Büyük Dil Modelleri Genel Asenkron Ajanlardır: Eşzamanlı Yapay Zeka Mimarisi

1. Sıralı Etkileşim Döngüsü ve Bloklanan Ajan Mimarileri

Modern büyük dil modelleri (LLM), otonom ajanlar olarak hızla yetkinleşse de geleneksel olarak katı ve sıralı bir etkileşim döngüsünü takip eder: oku, düşün, yanıtla veya araç çağır ve tekrarla. Yazılım mühendisliği açısından bu senkron "ReAct" döngüsü, I/O bloklamasına benzer bir mimari darboğaz yaratır. Model bir harici API çağrısının sonucunu beklerken veya uzun bir akıl yürütme adımı yürütürken yeni olayları algılayamaz ve sisteme gelen anlık girdileri işleyemez.

2. Gerçek Dünyanın Doğrusal Olmayan İhtiyaçları

Gerçek dünya senaryoları doğrusal değil, doğası gereği asenkron ve çok görevlidir. Akıllı ajanlar bir görevi yerine getirirken veya düşünürken eşzamanlı yeni girdiler almak zorundadır. Makalede bu durum üç kritik kullanım alanıyla örneklendirilmektedir:

Sesli Asistanlar: Kullanıcı konuşmaya devam ederken araya girmeleri (barge-in) dinleme ve anında tepki verme ihtiyacı.
Fiziksel (Embodied) Ajanlar: Robotik kontrol mekanizmalarında, çevre dinamik olarak değişirken sürekli algılama ve eşzamanlı eylem üretimi.
İzleme (Monitoring) Sistemleri: Canlı telemetri akışlarını analiz ederken eşzamanlı ortaya çıkan yeni sistem olaylarını kaçırmama gereksinimi.

3. Parçalı Çözümlerden Genel Eşzamanlılığa

Günümüzde bu zorluklar göreve özel, parçalı mimarilerle aşılmaya çalışılmaktadır:

Ses etkileşimi ve video akışları için geliştirilmiş özel mimariler,
Robot kontrolüne yönelik Vision-Language-Action (VLA) modelleri,
Harici API entegrasyonları için asenkron araç çağırma (asynchronous tool calling) yöntemleri.

Bu çalışma, farklı asenkron görevleri tek bir çatı altında birleştirerek her türlü eşzamanlılık (concurrency) senaryosuna uyum sağlayabilen genel asenkron ajanlar paradigmasını sunar.

4. Çıkarım Eşyordamları (Inference Coroutines) ve Paylaşımlı Bellek

Önerilen mimarinin merkezinde, kullanıcıların veya bizzat ajanın kendisinin örtüşen bellek durumlarına (overlapping memory states) sahip çıkarım eşyordamları (inference coroutines) tanımlamasına imkan tanıyan asenkron bir LLM çerçevesi yer alır. Yazılım mimarisi açısından bu yaklaşım, modelin KV-cache ve bağlam belleğini paylaşımlı yöneterek bir görevin çıkarımı sürerken diğer girdilerin arka planda eşzamanlı işlenmesine olanak tanır.

5. Göreve Özel Eğitim Olmadan Başarılı Uygulama

Geliştirilen çerçeve, Qwen 3.x modelleri üzerinde herhangi bir göreve özel fine-tuning (task-specific training) gerektirmeksizin test edilmiş ve asenkron operasyonlarda üstün başarı sergilemiştir:

Akış Video Anlama: Canlı video kareleri akarken eşzamanlı sorguları yanıtlama.
Video Oyunları: Dinamik ve gerçek zamanlı ortamlarda gecikmesiz karar alma.
Sistem İzleme: Kesintisiz veri akışlarında arka plan kontrolleriyle senkronize aksiyon üretimi.

Bu yaklaşım, agentic yazılım geliştiricilerine ek eğitim maliyetine katlanmadan yüksek eşzamanlılığa sahip üretim sistemleri inşa etme imkanı sunmaktadır.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://huggingface.co/papers/2609.35427)

Bu konuyu derinlemesine öğrenmek isterseniz: Tool Calling ve Multi-Step Agent'lar modülüne göz atın.