Bilgi Tabanı Nedir?

Asistanına fiyat listeni, SSS’ini veya ürün kataloğunu yükle; arama sırasında müşteri “kargo ne kadar sürer” diye sorduğunda asistan kafadan uydurmaz — dokümanından doğru cevabı bulup kendi cümleleriyle anlatır. Bu, yanlış fiyat söyleyip müşteri güvenini kırmakla doğru bilgiyle güven kazanmak arasındaki farktır.

Açık kitap sınavı analojisi

Bir öğrenciyi düşün: ezbere sınava giren, bilmediği soruda tahmin yürütür ve çoğu zaman yanlış yapar. Açık kitap sınavına giren ise soruyu okur, kitaptan ilgili sayfayı bulur, oradan cevaplar — tahmin etmez.

Purvisor AI’daki Bilgi Tabanı tam olarak bu ikinci öğrenci gibi çalışır: asistan, prompt’una yazılmamış bir detay sorulduğunda “bilgi tabanında ara” aracını çağırır, yüklediğin dokümanlardan anlamca en yakın parçaları bulur, bunları okuyup kendi cümleleriyle yanıtlar. Kitap (doküman) yoksa veya soru kitapta yoksa, asistan “onu netleştirip size dönerim” der — uydurmaz.

Bu davranış prompt seviyesinde de zorlanır: bilgi tabanı bağlı değilse veya arama sonuç getirmezse, asistana “KESİNLİKLE UYDURMA” talimatı verilir — fiyat, saat, marka gibi bilgiler asla kafadan söylenmez.

Bilgi Tabanı ile prompt’un farkı

İki yerde bilgi tutabilirsin, ikisi de farklı iş görür:

Kısacası: az ve sık kullanılan bilgi prompt’ta, çok ve nadiren tek tek gereken bilgi Bilgi Tabanı’nda durur. İkisi birlikte kullanılabilir.

Ne zaman Bilgi Tabanı kullanmalısın?

• SSS (Sıkça Sorulan Sorular) — “İade süreci nasıl işler”, “garanti kaç yıl” gibi onlarca soru-cevabı tek tek prompt’a yazmak yerine bir dokümana koy.
• Fiyat listesi — ürün/hizmet fiyatları değiştikçe sadece dokümanı güncelle, asistanı yeniden yapılandırmana gerek kalmaz.
• Ürün kataloğu — çok sayıda ürün/model/varyant olduğunda asistan sadece sorulan ürünü bulup anlatır.
• Teknik dokümantasyon — kurulum kılavuzu, uyumluluk tablosu gibi asistanın “aynen alıntılaması” gereken içerik.

Tek bir cümlelik bilgi (örn. “çalışma saatlerimiz 09.00-19.00”) için Bilgi Tabanı gereksiz — bunu doğrudan prompt’a yaz.

Nasıl çalışır? (RAG akışı)

Doküman yüklenir (PDF/metin/Markdown/HTML/CSV/JSON)
        ↓
Metin çıkarılır ve temizlenir
        ↓
800 token'lık, 100 token örtüşmeli parçalara (chunk) bölünür
        ↓
Her parça OpenAI text-embedding-3-small ile 1536 boyutlu vektöre çevrilir
        ↓
Vektörler PostgreSQL'de pgvector ile saklanır (knowledge_chunks tablosu)
        ↓
Arama sırasında: müşterinin sorusu da vektöre çevrilir
        ↓
Kosinüs benzerliğine göre en yakın parçalar bulunur (ORDER BY embedding <=> sorgu)
        ↓
En alakalı parçalar (kaynak doküman adıyla) asistana context olarak verilir
        ↓
Asistan bu bilgiyi kendi cümleleriyle, doğal konuşarak aktarır

Semantik arama, anahtar kelime eşleşmesinden farklıdır: müşteri “ürünü ne zaman elime geçer” dese de dokümanda “kargo teslim süresi” yazsa da, embedding modeli bu ikisinin anlamca yakın olduğunu anlar ve doğru parçayı bulur. Kelimenin birebir geçmesi gerekmez.

Yükleme anında doküman arka planda işlenir (kuyruğa alınır) — büyük bir PDF’i yükledikten hemen sonra panelden çıkabilirsin, işlem bitince durum “tamamlandı” olur.

Doküman durumları

Sorun giderme

İlgili