Çeşitli AI agent türleri vardır. Bazıları yalnızca mevcut girdiye tepki verir. Diğerleri bağlamı hatırlar, seçenekleri karşılaştırır, geri bildirimden öğrenir veya diğer agent'larla koordinasyon sağlar. Doğru türü seçmek, agent'ı iş akışıyla eşleştirmenize yardımcı olur. Bu kılavuz, AI agent türlerinin başlıca kategorilerini açıklar ve AI agent'ların güçlü yeteneklerini Kimi AI Agent örneğiyle gösterir.
AI Agent Türleri Pratikte Neden Önemli
Tahminden uygulamaya
Geleneksel AI sistemleri genellikle analiz veya bir sonraki en iyi eylem için öneride sunmakla kalır. AI agent'lar daha ileri gider. Mevcut durumu algılar, bir eylem seçer, görev tamamlanana veya sistem bir durdurma koşuluna ulaşana kadar gerektiğinde araçlar kullanır.
Bu dönüşüm, farklı türdeki işlerin farklı iş akışları gerektirmesi nedeniyle tasarım kararlarını daha da önemli kılar. Farklı AI agent türlerini anlamak, ekiplerin basit iş akışlarını fazla karmaşıklaştırmasını ve karmaşık iş akışlarını yetersiz tasarlamasını önlemeye yardımcı olur.
Agent türleri tasarım kararlarını nasıl şekillendirir
Agent türü, hemen hemen her uygulama kararını etkiler: agent'ın hangi bilgiyi sakladığı, eylemden önce planlama yapıp yapmadığı, belirsizliği nasıl ele aldığı, birden fazla kabul edilebilir sonuç arasında nasıl seçim yaptığı ve geri bildirimle gelişip gelişmediği. Ayrıca yönetişimi de etkiler. Basit bir refleks agent kurallar üzerinden denetlenebilirken, öğrenen veya çok-agent bir sistem daha güçlü değerlendirme, günlükleme ve koruma mekanizmaları gerektirir.
Farklı AI Agent Türleri
Yapay zekada beş klasik zeki agent türü vardır: basit refleks agent'lar, model tabanlı refleks agent'lar, hedef tabanlı agent'lar, fayda tabanlı agent'lar ve öğrenen agent'lar. Çok-agent sistemleri, birden fazla agent türünü koordineli bir iş akışında birleştirebildikleri için genellikle daha geniş bir orkestrasyon deseni olarak ele alınır. Aşağıdaki altı kategori, en basit karar mantığından en işbirlikçi ve uyarlanabilir tasarımlara doğru ilerler.
| Tür | Bellek | Önceden planlar | Öğrenir | En uygun kullanım |
|---|---|---|---|---|
| Basit Refleks | Hayır | Hayır | Hayır | Dar kapsamlı, kurala dayalı görevler |
| Model Tabanlı Refleks | Evet (durum) | Hayır | Hayır | Kısmen gözlemlenebilir görevler |
| Hedef Tabanlı | Evet | Evet | Bazen | Açık hedefli iş akışları |
| Fayda Temelli | Evet | Evet | Bazen | Ödünleşim ağırlıklı kararlar |
| Öğrenme | Evet | Değişken | Evet | Geri bildirim yoğun, değişen görevler |
| Çoklu Agent | Agent başına | Agent başına | Değişken | Paralel, uzmanlaşmış iş |
1. Basit Refleks Agent'ları
Basit refleks agent, en temel AI agent türüdür. Ortamın mevcut durumunu gözlemler ve önceden tanımlanmış koşul-eylem kurallarını uygulayarak bir eylem seçer. Yapabildiği şey, geçmiş algıları veya gelecekteki sonuçları hesaba katmadan mevcut algıya anında tepki vermektir.
Bu tasarım, ortam tam olarak gözlemlenebilir ve doğru tepki açık olduğunda iyi çalışır. Hızlı, tahmin edilebilir ve denetlemesi kolaydır, ancak bağlamın önemli olduğu durumlarda işlevini kaybeder. Girdi eksikse veya kural yeni bir durumu kapsamıyorsa agent'ın kurtarabileceği daha derin bir akıl yürütme katmanı yoktur.
Temel özellikler
Kurala dayalı eylem: Agent, mevcut girdileri önceden tanımlanmış eylemlerle eşleştirir.
Hafızasızlık: Önceki durumlar sonraki kararı etkilemez.
Yüksek tahmin edilebilirlik: Kurallar ve girdiler bilindiğinde davranışı test etmek kolaydır.
Düşük esneklik: Agent, belirsizlik, kısmi bilgi veya değişen koşullarla zorlanır.
Örnekler
Bir anahtar kelime göründüğünde mesajları yönlendiren kurala dayalı bir e-posta filtresi.
Sabit amaçlara senaryolu yanıtlar veren basit bir web sitesi chatbot'u.
2. Model Tabanlı Refleks Agent'lar
Model tabanlı refleks agent, ortamın içsel bir modelini tutarak basit refleks agent'ı geliştirir. İlgili durumu takip eder ve mevcut girdinin ne anlama geldiğini yorumlamak için bu modeli kullanır.
Bu, agent her şeyi bir anda görememesi durumunda kullanışlıdır. Örneğin, bir depoda hareket eden robot, engellerin nerede belirdiğini, nereye zaten hareket ettiğini ve ortamın nasıl değişme eğiliminde olduğunu hatırlamalıdır. Agent hâlâ koşul-eylem kuralları kullanabilir, ancak bu kurallar dünyanın daha zengin bir görünümü üzerinde işler.
Temel özellikler
İçsel durum: Agent, ortam hakkında bilgi saklar.
Daha iyi bağlam işleme: Geçmiş gözlemler, mevcut girdileri yorumlamaya yardımcı olur.
Kısmi görünürlükte kullanışlı: Agent, tüm bilgiler hemen gözlemlenemediğinde de hareket edebilir.
Yine de sınırlı: Birçok olası geleceğe göre derinlemesine plan yapmayabilir veya optimize etmeyebilir.
Örnekler
Yeniden stoklama tetiklenmeden önce envanter durumunu takip eden bir tedarik zinciri izleyicisi.
Aynı destek talebindeki önceki mesajları hatırlayan bir müşteri destek önceliklendirme agent'ı.
Trafik durumu değiştikçe rota modelini güncelleyen bir navigasyon sistemi.
3. Hedef Tabanlı Agent'lar
Hedef tabanlı bir agent, eylemleri sistemi tanımlı bir hedefe yaklaştırıp yaklaştırmadığını sorarak seçer. Sadece tepki vermek yerine, hedefe ulaşabilecek bir eylem dizisi arar veya planlar. Ayrıca agent olası sonraki adımları değerlendirebilir, bir plan seçebilir, bunun bir kısmını uygulayabilir, ilerlemeyi gözlemleyebilir ve ortam değiştiğinde uyum sağlayabilir. Bu, agent'ı refleks tabanlı tasarımlardan daha proaktif hale getirir.
Temel özellikler
Açık hedef: Agent, bir hedef durum veya görev sonucuna göre hareket eder.
Planlama: Hareket etmeden önce eylem dizilerini karşılaştırabilir.
İlerleme takibi: Agent, hedefe doğru ilerleyip ilerlemediğini kontrol edebilir.
Daha fazla hesaplama ve kontrol gereksinimi: Planlama daha yavaş olabilir ve açık durdurma koşulları gerektirir.
Örnekler
Kaynak toplayan, kanıt çıkaran ve rapor yazan bir araştırma agent'ı.
Bir isteği görevlere bölen ve bunları sırayla yürüten bir proje otomasyon agent'ı.
Değişiklikleri planlayan, testleri çalıştıran ve hedeflenen davranış çalışana kadar yineleyen bir kodlama agent'ı.
4. Fayda Tabanlı Agent'lar
Fayda tabanlı bir agent, olası sonuçları puanlayıp en yüksek beklenen değere sahip eylemi seçerek hedef tamamlamanın ötesine geçer. Bu, birden fazla kabul edilebilir yanıt, birbiriyle çatışan kısıtlar veya hız, maliyet, doğruluk, kullanıcı tercihi ve risk arasındaki değiş tokuşlar olduğunda önem kazanır.
Örneğin, hedef tabanlı bir seyahat agent'ı sadece bir şehirden diğerine giden bir rota bulabilir. Fayda tabanlı bir seyahat agent'ı ise rotaları fiyat, seyahat süresi, transfer riski, bagaj kuralları ve tercih edilen havayolları açısından karşılaştırabilir. Sadece hedefe ulaşılıp ulaşılamayacağını sormaz; seçilen kriterlere göre hangi seçeneğin en iyi olduğunu sorar.
Temel özellikler
Fayda fonksiyonu: Agent, olası sonuçlara değer atar.
Değiş tokuş yönetimi: Birbiriyle çatışan hedefleri ve kısıtları dengeler.
Daha iyi karar kalitesi: Birden fazla geçerli çözüm arasından seçim yapabilir.
Daha zor tasarım: Fayda fonksiyonu, gerçek kullanıcı ve iş önceliklerini yansıtmalıdır.
Örnekler
Getiri, oynaklık ve likidite kısıtlarını dengeleyen bir portföy asistanı.
Rotaları teslimat süresi, yakıt maliyeti ve güvenilirliğe göre seçen bir lojistik planlayıcı.
Eskalasyonu duygu durumu, aciliyet ve hesap değerine göre önceliklendiren bir müşteri hizmetleri agent'ı.
5. Öğrenen Agent'lar
Öğrenen bir agent, deneyimden gelen geri bildirimi kullanarak davranışını zamanla geliştirir. Neyin işe yaradığını ve neyin başarısız olduğunu gözlemledikten sonra bir politikayı ayarlayabilir, bir modeli iyileştirebilir, tercihleri güncelleyebilir veya performansı geliştirebilir. Öğrenme; denetimli veriden, pekiştirme sinyallerinden, insan geri bildiriminden, değerlendirme sonuçlarından veya kullanım kalıplarından gelebilir.
Temel özellikler
Geri bildirim döngüsü: Agent performansı ölçer ve sonuçları iyileştirmek için kullanır.
Uyum yeteneği: Sabit bir kural setinden daha iyi şekilde yeni kalıpları ele alabilir.
Değerlendirmeye bağımlılık: İyi öğrenme, açık kalite sinyalleri gerektirir.
Yönetişim gereksinimleri: Ekipler; sapmayı, istenmeyen davranışları ve veri kalitesini izlemelidir.
Örnekler
Tıklamalardan, satın almalardan ve açık değerlendirmelerden öğrenen bir öneri agent'ı.
Saldırganlar davranışlarını değiştirdiğinde uyum sağlayan bir dolandırıcılık tespit agent'ı.
Açıklamalarını bir öğrencinin hatalarına göre ayarlayan bir özel ders agent'ı.
6. Çok Etmenli Sistemler
Çok etmenli bir sistem, birlikte çalışan, birbiriyle rekabet eden, görev devreden veya belirli alanlarda uzmanlaşan birden fazla agent kullanır. Her agent'in bir rolü, araç seti, bellek kapsamı veya hedefi olabilir. Bir koordinatör görevleri atayıp çıktıları birleştirebilir, ya da mimariye bağlı olarak agent'lar birbirleriyle daha doğrudan etkileşime girebilir.
Çok etmenli sistemler, tek bir agent'in çok yavaş kalacağı veya önemli bakış açılarını gözden kaçırma olasılığının yüksek olduğu durumlarda işe yarar. Araştırmayı paralel hale getirebilir, büyük bir belge kümesini bölebilir, uzman incelemesini simüle edebilir veya sonuçları birleştirmeden önce ayrı iş akışları çalıştırabilirler. Buradaki tasarım zorluğu koordinasyondur: sistemin işi atamak, tekrarı önlemek, anlaşmazlıkları çözmek ve tutarlı bir nihai çıktı üretmek için bir yönteme sahip olması gerekir.
Temel özellikler
Uzmanlaşma: Farklı agent'lar farklı alt görevlere, araçlara veya bakış açılarına odaklanabilir.
Paralel yürütme: İş, tamamlanma süresini azaltmak için dağıtılabilir.
Koordinasyon katmanı: Sistemin görev ataması, bağımlılık takibi ve sentez yapması gerekir.
Daha yüksek karmaşıklık: Değerlendirme ve yönetişim, hem tek tek agent'ları hem de nihai birleşik sonucu kapsamalıdır.
Örnekler
Farklı alt agent'ları farklı kaynak kategorilerine atayan bir araştırma sürüsü.
Birinin kod düzenlediği, birinin test yazdığı ve birinin güvenlik riskini incelediği bir agent yazılım ekibi.
Rakipler, müşteriler, fiyatlandırma ve regülasyon için ayrı agent'lara sahip bir pazar analizi sistemi.
Araştırmacı, taslak, yazar, editör ve doğrulayıcı agent'ların birlikte çalıştığı bir içerik üretim iş akışı.
Kimi AI Agent, agent türlerini birleştirir
Kimi, Moonshot AI tarafından geliştirilen bir yapay zeka asistanıdır. Kimi; web araması, derin düşünme, çok modlu akıl yürütme, uzun bağlamlı konuşmalar ve agentik görev yürütmeyi destekler. Kimi'yi en iyi şekilde kapsamlı bir agent arayüzü olarak düşünmek gerekir: kullanıcı bir hedef belirtir, Kimi ise araştırma, içerik üretimi, belgeler, sunumlar, elektronik tablolar, web siteleri ve ilgili iş akışları boyunca bu işi planlar ve yürütür.
Temel özellikler
Otonom görev planlama: Kimi AI Agent, geniş kapsamlı bir isteği bir dizi adıma dönüştürebilir ve ardından istenen çıktıya doğru çalışabilir.
Gerçek zamanlı web araması: Bir görev güncel bilgilere, kaynaklara veya piyasa bağlamına bağlı olduğunda Kimi, güncel bilgiyi elde etmek için web aramasını kullanabilir.
Derin Araştırma iş akışları: Araştırma yoğunluklu görevler için Kimi, bilgileri toplayıp karşılaştırarak daha kapsamlı raporlara ve çok formatlı çıktılara dönüştürebilir.
Belge, sunum, elektronik tablo ve web sitesi oluşturma: Kimi, Docs, Slides, Sheets ve Websites için göreve özel arayüzler içerir; böylece agent çalışması sadece düz metinle değil, kullanılabilir çıktılarla sonuçlanabilir.
Dosya işleme: Kimi'nin yardım merkezine göre PDF, Word, Excel, PPT, görsel, TXT ve video gibi yaygın dosya türleri desteklenir; dosya boyutu ve dosya sayısı için belgelenmiş sınırlar bulunur.
Çok modlu akıl yürütme: İş akışı görsel ya da belge anlama gerektirdiğinde Kimi, metin, görsel, grafik, belge ve yüklenen diğer materyaller üzerinden akıl yürütebilir.
Agent Swarm orkestrasyonu: Geniş kapsamlı veya paralelleştirilebilir işler için K2.6 Agent Swarm [Beta], bir görevin farklı bölümlerinin aynı anda ilerlemesi için birçok alt agent'ı koordine edebilir.
AI agent türleri arasında seçim yapan kullanıcılar için pratik çıkarım basittir: dar kapsamlı otomasyon için reflex tarzı bir tasarım, planlama ve ödünleşim içeren iş akışları için hedef tabanlı veya fayda tabanlı bir tasarım, görev uzmanlaşma ve paralel çalışmadan faydalanacak kadar geniş olduğunda ise çok etmenli bir tasarım kullanın. Kimi AI Agent, bu fikirleri, amacın sadece yanıt vermek değil gerçek işi tamamlamak olduğu, kullanıcıya yönelik bir çalışma alanına taşır.
Doğru AI Agent Türü Nasıl Seçilir
Teknoloji etiketiyle değil, görev ortamınızla başlayın. Görev dar kapsamlıysa, kurallar sabitse ve yanlış bir eylemin maliyeti düşükse basit bir reflex agent kullanın. Duruma veya belleğe ihtiyacınız varsa model tabanlı bir agent, net bir hedefiniz varsa hedef tabanlı bir agent, birbiriyle çekişen öncelikleri dengelemeniz gerekiyorsa fayda tabanlı bir agent seçin.
Performansın geri bildirimle iyileşmesi gerektiğinde ve güvenilir kalite sinyalleri tanımlayabildiğinizde bir öğrenen agent kullanın. İş akışınız doğal olarak paralel iş kollarına, uzman rollerine veya bağımsız bakış açılarına bölündüğünde çok etmenli bir sistem kullanın. Bu yeteneklerin tümüne ihtiyacınız varsa, tek bir agent türünü her şeyi yapmaya zorlamak yerine bunları bilinçli olarak birleştirin.
Sonuç
AI agent'ların ana türleri, farklı bağlam, otonomi ve uyarlanabilirlik seviyelerini temsil eder. İş akışı otomasyonu için en iyi agent her zaman en karmaşık olan değildir. En uygun olan, görevin belirsizliğine, riskine ve istenen sonucuna uyan agent'tır. Kimi AI Agent gibi araçlar, bu kavramların günlük iş akışı arayüzlerine nasıl dönüştüğünü gösterir: kullanıcılar bir hedef tanımlar, agent ise bunu araştırmaya, dosyalara, web sitelerine, sunumlara, elektronik tablolara, koda veya diğer tamamlanmış işlere dönüştürmeye yardımcı olur.