ReAct ajan deseni: akıl yürütmeyi eylemle iç içe yürütmek
ReAct deseninin yapay zeka ajanını nasıl çalıştırdığını, düşünce, eylem ve gözlem döngüsünün neyi çözdüğünü, hangi durumlarda zayıf kaldığını ve JavaScript kütüphanesi React ile ilgisi olmadığını öğrenirsiniz.
Bir bakışta
- ReAct, Reason ve Act sözcüklerinden gelir. Dil modeli akıl yürütme izlerini ve göreve özgü eylemleri sırayla üretir.
- Akış düşünce, eylem ve gözlem döngüsüdür. Model düşünür, bir araç çağırır, sonucu gözlemler ve bu sonuca göre yeniden düşünür.
- Dış bilgiye dayanmak halüsinasyonu azaltır. Düşünce zinciri yalnız modelin iç bilgisine dayanırken ReAct arama gibi eylemlerle dış kaynaktan bilgi alır.
- Arama başarısızsa akıl yürütme de bozulur. Bilgi vermeyen bir arama sonucu, modelin düşüncesini yoldan çıkarabilir.
ReAct nedir?
ReAct, Reasoning and Acting, yani akıl yürütme ve eylem sözcüklerinden türeyen bir ajan desenidir. Büyük dil modelinden iki şeyi birlikte, sırayla üretmesi istenir: bir akıl yürütme izi ve göreve özgü bir eylem. Desen, akıl yürütme ile eylemin daha önce çoğunlukla ayrı ayrı ele alındığı bir dönemde, ikisini birleştiren bir yöntem olarak önerilmiştir.
Önemli bir ayrım: ReAct, JavaScript'te arayüz kuran React kütüphanesiyle ilgili değildir. Yalnız adı benzer. Burada konu, bir dil modelinin bir ajan gibi çalışmasını sağlayan istem ve akış desenidir.
Düşünce, eylem, gözlem döngüsü
Her turda model önce bir düşünce yazar: görevin durumunu özetler, bir sonraki adımı planlar, önceki gözlemden önemli kısmı çıkarır. Ardından bir eylem seçer, örneğin bir kaynakta arama yapmak. Eylemin sonucu modele gözlem olarak geri verilir. Gözlem, bir sonraki düşünceyi besler ve döngü, model yanıtı vermeye karar verene kadar sürer.
Kurgusal bir örnek: bir müşteri hizmetleri ajanına bir siparişin neden hâlâ gelmediği soruluyor.
- Düşünce: önce siparişin durumunu öğrenmem gerekiyor.
- Eylem: sipariş sisteminde sorgu yap.
- Gözlem: sipariş kargoya verilmiş, ancak teslim kaydı yok.
- Düşünce: şimdi kargo takip bilgisine bakmalıyım.
- Eylem: kargo kaydını sorgula.
- Gözlem: paket dağıtım merkezinde bekliyor.
- Düşünce: yeterli bilgi var, müşteriye durumu açıklayabilirim.
Bu akışta her adım bir öncekine bağlıdır; plan, çalışırken gelen bilgiyle güncellenir.
Her gözlem bir sonraki düşünceyi besler
ReAct döngüsü
- DüşünceDurumu özetle, planı güncelle
- EylemBir araç çağır ya da yanıtı bitir
- GözlemOrtamdan dönen sonucu al
Neden işe yarar?
Yalnız düşünce zincirine dayanan yaklaşımda model, kendi iç bilgisiyle akıl yürütür ve dış dünyaya bağlı değildir. Bu, olgu uydurmaya ve hatanın akıl yürütme boyunca büyümesine yol açabilir. ReAct'te model arama gibi eylemlerle dış kaynaktan bilgi alır, yani akıl yürütmesi dış gözlemlere dayanır.
Özgün çalışma, soru yanıtlama ve olgu doğrulama görevlerinde basit bir Wikipedia arayüzüyle ReAct'in halüsinasyonu ve hata yayılımını azalttığını, ayrıca insanlar için daha yorumlanabilir görev çözüm izleri ürettiğini bildirir. Etkileşimli ortam görevlerinde ise çok az örnekle verilen istemlerle öğrenme yöntemlerini geride bıraktığını söyler. Kurulum için çok sayıda örnek toplamak gerekmez; örnekler, düşünce, eylem ve gözlemin birlikte yazıldığı insan izleridir.
Sınırları ve birlikte kullanım
ReAct'in yapısal kısıtı, akıl yürütme adımlarının esnekliğini azaltabilir. Makale, bu yüzden bazı görevlerde düşünce zincirinden daha fazla akıl yürütme hatası görüldüğünü, modelin aynı düşünce ve eylemi tekrarlayarak döngüde kalabildiğini kaydeder. Bir de arama sonucunun bilgi vermemesi, modelin akıl yürütmesini bozar ve toparlanmasını zorlaştırır. Yani desenin kalitesi, kullandığı aracın kalitesine bağlıdır.
Bu nedenle makalede en iyi sonuç, ReAct ile düşünce zincirinin birleşiminden gelmiştir: model hem iç bilgisini hem dışarıdan edindiği bilgiyi kullanır. Uygulamada da benzer bir tutum yaygındır: eylem sayısını sınırlamak, döngü tekrarlarını yakalamak ve araç hatalarında modele açık geri bildirim vermek gerekir.
Ajan programlarında yeri
ReAct, ajan tabanlı sistemlerin temel kavramlarından biridir. Mindset'in Python ile Yapay Zekâ Ajanları (AI Agent) Geliştirme Eğitimi ajan dünyasının temellerini ve ajanları araçlarla donatmayı ele alır. Prompt Mühendisliği: Kurumsal Verimlilik Programı ise gelişmiş prompt tekniklerini içerir; düşünce zinciri gibi teknikler ReAct'in arkasındaki fikri anlamaya yardımcı olur.
İlgili Mindset programı
Python ile Yapay Zekâ Ajanları (AI Agent) Geliştirme Eğitimi
Sık sorulan sorular
ReAct ile React kütüphanesi aynı şey mi?
Hayır. React, kullanıcı arayüzü kurmak için kullanılan bir JavaScript kütüphanesidir. ReAct ise büyük dil modellerinde akıl yürütmeyi ve eylemi birleştiren bir istem ve ajan desenidir. İkisi yalnızca yazım olarak benziyor.
ReAct düşünce zincirinden nasıl ayrılır?
Düşünce zincirinde model yalnızca iç bilgisiyle ara adımlar yazar ve dış dünyadan veri almaz. ReAct'te akıl yürütme, araç çağıran eylemlerle ve onlardan dönen gözlemlerle iç içedir. Bu, bilgiyi güncel tutmayı ve doğrulamayı mümkün kılar.
ReAct için mutlaka araç gerekir mi?
Eylemin anlamlı olması için bir ortam ya da araç gerekir: arama, veritabanı sorgusu, hesaplama, API çağrısı gibi. Araç yoksa desen düşünce zincirine yaklaşır. Hangi araçların verileceği ve hangi yetkilerle verileceği tasarımın önemli kararlarındandır.
ReAct tek başına yeterli bir ajan mimarisi midir?
Hayır. ReAct bir akış desenidir; bellek, hata yönetimi, izleme ve güvenlik gibi konular ayrıca tasarlanır. Birçok ajan sistemi ReAct benzeri döngüyü çekirdek olarak kullanır ama etrafına bu katmanları ekler.