---
title: Brain Memory Hybrid Search
category: product
entity_type: skill
price: ₺369
canonical: https://forgehouse.ai/tr/skiller/brain-memory-hybrid-search/
lang: tr
hreflang_alt: https://forgehouse.ai/skills/brain-memory-hybrid-search/
last_updated: 2026-06-20
---

# Brain Memory Hybrid Search

> Bir agent'in memory/bilgi korpusu icin BM25 (lexical) + pgvector (semantic) hibrit arama, RRF skor birlesimi…

BM25 sözcüksel aramayı pgvector anlamsal aramayla birleştirip Karşılıklı Sıralama Birleştirmesiyle harmanlayan ve çeşitlilik gözeten ilk beşi döndüren hibrit bir hafıza arama uç noktası için eksiksiz tarif. Yıllarca biriken binlerce notu tek bir RAG uç noktası üzerinden 200 ms'nin altında P95 hedefiyle geri çağırır ve sonuçları ajan bağlamına enjekte eder. Tam kelime eşleşmesinin kazandığı yerde BM25, niyetin önemli olduğu yerde vektörler kullanılır; birleşim ikisinden de üstündür.

## Ne için kullanılır
- Bir görevin başında ilgili geçmiş notları ajan bağlamına enjekte etmek
- Supabase üzerinde pgvector ile tsvector kullanarak hibrit bir RAG uç noktası kurmak
- Dağınık JSON hafıza dosyalarını indeksli bir Postgres tablosuna taşımak
- Kendini pekiştiren önyargıyı tespit etmek için bir notun ne sıklıkla çağrıldığını izlemek
- Gömme modeli yükseltilirken yeniden gömme planlamak ve kayma tespit etmek
- Satır düzeyi güvenlikle ücretli erişimli kurs içeriği araması eklemek

## Faydalar
- Tam kelime ve anlamsal eşleştirmeyi birleştirerek tek modlu aramayı geçen geri çağırma
- Ayarlı HNSW ve GIN indeksleriyle 200 ms'nin altında P95 hedefli hızlı erişim
- Kaynak dosya ve küme çeşitlilik sınırlarıyla tek yönlü önyargıdan kaçınan dengeli bağlam
- Toplu işleme ve kısa ömürlü sorgu önbelleğiyle neredeyse sıfır gömme maliyeti ve düşük gecikme

## Ne içerir
- tsvector GIN ve pgvector HNSW indeksleri ile satır düzeyi güvenliği içeren tam şema
- Kaynak ve kümeye göre çeşitlilik filtrelemesiyle Karşılıklı Sıralama Birleştirmesi arama fonksiyonu
- Gömme öncesi kişisel veri maskeleme ve token farkında parçalamayla Python gömme hattı
- İlk beşi ajan bağlamına enjekte eden ve geri çağırma sayaçlarını asenkron artıran bir geri çağırma API'si
- 12 satırlık anti-desen tablosu ve 8 savunma deseni (önbellek, asenkron sayaçlar, kayma kontrolleri)
- Bölüm ağırlıklı sıralamayla ücretli erişimli kurs araması için çalışan bir örnek

## Kimler için
Hem dahili ajanlar hem de müşteriye dönük bilgi tabanları için Postgres üzerinde hızlı, önyargı farkında hibrit geri çağırmaya ihtiyaç duyan, RAG hafıza katmanı kuran yapay zeka mühendisleri ve ekipleri.

## Nasıl çalışır
Skill'in her sorguda çalıştırdığı gerçek recall hattı, kara kutu yok, yaptığı iş tam olarak bu:
1. Her hafıza dosyasını 64 token örtüşmeli 512 token'lık parçalara böler, embedding API çağrısından önce kişisel veriyi ve sırları maskeler, her parçayı kaynak dosya ve küme etiketiyle işaretler
2. Parçaları 64'lük gruplar halinde embed eder ve embedding sürüm etiketiyle Postgres'e yazar; aynı satırlarda otomatik üretilen tam metin indeksi de durur
3. Sorgu anında kelime araması (metin indeksi üzerinde BM25) ile vektör aramasını (HNSW kosinüs) paralel koşar, her biri sıralı ilk 100 adayını döner
4. İki listeyi Reciprocal Rank Fusion (k=60) ile birleştirir; sıralama tabanlı bu birleşim skor normalizasyonu gerektirmez, iki taraftan birinde güçlü olan belge yukarı çıkar
5. Dönmeden önce çeşitlilik filtresi uygular: kaynak dosya başına en fazla 2 parça ve küme başına kota, böylece tek bir eski not enjekte edilen bağlamı ele geçiremez
6. İlk 5 parçayı ajan bağlamına verir, recall sayaçlarını asenkron artırır ve gecikmeyi 200ms bütçesine karşı loglar; çok sık çağrılan parçalar bayatlık incelemesi için işaretlenir

## Sık sorulanlar
### Ayrı bir vektör veritabanı mı gerekir, yoksa Postgres bunu taşır mı?
Postgres taşır. Anlamsal tarafı pgvector, sözcüksel tarafı tsvector yürütür, yani Supabase'de veya düz Postgres'te işletilecek ayrı bir vektör deposu yoktur. Tüm hibrit uç nokta tek bir veritabanında durur.

### Anlamsal arama zaten anlamı kavrıyorsa neden üstüne BM25 sözcüksel ekleyeyim?
Çünkü anlamsal arama kesin belirteçleri (kimlikler, isimler, hata kodları) tökezler, sözcüksel arama ise yeniden ifadeleri kaçırır. Reciprocal Rank Fusion her iki sıralamayı harmanlar, böylece ne kesin eşleşmeleri ne de kavramsal olanları kaybedersiniz; bütün mesele bu birleşimdir.

### Notlarım milyonlara ulaşınca 200ms altı hedefi korunur mu?
O P95 hedefi milyonlar değil binlerce not etrafında çerçevelenmiştir. Çok daha büyük ölçekte indeks ayarlama alanına girersiniz, bu sağlam bir başlangıç mimarisidir, gecikmenin sonsuza dek sabit kalacağının garantisi değil.

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

İlgili rehber: [Yapay zekâ ve LLM mühendisliği](https://forgehouse.ai/tr/rehberler/yapay-zeka-llm-muhendisligi/)