YZ · RAG, Gömme & Vektör

Vektör indeksi belgelerin yanında duruyor. Ayrı bir vektör veritabanından farkı veriyi başka depoya kopyalama ve senkron tutma derdini kaldırması; tam destek Atlas’ta, kendi kurduğun MongoDB’de bu özellik daha yeni.

Açık gömme modellerinin en yaygın ailesi. Ücretli gömme API’lerine kıyasla MTEB sıralamasında yakın duruyor ve çoğu sürüm MIT lisanslı: ticari kullanımda engel yok, veri makineden çıkmıyor.

Uygulamanın içine gömülü çalışan vektör veritabanı; sunucu süreci yok, pip install sonrası kullanmaya başlıyorsun. Qdrant ya da Milvus gibi sunucu tabanlılardan farkı prototip için en hızlılardan biri olması; üretim ölçeğinde başkasına devretmen gerekebilir.

100’den fazla dili tek vektör uzayında temsil ediyor; Türkçe sorguyla İngilizce belge bulmak mümkün. OpenAI gömmelerinden farkı sorgu ve belge için ayrı giriş tipi alması — eşleşme kalitesini artıran bu ayrım.

BM25 anahtar kelime aramasıyla vektör aramasını tek sorguda birleştirip (hibrit arama) sonuçları RRF ile harmanlayabiliyor. Saf vektör veritabanlarından farkı tam da bu anahtar kelime yarısı.

Kod tabanını AST çözümlemesiyle gezip dokümanları, SQL şemalarını ve PDF’leri de katarak sorgulanabilir bir grafiğe çeviriyor. Düz metin aramasından farkı ilişkileri — kim kimi çağırıyor, hangi tablo nerede kullanılıyor — kod asistanına bağlam olarak vermesi.

Belgelerden varlık ve ilişki çıkarıp bilgi grafiği kuruyor, sonra topluluk özetleri üretiyor. Parça getiren klasik RAG’dan farkı “bu külliyatın ana temaları neler” gibi bütüne dair soruları cevaplayabilmesi.

Bileşenleri açıkça birbirine bağlıyorsun; hattın hangi adımda ne yaptığı okunabilir kalıyor. LangChain’in örtük akışından farkı bu şeffaflık — hata ayıklarken gözle görülür bir kazanç.

Çok kipli gömme ve arama altyapısı; belge ve görselleri vektörle aranır kılıyor. Tek kipli gömme API’lerinden farkı metin ile görseli aynı uzayda temsil etmesi; web sayfasını modele hazır metne çeviren okuyucu ve yeniden sıralayıcı modelleri de var.

Kısa vadeli (thread içi durum) ve uzun vadeli (thread’ler arası store) belleğin ayrımını ve hangisinin ne zaman kullanılacağını anlatan kavram sayfası. Genel agent belleği yazılarından farkı ayrımı somut LangGraph API’sine bağlaması.

MemGPT araştırmasının ürünleşmiş hâli. Düz vektör belleğinden farkı bağlam penceresini işletim sistemi gibi yönetmesi: sıcak bilgiyi pencerede tutup gerisini harici depoya sayfalıyor.

Belge yükleme, parçalama, indeksleme ve sorgu aşamalarının her birini ayrı ayrı değiştirilebilir kılıyor. Genel amaçlı bir çatı değil; alma (retrieval) hattını ince ayarlamak isteyen için tasarlanmış.

Gömme üretiminden vektör aramaya kadar uçtan uca çalışan vektör arama motoru. Ayrı bir gömme servisi ve vektör veritabanı kurmak yerine ham metin ya da görseli verip doğrudan arıyorsun.

Konuşmadan çıkarılan olguları saklıyor, çelişenleri güncelliyor, alakasızları eliyor. Ham geçmişi biriktirmek yerine neyin hatırlanmaya değer olduğuna karar veren bir katman.

Mem0 bellek katmanının kendi altyapında çalıştırılabilen sürümü. Barındırılan Mem0 platformu yerine veriyi kendinde tutuyorsun; Embedchain projesi de bu depoda birleşti, eski Embedchain bağlantıları buraya çıkıyor.

Depolama ve hesaplamayı ayıran dağıtık vektör veritabanı; milyar ölçekli koleksiyonlar için tasarlanmış. Qdrant’a kıyasla daha büyük ölçeği hedefliyor; dağıtık kurulum Kubernetes istiyor, küçük projeler için Milvus Lite ve tek düğümlü sürüm var.

İlişkiler tabloda yabancı anahtar değil, birinci sınıf veri. Cypher sorgu diliyle çok adımlı ilişki gezinmeleri, SQL’de yazılacak iç içe JOIN’lere göre hem kısa hem hızlı.

text-embedding-3 ailesinin boyut, fiyat ve kullanım referansı. Açık gömme modellerine kıyasla işletme yükü yok; Matryoshka desteği sayesinde vektör boyutunu isteğe göre kısaltıp depolama maliyetini düşürebiliyorsun.

PostgreSQL’e vektör tipi ve HNSW/IVFFlat indeksleri ekleyen uzantı. Ayrı bir vektör veritabanından farkı, vektörü ilişkisel veriyle aynı işlemde (transaction) tutabilmen.

Tam yönetilen vektör veritabanı; sunucusuz katmanında kapasite planlaması yapmıyorsun. Qdrant ya da pgvector gibi kendin işlettiğin seçeneklere kıyasla işletme yükü en düşük; karşılığında verinin nerede durduğu üzerinde denetimin yok.

JSONB, tam metin arama ve pgvector ile birlikte tek bir veritabanının üç ayrı sistemin işini görebildiği noktaya gelmiş durumda. Belge deposu, arama motoru ve vektör veritabanını ayrı ayrı kurmak yerine erken aşamada mimariyi ciddi ölçüde sadeleştiriyor.

Rust ile yazılmış vektör veritabanı; yüklü meta veri filtrelemesini vektör aramasıyla birlikte yürütüyor. Pinecone’dan farkı açık kaynak olup kendi sunucunda çalışabilmesi; bellek ayak izi düşük, küçük bir VPS ciddi bir koleksiyon taşıyabiliyor.

RAG hatları için ölçüt kütüphanesi; referans cevap olmadan da çalışabilen metrikleri var. Elle örnek okuyarak değerlendirmenin yerine sentetik test kümesi üretip değerlendirmeyi CI’ya bağlayabiliyorsun.

Derin belge ayrıştırma üstüne kurulu: karmaşık PDF düzenlerini, tabloları ve şekilleri tanıyıp anlamlı parçalara ayırıyor. Kütüphane değil, Docker ile kurduğun tam bir servis.

Bellek öncelikli agent koşum takımı. Her oturumu sıfırdan başlatan agent’lardan farkı oturumlar arası öğrenmeyi ve kendi yapılandırmasını iyileştirmeyi merkeze alması.

Bellek içi veri yapısı deposu; YZ tarafında oturum durumu, hız sınırlama sayaçları ve yanıt önbelleği için kullanılıyor. Ayrı bir vektör veritabanına kıyasla avantajı, vektör aramasının zaten kullandığın önbelleğe eklenmesi.

Gömme üretiminin standart Python kütüphanesi. Gömme API’lerinden farkı modelin yerelde çalışması: veri makineden çıkmıyor, API faturası yok; karşılığında GPU ve bellek yönetimi sana kalıyor.

RAG üçlemesini ölçüyor: bağlam alaka düzeyi, cevabın bağlama sadakati, cevabın soruya uygunluğu. Tek bir genel puan veren değerlendirmelerden farkı bu üçünü ayrı ölçmesi: hatanın alma tarafında mı üretim tarafında mı olduğu ayrışıyor.

PDF, DOCX, HTML, e-posta ve sunumları ortak bir belge öğesi modeline indiriyor. Tek biçime özel ayrıştırıcılardan farkı hepsini aynı yapıya çevirmesi — RAG hatlarında en çok vakit yiyen ve en sık bozulan ilk adım burası.

Web aramasını yerel veya bulut LLM modelleriyle birleştirerek kaynak atıflı yanıtlar üreten açık kaynaklı yanıt motoru (eski adıyla Perplexica); kapalı Perplexity servisinin aksine kendi sunucunda ve yerel modellerle çalışır.

GCP içindeki gömme servisi. Başka bir sağlayıcının gömme API’sine kıyasla, veriyi BigQuery’de tutuyorsan vektörü aynı sınırlar içinde üretmek ağ maliyeti ve veri yerleşimi açısından anlamlı.

Hukuk, kod ve finans için ayrı ayrı eğitilmiş gömme modelleri; 2025’te MongoDB bünyesine katıldı. Genel amaçlı modellerden farkı bu alan özel eğitim; dar alanlarda onları geçtiğini iddia ediyor, karşılaştırmayı kendi verinle yapmak gerekiyor.

Açık kaynak vektör veritabanı. Yalnız vektör saklayan veritabanlarından farkı gömme üretimini modül olarak içinde barındırabilmesi: ayrı bir gömme adımı kurmadan ham metin yazabiliyorsun; sorgu arayüzü GraphQL.

Agent’lar için zamansal bilgi grafiği tutuyor: bir olgunun ne zaman doğru olduğunu ve ne zaman geçersizleştiğini kaydediyor. Düz vektör belleğinden farkı tam bu ayrımı yapabilmesi.