| """ |
| Arama & Eşik (Threshold) Yönetimi |
| -------------------------------------- |
| Sorguyu embed eder, ChromaDB'de en yakın TOP_K chunk'ı bulur. En yüksek |
| (top-1) benzerlik skoru SIMILARITY_THRESHOLD'un altındaysa sistem |
| "Bu sorunun cevabı dokümanlarımda yer almamaktadır" der ve LLM'e hiçbir |
| chunk göndermez (böylece halüsinasyon riski ortadan kalkar). Eşiğin |
| üzerindeyse, en alakalı chunk'lar (ve kaynak url'leri) döndürülür. |
| |
| NOT: Threshold'un doğru değeri, embedding modeline ve veri setine göre |
| DENEYSEL olarak belirlenmelidir — bkz. eval/run_eval.py ve README'deki |
| "Eşik (Threshold) Analizi" bölümü. |
| """ |
| import sys |
| import os |
|
|
| sys.path.append(os.path.join(os.path.dirname(__file__), "..")) |
| from src import config |
| from src.embedder import get_embedder |
| from src.vector_store import VectorStore |
|
|
| NO_ANSWER_MESSAGE = "Bu sorunun cevabı dokümanlarımda yer almamaktadır." |
|
|
|
|
| class RAGSearcher: |
| def __init__(self, store: VectorStore = None, embedder=None, threshold: float = None, top_k: int = None): |
| self.store = store or VectorStore() |
| self.embedder = embedder or get_embedder() |
| self.threshold = threshold if threshold is not None else config.SIMILARITY_THRESHOLD |
| self.top_k = top_k or config.TOP_K |
|
|
| def search(self, question: str): |
| """ |
| Dönüş: { |
| "question": str, |
| "answered": bool, |
| "top_score": float, |
| "message": str, # answered=False ise NO_ANSWER_MESSAGE |
| "retrieved_chunks": list[dict], # answered=True ise threshold üstü chunk'lar |
| } |
| """ |
| query_vector = self.embedder.embed([question])[0] |
| results = self.store.query(query_vector, top_k=self.top_k) |
|
|
| top_score = results[0]["score"] if results else 0.0 |
| answered = top_score >= self.threshold |
|
|
| if not answered: |
| return { |
| "question": question, |
| "answered": False, |
| "top_score": top_score, |
| "message": NO_ANSWER_MESSAGE, |
| "retrieved_chunks": [], |
| } |
|
|
| relevant = [r for r in results if r["score"] >= self.threshold] |
| return { |
| "question": question, |
| "answered": True, |
| "top_score": top_score, |
| "message": None, |
| "retrieved_chunks": relevant, |
| } |
|
|
|
|
| def format_answer_for_llm(result: dict) -> str: |
| """ |
| Bir LLM'e (ör. Anthropic API) beslenecek bağlam metnini hazırlar. |
| Bu fonksiyon retrieval katmanı ile generation katmanı arasındaki köprüdür; |
| ödev kapsamı asıl retrieval+threshold mekanizması olduğu için burada basit |
| tutulmuştur. Gerçek bir sohbet asistanına bağlamak için bu context'i |
| sistem promptuna ekleyip "SADECE bu bağlama dayanarak cevap ver" talimatı |
| vermek yeterlidir (bkz. README "Sonraki Adım" bölümü). |
| """ |
| if not result["answered"]: |
| return result["message"] |
|
|
| context_blocks = [] |
| for chunk in result["retrieved_chunks"]: |
| context_blocks.append( |
| f"[Kaynak: {chunk['title']} - {chunk['url']}]\n{chunk['chunk_text']}" |
| ) |
| return "\n\n---\n\n".join(context_blocks) |
|
|
|
|
| if __name__ == "__main__": |
| searcher = RAGSearcher() |
| for q in ["Diyabetin belirtileri nelerdir?", "Marsta hayat var mı?"]: |
| r = searcher.search(q) |
| print(f"\nSoru: {q}") |
| print(f"Yanıtlandı mı: {r['answered']} (top_score={r['top_score']:.3f}, threshold={searcher.threshold})") |
| if r["answered"]: |
| print("İlk chunk:", r["retrieved_chunks"][0]["chunk_text"][:100], "...") |
| else: |
| print("Mesaj:", r["message"]) |
|
|
