Embeddings ve Vector Search: RAG Temelleri

import OpenAI from "openai";
const openai = new OpenAI();
 
// 1. Doküman parçala (chunking)
const docs = [
  "Müşteri destek tonu: empati öncelikli, çözüm odaklı.",
  "İlk yanıt 4 saat içinde verilir (iş günü).",
  "SLA ihlali halinde otomatik ücret iadesi yapılır.",
];
 
// 2. Her chunk için embedding üret
const embeddings = await Promise.all(
  docs.map(async (text) => {
    const res = await openai.embeddings.create({
      model: "text-embedding-3-large",
      input: text,
    });
    return { text, vector: res.data[0].embedding };
  })
);
 
// 3. Bunları vector DB'ye kaydet (Pinecone, Weaviate, pgvector, Qdrant)
// (basitlik için: in-memory)
 
// 4. Sorgu zamanı: kullanıcı sorusunu embed et
const query = "Yanıt süresi nedir?";
const queryEmbedding = (await openai.embeddings.create({
  model: "text-embedding-3-large",
  input: query,
})).data[0].embedding;
 
// 5. Cosine similarity ile en yakın chunk'ı bul
function cosineSim(a, b) {
  const dot = a.reduce((s, v, i) => s + v * b[i], 0);
  const magA = Math.sqrt(a.reduce((s, v) => s + v * v, 0));
  const magB = Math.sqrt(b.reduce((s, v) => s + v * v, 0));
  return dot / (magA * magB);
}
 
const ranked = embeddings
  .map(e => ({ ...e, score: cosineSim(queryEmbedding, e.vector) }))
  .sort((a, b) => b.score - a.score);
 
const topK = ranked.slice(0, 2);
console.log("En ilgili chunk'lar:", topK.map(t => t.text));
 
// 6. Modele bağlam ver
const finalAnswer = await openai.chat.completions.create({
  model: "gpt-5",
  messages: [
    { role: "system", content: "Bağlamdaki bilgilerle cevapla." },
    { role: "user", content:
      `Bağlam:\n${topK.map(t => "- " + t.text).join("\n")}\n\nSoru: ${query}`
    }
  ]
});