🚀 RAG - Retrieval-Augmented Generation Örneği

Bu proje, Retrieval-Augmented Generation (RAG) teknolojisinin nasıl uygulanacağını gösteren açık kaynak bir örnektir. RAG, büyük dil modellerini (LLM) harici bilgi kaynaklarıyla birleştirerek daha doğru ve güncel cevaplar üretmenizi sağlar.

✨ Özellikler

• 🔍 Vektör Tabanlı Arama: Semantik benzerlik ile en alakalı bilgileri bulma
• 🆓 Ücretsiz AI Modelleri: OpenAI API maliyeti olmadan, yerel embedding modeli
• 📚 Örnek Bilgi Tabanı: İş süreçleri hakkında 15+ modül bilgisi
• ⚡ Hızlı Performans: Qdrant vektör veritabanı ile optimize edilmiş
• 🛠️ Modüler Yapı: Kolay genişletilebilir ve özelleştirilebilir mimari
• 🌍 Çok Dilli Destek: Türkçe örnek veriler ve arayüz

��️ Sistem Mimarisi

Genel Akış

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Kullanıcı     │───▶│   RAG Sistemi   │───▶│  Vektör DB     │
│   Sorusu        │    │                 │    │  (Qdrant)      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                              │
                              ▼
                       ┌─────────────────┐
                       │  AI Generator   │
                       │ (Hugging Face)  │
                       └─────────────────┘

Detaylı RAG Akış Diyagramı

Bu diyagram RAG sisteminin çalışma prensibini göstermektedir:

1. Metin Girişi: Kullanıcı sorusu veya doküman metni
2. Embedding Model: Metin vektörlere dönüştürülür (384 boyutlu float dizisi)
3. Vektör Veritabanı: Embedding'ler Qdrant'ta saklanır ve aranır
4. Benzerlik Arama: En alakalı vektörler bulunur
5. AI Üretimi: Bulunan bilgiler AI modeli ile işlenir

📋 Örnek Bilgi Tabanı

Bu proje, işletme yönetimi süreçleri hakkında örnek veriler içerir:

Modül	Açıklama	Endpoint
🛒 Sipariş Fişi	Müşteri siparişleri yönetimi	/siparis-fisi
📝 Satın Alma Talebi	İhtiyaç toplama ve onay süreci	/satinalma-talep
📊 Stok Hareketleri	Envanter takibi ve raporlama	/stok-hareketleri
👥 Cari Kart	Müşteri/tedarikçi yönetimi	/cari-kart
🧾 Fatura	Satış/alış faturaları	/fatura-olustur
🏖️ Personel İzin	İzin talepleri ve onayları	/personel-izin
💰 Kasa İşlemleri	Nakit yönetimi	/kasa-islemleri
🏦 Banka Hareketleri	Banka işlemleri ve mutabakat	/banka-hareketleri
📦 Depo Transfer	Depolar arası ürün transferi	/depo-transfer
🏭 Üretim Emirleri	Üretim planlama ve takibi	/uretim-emirleri
📈 Stok Raporları	Envanter analizi	/stok-raporlari
⚠️ Risk Kontrolü	Müşteri bakiye ve risk takibi	/cari-bakiye
💼 Satış Teklifi	Müşteri teklifleri	/satis-teklifi
👷 Bordro	Personel maaş hesaplamaları	/bordro
📊 Muhasebe	Genel muhasebe işlemleri	/muhasebe-fisleri

🚀 Kurulum

Gereksinimler

• Node.js 18+
• Qdrant Vector Database
• Hugging Face API Token (ücretsiz)

1. Projeyi Klonlayın

git clone https://github.com/yourusername/rag-example.git
cd rag-example

2. Bağımlılıkları Yükleyin

npm install

3. Qdrant Veritabanını Başlatın

# Docker ile (önerilen)
docker run -p 6333:6333 qdrant/qdrant

# Veya yerel kurulum için Qdrant'ı indirin

4. Çevre Değişkenlerini Ayarlayın

.env dosyası oluşturun:

HF_API_TOKEN=your_huggingface_token_here

5. Sistemi Eğitin

npm run train

6. RAG Sistemini Başlatın

npm start

💻 Kullanım

Eğitim (Training)

Sistem ilk kez çalıştırıldığında, bilgi tabanını eğitmek gerekir:

npm run train

Bu komut:

• Tüm modül bilgilerini vektörlere dönüştürür
• Qdrant veritabanına yükler
• Arama için optimize eder

Sorgulama

Sistem başlatıldıktan sonra:

1. Soru Sorun: Türkçe olarak iş süreçleri hakkında soru sorun
2. Akıllı Yanıt: Sistem en alakalı bilgiyi bulup AI ile cevaplar
3. Çıkış: q yazarak sistemden çıkın

Örnek Sorular

• "Sipariş fişi nasıl oluşturulur?"
• "Stok hareketlerinde hangi filtreler kullanılır?"
• "Personel izin talebi onay süreci nasıl işler?"
• "Fatura oluştururken dikkat edilmesi gerekenler nelerdir?"

🔧 Teknik Detaylar

Kullanılan Teknolojiler

• Backend: TypeScript + Node.js
• Embedding Model: @xenova/transformers (Xenova/all-MiniLM-L6-v2)
• Vector Database: Qdrant
• AI Generation: Hugging Face API (GPT-OSS-120B)
• Package Manager: npm

Dosya Yapısı

src/
├── chunks.ts          # Örnek bilgi tabanı
├── embed.ts           # Embedding oluşturma
├── generate.ts        # AI metin üretimi
├── rag.ts            # Ana RAG sistemi
├── similarity.ts      # Benzerlik hesaplamaları
└── train.ts          # Eğitim sistemi

API Endpoints

• Training: POST /train - Sistemi eğit
• Query: POST /query - Soru sor ve cevap al

🎯 Özelleştirme

Kendi Bilgi Tabanınızı Ekleme

1. src/chunks.ts dosyasındaki örnek verileri kendi verilerinizle değiştirin
2. Sistemi yeniden eğitin: npm run train

Embedding Model Değiştirme

src/embed.ts dosyasında model adını değiştirin:

const embedder = await pipeline("feature-extraction", "YOUR_MODEL_NAME");

AI Model Değiştirme

src/generate.ts dosyasında model adını güncelleyin:

model: "your-preferred-model";

📊 Performans

• Embedding Boyutu: 1536 boyut (OpenAI text-embedding-3-large ile uyumlu)
• Arama Hızı: ~100ms (Qdrant ile)
• AI Yanıt Süresi: ~2-5 saniye (Hugging Face API)
• Bellek Kullanımı: ~50MB (embedding model)

🚀 RAG Teknolojisi Hakkında

Retrieval-Augmented Generation (RAG), büyük dil modellerini harici bilgi kaynaklarıyla birleştiren bir AI teknolojisidir:

RAG'ın Avantajları

• ✅ Güncel Bilgi: Model eğitim tarihinden sonraki bilgilere erişim
• ✅ Doğruluk: Kaynak belgelerden doğrulanabilir cevaplar
• ✅ Şeffaflık: Hangi kaynaklardan bilgi alındığını görme
• ✅ Maliyet: Sadece gerekli bilgileri işleme

RAG Nasıl Çalışır

1. Soru Alınır: Kullanıcıdan soru gelir
2. Vektör Arama: Soru vektöre dönüştürülür ve benzer dokümanlar bulunur
3. Bağlam Oluşturma: Bulunan dokümanlar bağlam olarak hazırlanır
4. AI Yanıtı: LLM, bağlam ve soruyu kullanarak cevap üretir

🤝 Katkıda Bulunma

1. Fork yapın
2. Feature branch oluşturun (git checkout -b feature/amazing-feature)
3. Commit yapın (git commit -m 'Add amazing feature')
4. Push yapın (git push origin feature/amazing-feature)
5. Pull Request açın

📚 Öğrenme Kaynakları

• RAG Teknolojisi Nedir?
• Vector Database Kullanımı
• Hugging Face Transformers

---

⭐ Bu projeyi beğendiyseniz yıldız vermeyi unutmayın!