---
title: Postgres pgvector RAG Pipeline
category: product
entity_type: skill
price: ₺369
canonical: https://forgehouse.ai/tr/skiller/postgres-pgvector-rag-pipeline/
lang: tr
hreflang_alt: https://forgehouse.ai/skills/postgres-pgvector-rag-pipeline/
last_updated: 2026-06-20
---

# Postgres pgvector RAG Pipeline

> PostgreSQL + pgvector uzerine uctan uca RAG pipeline chunking (recursive 1024/256 overlap vs…

PostgreSQL + pgvector üzerinde her aşamayı kapsayan uçtan uca bir RAG hattı: parçalama, gömme (embedding), indeksleme, getirme ve kalite değerlendirmesi. Zor mühendislik kararlarını somutlaştırır: HNSW mı IVFFLAT mı, özyinelemeli mi anlamsal parçalama mı, İngilizce mi çok dilli gömme mi: maliyet tavanı, kişisel veri maskeleme ve yeniden-gömme göç planı içine işlenmiş halde. Kırılgan bir prototip yerine üretim seviyesinde bir anlamsal arama katmanı elde edersiniz.

## Ne için kullanılır
- Dokümanlar, blog veya destek içeriği için anlamsal arama katmanı kurma
- RAG sohbet botu için getirme arka ucu oluşturma
- Recall artırmak için indeksi IVFFLAT'tan HNSW'e taşıma
- Kesintisiz yeniden-gömme ile embedding modeli yükseltme
- HNSW ef_search ile recall ve gecikme dengesini ayarlama
- recall@k, MRR ve nDCG ile hat kalitesini değerlendirme

## Faydalar
- Bilinçli parçalama, indeksleme ve çeşitlilik (MMR) seçimleriyle daha yüksek getirme doğruluğu
- Gömme jetonu bütçeleri ve tavan alarmlarıyla öngörülebilir maliyet
- Geri alınamaz hale gelmeden önce kişisel veriyi gömme öncesi maskeleyen gizlilik güvenli alım
- Zamanlanmış değerlendirme sayesinde kalitenin varsayılmadığı, ölçüldüğü güven

## Ne içerir
- HNSW indeksi, metadata GIN indeksi ve embedding sürümleme içeren pgvector şeması
- Alım hattı: özyinelemeli parçalama, kişisel veri maskeleme, toplu eşzamansız gömme, toplu ekleme
- Kosinüs benzerliği, alaka eşiği ve MMR çeşitlilik seçimiyle getirme
- Gerçek referans sorgulara karşı recall@k, MRR ve nDCG hesaplayan değerlendirme aracı
- Model yükseltmelerinde kesintisiz mavi-yeşil yeniden-gömme göç planı
- Maliyet tavanı alarmları ve kaynak ile görünürlüğe göre satır düzeyi güvenlik bölümlemesi

## Kimler için
PostgreSQL üzerinde güvenilir, maliyeti kontrollü anlamsal arama veya RAG getirme kuran arka uç ve yapay zeka mühendisleri için.

## Nasıl çalışır
Skill'in PostgreSQL ve pgvector üzerinde kurduğu hattın tamamı, şemadan haftalık kalite cron'una. Kara kutu yok, yaptığı iş tam olarak bu:
1. Önce şema: vector extension açılır, documents tablosu embedding_version kolonu ve JSONB metadata ile kurulur, HNSW indeksi m=16 ve ef_construction=64 ile oluşturulur, metadata filtreleri tablo taramasına düşmesin diye GIN indeksi eklenir, admin ile public chunk'ları ayıran satır seviyesi güvenlik politikaları yazılır.
2. Besleme hattı şu sırayla çalışır: parçala, maskele, vektörle, yaz. 1024 token ve 256 örtüşmeyle özyinelemeli bölme (hukuki veya finansal belgede anlam sınırından bölme), ardından kişisel veri maskeleme embedding'den ÖNCE yapılır, çünkü bir kez vektörlenen kişisel veri vektör uzayının içinde kalır ve geri çıkarılamaz. Embedding 64'lük gruplar halinde gider, kayıt kaynak dosya, parça sırası ve sürüm anahtarıyla upsert edilir.
3. Getirme üç kontrolle çalışır: 0.7 alaka eşikli kosinüs benzerliği (altında kalan sonuç yerine kullanıcıya dürüst 'bulunamadı' döner), sorgu başına ayarlanan ef_search ile gecikme ve isabet dengesi, ve tek kaynak dosyanın ilk 5'i ele geçirmemesi için MMR çeşitliliği.
4. Haftalık değerlendirme cron'u 100'den fazla insan etiketli sorgu çifti üzerinde recall@k, MRR ve nDCG ölçer. Yüzde 10 isabet düşüşü alarm tetikler, kalite kayması hissedilmez, ölçülür.
5. Embedding modeli yükseltmeleri blue-green yürür: paralel v2 kolonu ve indeksi, yeni kayıtlarda çift yazım, arka planda parti parti yeniden vektörleme, ve yalnızca v2 isabeti v1'i yakalayınca geçiş. Sıfır kesinti, tam geri dönüş yolu.
6. Maliyet tavanları hatta gömülüdür: plan kapasitesinin yüzde 80'ine gelen depolama ve bütçeyi aşan aylık embedding harcaması, fatura gelmeden uyarı üretir.

## Sık sorulanlar
### Supabase şart mı, yoksa herhangi bir PostgreSQL çalışır mı?
pgvector eklentili her PostgreSQL çalışır; şema, HNSW indeksleme, alım hattı ve değerlendirme aracı düz Postgres'tir. Supabase, yaygın bir yönetilen sunucu olduğu için maliyet tavanı örneklerinde geçer; hiçbir parça ona bağımlı değildir.

### Getirmenin gerçekten çalıştığını ummak yerine nasıl bilirim?
Kalite varsayılmaz, ölçülür: değerlendirme aracı gerçek referans sorgulara karşı recall@k, MRR ve nDCG'yi düzenli hesaplar; HNSW ef_search de recall ile gecikme arasında açık bir ayar kolu verir. İndeks ve parçalama kararları, IVFFLAT'tan HNSW'e geçiş yolu dahil, ölçülebilir ödünleşimler olarak ele alınır.

### Sohbet botu veya LLM yanıt katmanı dahil mi?
Hayır. Getirmenin bittiği yerde biter: parçalama, kişisel veri maskeleme, gömme, indeksleme, MMR çeşitlilikli benzerlik araması ve değerlendirme. Getirilen parçaları yanıta çeviren üretim katmanı bunun üstünde duran ayrı bir iştir.

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

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