JevSpawn: Kompozisyonel Eylem Alanları ile Uyarlanabilir Ajan Çıkarımı

Büyük dil modeli (LLM) tabanlı otonom ajanlar, ara akıl yürütme adımlarını ve eylemlerini geleneksel olarak token bazında (token-by-token) üretir. Bu otoregresif yaklaşım; ardışık araç çağrıları, durum güncellemeleri ve uzun süreli etkileşim gerektiren karmaşık senaryolarda süreci hem oldukça yavaşlatmakta hem de hesaplama açısından yüksek maliyetli hale getirmektedir. Sonlu alanlar üzerinde hızlı olasılıksal tahminler sunan "Jev" tarzı modeller bu darboğaza etkili bir alternatif oluştursa da, bu eylem alanlarının geliştirici tarafından önceden statik olarak tanımlanmasını zorunlu kılar. Gerçek dünya görevlerinde ise eylemlerin doğal dil yönergelerinden dinamik biçimde türetilmesi ve etkileşimle uyarlanması gerektiğinden, bu katı gereksinim otonom görev çözme süreçlerini ciddi şekilde sınırlar.

JevSpawn Mimarisi ve Dört Temel Eylem Mekanizması

Bu kısıtlamaları aşmak üzere geliştirilen JevSpawn, doğal dilde ifade edilen görev tanımlarını sonlu olasılıksal keşif süreçlerine bağlayan kompozisyonel bir politika sunar. Sistem, eylem üretimini ve yürütmesini birbiriyle bütünleşik şu dört temel mekanizma üzerinden yapılandırır:

Paralel Eylem Üretimi (Parallel Action Spawning): Doğal dil talimatlarından eşzamanlı olarak çoklu eylem dalları filizlendirerek olası adımları hızlı ve kapsamlı bir biçimde keşfeder.
Geri Bildirim Odaklı Dal Seçimi (Feedback-Driven Branch Selection): Yürütme ortamından ve dış araçlardan dönen anlık gözlem sinyallerini değerlendirerek başarı ihtimali en yüksek eylem dalını aktif olarak seçer.
Temsil Revizyonu (Representation Revision): Gerçekleşen adımlar ve yeni kanıtlar doğrultusunda durum temsillerini güncelleyerek eylem olasılıklarını dinamik biçimde revize eder.
Saklanan Alternatiflerden Kurtarma (Recovery from Retained Alternatives): Bir yürütme dalı tıkandığında veya başarısız olduğunda süreci baştan başlatmak yerine, hafızada tutulan alternatif dallara geçiş yaparak hatadan hızla kurtulur.

Yazılım Geliştirme ve Mühendislik Açısından Çıkarımlar

Yazılım mühendisleri ve yapay zekâ uygulayıcıları için JevSpawn'ın sunduğu en kritik kazanım; paylaşılan eylem yapısı ve model ön ekleri (prefix caching) sayesinde, ek bir model eğitimi veya fine-tuning gerekmeden tekrarlayan metin üretimini ve bağlam (context) hesaplama yükünü belirgin ölçüde azaltmasıdır. Multi-step agent kurgulayan geliştiriciler; serbest metin üretiminin getirdiği belirsizlik ve gecikme yerine yapılandırılmış sonlu olasılıksal alanların hızından yararlanırken, doğal dilin sunduğu ifade esnekliğini de korurlar. Özellikle saklanan alternatiflerden kurtarma mekanizması, dış API çağrılarında karşılaşılan çalışma zamanı hatalarına karşı deterministik ve dayanıklı bir hata telafi süreci sunar. Böylece üretim ortamlarında hem token maliyeti düşürülür hem de ilk token yanıt süresi (TTFT) optimize edilir.

Sekiz farklı kıyaslama görevi (benchmark) üzerinde yedi güçlü temel ajan mimarisi ve TypeSafe Jev varyantına karşı yürütülen kapsamlı değerlendirmeler; JevSpawn'ın yapılandırılmış ajan çıkarımında hem görev tamamlama başarısını kayda değer düzeyde artırdığını hem de ortam içi gezinme hızını belirgin biçimde yükselttiğini doğrulamaktadır.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://huggingface.co/papers/2610.00437)

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