Content Intelligence System: AI Destekli İçerik Analizi

TL;DR: Content Intelligence System, semantic search (kpy), link analizi (klinks), performance metrikleri (kperf) ve RAG orchestration’ı (krag) birleştiren bir içerik analiz sistemi. LLM’ler otomatik tool seçimi yaparak doğal dil sorularına veri bazlı yanıtlar üretiyor. Local (Ollama) veya cloud (Claude, OpenAI) modeller destekleniyor.

Geniş dil modelleri (GDM) (İngilizce: Large Language Model - LLM) ve paralelde kullanmaya başladığımız protokoller (MCP - Model Context Protocol), SDK’lar (Software Development Kit) ve agent mimarileri iş yapış biçimlerini önemli ölçüde değiştiriyor.

İçerik üretimi artık sadece içerik üretimi bağlamında kalmıyor. SEO (Search Engine Optimization) yaklaşımları, kullanıcı deneyimi optimizasyonu, reklamlar, otomasyonlar, cross-channel (çok kanallı) stratejiler… bunların hepsi kullanıcı davranışları, arama niyetleri ve dönüşüm yolculukları ile iç içe geçiyor.

Bu karmaşık yapıyı anlamlandırmak, funnel’lardaki (dönüşüm hunisi) friction’ları (engeller) ve leakage noktalarını (kayıp noktaları) tespit edip ortadan kaldırmak artık daha kolay hale geliyor. Ekipler arası iletişim tıkanmaları ve veri siloları bir noktada ortadan kalkıyor. Skill’ler ile agent’lar, MCP’ler ile hedefe yönelik görüler ve yorumlar elde edilebiliyor.

Bir veri silosu, farklı departman veya sistemlerde izole kalan, birbirleriyle paylaşılmayan veri kümelerini ifade eder. Örneğin pazarlama ekibinin GA4 verileri ile satış ekibinin CRM verileri. Bu veriler birlikte daha değerli hale gelebilirkern birbirleri arasında bağlandı olmaması stratejiler arasında da farklılıklar olmasına sebep olur.

Peki, bunlar pratikte nasıl çalışıyor?

Content Intelligence System

Şu anda bu yazı vesilesi ile görüntülemekte olduğunuz kişisel sitem için oluşturduğum bu sistem dört temel araçtan oluşuyor:

Araç	İşlev	Teknoloji
kpy	Semantic search	OpenAI/Qwen embedding + LanceDB
klinks	Link analizi	PageRank + graph analysis
kperf	Performance	GSC + GA4 (Google Analytics 4) + content graph
krag	RAG orchestration	Claude API + tool calling

Her bir araç, farklı bir perspektiften içerik ekosistemini analiz ediyor ve birlikte kullanıldığında güçlü içgörüler ortaya çıkarıyor.

kpy: Semantic Search

Embedding modelleri ile içerikleri vektör veritabanına indeksleyerek anlamsal arama yapılabilmesini sağlıyor. “eCommerce dataLayer nesne yapıları” diye sorduğumda, başlığında bu terim geçmese bile konuyla ilgili tüm içerikler relevance (alaka düzeyi) skorlarıyla birlikte listeleniyor.

kpy search_content.py "GA4 e-ticaret tracking" --lang tr --limit 5

Bu yaklaşım, keyword matching (anahtar kelime eşleştirme) yerine anlam bazlı arama yapılmasını sağlıyor. “Enhanced ecommerce” araması, “gelişmiş e-ticaret” içeren Türkçe içerikleri de buluyor.

Embedding modeli nedir? Metni, anlamını koruyan sayısal vektörlere dönüştüren yapay zeka modelleridir. Bu vektörler sayesinde “benzer anlam” matematiksel olarak ölçülebilir hale gelir. 2024’ten itibaren transformer tabanlı ve instruction-tuned modeller, çok dilli (1000+ dil) ve multimodal (metin-görsel-ses) yetenekleriyle ön plana çıkıyor.¹

Embedding modeli seçimi:

Model	Avantaj	Dezavantaj
OpenAI (text-embedding-3-small)	Yüksek kalite, kolay entegrasyon	API maliyeti, veri gizliliği
Qwen (Qwen3-Embedding-4B)	Local, ücretsiz, privacy-first	GPU/RAM gereksinimi, kurulum
Sentence Transformers	Hafif, hızlı, çok dilli	Daha düşük doğruluk

klinks: Link Analizi

İçerikler arası bağlantıları analiz ederek PageRank hesaplıyor, orphan içerikleri tespit ediyor, hub sayfaları belirliyor.

klinks analyze
klinks orphans
klinks top --limit 10

Hangi içeriğin site içi otoritesi yüksek, hangisi izole kalmış gibi soruların cevaplarını tek bakışta görüyorum.

Metrik	Açıklama
PageRank	İçeriğin site içi otoritesi
In-degree	Gelen link sayısı
Out-degree	Giden link sayısı
Orphan	Hiç link almayan içerik
Hub	Çok sayıda dışa link veren içerik

kperf: Performance Analizi

GSC (Google Search Console) ve GA4 verilerini content graph ile birleştirerek fırsat noktalarını ortaya çıkarıyor:

• Yüksek trafik ama düşük dönüşüm
• Yüksek PageRank ama düşük trafik
• Yüksek impressions ama düşük CTR (Click-Through Rate)
• Orphan ama organik trafik alan içerikler

kperf analyze --gsc data/gsc.csv --ga4 data/ga4.csv
kperf insights
kperf correlations

Görselleştirme: D3.js Graph Viewer

Tüm bu veriler D3.js tabanlı interaktif bir graph viewer’da görselleştiriliyor:

• Node boyutu: PageRank değerini temsil eder
• Node rengi: Dil ve içerik türünü gösterir
• Hover: Bağlantılı içerikler görünür
• Filtreler: Orphan’lar veya top performer’lar anında filtrelenebilir

cd .claude/knowledge && python -m http.server 8765
# http://localhost:8765/graph-viewer.html

Vektör Veritabanı: LanceDB

LanceDB’yi tercih etmemin nedenleri:

1. Embedded ve serverless: Local-first çalışıyor
2. Altyapı gerektirmez: Ekstra kurulum yok
3. Privacy-first: Tüm veriler makinede kalıyor
4. Hızlı: Arrow tabanlı, columnar storage

import lancedb

db = lancedb.connect("vectors/")
table = db.create_table("content", data)

# Semantic search
results = table.search(query_embedding).limit(5).to_list()

krag: RAG (Retrieval-Augmented Generation) Entegrasyonu

Neden Eklendi?

kpy, klinks ve kperf araçları ayrı ayrı güçlü olsa da, karmaşık sorulara yanıt vermek için manuel olarak birden fazla komutu çalıştırmak ve sonuçları birleştirmek gerekiyordu. Örneğin “orphan içeriklerimden hangilerini önceliklendirmeliyim?” sorusu için:

1. klinks orphans → orphan listesi
2. kperf analyze → trafik verileri
3. Manuel karşılaştırma → insight

Bu süreci otomatikleştirmek için krag eklendi.

Ne Sağlıyor?

Öncesi	Sonrası
3+ komut çalıştır	Tek doğal dil sorusu
Sonuçları manuel birleştir	Claude otomatik analiz eder
Teknik bilgi gerekli	Conversational interface
Statik çıktılar	Bağlamsal insight’lar

Nasıl Çalışıyor?

flowchart TB
    Q[Doğal dil sorusu] --> API[LLM API]
    API --> TS[Tool Selection]
    TS --> SS[Semantic Search]
    TS --> LA[Link Analysis]
    TS --> PA[Performance Analytics]
    SS --> DR[Data Retrieval]
    LA --> DR
    PA --> DR
    DR --> AN[LLM analiz + insight]
    AN --> R[Yanıt]

Sistem, seçilen LLM API (Application Programming Interface) ile entegre çalışarak doğal dil sorularını yanıtlayabiliyor:

krag "Orphan içeriklerimiz neden önemli?"
krag "Which blog posts have high traffic but low conversion?"
krag "SEO önceliklerim ne olmalı?"

LLM, hangi tool’u kullanacağına otomatik karar veriyor (agentic behavior):

1. Kullanıcı doğal dil sorusu gönderir
2. LLM, soruyu analiz eder ve uygun tool’ları seçer
3. Tool’lar çalışır (kpy, klinks, kperf), veriler döner
4. LLM, verileri birleştirir ve bağlamsal insight’larla yanıtlar

Full RAG: Retrieval (çoklu veri kaynağı) + Augmented (LLM ile zenginleştirme) + Generation (doğal dil yanıt). Agentic yapı sayesinde model hangi araçları kullanacağına kendisi karar veriyor.

LLM Seçenekleri

Seçenek	Avantajlar	Dezavantajlar
Claude API	Yüksek kalite, güvenilir tool calling	API maliyeti, veri gizliliği
OpenAI GPT-4	Geniş ekosistem, iyi dokümantasyon	API maliyeti
Ollama (Local)	Ücretsiz, privacy-first	GPU gereksinimi, daha düşük kalite
LM Studio	GUI, kolay kurulum	Sınırlı otomasyon

Tool calling için önerilen local modeller:²

Model	Boyut	Notlar
Qwen 3	8B-72B	Çok dilli, MTEB #1
Llama 3.3	70B	Meta’nın en güncel modeli
Mistral	7B	Hafif, hızlı

Daha fazla seçenek için:

• Ollama Model Library - ollama list ile mevcut modelleri görüntüle
• HuggingFace Open LLM Leaderboard - Güncel benchmark sonuçları
• Model seçerken “function calling” veya “tool use” desteğine dikkat et

Dual mode yapısı ile cloud ve local seçenekler desteklenebilir:

# Cloud mode (default)
krag "Orphan içeriklerim neden önemli?"

# Local mode (Ollama)
KRAG_LOCAL=true krag "Orphan içeriklerim neden önemli?"

MCP ile Genişletme

Model Context Protocol (MCP), AI kodlama asistanlarına özel tool’lar sunmak için açık bir standart. Bu araçlar MCP destekleyen tüm asistanlara entegre edilebiliyor:

Asistan	MCP Desteği	Notlar
Claude Code	Native	Anthropic’in referans implementasyonu
Gemini CLI	Evet	Google’ın CLI aracı
Cursor	Evet	VS Code tabanlı IDE
Windsurf	Evet	Codeium’un IDE’si

MCP ekosistemi için kaynaklar:

• MCP Servers Directory - Hazır MCP server’lar
• Awesome MCP Servers - Topluluk tarafından derlenen liste
• MCP Specification - Kendi MCP server’ını yazmak için

Örnek MCP server konfigürasyonu:

{
  "mcpServers": {
    "ceaksan-knowledge": {
      "command": "python",
      "args": ["mcp_server.py"]
    }
  }
}

MCP server şu tool’ları sunuyor:

• search_content: Semantic içerik arama
• get_voice_profile: Yazım stili rehberi
• list_content: İçerik listesi
• get_content_stats: İstatistikler

Pratik Kullanım Senaryoları

SEO Specialist için

klinks orphans           # İzole içerikleri bul
kperf insights          # CTR fırsatlarını gör

Content Strategist için

kpy search "universal analytics"  # İlgili içerik bul
klinks analyze                    # Hub-spoke yapısını incele

Growth Manager için

kperf correlations      # PageRank-trafik ilişkisi
kperf top --limit 20    # En iyi performans gösterenler

GA4 MCP Entegrasyonu

Google, Analytics verileriyle çalışmak için resmi bir MCP server sunuyor.³ Bu entegrasyon sayesinde:

• Doğal dil sorguları: “Son 30 günde en çok trafik alan sayfalar?” gibi sorular sorulabilir
• Otomatik rapor oluşturma: AI asistan GA4 verilerini analiz edip içgörüler sunabilir
• Content Intelligence ile birleştirme: PageRank + GA4 metrikleri = güçlü içerik analizi

# Örnek kullanım
krag "Hangi içerikler yüksek trafik alıyor ama düşük etkileşim oranına sahip?"

Kurulum: Google Analytics MCP Docs adresinden resmi dokümantasyona ulaşabilirsiniz.

Sonuç

LLM’ler, MCP protokolleri ve agent mimarileri, içerik analizi ve optimizasyonunu yeni bir seviyeye taşıyor. Semantic search ile “anlam” bazlı keşif, link analizi ile “yapı” bazlı değerlendirme, performance metrikleri ile “etki” bazlı ölçüm bir araya geldiğinde, içerik ekosisteminin bütünsel bir resmini görmek mümkün oluyor.

Bu sistem, istersem tamamen local ortamda privacy-first şekilde, istersem remote olarak ölçeklenebilir hale gelebiliyor.

İleri Okumalar

1. LanceDB Documentation
2. OpenAI Embeddings Guide
3. Model Context Protocol (MCP)
4. Semantic SEO 2025 Strategy Guide
5. Qwen3 Embedding Models

Footnotes

1. MTEB (Massive Text Embedding Benchmark), embedding modellerini karşılaştırmak için kullanılan standart benchmark. Detaylı karşılaştırma için: MTEB Leaderboard ↩
2. Ollama tool calling hakkında detaylı bilgi: Ollama Tool Calling Docs ↩
3. Google Analytics MCP, GA4 verilerine AI asistanlar üzerinden erişim sağlayan resmi MCP server: Google Analytics MCP ↩