n8n ile şirket dokümanlarını bilen asistan nasıl kurulur?

Şirket dokümanlarını bilen asistan nasıl çalışır?

Bir dil modeli şirketinizin iç dokümanlarını bilmez. RAG (geri getirmeyle zenginleştirilmiş üretim) bu boşluğu şöyle kapatır: dokümanlar önceden küçük parçalara bölünür, her parça sayısal bir vektöre (embedding) çevrilir ve bir vektör deposunda saklanır. Kullanıcı soru sorduğunda soru da vektöre çevrilir, depodan en yakın parçalar bulunur ve bu parçalar soruyla birlikte modele verilir. Model yanıtı bu parçalara dayanarak yazar.

n8n'in bu mimariyi görsel olarak kurmanıza izin vermesi önemli bir avantajdır: dokümanı yükleyen akış ile soruyu yanıtlayan akışı ayrı ayrı çizer, her adımın çıktısını görebilirsiniz. RAG'in kavramsal ayrıntısı ayrı bir konudur; n8n'de kurulum sırası şöyle ilerler.

Ayrı akışlar: içeri alma ve yanıtlama

Çalışan bir RAG asistanı, ayrı çalışan akışlardan oluşur.

İçeri alma akışı (ingestion): • Kaynağı okur: bir klasördeki PDF ve Word dosyaları, bir bilgi tabanı, bir paylaşımlı sürücü. • Metni çıkarır ve temizler: üst bilgi, alt bilgi ve tekrar eden sayfa numaralarını ayıklar. • Parçalara böler: n8n'de metin bölücü (text splitter) düğümüyle. • Embedding üretir: bir embedding modeli düğümüyle. • Vektör deposuna yazar: parçanın yanında dosya adı, bölüm, tarih ve erişim grubu gibi üst veriyi (metadata) de saklar.

Yanıtlama akışı: • Sohbet tetikleyicisi veya webhook ile soruyu alır. • Yapay zeka ajanı (AI Agent) düğümü, vektör deposunu bir araç olarak kullanır ve ilgili parçaları getirir. • Model yanıtı üretir, hangi dokümandan yararlandığını belirtir. • Sohbet geçmişi için bir bellek düğümü bağlanabilir.

Akışların ayrı tutulması, dokümanlar değiştiğinde yalnızca içeri alma akışını yeniden çalıştırmayı mümkün kılar.

Parçalama ve embedding seçimleri neden kaliteyi belirler?

RAG sistemlerinde yanıt kalitesinin büyük bölümü modelden değil, hangi parçaların getirildiğinden gelir. Parça çok küçükse anlam bağlamından kopar; çok büyükse alakasız metin modele taşınır ve asıl cevap gürültüde boğulur. Başlıkları ve paragraf sınırlarını gözeten bölme, rastgele karakter sayısıyla bölmekten genellikle daha iyi sonuç verir. Parçalar arasında kısa bir örtüşme bırakmak, cümlelerin ortadan kesilmesini azaltır.

Embedding modeli seçerken dil desteği belirleyicidir: Türkçe dokümanlarda çok dilli çalışan bir model gerekir. Soru ile doküman aynı modelle vektörleştirilmelidir; sonradan model değiştirirseniz tüm dokümanları yeniden içeri almanız gerekir. Bu seçimler, ayrı birer uzmanlık konusudur ve denemelerle ayarlanır.

Vektör deposu seçimi ve üst veri kullanımı

n8n birden çok vektör deposu düğümü sunar; güncel listeyi n8n belgesinden kontrol edin. Seçimde şu ölçütler önemlidir: verinin nerede durması gerektiği (kurum içi mi, bulut mu), kayıt sayısı, filtreleme desteği, bakım yükü ve maliyet modeli. Deneme için bellek içi (in-memory) depo yeterlidir ama akış yeniden başlayınca içerik kaybolur; kalıcı kullanım için kalıcı bir depo seçin.

Üst veri, kurumsal kullanımda en kritik alandır. Her parçaya doküman adı, sürüm, ait olduğu departman ve erişim grubu yazarsanız, sorgu sırasında "yalnızca kullanıcının yetkili olduğu dokümanlar" filtresi uygulayabilirsiniz. Bu olmadan, insan kaynakları politikasını soran herkes yönetim kurulu belgelerinden de yanıt alabilir.

Örnek senaryo: iç destek asistanı

Örneğin bir şirketin bilgi işlem ekibi, çalışanların sık sorduğu VPN, yazıcı ve yazılım talep süreçlerini bir SSS dokümanında topluyor olsun. İçeri alma akışı bu dokümanı haftalık olarak okur, değişen dosyaları algılar, eski parçaları siler ve yenilerini yazar. Yanıtlama akışı ise şirket içi mesajlaşma uygulamasındaki sorulardan tetiklenir.

Asistan soruya karşılık gelen parçaları bulur ve talimatına uygun biçimde yanıt verir: yanıtta kaynağı belirtir, parçalarda cevap yoksa "bu konuda dokümanda bilgi bulamadım, destek ekibine yönlendiriyorum" der ve bilet açma akışını tetikler. Bu son davranış, uydurma yanıt riskini azaltan en önemli tasarım kararıdır.

Kalite, güvenlik ve bakım

Yanıt kalitesini sezgiyle değil, bir soru listesiyle ölçün. Gerçek kullanıcı sorularından bir deneme seti hazırlayın, her soru için beklenen kaynak dokümanı not edin ve her değişiklikten sonra setin ne kadarının doğru parçayı getirdiğine bakın. Doğru parça gelmiyorsa sorun parçalama veya embedding tarafındadır; doğru parça geliyor ama yanıt yanlışsa istem (prompt) veya model tarafındadır.

Güvenlik tarafında şunları yapın: kişisel veri içeren dokümanları indekse almadan önce gözden geçirin, erişim filtresini üst veriyle uygulayın, bulut modeli kullanıyorsanız dokümanların hangi hizmete gönderildiğini belirleyin ve ilgili mevzuat yükümlülüklerini hukuk ekibinizle teyit edin. Ayrıca dokümanın içine gizlenmiş talimatlar (prompt injection) riskine karşı modelin dokümanı talimat olarak değil veri olarak ele aldığını sistem isteminde açıkça belirtin.

Bakım için doküman güncelleme akışını zamanlayın, silinen dokümanların parçalarını depodan kaldırın ve asistanın "bilmiyorum" deme oranını izleyin; bu oran bilgi tabanındaki boşlukları gösterir.

Sık yapılan hatalar ve öğrenme yolu

En sık hata, tüm dokümanı tek parça olarak vektörleştirmektir. İkincisi, kaynak göstermeyen asistan kurmaktır: kullanıcı yanıtı doğrulayamaz. Üçüncüsü, üst veri ve erişim kontrolü düşünmemektir. Dördüncüsü, bellek içi depoyu üretime taşımaktır. Beşincisi, ölçüm yapmadan istemi sürekli değiştirmektir.

Öğrenme yolu şöyle ilerler: önce tek bir PDF'i parçalayıp bellek içi depoya yazan ve soru yanıtlayan en küçük akışı kurun. Sonra kalıcı depo, üst veri ve kaynak gösterme ekleyin. Ardından deneme seti, hibrit arama ve yeniden sıralama gibi kalite tekniklerine geçin. En sonda yetkilendirme, izleme ve yayına alma gelir.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

"n8n ile Kod Yazmadan AI Asistanı Tasarımı Eğitimi" programı n8n iş akışı tasarımı, yapay zeka entegrasyonlarıyla akıllı asistan tasarımı, veri kaynakları ve API bağlantıları ile asistanı yayına alma ve ölçekleme modüllerini içerir. "Retrieval-Augmented Generation (RAG) Sistemleri" programının modülleri ise RAG mimarisi, belge işleme ve parçalama stratejileri, embedding modelleri ve vektör indeksleme, gelişmiş geri alma ve yeniden sıralama, boru hattı değerlendirmesi ile üretimdeki RAG sistemi ve güvenlik başlıklarını kapsar. İlki n8n aracında görsel kurulum isteyen operasyon ve otomasyon ekipleri, ikincisi mimariyi derinlemesine anlamak isteyen teknik ekipler için uygundur.