Sıfır Halüsinasyonlu Akademik GraphRAG: 1.379 Düğüm, Çok-Ajanlı Orkestrasyon ve Yerel SLM'ler

📌 Problem: Klasik (Naive) Vektör RAG Neden 15 Yıllık Akademik Araştırmada Başarısız Olur?

Standart vektör tabanlı RAG mimarileri (doküman parçaları üzerinde kosinüs benzerliği kullanan LangChain veya LlamaIndex çözümleri), 450'den fazla yüksek lisans ve doktora tezini işlerken ilişkisel sorgularda tıkanır. Örneğin; "2020 ile 2025 arasında Dangbe veya Kamgang tarafından yönetilen biyomatematik alanındaki doktora tezlerinin sayısı kaçtır?" sorusu yöneltildiğinde, vektör veri tabanı yalnızca bu terimlerin geçtiği birbirinden kopuk metin parçalarını getirir.

Bunun üzerine LLM tahmin yürütmeye başlar:

Sayımlarda halüsinasyon üretir.
Yüksek lisans tezleri ile doktora tezlerini birbirine karıştırır.
Tarih aralıklarına göre toplama (aggregation), gruplama veya ilişki ağaçlarında gezinme yapamaz.

Vektör benzerliği sadece konusal yakınlığı yakalar; ancak ilişkisel zemin doğruluğunu (relational ground truth) sunamaz. Ngaoundéré Üniversitesi Matematik ve Bilgisayar Bilimleri Bölümü'nün (DMI) 15 yıllık bilimsel mirasını korumak ve sorgulanabilir kılmak için K1-MATHINFO (v3.2) geliştirilmiştir: Neo4j, OKF Ontolojileri ve GRPO ile ince ayar yapılmış yerel Küçük Dil Modelleri (SLM) ile desteklenen, sıfır halüsinasyonlu çok-ajanlı bir GraphRAG sistemi.

🏗️ Sistem Mimarisi ve Çok-Ajanlı Orkestrasyon

Monolitik tek bir LLM istemine güvenmek yerine deterministik bir çok-ajanlı yönetici boru hattı kurgulanmıştır:

SupervisorAgent v4.0: Girdi koruması (guardrail) ve PII temizliği sonrası kullanıcının niyetini ve sorgu karmaşıklığını tespit ederek alt ajanları yönlendirir.
GraphRAGAgent: Neo4j Cypher sorguları çalıştırır ve çok adımlı (multi-hop) ilişkisel yolları analiz eder.
MathFormalisme: Matematiksel ifadeleri KaTeX sertifikalı spesifikasyonlara dönüştürür.
OKFAgent: Bilinen olgular deposu (v0.2) üzerinden ontolojik doğrulamaları gerçekleştirir.
CriticFactCheckerAgent: Kanıtlanmamış verileri reddeden ve halüsinasyona asla izin vermeyen 1. Seviye katı denetim kapısıdır.

Sistem, bu denetimlerin ardından KaTeX LaTeX ile sertifikalı ve doğrulanmış yanıt üretir.

📂 Doküman İçe Aktarımı ve Bilgi Grafiği İnşası

Üniversite arşivlerinin canlı bir ilişkisel grafiğe dönüştürülmesi üç aşamada gerçekleştirilmiştir:

Çok Modlu Çıkarım ve OCR: 2008-2026 yıllarını kapsayan 451 PDF ve taranmış savunma monografisinin içe aktarılması.
Anlamsal Varlık Normalizasyonu: Danışman isim varyasyonları, jüri üyeleri, laboratuvar etiketleri (LAMAP, LAMEX, LARI, LASE) ve araştırma alanlarının tekilleştirilmesi.
Grafik Başlatma (Graph Instantiation): Neo4j üzerinde tip güvenliğini sağlayan bildirimsel Cypher ifadeleriyle; 1.379 Düğüm (dokümanlar, yazarlar, danışmanlar, algoritmalar, modeller, veri setleri), 3.871 Doğrulanmış İlişki (SUPERVISED_BY, AUTHORED_BY, APPLIES_ALGO, FORMULATES_MODEL) ve 19 Katı Etiket oluşturulması.

🧠 OKF Ontolojisi (v0.2) ve WikiSkill Mimarisi

Anlamsal kaymayı (semantic drift) engellemek amacıyla ikili bir doğrulama mekanizması konuşlandırılmıştır:

OKF (Ontology of Known Facts v0.2): Bölümleri, alt disiplinleri, metodolojileri ve kurumsal kısıtlamaları haritalandıran 83 formal bilimsel ontoloji sayfasından oluşan küratörlü depo.
WikiSkill Katmanı: Ajanlar tarafından dinamik yüklenen, kesirli kalkülüs türetimi gibi prosedürel becerileri içeren modüler yetenek katmanı.

Yazılım Geliştiriciler İçin Pratik Çıkarımlar

Karmaşık ve ilişkisel kurumsal verilerde standart vektör aramasına bel bağlamak yüksek hata riski taşır. Üretim ortamlarında deterministik çok-ajanlı orkestrasyon, GraphRAG ve katı bir denetçi ajan (Critic) mekanizması kullanmak, LLM halüsinasyonlarını engelleyerek sisteme endüstriyel güvenilirlik kazandırır.

Orijinal kaynağa buradan ulaşabilirsiniz.

Bu konuyu derinlemesine öğrenmek isterseniz: Production'da Agent Güvenilirliği modülüne göz atın.