---
title: "Büyük Bağlam Pencereleri RAG Sistemlerimizi Daha Akıllı Yapmadı"
url: https://blog.edumints.com/buyuk-baglam-pencereleri-rag-sistemlerimizi-daha-akilli-yapm-el5ixkq0
category: "LLM"
date: 2026-07-09T09:03:39.986Z
publisher: Edumints Blog
lang: tr-TR
source_name: "dev.to"
source_url: https://dev.to/valerykot/bigger-context-windows-didnt-make-our-rag-smarter-4d0l
---

# Büyük Bağlam Pencereleri RAG Sistemlerimizi Daha Akıllı Yapmadı

Uzun bağlam pencerelerine sahip büyük dil modelleri (LLM) ilk çıktığında, çoğumuz aynı varsayımda bulunduk: Eğer bir model 128K token okuyabiliyorsa, bilgi geri getirme (retrieval) aşaması önemini yitirir. Neden belgeleri seçmekle uğraşalım ki? Hepsini modele veririz, o halleder. Ancak pratikte durum hiç de öyle olmadı.

## Daha Fazla Bağlam, Daha Kötü Yanıtlar

Dahili asistanınıza şu soruyu sorduğunuzu hayal edin:
**"Mikroservis mimarisini neden terk ettik?"**

Sistem size 30 belge döndürüyor:
- Bir mimari karar kaydı (ADR)
- Birkaç Jira görevi
- Slack tartışmaları
- Toplantı notları
- Bir terimler sözlüğü sayfası

Tüm bu belgeler konuyla ilişkili görünse de neredeyse hiçbiri asıl sorunun yanıtını içermez. Asıl karar, aylar önce yazılmış tek bir ADR'de saklıdır; fakat bu belge sorguyla kelime bazında doğrudan eşleşmediği için gerilerde kalır. Model, kendisine sunulan 30 belgeye bakarak son derece tutarlı bir açıklama üretir. Ancak **tutarlılık, doğruluk (faithfulness) ile aynı şey değildir**. Model, asıl kararı bulmak yerine ilgisiz belgelerdeki ortak temalardan mantıklı ama yanlış bir cevap uydurur.

*Yazılımcılar İçin Pratik Çıkarım:* Sistemlerinizde yalnızca anahtar kelime eşleştirmesi veya basit vektör benzerliği kullanmak yerine, belgelerin türünü (örneğin ADR veya Slack yazışması) belirten meta-verileri de arama kriterlerine dahil edin.

## Büyük Pencereler Bilgi Geri Getirmeyi Çözmez

"Lost in the Middle" çalışması, modellerin uzun bağlamların ortasında kalan bilgileri gözden kaçırdığını zaten göstermişti. Bizim deneyimimiz ise daha derindi: Bilgi, bağlam uzun olduğu için değil; geri getirme aşaması *kararın olduğu belgeyi* sadece *konudan bahseden belgelerden* ayıramadığı için kayboluyordu. Daha fazla bağlam eklemek bu sorunu çözmez; sadece modele yanlış bilgileri "harmanlayıp" ortalama bir yanıt üretmesi için daha fazla malzeme verir.

*Yazılım Geliştirme Açısından Yorum:* "Lost in the Middle" etkisi sadece modelin dikkat kapasitesiyle ilgili değildir. RAG başarısı, modelin gücünden ziyade veri boru hattının (data pipeline) geri getirdiği bilgilerin kalitesine ve temizliğine bağlıdır.

## Yanlış Şeyi Optimize Ediyorduk

Bir süre boyunca bilgi geri getirmeyi bir "paketleme" süreci olarak gördük: Prompt içerisine kaç adet yararlı parça (chunk) sığdırabilirdik? Zamanla bu soru değişti:
- Bu belge neden burada?
- Burada olması gerekiyor mu?
- Kararı açıklıyor mu, yoksa sadece aynı teknolojiden mi bahsediyor?

Bu soruları sormak, bağlam penceresinin boyutundan çok daha kritik sonuçlar doğurdu.

*Öğrenme ve Geliştirme Çıkarımı:* Dokümanları düz metin parçalarına bölmek (chunking) yerine, ingestion aşamasında LLM yardımıyla her parça için yapay sorular üretip (doc2query yaklaşımı) bunları indekslemeyi deneyebilirsiniz.

## Bilgi Geri Getirme Bir Seçim Problemidir

En büyük zihniyet değişimi, 8K'dan 128K'ya geçmek değil; bilgi geri getirmenin bir "prompta bilgi sığdırma" değil, **doğru bilgiyi seçme** problemi olduğunu anlamaktı. Büyük bağlam pencereleri son derece kullanışlıdır; ancak zayıf bir geri getirme sistemini telafi edemezler. Aksine, zayıf sonuçların kulağa çok daha inandırıcı gelmesine yol açarlar.

*Pratik Çıkarım:* RAG sistemlerinde veriyi sadece çekmek yetmez. Geri çağırma (recall) ve hassasiyet (precision) dengesini kurmak için Cohere Rerank gibi güçlü yeniden sıralama modellerini boru hattınıza entegre etmelisiniz.

Orijinal makaleye [buradan](https://dev.to/valerykot/bigger-context-windows-didnt-make-our-rag-smarter-4d0l) ulaşabilirsiniz.

---

**Kaynak:** [dev.to](https://dev.to/valerykot/bigger-context-windows-didnt-make-our-rag-smarter-4d0l)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/buyuk-baglam-pencereleri-rag-sistemlerimizi-daha-akilli-yapm-el5ixkq0