// AI — 2026-11-13 — 8 min
Vektör Veritabanı Nedir ve Neden RAG'ın Kalbinde Durur?
Vektör veritabanının normal veritabanından farkını, nasıl çalıştığını ve RAG sistemlerinde neden zorunlu hale geldiğini somut bir örnekle anlatıyorum.
Şirket dokümanlarınızın üzerine bir RAG chatbot kurdunuz, 200 belgeyle gayet iyi çalışıyor: doğru soruyu sorunca doğru paragrafı buluyor. Sonra belge sayısı 50.000 parçaya çıkıyor ve aynı sorular artık yanlış ya da ilgisiz sonuçlar döndürüyor, arama da gözle görülür şekilde yavaşlıyor. Sorun kullandığınız modelde değil — sorun, anlamca yakın metinleri milisaniyeler içinde bulacak bir vektör veritabanı olmadan bu ölçekte arama yapmaya çalışmanızda.
Bu, çoğu RAG projesinin ilk ciltli sürprizi oluyor: demo aşamasında her şey mükemmel çalışırken, gerçek veri hacmine çıkınca arama kalitesi çöküyor ve ekip suçu modelde ya da prompt'ta arıyor — oysa eksik olan parça çoğu zaman bambaşka bir katman.
##Vektör Veritabanı Nedir, Normal Veritabanından Farkı Ne?
Bir embedding modeli, bir metni (ya da görseli) anlamını temsil eden bir sayı dizisine çevirir — buna vektör denir, yaygın modellerde 384 ile 3072 arasında sayıdan oluşur. İlişkisel bir veritabanı 'id = 5' veya 'tarih > 2026-01-01' gibi kesin eşleşme ve aralık sorgularında hızlıdır; bunun için satır bazlı index yapıları kullanır. Vektör veritabanının cevapladığı soru tamamen farklıdır: 'elimdeki bu vektöre en yakın olan 10 vektör hangisi?' Bu, yüzlerce veya binlerce boyutlu bir uzayda 'yakınlık' aramaktır ve kesin eşleşmeyle hiçbir ilgisi yoktur.
>Basit bir örnek
"Köpek parkta koşuyordu" ve "patim bahçede oynuyordu" cümleleri hiçbir ortak kelime paylaşmaz, ama bir embedding modeli ikisini de anlam uzayında birbirine yakın bir noktaya yerleştirir çünkü ikisi de 'bir hayvanın dış mekânda hareketi' anlatır. "Borsa kapanış fiyatı yükseldi" cümlesi ise bu iki cümleden çok uzak bir noktaya düşer. Vektör veritabanı, bu yakınlığı milyonlarca kayıt arasında hızlıca bulan altyapıdır — anahtar kelime araması bu paraphrase'i yakalayamaz, çünkü ortak kelime yok.
##Vektör Veritabanı Aslında Ne Yapıyor (Teknik Olarak)
En basit yaklaşım, sorgu vektörünü depodaki her vektörle tek tek karşılaştırmaktır (brute-force). Bu yöntem her zaman doğru sonucu verir ama kayıt sayısı büyüdükçe doğrusal olarak yavaşlar; sıradan bir sunucuda gerçek zamanlı bir uygulama için bu genelde on binlerce vektörün üzerinde hissedilir hâle gelir. Vektör veritabanları bu yüzden bir index kurar — HNSW gibi graf tabanlı veya IVF gibi küme tabanlı yapılar — ve 'kesin en yakını bul' yerine 'büyük olasılıkla en yakın olanları çok hızlı bul' stratejisine geçer. Buna yaklaşık en yakın komşu (ANN) arama denir; doğru ayarlandığında %95-99 arası bir isabet oranıyla (recall) brute-force'un çok küçük bir kesrinde süre harcar.
- Dimension (boyut): vektörün kaç sayıdan oluştuğu — modele göre 384-3072 arası
- Distance metric: benzerliğin nasıl ölçüldüğü — cosine, dot product veya Euclidean
- Top-k: her sorguda kaç sonucun geri döneceği
- Metadata filtreleme: aramayı kategori, tarih veya kullanıcıya göre önceden daraltma
- Index tipi: hız, bellek kullanımı ve doğruluk arasındaki dengeyi belirler
Rakamlarla bakınca fark netleşiyor: 500.000 vektörlük bir depoda brute-force karşılaştırma, donanıma göre sorgu başına 200-800 milisaniye sürebilir — kullanıcı bir chatbot'ta bunu bekleyemez. Aynı depoda iyi ayarlanmış bir HNSW index'i aynı sorguyu tipik olarak 5-20 milisaniyede cevaplar; kaybedilen şey, en nadir durumlarda en iyi eşleşme yerine ikinci en iyi eşleşmenin dönmesi gibi küçük bir isabet kaybıdır. Çoğu uygulama için bu takas fazlasıyla kabul edilebilir.
Index seçimi gerçek bir trade-off'tur: daha agresif bir ANN ayarı sorguyu hızlandırır ama bazen doğru sonucu kaçırır; daha konservatif bir ayar daha isabetlidir ama daha fazla bellek ve süre ister. Bu ayarı küçük bir test setiyle (bilinen soru-cevap çiftleriyle) ölçmeden 'varsayılan ayar yeter' demek, üretimde sessizce yanlış sonuçlar döndürmeye yol açar.
##Neden RAG'ın Kalbinde Duruyor
Bir RAG sistemi şu adımları izler: dokümanı parçalara (chunk) böl, her parçayı embedding'e çevir, vektörü metin ve metadata ile birlikte sakla; sorgu geldiğinde soruyu da embedding'e çevir ve depodan en yakın parçaları iste, bulunan parçaları LLM'e bağlam olarak ver. Vektör veritabanı olmadan 'ilgili parçayı bul' adımı sadece iki şekilde yapılabilir: brute-force karşılaştırma (yüzlerce parçada tutar, on binlerce parçada tutmaz) veya anahtar kelime araması (kullanıcı farklı kelimelerle sorduğunda tamamen kaçırır). Vektör veritabanı, RAG'ın 'ilgili olanı bulma' kısmını gerçek ölçekte çalışır hâle getiren parçadır — bu yüzden RAG'ın teorisi kadar pratikte de ayakta kalmasını sağlayan şey odur.
Farkı somutlaştırmak için: bir kullanıcı "ekip arkadaşımı nasıl davet ederim" diye sorduğunda, dokümanlarda geçen kelime "üye ekleme" olabilir. Anahtar kelime araması burada hiçbir eşleşme bulamaz çünkü ortak kelime yok; vektör araması ikisinin de 'birini çalışma alanına katma' anlamına geldiğini yakalar ve doğru makaleyi getirir. Bu küçük fark, kullanıcıların gerçek hayatta soruları hiçbir zaman dokümandaki birebir kelimelerle sormaması yüzünden RAG'ın günlük kullanımında sürekli karşınıza çıkar.
##Gerçek Bir Senaryo: 50.000 Destek Dokümanından Doğru Üçünü Bulmak
Bir SaaS şirketi destek merkezindeki 3.000 makaleyi RAG'a bağlamak istiyor. Her makale ortalama 1.200 kelime; bunlar 500-800 token'lık parçalara, aralarında yaklaşık %15 örtüşme (overlap) bırakılarak bölünüyor — örtüşme, bir cümlenin iki parça arasında yarı kesilip bağlamını kaybetmesini önlüyor. Sonuç toplamda yaklaşık 50.000 parça. Her parça 768 boyutlu bir embedding modelinden geçiriliyor ve vektör veritabanına makale başlığı, ürün kategorisi ve son güncellenme tarihi gibi metadata ile birlikte yazılıyor.
İlk testte sonuçlar tuhaf geliyor: kullanıcı "faturamı nasıl iptal ederim" diye sorunca sistem "fatura nasıl oluşturulur" makalesini getiriyor — anlamca yakın ama yanlış kapıya çıkıyor. Bunun genelde üç nedeni var: parçalar çok büyük tutulmuş ve bir parça içinde birden fazla konu karışmış; embedding modeli genel amaçlı ve ürüne özgü terimleri (örneğin şirketin kendi özellik adlarını) ayırt edemiyor; ya da sorguya hiç metadata filtresi eklenmemiş, oysa "iptal" kategorisindeki makaleler önceden daraltılabilirdi. Düzeltme sırayla uygulanıyor: parça boyutu küçültülüyor, sorguya kategori filtresi ekleniyor, ve son olarak embedding modeli daha güncel bir sürümle değiştiriliyor. Üçü birlikte denendiğinde doğru makaleyi bulma oranı gözle görülür iyileşiyor — ama bu üç değişikliği ayrı ayrı test etmeden hangisinin asıl fark yarattığını bilmek mümkün değil.
##Hangi Seçenek: pgvector mı Özel Vektör Veritabanı mı?
Zaten Postgres kullanıyorsanız, pgvector eklentisi ekstra bir sistem işletmeden vektör arama ekler — küçük-orta ölçekte (birkaç on binden birkaç milyon kayda kadar) gayet iyi çalışır ve operasyon yükü neredeyse sıfırdır. Pinecone, Weaviate, Qdrant veya Milvus gibi özel vektör veritabanları ise on milyonlarca-yüz milyonlarca vektör, çok yüksek yazma hızı ya da gelişmiş filtreleme/çoklu-müşteri izolasyonu gerektiğinde devreye giriyor; karşılığında ayrı bir sistemi yönetmeniz (veya yönetilen servis için ödeme yapmanız) gerekiyor.
- Veri boyutu: kaç vektör saklanacak
- Sorgu hızı gereksinimi: milisaniye bütçesi ne kadar sıkı
- Mevcut altyapı: zaten Postgres kullanılıyor mu
- Ops kapasitesi: ayrı bir sistemi izleyecek kaynak var mı
- Filtreleme karmaşıklığı: sorgular ne kadar çok metadata koşulu taşıyor
Brute-force'un pratik sınırı
~10-50 bin vektör (donanıma göre)
pgvector'ün rahat çalıştığı aralık
birkaç yüz bin - birkaç milyon vektör
ANN index ile tipik sorgu gecikmesi
5-50 ms
Maliyet tarafı da kararı etkiliyor: pgvector'ü Postgres'e eklemenin ek maliyeti pratikte sıfıra yakın — zaten ödediğiniz veritabanı kaynağını kullanıyor. Yönetilen özel bir vektör veritabanı servisi ise genelde depolanan vektör sayısına ve sorgu hacmine göre fiyatlanıyor; küçük bir proje için aylık birkaç on dolardan başlayıp, yüksek trafikli büyük bir kurulumda aylık birkaç bin dolara kadar çıkabiliyor. Kendi sunucunuzda açık kaynak bir vektör veritabanı (Qdrant, Milvus gibi) işletmek bu faturayı düşürür ama ops yükünü size devrediyor — birini seçmek aslında 'parayı mı yoksa mühendislik zamanını mı harcayacağım' sorusuna cevap vermektir.
Bir de dürüst bir sınır var: vektör arama 'anlamca yakın'ı iyi bulur ama tam bir ürün kodunu, bir hata numarasını veya bir tarihi aradığınızda şaşırtıcı şekilde kötü sonuç verebilir — çünkü bunlar anlam değil, kesin eşleşme gerektirir. Bu yüzden olgun RAG kurulumları genelde hibrit arama yapar: vektör araması anlamsal benzerlik için, klasik anahtar kelime/metadata filtresi kesin eşleşmeler için, ikisi birlikte.
##Sık Sorulan Sorular
>Vektör veritabanı ile normal (ilişkisel) veritabanı arasındaki fark tam olarak ne?
İlişkisel veritabanı 'eşit mi' ve 'aralıkta mı' sorularına hızlı cevap verir; vektör veritabanı 'en yakın olan hangisi' sorusuna cevap verir. İkisi birbirinin yerini tutmaz, genelde birlikte kullanılır: yapılandırılmış veri (kullanıcı, tarih, kategori) ilişkisel tarafta, anlam temsili (embedding) vektör tarafında durur.
>Kaç kayıttan sonra vektör veritabanına gerçekten ihtiyaç duyulur?
Birkaç yüz-bin kayda kadar brute-force karşılaştırma (basit bir sorgu fonksiyonuyla bile) pratikte yeterince hızlı kalır. Asıl fark on binlerin üzerine çıkıp gerçek zamanlı, saniyenin altında yanıt gerektiğinde ortaya çıkar. Yani soru 'kaç kayıt' değil, 'ne kadar hızlı cevap gerekiyor'.
>pgvector yeterli mi yoksa özel bir vektör veritabanı mı gerekir?
Zaten Postgres kullanıyorsanız ve veri birkaç milyonu aşmıyorsa pgvector'la başlamak mantıklı — ekstra bir sistem yönetmezsiniz. Veri on milyonları aştığında, çok karmaşık filtreleme gerektiğinde veya saniyede binlerce sorgu gibi yüksek trafik söz konusu olduğunda özel bir vektör veritabanına geçmeyi değerlendirin.
>Embedding'in 'boyutu' (dimension) ne anlama geliyor ve neden önemli?
Boyut, metnin kaç sayıdan oluşan bir diziye sıkıştırıldığıdır — yaygın modellerde 384 ile 3072 arasında değişir. Daha yüksek boyut genelde daha fazla anlam nüansı taşır ama depolama ve arama maliyetini de artırır. Aynı projede farklı boyuttaki embedding'leri karıştırmak (örneğin modeli değiştirip eski vektörleri yeniden üretmeden bırakmak) sessizce hatalı sonuçlara yol açar, çünkü farklı boyutlu vektörler arasında anlamlı bir uzaklık ölçülemez.
>Embedding modelini ne sıklıkla güncellemek veya verileri yeniden embed etmek gerekir?
Embedding modelini değiştirdiğinizde (daha iyi bir sürüme geçtiğinizde), eski verinin tamamını yeni modelle yeniden embed etmeniz gerekir — eski ve yeni vektörler aynı anlam uzayında durmaz, karıştırıldığında sessizce yanlış sonuçlar çıkar. Modeli sabit tutuyorsanız, yalnızca değişen ya da eklenen dokümanları embed etmek yeterlidir; büyük bir içerik kütüphanesi için bu genelde günlük veya haftalık bir artımlı (incremental) iş olarak kurulur, tüm veriyi sıfırdan yeniden embed etmek nadiren gerekir.
Vektör veritabanı tek başına bir sihir değil — RAG'ın embedding ve chunk'lama tarafı da en az bunun kadar belirleyici. RAG'ın tamamının nasıl kurulduğuna ve embedding'in ne olduğuna dair yazılara buradan bakabilirsin; kendi veri setin için hangi kurulumun mantıklı olduğunu konuşmak istersen iletişim sayfasından yazabilirsin.
// BİRLİKTE ÇALIŞALIM
Benzer bir SaaS projesi mi planlıyorsun?
Kapsam, MVP sıralaması ve teslim takvimi için birlikte net bir yol haritası çıkarabiliriz.
> İLETİŞİME GEÇ