CERA-MoA: Sürekli Öğrenen LLM Ajanları ve Birlikte Evrilen Dinamik Yönlendirme Mimarisi

Giriş ve Mevcut MoA Paradigmasının Sınırları

Mevcut Ajan Karışımı (Mixture-of-Agents - MoA) mimarileri, sorgu yönlendirmesi (query routing) ile ajanların ince ayar (fine-tuning) süreçlerini birbirinden yalıtılmış iki ayrı aşama olarak ele almaktadır. Bu kopukluk, ajanların post-training (eğitim sonrası) evresinde kazandığı yeni yeteneklerin yönlendirici mekanizma tarafından algılanmasını engellemekte ve sistemin sinerjik, veri odaklı bir uzmanlaşma geliştirmesini kısıtlamaktadır.

CERA-MoA Mimarisi: Birlikte Evrilen Yönlendirme ve Öğrenme

Bu kısıtları aşmak amacıyla geliştirilen CERA-MoA (Co-Evolving Router with continually learning Agents for Mixture-of-Agents), dinamik bir yönlendirici ile bağımsız ajan politikalarının eşzamanlı olarak evrildiği (co-evolve) iteratif bir pekiştirmeli öğrenme (reinforcement learning) çerçevesidir. Sistem, ajanların yetkinlik kazanımı ile yönlendiricinin karar alma mekanizmasını sürekli bir geri besleme döngüsüyle senkronize eder.

Çekirdek Bileşenler ve Çalışma Mekanizması

Tahmine Dayalı Aşinalık Tahmincisi (Predictive Familiarity Estimator): Ajanların semantik yetkinliğini, tam çıkarım maliyetlerine (full rollouts) katlanmadan değerlendirmek için modellerin orta katman gizli durumlarından (mid-layer hidden states) yararlanır. Bu yaklaşım, sorgunun hangi ajan tarafından en doğru şekilde çözüleceğini ek bir hesaplama yükü oluşturmadan öngörür.
Kümülatif Eşikli Uyarlanabilir Yönlendirme (Cumulative-Threshold Adaptive Routing): Hesaplanan aşinalık skorlarına dayanarak, görevi tamamlayabilecek en küçük ajan alt kümesini (tailored minimal agent subset) dinamik olarak etkinleştirir. Böylece görev başarımı ile hesaplama verimliliği arasında optimum bir denge kurulur.
Yetkinliğe Dayalı Örnek Dağıtımı ve Uzmanlaşma: Ajanların sürekli evrilen yetkinliklerine göre hedeflenmiş eğitim örnekleri proaktif olarak paylaştırılır. Bu dinamik dağıtım, ajanlar arasında tamamlayıcı yetenek farklılaşmasını (capability differentiation) ve sinerjik uzmanlaşmayı güçlendirir.

Yazılım Geliştirme ve Öğrenme Açısından Pratik Çıkarımlar

Üretim ortamlarında çoklu ajan sistemleri geliştiren mühendisler ve mimarlar için CERA-MoA mimarisinden çıkarılacak temel dersler ve pratik prensipler şunlardır:

Statik Yönlendirme Yerine Dinamik Adaptasyon: Sabit yönlendirme kuralları yerine, modellerin güncel durumuna ve uzmanlık derinliğine göre kendini güncelleyen akıllı yönlendirme katmanları tasarlanmalıdır.
Düşük Gecikmeli Yönlendirme Stratejileri: Bir modelin sorguya uygunluğunu ölçmek için maliyetli tam çıkarımlar yapmak yerine, erken ve orta katman temsil vektörlerinden yararlanmak yönlendirme gecikmesini dramatik biçimde azaltır.
Kaynak ve Token Verimliliği: Kümülatif eşik mekanizmaları kullanarak yalnızca gerekli minimum ajan kümesini tetiklemek, token tüketimini ve altyapı maliyetlerini ciddi oranda optimize eder.
Veri Odaklı Özelleştirilmiş Eğitim: Ajanların ince ayar süreçlerinde homojen veri kümeleri yerine, her ajanın eksik olduğu alanları hedefleyen veri dağıtım stratejileri uygulanmalıdır.

Farklı alanlardaki kapsamlı deneyler, CERA-MoA'nın statik ajan yönlendirme ve sabit iş akışlı fine-tuning temel yaklaşımlarına kıyasla belirgin biçimde daha yüksek başarım sunduğunu doğrulamaktadır.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://huggingface.co/papers/2609.18779)

Bu konuyu derinlemesine öğrenmek isterseniz: CrewAI İleri Özellikler modülüne göz atın.