3.4 Qdrant Kurulum — Docker'dan İlk Sorguya¶

Kim için: 🟢 başlangıç 🔵 iş 🟣 kişisel

⏱️ Süre: ~40 dakika

📋 Önkoşul: 3.1 + 3.2 + 3.3 okundu. Bölüm 0.3 (Docker) ve Bölüm 9.1 (Docker imaj yönetimi) tecrübesi. Python + pip çalışıyor.

🎯 Çıktı: Yerel makinende **çalışan Qdrant**; `http://localhost:6333` dashboard açılıyor; Python scriptinle 20 Türkçe cümleyi embed edip Qdrant'a yazdın, soru sorduğunda en alakalı 5 cümle dönüyor; production refleksleri (volume mount, healthcheck, auth) biliyorsun.

Yabancı kelime mi gördün?

Collection (koleksiyon) = vector DB'de bir veritabanı tablosunun karşılığı; vektörlerin gruplandığı yer. Point (nokta) = Qdrant'ta bir vektör + ID + payload üçlüsü. Upsert = update + insert; kayıt varsa güncelle, yoksa oluştur. HNSW = Hierarchical Navigable Small World; vektör aramada popüler hızlı indeks. Scalar quantization = float32 vektörü int8'e sıkıştırmak; boyut 4× küçük, kalite ~%1-3 kaybı. Payload = vektör yanına konan ek bilgi (metin, tarih, kaynak URL).

Neden bu sayfa?¶

3.3'te Qdrant'ı tercih ettik. Bu sayfada elle kuruyoruz. 10 dakikada yerel makinende Qdrant ayakta, 20 dakikada ilk semantic search sorgusu çalışıyor. Bu noktadan sonra embedding artık senin için soyut değil araçla çalışılan bir şey.

İkincisi: 9.4 RAG Chatbot referans projesi Qdrant kullanıyor — oraya geldiğinde "ben bu DB'yi kurdum, komut biliyorum" refleksiyle gideceksin. Bölüm 9 deploy bölümü de Qdrant'ı production'a alır. Bu sayfa o zincirin başlangıcı.

Üçüncüsü: Qdrant kurulumu tek komut: docker run qdrant/qdrant. Ama production refleksi daha derin — volume mount, healthcheck, auth, scalar quantization, backup. Bu sayfa ikisini birden verir: hızlı başlangıç + production refleksi.

Bu sayfanın ekosistemi¶

🗺️ Qdrant kurulum akışı

flowchart LR
    DOCKER["🐳 Docker\nzaten kurulu"]
    RUN["docker run\nqdrant/qdrant"]
    PORT["localhost:6333\nAPI + dashboard"]
    SDK["qdrant-client\nPython SDK"]
    COLL["Collection\noluştur"]
    UPSERT["Vektör yaz\n(upsert)"]
    SEARCH["Arama\n(search)"]
    PROD["🏭 Production\nvolume + auth + backup"]

    DOCKER --> RUN --> PORT
    PORT --> SDK --> COLL --> UPSERT --> SEARCH
    PORT -.dashboard.-> DASH["🖥 Web UI\n:6333/dashboard"]
    SEARCH -.sonra.-> PROD

    classDef docker fill:#dbeafe,stroke:#2563eb,color:#111
    classDef python fill:#fef3c7,stroke:#ca8a04,color:#111
    classDef prod fill:#fed7aa,stroke:#ea580c,color:#111
    class DOCKER,RUN,PORT,DASH docker
    class SDK,COLL,UPSERT,SEARCH python
    class PROD prod

İki aşama: Önce Docker'da Qdrant ayağa kalkar (API + dashboard). Sonra Python SDK ile konuşursun.

Adım 1 — Qdrant'ı Docker ile kur (2 dakika)¶

Minimal komut (yerel deneme için):

docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant:v1.17.1

Port açıklamaları:

6333 — REST API + dashboard (tarayıcıdan erişim)
6334 — gRPC API (opsiyonel, yüksek performanslı Python SDK bu portu kullanabilir)

Kontrol et:

# Başka terminalde
curl http://localhost:6333/
# {"title":"qdrant - vector search engine","version":"1.17.1",...}

# Dashboard
open http://localhost:6333/dashboard
# veya tarayıcıda aç

Dashboard'da henüz koleksiyon yok — şimdi oluşturacağız.

Bu komut VERİYİ KAYBEDİYOR

docker run yukarıdaki gibi volume olmadan çalışırsa container kapandığında tüm vektörler silinir. Sadece deneme için OK. Üretim veya ciddi kullanım için volume mount şart — aşağıda.

Production versiyonu — volume + restart + healthcheck¶

compose.yml:

services:
  qdrant:
    image: qdrant/qdrant:v1.17.1
    restart: unless-stopped
    volumes:
      - qdrant_storage:/qdrant/storage
      - qdrant_snapshots:/qdrant/snapshots
    ports:
      - "127.0.0.1:6333:6333"   # localhost-only; dışa açma
    healthcheck:
      test: ["CMD-SHELL", "bash -c ':> /dev/tcp/127.0.0.1/6333' || exit 1"]
      interval: 10s
      timeout: 3s
      retries: 5

volumes:
  qdrant_storage:
  qdrant_snapshots:

Çalıştır:

docker compose up -d
docker compose ps   # healthy status görmelisin

9.2 sertleştirme kuralı burada: 127.0.0.1:6333:6333 — Qdrant portu dış dünyaya açılmaz. Aynı makinede çalışan app container'ınızdan erişirsiniz. Dışarıdan erişim gerekirse (uzaktan geliştirme) SSH tüneli kur:

# yerel makinende
ssh -L 6333:localhost:6333 user@server
# şimdi yerel tarayıcında http://localhost:6333/dashboard çalışır

Adım 2 — Python SDK kurulumu (1 dakika)¶

# Bölüm 0'daki venv aktif olmalı
pip install qdrant-client==1.17.1

Sürüm pin disiplini

== sürüm pini mandatory — qdrant-client 1.16 → 1.17 arasında API parametre adları değişebilir. 3.2'deki OpenAI SDK v1→v2 gibi sürpriz yaşama, pin kullan.

İlk bağlantı testi:

from qdrant_client import QdrantClient

client = QdrantClient(url="http://localhost:6333")
print(client.get_collections())
# CollectionsResponse(collections=[])

Eğer ConnectionError alırsan Docker çalışmıyor veya port 6333 kapalı — docker compose ps ile kontrol et.

Adım 3 — İlk koleksiyonu oluştur (1 dakika)¶

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

client = QdrantClient(url="http://localhost:6333")

# İlk koleksiyon — 1024 boyut (voyage-4 ile uyumlu), cosine distance
client.create_collection(
    collection_name="haberler",
    vectors_config=VectorParams(size=1024, distance=Distance.COSINE),
)

print(client.get_collections())
# CollectionsResponse(collections=[CollectionDescription(name='haberler')])

3 parametre kritik:

collection_name — benzersiz; var olanla çakışırsa hata (aşağıda get_or_create deseni).
size — vektör boyutu. Embedding modelin ne veriyorsa o (voyage-4 → 1024, OpenAI small → 1536).
distance — COSINE (en yaygın), DOT, EUCLID, MANHATTAN. Embedding modelin için hangisi önerildiyse onu seç (Voyage → Cosine).

Tekrar çalıştırırsan aynı koleksiyon adıyla create_collection hata verir. Güvenli desen:

def ensure_collection(client: QdrantClient, name: str, size: int = 1024) -> None:
    """Koleksiyon yoksa oluştur, varsa geç."""
    existing = [c.name for c in client.get_collections().collections]
    if name not in existing:
        client.create_collection(
            collection_name=name,
            vectors_config=VectorParams(size=size, distance=Distance.COSINE),
        )

ensure_collection(client, "haberler", size=1024)

Bu desen 9.4 RAG Chatbot'ta kullandığımız aynı — idempotent (defalarca çalıştırılabilir).

Adım 4 — Gerçek veri yaz (5 dakika)¶

20 Türkçe haber başlığı alalım, Voyage AI ile embed edelim, Qdrant'a yazalım:

# pip install qdrant-client voyageai
import os
import voyageai
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, PointStruct, VectorParams

client = QdrantClient(url="http://localhost:6333")
vo = voyageai.Client(api_key=os.environ["VOYAGE_API_KEY"])

# 20 başlık — 4 kategori, her biri 5 tane
haberler = [
    # Ekonomi
    ("ekon_1", "Merkez Bankası faiz kararını açıkladı"),
    ("ekon_2", "Dolar kuru yeni rekor seviyesine ulaştı"),
    ("ekon_3", "Borsa İstanbul günü yükselişle kapattı"),
    ("ekon_4", "Enflasyon rakamları TÜİK'ten geldi"),
    ("ekon_5", "Tarım kredi kooperatiflerine yeni destek paketi"),
    # Teknoloji
    ("tek_1", "Anthropic Claude 5'i tanıttı"),
    ("tek_2", "OpenAI'nin yeni modeli GPT-6 yolda"),
    ("tek_3", "Apple M5 çipi duyuruldu, hız iki kat"),
    ("tek_4", "Google kuantum bilgisayarda yeni rekor"),
    ("tek_5", "Microsoft Copilot tüm Windows'ta varsayılan"),
    # Spor
    ("spor_1", "Milli takım Avrupa Şampiyonası'nda yarı finalde"),
    ("spor_2", "Galatasaray Şampiyonlar Ligi'nde tur atladı"),
    ("spor_3", "Tenis yıldızı Wimbledon'ı kazandı"),
    ("spor_4", "Formula 1'de yeni sezon başladı"),
    ("spor_5", "Basketbol ligi final serisi başlıyor"),
    # Kültür
    ("kul_1", "Cannes Film Festivali'nde Türk filmi ödül aldı"),
    ("kul_2", "İstanbul Bienali 40'ıncı yılını kutluyor"),
    ("kul_3", "Yeni kitap sergisi İstanbul'da açıldı"),
    ("kul_4", "Tiyatro sezonu bu hafta başladı"),
    ("kul_5", "Arkeologlar Troya'da yeni buluntu açıkladı"),
]

# Koleksiyon hazır olsun
existing = [c.name for c in client.get_collections().collections]
if "haberler" not in existing:
    client.create_collection(
        collection_name="haberler",
        vectors_config=VectorParams(size=1024, distance=Distance.COSINE),
    )

# Embed et (document modu)
metinler = [h[1] for h in haberler]
result = vo.embed(metinler, model="voyage-4", input_type="document")
vektorler = result.embeddings

# Qdrant'a yaz
points = [
    PointStruct(
        id=i + 1,  # Qdrant integer ID ister (veya UUID str)
        vector=vec,
        payload={"kategori": haberler[i][0].split("_")[0], "baslik": haberler[i][1]},
    )
    for i, vec in enumerate(vektorler)
]

client.upsert(collection_name="haberler", points=points, wait=True)
print(f"{len(points)} haber yüklendi.")

# Doğrula
info = client.get_collection("haberler")
print(f"Toplam nokta: {info.points_count}")
# 20

Dikkat edilecek noktalar:

id — integer veya UUID string. Qdrant id="ekon_1" kabul etmez; id=1 veya id="ae6db7..." ister.
wait=True — upsert'in diskte oturmasını bekle; False daha hızlı ama sonraki arama eski durumu görebilir.
payload — metinleri + kategorileri yanına koyduk. Arama sonucunda hem vektör skoru hem metni alırız.

Adım 5 — İlk arama (2 dakika)¶

# Sorgu: "AI modelleri son gelişmeler"
sorgu = "AI modelleri son gelişmeler"

# Sorgu modunda embed et!
q_result = vo.embed([sorgu], model="voyage-4", input_type="query")
q_vector = q_result.embeddings[0]

# Qdrant'ta ara — query_points modern API (v1.18'de search() kaldırılıyor)
hits = client.query_points(
    collection_name="haberler",
    query=q_vector,
    limit=5,
).points

for h in hits:
    print(f"{h.score:.3f}  [{h.payload['kategori']}]  {h.payload['baslik']}")

Beklenen çıktı yaklaşımı:

0.782  [tek]   Anthropic Claude 5'i tanıttı
0.758  [tek]   OpenAI'nin yeni modeli GPT-6 yolda
0.612  [tek]   Microsoft Copilot tüm Windows'ta varsayılan
0.594  [tek]   Apple M5 çipi duyuruldu, hız iki kat
0.521  [tek]   Google kuantum bilgisayarda yeni rekor

Güzellik: 20 haberden ilk 5'i tek (teknoloji) kategorisinden — kelime eşleşmesi YOK (sorguda "Claude" veya "AI" kelimesi aranmadı; "AI modelleri son gelişmeler" de haber başlıklarında yok). Embedding anlamsal yakınlığı yakaladı.

Adım 6 — Payload filter ile akıllı arama¶

"Sadece ekonomi kategorisinden en alakalı 3 haber" demek istiyorsun:

from qdrant_client.models import FieldCondition, Filter, MatchValue

hits = client.query_points(
    collection_name="haberler",
    query=q_vector,
    limit=3,
    query_filter=Filter(
        must=[
            FieldCondition(key="kategori", match=MatchValue(value="ekon"))
        ]
    ),
).points

for h in hits:
    print(f"{h.score:.3f}  [{h.payload['kategori']}]  {h.payload['baslik']}")

Sonuç: Sadece ekon kategorisinde, sorguya en yakın 3 haber döner. Vektör benzerliği + structural filter = güç.

Filter örnekleri¶

# Tek değer
Filter(must=[FieldCondition(key="kategori", match=MatchValue(value="tek"))])

# Birden fazla değer (OR)
from qdrant_client.models import MatchAny
Filter(must=[FieldCondition(key="kategori", match=MatchAny(any=["tek", "spor"]))])

# Tarih aralığı (payload'da 'tarih' varsayalım)
from qdrant_client.models import Range
Filter(must=[FieldCondition(key="tarih", range=Range(gte="2026-01-01", lt="2026-06-01"))])

# Hariç tutma (must_not)
Filter(must_not=[FieldCondition(key="kategori", match=MatchValue(value="spor"))])

# Karma: kategori=tek VE 2026'dan sonra
Filter(
    must=[
        FieldCondition(key="kategori", match=MatchValue(value="tek")),
        FieldCondition(key="tarih", range=Range(gte="2026-01-01")),
    ]
)

Filter'ın gücü Qdrant'ın öne çıktığı alanlardan biri. Chroma ve pgvector'da da var ama daha sınırlı.

Adım 7 — Scalar quantization (ileri seviye)¶

Büyüyen koleksiyonda RAM sorunu: 1M vektör × 1024 × 4 byte = 4 GB. Çözüm: quantization.

from qdrant_client.models import (
    Distance, ScalarQuantization, ScalarQuantizationConfig,
    ScalarType, VectorParams,
)

client.create_collection(
    collection_name="haberler_q",
    vectors_config=VectorParams(size=1024, distance=Distance.COSINE),
    quantization_config=ScalarQuantization(
        scalar=ScalarQuantizationConfig(
            type=ScalarType.INT8,
            always_ram=True,  # sıkıştırılmış vektör RAM'de
        ),
    ),
)

Etki: float32 (4 byte/değer) → int8 (1 byte/değer). RAM 4× küçük, retrieval 2× hızlı, kalite ~%1-3 kaybı. 10M+ vektör varsa çoğu zaman açılır.

Adım 8 — Dashboard UI keşif¶

http://localhost:6333/dashboard aç. Sol menüde:

Collections — oluşturduğun koleksiyonlar, boyut + vektör sayısı
API — OpenAPI dokümantasyonu (Swagger benzeri, interaktif)
Console — HTTP istek denemeleri
Telemetry — performans istatistikleri

Küçük projede dashboard opsiyonel; büyükte debug için paha biçilmez.

Adım 9 — Production refleksi: backup + snapshot¶

Qdrant manuel snapshot yapabilir:

# Koleksiyonun snapshot'ını al
snapshot_info = client.create_snapshot(collection_name="haberler")
print(snapshot_info.name)  # haberler-1234.snapshot

# Snapshot dosyaları container'ın /qdrant/snapshots/ dizininde (volume'a yazılır)

Production disiplini:

# Günlük snapshot (cron)
0 3 * * * docker exec qdrant-container ls /qdrant/snapshots/

# Snapshot'ı dışarı kopyala (yedek sunucuya)
docker cp qdrant-container:/qdrant/snapshots/ ./backup/
rsync -av ./backup/ user@yedek-sunucu:/backup/qdrant/

Bölüm 8 Güvenlik detaylı backup stratejileri işler (3-2-1 kuralı, restore testi, vb).

Adım 10 — Auth (production için kritik)¶

Default Qdrant auth yok; VPS'te dışa açıksa herkes veriyi okur/yazar. İki seviye güvenlik:

Seviye 1 — Network isolation (platform default)¶

Compose.yml'de 127.0.0.1:6333:6333 bindine kaldık — sadece aynı makinedeki app container erişir. Yeterli çoğu solo proje için.

Seviye 2 — API key auth (Qdrant 1.10+)¶

# compose.yml'e ekle
services:
  qdrant:
    environment:
      QDRANT__SERVICE__API_KEY: ${QDRANT_API_KEY}

Python'da:

client = QdrantClient(
    url="http://localhost:6333",
    api_key=os.environ["QDRANT_API_KEY"],
)

API key yanlışsa tüm çağrılar 401 döner.

CTO tuzakları — Qdrant ile 10 yaygın hata¶

#	Tuzak	Sonuç	Doğru
1	Volume mount unutmak	Container yeniden başlayınca veri sıfır	`compose.yml`'de `qdrant_storage` volume
2	Port 6333'ü `0.0.0.0` bindlemek	İnternetten herkes eriir	`127.0.0.1:6333:6333` (9.2 kuralı)
3	`id` string olarak geçmek (`"abc"`)	Qdrant hata verir	Integer veya UUID string
4	`create_collection` `get_or_create` olmadan	2. run'da "already exists" hata	Ensure pattern (3.1'de gösterdim)
5	Embedding model boyutu ile collection size uyuşmaz	`ValueError: vector size mismatch`	voyage-4 → 1024, OpenAI small → 1536
6	`document` ve `query` asimetrisini unutmak	Retrieval kalitesi %20-30 düşer	3.1 kuralı: yazarken document, sorarken query
7	`wait=False` upsert + hemen arama	Eski durumu görür, kaybolmuş cevap	İlk yüklemede `wait=True`; yüksek hacim canlıda `False`
8	10M+ vektörde HNSW index kurulumunu beklemeden upload	Dakikalarca yavaş arama	İlk upload önce, sonra index build
9	Distance metric embedding modeli ile uyumsuz	Kalite düşer	Voyage/OpenAI → `COSINE`; L2 normalize edilmiş ise `DOT` da OK
10	Dashboard'ı production'da açık bırakmak	Harici kullanıcı data listesini görebilir	Caddy'de reverse proxy + auth zorunlu

Anthropic ekosistemi — Qdrant + Claude = RAG¶

🤖 Anthropic-öz: Qdrant + Claude zinciri

Bu sayfada kurduğun Qdrant, sonraki bölümde Claude'a bağlanacak:

Bölüm 4 (RAG): Qdrant'ta ara → ilk 5 chunk al → Claude'a context olarak ver → Claude cevaplar. Tam pipeline.
9.4 RAG Chatbot (örnek uygulama): FastAPI + Qdrant + Voyage + Claude. Kullanıcı PDF yükler → chunk + embed + Qdrant'a yaz → soru → retrieval → Claude.
Bölüm 6 (Agent): Claude agent'ı Qdrant'a MCP server üzerinden erişir; "belgem ne diyor?" soruda agent otomatik Qdrant sorgulayabilir.

Öğrenme sırası:

✅ Embedding kavramı (3.1)
✅ Model seçimi (3.2)
✅ DB karşılaştırma (3.3)
✅ Qdrant kurulum (bu sayfa)
🔜 Semantic search uygulaması (3.5)
🔜 RAG pipeline (Bölüm 4)
🔜 Agent + MCP (Bölüm 6)

Anthropic RAG cookbook Qdrant + Voyage desenini resmi referans olarak sunar.

Çıktı kanıtları — 3 kanıt¶

📏 Çıktı — 3 kanıt

1. Qdrant ayakta:

curl http://localhost:6333/
# {"title":"qdrant - vector search engine","version":"1.17.1",...}

Dashboard erişilebilir: http://localhost:6333/dashboard

2. 20 haber yüklü + arama çalışıyor:

curl -s http://localhost:6333/collections/haberler | python3 -m json.tool
# "points_count": 20

Python scriptiyle "AI modelleri son gelişmeler" sorusu → ilk 5'i teknoloji kategorisinden.

3. Filter çalışıyor:

Kategori filter ile ekonomi-özel arama yapmışsın; 3 ekonomi haberi dönmüş.

Kanıt dosyası: muhendisal-notlarim/bolum-3/04-qdrant/ - docker-ps.txt (compose ps çıktısı) - ilk-arama.txt (Python script çıktısı) - dashboard-screenshot.png

Görev — 30 dakika kendi koleksiyonun¶

🎯 Görev — kendi verinle Qdrant deneyimi

Qdrant Docker compose ile ayakta (volume mount + localhost bind).
qdrant-client==1.17.1 + voyageai kurulu, venv aktif.
Kendi verinden 20 satır hazırla — 3-4 kategori (ör. kendi hobby alanların, yemek tarifleri, film önerileri).
Her satırı embed et (voyage-4, document modu), Qdrant'a yaz.
Kendi yazdığın 3 farklı sorgu ile ara; sonuçların anlamlı olup olmadığını gözle.
1 sorguyu kategori filter ile tekrarla.
Dashboard'u aç, koleksiyonunu orada gör.

Başarı kriteri: 30 dakika sonunda Qdrant içinde kendi verin var, aramalar anlamlı sonuç veriyor, dashboard'da koleksiyonu görüyorsun.

Kanıt: 3 soru + sonuç çıktıları + dashboard ekran görüntüsü.

🔗 Birlikte okuma — neden ne oldu

**A → B:** Docker ile Qdrant tek komutta ayağa kalkar; production için compose + volume + localhost bind. Bu yüzden **önce çalıştır, sonra sağlamlaştır.**
**B → C:** Python SDK `qdrant-client==1.17.1` — sürüm pin mandatory. Bu yüzden **pin'siz kurulum ileriki kırılmaları davet eder.**
**C → D:** Koleksiyon boyutu embedding modeliyle uyumlu olmalı (voyage-4 → 1024); `ensure_collection` idempotent deseni. Bu yüzden **boyut uyumsuzluğu sessiz yanlışlık üretir.**
**D → E:** Upsert `document` modunda embed edilmiş vektör + payload (metin + kategori) birlikte. Bu yüzden **payload olmadan arama anlamsız kalır.**
**E → F:** Arama `query` modunda embed edilmiş vektör; top_k sonuç + skor + payload döner. Bu yüzden **skor eşiği kalitenin kilidi.**
**F → G:** Filter + vektör arama = yapısal ve semantik birleşimi (Qdrant'ın gücü). Bu yüzden **salt vektör aramadan üstündür.**
**G → H:** Production refleksi: volume + healthcheck + localhost bind + API key + snapshot. Bu yüzden **geliştirme alışkanlığı production alışkanlığına dönmeli.**
**H → I:** 10 CTO tuzak önlemi; Qdrant-Claude zinciri Bölüm 4'te RAG pipeline'ı tamamlayacak. Bu yüzden **refleksler şimdiden yerleşmeli.**

Sonuç: Qdrant yerel makinende çalışıyor, kendi verin içinde. Embedding soyutu somutlaştı — ilk semantic search projen elde. Sonraki (3.5): 50 Türkçe başlıkla tam bir semantic search uygulaması (Bölüm 3'ün imza sayfası).

➡️ Sonraki adım

3.5 Semantic Search Uygulaması → — Bölüm 3 imza projesi. 50 Türkçe haber başlığı + FastAPI + Qdrant + production refleksi.

← 3.3 Vector DB Karşılaştırma | Bölüm 3 girişi | Ana sayfa

Pekiştirme: Qdrant quickstart + Qdrant Python SDK tutorial + Qdrant filter örnekleri. Üçünü hafta sonu tara — payload + filter refleksi derin oluşur.

MühendisAl Platform — Sözlük (Glossary)¶

¶

Bu dosya pre_build.py hook'u tarafından her sayfaya otomatik eklenir.¶

Markdown `abbr` extension bu tanımları alıp terimin her geçtiği yerde¶

HTML `<abbr title="...">` sarımı yapar → MkDocs Material tooltip gösterir.¶

¶

DİKKAT: abbr case-sensitive. "Agent" tanımı "agent" kelimesini sarmaz.¶

Bu yüzden hem büyük hem küçük harf varyantları ayrı tanımlanır.¶

¶

Yeni terim eklerken: *[TERIM]: Açıklama — tek satır, 160 karakterden kısa¶

Terimler alfabetik (büyük harf), hemen altında küçük harf varyantı.¶