Top-k Beceri Getirmenin Ötesinde: LLM Ajanları İçin Çeşitlilik Odaklı Beceri Yönlendirme (DSR)

Büyük dil modeli (LLM) tabanlı otonom ajan sistemlerinde, ajanların harici araçları ve API fonksiyonlarını (skills) doğru seçebilmesi görev başarısının temel belirleyicisidir. Bu çalışma, geleneksel salt benzerlik odaklı ve bağımsız çalışan araç seçim mekanizmalarının kısıtlarını aşarak, çeşitlilik farkındalığına sahip beceri yönlendirme (Diverse Skill Routing - DSR) yaklaşımını tanıtmaktadır.

Makalenin Temel Maddeleri ve Mimarisi

Büyük Beceri Havuzlarında Yönlendirme Zorluğu: LLM ajanları karmaşık problemleri çözmek için giderek daha fazla harici araca bağımlı hale gelmektedir. Ancak yüzlerce fonksiyonun bulunduğu geniş beceri kayıtlarında birçok araç işlevsel olarak birbirini tekrar ederken (redundancy), çok adımlı görevler birbirini tamamlayan (complementary) farklı uzmanlık kümelerini zorunlu kılar.
Geleneksel Sıralamanın ve Bağımsız Puanlamanın Kısıtı: Mevcut yönlendirici sistemler aday araçları kullanıcı sorgusuna anlamsal benzerliklerine göre birbirinden bağımsız olarak sıralar. Bu durum, aynı amaca hizmet eden birbirinin kopyası araçların seçilmesine neden olarak ajanın değerli bağlam penceresini (context budget) israf eder.
DSR (Diverse Skill Routing) Mimarisi: Araştırmacılar, araçların sorguyla alakası ile kendi aralarındaki işlevsel çeşitliliği matematiksel olarak dengelemek için Belirleyici Nokta Süreçleri (Determinantal Point Process - DPP) teorisine dayanan çeşitlilik odaklı bir yeniden sıralama (reranking) çerçevesi önermektedir.
Sorgu-Kalıntı Çeşitlilik Çekirdeği (Query-Residual Diversity Kernel): DSR, işlevsel çakışmaları cezalandırırken yalnızca ortak sorgu benzerliğinden kaynaklanan yapay benzerlik cezalarını ortadan kaldıran yeni bir çekirdek fonksiyonu sunar. Böylece hem sorguya uygunluk hem de araçlar arası benzersizlik garanti edilir.
SkillRouter Kıyaslama Testleri ve Başarımı: Kapsamlı SkillRouter veri setinde gerçekleştirilen deneyler; DSR'nin güçlü tekil (pointwise) yeniden sıralama taban çizgisine göre geri çağırma (recall) ve tam görev kapsamı (full coverage) metriklerinde üstünlük sağladığını, en belirgin performans artışını ise çoklu beceri gerektiren karmaşık sorgularda elde ettiğini göstermektedir.
Tamamlayıcı Küme Seçimi Paradigması: Elde edilen bulgular, ajan yönlendirme mimarisinin salt tekil alaka sıralaması değil; birbiriyle uyumlu ve birbirinin eksiğini kapatan en ideal "tamamlayıcı küme seçimi" (complementary set selection) problemi olarak tasarlanması gerektiğini ortaya koymaktadır.

Yazılım Geliştirme ve Ajan Mimarisi Açısından Çıkarımlar

Üretim ortamlarında LLM ajanları geliştirirken araç havuzunun büyümesi kaçınılmazdır. Tipik RAG veya fonksiyon çağırma yapılarında vektör tabanlı Top-k getirme kullanıldığında, birbirinin kopyası 3-4 farklı API aynı prompt içine eklenerek modelin kafa karışıklığı yaşamasına ve token maliyetlerinin fırlamasına neden olur.

Akıllı Araç Yönlendirme (Routing Layer): Ajan mimarinizde araçları doğrudan LLM'e sunmak yerine araya çeşitlilik farkındalığı olan bir filtreleme (DPP veya MMR) katmanı ekleyin.
Bağlam Optimizasyonu: Bir görevi çözmek için gereken araç seti bir portföy gibi yönetilmeli, tekil benzerlik yerine araçların kolektif kapsayıcılığı gözetilmelidir.
Çoklu Araç Çağırma (Multi-Tool Orchestration): Çok adımlı iş akışlarında ajanların hata yapma oranını düşürmek için birbirini yedekleyen değil, ardışık aşamaları tamamlayan yetenekler bir arada sunulmalıdır.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://huggingface.co/papers/2609.05824)

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