---
title: "ALTK-Evolve: Öğrenilmiş Bellek, Sınır Bir Model Olmadan Müşteri Hizmetleri Görevlerinde τ²-bench Liderlik Tablosunun Zirvesine Nasıl Çıkıyor?"
url: https://blog.edumints.com/altk-evolve-ogrenilmis-bellek-sinir-bir-model-olmadan-musteri
category: "LLM"
date: 2026-10-21T09:04:59.294Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Blog"
source_url: https://huggingface.co/blog/ibm-research/altk-evolve-bc
---

# ALTK-Evolve: Öğrenilmiş Bellek, Sınır Bir Model Olmadan Müşteri Hizmetleri Görevlerinde τ²-bench Liderlik Tablosunun Zirvesine Nasıl Çıkıyor?

IBM Research ekibi tarafından geliştirilen **ALTK-Evolve**, model ağırlıklarını güncellemeye gerek kalmadan yalnızca GPT-4.1 kullanarak bir oyun kitabı (playbook) öğrenip uyguluyor ve müşteri hizmetleri ajan kıyaslaması olan **τ²-bench** üzerindeki perakende (retail) görevlerinde tüm rakiplerini geride bırakıyor.

## Öğrenilmiş Bellek, GPT-4.1 Tabanlı Temel Bir ReAct Ajanını Zirveye Taşıyor

Daha eski ve akıl yürütme (reasoning) odaklı olmayan bir model olan **GPT-4.1** kullanan temel bir müşteri hizmetleri ajanı, τ²-bench perakende testinde **%67,5 Pass^4** skoruna ulaşıyor. Bu metrik, ajanın görevlerin %67,5'ini dört bağımsız denemenin tamamında başarıyla çözdüğü anlamına geliyor ve 12 Ekim 2026 tarihli liderlik tablosu görüntüsündeki tüm perakende girdilerini geride bırakıyor. Sistem, kıyaslamanın standart **ReAct** iskeleti (scaffold) üzerinde, sistem istemine (system prompt) eklenen öğrenilmiş yönergelerle çalışıyor.

**ALTK-Evolve**, bu oyun kitabını doğrudan GPT-4.1 kullanarak inşa ediyor. Ajanın eğitim görevlerindeki denemelerini analiz ediyor ve başarılar ile başarısızlıkları kısa davranışsal kurallara dönüştürmek için yine aynı modeli kullanıyor:

- Müşteri kimliğinin nasıl doğrulanacağı,
- Bir işlemin nasıl onaylanacağı,
- Bir iade sürecinin nasıl yönetileceği.

Elde edilen bu yönergeler, sonraki görüşmeler için ajanın istemine ekleniyor. Hem yönerge çıkarımını hem de ajanın kendisini aynı model güçlendiriyor; böylece hiçbir ağırlık güncellemesine (fine-tuning) veya insan etiketlemesine ihtiyaç duyulmuyor. Daha önce kodlama ajanları üzerinde kanıtlanan bu yaklaşım, burada alan politikalarına uymayı, müşteri talebini anlamayı ve doğru araç çağrılarını (tool actions) yürütmeyi gerektiren müşteri hizmetleri alanında test ediliyor.

## τ²-bench, Politikaya Bağlı Müşteri Hizmetlerini Test Ediyor

Sierra tarafından geliştirilen **τ²-bench**, bir ajanın gerçek kısıtlamalar altında müşteri hizmetleri görüşmelerini ne kadar iyi yönettiğini ölçüyor. Her görev, ajanı belirli bir hedefi olan LLM simülasyonlu bir müşteriyle, çeşitli alan araçlarıyla (sipariş sorgulama, iade yapma, uçuş yeniden rezerve etme) ve ajanın uyması gereken yazılı bir politika belgesiyle eşleştiriyor.

Ajanın doğru detayları müşteriden alması, politika sınırları içinde kalması ve çoğu zaman geri döndürülemez olan doğru eylemleri gerçekleştirmesi gerekiyor. Bir görev, yalnızca nihai veritabanı durumu beklenen sonuçla tam eşleştiğinde (katı ikili ödül / strict binary reward) çözülmüş sayılıyor. Çalışmada perakende (retail) ve havayolu (airline) olmak üzere iki müşteri hizmetleri alanı kullanılıyor.

Deneylerde, τ²-bench'in kendi temel **THINK → ACT** (Düşün → Harekete Geç) döngüsüne sahip ReAct ajanı; ajan modeli olarak `gpt-4.1` ve müşteri simülatörü olarak `gpt-5.5` ile görev başına 4 deneme üzerinden çalıştırılıyor. Yapılan tek değişiklik, sistem istemine eklenen öğrenilmiş yönergeler bloğudur; politika, araçlar ve iskelet dahil geri kalan her şey standart τ²-bench yapısıdır. Somut olarak, öğrenilmiş yönergeler alan politikasından hemen sonra düz bir Markdown listesi olarak eklenir:

- Bekleyen siparişleri iptal etme veya değiştirme,
- İade süreçlerini politika kurallarına göre yürütme.

## Yazılım Geliştirme ve Mühendislik Çıkarımları

Üretim ortamında güvenilir ajanlar (Production'da Agent Güvenilirliği) geliştirirken en büyük yanılgılardan biri, her sorun için daha büyük bir sınır modele (frontier model) veya maliyetli fine-tuning süreçlerine başvurmaktır. ALTK-Evolve yaklaşımı, **Tool Calling ve Multi-Step Agent'lar** ile **DSPy ile Programatik Prompt Optimizasyonu** prensiplerinin pratik bir birleşimini sunar:

- **Ağırlık Güncellemeden Sürekli Öğrenme:** Geçmiş konuşma izlerini (traces) analiz ederek sistem istemine dinamik kurallar eklemek, maliyetli model eğitimlerine hızlı ve etkili bir alternatiftir.
- **Pass^4 ile Güvenilirlik Ölçümü:** Müşteri hizmetlerinde tek seferlik başarı yetmez; 4 denemenin tamamında tutarlı veritabanı durumu elde etmek, ajanların deterministik olmayan doğasını dizginlemek için kritik bir test stratejisidir.
- **Modüler İstem Mimarisi:** Mevcut ajan iskeletini bozmadan, sadece politika belgesinin altına deneyimden damıtılmış Markdown kuralları eklemek, mevcut sistemlere anında entegre edilebilir.

Orijinal makaleye [buradan](https://huggingface.co/blog/ibm-research/altk-evolve-bc) ulaşabilirsiniz.

---

**Kaynak:** Hugging Face Blog (https://huggingface.co/blog/ibm-research/altk-evolve-bc)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/altk-evolve-ogrenilmis-bellek-sinir-bir-model-olmadan-musteri