[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-hypothetical-document-embeddings::tr":3,"gloss-cluster-hypothetical-document-embeddings::tr":26,"gloss-next-hypothetical-document-embeddings::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"hypothetical-document-embeddings","prompt-eng","Varsayımsal Belge Gömmeleri (HyDE)","Varsayımsal Belge Gömmeleri (HyDE), aramayı, ham soru yerine sahte bir cevabı gömerek iyileştiren bir getirme (retrieval) hilesidir. Gao vd. (2022) tarafından tanıtılan akış şöyledir: bir LLM'den kullanıcının sorgusunu yanıtlayacak makul bir belge yazmasını isteyin, bu varsayımsal metni gömün ve vektörünü kullanarak yakınındaki gerçek belgeleri bulun. Sezgi şudur: tam bir varsayımsal cevap, gömme uzayında, kısa ve anahtar sözcüğü kıt bir sorudan çok gerçek cevap pasajlarına daha yakın durur — yoğun getirmeyi zorlayan 'soru ile cevap' sözcük dağarcığı boşluğunu kapatır. Verilerinize bir getirici eğitmeden, sıfır-atış çalışır; bu da onu bir RAG projesinin erken evrelerinde çekici kılar. Geliştiriciler için vektör aramanızın önüne eklenen bir adımdır; üretilen taslak atılır, yalnızca gömmesi kullanılır. Uyarılar: her aramadan önce bir LLM çağrısı ekler (gecikme ve maliyet) ve model konudan uzak bir 'cevap' uydurursa getirme sapabilir — bu yüzden en çok modelin gerçek alan yetkinliği olduğunda işe yarar.","HyDE, ham soru yerine makul bir sahte cevabı gömerek retrieval'ı iyileştirir; çünkü vektör uzayında cevaplar gerçek belgelere sorulardan daha yakın durur.",null,[11,14,17,20,23],{"slug":12,"name":13},"embedding","Embedding (Gömme Vektörü)",{"slug":15,"name":16},"reranking","Reranking (Yeniden Sıralama)",{"slug":18,"name":19},"retrieval","Retrieval (Bilgi Erişimi)",{"slug":21,"name":22},"retrieval-augmented-generation","Geri Getirme Destekli Üretim (RAG)",{"slug":24,"name":25},"semantic-search","Semantik Arama (Semantic Search)",[27,31,34,37,41,44,47,50,53,56,59,62],{"slug":28,"category":5,"name":29,"updated_at":30},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":32,"category":5,"name":33,"updated_at":30},"automatic-prompt-optimization","Otomatik Komut Optimizasyonu",{"slug":35,"category":5,"name":36,"updated_at":30},"chain-of-density","Yoğunluk Zinciri (CoD)",{"slug":38,"category":5,"name":39,"updated_at":40},"chain-of-thought-prompting","Chain-of-Thought Prompting (Düşünce Zinciri İstemi)","2026-08-24T02:46:36+00:00",{"slug":42,"category":5,"name":43,"updated_at":30},"chain-of-verification","Chain-of-Verification",{"slug":45,"category":5,"name":46,"updated_at":40},"chunking","Chunking (Parçalama)",{"slug":48,"category":5,"name":49,"updated_at":40},"constrained-decoding","Kısıtlanmış Çözümleme (Constrained Decoding)",{"slug":51,"category":5,"name":52,"updated_at":40},"context-stuffing","Bağlam Doldurma (Context Stuffing)",{"slug":54,"category":5,"name":55,"updated_at":40},"delimiter","Ayırıcı (Delimiter)",{"slug":57,"category":5,"name":58,"updated_at":30},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":60,"category":5,"name":61,"updated_at":30},"emotion-prompting","Emotion Prompting",{"slug":63,"category":5,"name":64,"updated_at":40},"few-shot-prompting","Few-Shot Prompting (Az Örnekli İstem)"]