RAG (Getirmeyle Zenginleştirilmiş Üretim)

Özgün RAG mimarisi, üretim sırasında bir dil modelini harici bir dizinden getirilen bilgilerle birleştiriyordu. Evidence for this claim The original RAG paper combined a pretrained sequence-to-sequence model with a non-parametric dense-vector index retrieved during generation. Scope: Lewis et al.'s 2020 RAG architecture and experiments, not every modern retrieval system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation Güncel platform belgeleri de aynı genel getir-sonra-üret fikrini kullanır. Evidence for this claim Google Cloud describes RAG as retrieving relevant information from external knowledge sources and providing it to a model to improve generated responses. Scope: General RAG architecture in Google Cloud documentation; quality depends on retrieval, source quality, and generation. Confidence: high · Verified: 2026-07-14 Google Cloud: RAG overview

TL;DR — RAG (Retrieval-Augmented Generation), yapay zekâ arama motorlarının yanıt vermeden önce arama yapma biçimidir. Sistem yalnızca belleğinden yanıtlamak yerine önce bir arama dizininden ilgili pasajları getirir, ardından bulduklarına göre bir yanıt üretir. Google AI Overviews, ChatGPT Search ve Perplexity’nin güncel web sayfalarına alıntı verebilmesi ve dizinde yer almanın hâlâ önemli olması bu yüzdendir.

RAG nedir?

Büyük bir dil modeli (ChatGPT ve benzeri araçların arkasındaki LLM), eğitim sırasında dev bir metin yığınından öğrenir. Ancak eğitimin bir kesilme tarihi vardır ve model her şeyi ezberleyemez — bu nedenle tek başına güncel veya niş gerçekleri bilmez ya da doğruymuş gibi görünen bir şey uydurur.

RAG, modelin bilgi aramasına izin vererek bunu düzeltir. Bir soru sorduğunuzda RAG sistemi iki işi sırayla yapar:

1. Retrieval (getirme) — bir dizinde (Google veya Bing’inki gibi) arama yapar ve sorunuzla en ilgili pasajları getirir.
2. Augmented generation (zenginleştirilmiş üretim) — bu pasajları LLM’e verir; LLM bunlara dayanarak bir yanıt yazar ve genellikle kaynaklara bağlantılar gösterir.

Bunu düşünmenin en basit yolu şudur: Yapay zekâ yalnızca belleğinden yanıtlamak yerine önce ödevini yapar.

Kısa bir örnek

Bir yapay zekâ arama motoruna “en yeni iPhone’da ne değişti?” diye sorun. Model geçen hafta piyasaya çıkan bir ürün üzerinde eğitilmemiştir. RAG ile web’de arama yapar, birkaç güncel makaleyi getirir ve yanıtını bunlardan, tıklayabileceğiniz alıntılarla yazar. RAG olmadan ya bilmediğini söyler ya da tahminde bulunur.

Sizin için neden önemli?

İnsanları şaşırtan nokta şudur: RAG ayrı bir “AI dizini” kullanmaz. Google AI Overviews, Google’ın normal arama dizininden getirme yapar. ChatGPT Search, Bing’in diziniyle başladı ve kendi tarayıcısını da (OAI-SearchBot) çalıştırıyor — OpenAI bugün bu ikisinin tam olarak nasıl birleştirildiğini söylemedi. Her durumda, her zaman önemli olan aynı temel şeyler — taranabilir olmak, dizine eklenmek ve açık yazmak — içeriğinizin bir AI yanıtına getirilip alıntılanıp alıntılanamayacağını belirler.

Bilmeniz gereken diğer şey: RAG yanlış yanıtları (halüsinasyonları) azaltır, ancak ortadan kaldırmaz. Yapay zekâ getirdiği şeyi yine yanlış okuyabilir. Bu nedenle bir konudaki en açık ve doğrudan kaynak olmak gerçekten yardımcı olur.

Gerçek mekanikleri — embeddings, chunking, yeniden sıralama, naif ve agentic RAG ile SEO oyun planını — mı istiyorsunuz? Advanced sekmesine geçin.

Lewis ve arkadaşlarının 2020 sistemi, dizi üretimini parametrik olmayan bir dizinden yoğun getirmeyle birleştirdi. Evidence for this claim The original RAG paper combined a pretrained sequence-to-sequence model with a non-parametric dense-vector index retrieved during generation. Scope: Lewis et al.'s 2020 RAG architecture and experiments, not every modern retrieval system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation Google Cloud’un güncel özeti RAG’yi, getirilen harici bilginin bir modele sağlanması olarak daha geniş biçimde tanımlar. Evidence for this claim Google Cloud describes RAG as retrieving relevant information from external knowledge sources and providing it to a model to improve generated responses. Scope: General RAG architecture in Google Cloud documentation; quality depends on retrieval, source quality, and generation. Confidence: high · Verified: 2026-07-14 Google Cloud: RAG overview

TL;DR — RAG, çıkarım zamanında çalışan iki aşamalı bir kalıptır: harici bir külliyatta ilgili pasajları getirme, ardından temellendirilmiş ve alıntılı bir yanıt üretmesi için bu pasajları LLM’e zenginleştirilmiş üretim olarak verme. Ağırlıklar hiç değişmez — modelin parametrik belleğini canlı getirilen parametrik olmayan belleğe bağlar. Getirme aşaması chunking → embeddings → vector search → yeniden sıralama → top-k zinciridir. “Naive” RAG getirip üretir; gelişmiş RAG sorgu yeniden yazımı ve yeniden sıralama ekler; agentic RAG yinelemeli, çok atlamalı getirme ekler. Getirme yanıtları temellendirebilir ancak doğruluğu garanti etmez; bir Gemma değerlendirmesinde yetersiz bağlam daha fazla yanlış yanıtla birlikte görüldü. SEO için ayrı bir AI dizini yoktur; taranabilirlik, dizine ekleme ve pasaj düzeyinde açıklık getirilmenin ön koşullarıdır.

İki aşama (ve “inference time”ın asıl mesele olması)

Kısaltmayı açtığınızda modeli görürsünüz: Retrieval ve Augmented Generation. Bir sorgu gelir; sistem harici bir külliyattan en ilgili pasajları getirir; bu pasajları LLM’in bağlam penceresine yerleştirir; LLM de bunlara dayanan bir yanıt üretir.

Herkesin yanlış anladığı ayrıntı şudur: bu işlem çıkarım zamanında gerçekleşir ve modelin ağırlıklarına hiç dokunulmaz. RAG eğitim değildir, fine-tuning de değildir. Patrick Lewis ve Facebook AI Research’teki arkadaşlarının 2020 tarihli özgün makalesi bunu iki bellek türünü birleştirmek olarak çerçeveler — parametrik bellek (eğitim sırasında ağırlıklara işlenen bilgi) ve parametrik olmayan bellek (bir dizinden canlı getirilen bilgi). RAG ikisini aynı anda kullanır. AWS pratik durumu açıkça ifade eder: yeni veya alana özgü bilgi için bir temel modeli yeniden eğitmek pahalıdır ve “RAG is a more cost-effective approach to introducing new data to the LLM.” (Türkçesi: RAG, LLM’e yeni veri sunmak için daha uygun maliyetli bir yaklaşımdır.)

(Adlandırma, yeri gelmişken, bir kazaydı. Lewis daha sonra şöyle itiraf etti: “We definitely would have put more thought into the name had we known our work would become so widespread… We always planned to have a nicer sounding name, but when it came time to write the paper, no one had a better idea.” (Türkçesi: Çalışmamızın bu kadar yaygınlaşacağını bilseydik isme kesinlikle daha fazla kafa yorardık… Her zaman daha hoş seslenen bir isim planlamıştık, ancak makaleyi yazma zamanı geldiğinde kimsenin daha iyi bir fikri yoktu.) )

Getirme aşamasının içi

“İlgili pasajları getir” cümlesi çok iş yapıyor. Gerçek bir sistemde bu bir işlem hattıdır:

1. Chunking. Belgeler getirilebilir parçalara ayrılır. Parça boyutu gerçek bir dengedir — çok küçük olursa pasaj bağlamını kaybeder; çok büyük olursa token bütçesini ilgisiz bilgilerle doldurur. Stratejiler sabit token sayılarından (100/256/512), recursive/sliding window yöntemlerine ve “Small2Big” yaklaşımına (küçük bir cümleyi getirip üretim için üst parçasını döndürme) uzanır.
2. Embeddings. Her parça, anlamının sayısal bir temsili olan yoğun bir vektöre dönüştürülür; böylece benzerlik anahtar kelime eşleşmesiyle değil anlamsal olarak hesaplanır. Bu yüzden bir konu hakkındaki içerik, sorgunun tam ifadesini kullanmasa bile getirilir.
3. Vector search. Sorgu da embed edilir ve sistem vektörleri ona en yakın parçaları bulur. Üretim yığınlarının çoğu hibrit arama çalıştırır — yoğun vektör getirmeye BM25 anahtar kelime araması eklenir — çünkü her biri diğerinin kaçırdığı geri çağırmayı yakalar.
4. Yeniden sıralama. Ayrı bir model adayları sorguyla ilgilerine göre yeniden puanlar ve sıralar; “effectively reducing the overall document pool.” (Türkçesi: genel belge havuzunu etkin biçimde küçültür.) Yalnızca üstte kalanlar bağlama girer.
5. İsteme top-k ekleme. En iyi pasajlar kullanıcının sorgusuyla birleştirilir ve üreticiye verilir.

Chunking kırılgan halkadır. Anthropic, “traditional RAG solutions remove context when encoding information” (Türkçesi: geleneksel RAG çözümleri bilgiyi kodlarken bağlamı kaldırır.) diye belirledi — belgesinden çekilen bir parça, onu anlamlı yapan çevresindeki bağlamı kaybeder. Contextual Retrieval tekniği (dizine eklemeden önce parçaya özgü bağlamı öne ekleme), başarısız getirmeleri %49 azalttı; yeniden sıralamayla birlikte bu oran %67 oldu. Bu, chunking sorununun gerçek olduğuna ve kendi kendine yeten, bağlamı zengin pasajların doğru getirilmesinin daha kolay olduğuna dair güçlü bir sinyaldir.

Naive, advanced ve agentic RAG

Araştırma literatürü (Gao ve ark., 2023), RAG’yi yararlı bir taksonomiye ayırır:

• Naive RAG — “a traditional process that includes indexing, retrieval, and generation.” (Türkçesi: dizine ekleme, getirme ve üretim içeren geleneksel bir süreç.) Top-k’yi bir kez getirir, bir kez üretir. “struggles with precision and recall, leading to the selection of misaligned or irrelevant chunks.” (Türkçesi: kesinlik ve geri çağırmada zorlanır; uyumsuz veya ilgisiz parçalar seçilir.)
• Advanced RAG — “pre-retrieval and post-retrieval strategies” (Türkçesi: getirme öncesi ve sonrası stratejiler) ekler. Getirme öncesi: sorgu yeniden yazımı ve daha iyi dizine ekleme (HyDE dahil; model varsayımsal bir yanıt üretir, onu embed eder ve soru yerine yanıta benzeyen belgeleri getirir). Getirme sonrası: yeniden sıralama ve bağlam sıkıştırma.
• Modüler / agentic RAG — model getirir, eksik kalan şey üzerine akıl yürütür ve birden çok atlama boyunca yineleyerek yeniden getirir. AI aramanın güncel durumu budur. Michael King’in ifadesiyle: “The retrieve-once-then-generate pattern that defined the first wave is obsolete… Agentic RAG is now the default.” (Türkçesi: ilk dalgayı tanımlayan bir kez getir-sonra-üret kalıbı artık geçersiz… Agentic RAG artık varsayılandır.)

Bu, SEO için önemlidir; çünkü içerik artık tek bir getirme geçişinden değil, birden çok getirme turundan ve çelişki kontrolünden geçmek zorundadır.

RAG halüsinasyonları ortadan kaldırır mı? Hayır.

RAG yanıtları getirilen kaynaklara dayandırabilir, ancak LLM getirdiği şeyi yine yanlış okuyabilir veya fazla yorumlayabilir. Google Research (ICLR 2025), bir değerlendirmede sezgiye aykırı bir sonuç belgeledi: Gemma, bağlam olmadan soruların %10,2’sinde; yetersiz bağlamla ise %66,1’inde yanlış yanıt üretti. Araştırmacılar, modellerin “excel with sufficient context but fail to recognize when context is insufficient.” (Türkçesi: yeterli bağlamla başarılı olurken bağlamın yetersiz olduğunu fark edemeyebildiğini) bildirdi. Bunu model ve değerlendirmeye özgü bir uyarı olarak ele alın; getirmenin evrensel olarak daha kötü yanıtlar doğurduğunun kanıtı değildir. Pratik ders daha dardır: getirme kalitesi ile bağlam yeterliliği varsayılmamalı, değerlendirilmelidir. Google bu bulguyu Vertex AI RAG Engine’de bir LLM yeniden sıralayıcısı olarak uyguladı.

RAG ve fine-tuning karşılaştırması

Bunlar sürekli birbirine karıştırılır, ancak temelden farklıdır:

• RAG, sorgu zamanında harici bilgiyi getirir. Ağırlıklar değişmez. Güncel/değişen bilgi, alıntı gereksinimi ve maliyet için uygundur. Araştırma, “RAG consistently outperforms [unsupervised fine-tuning], for both existing knowledge encountered during training and entirely new knowledge.” (Türkçesi: RAG, hem eğitim sırasında karşılaşılan mevcut bilgi hem de tamamen yeni bilgi için denetimsiz fine-tuning’den sürekli daha iyi performans gösterir.) sonucunu buldu.
• Fine-tuning, ayrı bir eğitim çalışmasında modelin ağırlıklarını değiştirir. Tarz ve davranışı değiştirmek veya değişmeyen kararlı alan bilgisini öğretmek için uygundur.

En yeni gerçekleri bir modelin bilmesini sağlamak için RAG’ye; nasıl konuştuğunu değiştirmek için fine-tuning’e başvurursunuz.

Gerçek dünyada RAG: Google, ChatGPT, Perplexity

• Google AI Overviews. Google RAG’yi “a technique (also known as grounding)… relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index.” (Türkçesi: ilgili ve güncel web sayfalarını Search dizinimizden getirmek için temel Search sıralama sistemlerimize dayanan bir teknik, grounding olarak da bilinir.) diye adlandırır. İki sonuç çıkar. Birincisi, ayrı bir AI dizini yoktur — “our generative AI features on Google Search are rooted in our core Search ranking and quality systems.” (Türkçesi: Google Search’teki üretken AI özelliklerimiz temel Search sıralama ve kalite sistemlerimize dayanır.) İkincisi, Google query fan-out çalıştırır: “concurrent, related queries generated by the model to request more information.” (Türkçesi: daha fazla bilgi istemek için modelin ürettiği eş zamanlı, ilişkili sorgular.) Tek bir soru birden çok alt sorgu üretebilir ve her biri farklı içerik getirebilir — bu nedenle içeriğiniz yalnızca ana sorguyu değil, ima edilen alt soruları da karşılamalıdır.
• ChatGPT Search. Ekim 2024’te veri ortağı Bing ile başlatıldı; OpenAI’nin kendi tarayıcı belgeleri, OAI-SearchBot’un arama alıntıları için GPTBot’un eğitim taramasından ayrı olarak bağımsız getirme ve dizine ekleme yaptığını doğrular. OpenAI, Bing ile kendi dizini arasındaki güncel getirme karışımını yayımlamadı ve ChatGPT Search’ü Bing’in üzerine kurulmuş bir arayüzden çok bağımsız rakip olarak konumlandırdı — bu yüzden “temelde Bing” ifadesini basitleştirme olarak ele alın. Belgelenmiş, uygulanabilir kaldıraç daha dardır ve daha kalıcıdır: OAI-SearchBot’u robots.txt içinde engellemeyin; OpenAI’nin arama alıntıları için içeriği dizine ekleyen tarayıcı olarak adlandırdığı bot budur.
• Perplexity. Özel embedding modelleri ve katı bir yeniden sıralama eşiğiyle hibrit getirme (Vespa.ai — BM25 + yoğun) üzerine kuruludur: üçüncü taraf analize göre getirilen 60’tan fazla kaynağın yalnızca yaklaşık üst %30’u üretim aşamasına kalır ve “citations are not retrofitted post-generation — they are structurally assigned during context assembly.” (Türkçesi: alıntılar üretimden sonra eklenmez; bağlam oluşturulurken yapısal olarak atanır.) Deep Research, agentic döngüyü düzinelerce arama boyunca çalıştırır.

RAG SEO için ne anlama gelir?

Jargonu kaldırınca oyun planı somuttur:

• Dizinde olmak ön koşuldur — nokta. Ayrı bir AI dizini olmadığı için tarama → dizine ekleme → getirme zinciri sağlam olmalıdır. Bir sayfa taranamıyor veya dizine eklenemiyorsa AI yanıtına getirilemez. Kendi havuzlarını oluşturan AI motorları için de aynısı geçerlidir: OAI-SearchBot ve PerplexityBot gibi AI tarayıcılarının sizi getirmesine izin verilmelidir; yoksa bu yanıtlar için görünmezsiniz.
• Kendi kendine yeten pasajlar yazın. RAG bütün sayfaları değil parçaları getirir. iPullRank’ten Francine Monahan’ın ifadesiyle AI sistemleri “fragments of pages rather than the page as a whole” (Türkçesi: sayfanın bütünü yerine sayfa parçalarını) inceler; bu nedenle tek başına belirli bir soruyu yanıtlayan “stand-out passages and phrases” (Türkçesi: öne çıkan pasajlar ve ifadeler) oluşturun. İyi SEO’nun zaten ödüllendirdiği H2/H3 yapısı ve açık konu cümleleri tam olarak budur. Google, AI için içeriği küçük parçalara ayırmamanızı açıkça söyler — iyi yapılandırılmış içerik kendi başına iyi parçalanır.
• Alt konuları kapsayın. Query fan-out, tek bir sorunun birçok getirmeyi tetikleyebileceği anlamına gelir. İlişkili alt sorulardaki derinlik, tek bir anahtar kelimenin çevresine doldurulmuş tek sayfadan daha değerlidir.
• Otorite, sıralama konumundan daha çok alıntı getirir. 8 000 alıntılık bir analizden: “Strong organic search presence and broad web visibility leads to AI citations, not the other way around” (Türkçesi: güçlü organik arama varlığı ve geniş web görünürlüğü AI alıntılarına yol açar; tersi değil) ve “highly authoritative content from a lower-ranking page” (Türkçesi: daha düşük sıralı bir sayfadaki son derece otoriter içerik) bazen daha az güvenilir üst sıralı bir sayfa yerine alıntılanır. Kendi verilerim de uyumlu (AI Overview alıntı araştırmam): yoğun bağlantı verilen sayfalardaki bahsedilmeler AI Overview’a dahil olmanın en güçlü tahmincisidir (ρ ≈ 0,70) ve markalı web bahsetmeleri 75 000 marka genelinde yaklaşık 0,66 ile ilişkilidir.
• Güncel içeriğin avantajı vardır. AI alıntıları organik sonuçlardan anlamlı biçimde daha güncel olma eğilimindedir; dolayısıyla güncellik önemlidir.

Tek cümlelik sürüm isterseniz: RAG SEO’nun yerini almadı — SEO’nun her zaman bulunabilir ve açık olmakla ilgili olan bölümlerindeki çıtayı yükseltti.

AI özeti

Advanced sürümün kısa özeti:

• RAG = Retrieval + Augmented Generation. Inference time sırasında iki aşama: harici bir külliyattan ilgili pasajları getirin, ardından temellendirilmiş ve alıntılı bir yanıt üretmesi için bunları LLM’e verin. Modelin ağırlıkları hiç değişmez — bu eğitim veya fine-tuning değildir.
• İki belleği birleştirir: parametrik (ağırlıklara işlenmiş) + parametrik olmayan (canlı getirilen). AI yanıtlarının eğitim kesilme tarihinden sonraki bilgileri kapsaması böyle mümkün olur.
• Getirme bir işlem hattıdır: chunking → embeddings → vector search (çoğu zaman BM25 ile hibrit) → yeniden sıralama → isteme top-k pasajları. Chunking kırılgan halkadır; bağlamı zengin pasajlar daha iyi getirilir (Anthropic başarısız getirmeleri %49 azalttı).
• Üç biçim: naive (bir kez getir), advanced (sorgu yeniden yazımı, HyDE, yeniden sıralama) ve agentic (yinelemeli, çok atlamalı) — agentic artık AI aramasında varsayılandır.
• Halüsinasyonları azaltır, ortadan kaldırmaz. Yetersiz bağlamla bir modelin halüsinasyon oranı %10,2 → %66,1 yükseldi — kötü getirme hiç getirmemekten daha kötü olabilir.
• RAG ve fine-tuning: güncel/değişen gerçekler + alıntılar + maliyet için RAG; tarz/davranış ve kararlı bilgi için fine-tuning.
• Motorlar: Google AI Overviews, query fan-out ile temel dizinden getirir (ayrı AI dizini yok); ChatGPT Search Bing’in dizininde başladı ve kendi tarayıcısı OAI-SearchBot’u da çalıştırır — güncel karışım yayımlanmadığı için OAI-SearchBot’u engellemeyin; Perplexity, katı yeniden sıralama eşiği ve bağlam oluşturma sırasında atanan alıntılarla hibrit getirme kullanır.
• SEO: taranabilir + dizine eklenmiş olmak ön koşuldur; kendi kendine yeten pasajlar yazın; alt konuları kapsayın (fan-out); otorite/E-E-A-T, sıralama konumundan daha çok alıntı getirir; güncel içeriğin avantajı vardır.

Resmî belgeler

Sağlayıcılardan birincil kaynak belgeleri ve tanımlar.

Google

• Üretken AI Özellikleri için Optimizasyon Google Kılavuzu — RAG’yi temel Search dizini üzerinde grounding olarak tanımlar; query fan-out’u kapsar.
• Arama’da AI Overviews ve AI Mode — standart dizine ekleme ve snippet uygunluğunun ötesinde ek gereksinim olmadığını doğrular.
• Vertex AI’da RAG ve grounding — Google Cloud’un getir-sonra-üret tanımı (Burak Gokturk).
• RAG’de daha derin içgörüler: yeterli bağlamın rolü — Google Research (ICLR 2025), yetersiz bağlam hata modu hakkında.

Microsoft / Azure

• RAG ve üretken AI — Azure AI Search — RAG’yi tescilli içerikle grounding olarak tanımlar; sorgu anlama, token kısıtları ve agentic getirmeye geçişi ele alır.

OpenAI

• OpenAI Tarayıcılarına Genel Bakış — OAI-SearchBot’un ChatGPT Search alıntıları için GPTBot’un eğitim taramasından ayrı bağımsız getirme/dizine ekleme yaptığını doğrular; Bing diziniyle güncel karışımı açıklamaz.

Anthropic

• Contextual Retrieval’i tanıtıyoruz — parça bağlamı kaybı sorununu ve ölçülmüş bir düzeltmeyi (başarısız getirmelerde %49 / %67 azalma) anlatır.

AWS

• Retrieval-Augmented Generation nedir? — üç aşamalı açık bir açıklama ve RAG ile yeniden eğitim arasındaki maliyet gerekçesi.

Temel makaleler

• Bilgi yoğun NLP görevleri için Retrieval-Augmented Generation — Lewis ve ark., NeurIPS 2020 (özgün RAG makalesi; parametrik ve parametrik olmayan bellek).
• LLM’ler için Retrieval-Augmented Generation: Bir araştırma — Gao ve ark. (naive / advanced / modular taksonomisi, HyDE, yeniden sıralama).

Kaynaktan alıntılar

Sağlayıcıların ve özgün araştırmacıların kayda geçmiş açıklamaları. Mevcut olduğunda derin bağlantılar doğrudan alıntılanan bölüme gider.

Google — RAG temel dizin üzerinde grounding’dir

• “A technique (also known as grounding) used to improve the quality, accuracy, and freshness of AI responses by relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index.” (Türkçesi: AI yanıtlarının kalitesini, doğruluğunu ve güncelliğini artırmak için temel Search sıralama sistemlerimize dayanarak Search dizinimizden ilgili, güncel web sayfalarını getiren bir teknik; grounding olarak da bilinir.) — Google Search Central, AI optimization guide. Alıntıya git
• “Our generative AI features on Google Search are rooted in our core Search ranking and quality systems.” (Türkçesi: Google Search’teki üretken AI özelliklerimiz temel Search sıralama ve kalite sistemlerimize dayanır.) — Google Search Central, AI optimization guide.

Google Cloud — getir-sonra-üret tanımı

• “Retrieval Augmented Generation (RAG), a technique developed to mitigate these challenges, first ‘retrieves’ facts about a question, then provides those facts to the model before it ‘generates’ an answer – this is what we mean by grounding.” (Türkçesi: Retrieval Augmented Generation (RAG), bu zorlukları azaltmak için geliştirilen bir tekniktir; önce bir soruyla ilgili gerçekleri ‘getirir’, ardından model bir yanıt ‘üretmeden’ önce bu gerçekleri ona verir — grounding ile kastettiğimiz budur.) — Burak Gokturk, VP & GM, Cloud AI, Google Cloud (27 Haziran 2024). Alıntıya git

Özgün RAG makalesi — parametrik ve parametrik olmayan bellek

• “retrieval-augmented generation (RAG) — models which combine pre-trained parametric and non-parametric memory for language generation.” (Türkçesi: dil üretimi için önceden eğitilmiş parametrik ve parametrik olmayan belleği birleştiren modeller.) — Lewis ve ark., NeurIPS 2020.

Patrick Lewis, baş yazar — isim hakkında (NVIDIA Blog, Rick Merritt aracılığıyla)

• “We definitely would have put more thought into the name had we known our work would become so widespread.” (Türkçesi: Çalışmamızın bu kadar yaygınlaşacağını bilseydik isme kesinlikle daha fazla kafa yorardık.)
• “We always planned to have a nicer sounding name, but when it came time to write the paper, no one had a better idea.” (Türkçesi: Her zaman daha hoş seslenen bir isim planlamıştık, ancak makaleyi yazma zamanı geldiğinde kimsenin daha iyi bir fikri yoktu.) Haberi oku

Microsoft — içeriğinizle grounding olarak RAG

• “Retrieval-augmented generation (RAG) is a pattern that extends LLM capabilities by grounding responses in your proprietary content.” (Türkçesi: Retrieval-augmented generation (RAG), yanıtları tescilli içeriğinizde temellendirerek LLM yeteneklerini genişleten bir kalıptır.) — Microsoft, Azure AI Search belgeleri.

Anthropic — chunking sorunu

• “traditional RAG solutions remove context when encoding information.” (Türkçesi: geleneksel RAG çözümleri bilgiyi kodlarken bağlamı kaldırır.) — Anthropic, Contextual Retrieval (19 Eylül 2024). Yazıyı oku

AWS — RAG ve yeniden eğitim karşılaştırması

• “Retrieval-Augmented Generation (RAG) is the process of optimizing the output of a large language model, so it references an authoritative knowledge base outside of its training data sources before generating a response.” (Türkçesi: Retrieval-Augmented Generation (RAG), bir yanıt üretmeden önce büyük bir dil modelinin eğitim verisi kaynakları dışındaki yetkili bir bilgi tabanına başvurmasını sağlayarak çıktısını iyileştirme sürecidir.) — AWS.
• “RAG is a more cost-effective approach to introducing new data to the LLM.” (Türkçesi: RAG, LLM’e yeni veri sunmak için daha uygun maliyetli bir yaklaşımdır.) — AWS.

OpenAI — ChatGPT Search için kendi tarayıcısı

• “OpenAI uses OAI-SearchBot and GPTBot robots.txt tags to enable webmasters to manage how their sites and content work with AI… a webmaster can allow OAI-SearchBot in order to appear in search results while disallowing GPTBot to indicate that crawled content should not be used for training.” (Türkçesi: OpenAI, web yöneticilerinin sitelerinin ve içeriklerinin AI ile nasıl çalışacağını yönetmesi için OAI-SearchBot ve GPTBot robots.txt etiketlerini kullanır… bir web yöneticisi arama sonuçlarında görünmek için OAI-SearchBot’a izin verirken taranan içeriğin eğitim için kullanılmaması amacıyla GPTBot’a izin vermeyebilir.) — OpenAI, Overview of OpenAI Crawlers. Belgeleri oku

Michael King, iPullRank — agentic geçiş (Search Engine Land)

• “The retrieve-once-then-generate pattern that defined the first wave is obsolete… Agentic RAG is now the default.” (Türkçesi: ilk dalgayı tanımlayan bir kez getir-sonra-üret kalıbı artık geçersiz… Agentic RAG artık varsayılandır.) Haberi oku

RAG kopya kağıdı

İşlem hattı, baştan sona

query → [retrieval: chunk · embed · vector search (+BM25) · re-rank · top-k] → augment (passages into context) → generate (LLM writes grounded, cited answer)

RAG ve fine-tuning karşılaştırması

RAG’nin üç nesli

Motorların getirme havuzları, genel bakış

Hızlı gerçekler

• RAG = Retrieval + Augmented Generation; Lewis ve arkadaşları tarafından 2020’de adlandırıldı.
• Çıkarım zamanında çalışır — ağırlıklar hiçbir zaman değişmez.
• Halüsinasyon çözülmüş değildir: yetersiz bağlam bir modelde oranı %10,2 → %66,1’e çıkardı.
• Bağlam farkındalıklı chunking, başarısız getirmeleri %49 azalttı (yeniden sıralamayla %67).
• İçeriğinizi AI için önceden “chunk”lamayın — açık H2/H3 yapısı kendi başına iyi parçalanır.

Zihinsel modeller

1. Getir → Zenginleştir → Üret. Her RAG sistemi bu üç hamleden oluşur. Bir AI yanıtı yanlış olduğunda hangi aşamanın başarısız olduğunu bulun: doğru pasajları getirdi mi, yeterli bağlamı aktardı mı, yoksa model iyi kaynaklardan yanlış mı üretti? AI görünürlüğü sorunlarının çoğu üretim değil, getirme sorunlarıdır.

2. Parametrik ve parametrik olmayan bellek. Modelin parametrik bilgisi (ağırlıklarında donmuş, eğitim kesilme tarihiyle sınırlı) ve parametrik olmayan bilgisi (canlı olarak getirilen) vardır. İçerik yayımlamak ağırlıklara dokunamaz — ancak canlı getirmeyi besleyebilir. SEO’nun AI araması için hâlâ geçerli olmasının bütün nedeni budur.

3. RAG ve fine-tuning, bilgiye karşı davranış ayrımıdır. Modelin yeni veya değişen gerçekleri bilmesini mi istiyorsunuz? RAG. Nasıl davrandığını veya yazdığını mı değiştirmek istiyorsunuz? Fine-tuning. Haftalık değişen gerçekleri eklemek için fine-tuning yapmayın.

4. Getirme kalitesi darboğazdır — iki yönlü çalışır. Daha iyi getirme, daha büyük bir modeli geride bırakır. Yetersiz getirme ise hiç getirmemekten daha kötü olabilir. Bu nedenle içeriğinizin amacı yalnızca “getirilmek” değil, modelin kesin bir yanıt vermesini sağlayan yeterli, kendi kendine yeten bir pasaj olarak “getirilmek” olmalıdır.

5. Tarama → dizin → getirme zinciri. Ayrı bir AI dizini yoktur. Bir sayfa tarama veya dizine ekleme aşamasında başarısız olursa Google’ın RAG’si için de kendi havuzlarını oluşturan AI motorları için de getirmeye ulaşamaz. Önce zinciri düzeltin; pasajları sonra optimize edin.

Kendinizi sınayın: Retrieval-augmented generation

Zaman ayırmaya değer kaynaklar

İlgili yazılarım ve araştırmalarım

• LLM Araması için Optimizasyon Hakkında Gerçekte Bildiklerimiz — verilerimi kullanan Ahrefs yazısı: yoğun bağlantı verilen sayfalardaki bahsetmelerin AI Overview’a dahil olmanın en güçlü tahmincisi olduğunu belirtir (ρ ≈ 0,70).
• Generative Engine Optimization — RAG destekli arama ortamına SEO’nun yanıtı.
• GEO? AEO? LLMO? Tüm Bu AI SEO Terimleri de Nesi? — AI arama ortamını ve dizine eklenme ön koşulunun neden değişmediğini anlattığım Ahrefs Evolve 2025 konuşmam.

Temel makaleler

• Bilgi Yoğun NLP Görevleri için Retrieval-Augmented Generation — Lewis ve ark., 2020 (kökeni).
• LLM’ler için RAG: Bir Araştırma — Gao ve ark. (naive/advanced/modüler taksonomi).

Diğer kaynaklardan

• AI Arama Motorları Nasıl Çalışır? — Ryan Law (Ahrefs), RAG’yi temellendirme mekanizması olarak ele alır.
• Google AI Overviews: Bilmeniz Gereken Her Şey — Ong & Law (Ahrefs), temel dizin üzerinde RAG hakkında.
• Retrieval-Augmented Generation Nedir? — NVIDIA (Lewis’in adlandırma anekdotunu içerir).
• Retrieval-Augmented Generation SEO’yu Nasıl Yeniden Tanımlıyor? — Francine Monahan, iPullRank (pasaj düzeyinde optimizasyon).
• RAG’nin Ötesinde: her AI arama platformu neden artık agentic? — Michael King, Search Engine Land.
• Perplexity AI Yanıtları Nasıl Çalışır? — Ishtiaque Ahmed, getirme/sıralama/alıntı işlem hattının teknik incelemesi.
• AI tarafından nasıl alıntılanırsınız: 8.000 AI alıntısından SEO içgörüleri — James Allen, Search Engine Land; otorite ve E-E-A-T AI alıntılarını sıralama konumundan daha çok etkiler.
• Perplexity, Vespa.ai’yi nasıl kullanıyor? — Vespa.ai’nin Perplexity’nin hibrit BM25 + yoğun getirme mimarisine ilişkin birinci taraf açıklaması.
• Retrieval-augmented generation — Wikipedia — RAG zehirlenmesi ve halüsinasyon uyarısını da kapsayan yararlı genel bakış.

Alıntılamaya değer istatistikler

• %10,2 → %66,1 halüsinasyon sıçraması — bir modelin yetersiz getirilen bağlamla ve hiç bağlam olmadan ölçülen halüsinasyon oranı; kötü getirme, hiç getirmemekten daha kötü olabilir. Google Research, ICLR 2025. Kaynak
• Başarısız getirmelerde %49 azalma, bağlam farkındalıklı chunking’den (Contextual Embeddings); yeniden sıralamayla birlikte %67’ye yükselir. Anthropic, 2024. Kaynak
• ρ ≈ 0,70 — araştırmamda yoğun bağlantı verilen sayfalardaki bahsetmeler, Google AI Overview’a dahil olmanın en güçlü tahmincisidir; markalı web bahsetmeleri 75 000 marka genelinde yaklaşık 0,66 ile ilişkilidir. Kaynak
• ~%30 hayatta kalma oranı — üçüncü taraf analize göre, getirilen 60’tan fazla kaynağın yalnızca yaklaşık en üstteki %30’u Perplexity’nin yeniden sıralama eşiğini geçerek üretim aşamasına girer. Kaynak
• Bilgi görevlerinde RAG > denetimsiz fine-tuning — “for both existing knowledge encountered during training and entirely new knowledge.” (Türkçesi: hem eğitim sırasında karşılaşılan mevcut bilgi hem de tamamen yeni bilgi için.) Kaynak

Değişiklik günlüğü