---
title: Brain GraphRAG Entity Relation
category: product
entity_type: skill
price: ₺369
canonical: https://forgehouse.ai/tr/skiller/brain-graphrag-entity-relation/
lang: tr
hreflang_alt: https://forgehouse.ai/skills/brain-graphrag-entity-relation/
last_updated: 2026-06-20
---

# Brain GraphRAG Entity Relation

> Brain hafiza katmaninda entity-relationship graph kurarak Microsoft GraphRAG mimarisi uygular.

Hafıza katmanınızın üzerine, ayrı bir grafik veritabanı yerine Postgres grafik eklentisi Apache AGE ile Microsoft GraphRAG tarzı bir bilgi grafiği kurma rehberi. Notlarınızdan varlıkları ve ilişkileri çıkarır, Leiden topluluk tespitiyle kümeler ve düz vektör aramasının cevaplayamadığı çok adımlı soruları yanıtlar. Bir ajanın bağlamına yalnızca ilgili bağlı varlıkları enjekte ederek büyük bir belge dökümünü küçük ve ilişkili bir alt grafikle değiştirir.

## Ne için kullanılır
- Bir projenin kullandığı ama diğerinin kullanmadığı yetenekleri sorma gibi ilişki sorularını yanıtlamak
- Tek seferlik anlamsal benzerliğin yetersiz kaldığı yerde çok adımlı akıl yürütme eklemek
- Bilgi grafiğinden varlık tabanlı anlamsal SEO ve konu kümeleri oluşturmak
- Token tasarrufu için ajan bağlamına odaklanmış ilgili varlık kümesi enjekte etmek
- Kohort analizi için kurs, modül, ders, kullanıcı ve ilerleme ilişkilerini modellemek
- Aynı Postgres örneğinde pgvector ile birlikte grafik katmanını kendi sunucunuzda barındırmak

## Faydalar
- Yalnızca vektör tabanlı erişimin üretemeyeceği bileşik, çok adımlı yanıtlar
- Tam belge dökümü yerine ilgili varlık alt grafiği enjekte ederek çok daha küçük ajan bağlamı
- Apache AGE mevcut Postgres'inizde çalıştığı için işletilecek veya ödenecek ayrı grafik veritabanı yok
- Çıkarımdan önce kişisel veri maskeleme, parametreli Cypher ve kiracı yalıtan satır düzeyi güvenlikle daha güvenli sorgular

## Ne içerir
- Düğüm ve kenar etiketleri, GIN indeksleri ve kiracı yalıtan RLS ile Apache AGE kurulumu
- Çıkarım öncesi kişisel veri maskeleme ve katı JSON şemasıyla hibrit spaCy + büyük dil modeli varlık çıkarma hattı
- Sabit bir ilişki şeması (çalıştı, yetenek-kullandı, ait, içinde-geçti, çözen, ilişkili)
- Derinlik sınırı ve vektör-artı-grafik hibrit sorgusuyla çok adımlı Cypher sorgu desenleri
- Tekrarlanabilir kümeler için sabit tohumlu Leiden topluluk tespiti zamanlanmış görevi
- Merkezi varlıkları ve bir adım komşuları ajan bağlamı için biçimlendiren GraphRAG sorgu API'si ve 12 maddelik anti-desen listesi

## Kimler için
İlişki farkında çok adımlı erişime ihtiyaç duyan, Postgres'te pgvector ile birlikte bir grafiği kendi sunucusunda barındırmak isteyen erişim katmanı kuran mühendisler ve yapay zeka ekipleri.

## Nasıl çalışır
Skill bir hafıza külliyatı üzerinde tam olarak bu beş aşamalı GraphRAG hattını koşar. Kara kutu yok, yaptığı iş şu:
1. Herhangi bir şey modele dokunmadan önce PII maskeler: telefon, e-posta, kimlik ve IBAN kalıpları önce regex ile karartılır, entity çıkarımı ancak ondan sonra çalışır; ham kişisel veri LLM'e asla ulaşmaz.
2. Entity'leri hibrit geçişle çıkarır: ucuz ve yüksek güvenli vakaları spaCy NER halleder, kalan dokümanlar katı JSON şemalı, sistem prompt'unda bilinen entity kataloğu taşıyan ve altı ilişki tipiyle sınırlı bir LLM'e gider; şema dışı her üçlü atılır çünkü graf sağlığı recall'dan önemlidir.
3. Grafı mevcut Postgres üzerinde Apache AGE ile kurar: entity'ler düğüm, özne-yüklem-nesne üçlüleri kenar olur; Acme, acme ve ACME üç ayrı düğüm olmasın diye küçük harf kanonik adlarla tekilleştirme yapılır, her etikete GIN indeks ve tenant bazlı RLS eklenir.
4. Leiden topluluk tespitini sabit seed ile gece cron'u olarak çalıştırır: graf igraph'e aktarılır, kümelenir, her düğüme kararlı bir community_id geri yazılır; bu daha sonra hangi müşteriler birbirine benziyor gibi soruları cevaplar.
5. Sorgu anında hibrit gider: vektör araması en alakalı parçaları getirir, içlerinde geçen entity'ler grafta bir adım genişletilir ve ikisi 3000 token'lık sert tavanla ajan bağlamına birleştirilir; 50 bin token'lık doküman dökümü yerine 2 bin token'lık entity haritası girer.
6. Her Cypher sorgusunu korur: yalnızca parametre, asla string birleştirme; gezinme derinliği üç adımla sınırlanır ve her sorguya LIMIT konur, çünkü dört ve üzeri adım üstel patlar.

## Sık sorulanlar
### Bunun için Neo4j veya ayrı bir graf veritabanı kurmam gerekir mi?
Hayır. Postgres graf eklentisi Apache AGE üzerinde çalışır, yani graf büyük olasılıkla zaten sahip olduğunuz veritabanında durur. İkinci bir veri deposu işletmeden çok adımlı sorgulama eklersiniz.

### Vektör araması zaten ilgili notları getiriyor. Neden graf ekleyeyim?
Çünkü anlamsal benzerlik tek atışlıktır; birbirine benzeyen notları bulur ama 'A projesinin kullanıp B projesinin kullanmadığı hangi yetenekler' sorusunu yanıtlayamaz. Bu tür bir soru ilişkileri dolaşmayı gerektirir ki graf katmanının düz getirmenin üstüne kattığı tam olarak budur.

### Varlık çıkarımı kendiliğinden mi çalışır yoksa başında durmam mı gerekir?
Çıkarım kalitesi tüm sistemi sınırlar ve dağınık notlardan gözden geçirme ister, kötü varlıklar kötü kenarlar üretir. Rehber size hattı ve Leiden kümelemeyi verir ama bulduğu toplulukları kesin gerçek değil sezgisel bir başlangıç noktası olarak görün.

## Fiyat
₺369, tek seferlik, abonelik yok. KDV dahil.

İlgili rehber: [Yapay zekâ ile veri analitiği](https://forgehouse.ai/tr/rehberler/yapay-zeka-veri-analitigi/)