Yapay Zekâ · RAG Sistemi
AkademikChatbot
Eğitime özelleştirilmiş RAG tabanlı akademik danışman. Intent-routing motoru her sorguyu SQL, vektör arama veya web taramasına yönlendirir. Bilmediğini açıkça söyler.
Mimari
Intent Router
Soru tipini sınıflandırıp doğru modüle yönlendirir: SQL mi, RAG mi, web mi?
Text-SQL
Doğal dil sorusunu SQL sorgusuna çevirir, üniversite veritabanından veri çeker.
Document RAG
PDF'leri vektöre dönüştürür, ChromaDB'de saklar, semantik arama yapar.
Web Crawler
Güncel bilgi için istenilen web sitesini tarayan modül.
Multi-Turn Chat
Konuşma bağlamını korur; önceki sorularla ilişki kurar.
Token Takibi
Her konuşma için kullanılan token miktarını izler ve maliyet kontrolü sağlar.
Özellikler
Çok Modlu Yanıt
Tek bir sistem içinde Text-SQL, Document RAG ve web crawler'ı koordineli çalıştıran intent yönlendirme motoru.
Vektör Tabanlı Arama
Üniversite PDF belgelerini ChromaDB'ye gömerek semantik arama; sayfa ve kaynak referansıyla birlikte yanıt.
Çok Turlu Sohbet
Konuşma geçmişini takip ederek bağlamı korur; "bu derse kayıt yaptırabilir miyim?" gibi bağlama dayalı soruları anlıyor.
Dürüst Sınırlar
Bilmediği soruyu "bilmiyorum" diyerek geçiştirir; hallüsinasyon riskini minimize eden retrieval-first tasarım.
Teknik Kararlar
Native Function Calling
Orkestratör, LLM'e serbest metin/JSON yazdırıp regex ile ayrıştırmak yerine OpenAI/Gemini'nin gerçek bind_tools/tool_calls mekanizmasını kullanacak şekilde yeniden yazıldı; daha güvenilir ve daha az kırılgan bir araç çağırma katmanı.
Kalıcı Konuşmalar
Konuşma geçmişi conversations.db'de tutuluyor, sunucu yeniden başlatıldığında kaybolmuyor; session tabanlı bir login akışı eklendi.
Belge Kapsamı
Her belge sohbete özel ya da global olarak işaretlenebiliyor; başta her belge her sohbete görünürken artık ayrı bir "Yüklü Dosyalar" ekranından kapsam yönetiliyor.
RAGAS Değerlendirme Hattı
Mevcut pytest paketinden ayrı, opt-in bir eval/ betiği; cevap kalitesini faithfulness, answer relevancy ve context precision/recall metrikleriyle ölçüyor.
Sonuçlar
Teknoloji