Python ve LangChain ile Kurumsal Veritabanı Üzerinde LLM Ajanı (RAG) Mimarisi

Şirket içi PostgreSQL ve PDF dokümanlarını vektör veri tabanı (pgvector) üzerinde indeksleyerek güvenli, halüsinasyonsuz Türkçe yapay zekâ asistanı geliştirme rehberi.

AdminADMIN

Platform Yöneticisi & Sistem Mimarı

26.08.202612 dk Okuma4520 Görüntülenme

AuditAgent™ Kod & Mimari Doğrulaması

Güven Skoru: %98

AuditAgent Onaylı (RAG Precision Tested)

Sözdizimi Doğrulandı

Uygulama Önkoşulları & Gereksinimler

Python 3.11+

PostgreSQL 16 + pgvector eklentisi

OpenAI veya Yerel Ollama API anahtarı

İnteraktif Mimari Akış Şeması (Mermaid)Otomatik Çizilen Topoloji

Python ve LangChain ile Kurumsal Veritabanı Üzerinde LLM Ajanı (RAG) MimarisiMermaid.js

100%

ADIM 1

Kullanıcı Teknik Sorusu

↓

ADIM 2

(PostgreSQL + pgvector

↓

ADIM 3

Bağlam / Context

↓

ADIM 4

GPT-4o / Claude 3.5 Sonnet

↓

ADIM 5

Son Kullanıcı Yanıtı

RAG (Retrieval-Augmented Generation) Mimarisi LLM'lerin şirket içi güncel verilere doğrudan erişimi yoktur. RAG, kullanıcının sorusunu önce pgvector veritabanında semantik olarak aratır, en alakalı doküman parçalarını alarak modelin promptuna bağlam (context) olarak ekler.

PYTHON

1	# LangChain + pgvector ile Kurumsal Soru-Cevap Pipeline'ı
2	from langchain_community.vectorstores import PGVector
3	from langchain_openai import OpenAIEmbeddings, ChatOpenAI
4	from langchain.chains import create_retrieval_chain
5
6	embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
7	vectorstore = PGVector(
8	connection_string="postgresql://itadmin:secret@localhost:5432/corp_kb",
9	embedding_function=embeddings,
10	collection_name="it_sop_docs"
11	)
12
13	retriever = vectorstore.as_retriever(search_kwargs={"k": 4})
14	llm = ChatOpenAI(model="gpt-4o", temperature=0.1)

#Python#LangChain#RAG#Yapay Zeka#pgvector#Data Science

Bu Makaleyle İlgili Bir Sorunuz mu Var?

Uygulama esnasında aldığınız hata kodlarını veya logları forumda paylaşarak TriageAgent ve topluluktan anında destek alın.

Forumda Konu Aç