Technical Tutorials

Yapay zekanın manzarası, statik sohbet botlarından dinamik ve otonom ajanlara hızla kaymıştır. Bir yapay zeka ajanı, yalnızca metin üreten bir Büyük Dil Modeli (LLM) değildir; çevresini algılayan, hedefleri hakkında akıl yürüten ve bunları gerçekleştirmek için eylemler gerçekleştiren bir sistemdir. Orta düzeyden ileri seviyeye kadar olan geliştiriciler için, bu sistemlerin altındaki mimariyi anlamak, basit kanıt-of-concept aşamasından üretim düzeyinde uygulamalara geçmek için kritiktir.

Temel Mimari Bileşenler

Temelinde, bir yapay zeka ajanı üç ana modülden oluşur: Beyin, Bellek ve Araçlar. Beyin tipik olarak akıl yürütme ve karar verme sorumluluğunu üstlenen LLM'dir. Ancak, ham LLM'lerin durum bilgisi (statefulness) ve dış sistemlerle etkileşime girme yeteneği yoktur. İşte bu noktada Bellek ve Araçlar vazgeçilmez hale gelir.

Ajanlardaki Bellek, kısa süreli (bağlam penceresi) ve uzun süreli (vektör veritabanları veya SQL) olarak ikiye ayrılır. Bağlam penceresi anlık sohbet geçmişini ele alırken, uzun süreli bellek, ajanın Geçmiş Etkileşimleri, kullanıcı tercihlerini veya Arama Destekli Üretim (RAG) yoluyla alınan belgeleri hatırlamasına olanak tanır. Etkili bellek yönetimi, akıl yürütme kalitesindeki düşüşe ve gecikmede artmaya neden olan bağlam taşmasını önlemek için dikkatli budama stratejileri gerektirir.

Araçlar, ajanın yeteneklerini metin üretiminden öteye taşır. API çağrıları, veritabanı sorguları veya kod çalıştırma ortamları gibi belirli işlevleri tanımlayarak, ajan akıl yürütmesini gerçek dünya verilerine dayandırabilir. Etkili araç kullanımının anahtarı, LLM'nin hangi aracın çağrılacağını ve hangi parametrelerle çağrılacağını belirten bir JSON yüklemesi ürettiği işlev çağırma veya yapılandırılmış çıktıdur.

Uygulama Desenleri: ReAct Döngüsü

Ajan mantığı için en yaygın benimsenen desenlerden biri ReAct (Akıl Yürütme + Eylem) döngüsüdür. Bu desende, ajan mevcut durumu hakkında akıl yürütmek ile eylem almak arasında geçiş yapar. Bu iteratif yaklaşım, ajanın önceki eylemlerin sonuçlarına dayanarak kendini düzeltmesine ve stratejisini ayarlamasına olanak tanır.

Varsayımsal bir çerçeve yapısı kullanarak basit bir Python uygulamasını ele alalım:


import json
from langchain.agents import initialize_agent
from langchain.agents import Tool
from langchain_openai import ChatOpenAI

# Basit bir hesap makinesi aracı tanımla
def calculate(expression: str) -> str:
    """Matematiksel ifadeleri güvenli bir şekilde çalıştırır."""
    try:
        return str(eval(expression))
    except Exception as e:
        return f"Hata: {e}"

tools = [
    Tool(
        name="Hesap Makinesi",
        func=calculate,
        description="Matematiksel hesaplamalar yapmak için bunu kullanın."
    )
]

llm = ChatOpenAI(model="gpt-4o", temperature=0)
agent = initialize_agent(tools, llm, agent="react", verbose=True)

# Ajan akıl yürütecek, aracı çağırıp ardından nihai cevabı formüle edecek
result = agent.run("15 * 28 + 5 nedir?")
print(result)

Bu örnekte, ajan körü körüne hesaplama yapmaz. Önce akıl yürütür: "Bir matematik problemini çözmeliyim." Ardından "Hesap Makinesi" aracını seçer, "15 * 28 + 5" ifadesini gönderir, "425" sonucunu alır ve sonunda doğal dilde bir yanıt sentezler. Bu açık düşünce zinciri, güvenilirliği ve hata ayıklanabilirliği artırır.

Hataları ve Güvenlik Kısıtlamalarını Yönetme

Otonomi risk getirir. Kötü kısıtlanmış bir ajan, araç argümanlarını uydurabilir (halüsinasyon), sonsuz döngülere girebilir veya yıkıcı komutlar çalıştırabilir. Bu riskleri azaltmak için geliştiricilerin sağlam koruyucu bariyerler (guardrails) uygulaması gerekir.

Girdi Doğrulama: Araçları çalıştırmadan önce LLM tarafından üretilen parametreleri sıkı bir şekilde doğrulayın. Veri türlerinin ve aralıklarının doğru olduğundan emin olmak için Pydantic modelleri veya benzeri şema doğrulayıcıları kullanın.
Döngü Algılama: Ajanın akıl yürütme döngüsü için bir maksimum yineleme sınırı belirleyin. Ajan N adımın ardından bir çözüme ulaşamazsa, sonsuza kadar devam etmek yerine bir hata durumu döndürmelidir.
Döngüde İnsan (HITL): Yüksek riskli eylemler için (ör. e-posta gönderme, veri silme), ajan devam etmeden önce durmalı ve açık insan onayı istemelidir. Bu, devam etmek için kullanıcı girdisi gerektiren özel bir "onay" durumu döndürülerek uygulanabilir.
Gözlemlenebilirlik: Her düşünceyi, eylemi ve gözlemi kaydedin. LangSmith veya OpenTelemetry gibi izleme araçları, bir ajanın neden belirli bir kararı verdiğini hata ayıklamak için vazgeçilmezdir.

Sonuç

Yapay zeka ajanları, pasif metin üretiminden aktif problem çözmeye geçişi temsil eden bir paradigma kaymasıdır. Bellek yönetimi, araç entegrasyonu ve ReAct deseni temellerini ustalaşarak, geliştiriciler yalnızca zeki değil, aynı zamanda güvenilir ve güvenli sistemler oluşturabilir. Modeller akıl yürütme yeteneklerinde gelişmeye devam ettikçe, ajan mimarilerinin karmaşıklığı muhtemelen artacaktır; ancak yapılandırılmış akıl yürütme, temellendirilmiş eylem ve titiz güvenlik kısıtlamalarının temel ilkeleri, etkili ajan geliştirmenin temel taşı olmaya devam edecektir.