---
title: "Geri Getirim Artırımlı Kendi Kendini Hatırlama: RAG’in Kimsenin Bahsetmediği Sorun"
url: https://blog.edumints.com/geri-getirim-artirimli-kendi-kendini-hatirlama-ragin-kimseni-cmgfzqpi
category: "LLM"
date: 2026-07-18T09:02:34.688Z
publisher: Edumints Blog
lang: tr-TR
source_name: "dev.to"
source_url: https://dev.to/gde03/retrieval-augmented-self-recall-the-rag-problem-nobody-talks-about-2n0n
---

# Geri Getirim Artırımlı Kendi Kendini Hatırlama: RAG’in Kimsenin Bahsetmediği Sorun

Neredeyse her RAG rehberi aynı problemi çözer: Doküman yığınından kullanıcının sorusuna uygun parçaları getirmek. En doğru pasajı üste sırala, isteme ekle, bitti.

Ancak tamamen farklı davranan ikinci bir RAG türü var: Ajanın **kendi belleğinden** veri getirmesi.

Bunu otonom ticaret ajanı geliştirirken fark ettim. Ajan; kararlar ve başarısızlık raporları gibi 700'den fazla markdown notuyla kendi belleğini biriktiriyordu. Göreve başlarken bu geçmişi sorguluyordu: *Bunu daha önce denedik mi? X hakkında ne karar verdik?*

Bilgi tabanı ajanın kendi büyüyen belleği olduğunda RAG problemi tersine döner ve standart yöntemler sessizce yanlış yapar.

## Kendi Kendini Hatırlama Neden Doküman Soru-Cevaplama Değildir?

Doküman soru-cevaplamada temel varsayım **cevabın külliyatta mevcut** olduğudur. Göreviniz en doğru parçayı üste taşımaktır.

Kendi kendini hatırlamada (self-recall) ise en kritik sorgular, **cevabın orada olmadığı** durumlardır.

Ajan "X filtresini denedik mi?" diye sorar. Cevap *hayır* ise, standart RAG en yakın ama alakasız notları getirir ve ajan bunu "denemişiz" kabul eder. Hata sıralamada değil, sistemin "burada ilgili veri yok" diyememesindedir. Pratik çıkarım: Ajan projelerinde kesinlikle "çekimser kalma" (abstain) şartları kurgulanmalıdır.

## Ajan Belleğine Özgü Üç Başarısızlık Senaryosu

Belleğe bu gözle baktığınızda, standart RAG sistemlerinin hiç karşılaşmadığı üç başarısızlık senaryosu belirir:

1. **Boşluklar üzerinde halüsinasyon:** Sorgunun karşılığı olmasa da sistem en yakın veriyi getirir ve bu "evet" algılanır. Ajanın çekimser kalması gerekir.
2. **Karar verilmiş konuları yeniden tartışmak:** Ajan aylar önce elediği fikri tekrar sunar çünkü elenen kararın notu bulunamamıştır. Bellek geçmiş kararları savunabilmelidir.
3. **Bayat belleklerle hareket etmek:** Freshness (güncellik) sinyali yoksa eski bilgi güncel kabul edilir. Finansal işlemlerde bu büyük kayıplara yol açar.

Bunlar sıralama problemi değildir. Gelişmiş gömme modelleri kullanmak sadece daha emin hatalı sonuçlar üretir.

## Yeni Bakış Açısı: Sıralama Değil, Çekimserlik

Tüm serinin ana tezi şudur:

**Doküman RAG sıralamayı optimize ederken, ajan belleği RAG'i kalibre edilmiş çekimserliği (bilmediğini bilmeyi) optimize etmelidir.**

Alışık olduğumuz MRR veya nDCG metrikleri çekimserliği ölçmez. Sadece cevap varmış gibi sıralamayı puanlar. Bu yüzden hazır RAG araçlarını doğrudan ajanın belleğine bağlamak üretimde başarısız olur.

## RE-call: Bir Referans Uygulama

Bu sorunu çözmek için sıfırdan çekimser kalma odaklı tasarlanan açık kaynaklı **RE-call** motorunu yazdım:

- **Depolama ve Erişim:** PostgreSQL + pgvector ile tek veritabanında hibrit vektör ve metin araması.
- **Üç Dürüstlük Koruması:** Yetersiz eşleşmelerde uyaran `gap_warning`, güncellik sinyali ve eski kararları kontrol eden anti-re-litigation mekanizması.
- **Dürüst Değerlendirme:** Sistemin çekimser kalması gerektiğinde ne sıklıkla kalamadığını ölçen "yalancı güven oranı" metriği.

Bu sistem ajanların belleklerini doğrudan sorgulamaları için bir MCP sunucusu olarak çalışır.

## Bu Serinin Kapsamı

Seri şu altı bağımsız bölümden oluşmaktadır:

1. **Bu bölüm** — farklar.
2. **Sadece Postgres üzerinde hibrit RAG** — mimari nedenleri.
3. **RAG'e "Bilmiyorum" demeyi öğretmek** — koruma mekanizmaları.
4. **Erişim ve dürüstlüğü test etmek** — metrikler.
5. **Aktarılamayan boşluk eşiği** — eşik sürprizi.
6. **Sonuçsuz ince ayar** ve MCP dağıtımı.

## Sonraki Adım

İkinci bölümde, harici vektör deposu kullanmadan Postgres ile hibrit arama çekirdeğini kuracağız.

Orijinal makaleye [buradan](https://dev.to/gde03/retrieval-augmented-self-recall-the-rag-problem-nobody-talks-about-2n0n) ulaşabilirsiniz.

---

**Kaynak:** [dev.to](https://dev.to/gde03/retrieval-augmented-self-recall-the-rag-problem-nobody-talks-about-2n0n)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/geri-getirim-artirimli-kendi-kendini-hatirlama-ragin-kimseni-cmgfzqpi