Bellek Karar Döngüsünün İç Yapısı: Yapay Zeka Ajanları Neyi Hatırlayacağına, Güncelleyeceğine veya Unutacağına Nasıl Karar Verir?

Yapay zeka ajanlarına bellek ekleyen birçok geliştirici genelde aynı yüzeysel yaklaşımı benimser: Her kullanıcı mesajını vektörleştirip Pinecone veya pgvector gibi bir veri tabanına yazmak ve sorgu anında similarity_search çalıştırmak. Bu yöntem demolar için pratik görünse de üretim ortamında (production) hızla çöker. Çünkü sistemde hiçbir veri güncellenmez veya silinmez; veri tabanı kontrolsüzce büyür ve zamanla çelişkilerle dolar.

Örneğin, bir kullanıcı mart ayında "Austin'de yaşıyorum", temmuz ayında ise "Denver'a taşındım" dediğinde, ilkel bir vektör deposu iki bilgiyi de saklar. "Nerede yaşıyorum?" sorgusu yapıldığında her iki kayıt da en yakın eşleşmeler arasında gelir ve LLM hangi bilginin güncel olduğuna dair hiçbir sinyale sahip olamaz. Mem0 gibi modern bellek katmanları tam olarak bu mimari sorunu çözmek için geliştirilmiştir.

Dört Aşamalı Bellek Boru Hattı

Geleneksel bir RAG yapısı tek bir aşamadan ("vektörleştir ve kaydet") ibaretken, üretim kalitesindeki bir bellek katmanı dört aşamalı bir boru hattı işletir:

Çıkarma (Extraction): Ham konuşma sırasını aday olgulara (candidate facts) dönüştürür.
Geri Getirme (Retrieval): Her bir aday olguyla ilişkili olabilecek mevcut bellek kayıtlarını bulur.
Karar (Decision): Her aday için mevcut kayıtlara bakarak ADD (Ekle), UPDATE (Güncelle), DELETE (Sil) veya NOOP (İşlem Yapma) kararı verir.
Birleştirme (Consolidation): Yalnızca yeni veriyi sona eklemek yerine, çözümlenmiş güncel durumu veri tabanına geri yazar.

Aşama 1: Çıkarma Bir Kopyalama Değil, Sıkıştırma Adımıdır

"Denver'a taşındım, hâlâ her yerde kutuları açıyorum" şeklindeki bir mesaj doğrudan vektörleştirilmez. Bir LLM çıkarma istemiyle işlenerek geçici sohbet gürültüsü elenir ve kullanici.konum = Denver şeklinde kalıcı bir olgu elde edilir. Burada atomiklik kritiktir: "Kullanıcı Denver'da yaşıyor, uzaktan çalışıyor ve bir köpeği var" cümlesi tek bir blok yerine üç bağımsız olguya ayrılmalıdır. Aksi halde, ileride tek bir bilgi değiştiğinde diğerlerini bozmadan güncellemek imkansız hale gelir.

Aşama 2: Geri Getirme İlgili Olanı Değil, Çelişebilecek Kayıtları Bulur

Yazma anında yapılan anlamsal arama, bir soruyu yanıtlamak için değil; yeni adayın çelişebileceği veya güncelleyebileceği mevcut kayıtları tespit etmek için yapılır. "Kullanıcı Denver'da yaşıyor" adayı kaydedilirken, eski "Kullanıcı Austin'de yaşıyor" kaydı yüksek benzerlikle (örneğin 0.89) eşleşir. Bu yüksek skor, bir sonraki aşamada çözülmesi gereken doğrudan bir çelişkiyi temsil eder.

Aşama 3: Asıl Karar Döngüsü

Çoğu geliştiricinin atladığı bu aşamada, yeni aday bilgi ve tespit edilen komşu kayıtlar ikinci bir değerlendiriciye iletilir. Model, yeni bilginin eski kaydı geçersiz kıldığını saptayarak durumu günceller veya eski bilgiyi siler.

Yazılım Geliştiriciler İçin Pratik Çıkarım

Ajan tabanlı mimarilerde bellek, pasif bir vektör arşivi değil; gürültüyü süzen, çelişkileri proaktif olarak tespit eden ve durum mutasyonlarını yöneten aktif bir karar mekanizması olarak kurgulanmalıdır.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://dev.to/mukesh_13/inside-the-memory-decision-loop-how-ai-agents-decide-what-to-remember-update-or-forget-1mfl)

Bu konuyu derinlemesine öğrenmek isterseniz: Production'da Agent Güvenilirliği modülüne göz atın.