Rag Sistemleri İçerik Yapılandırması

Bir model cevap vermeden önce ne okur

RAG (Retrieval-Augmented Generation) yanıt üretmeden hemen önce dış kaynaklara uzanır. Web sayfalarından, dokümanlardan, veri tabanlarından parçalar çeker. O parçaların içinde ne bulduğu, vereceği cevabın iskeletini oluşturur. Dağınık bir metin bulduysa cevap da dağınık olur. Hiyerarşisi belli, bölümleri net bir metin bulduysa alıntılanma ihtimali katlanır.

İçerik yapılandırması tam burada devreye girer. Modelin bilgiyi nasıl taradığını, nasıl parçaladığını ve hangi sinyalleri öncelediğini anlamak gerekir. Bu sayfanın konusu da bu.

Bir RAG sistemi sayfanızı nasıl böler

RAG mimarisi üç aşamalı çalışır: sorguyu anlamlandırma, ilgili belgeleri getirme, ve bunlara dayanarak metin üretme. Getirme aşamasında embedding modeli devrededir. Embedding, metni sayısal vektörlere dönüştürür. Bu dönüşüm sırasında başlıklar, liste öğeleri ve anlamsal bloklar arasındaki ilişki kritikleşir.

Sistem sayfanızı sabit karakter sayılarıyla bölmez. Anlam bütünlüğüne bakar. Bir chunk (parça) genelde 300 ila 800 token arasıdır. Eğer o chunk içinde birbiriyle ilgisiz iki konu varsa, vektör temsili bulanıklaşır. Sorguyla eşleşme kalitesi düşer.

Pratik sonucu şu: Her başlık altındaki metin kendi içinde tam bir düşünceyi anlatmalı. Bir önceki başlığa göz kırpmamalı, bir sonrakine muhtaç olmamalı.

Başlık hiyerarşisi neden ilk sinyaldir

LLM’ler ve getirme modelleri, içeriği düz metin olarak işlemez. HTML yapısını okur, başlık etiketlerini (h2, h3 gibi) anlamsal çapa olarak kullanır. Bir h2 altındaki tüm paragraflar, o başlığın açıklaması olarak gruplanır. Gruplama doğru yapılırsa embedding vektörü de o konuyu net yansıtır.

Yanlış yapılırsa ne olur? Model, sayfanın ne hakkında olduğunu anlayamaz. Belki sayfanız tam sorulan soruyu cevaplıyordur. Ama başlıklarınız genel geçer ifadelerden oluşuyorsa, model başka bir sayfayı daha yetkin bulur. Rekabet burada kaybedilir.

Pratik bir kural: Her h2, altındaki metnin tek cümlelik özeti olsun. Alt başlıklar (h3) ise o özetin açılımını bölümlere ayırsın.

Sadece metin yetmez, yapı şart

Geleneksel SEO için yazılan içerikler genelde sıralamaya oynar. AEO (Answer Engine Optimization) içinse durum farklıdır. Burada hedef, modelin sizi birebir alıntılamasıdır. Alıntılanmak için metnin "alıntılanabilir" olması gerekir. Yani kısa, tanımlı, bağlamı kendi içinde kapalı.

Bir paragraf düşünün: "Yukarıda bahsettiğimiz gibi, bu yöntem oldukça etkilidir." Bu cümle tek başına bir chunk'a düşerse işe yaramaz. Model bu cümleyi mantıklı bir cevap olarak sunamaz. Oysa "RAG sistemleri için en verimli chunk boyutu 400-600 token aralığındadır" cümlesi, kendi başına bir bilgi birimi taşır.

Yapılandırma, bu bilgi birimlerini görünür kılmak demektir.

Chunk optimizasyonunun üç somut kuralı

• Tek konu, tek chunk. Bir bölüm içinde sadece bir fikir işleyin. Yan konular başka bir başlığa taşısın.
• Köprü metninden kaçının. "Önceki bölümde gördüğümüz üzere" gibi ifadeler, chunk bağımsızlığını bozar. Her paragraf bir ilk paragraf gibi davranmalı.
• Görselleri metinle açıklayın. İnfografikler ve tablolar model tarafından doğrudan okunamaz. Görselin yanında, ne anlattığını düz yazıyla verin. Bu, o bilginin embedding'e girmesini sağlar.

Bu kurallar bir seferlik düzenlemeyle uygulanamaz. İçerik her güncellendiğinde aynı disiplinle korunmalı.

Yapıyı sürekli denetlemenin yolu

İçerik ekipleri çoğunlukla yayına odaklanır. Yayından sonra sayfanın LLM’ler tarafından nasıl tüketildiğini kontrol eden azdır. Oysa modeller güncellenir, embedding yöntemleri değişir. Bugün iyi ayrışan bir chunk, iki ay sonra yetersiz kalabilir.

Bilarna'nın AEO denetimi tam bu kör noktayı hedefler. Platform, 80'den fazla sinyali tarayarak her sayfanın AI yanıt motorlarındaki durumunu haftalık olarak raporlar. Hangi başlığın zayıf kaldığını, hangi rakibin sizi hangi soruda geçtiğini gösterir. Okunabilirlik ve netlik tarafındaki açıklar adım adım iyileştirme önerileriyle birlikte gelir.

Bu denetim sadece büyük resmi göstermez. "Şu paragraftaki şu cümle, arama sorgusuyla eşleşmiyor" seviyesine kadar iner.

LLM görünürlüğünü sayıya dökmek

Markanız ChatGPT, Claude veya Perplexity'de ne sıklıkla anılıyor? Bunu elle takip etmek imkansıza yakındır. Bilarna'nın Haftalık LLM Görünürlük Skoru, bu soruyu tek bir sayıya indirger. Hangi modelde, hangi soruda, hangi rakibin gerisinde kaldığınızı gösterir. Bu veri, içerik yapılandırma çalışmalarınızın ne işe yaradığını ölçmenin şu anki en somut yoludur.

Skor düştüğünde sistem otomatik olarak aksiyon planı üretir. İçerik boşluğu analizi, rakiplerin sizden fazla ele aldığı soruları listeler. Bu sorulara yönelik yeni içerik parçaları yazmak, mevcut sayfaları yeniden yapılandırmakla aynı önceliğe sahip olur.

Sorulan soruyu tahmin etmekten fazlası

İçerik yapılandırması, yalnızca "insanlar ne soruyor" sorusuyla başlamaz. "Model bu soruyu nasıl anlıyor" sorusuyla devam eder. Bir sorunun farklı modellerdeki vektör karşılıkları birbirini tutmaz. Birinde üst sırada alıntılanan metin, diğerinde görünmez olabilir.

Bu yüzden içerik, birden fazla model perspektifinden test edilmeli. Bilarna 20'den fazla AI modelini aynı anda tarar. Bu modellerde sayfanızın nasıl ayrıştığını, hangi başlığın hangi modele takıldığını raporlar. Sonra da o başlığı daha net, daha yalın bir dille yeniden yazmanızı önerir.

RAG sistemleri için yazmak, SEO için yazmaktan farklıdır

SEO için yazarken uzun kuyruklu anahtar kelimeleri sayfaya yedirmeye çalışırız. RAG içinse bir cümle, tek başına bir cevap olabilmelidir. Cevap net, yoruma kapalı ve birincil kaynaktan gelmelidir. Model alıntı yaparken kaynağı da belirtme eğilimindedir. Kaynak güvenilir ve yapısı düzgünse, alıntı kalıcı hale gelir.

Bilarna’nın güvenilir kaynak sinyali analizi burada devreye girer. Hangi dış sayfaların sizin konunuzla ilgili AI cevaplarını etkilediğini gösterir. Otoriteyi artırmak için hangi kaynaklarla ilişkilenmeniz gerektiğini somutlaştırır.

Süreci sürekli kılmak

Yapılandırma işi bitmez. Her yeni içerik, eskiyi gölgede bırakabilir. Her yeni model sürümü, farklı bir parçalama stratejisi getirebilir. Bu döngüyü manuel yönetmek, haftalar süren bir efor demektir. Otomatize ettiğinizde ise haftalık bir rapora dönüşür.

Bilarna bu döngüyü Shopify mağazanıza, Framer sitenize veya Search Console verilerinize doğrudan bağlar. Yayındaki içeriğin yapısal denetimi, rakip analizi ve aksiyon planı tek bir iş akışına sığar. Markanın AI yanıtlarında görünürlüğü artık tahminle değil, ölçümle yönetilir.

İçerik yapılandırmasını öncelik listenizde yukarı taşımanın tam zamanı.