RAG Nedir? Yapay Zekâ Aramasında Kaynak Seçilmenin 7 Koşulu

RAG (retrieval-augmented generation, Türkçesiyle getirmeyle desteklenmiş üretim), bir dil modelinin cevap yazmadan önce dış kaynaklardan ilgili belgeleri bulup bu belgelere dayanarak cevap üretmesidir. Model yalnızca eğitim verisindeki bilgiye güvenmez; o an bulduğu sayfaları okur ve cevabını onlara dayandırır.
Yapay zekâ destekli aramada kaynak olarak gösterilen siteler, bu "getirme" aşamasında seçilen sayfalardır. Bu yazıda RAG mantığını teknik ayrıntıya boğmadan anlatıyor, içeriğinizin bu aşamada seçilmesi için gereken 7 koşulu sıralıyorum.
Kısa cevap: RAG, yapay zekâ modelinin cevap üretmeden önce ilgili belgeleri arayıp bulduğu ve cevabını bu belgelere dayandırdığı yöntemdir. Kaynak olarak seçilmek için sayfanızın taranabilir ve dizinde olması, önemli bilginin metin halinde bulunması ve soruya kendi başına cevap veren net pasajlar içermesi gerekir.
RAG nasıl çalışır?
Sistemden sisteme ayrıntılar değişse de temel akış aşağıdaki gibidir. Hangi asistanın tam olarak hangi altyapıyı kullandığını şirketler ayrıntılı açıklamıyor, bu yüzden aşağıdaki şemayı genel bir model olarak okuyun.
- SoruKullanıcı bir soru sorar ya da arama yapar.
- Sorgu üretimiSistem soruyu bir ya da birden çok arama sorgusuna dönüştürür.
- GetirmeBir dizinden ya da web'den ilgili sayfa ve pasajlar bulunur.
- SeçmeEn alakalı ve güvenilir görünen pasajlar modele verilir.
- Üretim ve alıntıModel cevabı bu pasajlara dayanarak yazar, kaynakları bağlantı olarak gösterebilir.
Google'ın yapay zekâ özellikleri dokümanı, AI Overviews ve AI Mode'un bir yanıt oluştururken alt konular ve veri kaynakları genelinde birden çok ilgili arama yapan "query fan-out" tekniğini kullanabildiğini söylüyor. Yani tek bir soru, arka planda birçok alt aramaya dönüşebilir. Terimin kısa tanımı için AI sözlüğüne bakabilirsiniz.
Klasik dil modeli ile RAG arasındaki fark
| Özellik | Yalnızca eğitim verisi | RAG |
|---|---|---|
| Bilginin kaynağı | Modelin eğitildiği veri | O an getirilen belgeler |
| Güncellik | Eğitim tarihine bağlı | Getirilen sayfa kadar güncel |
| Kaynak gösterme | Genellikle yok | Kaynak bağlantısı verebilir |
| Sitenizin etkisi | Dolaylı, eğitim verisine girmişse | Doğrudan, sayfanız getirilirse |
SEO açısından önemli olan son satır. RAG kullanan bir sistemde sayfanızın o an bulunması ve okunabilir olması, cevapta yer alıp almamanızı belirler.
Yapay zekâ aramasında kaynak seçilmenin 7 koşulu
1. Sayfanız taranabilir olmalı
Getirme aşamasına girmek için sayfanın önce erişilebilir olması gerekir. Google, Search için tarama kontrolünün Googlebot'a yönelik robots.txt kurallarıyla yapıldığını belirtiyor. Diğer asistanların da kendi tarayıcıları var; adlarını ve kurallarını her şirketin resmi dokümanından kontrol edin. Kurallarınızı robots.txt test aracıyla deneyebilir, mantığını robots.txt yazısında okuyabilirsiniz.
2. Dizinde olmalı ve snippet gösterimine uygun olmalı
Google'ın dokümanına göre bir sayfanın AI Overviews ya da AI Mode'da destekleyici bağlantı olarak görünmesi için dizine eklenmiş ve Arama'da snippet ile gösterilmeye uygun olması gerekiyor. Ek bir teknik şart yok. Sayfanız dizinde değilse önce tarandı ama dizine eklenmemiş sorununu çözün.
3. Önemli bilgi metin halinde olmalı
Fiyat tablosu görselin içinde, SSS bir PDF'te ya da içerik yalnızca kullanıcı tıklayınca JavaScript ile yükleniyorsa getirme sistemi bu bilgiye ulaşamayabilir. Google da önemli içeriği metin olarak sunmayı öneriyor. JavaScript ile oluşan içerikte dikkat edilecekleri JavaScript SEO yazısında anlattım.
4. Her bölüm kendi başına anlamlı olmalı
RAG sistemleri genellikle sayfanın tamamını değil, parçalarını (pasajları) değerlendirir. "Yukarıda bahsettiğimiz gibi" diye başlayan bir paragraf tek başına okunduğunda anlamını kaybeder. Her bölümün ilk cümlesi o başlığın sorusuna doğrudan cevap vermeli.
- İlk cümlede net cevap
- Konuyu adıyla anar
- Somut sayı, eşik ya da adım içerir
- Tek bir soruya odaklanır
- Cevap paragrafın sonunda
- "Bu", "o" gibi önceki bölüme atıflar
- Genel ve süslü ifadeler
- Birkaç konuyu karıştırır
5. Başlık yapısı soruyu yansıtmalı
Kullanıcının sorusuna benzeyen h2 ve h3 başlıkları, hem getirme sisteminin pasajı doğru konuyla eşleştirmesini hem de okuyucunun aradığını bulmasını kolaylaştırır. "Genel bilgiler" yerine "XML site haritası kaç URL içerebilir?" gibi açık başlıklar kullanın.
6. Bilgi doğrulanabilir ve güncel olmalı
Yazar bilgisi, güncelleme tarihi, resmi kaynağa dayanan eşikler ve tutarlı veriler sayfanın güvenilir görünmesini sağlar. Çelişkili ya da eskimiş bilgi içeren sayfa, daha net bir rakip varken seçilmeyebilir. Bu konuda E-E-A-T için içerik yazısındaki kontrol listesi işinize yarar.
7. Ana sorunun alt sorularını da kapsamalı
Query fan-out mantığı düşünüldüğünde, bir konunun alt sorularını da cevaplayan sayfa ve site birden çok alt aramada karşılık bulabilir. "Kombi bakımı" yazısı yalnızca tanımla kalmayıp ne sıklıkla, ne kadar sürdüğü ve hangi belirtilerin bakım gerektirdiği gibi alt soruları da işlemeli. Konu kümesi kurmayı topical authority yazısında anlattım.
İçeriğinizi RAG'e hazırlamak için kontrol listesi
- Önemli sayfalar robots.txt ve CDN ayarlarında taramaya açık mı?
- Sayfa Search Console'da dizine eklenmiş görünüyor mu?
- Sayfada nosnippet ya da çok kısa bir max-snippet değeri var mı?
- Ana bilgi görsel, PDF ya da sekme arkasında değil, HTML metinde mi?
- Her h2 bölümünün ilk cümlesi soruya doğrudan cevap veriyor mu?
- Yazar ve güncelleme tarihi görünür mü?
- Konunun en sık sorulan alt soruları sayfada ya da bağlantılı sayfalarda cevaplanıyor mu?
AI Overviews, ChatGPT ve Perplexity için ne değişir?
Temel koşullar ortak, ama her platformun kendi tarayıcısı, dizini ve kaynak gösterme biçimi var. Google tarafındaki ayrıntıları Google AI Overviews optimizasyonu yazısında, Perplexity'nin kaynak gösterme davranışını ise Perplexity'de kaynak gösterilme yazısında ayrı ayrı inceledim.
Google, AI Overviews ve AI Mode'da görünen sitelerin trafiğini Search Console Performans raporunda "Web" arama türü altında, genel trafikle birlikte raporluyor. Diğer asistanlardan gelen ziyaretleri GA4'te nasıl ayıracağınızı GA4'te yapay zekâ trafiği yazısında anlattım. Uygulamanın tamamı için GEO uygulama rehberi ve teknik altyapı için teknik SEO rehberi iyi başlangıç noktaları.
RAG'e uygun içerik için destek
Sitenizin yapay zekâ cevaplarında neden kaynak gösterilmediğini anlamak için tarama, dizin ve pasaj yapısını birlikte incelemek gerekir. GEO danışmanlığı kapsamında bu analizi yapıyorum; ücretsiz ön görüşme için randevu alabilirsiniz.
Sıkça Sorulan Sorular
RAG ile ince ayar (fine-tuning) arasındaki fark nedir?
İnce ayar, modelin kendisini ek veriyle yeniden eğitir ve bilgi modelin içine yerleşir. RAG ise modeli değiştirmez; her soruda dış kaynaklardan belge getirip cevabı onlara dayandırır. Bu yüzden RAG güncel bilgiyle daha kolay çalışır.
Googlebot'u engellemeden AI Overviews'dan çıkabilir miyim?
Google'ın dokümanına göre Arama'da gösterilecek içeriği nosnippet, data-nosnippet, max-snippet ya da noindex ile sınırlayabilirsiniz. Bu kontroller klasik arama sonuçlarındaki snippet'i de etkiler, bu yüzden önce hangi sayfada neyi kaybetmeyi göze aldığınızı netleştirin.
Google-Extended'ı engellemek AI Overviews'u etkiler mi?
Google'ın dokümanı, Google-Extended kontrolünün diğer Google sistemlerinde yapay zekâ eğitimi ve grounding kullanımını sınırlamak için olduğunu, Arama için taramanın ise Googlebot kurallarıyla yönetildiğini belirtiyor. Karar vermeden önce dokümanın güncel halini kontrol edin.
Kaynak gösterilip gösterilmediğimi nasıl takip ederim?
Hedef sorularınızın bir listesini çıkarıp bunları düzenli aralıklarla AI Overviews, ChatGPT ve Perplexity'de sorabilir, kaynak listesini kaydedebilirsiniz. Cevaplar kişiye ve zamana göre değişebildiği için tek bir testle değil, eğilimle karar verin.
Kısa sayfalar mı uzun sayfalar mı daha çok seçilir?
Belirleyici olan uzunluk değil, pasajın soruya ne kadar net cevap verdiği. Uzun bir rehber, iyi bölümlenmişse birçok farklı soru için kaynak olabilir; dağınık kısa bir sayfa ise hiçbirine uymayabilir.

150+ projede e-ticaret, SaaS, sağlık ve yerel işletme sektörlerinde 8+ yıllık uygulamalı SEO ve GEO deneyimi. Teoriye değil, gerçek müşteri verilerine dayanarak yazıyor.





