Technical Tutorials

Tekli ajan mimarileri, karmaşık ve çok boyutlu görevlerle karşılaştığında genellikle bir duvara toslar. Yazılımı aynı anda planlamak, kodlamak, hata ayıklamak ve dağıtmaya çalışan tek bir Büyük Dil Modeli (LLM) örneği, bir organizasyondaki tüm şapkaları tek bir geliştiriciye giydirmeye çalışmak gibidir. İşte Çoklu Ajan Sistemleri (MAS) bu noktada parlar. Karmaşık problemleri alt görevlere ayırarak bunları uzmanlaşmış ajanlar arasında dağıttığımızda, daha yüksek güvenilirlik, paralellik ve sürdürülebilirlik elde edebiliriz.

Temel Mimari Desenleri

Koda dalış yapmadan önce, ajanların nasıl etkileşime girdiğini tanımlayan yapısal desenleri anlamak önemlidir. En yaygın desenler şunlardır:

Denetçi Deseni (Supervisor Pattern): Merkezi bir orkestratör ajan, kullanıcı isteğini alır, onu parçalar, alt görevleri uzmanlaşmış işçi ajanlara devreder ve sonuçlarını birleştirir. Bu, net bir komuta zinciri sağladığı için LLM uygulamaları için en yaygın desendir.
Akran-Akran (Sürü) Deseni (Peer-to-Peer/Swarm Pattern): Ajanlar, merkezi bir merkez olmadan birbirleriyle doğrudan iletişim kurar. Bu, daha yüksek verim ve arıza toleransı sunar ancak hata ayıklaması ve kontrolü önemli ölçüde daha zordur.
Hiyerarşik Desen: Yukarıdakilerin bir karışımıdır; üst düzey bir yönetici, orta düzey yöneticilere devreder ve bu yöneticiler de uzmanlaşmış işçileri yönetir. Bu, çok büyük ölçekli projeler için idealdir.

İletişim ve Durum Yönetimi

MASS'ın can damarı veri alışveriştir. Ajanların bağlamı, ara sonuçları ve durum güncellemelerini paylaşması gerekir. Modern LLM tabanlı sistemlerde bu, genellikle merkezi bir mesaj verisi veya veritabanı üzerinden geçirilen yapılandırılmış JSON nesneleri veya doğal dil mesajları ile ele alınır.

Kritik olarak, durumu (state) yönetmeniz gerekir. Ajanların hafızası var mı? Ajan A bir karar verirse, Ajan B'nin bundan haberi olması gerekir mi? Sağlam bir MAS, yarış durumlarını (race conditions) önlemek için sürüm numaralı veya zaman damgalı paylaşılan bir durum nesnesi kullanır.

Python'da Uygulama Örneği

Aşağıda, Python kullanılarak Denetçi Deseninin (Supervisor Pattern) basitleştirilmiş bir uygulaması yer almaktadır. Akışı göstermek için varsayımsal bir LLMClient ve basit bir MessageBus kullanıyoruz. Üretim ortamında, bunları LangGraph, AutoGen veya CrewAI gibi gerçek çerçevelerle değiştirmeniz gerekir.

import json
from dataclasses import dataclass
from typing import List, Dict

@dataclass
class Task:
    description: str
    agent_id: str
    context: Dict = None

class Agent:
    def __init__(self, name: str, role: str):
        self.name = name
        self.role = role

    def execute(self, task: Task) -> Dict:
        # LLM çağrısını simüle et
        # Gerçekte, bu self.role tarafından tanımlanan bir sistem istemiyle bir API'yi çağırır
        print(f"{self.name} çalıştırıyor: {task.description}")
        return {"status": "completed", "output": f"Result from {self.name}"}

class Supervisor:
    def __init__(self):
        self.agents = {
            "researcher": Agent("Researcher", "You are a data analyst."),
            "coder": Agent("Coder", "You are a senior Python developer.")
        }
        self.history: List[Dict] = []

    def delegate(self, task_desc: str) -> Dict:
        # 1. Doğru ajanı seçmek için yüksek düzeyde akıl yürütme
        # Gerçek bir sistemde, bu hangi ajanın çağrılacağını belirlemek için bir LLM çağrısıdır
        target_agent_id = self._route_task(task_desc)
        
        task = Task(description=task_desc, agent_id=target_agent_id)
        agent = self.agents[target_agent_id]
        
        result = agent.execute(task)
        self.history.append(result)
        return result

    def _route_task(self, desc: str) -> str:
        # Demo için basit bir sezgisel; LLM mantığıyla değiştirin
        if "code" in desc.lower() or "script" in desc.lower():
            return "coder"
        else:
            return "researcher"

# Kullanım Örneği
supervisor = Supervisor()
final_result = supervisor.delegate("Write a Python script to scrape URLs.")
print(json.dumps(final_result, indent=2))

Zorluklar ve En İyi Uygulamalar

MASS oluşturmak tuzaksız değildir. Karşılaşacağınız en büyük zorluklar şunlardır:

Sonsuz Döngüler: İki ajan aynı görevi sürekli olarak birbirine geri gönderirse, sisteminiz takılır. Her zaman bir max_turns sınırı veya zaman aşımı mekanizması uygulayın.
Bağlam Sapması (Context Drift): Mesajlar ajanlar arasında geçtikçe, orijinal niyet sulanabilir. Tutarlılığı uygulamak için yapılandırılmış çıktıları (JSON şemaları) kullanın.
Gözlemlenebilirlik (Observability): Gönderilen ve alınan her mesajın tam günlük kaydına ihtiyacınız var. LangSmith, LangFuse veya özel günlük kayıt orta katmanları (middleware) gibi araçlar, üretim MAS'ları için vazgeçilmezdir.
Maliyet Kontrolü: Her ajan çağrısı bir LLM çağrısıdır. Token kullanımına dikkat edin. Mümkün olan yerlerde sonuçları önbelleğe alın ve gereksiz ajan çağrılarını önleyin.

Sonuç

Çoklu Ajan Sistemleri, yapay zeka uygulama tasarımının sonraki evrimini temsil etmektedir. Modüler, genişletilebilir ve tek bir model çağrısının kapsamı ötesinde karmaşık iş akışlarını ele alabilen zeki uygulamalar oluşturmanızı sağlar. Basit bir Denetçi deseniyle başlayarak ve kademeli olarak daha karmaşık iletişim topolojilerini tanıtarak, yapay zeka uygulamalarınızı gerçek dünya taleplerini karşılayacak şekilde ölçeklendirebilirsiniz. Küçük başlayın, sonuçlarınızı ölçün ve yineleyin. Yapay zeka mühendisliğinin geleceği sadece daha iyi modellerle ilgili değil, aynı zamanda daha iyi orkestrasyonla da ilgili.