Görsel 1: Kitaplık ve tuğla duvar önünde duran, üzerinde ‘K/R/C-A-G: veri erişim teknolojileri’ yazısı ve gülümseyen bir yüz figürlü kombinasyon kilidi bulunan eski bir kasanın illüstrasyonu.

CAG, KAG ve RAG : Veri Erişim Teknolojileri

Büyük dil modelleri (LLM) artık sadece sohbet eden sistemler değil. Günümüzde bu modeller; şirket içi dokümanları okuyabiliyor, veri tabanlarından bilgi çekebiliyor, araç kullanabiliyor ve hatta kendi başına görev planlayabiliyor. Ancak burada kritik bir soru ortaya çıkıyor:

Model, ihtiyaç duyduğu doğru bilgiye nasıl ulaşacak?

Tam da bu noktada üç temel yaklaşım karşımıza çıkıyor:

• RAG (Retrieval-Augmented Generation)
• KAG (Knowledge-Augmented Generation)
• CAG (Context-Augmented Generation)

Bu yazıda, bu üç yaklaşımın ne olduğunu, nasıl çalıştığını, aralarındaki farkları ve hangi durumlarda kullanıldıklarını ele alacağız.

Önce Temel Problemi Anlayalım

Basit bir örnek düşünelim. Elimizde bir LLM var ve kullanıcı şu soruyu soruyor:

“Şirketimizin 2025 satış raporuna göre en çok büyüyen bölge hangisi?”

Standart bir LLM bu sorunun cevabını bilemez, çünkü bu bilgi internette değil, şirketin kendi iç dokümanlarında yer alır. Bu durumda modele dışarıdan bilgi sağlanması gerekir.

İşte RAG, KAG ve CAG tam olarak bu problemi, yani modele dış bilgiyi doğru şekilde ulaştırma sorununu çözmeye çalışan farklı yaklaşımlardır.

1. RAG (Retrieval-Augmented Generation)

RAG Nedir?

RAG, en basit tanımıyla şu mantıkla çalışan bir sistemdir: Önce bilgiyi bul, sonra cevabı üret.

Bugün piyasadaki birçok AI chatbot ve doküman asistanı, RAG mimarisi kullanmaktadır.

RAG Nasıl Çalışır?

RAG sistemlerinde genellikle şu adımlar bulunur:

1. Dokümanlar parçalanır (chunking).
2. Bu parçalar bir embedding modeli ile vektörlere dönüştürülür.
3. Elde edilen vektörler bir vektör veritabanına kaydedilir.
4. Kullanıcı soru sorar.
5. Soruyla en ilgili doküman parçaları vektör aramasıyla bulunur.
6. Bu parçalar prompt içine context olarak eklenir.
7. LLM, bu context’i kullanarak cevap üretir.

Basit Bir Örnek:

Elimizde bir PDF olduğunu varsayalım. Kullanıcı şöyle soruyor:

“Şirketin yıllık geliri ne kadar?”

Sistem önce PDF içinden ilgili bölümü bulur, ardından bu kısmı modele context olarak gönderir. Model de yalnızca verilen bu bilgiye dayanarak cevap üretir.

RAG’ın Avantajları:

Güncel veri kullanabilir Modeli yeniden eğitmeye gerek kalmadan yeni dokümanlarla çalışabilir.

Kurumsal veriyle uyumlu çalışır Şirket içi belgeler, PDF’ler, Notion sayfaları gibi kaynaklarla entegre edilebilir.

Kurulumu görece kolaydır LangChain, LlamaIndex, Flowise ve n8n gibi araçlarla hızlı şekilde MVP geliştirilebilir.

RAG’ın Dezavantajları:

Yanlış retrieval problemi Yanlış doküman parçaları çekilirse model de yanlış cevap verebilir.

Uzun context problemi Çok fazla veri prompt’a eklendiğinde maliyet ve token kullanımı artar.

Bağlantısal düşünmede zayıf kalabilir RAG çoğunlukla “arama” mantığıyla çalışır; karmaşık bilgi ilişkilerini anlamakta zorlanabilir.

2. KAG (Knowledge-Augmented Generation)

KAG Nedir?

KAG yaklaşımında sistem sadece doküman araması yapmaz, aynı zamanda:

• Bilgiler arasındaki ilişkileri anlamaya ve
• Bu ilişkiler üzerinden akıl yürütmeye (reasoning) çalışır.

Bu yaklaşımda genellikle “Knowledge Graph (Bilgi Grafiği)” yapıları kullanılır.

Knowledge Graph Nedir?

Knowledge Graph, bilgileri düğümler (nodelar) ve bu düğümler arasındaki bağlantılar (kenarlar/edges) şeklinde tutan bir veri yapısıdır. Örneğin:

• Ahmet → çalışıyor → X şirketi
• X şirketi → located in → İstanbul
• İstanbul → ülke → Türkiye

Bu yapı sayesinde sistem sadece metin okumaz, aynı zamanda varlıklar (entity) arasındaki ilişkileri de analiz edebilir.

KAG Nasıl Çalışır?

KAG sistemlerinde süreç kabaca şu adımlardan oluşur:

1. Verilerden bir bilgi grafiği (knowledge graph) oluşturulur.
2. Entity’ler (kişi, şirket, ürün vb.) çıkarılır.
3. Bu entity’ler arasındaki ilişkiler modellenir.
4. Kullanıcı soru sorar.
5. Sistem graf üzerinde sorgulama ve reasoning yapar.
6. Elde edilen sonuç LLM’e iletilir ve model bu bilgi üzerinden cevap üretir.

KAG Nerede Güçlüdür?

Özellikle karmaşık ilişki tabanlı sorularda çok etkilidir. Örneğin:

“Son 3 yılda aynı sektörde çalışıp aynı üniversiteden mezun olan çalışanlar kimler?”

Bu tarz çok adımlı, ilişki odaklı sorgular RAG için zordur; KAG ise bu senaryolarda öne çıkar.

KAG’ın Avantajları:

Daha güçlü reasoning Bilgiler arasında ilişki kurabilir, çok adımlı çıkarımlar yapabilir.

Daha yapısal bilgi yönetimi Özellikle büyük kurumsal (enterprise) sistemlerde avantaj sağlar.

Multi-hop reasoning Birden fazla bağlantıyı takip ederek sonuca ulaşabilir.

KAG’ın Dezavantajları:

Kurulumu daha zordur Sağlam bir knowledge graph tasarımı ciddi mühendislik gerektirir.

Veri hazırlığı maliyetlidir Entity çıkarma ve ilişki kurma süreçleri karmaşık ve zaman alıcıdır.

MVP geliştirmek daha uzun sürer Junior seviyede ilk adımda uygulanması ağır olabilir.

3. CAG (Context-Augmented Generation)

CAG Nedir?

CAG yaklaşımının temel fikri şudur:

Modele mümkün olduğunca doğru ve zengin bir bağlam (context) verilirse, ek bir retrieval katmanı olmasa bile kaliteli sonuç üretilebilir.

Burada odak noktası şunlardır:

• Context engineering
• Prompt kurgusu (prompt structure)
• Session memory (oturum hafızası)
• Agent state management (agent durum yönetimi)

CAG Nasıl Çalışır?

CAG sistemleri genellikle şu tür bilgileri context olarak modele verir:

• Kullanıcı geçmişi
• Agent hafızası
• Workflow çıktıları
• Önceki konuşmalar
• Araç (tool) çıktıları
• Sistem ve kullanıcıya ait state bilgisi

Yani burada ana amaç:

“Doğru bilgiyi aramak”tan çok, “doğru bağlamı oluşturmak”tır.

CAG Nerelerde Kullanılır?

Özellikle AI agent temelli sistemlerde sıkça kullanılır:

• n8n agent yapıları
• Multi-agent sistemler
• AI workflow otomasyonları
• Kişisel AI asistanları

Örnek

Bir AI mentor sistemi düşünelim. Sistem şunları biliyor olsun:

-> Kullanıcının seviyesi

-> Önceki konuşmalar

-> Öğrendiği konular

-> Eksik olduğu alanlar

-> Proje geçmişi

Bu bilgiler sürekli olarak modele context şeklinde verilir ve model, cevaplarını bu kişiselleştirilmiş bağlam üzerinden üretir. Bu yapı doğrudan CAG yaklaşımına bir örnektir.

CAG’ın Avantajları:

Kişiselleştirme çok güçlüdür Kullanıcıya özel deneyim sunabilir.

Agent sistemleriyle çok uyumludur Memory ve workflow mantığıyla doğal bir şekilde entegre olur.

Retrieval maliyetini azaltabilir Her soruda vektör araması yapmak zorunlu değildir.

CAG’ın Dezavantajları:

Context window sınırı vardır Çok fazla bilgi gönderildiğinde token sınırına takılınır.

Context yönetimi zordur Hangi bilginin, ne zaman, ne kadar gönderileceği dikkatli planlanmalıdır.

Hallucination riski Context yanlış veya eksikse model hatalı çıkarımlar yapabilir.

RAG, KAG ve CAG Arasındaki Temel Farklar

Aşağıda üç yaklaşımın temel farklarını özetleyen bir tablo yer alıyor:

| Özellik           | RAG                             | KAG                                   | CAG                                 |
|-------------------|----------------------------------|----------------------------------------|--------------------------------------|
| Temel Mantık      | Bilgi arama                     | Bilgi ilişkilerini modelleme           | Context (bağlam) yönetimi           |
| Ana Teknoloji     | Vektör veritabanı (Vector DB)   | Knowledge Graph (Bilgi Grafiği)        | Prompt + Memory (hafıza) yapıları   |
| Güçlü Olduğu Alan | Doküman arama, PDF Soru-Cevap   | Relationship reasoning, kurumsal veri  | AI agent, workflow ve otomasyon     |
| Kurulum Zorluğu   | Orta                            | Yüksek                                 | Orta                                |
| MVP İçin Uygunluk | Çok uygun                       | Görece zor                             | Uygun                               |
| Kullanım Alanı    | Chatbot, doküman asistanları    | Enterprise AI, karmaşık ilişki analizi | AI Agent, kişisel asistan sistemleri|
| Veri Yapısı       | Embedding vektörleri            | Graph düğüm/kenar yapıları             | Context / state bilgisi             |

Hangisini Ne Zaman Kullanmalıyız?

Aşağıdaki senaryolar genel bir rehber niteliğindedir:

• Eğer:

-> PDF

-> Notion

-> Diğer dokümanlar

-> Şirket içi veriler üzerinden soru-cevap sistemi geliştiriyorsanız: RAG en mantıklı başlangıçtır.

• Eğer:

->Karmaşık veri ilişkileri

->Network analizi

->Entity bağlantıları

->Enterprise-level reasoning gerekiyorsa: KAG daha güçlü bir seçenektir.

• Eğer:

-> AI agent

-> Workflow automation

-> Kişisel asistan

-> Memory tabanlı sistem geliştiriyorsanız: CAG yaklaşımı daha uygundur.

Günümüzde Sistemler Tek Bir Yaklaşım mı Kullanıyor?

Hayır. Modern AI sistemlerinin çoğu hibrit yapıdadır.

Örneğin bir agent sistemi aynı anda:

-> RAG ile doküman arayabilir,

-> CAG ile kullanıcı hafızasını ve session context’ini yönetebilir,

-> KAG ile ilişkisel veri analizi yapabilir.

Gerçek dünyadaki projelerde bu üç yaklaşım genellikle birlikte kullanılır ve birbirini tamamlar.

Görsel 2: “RAG, KAG ve CAG Akışları” başlıklı, üç ayrı flowchart diyagramı.

RAG, KAG ve CAG aslında aynı temel soruya verilen farklı yanıtlardır:

“LLM’e doğru bilgiyi en verimli şekilde nasıl veririz?”

-RAG dış kaynaktaki bilgiyi getirir.

-KAG bu bilgiler arasındaki ilişkileri analiz eder.

-CAG modele doğru ve zengin bağlamı oluşturmaya odaklanır.

Junior seviyede AI uygulamaları geliştiren biri için en mantıklı başlangıç genellikle RAG olacaktır. Zamanla AI agent sistemlerine yöneldikçe CAG kavramı daha önemli hâle gelir. Daha büyük ve kurumsal yapılarda ise KAG öne çıkmaya başlar.

Özellikle günümüzde agentic AI sistemlerinin yükselmesiyle birlikte, bu üç yaklaşımı aynı mimari içinde birleştiren hibrit çözümler giderek daha yaygın hâle gelmektedir.

Kaynakça:

*AWS -Almayla Artırılmış Üretim (RAG) Nedir? Plain Concepts –RAG vs KAG: Comparison and Differences in GenAI Knowledge Augmentation Generation FlowHunt –Retrieval ile Cache Destekli Üretim (CAG vs. RAG) B EYE –CAG vs. RAG Explained GuvenliZeka –Kurumsal RAG Mimarisi: 5 Adımda Güvenilir İK Asistanı Tasarımı Coforge Blog –Architectural Advancements in Retrieval Augmented Generation: Addressing RAG’s Challenges with CAG & KAG*

Görsel 2 : “RAG, KAG ve CAG için el çizimi stilinde üç ayrı flowchart diyagramı”, yazar: Zeynep Korkmaz, 2026.