Geleneksel otomasyon sabit talimatları izler ve basit bir sohbet botu yalnızca karşısındaki mesaja yanıt verir. Hedef odaklı bir agent farklı çalışır. İstenen bir sonuçla başlar ve buna ulaşmak için gereken eylemleri planlar. Ardından görev ilerledikçe yeni bilgileri değerlendirir. Bu yazıda kavram, destekleyici mimari ve başlıca kullanım senaryoları ele alınmaktadır. Ayrıca hedef odaklı agent'lar diğer yapay zeka agent türleriyle karşılaştırılmakta ve hedef odaklı görev yürütmeyi deneyimlemenin pratik bir yolu olarak Kimi Agent tanıtılmaktadır.
Hedef odaklı agent nedir?
Hedef odaklı bir agent, tanımlanmış bir amaç doğrultusunda kararlar alan ve eylemler gerçekleştiren bir yapay zeka sistemidir. Mevcut durumu değerlendirir, olası sonraki adımları göz önünde bulundurur ve sistemi istenen sonuca yaklaştıran eylemleri seçer. Agent araçları kullanabilir, ilerlemeyi takip edebilir ve yeni bilgiler durumu değiştirdiğinde planını gözden geçirebilir.
Örneğin, bir müşteri destek agent'ı tek bir soruyu yanıtlayabilir. Hedef odaklı bir agent ise tüm müşteri sorununu çözmeye yönelik çalışabilir. Hesap geçmişini inceleyebilir ve onaylanmış bir bilgi tabanına başvurabilir. Ardından sorunu teşhis edebilir, bir çözüm hazırlayabilir veya kanıtlar yetersizse konuyu üst mercie iletebilir.
Hedef odaklı bir agent nasıl çalışır?
Hedef odaklı bir agent genellikle tekrarlanan bir döngü izler. Önce istenen sonucu tanımlar ve mevcut ortamı gözlemler. Ardından bir plan oluşturur, bir eylem seçer ve sonucu değerlendirir. Sonuç görevi ilerletmiyorsa agent yeniden planlayabilir veya yardım isteyebilir.
Hedef tanımı
Süreç, başarının kesin bir şekilde tanımlanmasıyla başlar. Hedef birbiriyle ilişkili birden çok koşul içerebilir, ancak her koşul test edilebilir olmalıdır. Ayrıca son tarihler, onaylanmış veri kaynakları, harcama limitleri, gerekli onaylar ve yasaklı eylemler gibi kısıtlamalar da içerebilir. Bir dil modeli belirsiz bir isteği belirli alt hedeflere dönüştürebilir, ancak nihai başarı kriterleri iş akışı sahibi tarafından görülebilir olmalıdır.
Ortam ve durum algısı
Agent, mevcut durum hakkındaki bilgileri kullanıcı isteklerinden, harici sistemlerden, dosyalardan, veritabanlarından, API yanıtlarından veya sistem olaylarından toplar. Robotik bir ortamda sensörler, yakındaki nesneler ve değişen koşullar hakkında bilgi sağlar. Durum ayrıca tamamlanan görevleri, bekleyen onayları ve başarısız olan varsayımları da kaydetmelidir. Net hata ve durum değerleri, agent'ın devam mı edeceğine, tekrar mı deneyeceğine yoksa üst mercie mi ileteceğine karar vermesine yardımcı olur.
Planlama ve görevin parçalara ayrılması
Planlama modülü, hedefi uygulanabilir bir rotaya dönüştürür. Geniş kapsamlı bir amacı daha küçük görevlere böler ve bunlar arasındaki bağımlılıkları belirler. Çalışan işe alım sürecinde plan, hesap taleplerini hazırlamadan ve role dayalı onayı beklemeden önce belge toplama ve doğrulama ile başlayabilir. Sabit bir süreç değişmeyen bir plan kullanabilirken, değişken bir iş akışı aşamalı yeniden planlama için karar noktalarına ihtiyaç duyar.
Eylem seçimi ve yürütme
Bir plan oluşturduktan sonra agent, onaylanmış bir sonraki eylemi seçer. Bir sisteme sorgu gönderebilir, bir belgede arama yapabilir, bir kaydı güncelleyebilir veya eksik bilgi için bir kişiye sorabilir. Her eylemin tanımlanmış bir girdisi ve beklenen bir sonucu olmalıdır. Agent, adımı tamamlandı olarak işaretlemeden önce sonucu doğrulamalı ve yüksek etkili eylemler insan onayı için duraklamalıdır.
Geri bildirim ve yeniden planlama
Yürütme tek yönlü bir süreç değildir. Agent, en son sonucu hedefle karşılaştırır ve planın hâlâ mantıklı olup olmadığını kontrol eder. Yeni kanıtlar mevcut rotayı doğrulayabilir, bir engel ortaya çıkarabilir veya daha güvenli bir alternatif yaratabilir.
Döngü şu şekilde gösterilebilir:
Rota değişse bile hedef sabit kalabilir. Bir depo robotu bir engel algıladıktan sonra başka bir yol seçebilir. Bir araştırma agent'ı, ilk kaynak soruyu yanıtlamadığında başka bir kaynakta arama yapabilir. Tur, araç çağrısı, tekrar deneme veya süre üzerindeki sınırlar gibi yürütme bütçeleri, süresiz çalışmayı önler ve performansın ölçülmesini kolaylaştırır.
Hedef odaklı bir agent mimarisinin temel bileşenleri
Hedef odaklı bir agent mimarisi, hedefleri durum, planlama, araçlar ve denetimle birbirine bağlar. Kesin uygulama farklılık gösterebilir, ancak her bileşenin net bir sorumluluğu olmalıdır.
Hedef ve başarı kriterleri
Hedef katmanı, ulaşılmak istenen durumu tanımlar. Agent'ın neyi başarması gerektiğini ve neyin tamamlanma sayılacağını açıklar. Ayrıca yürütme boyunca geçerli olan başarısızlık koşullarını ve kısıtlamaları da belirtebilir.
Örneğin bir belge iş akışı, kayıt gönderilmeden önce gerekli tüm alanların doğrulanmasını gerektirebilir. İş akışı tam doğrulama gerektiriyorsa, eksik bir kayıt kısmi başarı sayılmaz. Açık kriterler, agent'ın doğru zamanda durmasına yardımcı olur.
Dünya modeli ve bilgi tabanı
Bir dünya modeli, agent'a ortamının çalışan bir temsilini sunar. Mevcut sistem durumunu, kullanılabilir kaynakları, bilinen ilişkileri ve eylemlerin olası sonuçlarını içerebilir. Bir bilgi tabanı ise agent'ın karar vermesi gerektiğinde destekleyici bilgi sağlar.
Dünya modeli faydalıdır çünkü agent yalnızca hedeften yola çıkarak planlama yapamaz. İş akışının şu anda hangi noktada olduğunu anlaması gerekir. Ayrıca geçici görev bağlamını daha kalıcı bilgiden ayırt edebilmelidir. Getirme (retrieval) işlemi, tüm veri koleksiyonunu etkin bağlama yerleştirmeden ilgili bilgiyi sunmalıdır.
İyi yönetilen bir durum kaydı; tamamlanan adımları, bekleyen bağımlılıkları, başarısız denemeleri ve onay durumunu gösterebilir. Daha sonra kullanılmak üzere saklanan her şey erişim kuralları ve veri kökeni ilkeleriyle yönetilmelidir.
Planlama modülü
Planlama modülü, hedefe giden yolu oluşturur ve günceller. Bir dizi eylem üretebilir, işi uzman bileşenler arasında bölüştürebilir veya bir sonraki adımı dinamik olarak seçebilir.
İyi bir planlama, bağımlılıkları ve belirsizliği hesaba katar. Her aracın beklenen sonucu döndüreceğini varsaymaz. Yedek yollar, doğrulama adımları ve yükseltme (escalation) koşulları içerebilir. Yeni kanıtlar en iyi sonraki eylemi değiştirebiliyorsa, plan geçici (provisional) kalmalıdır.
Araçlar ve eylem katmanı
Araçlar, agent'ın modelin ötesindeki sistemlerle etkileşim kurmasını sağlar. Yaygın örnekler arasında arama, veritabanı sorguları, dosya işleme, tarayıcı eylemleri, iş API'leri ve kayıt güncellemeleri bulunur.
Her aracın açık bir sözleşmesi olmalıdır. Bu sözleşme geçerli girdileri, beklenen çıktıları, izinleri, hataları ve yan etkileri tanımlamalıdır. Mümkün olduğunda okuma eylemleri ile yazma eylemleri birbirinden ayrılmalıdır. Hassas işlemler daha katı doğrulama ve onay kuralları kullanmalıdır.
Yürütme, değerlendirme ve koruma önlemleri
Yürütme katmanı seçilen eylemi gerçekleştirir. Değerlendirme katmanı, sonucu plan ve başarı kriterlerine göre kontrol eder. Koruma önlemleri (guardrails), agent'ın neler yapabileceğini ve ne zaman durması gerektiğini tanımlar.
Üretim iş akışları; kararları, araç çağrılarını, gözlemleri ve durum değişikliklerini kaydetmelidir. Bu kayıt, hata ayıklama ve insan incelemesini destekler. Onay noktaları özellikle geri alınamaz eylemlerden, dış iletişimden, finansal değişikliklerden veya üretim güncellemelerinden önce önem taşır.
Hedef tabanlı agent ile diğer yapay zeka agent türleri
Hedef tabanlı agent'lar, daha geniş bir yapay zeka agent tasarımları kümesinin bir parçasıdır. Kategoriler örtüşebilir ancak farklı karar verme yaklaşımlarını vurgularlar.
| Agent türü | Nasıl karar veriyor | Planlama yeteneği | En uygun kullanım |
|---|---|---|---|
| Basit refleks agent | Mevcut girdiye tepki verir | Az veya hiç yok | Sabit kurallar ve anlık tepkiler |
| Model tabanlı refleks agent | İç durum modeli kullanır | Sınırlı | Temel bellek gerektiren ortamlar |
| Hedef odaklı agent | Tanımlı bir hedefe doğru ilerleyen eylemleri seçer | Evet | Yolları değişebilen net hedefler |
| Fayda odaklı agent | En değerli sonucu seçer | İleri düzey ödünleşim analizi | Birden fazla rekabet eden hedef |
| Öğrenen agent | Deneyim veya geri bildirimden gelişir | Zamanla evrilebilir | Uyum sağlamaktan fayda gören görevler |
Reaktif bir agent, o an gördüğüne tepki verir. Hedef tabanlı bir agent ise bir eylemin gelecekteki bir durumu nasıl etkileyeceğini dikkate alır. Bu ileriye dönük davranış, amaç sabit ama izlenecek yol belirsiz olduğunda hedef tabanlı sistemleri daha uygun hale getirir.
Fayda tabanlı bir agent farklı bir karar problemini çözer. Olası sonuçları karşılaştırır ve onlara değer atar. Örneğin bir müşteri hizmetleri sistemi, bir yanıt seçerken çözüm hızını, iade maliyetini ve müşteri memnuniyetini dengeleyebilir. Hedef tabanlı bir agent ise genellikle hedef koşulun sağlanıp sağlanmadığına odaklanır. İş akışı gerektirdiğinde hedef tabanlı bir sistem yine de öğrenme veya fayda tabanlı bileşenler içerebilir.
Hedef tabanlı agent ile görev tabanlı agent
Görev tabanlı agent'lar ve hedef tabanlı agent'ların ikisi de faydalı işleri otomatikleştirebilir. Aradaki fark, sistemin talimatları hangi düzeyde aldığı ve başarıyı hangi düzeyde ölçtüğüdür.
| Boyut | Görev tabanlı agent | Hedef odaklı agent |
|---|---|---|
| Başlangıç noktası | Belirli bir talimat | İstenen bir sonuç |
| Kapsam | Tanımlı tek bir görev | Bağlantılı bir iş akışı |
| Sonraki eylem | Genellikle kullanıcı veya iş akışı tarafından belirtilir | Agent tarafından seçilir |
| Başarı ölçütü | Görev tamamlama | Hedefe ulaşma |
| Uyarlanabilirlik | Genellikle sınırlı | Koşullar değiştiğinde yeniden planlama yapabilir |
| İnsan girdisi | Her adımda gerekli olabilir | Genellikle sınır durumlarında veya istisnalarda gerekir |
Görev tabanlı agent'lar, eylemin zaten bilindiği durumlarda kullanışlıdır. Hedef tabanlı agent'lar ise sonuç net ama izlenecek yol değişkense kullanışlıdır. Görev tabanlı bir sistem bir belgeden bir alanı çıkarabilir. Hedef tabanlı bir sistem ise bu çıkarma işlemini, bilgiyi doğrulayan ve istisnaları yönlendiren daha büyük bir sürecin tek bir adımı olarak kullanabilir.
Buradaki ayrım agent sayısıyla değil, iş akışı sorumluluğuyla ilgilidir. Tek bir agent geniş bir hedefin peşinden gidebilir. Aynı şekilde birden fazla agent, daha geniş bir planı paylaşmadan ayrı görevler de gerçekleştirebilir.
Hedef tabanlı agent'ların kullanım alanları
Hedef tabanlı agent'lar, varış noktasının net olduğu ancak görev bitmeden önce koşulların değişebildiği ortamlara uygundur.
Robotik ve depo otomasyonu
Bir depo robotu, bir paketi sevkiyat alanına taşıma hedefini alabilir. Paketi tanımlaması, bir rota planlaması, engellerden kaçınması ve konumunu izlemesi gerekir. Başka bir robot planlanan yolu tıkarsa, agent alternatif bir rotayı değerlendirebilir.
Hedef aynı kalır. Ortama göre değişen, eylem dizisidir. Bu durum robotiği, yalnızca en yakın engele tepki vermek yerine gelecekteki bir duruma yönelik planlamanın açık bir örneği hâline getirir.
Müşteri desteği ve sorun çözümü
Bir destek iş akışı, başarıyı bir müşteri sorununun doğru ve onaylanmış bir yanıtla çözülmesi olarak tanımlayabilir. Agent konuşmayı okuyabilir, hesap bilgilerini getirebilir, bir bilgi tabanına başvurabilir ve sorunun yükseltilmesi (escalation) gerekip gerekmediğini belirleyebilir.
Sistem, bir yanıt taslağı hazırladıktan sonra başarıyı ilan etmemelidir. Yanıtın sorunu ele alıp almadığını ve gerekli bir eylemin tamamlanıp tamamlanmadığını kontrol etmelidir. Hassas değişiklikler, bir insan onay adımının arkasında kalmalıdır.
Çalışan işe alım süreci
Çalışan işe alım süreci; role, konuma, işe başlama tarihine ve onay durumuna bağlı, birbirine bağlı görevler içerir. Hedef tabanlı bir agent, her isteği ayrı bir eylem olarak ele almak yerine daha büyük sonucu takip edebilir.
Belge toplayabilir, bilgileri doğrulayabilir, hesap taleplerini hazırlayabilir ve bir yöneticinin onayını bekleyebilir. Gerekli bir alan eksikse, agent duraklayabilir veya eksik bilgiyi talep edebilir. Planı ilerletmek için bir izin kuralını es geçmemelidir.
Araştırma ve içerik iş akışları
Bir araştırma iş akışı, güvenilir kanıtlara dayalı yapılandırılmış bir rapor üretme hedefiyle başlayabilir. Agent soruyu alt konulara bölebilir, onaylı kaynaklarda arama yapabilir, bulguları düzenleyebilir ve boşlukları belirleyebilir.
Bir kaynak bir iddiayı desteklemiyorsa, agent araştırma planını gözden geçirebilir. Bir inceleme adımı, nihai raporun başlangıçtaki soruyu yanıtlayıp yanıtlamadığını kontrol edebilir. Rapor önemli bir kararı etkilediğinde insan incelemesi önemini korur.
Olay müdahalesi ve operasyonlar
Bir olay müdahale agent'ı, bir hizmet sorununun nedenini belirlemeye yönelik çalışabilir. Günlükleri inceleyebilir, son dağıtımları (deployment) gözden geçirebilir, bağımlılıkları kontrol edebilir ve sistemler arasındaki kanıtları karşılaştırabilir.
Yeni sinyaller ortaya çıktıkça iş akışı değişebilir. Bir agent geri alma veya yapılandırma değişikliği önerebilir, ancak üretimi etkileyen eylemler için yetkilendirme gerekmelidir. Hedefe dayalı döngü, öneriyi denetimsiz bir yürütmeye dönüştürmeden araştırmayı organize etmeye yardımcı olur.
Hedefe dayalı agent'ların avantajları
Çok adımlı işleri daha iyi yönetme
Hedefe dayalı bir agent, birbirine bağlı eylemleri bir sonuç etrafında organize edebilir. İş akışının sınırları netse, her düşük riskli adımı ayrı ayrı belirtmeniz gerekmez.
Kural tabanlı otomasyondan daha fazla esneklik
Sabit kurallar istikrarlı koşullarda iyi çalışır. Hedefe dayalı sistemler ise bir girdi değiştiğinde veya beklenen bir eylem başarısız olduğunda onaylanmış başka bir yolu seçebilir.
Daha net başarı ölçütleri
Tanımlanmış bir hedef, değerlendirmeyi daha anlamlı hale getirir. Sistem, başarıyı bir yanıtın uzunluğuna veya akıcılığına göre değil, hedeflenen sonuca ulaşılıp ulaşılmadığına göre değerlendirebilir.
Daha iyi iş akışı sürekliliği
Agent, görev durumunu koruyabilir ve neyin tamamlanmadığını belirleyebilir. Bu, bir iş akışı onay için durakladığında veya başka bir sistemden bilgi beklediğinde önem kazanır.
Daha kullanışlı insan yetkilendirmesi
İnsanlar sonucu, kısıtlamaları ve onay noktalarını belirleyebilir. Agent daha sonra bu operasyonel sınırlar içindeki rutin kararları yönetebilirken, istisnalar ve etkisi yüksek kararlar insanlarda kalır.
Güvenilir bir hedefe dayalı agent nasıl tasarlanır
Güvenilir bir tasarım, modelden ziyade iş akışıyla başlar. Görevi güvenli şekilde tamamlayabilecek en küçük mimariyi kullanın.
Ölçülebilir tek bir hedef tanımlayın: Bir değerlendiricinin doğrulayabileceği bir tamamlanma koşulu yazın.
Başarı ve başarısızlık koşullarını belirleyin: Agent'ın ne zaman devam edeceğini, duracağını veya konuyu üst mercie ileteceğini açıklayın.
Hedefi alt görevlere bölün: Her alt göreve net bir çıktı ve bağımlılık verin.
Araç erişimini sınırlayın: Yalnızca mevcut rol için gereken araçları sağlayın.
Okuma ve yazma izinlerini ayırın: Bilgi almayı, durum değiştiren eylemlerden farklı ele alın.
Onay kapıları ekleyin: Hassas veya geri alınamaz işlemlerden önce onay şartı koyun.
Yürütmeyi kaydedin: Planları, araç çağrılarını, sonuçları ve durum değişikliklerini kayıt altına alın.
Yürütme sınırları belirleyin: Süre, tur, yeniden deneme ve maliyet sınırları kullanın.
Bütün iş akışını test edin: Yalnızca tekil model yanıtlarını değil, sonuçları değerlendirin.
Kademeli olarak genişleyin: Tek bir agent ile başlayın ve ancak ölçülebilir bir ihtiyaç ortaya çıktığında koordinasyon ekleyin.
Pratik kural basittir: iş akışını güvenilir şekilde tamamlayabilecek en düşük karmaşıklıktaki mimariyi kullanın. Daha fazla otonomi, yalnızca belirli bir operasyonel sorunu çözdüğünde işe yarar.
Kimi Agent ile tanışın: bugün kullanabileceğiniz hedefe dayalı bir agent
Bu rehberdeki planlama döngüsü sadece teoriden ibaret değil. Kimi Agent gerçek görevleri bu şekilde yürütüyor. Sonucu tek bir cümleyle tanımlarsınız, Kimi bunu alt görevlere ayırır ve her adımı yerleşik araçlarla yürütür. Ardından nihai çıktıyı sunmadan önce sonucu değerlendirir. Kurulacak bir orkestrasyon katmanı veya bakımı gereken bir iş akışı kodu yoktur.
Hedefi belirtin, çıktıyı alın
Kimi Agent, hedefe dayalı bir agent'ın çalışması gerektiği gibi çalışır: ona bir prosedür değil, bir hedef verin. Rotayı kendi kendine planlar ve doğrudan kullanabileceğiniz bir iş üretir.
Kimi Deep Research aracılığıyla kaynakları belirtilmiş bir araştırma raporu
Kısa bir brief'ten oluşturulmuş, çalışan çok sayfalı bir web sitesi
Düzenlemeye hazır bir PPT sunumu, belge veya elektronik tablo
Kaynak materyal olarak aynı anda 50 dosyaya kadar yükleyebilirsiniz; böylece mevcut PDF'ler, slaytlar ve görseller görev bağlamının bir parçası haline gelir.
Uzun görevler kendi başına tamamlanana kadar çalışır
Hedefe dayalı bir agent kendini birden fazla adım gerektiren işlerde kanıtlar. Kimi Deep Research genellikle görev başına 10 ila 25 dakika çalışır ve arka planda devam eder; böylece sayfadan ayrılıp tamamlanmış bir rapora geri dönebilirsiniz. Agent, her adım için sizin yönlendirmenizi beklemek yerine kendi ilerlemesini takip eder.
Tek bir hedefi yüzlerce paralel göreve ölçekleyin
Tek bir agent işin boyutu için yetersiz kaldığında, Kimi Agent Swarm hedefi 100'den fazla alt agent arasında böler ve 1.500'e kadar paralel araç çağrısını destekler. Büyük ölçekli arama, uzun içerik yazımı ve toplu işleme için tasarlanmıştır — aynı hedefe dayalı döngü, çoğaltılmış hâliyle.
Sınırları yine siz belirlersiniz
Hedefe dayalı tasarım, sonuçların kontrolünü insanlarda tutar ve Kimi de aynı şekilde çalışır. Hedefi ve kısıtlamaları siz belirlersiniz, ardından planı ve çıktıyı incelersiniz. Önemli bilgiler ve önemli sonuçlar doğuran kararlar insan denetiminde kalır. Otonomi rotayı yönetir; karar verme yetkisi sizde kalır.
Sınırlamalar ve zorluklar
Hedef tabanlı ajanlar, sabit otomasyona kıyasla daha fazla esneklik sağlar, ancak yeni başarısızlık biçimleri de ortaya çıkarır. Belirsiz bir hedef, ajanı yanlış bir sonuca yönlendirebilirken, büyük bir karar uzayı planlamayı maliyetli hale getirebilir. Ortam değiştikçe planlar da güncelliğini kaybedebilir. Birbiriyle rekabet eden öncelikler, basit bir tamamlanma testi yerine fayda tabanlı akıl yürütme veya insan değerlendirmesi gerektirebilir. Araç hataları ve güncelliğini kaybetmiş veriler, özellikle ajan dış sistemleri değiştirebildiğinde ek risk oluşturur. Bu nedenle güvenilir dağıtımlar; doğrulanmış araç sonuçları, kontrollü yeniden planlama, sınırlı izinler, görünür günlükler ve yüksek etkili eylemler için insan onayı gerektirir.
Sonuç
Hedef tabanlı bir ajan, sadece en son girdiye yanıt vermek yerine tanımlı bir sonuca yönelik çalışır. Planlamayı eylemle birleştiren bir döngü kullanır, ardından bir sonraki adımı seçmeden önce gözlemlenen sonucu değerlendirir. Bu yaklaşım, hedefin belirgin olduğu ama yolun değişebildiği iş akışlarına uygundur. Açık başarı kriterleri ve sınırlı izinlerle başlayın. Karmaşıklığı yalnızca iş akışı gerektirdiğinde ekleyin. Kimi Agent, sıfırdan bir ajan mimarisi oluşturmadan hedef odaklı görev yürütümünü keşfetmek için pratik bir yol sunar.