Çok Ajanlı Çerçeveler

LLM tabanlı çok etkenli çerçeveler — büyük dil modelleri (LLM) temelinde inşa edilmiş birden fazla özerk AI etkeninin, karmaşık görevleri birlikte çözmek amacıyla birbirleriyle etkileşime girebildiği yazılım platformlarıdır. Bu tür sistemlerde etken profillerinin çeşitliliğine, iletişime ve kolektif karar almaya önem verilir. Yaklaşım, her etkenin özelleşmiş bir rol üstlendiği ve aralarındaki mesaj alışverişinin insanların iş birliğini taklit ettiği grubun "kolektif zekasını" kullanır.

Bu sayede gerçek dünyanın karmaşık senaryoları modellenebilmekte ve tek bir zeki etkenin kapasitesini aşan görevler çözülebilmektedir. Çok etkenli LLM sistemleri; yazılım geliştirme, sosyal simülasyonlar, ekonomi oyunları ve siyasi tartışmaların modellenmesi gibi alanlarda başarılı sonuçlar sergilemeye başlamıştır.

Temel Çerçeveler ve Yaklaşımlar

Çok etkenli sistemlerin gelişimi, bunların oluşturulmasını ve araştırılmasını kolaylaştıran bir dizi açık kaynaklı çerçevenin ortaya çıkmasına yol açmıştır.

MetaGPT (2023)

"Montaj hattı" (assembly line) ilkesiyle iş birliğine odaklanan ilk açık kaynaklı çerçevelerden biri. MetaGPT, sisteme standart işletim prosedürleri (SOP) yerleştirir ve her etkene belirli bir rol atar (örneğin ürün yöneticisi, mühendis, test uzmanı). Bu yaklaşım, karmaşık bir görevi alt görevlere ayrıştırmayı ve bunları özelleşmiş etkenler arasında dağıtmayı sağlar; bu da karmaşıklığı ve halüsinasyon riskini azaltır.

CAMEL (2023)

CAMEL (Communicative Agents for "Mind" Exploration) çerçevesi, etkenlerin diyalog aracılığıyla özerk etkileşimine odaklanır. LLM etkenler arasındaki konuşmayı koordine ederek onları ortak bir hedefe yönlendirmek için inception prompting yöntemini önerir. Her etkene bir rol ve bağlam verilir; ardından etkenler doğal dilde iletişim kurarak kademeli olarak ortak bir çözüm üretir. CAMEL, doğrudan insan müdahalesi olmaksızın iş birliği gerektiren senaryolarda etkinliğini kanıtlamıştır.

AutoGen (2023)

Microsoft araştırmacıları tarafından geliştirilen, birden fazla LLM'nin iletişimine dayalı karmaşık uygulamalar oluşturmaya yönelik çok yönlü ve yapılandırılabilir bir çerçeve. AutoGen, etkenler arasındaki etkileşim mantığının hem kod aracılığıyla hem de doğal dilde programlanmasına olanak tanır. Harici araçlar ve API entegrasyonunu destekler; bu da onu yazılım geliştirmeden diyalog sistemleri oluşturmaya kadar geniş bir görev yelpazesi için uygun kılar.

AgentVerse (2023)

OpenBMB topluluğu tarafından etkenler arasındaki dinamik iş birliğini ve ortaya çıkan davranışları incelemek amacıyla geliştirilen açık kaynaklı bir platform. AgentVerse iki çalışma modu sunar:

1. Görev çözme (task-solving): Birden fazla LLM etkeni, karmaşık bir görevi yerine getirmek için (örneğin ortak yazılım geliştirme) bir ekip oluşturur.
2. Ortam simülasyonu (simulation): Kullanıcının sanal bir ortam tanımlamasına ve etken etkileşimlerini gözlemlemesine olanak tanır (örneğin bir sınıf ortamı veya mahkûm ikilemi simülasyonu).

Platform, yönetilebilir iletişim için standart ortam ve iletişim protokollerinin önemini vurgular.

CrewAI (2024)

LLM etkenlerinin iş süreçlerine ve veri analizine entegrasyonuna odaklanan bir çerçeve. CrewAI, etkenlerinin metin talimatları biçiminde tanımlanan adımları yürüttüğü ve harici araçları (Python sınıfları/fonksiyonları) kullanabildiği AI-Based Agents Workflow (AgWf) kavramını hayata geçirir. Bu, LLM'nin esnekliğini deterministik kodla birleştirerek karmaşık analitik senaryoların otomatikleştirilmesine olanak tanır.

LangGraph (2024)

LLM'lerle yapılan diyaloglarda durum ve bağlamı temsil etmek için grafik yapılarını kullanan deneysel bir çerçeve. LangGraph'ın temel özelliği, döngüsel iş akışlarını desteklemesidir. Bu sayede etkenler, ortak bir bilgi grafiği üzerinden veri alışverişi yapabilir, bilgiyi yinelemeli olarak arayabilir, güvenilirliğini değerlendirebilir ve yanıtları düzeltebilir; bu da özellikle zenginleştirilmiş bilgi tabanıyla bilgi arama (QA) görevlerinde oldukça kullanışlıdır.

Diğer Projeler

AutoGPT ve AgentGPT gibi deneysel projeler de geniş çevrelerin dikkatini çekmiştir; bu projeler bağımsız olarak hedef belirleyebilen, web araması yapabilen, kod çalıştırabilen ve dosyaları yönetebilen tam özerk AI etkenlerinin potansiyelini ortaya koymuştur. Bilimsel hakemlik sürecinden geçmemiş olsalar da bu projeler, gerçek anlamda bağımsız etkenler oluşturmak için planlama, bellek ve araç bileşenlerinin önemini vurgulamıştır.

Çok Etkenli Sistemlerin Uygulama Alanları

• Yazılım geliştirmenin otomatikleştirilmesi: LLM etken grupları yönetici, programcı ve test uzmanı rollerini üstlenerek yazılım projelerini birlikte planlar ve hayata geçirir. ChatDev araştırması, dört etkenlik bir ekibin görev tanımından teste kadar her aşamada diyalog kurarak birkaç dakika içinde basit bir uygulama oluşturabildiğini göstermiştir.
• Akıllı asistanlar: Microsoft 365 Copilot ve IBM Watsonx Orchestrate gibi kurumsal ürünler, karmaşık görevleri yerine getirmek için birden fazla etken kullanır: bir etken isteği işler, bir diğeri veritabanından gerçekleri çeker, üçüncüsü ise raporu hazırlar.
• Bilimsel araştırma: Etkenler hipotez üretmek ve eleştirmek amacıyla kullanılır. Guided Debate veya Self-Refine gibi yaklaşımlarda bir etken çözüm önerir, diğeri ise bunu değerlendirip düzeltir; bu da hata sayısının azaltılmasına yardımcı olur.
• Sosyal modelleme ve sanal dünyalar: Generative Agents adlı çığır açan projede kişilik ve belleğe sahip düzinelerce LLM etkeni küçük bir sanal kasabanın yaşamını taklit ederek inandırıcı sosyal etkileşimler sergilemiştir. Bu tür simülasyonlar; oyunlarda (gerçekçi NPC oluşturma), eğitimde ve sosyal bilimlerde kullanım alanı bulabilir.

Zorluklar ve Beklentiler

Elde edilen başarılara karşın çok etkenli sistemler bir dizi ciddi sorunla karşı karşıyadır:

• Halüsinasyonlar ve basamaklı hatalar: Bir etkenin yaptığı hata, zincir boyunca diğer etkenlere aktarılabilir; bu etkenler söz konusu hatayı kendi çıkarımlarına temel olarak kabul ettiğinde tüm grubun çalışması bozulmaktadır.
• Ölçeklenebilirlik ve kaynak yoğunluğu: LLM tabanlı her etken önemli miktarda hesaplama kaynağı gerektirir. Onlarca etkenin eş zamanlı çalışmasının sağlanması, zorlu bir teknik sorundur.
• Koordinasyon ve yönetim: Etken sayısı arttıkça kaos riski de artar. Etkenlerin etkileşimini yönetmek için iyi tasarlanmış "orkestrasyon" mekanizmalarına ihtiyaç duyulmaktadır.
• Değerlendirme ve test: Farklı çok etkenli çerçevelerin nesnel olarak karşılaştırılması için genel kabul görmüş benchmark'lar henüz mevcut değildir.

Gelecekte, etkenlerin yalnızca metin değil görüntü ve diğer veriler de alışveriş edebildiği daha verimli ve güvenli çok modlu sistemlerin ortaya çıkması beklenmektedir. Reinforcement Learning'in benimsenmesi, etken gruplarının zaman içinde daha iyi koordinasyon sağlamasını ve "kolektif zeka" etkisine ulaşmasını öğretebilir. Sonuç olarak çok etkenli çerçeveler, çok sayıda özelleşmiş "zihnin" birlikte çalıştığı daha esnek ve güçlü AI sistemleri oluşturmanın yolunda atılmış önemli bir adımdır.

Literatür

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.

Kaynakça

• Derleme makalesi: Large Language Model based Multi-Agents (2024)
• Derleme makalesi: LLMs Working in Harmony (2025)