Yapay Zeka Araması Nasıl Çalışır? RAG ve Grounding Rehberi

Bu sayfa neden diğer her şeyin "neden"i?

GEO tarafında verilen tavsiyelerin çoğu — içeriği parçalara ayır, botlara izin ver, yapılandırılmış veri ekle, tarihleri güncelle — tek başına duyulduğunda keyfi görünür. Hepsinin gerekçesi aynı yerde: modelin cevabı üretirken izlediği getirme zincirinde. Zinciri bir kez anlarsanız, taktik listesi ezberlenecek bir şey olmaktan çıkar.

Bu yüzden GEO danışmanlığı tarafında müşteriyle ilk konuştuğum konu araç seçimi değil, bu akış oluyor. "ChatGPT'de nasıl çıkarım" sorusunun cevabı bir hile değil; sorunun kendisi yanlış kurulmuş. Doğru soru şu: bu sekiz adımlık zincirin hangi adımında benim içeriğim düşüyor?

Aşağıda önce zinciri kuran mantığı, sonra adımların tek tek ne yaptığını, en sonda da bu mekanizmanın Türkçe içerikte nasıl farklı davrandığını anlatıyorum. Teknik kısımları anlatırken ölçüyü şurada tutuyorum: bir sistemi kurabilecek kadar değil, kendi içeriğiniz hakkında doğru kararı verebilecek kadar.

RAG nedir, neden var?

RAG (Retrieval-Augmented Generation — getirilen belgeyle güçlendirilmiş üretim), dil modelinin cevap üretmeden önce harici bir kaynaktan ilgili metinleri çekip bunları kendi bağlamına eklemesidir. Model artık ezberinden değil, o an önüne konan belgelerden konuşur. Sonuç daha güncel, daha izlenebilir ve uydurma oranı daha düşük bir çıktıdır.

Sorunun kökeni basit. Bir dil modeli yalnızca eğitildiği veriyle sınırlıdır. Eğitim kesim tarihinden sonrasını bilmez ve bilmediği yerde susmak yerine makul görünen bir metin üretme eğilimindedir — halüsinasyon dediğimiz şey bu.Çıplak bir modele "bugün geçerli faiz oranı nedir" diye sormanın güvenilir bir cevabı yoktur.

RAG bu kırılganlığı yamayla değil yapısal olarak çözüyor: klasik bilgi erişim sistemlerinin getirme yeteneğiyle üretici modelin dil yeteneğini aynı boru hattına koyuyor.

Pazarlama tarafında bunun tek bir sonucu var ve büyük bir sonuç: modelin eğitim verisinde geçmek zorunda değilsiniz. Cevaba girmek için modelin "sizi bilmesi" gerekmiyor; soru sorulduğu anda getirilen ilk birkaç belge arasında olmanız yeterli. Bu, GEO'yu marka büyüklüğünden bağımsız hale getiren şey. Küçük bir sitenin, doğru parçalanmış ve doğru anda taze bir sayfayla dev bir rakibin önüne geçmesi bu yüzden mümkün.

Bunun ters yüzü de var. Getirme her sorguda yeniden çalıştığı için kazandığınız yer kalıcı bir mevzi değil. Klasik aramada bir sıralamayı aylarca koruyabilirsiniz; burada her soru yeni bir yarışma. İçeriğin bakımsız bırakıldığı anda düşmesi, algoritma cezasından değil, mekanizmanın doğasından kaynaklanıyor.

Zincir adım adım: belgeden cevaba sekiz durak

Bir RAG sistemi belgeyi almaktan cevabı yazmaya kadar sekiz bağlı adımda çalışır. İlk üçü siz daha soruyu duymadan, arka planda olur. Ortadaki üçü kullanıcı soruyu yazdığı anda saniyeler içinde çalışır. Son ikisi cevabın kendisidir. Her adımın içerik tarafında bir karşılığı var ve o karşılığı görmezseniz adım sadece jargon olarak kalır.

Hazırlık aşaması — siz daha sorulmadan buradasınız

1. Belge alma ve parçalama (chunking). Ham belgeler sisteme girer ve modelin bağlam sınırına sığacak parçalara bölünür. Kritik nokta: her parçanın tek başına eşleştirilebilir olması gerekir. Parça ne çok küçük ne çok büyük olmalı.

Sizin tarafınızda bu şu demek: cevaba giren şey sayfanız değil, sayfanızın bir parçası. Bir bölümü, önceki bölümde tanımladığınız bir kısaltmaya dayanıyorsa, o parça tek başına koptuğunda anlamsızlaşır ve elenir. Başlıklarını bağlamsız okunacak şekilde yazmak, her bölümün altına kendi kendine yeten bir cevap paragrafı koymak — bu sayfadaki .bolum-cevap blokları dahil — doğrudan bu adıma oynanan hamleler.İçerik chunkingsayfasında bunun uygulaması var.

Bir adım öncesi de var ve çoğu sitede asıl kayıp orada: belge sisteme hiç girmiyorsa geri kalan yedi adımın hükmü yok. Botun sayfanızı çekebilmesi tartışmanın giriş bileti.AI botları ve robots.txtyönetimini ayrı bir sayfada ele alıyorum.

Şu ayrımı da baştan yapmak gerekiyor: eğitim için tarayan botla, cevap anında sayfayı çekmeye gelen bot aynı şey değil. Birine kapıyı kapatıp diğerine açmak mümkün ve çoğu zaman doğru karar bu. İkisini tek bir satırla birden engelleyen sitelerin sayısı az değil ve genelde farkında olmadan yapılıyor.

2. Ön işleme. Parçalar temizlenir ve modelin işleyebileceği birimlere ayrılır. Ham metinlerde sık geçen "stemming ve stop word kaldırma" adımları bugünün anlamsal arama hatlarında genellikle uygulanmaz; bunlar hibrit aramanın anahtar kelime bacağına ait klasik adımlardır.Pratik karşılığı: gövde metninize karışan menü, çerez uyarısı, tekrar eden footer metni gibi kalabalık, parçanın kalitesini düşürür. Temiz HTML burada ölçülebilir fark yaratır.

3. Vektöre çevirme ve depoya yazma. Temizlenen her parça yüksek boyutlu bir sayı dizisine — embedding'e — dönüşür ve kaynak bilgisiyle birlikte veritabanına yazılır. Sistemin atıf verebilmesi ya da gerektiğinde cevap vermekten kaçınabilmesi bu kaynak kaydına bağlıdır.

Bu cümlenin altını çizin: atıf, teknik olarak kaynak bilgisinin izlenebilmesidir. Sayfanız kim tarafından, ne zaman, hangi varlık adına yayımlandığı belirsiz bir metin yığınıysa, model onu kullanabilir ama size referans veremez. Yazar, yayın tarihi ve kurum bağını makine tarafında net kuran yapılandırılmış veriile varlık çalışmasının karşılığı tam olarak burası.

Getirme aşaması — soru sorulduğu an

4. Sorgunun vektöre çevrilmesi. Kullanıcı soruyu yazdığında, belgeleri işleyen embedding modeli soruyu da aynı uzaya taşır. Belge ve soru aynı uzayda temsil edildiği için aralarındaki anlamsal yakınlık hesaplanabilir hale gelir.Bunun içerik tarafındaki sonucu, anahtar kelime alışkanlığını bozan bir şey: eşleşme kelime düzeyinde değil anlam düzeyinde kuruluyor. Kullanıcının kurduğu cümleyi birebir sayfanıza yerleştirmek zorunda değilsiniz; o cümlenin sorduğu şeyi gerçekten cevaplamanız gerekiyor.

5. Benzerlik araması. Sorgu vektörü depodaki vektörlerle karşılaştırılır ve en yakın birkaç pasaj (top-k) getirilir. Olgun sistemler burada hibrit arama kullanır: anlamsal aramayı ve klasik anahtar kelime aramasını paralel çalıştırıp sonuçları birleştirir.Yani anahtar kelime ölmedi, tek başına belirleyici olmaktan çıktı. Marka adı, ürün kodu, mevzuat numarası gibi tam eşleşme isteyen ifadeler hâlâ lafzen sayfada geçmeli.

Gerçek sistemlerde tek bir sorgu da atılmıyor. Kullanıcının tek cümlesi birden çok alt sorguya bölünüp paralel yürütülüyor — Google'ın AI Modu'nda buna query fan-out deniyor. İçerik açısından anlamı şu: tek bir hedef kelimede birinci olmak yerine, o kelimenin etrafındaki soru kümesinin tamamını kapsamak kazandırıyor.Query fan-out sayfası bu dağılımı örneklerle açıyor.

6. Yeniden sıralama (re-ranking). Getirilen adaylar ikinci bir süzgeçten geçer ve en alakalı olanlar üste taşınır.Buraya kadar gelip elenmek, GEO'da en sık görülen sessiz kayıp. Getirildiniz ama seçilmediniz. Ayırt eden şey genelde kalite değil fark oluyor: aynı beş kaynağın söylediğini altıncı kez söyleyen sayfanın üste çıkmak için sebebi yok. Özgün veri, kendi ölçümünüz, sektörden gerçek bir örnek — bunlar süsleme değil, bu adımdaki para birimi.Bilgi kazancı kavramı tam da bu eleme için var.

Üretim aşaması — cevabın yazıldığı yer

7. İstemin kurulması ve grounding. Seçilen pasajlar modele gidecek isteme eklenir. Sistem talimatı modele açıkça şunu söyler: yalnızca bu kanıtla desteklenen ifadeleri üret, emin değilsen cevap verme.

Abstain talimatının marka tarafında hoş olmayan bir sonucu var: sistem sizin hakkınızda kanıt bulamazsa uydurmak yerine susmayı tercih edebilir. Yani görünmemek her zaman kötü yazmaktan kaynaklanmıyor; bazen hakkınızda getirilebilir hiçbir kaynak olmamasından kaynaklanıyor. Kendi siteniz dışında hiçbir yerde doğrulanmayan bir iddia, bu adımda sessizce eleniyor.

8. Cevabın üretilmesi. Model, bağlama eklenen kaynaklara dayanarak cevabı yazar.Ve burada içerik üreticisi için son bir ayrıntı var: model cevabı sizin cümlelerinizle değil, kendi cümleleriyle yazar. Sayfanızdan aldığı şey ifade değil bilgi. Bu yüzden "alıntılanabilir yazmak" güzel cümle kurmak değil, bir iddiayı tek bir yerde, koşullarıyla birlikte, sıkıştırılmış biçimde vermek demek.

Grounding ile RAG aynı şey değil

Grounding, modelin çıktısını doğrulanabilir harici bilgiye dayandırma hedefidir. RAG ise bu hedefe ulaşmanın bir yöntemi. Her RAG uygulaması bir grounding biçimidir ama her grounding RAG değildir: bir CRM'e API çağrısı yapmak, bir veritabanı sorgusu çalıştırmak veya bilgi grafiğinde gezinmek de grounding'dir.

Ayrımın pratik faydası şu: bir platformda görünmüyorsanız, sorunun hangi katmanda olduğunu ayırt edebilirsiniz. Belge tarafındaki bir eksiklik içerik işidir. Ürün verisi, fiyat, stok gibi bilgilerin cevaba hiç girmemesi ise içerik işi değil, veri beyanı işidir — ve çözümü daha fazla yazmak değil, makine okunur biçimde beyan etmek.

Şili Ödülü deneyi

Farkı anlatan somut bir örnek var. DeepSeek'e "1932 Şili Ulusal Edebiyat Ödülü" sorulduğunda model gerçek bir yazar ve gerçek bir eser adıyla, ama tamamen yanlış bir bağlamda cevap üretti. Oysa bu ödül 1942'de kurulmuştu; 1932'de böyle bir ödül yoktu. Aynı modele RAG ile grounding uygulandığında, ödülün o tarihte mevcut olmadığını doğru biçimde belirtip kullanıcıdan açıklama istedi.

Örnek tek bir modelde yapılmış tek bir denemeden geliyor; genel bir başarı oranı değil. Yine de halüsinasyonun nasıl bir şey olduğunu iyi gösteriyor: model yalan uydurmuyor, doğru parçaları yanlış yere koyuyor. Ve bunun marka tarafında bire bir karşılığı var — hakkınızda tutarlı, tarihli, birbirini doğrulayan kaynak yoksa model boşluğu makul görünen bir tahminle doldurur. Grounding bu ihtimali azaltıyor, sıfırlamıyor.

RAG'ın göremediği yerler

RAG'ın kör noktası, her bilgi ihtiyacını bir belge bulma problemi sanmasıdır. "Siparişim nerede", "hesabımda ne kadar var", "bu ürün stokta mı" gibi sorular bir metin belgesinde değil, işlemsel bir veritabanı kaydında yaşar. Vektör araması bu kayıtlara uzanamaz. Gerçek zamanlı fiyat da aynı kategoride.

İkinci boşluk çelişki. Model birden çok kaynaktan besleniyorsa ve kaynaklar birbirini tutmuyorsa, hangisine yaslanacağına dair bir hakem gerekir. Getirdiği belgeyi yanlış parafraz etmesi de mümkün.Bu, marka tarafında sıkça görülen bir sorunun teknik açıklaması: kendi sitenizde yazan fiyat, üç yıllık bir haberdeki fiyatla çelişiyorsa cevabın hangisini alacağı garanti değil. Eski içeriği güncellemek ya da açıkça tarihlendirmek kozmetik bir iş değil.

İyi kurulmuş sistemler iki telafi mekanizması kullanıyor. Birincisi, isteme "kanıt yoksa cevap verme" talimatını koymak — buna abstain deniyor.İkincisi karmaşık sorgularda devreye giren agentic retrieval: sorguyu odaklı alt sorulara bölüp bunları paralel yürütmek.

Üretim ortamında tek bir teknik yetmiyor zaten. Bir destek asistanı politika sorularını RAG ile, hesap verisini araç çağrısıyla, varlıklar arası ilişkileri bilgi grafiğiyle cevaplayabilir.Sizin için pratik sonuç: ürün fiyatı, stok, açılış saati gibi veriler serbest metne gömülü kaldığı sürece eksik kalıyor. Bunları yapılandırılmış veriyle ayrıca beyan etmek, RAG'ın göremediği katmana el uzatmanın yolu.

Bu kör noktanın sektörel bir sonucu var. Bilgi satan işler — danışmanlık, hukuk, sağlık, eğitim — RAG'ın tam ortasında duruyor, çünkü sattıkları şey zaten metin. İşlem satan işlerde ise cevabın büyük kısmı metne hiç girmiyor: müsaitlik, kalan stok, güncel fiyat. İkinci gruptaysanız, içerik üretimini artırmak bir noktadan sonra sonucu değiştirmiyor; asıl kazanç veriyi makine okunur hale getirmekte.

Türkçe'de bu zincir aynı çalışmıyor

Mekanizma dilden bağımsız, ama girdi değil. Türkçe bir sorgu geldiğinde sistemin tarayabileceği kaynak havuzu İngilizce'ye göre kıyaslanamayacak kadar dar. Sondan eklemeli yapı hem anahtar kelime eşleşmesini hem parça sınırlarını etkiliyor. Sonuç, Türkçe içerik üreticisi için hem risk hem fırsat üretiyor.

Havuz meselesi en belirleyici olan. Bir konuda Türkçe'de derinlikli, güncel ve kaynaklı sayfa sayısı azsa, sistem elindeki zayıf adaylarla yetinmek ya da başka dile geçmek zorunda kalıyor. Bunun gözle görülür sonucu, Türkçe sorulan pek çok sorunun İngilizce kaynaklardan devşirilmiş bir cevapla dönmesi — model cevabı Türkçe yazar ama arkasındaki pasaj Türkçe değildir. Bu durumda atıf da yabancı siteye gider.

Fırsat tam burada: İngilizce'de bir konu için yüzlerce nitelikli aday yarışırken, aynı konuda Türkçe'de yarışan sayfa sayısı bir elin parmaklarını geçmeyebiliyor. Yeniden sıralama adımında elenmemek İngilizce'de zorken Türkçe'de çok daha ulaşılabilir bir hedef. Türkçe içerikte "geç kalınmış" bir alan yok; henüz doldurulmamış alan var.

Dilin yapısı ikinci katman. "Ödeme", "ödemeyi", "ödemelerde", "ödemelerinizden" — bunlar bir arama motorunun kelime düzeyinde eşleştirmesi gereken farklı dizgiler. Anlamsal arama bu varyasyonların çoğunu tolere ediyor, çünkü kök anlamı yakın vektörlere taşıyor. Ama hibrit aramanın anahtar kelime bacağı hâlâ lafzen eşleşme arıyor. Pratik karşılığı: marka adınızı, ürün adınızı ve kritik terimleri en az bir yerde yalın halde geçirin. Metnin tamamı çekimli hallerden ibaretse tam eşleşme isteyen sorgularda dezavantajlısınız.

Sorgu tarafında ayrı bir tuhaflık daha var: Türkiye'de kullanıcılar sık sık karma sorguyla geliyor — Türkçe cümlenin içine İngilizce ürün ya da teknoloji adı gömülü şekilde. Sistem böyle bir sorguyu alt sorulara böldüğünde, alt soruların bir kısmı doğal olarak İngilizce kaynaklara düşüyor. Terimin İngilizce halini de sayfanızda en az bir kez geçirmek, o alt soruların birinde yakalanma ihtimalini açıyor. Türkçe metne İngilizce terim serpiştirmek üslup meselesi gibi görünse de burada işlevsel bir karşılığı var.

Üçüncüsü parçalama tarafında. Türkçe'de bilgi cümlenin sonunda toplanır; yüklem sonda olduğu için bir cümlenin ilk yarısı tek başına bir şey söylemez. Uzun, çok yan cümlecikli paragraflar kesildiğinde İngilizce'ye kıyasla daha çok anlam kaybediyor. Kısa cümle burada üslup tercihi değil, teknik tercih.

Bir de terim ikiliği sorunu var: aynı kavramın "yapay zeka" ve "yapay zekâ", "AI Bakışı" ve "AI Genel Bakış" gibi iki yazımla dolaşması, embedding tarafında sinyali böler. Tüm sitede tek biçim kullanmak, küçük görünen ama getirme aşamasında bileşik etki yapan bir disiplin.

Zincirden çıkan içerik kararları

Sekiz adımın her biri bir kaybetme noktası olduğu için, GEO çalışması aslında bir eleme haritası üzerinde çalışmak demek. Botu içeri almadıysanız üçüncü adımı konuşmanın anlamı yok; parçalarınız bağlamsız okunmuyorsa yeniden sıralamayı tartışmak erken. Sıra önemli, çünkü zincirin altındaki bir sorun üstündeki bütün iyileştirmeleri geçersiz kılıyor. Bütçenin nereye gideceğine karar verirken tek kullanışlı soru bu: hangi halkada duruyoruz?

Kaba bir teşhis sırası şöyle işliyor: önce erişim (bot sayfayı çekebiliyor mu), sonra biçim (parçalar tek başına anlamlı mı), sonra eşleşme (soru kümesini gerçekten kapsıyor musunuz), en son ayrışma (aynı şeyi söyleyen beş kaynaktan farkınız ne). Çoğu sitede sorun sanılan yerde değil, bu listenin üst sıralarında çıkıyor.

Bir de ölçüm tarafında beklentiyi yerine oturtan bir şey var. Zincir her sorguda baştan çalıştığı için sonuçlar dalgalanır: aynı soruyu iki gün arayla sorduğunuzda farklı kaynaklar görebilirsiniz. Tek bir denemeye bakıp "çıkmıyorum" demek yanıltıcı. Anlamlı olan, sabit bir soru setini düzenli aralıklarla çalıştırıp eğilime bakmak.

Platform tarafında da mekanizma aynı, ağırlıklar farklı.Perplexity getirme ve atıfa daha görünür şekilde yaslanırken, ChatGPT tarafında hangi sorunun web aramasını tetikleyeceği ayrı bir mesele. Terimlerin birbirinden nerede ayrıldığınıGEO, SEO ve AEO farkı sayfasında ayrıca ele alıyorum.

Sıkça Sorulan Sorular

RAG ile fine-tuning arasındaki fark nedir?

RAG yeni bilgiyi modele çalışma anında, istemin içinde sunar; fine-tuning ise modelin ağırlıklarını yeni veriyle yeniden eğitir. Bilgi sık değişiyorsa RAG genelde daha pratik ve daha ucuz bir yol, çünkü modeli yeniden eğitmeden veri eklenebiliyor. Fine-tuning ise davranış ve üslup değiştirmek istediğinizde devreye giriyor. İkisi rakip değil, farklı işlerin araçları.

Grounding halüsinasyonu tamamen önler mi?

Hayır. Modele istem içinde gerçek belgeler vermek uydurma oranını düşürür, ama iyi temellendirilmiş modeller bile aldıkları içeriği yanlış aktarabilir.

İçeriğim modelin eğitim verisinde yoksa hiç şansım yok mu?

Tam tersi. RAG'ın varlık sebebi bu: cevap eğitim verisinden değil, o an getirilen belgelerden kuruluyor. Dün yayımladığınız bir sayfa, bugün sorulan bir soruya kaynak olabilir. Bu yüzden tazelik ve taranabilirlik, modelin sizi tanıyor olmasından daha belirleyici.

Neden içeriğim getiriliyor ama atıf almıyorum?

İki ayrı ihtimal var. Ya yeniden sıralama adımında elendiniz — getirildiniz ama daha alakalı bulunan başka pasajlar üste çıktı. Ya da kaynak bilgisi net izlenemediği için sistem içeriği kullandı ama size referans veremedi. Birincisinin çaresi ayrışma, ikincisinin çaresi yazar, tarih ve kurum bağını makine tarafında net kurmak.

Tek adımlı RAG mı, agentic retrieval mı?

Basit arama görevlerinin çoğu için tek adımlı RAG yeterli. Çok adımlı akıl yürütme gerektiren, birden çok kaynağı birleştirmesi gereken sorularda agentic retrieval devreye giriyor.İçerik tarafında bunun anlamı, karşılaştırma ve karar sorularının tek bir sayfayla değil, birbirine bağlı bir sayfa kümesiyle kazanıldığı. Alt sorular paralel yürütüldüğü için, o kümenin her parçasında ayrı ayrı görünür olmanız gerekiyor.

Verilerimin gizliliği RAG'da nasıl korunur?

Tamamen mimariye ve araç seçimine bağlı. Kendi altyapınızda çalışan bir arama katmanı kurduğunuzda verinin dışarı çıkmaması mümkün — Elasticsearch üzerine kurulan RAG için üretici bunu açıkça belirtiyor; satıcı beyanı olduğunu not edelim.Harici bir API'ye bağlanan kurulumlarda ise sözleşme ve veri işleme koşulları belirleyici oluyor.