RAG Bilgi Tabanı Entegrasyonu için Claude Promptu

Sen deneyimli bir yazılım mimarısın ve LLM entegrasyon uzmanısın. {uygulama_adi} adlı {programlama_dili}/{framework} tabanlı uygulamam için {veri_kaynagi} içeriğini kullanan kapsamlı bir RAG (Retrieval-Augmented Generation) bilgi tabanı entegrasyon planı oluştur.

## Proje Bağlamı
- **Uygulama**: {uygulama_adi}
- **Dil/Framework**: {programlama_dili} / {framework}
- **Veri Kaynağı**: {veri_kaynagi} (örn. "847 PDF destek kılavuzu", "Confluence wiki", "Notion veritabanı")
- **LLM**: {llm_modeli} (örn. Claude 3.5 Sonnet, GPT-4o, Gemini 1.5 Pro)
- **Embedding Modeli**: {embedding_modeli} (örn. text-embedding-3-small, voyage-3)
- **Vektör Veritabanı**: {vektor_db} (örn. pgvector, Pinecone, Weaviate, Qdrant)
- **Hedef Kullanıcı**: {hedef_kullanici} (dahili ekip / son kullanıcılar / API müşterileri)
- **Tahmini Günlük Sorgu Hacmi**: {sorgu_hacmi}
- **Bütçe Kısıtı**: {aylik_butce_usd} USD/ay

## Aşama 1: Veri Hazırlama Boru Hattı
Aşağıdaki her adım için strateji + çalışan kod taslağı ver:
1. {veri_kaynagi} verilerini çekme, temizleme ve normalize etme yöntemi
2. Chunking stratejisi: chunk boyutu, örtüşme oranı ve hangi ayırıcıların kullanılacağı — gerekçesiyle birlikte
3. Metadata şeması tasarımı: hangi alanlar filtreleme/re-ranking için tutulacak
4. Embedding üretim süreci ve toplu (batch) işlem optimizasyonu
5. Vektör DB index kurulumu, güncelleme stratejisi (delta vs. tam yeniden indeks)

## Aşama 2: Retrieval Katmanı
6. Hibrit arama stratejisi: semantik vektör arama + BM25 anahtar kelime araması nasıl birleştirilecek
7. Re-ranking mekanizması: hangi kütüphane/model, hangi threshold
8. Context penceresi optimizasyonu: kaç chunk, nasıl sıralanacak, token limiti yönetimi
9. Query rewriting/expansion: kullanıcı sorgusunu iyileştirme yöntemi

## Aşama 3: Generation Katmanı
10. Sistem promptu şablonu (grounding talimatları, kaynak atıfı formatı dahil)
11. Halüsinasyon engelleme stratejisi: "bilmiyorum" yanıtı, güven skoru eşiği
12. Streaming yanıt entegrasyonu ve istemci tarafı gösterimi
13. Çoklu dil desteği gerekiyorsa nasıl ele alınacak

## Aşama 4: Gözlemlenebilirlik ve Kalite Güvencesi
14. İzlenecek metrikler: latency P95, retrieval precision@k, faithfulness skoru, answer relevance
15. LLM evaluasyon çerçevesi: RAGAS veya alternatif araç, golden dataset oluşturma yöntemi
16. A/B test planı: chunk boyutu, retrieval-k ve re-ranking parametrelerini karşılaştırma
17. Maliyet monitörüng: token kullanımı ve embedding API maliyeti takibi

## Aşama 5: Üretim Dağıtımı
18. Skalabilite mimarisi: yük dengeleme, cache katmanı (semantic cache), rate limiting
19. Güvenlik: veri izolasyonu, tenant ayrımı (varsa), PII maskeleme
20. CI/CD entegrasyonu: yeni doküman yükleme → otomatik index güncelleme pipeline'ı

## Çıktı Formatı
Her aşama için ayrı bölüm oluştur şu yapıda:
- 📌 **Strateji**: Ne yapacağız ve neden ({uygulama_adi} için özelleştirilmiş)
- 💻 **Kod Taslağı**: Python veya TypeScript, copy-paste çalışacak düzeyde
- ⚠️ **Kritik Tuzaklar**: Bu aşamada en çok yapılan 2-3 hata
- 📊 **Başarı Metriği**: Nasıl ve ne zaman ölçeceğiz

Bölümlerin sonuna **Kurulum Öncelik Sırası** ekle: hangi aşama önce, bağımlılıklar neler, tahmini toplam geliştirme süresi.

Yanıtını Türkçe ver; teknik terimler (RAG, chunk, embedding, pipeline vb.) İngilizce kalabilir.