Agentic RAG: tek adımlı retrieval'dan araştırma ajanlarına

İki yıl önce “RAG” dediğimiz şey çoğunlukla tek adımlı bir hattı: sorgu → embedding → en iyi N parça → cevap. 2025-2026 araştırması bu resmi belirgin şekilde değiştirdi. Retrieval artık bir ön işleme değil, sistemin yürüttüğü çok adımlı bir karar süreci. Literatürde buna agentic RAG deniyor ve 2026’da bu alanda bir sistemleştirme (SoK) bile yayınlandı: SoK: Agentic RAG (arXiv:2603.07379).

Ne değişti?

• Retrieval bir politika haline geldi. Model ne zaman sorgu yapacağını, hangi kaynağı kullanacağını, durup durmayacağını kendisi belirliyor. 2025-2026’nın öne çıkan teknikleri arasında pekiştirmeli öğrenmeyle eğitilmiş retrieval politikaları ve “deep research” tarzı ajanlar var; agentic RAG’in alan haritası için survey (arXiv:2501.09136) iyi bir başlangıç.
• Kendi kendini düzeltme standartlaştı. CRAG (arXiv:2401.15884) gibi yaklaşımlar retrieval sonucunu “değerlendirip” yetersizse yeniden arama ya da web’e açılma yoluna gidiyor; Self-RAG ise cevabı üretirken kendi kaynağını yeterli bulup bulmadığını sorguluyor.
• Arayüzler katmanlandı. A-RAG (arXiv:2602.03442), modele hiyerarşik retrieval arayüzleri açarak “ne zaman, neyi, hangi ayrıntıda arayacağına” karar vermesini sağlıyor — tek bir search() fonksiyonu yerine araç kutusu.

Ne zaman buna değer?

Agentic RAG her sorun için doğru araç değil. Maliyeti net: her ek retrieval turu ek gecikme, ek token ve ek hata yüzeyi demek. Pratik bir kademe:

1. Önce basit hat. Sorgu genişletme + hibrit arama + reranking çoğu iç kullanım için yeterlidir.
2. Düzeltme katmanı ekle. Retrieval sonucu yetersizse yeniden deneyen (corrective) bir adım, en iyi fiyat/performans oranına sahiptir.
3. Tam agentic akışa ancak görev zorunlu kılıyorsa geç. Çok hop’lu sorular (“bu üç belgedeki çelişkileri bul”), değişken kaynaklar ve araştırma tarzı görevler tam da bunun için.

Ne zaman işe yaramaz?

• Soru tek hop ise: agentic akış aynı cevabı 3-5 kat maliyetle üretir.
• Değerlendirme yoksa: çok adımlı sistemlerde hata birikir; her adımı ölçmeden “daha iyi” hissi yanıltıcıdır. Bu yüzden ajan değerlendirme 2026’nın ayrı bir araştırma konusu haline geldi — Ajan değerlendirmesi 2026 yazısında ele alıyorum.
• Kaynaklar kirliyse: ajan yanlış bilgiyi bulmakta daha iyi olabilir ama bulduğunu doğrulamıyorsa hızla yanlış sonuca ulaşır.

Pratik sonuç

Hiyerarşiyi kademeli kurun: önce iyi bir tek adımlı hat, sonra düzeltme döngüsü, en sonda tam ajan. Her kademe geçişinde ölçülebilir bir gerekçe olsun. Konunun temelleri için RAG nedir ve ne zaman işe yaramaz? yazısına, uçtan uca bir uygulama örneğine ise RAG Tabanlı Doküman Asistanı vaka çalışmasına bakabilirsiniz.