İlk nesil RAG (Retrieval-Augmented Generation) basit bir varsayıma dayanıyordu: belgeleri parçalara ayırmak, embedding’ler üretmek, kosinüs benzerliğiyle arama yapmak ve en iyi K parçayı LLM’ye aktarmak. Binlerce karmaşık PDF, tablo ve alana özgü terim bulunan kurumsal ortamlarda naif RAG çoğu zaman başarısız olur.
RAG 2.0, bilgi getirme sürecini çok aşamalı bir mühendislik hattına dönüştürür. Dense vector embedding’lerin anlamsal anlamı yakaladığı, BM25 veya PostgreSQL pgvector gibi sparse keyword search yöntemlerinin de kesin ürün kimliklerini, adları ve kodları bulduğu Hybrid Search ile başlar.
İkinci aşamada Cohere Rerank veya BGE-Reranker gibi bir yeniden sıralayıcı eklemek isabet oranını önemli ölçüde artırır. Sorgunun tüm bağlamını aday parçalarla karşılaştırır ve LLM’nin bağlam penceresine ulaşmadan önce alakasız gürültünün %90’ını eler.
GraphRAG, yapılandırılmamış kurumsal belgelerden bilgi grafikleri (varlıklar ve ilişkiler) oluşturarak bilgi getirmeyi ileri taşır. «2025 tarihli tüm tedarikçi sözleşmelerinde ortak riskler neler?» gibi genel sorularda yalıtılmış belge parçaları getirmek yerine grafik düğümlerinde gezinir.
Karmaşık belgeleri içeri aktarırken Claude 3.5 Sonnet Vision veya Unstructured.io gibi çok modlu modeller PDF grafiklerini, finans tablolarını ve şemaları embedding öncesinde Markdown tablolarına dönüştürerek sonraki yanıtların matematiksel doğruluğunu korur.
Bir sonraki ürüne kalacak birini verin.
Başlamaya hazır mısınız? Bana yazın — hemen başlayabilir ve kalabilirim. İki haftalık devir değil, uzun vadeli iş birliği. Projenizi, gereksinimleri ve ilerlemenin en iyi yolunu konuşalım.