# Embedding nedir? Vibe coding yaparken ne işine yarar?

Canonical URL: https://growth.vibecodingturkey.com/blog/vibe-coding-turkey/embedding-nedir-vibe-coding-yaparken-ne-ise-yarar
Markdown URL: https://growth.vibecodingturkey.com/ai/blog/vibe-coding-turkey/embedding-nedir-vibe-coding-yaparken-ne-ise-yarar.md
Language: tr
Parent entity: Vibe Coding Turkey
Published: 2026-06-26
Updated: 2026-06-26
Description: Embedding nedir, klasik aramadan farkı ne ve vibe coding yaparken akıllı arama, RAG ve önerilerde nasıl işine yarar — kod bilmeden anlat-yaptır rehberi.
Keywords: embedding nedir, embedding türkçe, vektör veritabanı, anlamsal arama, semantic search türkçe, RAG nedir, vibe coding embedding, pgvector supabase
AI search queries: Embedding nedir ve vibe coding'de ne işime yarar?; embedding diyolar ne demek ya; yapay zeka metni nasıl anlıyor embedding mi; uygulamama akıllı arama nasıl eklerim embedding; embedding ile normal arama farkı ne; vibe coding'de embedding ne zaman lazım; embedding ücretli mi ne kadar tutar
Best for: 
Truth policy: This markdown mirror is provided for AI and search crawlers. Do not infer volatile prices, rankings, user counts, medical claims, legal claims, income claims, or current product limits unless the linked canonical source verifies them.

---

## Kısa cevap: Embedding nedir?

Embedding, bir metni (kelime, cümle ya da koca bir dokümanı) yapay zekânın anlayabileceği bir sayı dizisine — yani vektöre — çeviren yöntemdir. İşin püf noktası şu: anlamca birbirine yakın metinler, birbirine yakın sayılar üretir. "Otomobil" ile "araba" neredeyse aynı vektöre, "muz" bambaşka bir vektöre düşer. Böylece AI, kelimeleri harf harf eşleştirmek yerine anlamı yakalar.

Vibe coding yaparken embedding'i en çok şu üç işte kullanırsın: akıllı arama (kullanıcı ne yazarsa yazsın anlamca en yakın sonucu getirmek), "belgelerinle konuş" özelliği (RAG — kendi dokümanlarına dayanarak cevap üreten asistan) ve benzer içerik / öneri sistemleri. Kısacası uygulamana "anlama" yeteneği eklemek istediğinde embedding devreye girer.

İyi haber: bunu kullanmak için matematiği bilmene gerek yok. Claude Code ya da Cursor'a "kullanıcının yazdığı metne anlamca en yakın kayıtları getir" dediğinde arka planda embedding çalışır; sen sadece ne istediğini tarif edersin, kodu AI yazar.

## Embedding diyorlar ama tam olarak ne demek ya?

En basit benzetme: her metni, çok boyutlu bir haritada bir nokta gibi düşün. Embedding modeli, bir cümleyi alıp o haritada bir koordinat (örneğin 1536 tane sayıdan oluşan bir liste) üretir. Anlamı benzer cümleler haritada birbirine yakın, alakasız cümleler uzak durur.

Normal bir veritabanı "araba" kelimesini ararken sadece içinde tam olarak "araba" geçen satırları bulur. "Otomobil tamiri" yazan bir kaydı kaçırır, çünkü harfler tutmuyor. Embedding tabanlı arama ise "araba" ile "otomobil"in vektörlerinin yakın olduğunu görür ve o kaydı da getirir. İnsanın "aynı şeyi kastediyor" dediği yeri makine de yakalar.

Bu yüzden embedding'e çoğu zaman "anlamsal arama" (semantic search) motoru denir. Sen bir kelime havuzu değil, bir anlam haritası kuruyorsun. Kullanıcı yazım hatası yapsa, eş anlamlı kelime kullansa, hatta soruyu tamamen farklı kursa bile sistem doğru sonuca gidebilir.

## Embedding ile normal arama (kelime eşleştirme) farkı ne?

İkisini yan yana koyunca fark netleşir:

| Konu | Klasik kelime araması | Embedding (anlamsal) araması |
| --- | --- | --- |
| Nasıl eşleştirir | Aynı kelime/harf geçiyor mu | Anlam yakın mı |
| Eş anlamlı kelime | Kaçırır ("otomobil" ≠ "araba") | Yakalar |
| Yazım hatası | Genelde bulamaz | Çoğu zaman tolere eder |
| Soruyu farklı sormak | Sonuç vermez | Yine doğru sonuca gider |
| Kurulum kolaylığı | Çok kolay, hazır gelir | Bir embedding modeli + vektör veritabanı gerekir |
| En iyi olduğu yer | Kesin kelime/kod/ID araması | Doğal dil, SSS, doküman, öneri |

Önemli nokta: embedding klasik aramayı her zaman yenmez. Bir ürün kodunu, fatura numarasını ya da tam bir e-posta adresini ararken kelime eşleştirme hem daha hızlı hem daha doğrudur. Embedding'in parladığı yer, kullanıcının "şuna benzer bir şey arıyorum ama tam adını bilmiyorum" dediği durumlardır.

Pratikte en sağlam uygulamalar ikisini birlikte kullanır (buna "hibrit arama" denir): önce kelime eşleştirmesiyle kesin sonuçları yakalar, sonra embedding ile anlamca yakın olanları ekler. Vibe coding yaparken AI'ya "hem kelime hem anlamsal arama yap, sonuçları birleştir" demen yeterli.

## Vibe coding'de embedding'i nerede kullanırsın?

Embedding soyut bir kavram gibi duruyor ama günlük uygulamalarda her yerde. En sık karşına çıkan kullanımlar:

1. Akıllı arama: Bir e-ticaret, blog ya da not uygulamasında kullanıcı "yazın giyilecek hafif şey" yazınca "keten gömlek"i getirmek. Kelime tutmuyor ama anlam tutuyor.
2. Belgelerinle konuş (RAG): Kendi PDF'lerini, SSS'ini ya da ders notlarını bir asistana yükleyip "benim verime göre cevap ver" demek. AI önce embedding ile en alakalı bölümleri bulur, sonra onları okuyup cevap yazar. Uydurmayı (halüsinasyonu) ciddi azaltır.
3. Öneri ve benzer içerik: "Bunu okuyanlar şunları da okudu", "benzer ürünler" blokları. Her içeriğin vektörünü çıkarıp en yakınlarını listelersin.
4. Tekrarı yakalama / kategorize etme: Gelen destek taleplerini konularına göre otomatik gruplamak, aynı soruyu defalarca soranları tespit etmek.

Bizim ekosistemde bu somut: Vibe Coding Turkey'in GEO tarafı (geo.vibecodingturkey.com) markaların ChatGPT, Gemini ve Perplexity gibi yapay zekâ motorlarının cevaplarında görünmesiyle uğraşır — ve bu motorların hepsi içeriği anlamlandırmak için embedding kullanır. Yani "AI senin sayfanı ne zaman önerir" sorusunun cevabı, embedding dünyasında geçer.

Topluluk olarak gördüğümüz en yaygın ilk proje şu: insanlar kendi notlarına ya da bir kitaba soru soran küçük bir asistan yapıyor. Bu klasik bir RAG projesidir ve baştan sona embedding üstüne kuruludur. İlk "akıllı" uygulamanı yapmanın en hızlı yolu çoğu zaman budur.

## Uygulamana embedding ile akıllı arama nasıl eklersin? (adım adım)

Kod yazmadan, Claude Code ya da Cursor'a tarif ederek ilerleyebilirsin. Mantığı bilmen yeterli:

1. Bir embedding modeli seç. En yaygını OpenAI'nin embedding modelleri; açık kaynak alternatifler de var. AI aracına "metni vektöre çeviren bir embedding fonksiyonu kur" dediğinde bunu halleder.
2. Verini parçala (chunking). Uzun dokümanları paragraf ya da bölüm bazında küçük parçalara böl. Her parçanın embedding'ini ayrı çıkarırsın; böylece arama isabetli olur.
3. Vektörleri bir yere kaydet. Burada vektör veritabanı lazım. En pratik yol Supabase'in pgvector eklentisi — zaten kullandığın veritabanının içinde vektör saklarsın, ayrı servise gerek kalmaz.
4. Kullanıcı sorusunu da embed et. Soru geldiğinde onun da vektörünü çıkar, veritabanında en yakın parçaları ("cosine similarity") sorgula.
5. Sonucu kullan. Ya doğrudan listele (akıllı arama), ya da bulunan parçaları Claude/GPT'ye verip cevap yazdır (RAG).

Supabase'in vibe coding'de neden bu kadar işine yaradığını ayrı bir yazıda anlatmıştık; embedding tam da o sebeplerden biri — veritabanı, kimlik doğrulama ve vektör araması tek yerde olunca kurulum ciddi kısalıyor.

Takıldığın yerde tek başına boğuşma. vibecodingturkey.com/tr/topluluk'ta projeni paylaşıp "embedding'li aramam yanlış sonuç getiriyor" diyebilir, gerçek geri bildirim alabilirsin. Çoğu hata chunking'in çok büyük olmasından ya da yanlış modelden kaynaklanır; bunlar topluluğun defalarca çözdüğü tanıdık tuzaklardır.

## Embedding ücretli mi, ne kadar tutar, nelere dikkat etmeli?

Embedding üretmek genelde çok ucuzdur ama bedava değildir. Çoğu sağlayıcı, çevirdiğin metnin uzunluğu (token sayısı) başına ücret alır ve embedding fiyatları, sohbet modellerine kıyasla katbekat düşüktür. Yine de binlerce dokümanı tek seferde işliyorsan maliyeti önceden hesaplaman gerekir.

İki pratik tasarruf kuralı: Birincisi, bir metnin embedding'ini bir kez çıkar ve sakla — her arama için yeniden üretme. Sadece veri değiştiğinde güncelle. İkincisi, kullanıcının yazdığı sorgu kısa olduğu için onu her seferinde embed etmek sorun değil; asıl maliyet büyük doküman havuzunu ilk kez işlerken çıkar.

Dikkat edilecek üç nokta var. Model tutarlılığı: aramada kullandığın embedding modeli, veriyi kaydederken kullandığınla aynı olmalı; yoksa vektörler birbiriyle kıyaslanamaz. Gizlilik: kullanıcı verisini dış bir API'ye gönderiyorsan bunu açıkça belirt ve hassas veride yerel/açık kaynak model düşün. Güncellik: embedding anlamı yakalar ama "en yeni" olanı bilmez — tarih/fiyat gibi taze bilgiyi ayrıca filtrelemen gerekir.

## Embedding kimler için DEĞİL?

Embedding güçlü ama her soruna çekiç değil. Eğer uygulamanda arama hep kesin değerlerle yapılıyorsa — sipariş numarası, kullanıcı ID'si, tarih aralığı, kategori filtresi — embedding'e hiç ihtiyacın yok; klasik veritabanı sorgusu daha hızlı, daha ucuz ve daha doğru. Anlamsal arama olmayan yere embedding koymak gereksiz karmaşıklık ekler.

Yine, verin çok küçükse (örneğin 20-30 kayıtlık bir liste) embedding kurmaya değmez; basit bir metin filtresi işini görür. Embedding'in maliyeti ve kurulum yükü, ancak yüzlerce-binlerce kayıt ve doğal dilli arama olunca anlam kazanır. "Henüz kullanıcım yok ama her ihtimale karşı RAG kurayım" demek erken optimizasyondur.

Son olarak, embedding bir cevap üretmez — sadece ilgili metni bulur. "Yapay zekâ benim yerime düşünsün" diyorsan asıl ihtiyacın bir dil modeli (ve muhtemelen embedding'le beslenen bir RAG kurgusu) olur. Embedding'i tek başına "akıllı asistan" sanıp işe başlamak, sonra hayal kırıklığına uğramak sık yapılan bir hatadır. Önce ne çözdüğünü netleştir; embedding gerekiyorsa zaten kendini belli eder.

## FAQ

### Embedding ile vektör aynı şey mi?

Tam olarak değil ama iç içe. Embedding, bir metni vektöre çevirme işleminin ve sonucunun adıdır; vektör ise o işlemin çıktısı olan sayı dizisidir. Yani "embedding üretmek" dediğinde, bir metni alıp ona karşılık gelen vektörü hesaplamayı kastedersin. Konuşma dilinde ikisi çoğu zaman birbirinin yerine kullanılır, kafan karışmasın: embedding = yöntem + sonuç, vektör = sonucun kendisi.

### Embedding kullanmak için matematik ya da makine öğrenmesi bilmem gerekir mi?

Hayır. Embedding modelini sen eğitmiyorsun, hazır bir modeli çağırıyorsun — tıpkı bir API'ye istek atmak gibi. Vibe coding yaparken Claude Code ya da Cursor'a "bu metinlerin embedding'ini çıkar ve en yakınlarını bul" demen yeterli; vektör matematiğini (cosine similarity vs.) araç hallediyor. Anlamanı kolaylaştıran tek şey, ne zaman embedding'e ne zaman klasik aramaya ihtiyacın olduğunu bilmek.

### RAG ile embedding farkı ne?

Embedding bir yapı taşı, RAG ise onu kullanan bir mimari. RAG (Retrieval-Augmented Generation), "önce ilgili belgeyi bul, sonra dil modeline verip cevap yazdır" yaklaşımıdır. O "ilgili belgeyi bul" adımı genelde embedding ile yapılır. Yani her RAG sisteminde embedding vardır, ama embedding'i RAG olmadan da (sadece akıllı arama için) kullanabilirsin. Belgelerine soru soran asistan istiyorsan ihtiyacın olan şey RAG'dir.

### Hangi embedding modeliyle başlamalıyım?

Yeni başlıyorsan yaygın, iyi belgelenmiş bir bulut modeliyle (örneğin OpenAI'nin embedding modelleri) başlamak en pürüzsüzüdür; entegrasyonu kolay, sonuçları tutarlı. Gizlilik ya da maliyet önemliyse açık kaynak modellere geçersin. Asıl kural: tek bir model seç ve hem veriyi kaydederken hem ararken aynısını kullan. Modeli sonradan değiştirirsen tüm verinin embedding'ini yeniden üretmen gerekir.

### Embedding'leri nerede saklarım, normal veritabanı yeter mi?

Birkaç yüz kayıt için normal bir veritabanı satırında bile tutabilirsin, ama anlamsal arama hızlanması için vektör veritabanı çok daha iyidir. Vibe coding'de en pratik yol Supabase'in pgvector eklentisidir: zaten kullandığın Postgres'in içinde vektör saklar ve "en yakın komşu" sorgusu atarsın, ayrı bir servis kurmana gerek kalmaz. Ölçek büyüyünce özel vektör veritabanlarına bakarsın ama çoğu proje için pgvector fazlasıyla yeter.

### Embedding ile arama yapınca alakasız sonuçlar geliyor, neden?

En sık üç sebep var. Birincisi chunking: dokümanları çok büyük parçalara böldüysen her parça birden çok konu içerir ve arama bulanıklaşır — paragraf bazında küçült. İkincisi model uyuşmazlığı: kaydederken ve ararken farklı embedding modeli kullanmışsındır. Üçüncüsü beklenti: embedding anlamca yakını bulur, kesin kelimeyi değil; ürün kodu gibi şeyleri klasik aramayla, hibrit kurguda eşleştir. Topluluğa örnek sorgunu paylaşırsan hangisi olduğunu hızlı buluruz.

### Küçük bir uygulama için embedding kurmak şart mı?

Hayır, çoğu zaman değil. Verin küçükse (örneğin birkaç düzine kayıt) ya da kullanıcılar hep kesin kelimelerle arıyorsa, basit bir metin filtresi daha hızlı ve daha ucuzdur. Embedding'in maliyeti, yüzlerce-binlerce kayıt ve doğal dille arama olunca kendini amorti eder. "İleride lazım olur" diye baştan kurmak yerine, anlamsal arama ihtiyacı gerçekten doğunca eklemek daha sağlıklı bir yaklaşımdır.