak değerlendirin.

Daha ayrıntılı bilgi: AI alıntıları ve getirilen, bahsedilen, alıntılanan.

8. Güncellik ve bilgi kesim tarihleri

“Güncel” bir anahtar değil, bir zincirdir. Bir yanıt şu unsurlarla sınırlanabilir:

özgün kaynağın ne zaman değiştiği;
bir tarayıcının veya bağlayıcının onu ne zaman getirdiği;
dizinin veya vektör temsilinin ne zaman yenilendiği;
bu istek için getirme işleminin çalışıp çalışmadığı;
önbellekler ve ürün güncelleme programları;
modelin parametrik bilgi kesim tarihi;
modelin eski kalıplar yerine yeni kanıtları seçip seçmediği.

Getirme, dil modelini yeniden eğitmeden daha yeni kanıtları kullanılabilir kılabilir; ancak en güncel kaynağın keşfedildiğini, dizine eklendiğini, getirildiğini veya kullanıldığını garanti etmez. Zamana duyarlı kararlar için her zaman tarihleri ve birincil kanıtları kontrol edin.

Daha ayrıntılı bilgi: içerik güncelliği ve bilgi kesim tarihleri.

9. Çok modlu arama

Sorgu ve kanıtın metin olması gerekmez. Sistemler görsel, ses, video, kamera girdisi veya medya ile metin bileşimlerini kabul edip getirebilir. Metinsel ve görsel temsiller oluşturabilir, nesneleri ya da sahneleri tanıyabilir, alt sorguları fan-out yöntemiyle genişletebilir ve karma biçimli bir yanıt üretebilir.

Google’ın resmî çok modlu AI Mode duyurusu, bir görseli anlamak, bileşenlerini belirlemek ve birden çok ilişkili arama yapmak için Lens ile Gemini’ın kullanılmasını anlatır. Bu, tek bir ürünün uygulamasını ve kullanıma sunulmasını tanımlar; her AI arama motorunun paylaştığı bir standart değildir.

Daha ayrıntılı bilgi: çok modlu arama.

10. Belirsizlik ve halüsinasyonlar

Her aşama belirsizliğe yol açabilir:

keşif kaynağı gözden kaçırır;
ayrıştırma bağlamı kaybeder;
parçalar kanıtı kötü biçimde böler;
sorgu ayrıştırma yanlış alt soruyu sorar;
getirme makul görünen ancak ilgisiz bir pasaj döndürür;
yeniden sıralama eksik bir kaynağı öne çıkarır;
kaynağın kendisi yanlış veya eskidir;
üretim kanıtla çelişir, kanıtı aşırı genişletir veya kanıtın ötesinde bilgi uydurur;
alıntının yerleşimi, gerçekte bulunmayan bir desteği varmış gibi gösterir.

NIST’in Generative AI Profile belgesi, kendinden emin biçimde sunulan yanlış veya hatalı içeriği yaygın olarak confabulation adı verilen bir risk olarak ele alır. RAG kanıt sağlayarak bazı hata türlerini azaltır; ancak kendine özgü getirme ve bütünleştirme hataları da ekler.

Daha ayrıntılı bilgi: AI halüsinasyonları ve AI halüsinasyonlarını izleme.

TL;DR — Bir AI arama sistemi, gecikme ve bağlam kısıtları altında çalışan bir kanıt iş hattıdır. Kaynak edinimi sürümlendirilmiş bir derlem oluşturur; sözcüksel, vektörel, grafik ve araç temsilleri aday üretimini destekler; sorgu planlaması dallanabilir; getirme geri çağırmayı, yeniden sıralama ve bağlam oluşturma ise kesinlik ile kapsamı optimize eder; üretici talimatlara göre içerik oluşturur ve atıf, çıktıdaki iddiaları kaynaklara eşler. Akıcı bir nihai yanıt kanıtın nerede kaybolduğunu gösteremeyeceği için kalite her aşamada değerlendirilmelidir.

AI aramasını bir kanıt tedarik zinciri olarak ele alın

Çıktı ancak kendisini üreten zincir kadar güvenilir olabilir. Aşamaları bir köken zinciri olarak kaydedin:

Aşama	Girdi	Çıktı	Yaygın gizli değişken
Edinim	URL’ler, veri akışları, dosyalar, araçlar	getirilen kaynak sürümleri	erişim, tarama zamanlaması, izinler
Ayrıştırma/dizine ekleme	kaynak baytları ve meta veriler	aranabilir alanlar, parçalar, vektörler, varlıklar	çıkarma kaybı ve parça sınırları
Sorgu planlama	kullanıcı isteği ve bağlam	yeniden yazılmış sorgu, filtreler, alt sorgular	niyetin yorumlanması
Getirme	sorgu temsilleri ve dizinler	aday pasajlar/belgeler	geri çağırma, filtre sırası, aday derinliği
Yeniden sıralama	adaylar	sıralanmış ve çeşitlendirilmiş kanıt	model, gecikme, kesme
Bağlam oluşturma	sıralanmış kanıt ve talimatlar	sonlu model girdisi	token bütçesi ve yinelenenleri kaldırma
Üretim	bağlam	yanıt token’ları ve araç çağrıları	model davranışı ve kod çözme
Atıf	yanıt ve köken bilgisi	alıntılar veya kaynak listesi	iddia-kaynak uyumu
Değerlendirme	yanıt, kaynaklar, politika	puanlar, geri bildirim, koruma önlemleri	kıyaslama ve değerlendirici tanımları

Bu köken zinciri olmadan “AI yanlış yaptı” ifadesi bir teşhis değildir.

Kaynak edinimi taramadan daha geniştir

Web taraması yalnızca bir edinim yoludur. Kurumsal arama ve ürün araması şunları birleştirebilir:

bir web dizini;
dâhilî belge bağlayıcıları;
veritabanları ve API’ler;
bilgi grafiği aramaları;
ticaret, seyahat, yerel veya diğer dikey veri akışları;
kullanıcı dosyaları ve konuşma ekleri;
canlı araç çağrıları.

Her yolun kendi izinleri, zaman damgaları, yinelenenleri kaldırma işlemleri ve köken bilgisi vardır. Bir sistem aynı olguyu farklı güncelleme zamanlarına sahip bir web sayfasından, veri akışından ve grafikten getirebilir. Dolayısıyla “kaynak” yalnızca bir URL değil, sürümlendirilmiş bir kayıttır.

Farklı işler için birden fazla temsili dizine ekleyin

Sözcüksel dizinler tam karakter dizilerini ve alan istatistiklerini korur. Yoğun vektörler, modele bağlı benzerliği kodlar. Öğrenilmiş seyrek temsiller bazı anlamsal ve sözcüksel davranışlar arasında köprü kurabilir. Grafikler açıkça tanımlanmış varlıkları ve ilişkileri korur. Meta veriler filtreleri, izinleri, dili, coğrafyayı, tarihleri ve kaynak sınıflarını destekler.

Hiçbir temsil evrensel olarak en iyi değildir. Tam ürün tanımlayıcıları, hukuki atıflar ve hata kodları sözcüksel eşleştirmeden yararlanır. Yeniden ifade edilmiş ve kavramsal açıdan ilişkili sorular yoğun getirmeden yararlanabilir. Yapılandırılmış kısıtlar, vektör yakınlığından çıkarılmak yerine açıkça belirtilmelidir.

Hibrit getirme araştırması, anlamsal ve sözcüksel aday kümelerinin test edilen bir koleksiyonda birbirini tamamlayabildiğine dair yararlı kanıt sağlar. Tek bir birleştirme tasarımının her derlemde üstün olduğunu kanıtlamaz.

Sorgu planlaması getirme hedefini değiştirir

Konuşma biçimindeki bir istek birden fazla görev, örtük karşılaştırmalar, zamansal kısıtlar ve takip bağlamı içerebilir. Planlama şunları üretebilir:

yeniden yazılmış, bağımsız bir sorgu;
adlandırılmış varlık veya niyet kısıtları;
ayrı boyutlar için alt sorgular;
kaynak türü veya araç seçimleri;
ilk kanıtların sonraki getirme işlemlerini tetiklediği yinelemeli bir plan.

Google’ın belgelenmiş sorgu fan-out yöntemi kamuya açık bir örnektir. Microsoft Azure AI Search’ün semantic ranker özelliği de yeniden puanlamadan önce sorgu yeniden yazma varyantlarının kullanıldığı belgelenmiş başka bir örnektir. Her iki uygulamadan da sağlayıcı genelindeki mimari hakkında çıkarım yapmayın.

Aday üretimi ve yeniden sıralamanın amaçları farklıdır

Aday üretimi genellikle büyük bir derlemde arama yapacak kadar düşük maliyetli ve geri çağırmayı koruyacak kadar geniştir. Yeniden sıralama daha pahalıdır, daha az öğe görür ve daha derin sorgu-belge etkileşimlerini değerlendirebilir.

Bu durum katı bir üst sınır oluşturur: yeniden sıralayıcı, getirme aşamasının hiç dâhil etmediği ilgili bir kaynağı kurtaramaz. Microsoft, semantic ranker özelliğinin tüm derlemde yeniden arama yapmak yerine mevcut bir üst kümeyi yeniden sıraladığını açıkça belgeler. Diğer sistemler farklı derinlikler, modeller ve yinelemeli getirme yöntemleri kullanabilir. Evidence for this claim A reranker rescoring an existing candidate set cannot recover a relevant source that the initial retrieval stage omitted. Scope: production Confidence: high · Verified: 2026-07-18 Semantic ranking overview

Yayıncılar için pratik ders “yeniden sıralayıcı için yazmak” değildir. Önemli olguları keşfedilebilir, parçalamaya dayanacak kadar bağımsız, kesinliğin önemli olduğu yerlerde tam ve niteleyicileri iddialardan ayırmadan anlamsal açıdan açık hâle getirmektir.

Bağlam oluşturma bir tahsis sorunudur

Sistemin, üreticiye gönderebileceğinden daha fazla aday kanıtı vardır. Sonlu bağlam bütçesini şunlar arasında paylaştırmalıdır:

sistem ve güvenlik talimatları;
konuşma geçmişi;
araç tanımları ve çıktıları;
getirilen kaynaklar;
çeşitli alt konular;
kaynak meta verileri ve alıntı işaretleri;
üretilecek yanıt için alan.

Yinelenenleri kaldırma, pasaj çeşitliliği, sıralama, sıkıştırma ve kesme işlemleri modelin ne gördüğünü değiştirebilir. Bir kaynak iyi sıralansa bile belirleyici niteleyicisini pasaj seçimi sırasında kaybedebilir. Bu nedenle sayfa düzeyinde getirme ile yanıt düzeyinde destek farklıdır.

Temellendirme kalitesinin birkaç boyutu vardır

En azından şunları değerlendirin:

Getirme ilgisi: Adaylar soruyu ele aldı mı?
Getirme kapsamı: Her önemli alt soruyu kapsadılar mı?
Kaynak kalitesi: Kaynaklar iddia açısından yetkin ve yeterince güncel miydi?
Kanıta bağlılık: Yanıt, sağlanan kanıtların sınırları içinde kaldı mı?
Olgusal doğruluk: İddia, uygun haricî referans kanıtlarına göre doğru mu?
Alıntı gerektirmesi: Alıntılanan her kaynak ilişkili iddiayı destekliyor mu?
Alıntı eksiksizliği: Haricen doğrulanabilen önemli iddialar alıntılanmış mı?
Kalibrasyon: Kanıt zayıf veya çelişkili olduğunda yanıt belirsizliği ifade ediyor mu?

Bir yanıt kötü bir kaynağa bağlı kalıp yine de olgusal olarak yanlış olabilir. Model belleğinden gelen bilgilerle olgusal olarak doğru olabilir, ancak gösterilen alıntılar tarafından desteklenmeyebilir. Bu boyutları birbirinden ayrı tutun.

Alıntılar bir ürün katmanıdır, nedensellik kanıtı değildir

Alıntı oluşturma üretim sırasında, üretimden sonra veya ayrı bir iddia-kaynak eşleştirme aşaması aracılığıyla gerçekleşebilir. Kamuya açık arayüzler genellikle hangi getirilen pasajların model bağlamına girdiğini, hangi token’ları etkilediğini veya bir kaynağın neden görünür atıf aldığını açıklamaz.

Bu nedenle:

bir tarayıcı isteği, alıntının değil isteğin kanıtıdır;
alıntı görünür bir atıftır, sıralama kanıtı değildir;
kaynak listesi her iddianın desteklendiğini kanıtlamaz;
adı geçen bir marka mutlaka bağlantılı bir kaynak değildir;
tıklama daha sonraki bir kullanıcı davranışıdır, üretimin nasıl çalıştığının kanıtı değildir.

Retrieved, mentioned, and cited are separately observable states. A visible citation does not reveal every internal retrieval or generation step. Kaynak: How AI Search Works

Retrieved means a system requests a page, evidenced by logs or retrieval traces, but that request does not prove the material influenced an answer. Mentioned means the answer uses a brand, entity, or facts in its prose, evidenced by the answer text. Cited means the interface exposes a source link or citation to the page, evidenced by the visible source URL. These states need separate measurement, and a later visible state does not prove every earlier internal step was directly observable.

Güncelliğin birden fazla saati vardır

Kaynağın yayımlanması, kaynağın güncellenmesi, edinim, ayrıştırma, dizin kaydı, embedding üretimi, getirme, yanıt üretimi ve değerlendirme için ayrı zaman damgaları izleyin.

Eski bir kaynak hâlâ doğru olabilir. Yeni taranan bir sayfa eski olgular içerebilir. Canlı arama önbelleğe alınmış bir temsili getirebilir. Parametrik bilgi kesim tarihi daha eski olan bir model, getirilen daha yeni kanıtlardan yanıt verebilir; ancak getirme eksik olduğunda eski kalıplara dönebilir.

Zamana duyarlı yanıtlarda üretici, tarihli birincil kaynakları tercih etmeli, geçerlilik tarihini göstermeli, çelişkileri ortaya koymalı ve kanıtlar bunları çözemediğinde yanıt vermekten kaçınmalı veya yanıtını nitelemelidir.

Çok modlu getirme eşleştirme sorunları ekler

Çok modlu sistemler görselleri ve metinleri ortak ya da bağlantılı temsillerde dizine ekleyebilir; bölgeleri veya nesneleri belirlemek için görme modelleri kullanabilir, sesi yazıya dökebilir, videodan örnekler alabilir ve farklı modaliteler arasında getirme yapabilir. Sistem bir medya öğesiyle onun açıklaması, çevresindeki sayfa, zaman damgası, üreticisi ve kaynak hakları arasındaki ilişkileri korumalıdır.

Görsel olarak benzer bir resim, aynı olgu için mutlaka kanıt değildir. Transkript görsel niteleyicileri atlayabilir. Kırpılmış bir nesne sahne bağlamını kaybedebilir. Hem getirme ilgisini hem de modaliteler arası temellendirmeyi değerlendirin.

Ayrıntıları alt sayfalara yönlendirin

Bu merkez sayfa uçtan uca mimariyi kapsar. Şu sayfalar uygulama ayrıntılarını kapsar:

LLM’ler ve token’lar/bağlam pencereleri
sorgu fan-out
parçalama ve embedding’ler
anlamsal arama, vektör araması ve hibrit arama
pasaj sıralaması ve yeniden sıralama
temellendirme ve RAG
AI alıntıları
güncellik ve bilgi kesim tarihleri
çok modlu arama
AI halüsinasyonları
ürüne özgü bir uygulama olarak AI Overviews

Yönetici özeti

AI araması tek bir model değil; sistemler, tedarikçiler, veriler ve kararlardan oluşan bir zincirdir. İşletme riskleri ve fırsatları bu zincirin tamamına yayılır:

kapsam riski: yararlı kaynaklar yoktur veya erişilemez durumdadır;
güncellik riski: kaynak ve dizin saatleri kararla uyuşmaz;
getirme riski: ilgili kanıt modele hiç ulaşmaz;
sentez riski: model kanıtı abartır veya çarpıtır;
atıf riski: alıntılar eksik, yanlış yerleştirilmiş veya desteksizdir;
ölçüm riski: görünürlük, alıntı, trafik ve dönüşüm birbirine karıştırılır;
yönetişim riski: hiçbir sorumlu yanıt yolunu yeniden üretemez veya düzeltemez.

“RAG eklendi” ifadesini eksiksiz bir doğruluk denetimi olarak onaylamayın. Aşama düzeyinde değerlendirme, kaynak köken zinciri, erişim denetimleri, tarihli test kümeleri, yüksek etkili kararlar için insan müdahalesi ve kötü kaynaklarla çıktılar için bir kurtarma yolu isteyin.

Yayın stratejisi için taranabilir, dizine eklenebilir, açık, güncel ve kaynakları iyi belirtilmiş içerikleri finanse etmeyi sürdürün. Google, AI özellikleri için normal Arama uygunluğunun ötesinde ek teknik gereksinimler olmadığını belirtir. Görünürlük bir işaretleme hakkı değil, bir ürün sonucu olmaya devam eder. Evidence for this claim For Google's AI Overviews and AI Mode supporting links, a page must be indexed and snippet-eligible, and Google documents no additional technical requirements for those features. Scope: production Confidence: high · Verified: 2026-07-18 AI features and your website

AI araması nasıl çalışır: kısa özet

Kaynaklar taranır, bağlanır, yüklenir, lisanslanır veya araçlar aracılığıyla getirilir.
Sistemler bunları aranabilir alanlara, parçalara, sözcüksel dizinlere, vektörlere, varlıklara ve meta verilere ayrıştırır.
Sorgu yorumlanır; yeniden yazılabilir veya alt sorgulara ayrılabilir.
Sözcüksel, vektörel, grafik tabanlı veya hibrit getirme adayları oluşturur.
Sıralama ve yeniden sıralama daha küçük, daha ilgili ve çeşitli bir kanıt kümesi seçer.
RAG/temellendirme, seçilen kanıtları modelin sonlu bağlamına yerleştirir.
Model, ürün ve güvenlik talimatları altında bir yanıt üretir.
Bir atıf katmanı alıntıları veya kaynakları gösterir.
Güncellik çeşitli kaynak/dizin/getirme/model saatlerine bağlıdır.
Her aşama başarısız olabilir; temellendirilmiş ve alıntılanmış olması doğruluğu garanti etmez.

Sağlayıcı mimarileri farklıdır. Kamuya açık belgeler bu modelin bazı bölümlerini destekler; her ticari sistemin aynı iş hattını uyguladığı iddiasını desteklemez.

Birincil kaynaklar ve araştırmalar

Platform belgeleri

Google: Arama nasıl çalışır — web aramasının temeli için tarama, dizine ekleme ve sunma.
Google: AI özellikleri ve web siteniz — sorgu fan-out, destekleyici bağlantılar, dizin/snippet uygunluğu ve ek teknik gereksinim bulunmaması.
Google: AI Mode’da çok modlu arama — görsel anlama, nesne tanımlama ve fan-out yöntemlerini birleştiren bir ürün örneği.
OpenAI: Web araması aracı — bir API ürününde güncel web getirme, alıntılar ve kaynakların gösterilmesi.
Microsoft: Hibrit arama — eş zamanlı metin/vektör getirme ve sonuç birleştirme.
Microsoft: Semantic ranker — sorgunun yeniden yazılması ve mevcut bir aday kümesinin yeniden sıralanması.
NIST Generative AI Profile — confabulation ve diğer üretken AI riskleri için risk yönetimi çerçevesi.

Nitelikli araştırmalar

Bilgi Yoğun NLP Görevleri İçin Getirmeyle Zenginleştirilmiş Üretim — temel RAG mimarisi ve belirtilen görevler üzerindeki değerlendirmesi.
Hibrit sözcüksel ve anlamsal getirme — sınanmış bir derlemeye ilişkin tamamlayıcı getirme kanıtları.
Evaluating Verifiability in Generative Search Engines — atıf desteği ve eksiksizliğine ilişkin 2023 tarihli bir denetim; güncel ve evrensel bir oran değildir.
Bir RAG Sistemi Tasarlanırken Görülen Yedi Hata Noktası — RAG’ın getirme ve model hata türlerini devraldığına ilişkin deneyim raporu kanıtı.

Bir AI arama sistemini aşırı iddialarda bulunmadan açıklayın

S-Q-R-G-C çerçevesi

S — Kaynaklar

Hangi derlemler, veri akışları, araçlar ve sürümler kullanılabilir? Erişimi ve güncelliği kim denetler?

Q — Sorgu planı

İstek nasıl yorumlanıyor, yeniden yazılıyor, ayrıştırılıyor, filtreleniyor ve yönlendiriliyor?

R — Getirme ve yeniden sıralama

Hangi temsiller adayları üretiyor ve hangi modeller veya kurallar bu adayları daraltıyor?

G — Temellendirilmiş üretim

Hangi kanıtlar bağlama giriyor, hangi talimatlar modeli kısıtlıyor ve model ne zaman yanıt vermekten kaçınmalı?

C — Alıntılar ve kontroller

İddialara nasıl atıf yapılıyor; iddialar nasıl doğrulanıyor, izleniyor, düzeltiliyor ve ölçülüyor?

Çerçeveyi kanıtın ve sorumluluğun yerini belirlemek için kullanın. Onu, bilinmeyen iç süreçlerin gözlemlendiği izlenimini veren bir puana dönüştürmeyin.

Yanıt nerede başarısız oldu?

Yetkin kaynak sistem tarafından kullanılabilir miydi?

Hayır veya bilinmiyor → taramayı, bağlayıcıyı, izinleri, veri akışını ve dizin kapsamını inceleyin.
Evet → devam edin.

Gerçek sorgu veya alt sorgu için doğru pasaj getirildi mi?

Hayır → sorgu planlamasını, parçaları, filtreleri, sözcüksel/vektörel geri çağırmayı ve güncelliği inceleyin.
Evet → devam edin.

Yeniden sıralama ve bağlam oluşturma, belirleyici kanıtları ve niteleyicileri korudu mu?

Hayır → aday derinliğini, çeşitliliği, kesmeyi, yinelenenleri kaldırmayı ve sıralamayı inceleyin.
Evet → devam edin.

Yanıt, sağlanan kanıtlara bağlı kaldı mı?

Hayır → talimatları, model davranışını, çelişkileri ve yanıt vermeme mantığını inceleyin.
Evet → devam edin.

Gösterilen alıntılar, iliştirildikleri iddiaları gerektiriyor mu?

Hayır → iddia-kaynak eşleştirmesini ve alıntı üretimini düzeltin.
Evet → olgusal doğruluğu, eksiksizliği, kalibrasyonu, güvenliği ve kullanıcının sonucunu değerlendirin.

AI aramasındaki anti-pattern’ler

“LLM internette arama yaptı.” Her aşamayı modele yüklemek yerine arama aracını, dizini, bağlayıcıyı veya bilinmeyen edinim yolunu adlandırın.
“Vektör araması anahtar kelimelerin yerini aldı.” Tam eşleşmeli ve anlamsal getirme farklı geri çağırma sorunlarını çözer; birçok üretim örneği bunları birleştirir.
“En üst sıradaki sayfa alıntı olur.” Fan-out, pasaj getirme, yeniden sıralama ve üretim farklı kaynak kümeleri oluşturabilir.
“RAG halüsinasyonları ortadan kaldırır.” Getirme kanıt ve köken bilgisi ekler, ancak üretim öncesinde, sırasında ve sonrasında başarısız olabilir.
“Alıntı desteği kanıtlar.” Alıntılanan pasajı ilgili iddiayla karşılaştırarak okuyun.
“Canlı arama güncel demektir.” Kaynak, edinim, dizin, getirme ve önbellek saatleri farklı olabilir.
“Tüm AI arama motorları tam olarak bu iş hattını kullanır.” Sağlayıcıya özgü olguları genel zihinsel modelden ayrı tutun.
“Tek bir görünürlük sayısı performansı açıklar.” Bahsedilme, alıntılar, yönlendirmeler, dönüşümler ve düzeltilmiş olgusal yanıtlar farklı sonuçlardır.

Yaygın belirtiler ve kurtarma yolları

Sistem ilgisiz bir sayfayı alıntılıyor

Doğrulayın: Sorguyu, getirilen pasajı, iliştirilen iddiayı ve kaynak tarihini karşılaştırın.
Olası katmanlar: Sorgu planı, getirme, yeniden sıralama veya atıf.
Kurtarma: Kaynak alanlarını/parçalarını, getirme testlerini, yeniden sıralamayı ve iddia-kaynak eşleştirmesini iyileştirin.

Doğru kaynak dizinde olmasına rağmen sonuçlarda yok

Doğrulayın: Hangi sistemde ve sürümde “dizine eklenmiş”? Kaynak bu ürün, filtre, yerel ayar ve zaman için uygun muydu?
Olası katmanlar: Sorgu temsili, aday derinliği, filtreler veya yeniden sıralama.
Kurtarma: Etiketli bir sorgu kümesiyle yeniden üretin ve her aşamayı inceleyin; tek bir çıktıdan ceza uygulandığı sonucunu çıkarmayın.

Yanıt, canlı getirmeye rağmen eski olguları kullanıyor

Doğrulayın: Kaynak güncelleme, getirme, dizin, önbellek, erişim ve yanıt zaman damgaları.
Olası katmanlar: Güncellik meta verileri, sıralama, bağlam seçimi veya parametrik bilgiye geri dönüş.
Kurtarma: Tarihli birincil kaynaklara öncelik verin, temsilleri yenileyin, tarihleri gösterin ve çözülemeyen çelişkilerde yanıt vermekten kaçının.

Alıntılar var ancak iddiaları desteklemiyor

Doğrulayın: Gerektirmeyi her iddia için değerlendirin.
Olası katmanlar: Üretim veya atıf.
Kurtarma: Açık kanıt aralıklarından içerik üretin, ayrı bir destek kontrolü çalıştırın ve yakındaki bağlantıları eklemek yerine desteklenmeyen ifadeleri kaldırın.

Çok modlu girdi yanlış nesneyi veya bağlamı üretiyor

Doğrulayın: Seçilen görsel bölgesini, OCR/transkripti, nesne etiketlerini, çevresindeki sayfayı ve takip sorgularını inceleyin.
Olası katmanlar: Algılama, modaliteler arası temsil, getirme veya üretim.
Kurtarma: Kullanıcının düzeltmesine izin verin, sahne bağlamını koruyun ve doğrulayıcı metin ya da yapılandırılmış kanıt getirin.

İş hattını adım adım test edin

Getirme geri çağırma testi

Bilinen ilgili kaynaklara ve pasajlara sahip tarihli bir sorgu kümesi oluşturun.
Beklenen kanıtın yeniden sıralamadan önce aday kümesine girip girmediğini ölçün.
Kaçırılanları tam terimlere, yeniden ifadelere, varlıklara, tarihlere, yerel ayara ve modaliteye göre bölümlere ayırın.

Yeniden sıralama testi

Aday kümesini sabit tutun ve belirleyici pasajların seçilen üst kümede kalıp kalmadığını karşılaştırın.
Tek bir kaynağın tekrarlanmasından ziyade çeşitliliğin önemli olduğu çok bölümlü soruları dâhil edin.

Kanıta bağlılık testi

Değerlendiricilere yanıtı ve modele sağlanan tam bağlamı verin.
Desteklenen, çelişen ve desteklenmeyen iddiaları işaretleyin.
Bağlam yanıt veremediğinde sistemin yanıt vermekten kaçınıp kaçınmadığını test edin.

Alıntı testi

Atfın varlığını, konumunu, iddiayı destekleyip desteklemediğini ve eksiksizliğini birbirinden bağımsız olarak kontrol edin.
Kaynak listesindeki bir URL’yi yanıttaki her cümle için destek olarak saymayın.

Güncellik ve çelişki testi

Denetimli bir kaynağı güncelleyin, iş hattındaki her zaman damgasını kaydedin ve yeni olgunun ne zaman getirilebilir hâle gelip kullanıldığını gözlemleyin.
Farklı tarihlere ve yetkinlik düzeylerine sahip çelişkili kaynaklar sağlayın; yanıtın bunları harmanlamak yerine çelişkiyi ortaya koyup koymadığını değerlendirin.

Çok modlu test

Benzer nesneler ancak farklı bağlamlar içeren görseller veya video kareleri kullanın.
Her aşamada nesne seçimini, metin çıkarmayı, getirmeyi ve kaynak atfını doğrulayın.

Aşamaları ayrı tutan metrikler

Aşama	Yararlı metrik	Sınır
Edinim	uygun kaynak kapsamı, getirme başarısı, getirilen sürümün yaşı	getirme, dizine eklemeyi veya kullanımı kanıtlamaz
Dizine ekleme	ayrıştırma eksiksizliği, parça kapsamı, temsil güncelliği	dizine eklenen bir öğe hiç getirilmeyebilir
Getirme	aday derinliğinde geri çağırma, ilgili pasaj kapsamı	kıyaslamaya bağlıdır
Yeniden sıralama	nihai bağlam derinliğinde ilgi/kapsam	eksik adayları geri getiremez
Üretim	kanıta bağlılık, olgusal doğruluk, yanıt vermeme davranışı	değerlendiriciye ve referansa bağlıdır
Atıf	alıntı gerektirmesi ve eksiksizliği	görünür alıntılar trafik değildir
Ürün	görev başarısı, düzeltmeler, gecikme, kullanıcı memnuniyeti	ürüne özgüdür
Yayıncı	bahsedilmeler, alıntılar, yönlendirmeler, dönüşümler, olgusal doğruluk	ayrı kanal sonuçlarıdır

Derlemi, sorgu kümesini, değerlendiriciyi, model sürümünü, tarihi, yerel ayarı ve görevi tanımlamadan evrensel bir “iyi” eşiği yayımlamayın. Aynı değerlendirme sözleşmesinin zaman içindeki eğilimini izleyin ve önemli model, dizin veya ürün değişikliklerinden sonra temel çizgiyi yeniden belirleyin.

AI arama kitaplığında ilerleyin

İş hattı bileşenleri

Birincil kaynaklar ve araştırmalar

Bu makalede Patrick Stox’un birinci şahıs deneyimi veya özel bir AI arama sistemi uygulaması olduğu iddia edilmemektedir. Mevcut Patrick/Ahrefs araştırmaları, gözlemlenen AI görünürlüğü sonuçları açısından yararlı olabilir; ancak burada açıklanmamış sağlayıcı iç yapılarını ileri sürmek için kullanılmamıştır.