🔥 Bunun var olduğuna inanamıyorum... Sonunda birisi her yapay zeka ajanı girişiminin sahte olduğu gizli oyun kitabını yazdı. Bir araştırma ekibi "Üretim Düzeyinde Ajanik Yapay Zeka İş Akışlarını Tasarlamak, Geliştirmek ve Dağıtmak İçin Pratik Rehber"i yayınladı ve temelde insanların OpenAI ve Anthropic'in kullandığını düşündüğü iç el kitabı. Heyecan değil. Sevimli oklarla diyagramlar değil. Demo sandbox'tan çıkar çıkmaz çökmeyen ajanlar için gerçek bir mühendislik planı. İşte bunu çılgınca 👇 yapan şey 1 / Başlıyorlar, çoğu ajanın neden çöktüğünü ortaya koyarak Asla model olmuyor. Sorun etrafındaki sistem: • belirsiz araç yönlendirmesi • sessiz MCP arızaları • ajanlar ihdam emrini doğaçlama yapıyor • her çalışma akışında farklı sonuçlar üreten iş akışları Bunlar, ham arıza izlerini gösteriyor — ajanların yanlış ateş ettiğine, döngüye girdiğine veya halüsinasyona uğrayan aletlerin gerçek kayıtları. Bu, her "otonom yapay zeka çalışanı" demosunun otopsiyi gibi okunuyor. 2 / Tüm yığını determinizm etrafında yeniden inşa ediyorlar Her araç çağrısı tipli bir fonksiyon haline gelir. Her uygulama yolu tekrar oynanabilir. Her adım deterministiktir. Sistem aynı çıktıyı iki kez üretemiyorsa, üretim seviyesi değildir. Bu kural bile insanların "ortaya çıkış" sandığı kaosun yarısını ortadan kaldırıyor. 3 / Tek sorumluluk temsilcilerini uygularlar 12 kişiliğe sahip mega ajan yok. Yerine: •Planlayıcısı • akıl yürütme ajanı • Araç Yürütücüsü • doğrulayıcı •Synthesizer Her birinin katı sınırları vardı. Halüsinasyon aletleri yok. Karma görev mantığı yok. Serbest çalışmak yok. Bu arka uç mühendisliği, rol yapma değil. 4 / Her istemi gerçek yapılandırma gibi dışa çıkarıyorlar İstemler artık gizli bir dizi değil — bunlar: • sürüm kontrollü •Denetlene -bilir • difable • yeniden yüklenebilir Bu, kararlı davranış yaratır ve görünmez regresyonları önler. 5 / Bir yargıçla model bir konsorsiyum yürütüyorlar GPT + Claude + Gemini birbirinin yerine geçemez. Onlar işbirlikçi. Her biri bir taslak üretir. Bir akıl yürütme ajanı bunları birleştirir, çelişkileri çözer ve birleşik bir sonuç üretir. Yapılandırılmış tartışma, model rulet değil. 6 / İş akışı motorunu MCP katmanından ayırıyorlar Ayrılırlar: •Orkestrasyon • araç erişimi •Yeni -den deneme • sağlık kontrolleri •Ölçekleme • gözlemlenebilirlik Sonuç: mikroservis gibi davranan bir ajan sistemi, bantlı bir sohbet makrosu değil. 7 / Sonra gerçek bir üretim hattıyla her şeyi kanıtlıyorlar Tam haber ➝ analiz ➝ script ➝ akıl yürütme ➝ audio ➝ video ➝ GitHub PR sistemi. Tam diyagramlar. Tam izler. Gerçek başarısızlıklar. Gerçek çözümler. Bu alanın, gerçek dünya yükünden sağ çıkan ajanlar için kanonik bir mimariye en yakın şey. Eğer ajanınızın yığınında şunlar yoksa: • deterministik iş akışları • İzole sorumluluklar • dışa dönüş istemleri • Çok modelli tahkim • Uygun infra • tam gözlemlenebilirlik … Ajanlar inşa etmiyorsun. Demolar oluşturuyorsun. Bu rehber, üretim yapay zeka sistemleri için ilk gerçek plandır ve herkes için çıtayı yükseltir.

Vay canına... Bu makale, bu yıl boyunca LLM'leri nasıl kullandığımızda en önemli değişim olabilir. "Büyük Dil Modellerinden Büyük Nedensel Modeller." Bu, tam nedensel modelleri doğrudan bir LLM'den geliştirebileceğinizi gösteriyor; yaklaşılmalar, vibes, gerçek nedensel grafikler, karşı gerçekler, müdahaleler ve kısıtlamalı yapılar değil. Ve bunu yapma şekli çılgın: Uzmanlaşmış bir nedensel model eğitmek yerine, LLM'yi bir bilim insanı gibi sorgular: → metinden aday nedensel grafiği çıkarmak → modelden koşullu bağımsızlıkları kontrol etmesini istemek → çelişkileri tespit eder → yapıyı gözden geçirmek → karşı gerçekleri ve müdahalesel tahminleri test etmek → nedensel model stabil olana kadar yineleme Sonuç daha önce hiç yaşamadığımız bir şey: LLM içinde kendi gizli dünya bilgisini kullanan nedensel bir sistem. Ölçütlerde, sentetik, gerçek dünyada, karmaşık alanlarda bu LCM'ler, sadece yerel korelasyonlar yerine LLM'in büyük önceki bilgisinden yararlandıkları için klasik nedensel keşif yöntemlerini geride bırakıyor. Peki ya karşıt mantık nedir? Şaşırtıcı derecede güçlü. Model, standart algoritmaların tamamen başarısız olduğu "ya şöyle olsaydı" sorularını yanıtlayabilir; çünkü zaten bu algoritmaların sadece veriden çıkaramayacağı şeyleri zaten "biliyor". Bu makale, LLM'lerin sadece kalıp makineleri olmadığı bir geleceğe işaret ediyor. Bunlar, gerçekliğin yapısal açıklamalarını oluşturan, test eden ve geliştiren nedensel motorlar haline gelirler. Eğer bu ölçeklenirse, nedensel çıkarıma dayanan her alan – ekonomi, tıp, politika, bilim – yeniden yazılır. LLM'ler sadece ne olduğunu söylemez. Nedenini anlatacaklar.

Kimse bu Stanford makalesinin çok ajanlı yapay zeka hakkında ortaya çıkardığı şeylere hazır değil. "Çok Ajanlı Sistemlerde Gizli İş Birliği" adlı makale, ajanların mesajlara, protokollere veya açık ekip çalışması talimatlarına ihtiyaç duymadığını gösteriyor. Kendi gizli temsilleri içinde, yalnızca gizli uzayda var olan tam bir işbirliği katmanını koordine etmeye başlarlar. Ve davranışlar çılgınca: • Ajanlar, kimin daha iyi olduğuna göre sessizce görevleri devreder • Roller aniden lider, yürütücü, destekçi ortaya çıkıyor • Politikalar, eylemlerde hiç görünmeyen sinyalleri kodlar. • Ekipler yeniden eğitim olmadan yeni ortamlara uyum sağlar • İletişim imkansız olsa bile iş birliği istikrarlı kalır. En çılgın detay: Tüm iletişim kanallarını kaldırsanız bile, ajanlar yine iş birliği yapar. "Takım çalışması" mesajlarda yaşamıyor. Ağda yaşıyor. Bu, çoklu ajan kurallarını tamamen tersine çeviriyor. Üzerinde koordinasyon mekanizmaları inşa ediyoruz... gerçek koordinasyon ise altta gerçekleşiyor. Yeni bir ekip istihbaratı dönemi yaşıyor — ve bu, bizim bakmadığımız yerlerde gerçekleşiyor. Proje: github. com/Gen-Verse/LatentMAS