Skip to content

Knowledge Files: Etkili RAG için Doküman Hazırlama

Yüklediğin dokümanın 'akıllı' bulunabilirliğini ne belirler? Chunking, format, başlık hijyeni.

Şükrü Yusuf KAYA
10 min read
Advanced
Knowledge Files: Etkili RAG için Doküman Hazırlama

Knowledge ≠ "yığın dosya at"#

Custom GPT, soru geldiğinde Knowledge'tan ilgili pasajları çeker (RAG). Çekilirken chunking denilen küçük parçalama yapılır:
  • Tipik chunk: ~500-1000 token
  • Overlap: 50-100 token
  • Embedding ile en yakın 3-10 chunk getirilir
Dosyaların chunking-friendly olması, RAG kalitesini direkt etkiler.
En iyi: Markdown (.md), TXT (.txt) — temiz başlık yapısı.
OK: PDF — chunking iyi çalışır ama tablo/grafik kaybolur.
Kötü: Scanned PDF — OCR'lı olsa bile kalite düşer.
İpucu: PDF'i önce ChatGPT'ye yapıştır, "bunu markdown'a çevir" iste — sonra markdown'ı yükle.
markdown
# Müşteri Destek Standartları
 
## Yanıt Tonu
 
Müşteri destek tonumuzun 3 ilkesi:
 
1. **Empati öncelikli**: Her yanıt, müşterinin sorunu ifade ettiği gibi başlar. ("Anlıyorum, bu durum gerçekten frustrating olabilir.")
 
2. **Çözüm odaklı**: Sorunu çözen 1 net adım önerilir. Birden fazla seçenek varsa, ilkin en hızlısı önerilir.
 
3. **Sahiplenme**: "Sistem hatası" gibi pasif ifade değil, "Bizim tarafımızda bir sorun çıkmış" gibi aktif sahiplenme.
 
## Yanıt Süresi
 
İlk yanıt 4 saat içinde verilir (iş günü). Hafta sonu 12 saat hedeflenir.
 
## SLA İhlali Durumunda
 
[böyle her bölüm bağımsız anlaşılır...]
Chunk-friendly markdown örneği — her bölüm kendi başına anlaşılır.
💡 Knowledge güncel tutmak
Knowledge dosyaları statik — güncellersin yeniden yüklemen gerekir. Sürüm kontrolü için Notion / Google Docs kaynak olsun, oradan otomatik export'la GPT'ye besle. Modül 11'de API ile bunu otomatize edeceğiz.

Özet#

✓ Markdown / TXT > PDF > Scanned ✓ Hiyerarşik başlık + 200-400 kelime paragraf = en iyi chunking ✓ Her bölüm kendi başına anlaşılır olsun ✓ Frontmatter ile metadata sinyali
Sıradaki ders: Actions — OpenAPI ile API entegrasyonu.

Yorumlar & Soru-Cevap

(0)
Yorum yazmak için giriş yap.
Yorumlar yükleniyor...

Related Content

Modül 1: Başlangıç ve Temeller

ChatGPT Nedir? Tarihçe, Evrim ve Bugünün Manzarası

Start Learning
Modül 1: Başlangıç ve Temeller

Hesap Açma ve Plan Karşılaştırması: Free, Plus, Pro, Team, Enterprise

Start Learning
Modül 1: Başlangıç ve Temeller

Arayüz Anatomisi: Her Buton, Menü ve Ayar Açıklamalı

Start Learning

Connected pillar topics

Pillar topics this article maps to

Pillar Topic

RAG (Retrieval-Augmented Generation) Architecture

RAG (Retrieval-Augmented Generation) is an architecture that grounds large-language-model answers in chunks retrieved from the organization's own documents or data sources, providing both freshness and citations.