AI Serisi Mülakat Soruları 6: AI Agent'ın Üç Temel Metodolojisi: ReAct, Plan-and-Solve ve Reflection

AI Agent'ın Üç Temel Metodolojisi: ReAct, Plan-and-Solve ve Reflection

AI Agent, çevresini algılayabilen, kararlar alabilen ve eylemler gerçekleştirebilen otonom bir varlıktır. Temel metodolojileri üç tanedir: ReAct, Plan-and-Solve ve Reflection. Aşağıda her biri akış şemaları ve kod örnekleriyle açıklanmıştır.

1. ReAct (Muhakeme + Eylem)

Temel Fikir: Muhakeme (Reasoning) ve eylem (Acting) iç içe geçer. Agent her adımda önce mevcut durumu ve bir sonraki adımı düşünür (muhakeme), ardından bir eylem gerçekleştirir (araç çağırma, bilgi arama gibi) ve sonuca göre muhakemeye devam eder.

Akış Şeması:

[Başlangıç Durumu] → [Muhakeme: Sonraki Adımı Düşün] → [Eylem: Eylemi Gerçekleştir] → [Sonucu Gözlemle] → [Muhakeme: Planı Güncelle] → ... → [Nihai Cevap]

Örnek Kod (Sözde Kod):

def react_agent(soru):
    bağlam = []
    while çözülmedi:
        # Muhakeme: düşünce adımı oluştur
        düşünce = llm.düşünce_oluştur(soru, bağlam)
        # Eylem: düşünceye göre eylem seç
        eylem = llm.eylem_seç(düşünce)
        # Eylemi gerçekleştir, gözlem al
        gözlem = eylemi_gerçekleştir(eylem)
        # Düşünce, eylem ve gözlemi bağlama ekle
        bağlam.append((düşünce, eylem, gözlem))
    return nihai_cevap

Örnek:
- Kullanıcı sorar: “Bugün Pekin'de hava nasıl?”
- Agent muhakeme eder: “Hava durumu API'sini sorgulamam gerek, şehir adı ve tarih lazım.”
- Eylem: Hava durumu API'sini çağır (parametre: Pekin, bugün)
- Gözlem: “Güneşli, 25°C” döndü
- Muhakeme: “Bilgiyi aldım, cevap verebilirim.”
- Çıktı: “Pekin'de bugün güneşli, 25°C.”

2. Plan-and-Solve

Temel Fikir: Önce eksiksiz bir plan yapılır (Plan), ardından adım adım uygulanır (Solve). Planlama aşamasında karmaşık görev alt adımlara ayrılır, uygulama aşamasında sırayla tamamlanır ve ara sonuçlara göre plan ayarlanabilir.

Akış Şeması:

[Görev] → [Plan Yap: Alt Adımlara Ayır] → [Adım 1'i Uygula] → [Adım 2'yi Uygula] → ... → [Adım N'i Uygula] → [Nihai Cevap]

Örnek Kod:

def plan_ve_çöz(görev):
    # Planlama aşaması
    plan = llm.plan_oluştur(görev)  # Örn: ["Kaynak ara", "Bilgileri düzenle", "Rapor yaz"]
    bağlam = {}
    for adım in plan:
        # Her adımı uygula
        sonuç = adımı_uygula(adım, bağlam)
        bağlam[adım] = sonuç
    # Sonuçları birleştir
    nihai = llm.sentezle(bağlam)
    return nihai

Örnek:
- Görev: “AI Agent hakkında bir blog yazısı yaz”
- Plan:
1. AI Agent tanımı ve son gelişmeleri ara
2. Anahtar noktaları oku ve düzenle
3. Blog taslağı oluştur
4. İçeriği doldur
5. Düzelt ve yayınla
- Uygulama: Her adım sırayla tamamlanır, sonuçta blog yazısı çıkar.

3. Reflection (Yansıma)

Temel Fikir: Agent, eylem sırasında veya sonrasında kendi davranışını yansıtır (Reflection), sonucu değerlendirir ve sonraki eylemleri iyileştirir. Genellikle öz eleştiri, hata düzeltme veya strateji optimizasyonu içerir.

Akış Şeması:

[Eylem] → [Sonucu Gözlemle] → [Yansıma: Başarılı mı Değerlendir] → [Başarısızsa: Stratejiyi Ayarla] → [Tekrar Eylem] → ... → [Başarılı]

Örnek Kod:

def yansıma_agent(görev):
    max_deneme = 3
    for deneme in range(max_deneme):
        eylem = llm.eylem_oluştur(görev)
        sonuç = gerçekleştir(eylem)
        # Yansıma
        yansıma = llm.yansıt(görev, eylem, sonuç)
        if yansıma['başarılı']:
            return sonuç
        else:
            # Yansımaya göre görev tanımını veya stratejiyi güncelle
            görev = yansıma['iyileştirilmiş_görev']
    return None

Örnek:
- Görev: “1234 * 5678'i hesapla”
- Eylem: Doğrudan hesapla, sonuç 7006652
- Yansıma: Hesaplama sürecini kontrol et, taşma hatası bul
- Düzeltme: Yeniden hesapla, doğru sonuç 7006652 (aslında doğru)
- Hala hatalıysa, doğru olana kadar yansımaya devam et.

Özet Karşılaştırması

Gerçek uygulamalarda, bu üçü sıklıkla birleştirilir; örneğin ReAct'a yansıma mekanizması eklenir veya Plan-and-Solve'da her adımdan sonra yansıma yapılır.