RAG Signal™ Adaptive RAG Mimarisi

1. Giriş

Üretken yapay zeka sistemlerinin hızla yayılması dijital bilgi ortamını temelden değiştirdi. Kullanıcılar, sıralı bağlantı listeleri yerine bu modellerin sentezlediği yanıtları giderek daha fazla kullanıyor. Bu değişim, markanın LLM üretimli içerikte temsil edilmesini kritik bir rekabet konusu haline getiriyor. Geleneksel Arama Motoru Optimizasyonu (SEO) bu yeni gerçeklik için yetersiz kalıyor; Generative Engine Optimization (GEO) ihtiyacı buradan doğuyor.

Üretim ortamındaki çoğu RAG kurulumu, RAG Signal mimarisinin doğrudan ele aldığı dört kritik sınırlılık gösterir:

1. Statik indeksler: İçerik değiştiğinde otomatik güncellenmez; djb2 içerik hashine dayalı artımlı indeksleme ile çözülür.
2. Tek kaynak bağımlılığı: Yalnızca site içeriği indekslenir; farklılaştırılmış ağırlıkla çok kaynaklı alım bunu giderir.
3. Görevden bağımsız getirme: Tek sıralama ölçütü kosinüs benzerliğidir; görev bağlamı göz ardı edilir. Görev odaklı sorgu zenginleştirme bu bağlamı ekler.
4. Zamansal körlük: Eski ve yeni veriye eşit ağırlık verilir; 180 günlük kesin eşikli rasyonel güncellik puanı bunu düzeltir.

2. İlgili Çalışmalar

Retrieval Augmented Generation (RAG) sistemleri, Büyük Dil Modellerinde (LLM) bilgi güncelliği ve doğruluğu sorunlarını ele alan önemli bir araştırma alanıdır. Geleneksel yaklaşımlar çoğunlukla statik bilgi tabanlarına ve basit benzerlik metriklerine dayanırken yeni çalışmalar bu sınırlılıkları aşmaya odaklanır.

SPARC-RAG gibi Adaptive RAG yaklaşımları getirme stratejisini sorgu bağlamına göre dinamik olarak değiştirir. STAR-RAG ve Chronofy ile örneklenen Temporal RAG, güncellik farkındalıklı getirmeyi boru hatlarına ekler. RAG Signal bu yaklaşımları çok kaynaklı farklı ağırlıklandırma, görev farkındalıklı zenginleştirme ve üretimde güçlendirilmiş kesin eşikli güncellik işleviyle genişletir.

3. Sistem Mimarisi

3.1 Sağlam Hash Tabanlı Artımlı Güncellemeler

Ham sayfa içeriğinin djb2 içerik hashi parmak izi olarak kullanılır ve artımlı yeniden indeksleme mümkün olur. Sistem yalnızca yapısal veya kısmi içerik değiştiğinde yeniden indeksler; değişmeyen içerik için embedding API maliyetlerini ve veritabanı yazımlarını azaltır.

3.2 Vektör Gösterimi

Birincil embedding modeli Jina AI'ın jina-embeddings-v3 modeliyle 1.024 boyutlu vektörler üretir. Vektörler PostgreSQL'de pgvector HNSW indeksiyle saklanır ve milisaniyenin altında yaklaşık en yakın komşu araması sağlar.

3.3 ReLU ile Normalize Benzerlik

Anlamsal benzerlik 0 ile 1 arasında ReLU filtresiyle sınırlandırılır. Böylece negatif kosinüs benzerlikleri kaynak ağırlıkları ve güncellik katsayılarıyla çarpıldığında anlamsız negatif skorlar üretmez: s'(q, c) = max(0, sim(q, c)).

3.4 Farklı Kaynak Ağırlıkları

3.5 Kesin Eşikli Zamansal Güncellik Puanı

Veri güncelliği, Δt son güncellemeden beri geçen gün olmak üzere f(Δt) = 1 / (1 + Δt/30) rasyonel azalma işleviyle ölçülür. 180. günde skor sıfırlanır; böylece bayat veri, azalan ancak sıfır olmayan ağırlıkla süresiz kalmaz.

3.6 Görev Odaklı Sorgu Zenginleştirme

Ham kullanıcı sorguları embedding öncesinde göreve özgü anahtar kelime ekleriyle genişletilir: meta → “page title description content keywords”, discovery → “services audience USP keywords brand positioning”, audit → “technical issues recommendations content quality”, hallucination → “facts services team location founding year”, score → “content structure readability entities schema”.

3.7 Bileşik Sıralama Skoru

Matematiksel ön sıralama üç bağımsız faktörün çarpımıdır:

score(c) = max(0, sim(q, c)) × w(source(c)) × f(updated_at(c))

En iyi 2k aday (k, istenen sonuç sayısıdır) LLM yeniden sıralamasına ilerler.

3.8 Hibrit Sıralama: Anlamsal + Anahtar Kelime Birleşimi

Getirme işlemi PostgreSQL üzerinden %70 anlamsal ve %30 anahtar kelime ağırlıklı hibrit yaklaşımla yapılır; böylece hem kavramsal olarak ilgili hem de terim düzeyinde kesin içerikler yüzeye çıkar.

3.9 LLM ile Yeniden Sıralama

Matematiksel ön sıralamanın ardından DeepSeek Reasoner tabanlı LLM yeniden sıralayıcı bağlamsal ilgiyi değerlendirir. Başarısızlık halinde sistem üretim güvenilirliğini korumak için matematiksel sıralamaya döner.

3.10 KB Curator Agent

Otonom kürasyon hattı her alınan parçayı keep, improve veya delete olarak sınıflandırır. Gezinme menüleri, çerez bildirimleri ve boilerplate kaldırılır; iyileştirilen içerik taze vektörlerle yeniden embed edilir. Küratör idempotenttir: yalnızca daha önce işlenmemiş içerik ele alınır.

4. Uygulama

RAG Signal™ Adaptive RAG mimarisi Apache 2.0 lisanslı, açık kaynak Supabase Edge Functions (TypeScript/Deno) kümesi olarak uygulanır:

5. Deneysel Sonuçlar

Mimari, yedi sektörü temsil eden on üretim müşteri kurulumunda doğrulanmıştır:

Kurulum başına 63–105 prompt. Attribution, web aramalı Mistral Large ile yanıt metnindeki ve citationlardaki marka varlığı değerlendirilerek ölçülmüştür.

6. Sonuç

RAG Signal™ Adaptive RAG mimarisi; djb2 hash tabanlı artımlı güncellemeler, çok kaynaklı farklı ağırlıklandırma, ReLU ile sınırlandırılmış normalize benzerlik, görev odaklı sorgu zenginleştirme, 180 günlük kesin eşikli güncellik, hibrit anlamsal-anahtar kelime birleşimi ve otonom bilgi tabanı kürasyonu ile geleneksel RAG sistemlerinin dört temel sınırlılığını ele alır. On üretim kurulumunda gözlenen ortalama %77,1 attribution oranı, yeni nesil Generative Engine Optimization için dayanıklı ve doğrulanmış bir çerçeve sunar.

Kaynakça

1. djb2 Hash Function. (Erişim: 26 Temmuz 2026).
2. Rectified Linear Unit (ReLU) Activation Function. (Erişim: 26 Temmuz 2026).
3. Exponential Decay Function. (Erişim: 26 Temmuz 2026).
4. O. Martinez, “Optimizing Visibility in Generative Engines,” arXiv:2607.14035, 2026.
5. Z. Tian ve diğerleri, “Diagnosing and Repairing Citation Failures in GEO,” arXiv:2603.09296, 2025.
6. “What is RAG? Latest Advances,” Squirro Blog, 2026.
7. “How RAG Works for Enterprise AI,” Techment Blog, 2026.
8. “SPARC-RAG,” arXiv:2602.00083, 2026.
9. Z. Zhu ve diğerleri, “STAR-RAG,” arXiv:2510.16715, 2025.
10. “Agentic RAG: A Survey,” arXiv:2501.09136v4, 2026.
11. “GEO Guide 2026,” Digital Applied Blog, 2026.
12. “GEO: The 2026 Guide,” LLMRefs, 2026.
13. “GEO Statistics (2026),” Omnibound AI Blog, 2026.
14. “Mastering GEO in 2026,” Search Engine Land, 2026.
15. M. Syed ve diğerleri, “Chronofy,” arXiv:2607.20560, 2026.