Yapay zekada rasyonel ajan nedir?
Rasyonel ajan, mevcut koşullar altında hedefine ulaşmayı en olası kılan eylemi seçen bir yapay zeka ajanıdır. Kullanılabilir eylemleri; gözlemlerini, bilgisini, kısıtlamalarını ve performans ölçütünü kullanarak değerlendirir. LLM tabanlı bir ajan için rasyonel bir eylem; bir araç çağırmayı, daha fazla kanıt toplamayı, bir çıktıyı gözden geçirmeyi, insan onayı istemeyi veya görevi durdurmayı içerebilir. Rasyonellik, kusursuz bir sonucu garanti etmez. O anda mevcut bilgi ve kaynaklarla en savunulabilir seçimi yapmak anlamına gelir.
Yapay zekada rasyonel ajan yaklaşımı ne anlama gelir?
Rasyonel ajan yaklaşımı, yapay zekayı bir görev ortamı içindeki bir aktör olarak ele alır. Algılar alır ve ilgili durumu sürdürür. Uygulanabilir eylemleri değerlendirir, ardından ölçütüne en yüksek beklenen katkıyı sağlayanı seçer. Bir LLM ajanı için bu, bir araç çağrısı, kanıt talebi, onay kontrol noktası, düzeltme veya kasıtlı bir durdurma olabilir.
Bu, zekayı akıcı konuşmaya göre değerlendirmekten farklıdır. Sınırlı bir görev içinde dar bir kural rasyonel olabilir. Akıcı akıl yürütme, yine de yanlış bir hedefi optimize edebilir. Rasyonellik, belirtilmiş bir ölçüt ile gözlemlenebilir bir karar süreci gerektirir.
Rasyonel bir ajanın PEAS çerçevesi
PEAS, rasyonel bir agent'ın karar verdiği görev ortamını tanımlar. Harfler Performans ölçütü, Ortam, Eyleyiciler (Actuators) ve Sensörleri temsil eder. Performans ölçütü, agent için neyin başarılı bir sonuç sayıldığını belirtir. Ortam, agent'ın içinde çalışması gereken koşulları belirler; Eyleyiciler mevcut eylemlerini, Sensörler ise ne gözlemleyebileceğini tanımlar. Bu unsurlar birlikte, agent'ın hedefi için en rasyonel eylemi seçip seçmediğini değerlendirmek için gereken bilgiyi sağlar.
| PEAS öğesi | Tasarım sorusu | Yapay zeka araştırma agent'ı örneği |
|---|---|---|
| Performans ölçütü | Hangi sonuçlar başarı sayılır? | Kaynak kalitesi ve görev kapsamı; istenen formatta olgusal doğruluk |
| Ortam | Agent nerede çalışır? | Kullanıcı özeti ve web kaynakları; yüklenen dosyalar ve araç çıktıları |
| Eyleyiciler | Agent ortamı nasıl etkileyebilir? | Web araması ve dosya okuma; rapor taslağı hazırlama ile açıklama isteme veya konuyu üst kademeye taşıma |
| Sensörler | Agent hangi bilgiyi algılayabilir? | Kullanıcı talimatları ve alınan sayfalar; dosya içeriği ile araç yanıtları |
PEAS ayrıca izinleri de netleştirir. Bir araştırma agent'ı yüklenen bir belgeyi okuyabilir ama raporunu yayınlama yetkisine sahip olmayabilir. Bir sonuç taslağı hazırlayabilir ama bunu paylaşmadan önce onay alması gerekebilir. Bu sınırlar, hangi eylemlerin uygulanabilir olduğunu değiştirir.
Rasyonel bir agent nasıl çalışır?
Modern, LLM tabanlı bir rasyonel agent döngüsü, model muhakemesini araçlara, duruma, doğrulayıcılara ve insan kontrollerine bağlar. Model bir eylem önerebilir, ancak bu eylemin mevcut ve uygun olup olmadığına bütünsel sistem karar verir.
Algıla: Talimatları, dosyaları, getirilen sayfaları veya araç yanıtlarını al.
Temsil et: Görev durumunu mevcut kanıtlar ve ilgili geçmişle güncelle. Çözülmemiş gereksinimleri kaydet.
Üret: İzin verilen, işe yarayacak eylemleri belirle. Bir açıklama talebi de bir eylem olabilir.
Tahmin et: Her seçeneğin kaliteyi, riski, maliyeti ve kalan işi nasıl etkileyebileceğini tahmin et.
Seç: Kısıtlamalar uygulandıktan sonra beklenen performansı en yüksek olan uygulanabilir eylemi seç.
Uygula: Araç çağrısını gerçekleştir veya kullanıcıyla iletişime geç. Başarılı olup olmadığını kaydet.
Gözden geçir: Sonucu yeni bir algı olarak ele al. Devam et, kanıt iste, onay al, revize et, üst mercie ilet veya durdur.
Bir kodlama agent'ı, bu karar döngüsünün pratikte nasıl işlediğini gösterir. Önce başarısız olan testi ve ilgili kodu okuyarak görevi algılar. Ardından muhtemel sorunu temsil eder ve başka bir dosyayı incelemek veya odaklı bir düzenleme yapmak gibi uygulanabilir eylemleri karşılaştırır. Bir eylemi seçip uyguladıktan sonra, agent ilgili testi çalıştırarak sonucu gözden geçirir. Döngü, yalnızca başka bir eylemin yeterli beklenen değeri olduğu sürece devam eder. Düzeltme gerekli kontrolleri geçtiğinde, daha fazla inceleme sonucu iyileştirmesi olası olmadığında veya sıradaki eylem insan onayı gerektirdiğinde durmalıdır.
Bir agent'ın rasyonel olup olmadığını ne belirler?
Rasyonellik, nihai yanıtın cilasından değil, karar bağlamından bağımsız olmayan şu unsurlara bağlıdır. Şu faktörleri değerlendirin:
Performans ölçütü: Gerçek görevi temsil ederken tavizsiz kısıtlamaları da korumalıdır.
Algı dizisi: Agent, tek ve belirsiz bir anlık görüntü yerine ilgili geçmişi kullanmalıdır.
Ön bilgi: Bilgi, göreve uygun ve alan için yeterince güncel olmalıdır.
Kullanılabilir eylemler: Araç seti işi desteklemeli, izinler ise güvensiz işlemleri sınırlamalıdır.
Belirsizlik: Zayıf kanıtlar güvenli bir yedek plan, açıklama talebi veya üst mercie iletme tetiklemelidir.
Kaynaklar: Zaman ve hesaplama bütçesi, görevin riski ve karmaşıklığıyla uyumlu olmalıdır.
Durdurma koşulları: Başarı kriterleri, hata sınırları veya onay sınırları yürütmeyi sona erdirmelidir.
Bu faktörler, belirli bir durumda hangi eylemin rasyonel olduğunu belirler. Onaylı bilgi tabanı yeterli kanıt sağladığında bir destek agent'ı rutin bir politika sorusunu yanıtlayabilir. Bir hesap anlaşmazlığı eksik kayıtlar içeriyorsa veya agent'ın yetkisini aşıyorsa, üst mercie iletmek rasyonel seçim haline gelir. Bu nedenle en iyi eylem, mevcut bilgiye ve agent'ın izin verilen kapsamına göre değişir.
Yapay zekada rasyonel agent türleri
Yapay zeka sistemleri genellikle beş agent mimarisi kullanır: basit refleks, model tabanlı refleks, hedef tabanlı, fayda tabanlı ve öğrenen agent'lar. Her mimari, mevcut bilgiden eylem seçmek için farklı bir yöntem sunar. Bu kategoriler ne tümüyle kapsayıcı ne de birbirini dışlayıcıdır. Modern LLM tabanlı agent'lar genellikle bunlardan birkaçını tek bir iş akışında birleştirir.
| Yaygın mimari | Karar dayanağı | Şu durumlarda kullanışlıdır | Başlıca sınırlama |
|---|---|---|---|
| Basit refleks | Mevcut girdi ve bir kural | Görev sınırlıdır | Gizli durumu göz ardı eder |
| Model tabanlı refleks | Girdi ve iç durum | Geçmiş, seçimi etkiler | Durum bayatlayabilir |
| Hedef tabanlı | Hedefe doğru ilerleme | Agent'ın planlama yapması gerekir | Hedefler ödünleşimleri sıralamayabilir |
| Fayda tabanlı | Sonuçların beklenen değeri | Değer veya risk farklılık gösterdiğinde | Puanları tasarlamak zordur |
| Öğrenme | Deneyim davranışı güncelliyor | Koşullar değişiyor | Kötü geri bildirim sapmaya neden oluyor |
Basit refleks agent'lar
Sınırlı bir destek yönlendiricisi, onaylı bir faturalandırma anahtar kelimesi içeren bir mesajı faturalandırma kuyruğuna gönderebilir. Etiketler açık ve risk düşük olduğunda bu rasyonel olabilir. Anlam geçmişe bağlı olduğunda ise zorlanır.
Model tabanlı refleks agent'lar
Model tabanlı bir destek agent'ı oturum durumunu korur. Tamamlanmış kimlik doğrulamasını hatırlayabilir ve başarısız olmuş bir adımı tekrarlamaktan kaçınabilir. Son mesaj yeterli bağlam içermediğinde durum bilgisi işe yarar, ancak eskimiş durum bilgisi agent'ı yanıltabilir.
Hedef tabanlı agent'lar
Hedef tabanlı bir araştırma agent'ı bir rapor brifini sorulara böler, kaynakları inceler, ardından eksik bölümleri revize eder. Hedef, araç çağrılarını yönlendirir. Ancak “raporu tamamla” ifadesi yeterli kanıtı tanımlamaz ya da hızı kaynak derinliğine karşı sıralamaz.
Fayda tabanlı agent'lar
Bir seyahat veya satın alma agent'ı, farklı maliyet ve risklere sahip seçenekleri karşılaştırır. Politika uyumunu takvime uygunluğa tercih edebilir, ardından belirli bir sınırın üzerinde onay isteyebilir. Buradaki zorluk, savunulabilir ağırlıklar atamaktır.
Öğrenen agent'lar
Bir destek asistanı, önerdiği hangi yanıtların incelemeciler tarafından kabul edildiğini öğrenebilir. Bir öneri agent'ı, her tıklamayı başarı olarak ele almak yerine açık geri bildirimi kullanabilir. Öğrenme, geri bildirim gerçek hedefi temsil ettiğinde ve sapmayı önleyen güvenceler mevcut olduğunda rasyonel kalır.
Modern bir LLM agent'ı bu unsurların tümünü harmanlayabilir. “LLM tabanlı” etiketi rasyonelliği kanıtlamaz; ölçütler ve kontroller yine de bilinçli bir tasarım gerektirir.
Rasyonel agent ile akıllı agent karşılaştırması
“Akıllı agent”, bir ölçüde özerklikle hareket eden sistemler için geniş bir kategoridir. “Rasyonel agent” ise bir performans ölçütüne göre eylem seçimine odaklanır.
| Boyut | Rasyonel ajan | Zeki ajan |
|---|---|---|
| Temel vurgu | Beklenen performans | Otonom yetenek |
| Karmaşıklık | Basit kurallar kullanabilir | Otomasyondan ileri düzey yapay zekaya kadar değişir |
| Anahtar test | Eylem mantıklı mıydı? | Görevi yerine getirebiliyor mu? |
| İlişki | Karar çerçevesi | Sistem kategorisi |
Zeka, sağlam bir hedefi veya güvenli bir eylemi garanti etmez. Bir kodlama agent'ı geçerli kod üretebilir ama kapsam dışında düzenleme yapabilir. Bir araştırma agent'ı zayıf kaynaklardan akıcı bir metin yazabilir. Rasyonellik, her seçimin kısıtlamaları altında tanımlanan göreve hizmet edip etmediğini sorgular.
Rasyonel agent'ların gerçek dünya örnekleri
Her örnek, rasyonellik varsaymadan ortamını, gözlemlerini, eylemlerini ve performans ölçütünü eşleştirir.
AI araştırma agent'ı
Ortamı kullanıcı brifi, web içeriği ve sağlanan dosyaları kapsar. Talimatlar ve alınan kanıtlar gözlemlerdir. Agent bir sorguyu iyileştirebilir, bir kaynağı inceleyebilir, açıklama isteyebilir veya taslak hazırlayabilir. Performans, kaynak kalitesine ve görev kapsamına bağlıdır; gerekli formatta olgusal doğruluk kabul eşiğini belirler. Çakışan kanıtlar başka bir arama yapmayı haklı çıkarabilir.
Kodlama agent'ı
Bir kodlama agent'ı, proje talimatları ve araç izinleri altında bir depo (repository) içinde çalışır. Kaynak dosyaları ve test çıktısını gözlemler. Kodda arama yapabilir, düzenleme yapabilir, odaklı bir test çalıştırabilir veya riskli işler için onay isteyebilir. Değişiklik, ilgisiz davranışı değiştirmeden belirtilen sorunu çözmelidir. Durmadan önce ilgili doğrulamanın geçmesi gerekir.
Müşteri destek agent'ı
Bir destek agent'ı, bir konuşma, onaylanmış bilgi ve hesap erişimi sınırları içinde çalışır. Mesajları ve oturum durumunu gözlemler. Politika bilgisi alabilir, yanıt taslağı hazırlayabilir, ayrıntı isteyebilir veya konuyu üst mercie iletebilir. Performans, çözüm kalitesini politika uyumuyla birleştirir. Kesin kayıtlar mevcut olmadığında üst mercie iletme mantıklı olabilir.
Veri analizi agent'ı
Bir veri analizi agent'ı bir iş sorusu ve veri kümeleri alır. Şemaları ve araç çıktısını gözlemler. Eksik verileri inceleyebilir, sorgu çalıştırabilir, grafik oluşturabilir veya desteklenmeyen bir sonucu reddedebilir. Performans, analitik doğruluğu tekrarlanabilirlikle birleştirir. Eğilim yorumlanmadan önce birimler ve filtreler kontrol edilmelidir.
İş akışı agent'ı
Bir iş akışı agent'ı, yazılım araçları arasında bir süreci koordine eder. Kayıt girişlerini ve durum güncellemelerini gözlemler. Alanları çıkarabilir, taslak hazırlayabilir, bir öğeyi yönlendirebilir veya onay için duraklatabilir. Doğru durum geçişleri ve denetlenebilirlik başarıyı tanımlar. Kullanılabilir bir API çağrısı, görevi ilerletmek için yeterli bir neden değildir.
Çok-agent'lı araştırma sistemi
İşçiler bağımsız araştırma soruları alır; bir koordinatör onların kanıtlarını alır. İşçiler kapsam dahilinde arama yapar veya analiz eder. Koordinatör yeniden çalıştırma isteyebilir, çatışmaları çözebilir, sentezleyebilir veya zayıf dalları durdurabilir. Nihai doğruluk ve kapsam önemlidir, ancak tekrarlanan çalışma faydayı azaltır. Daha fazla agent, ancak ayrıştırma beklenen performansı iyileştirdiğinde yardımcı olur.
Bu durumların tümünde rasyonellik, araç seçiminde, kanıt taleplerinde, onay kontrollerinde, revizyonda ve durmada görülür. Her eylem, maliyetini haklı çıkaracak kadar beklenen görev performansını iyileştirmelidir.
Rasyonel agent tasarımının faydaları ve sınırlamaları
Bu çerçeve, belirsiz özerkliği açık bir karar modeline dönüştürür ve iş akışı sınırlarını görünür kılar.
Faydalar
Açık değerlendirme: Bir performans ölçütü başarıyı test edilebilir kılar.
İzlenebilir kararlar: Kaydedilen kanıtlar ve araç çağrıları incelemeye yardımcı olur.
Kontrollü özerklik: Kısıtlamalar ve onay noktaları eylemi sınırlar.
Dengeleme yönetimi: Fayda, birbiriyle çatışan sonuçları karşılaştırabilir.
İşe yarar durma: Eşikler, erken yanıtları veya sonsuz döngüleri azaltır.
Sınırlamalar
Kötü hedefler: Bir vekil ölçüt, kullanıcının gerçek hedefini kaçırabilir.
Eksik bilgi: Kanıt eksikliği sağlam bir karar vermeyi önleyebilir.
Model hataları: Bir LLM, durumu yanlış okuyabilir veya yanlış aracı seçebilir.
Hesaplama sınırları: Yaklaşıklık, daha iyi seçenekleri gözden kaçırabilir.
Hesap verebilirlik boşlukları: Yüksek etkili eylemler için hâlâ sahipler ve insan incelemesi gereklidir.
Kimi Agent'la tanışın: bilgiyi tamamlanmış işe dönüştürün
Kimi Agent, LLM tabanlı rasyonel bir agent'ın bilgi yoğun işleri nasıl ele alabileceğini gösterir. Ona bir sonuç verin, görevi planlayabilir ve ardından yerleşik araçlarla gerekli adımları tamamlayabilir. Ayrı bir orkestrasyon katmanı oluşturmadan bir konuyu araştırmak, kaynak materyali işlemek veya düzenlenebilir bir teslimat oluşturmak için kullanabilirsiniz.
Kaynak bilgisini göreve dahil edin
Kimi, dosya başına 100 MB sınırıyla en fazla 50 yüklenen dosyayı destekler. PDF'lerle ve yaygın ofis belgeleriyle çalışabilir. Görseller, TXT dosyaları ve video ek bağlam sağlayabilir.
Bu materyaller agent'ın görev ortamının bir parçası haline gelir. Prompt'unuz amaçlanan sonucu tanımlar, yüklenen dosyalar ise bunu tamamlamak için gereken bilgiyi sağlar.
Araştırmayı düzenlenebilir bir teslimata dönüştürün
Kimi Agent, bilgi toplamaktan kullanılabilir bir sonuç üretmeye geçebilir:
Derin Araştırma: Kaynaklarla desteklenen yapılandırılmış bir rapor oluşturun.
Web siteleri: Bir briften çalışan bir çok sayfalı web sitesi oluşturun.
Sunumlar: Kaynak materyalden düzenlenebilir bir PPT oluşturun.
Belgeler ve elektronik tablolar: Bilgiyi pratik iş ürünlerine dönüştürün.
Görevin bir sohbet yanıtıyla sona ermesi gerekmez. Kimi Agent, topladığı bilgiyi aynı iş akışı içinde düzenlenebilir bir teslimata dönüştürebilir.
Kimi Agent Swarm ile daha büyük görevleri ölçeklendirin
Kimi Agent Swarm, büyük bir hedefi bağımsız iş kollarına bölebilir. Alt agent'lar, sonuçlar birleştirilmeden önce ayrı araştırma sorularını veya toplu iş öğelerini ele alır.
Bu yaklaşım büyük ölçekli aramalar, uzun metin yazımı ve toplu işler için uygundur. Paralel yürütme, kolların birbirinden bağımsız ilerleyebildiği durumlarda en kullanışlısıdır. Her adımın doğrulanmış bir önceki sonuca bağlı olduğu durumlarda ise sıralı yürütme daha iyidir.
Rasyonel bir agent nasıl değerlendirilir
Bu kontrol listesini tasarım ve test sürecinde kullanın. Karar izini olduğu kadar nihai çıktıyı da inceleyin.
Performans ölçütü: Başarıyı temsil ediyor mu ve kısıtları koruyor mu?
Gözlemlenebilirlik: Agent hangi koşulları algılayabiliyor?
Bilgi: Önceki bilgi uygun mu ve yeterince güncel mi?
Eylemler: Gerekli iş, izinler dahilinde gerçekleştirilebiliyor mu?
Belirsizlik: Zayıf kanıtlar kontrol veya üst mercie yönlendirmeyi tetikliyor mu?
Kaynaklar: Bütçe, görevin riskiyle örtüşüyor mu?
İnsan incelemesi: Geri alınamaz eylemleri kim onaylıyor?
Günlükleme: İnceleyenler seçimleri ve sonuçları yeniden kurabiliyor mu?
Durma koşulu: Yürütme; başarı, sınırlı bir hata veya üst mercie yönlendirme sonrasında duruyor mu?
Bir araştırma agent'ına birbiriyle çelişen kaynaklar verin ve daha iyi kanıt arayıp aramadığını kontrol edin. Bir kodlama agent'ına başarısız bir komut verin ve yeniden düzenleme yapmadan önce sorunu teşhis edip etmediğini görün. Eksik bağlama sahip bir destek agent'ı, ayrıntı icat etmek yerine bilgi talep etmelidir.
Tekrarlanan aramaları, göz ardı edilen hataları, desteklenmeyen iddiaları, onay ihlallerini veya erken durmaları ölçün. Başarısız bir araç çağrısı, agent bunu fark edip mantıklı şekilde toparlanıyorsa irrasyonel olduğunu kanıtlamaz. Durma eşiklerinin kaliteyi kaynak kullanımına karşı dengeleyip dengelemediğini test edin.
Sonuç
Rasyonel bir agent, gerçek kısıtlar altında mevcut kanıtlardan eylem seçmek için kullanılan bir karar çerçevesidir. Modern LLM tabanlı agent'lar için eylemler; araç çağrılarını, kanıt taleplerini, onay kontrollerini, revizyonları veya bilinçli olarak durmayı içerir. Araştırma ve kodlama agent'ları bu çerçeveyi kullanabilir, aynı şekilde destek iş akışları veya çoklu agent sistemleri de kullanabilir. Hiçbiri varsayılan olarak rasyonel değildir. Rasyonellik; hedefe, gözlemlere, izinlere, değerlendirmeye ve uygun bir durma politikasına bağlıdır.