Multi-agent prompting (TR)

Çok etmenli yönlendirme (İng. multi-agent prompting) — büyük dil modellerine (LLM) dayanan birden fazla özerk etmenin, yapılandırılmış yönerge ve yanıt alışverişi yoluyla karmaşık görevleri çözmek amacıyla birbirleriyle etkileşime girdiği; prompt mühendisliği ve yapay zeka sistemlerinde kullanılan bir yöntemdir.

Başka bir deyişle, çok etmenli bir sistem, karmaşık bir kullanıcı sorgusunu birlikte ele alan ve akıl yürütme aşamalarını (subtasks) farklı "rollere" ve yetkinliklere sahip etmenler arasında dağıtan birden fazla LLM etmeninden oluşur. Bu yaklaşımın temel amacı, kolektif çözüm aracılığıyla tek bir modelin karmaşık görevlerdeki sınırlamalarını aşmaktır. Birden fazla etkileşen etmenin kullanılması; akıl yürütme kalitesini, olgusal doğruluğu ve yanıt güvenilirliğini artırmayı hedefler. Önemli bir özellik, katı yönerge yapısıdır: her LLM'ye genel çözüm şeması içinde belirli bir rol veya görev atanır.

Yöntemler ve Mimari Desenler

Araştırmacılar, etmenler arasındaki etkileşim biçimleri ve rolleri bakımından birbirinden farklı çeşitli çok etmenli yönlendirme şemaları önermiştir.

Rol Tabanlı Uzman Modelleme

Bir veya birden fazla etmen, dar bir uzmanlık alanına sahip alan uzmanı olarak atanır. Örneğin, çok etmenli bir grupta farklı etmenler farklı bilgi alanlarını (fizikçi, kimyacı, biyolog) ya da görev çözümünün farklı aşamalarını (planlayıcı, uygulayıcı, eleştirmen) temsil edebilir. Bu yaklaşım, her uzman etmenin kendi alanına özgü gösterim örnekleri aldığı etkili bir few-shot yönlendirmenin hayata geçirilmesine olanak tanır ve genel performansı iyileştirir.

Öz Düzeltme ve Eleştiri (Self-reflection)

Bir etmen, başka bir etmenin çözümlerini ya da kendi önceki yanıtlarını değerlendirmek için "eleştirmen" rolünü üstlenebilir. Self-reflection veya self-refinement stratejisinde LLM önce bir yanıt üretir, ardından aynı ya da farklı bir model bu yanıtı analiz ederek hataları düzeltir. Bu sayede nihai sonuç yinelemeli biçimde iyileştirilebilir.

Etmenler Arası Tartışma

Çok etmenli yönlendirmenin rekabetçi bir çeşidi olup birden fazla LLM arasında tartışma veya müzakere düzenlenmesini içerir. LLM-Debate şemasında iki veya daha fazla etmen bir görevin (örneğin matematiksel bir sorunun) doğru yanıtını tartışır ve birbirlerinin argümanlarını eleştirir. Bu tartışma biçimi, modelin mantıksal akıl yürütme yeteneğini güçlendirir ve tek başına bir çözüme kıyasla yanıtların olgusal doğruluğunu artırır.

Planlama ve Görev Ayrıştırma

Bir etmen planlayıcı işlevi üstlenerek karmaşık bir sorguyu, kendisi veya diğer etmenler tarafından çözülecek bir adım ya da alt görev dizisine böler. ReAct ve Reflexion gibi yöntemler, geri beslemeli yinelemeli planlama ilkesini hayata geçirir. LLM, çözüme geçmeden önce bir çözüm planı oluşturur; bu da uzun akıl yürütme zincirlerinin üstesinden gelinmesine yardımcı olur.

Çok Kişilikli İş Birliği

Farklı modeller kullanmak yerine, aynı LLM'yi farklı kişisel tutumlar veya bakış açılarına sahip birden fazla etmeni "canlandırması" için kullanmak mümkündür. Multi-persona self-collaboration yaklaşımında tek bir model, diyalog süresince sırayla birden fazla rolü üstlenir ve sanki kendi kendisiyle tartışır. Araştırmalar, bağımsız ayrı etmenlerin daha yüksek verimlilik sağladığını gösterse de bu yöntem, tek bir LLM içinde bir uzman ekibini simüle etmeye olanak tanır.

Uygulama Alanları ve Sonuçlar

Çok etmenli yönlendirme yaklaşımı, tek başına kullanılan LLM'lerin daha önce güçlük yaşadığı çeşitli alanlarda etkinliğini kanıtlamıştır.

Matematiksel ve Mantıksal Akıl Yürütme

Birden fazla etmenin kullanılması, çok adımlı çıkarım gerektiren görevlerde (karmaşık aritmetik, matematiksel ispat, mantık bulmacaları) doğruluğu belirgin biçimde artırır. Du ve diğerlerinin (2023) çalışmasında çok etmenli "tartışma" yaklaşımı, tek etmenli çözüme kıyasla sonuçları iyileştirmiştir. Analizler, tartışmaya katılan etmen sayısı arttıkça yanıt doğruluğunun da yükseldiğini ortaya koymaktadır.

Bilimsel ve Teknik Görevler

Karmaşık alan sorunları (fizik, kimya) için farklı rollere (uzmanlar) sahip birden fazla LLM etmeninin çeşitli akıl yürütme stratejilerini paralel olarak uyguladığı CoMM (Collaborative Multi-Agent, Multi-Reasoning-Path Prompting) yöntemi önerilmiştir. Üniversite düzeyindeki fizik görevlerinde yapılan deneylerde CoMM, chain-of-thought gibi temel yaklaşımları belirgin biçimde geride bırakmış ve formüller ile hesaplamalarda daha az hata yapmıştır.

Kod Üretimi ve Hata Ayıklama

Programlama alanında çok etmenli sistemler, kod kalitesini iyileştirmek ve hata sayısını azaltmak amacıyla kullanılmaktadır. PromptV sistemi, Verilog kodu yazmak, incelemek ve düzeltmek için birden fazla etmeni sıralı biçimde kullanır. Rollerin dağıtılması (üretim, inceleme, test), modelin hataları tespit etme ve düzeltme yeteneğini geliştirmiş; bunun sonucunda bir benchmark'ta başarıyla derlenen çözümlerin oranı %96,5e yükselmiştir.

Bilgi Arama ve Analiz

Çok etmenli sistemler, açık uçlu ve kötü yapılandırılmış sorgular için özellikle faydalıdır. Anthropic, web araştırmaları için tasarlanmış Claude modelinde çok etmenli bir mod geliştirmiştir. Bu sistemde baş etmen sorguyu analiz eder ve her biri konunun farklı yönlerinde arama yapan birden fazla paralel alt görev etmeni oluşturur. Bu mimari, karmaşık arama sorularını tek bir Claude modeliyle kıyaslandığında %90 daha başarılı biçimde yanıtlamıştır.

Metin Sınıflandırma ve NLP Görevleri

NLP görevleri için ilke tabanlı yönlendirme (Principle-Based Prompting) geliştirilmiştir. Bu yöntemde LLM etmenleri önce bir "ilkeler" (çözüm kuralları) kümesi oluşturur, ardından bir son işlem etmeni bunların en iyilerini seçer ve bu ilkelere dayanarak başka bir etmen sınıflandırma yapar. Bu yaklaşım, temel yöntemlere kıyasla macro-F1 ölçütünü %1,5–19 oranında iyileştirmiş ve kalite bakımından klasik few-shot öğrenmeye yaklaşmıştır.

Sınırlamalar ve Sorunlar

Hesaplama Karmaşıklığı ve Maliyetler

Temel dezavantaj, keskin biçimde artan hesaplama yüküdür. Her etmen kendi üretim oturumunu gerektirir; bu da önemli ölçüde token ve kaynak tüketimine yol açar. Anthropic verilerine göre sistemleri, diyalog başına ortalama 4 kat daha fazla token tüketmekte ve bazı durumlarda bu oran 15 kata kadar çıkabilmektedir. Bu durum, söz konusu yaklaşımın yalnızca yüksek değerli görevler için uygulanmasını haklı kılar.

Tasarım ve Koordinasyon Karmaşıklığı

Başarılı bir çalışma için titiz bir prompt mühendisliği ayarlaması gerekmektedir: her etmenin rolü, mesaj alışveriş biçimi ve durdurma kriterleri açıkça tanımlanmalıdır. Aksi takdirde etmenler işleri yineleyebilir, sonsuz bir arama döngüsüne girebilir ya da işe yaramaz alt görevler oluşturabilir.

Güvenlik ve Güvenilirlik

Yeni saldırı vektörleri ortaya çıkmaktadır. Araştırmacılar, bir etmenden gelen kötü amaçlı bir yönerge parçasının diğer etmene iletilerek akıl yürütme zinciri boyunca virüs gibi yayıldığı Prompt Infection (prompt enfeksiyonu) olgusunu ortaya koymuştur. Bu LLM-to-LLM saldırısı, çok etmenli sistemlerin gizli enjeksiyon ve manipülasyonlara karşı savunmasızlığını göstermekte; bu da her etmenin çıktısının etiketlenmesi (LLM Tagging) gibi özel koruma önlemlerinin geliştirilmesini zorunlu kılmaktadır.

Dış bağlantılar

• "How we built our multi-agent research system" — Anthropic'ten ayrıntılı inceleme
• "More Agents Is All You Need" — etmen topluluklarının etkinliği üzerine bilimsel makale

Kaynakça

• Chen, P. et al. (2024). CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving. arXiv:2404.17729.
• Li, J. et al. (2024). More Agents Is All You Need. arXiv:2402.05120.
• Mi, Y. et al. (2024). PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation. arXiv:2412.11014.
• Wei, P. et al. (2024). Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification. arXiv:2502.07165.
• Lee, D.; Tiwari, A. (2024). Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems. arXiv:2410.07283.
• Fernando, C. et al. (2023). PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution. arXiv:2309.16797.
• 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.
• Li, G. et al. (2024). Multi-LLM Debate: Framework, Principles, and Interventions. PDF.
• Du, N. et al. (2023). Improving Factuality and Reasoning in Language Models through Multi-Agent Debate. arXiv:2305.14325.