LLM Ajanlarının Deneyimle Evrimleşmesi İçin Yeni Bir Çerçeve: SAGA Tanıtıldı

Yapay zeka araştırmacısı Bowen Ye ve meslektaşları, büyük dil modeli (LLM) tabanlı ajanların etkileşimli ortamlardaki öğrenme ve adaptasyon sınırlarını genişletmeyi amaçlayan yeni bir çerçeve olan SAGA'yı (Self-evolving Agents through Experience-Grounded Abstraction) tanıttı. 3 Ekim 2026 tarihinde arXiv üzerinde yayımlanan makale, yapay zeka ajanlarının karşılaştığı en temel kısıtlamalardan biri olan deneyimden sürekli evrilememe sorununa yenilikçi bir yaklaşım getiriyor.

Günümüzdeki yapay zeka ekosisteminde, LLM ajanları dinamik ortamlarda güçlü yetenekler sergilese de, karşılaştıkları yeni durumlardan kalıcı olarak ders çıkarma süreçleri hâlâ sınırlı kalıyor. İnce ayar (fine-tuning) yöntemleri adaptasyon sağlasa da, model parametrelerine doğrudan erişim gerektirmesi ve yüksek hesaplama maliyetleri, özellikle büyük ölçekli ve kapalı kaynaklı modeller için esnekliği ortadan kaldırıyor. Harici hafıza sistemleri ise parametre değişikliği gerektirmese de, genellikle elde edilen bilgiyi belirli görevler ve bağlamlarla sıkı bir şekilde sınırlandırarak genelleme kabiliyetini zayıflatıyor.

Deneyimi Soyut Bilgiye Dönüştürmek: SAGA Nasıl Çalışıyor?

SAGA çerçevesi, somut etkileşim yörüngelerini aşamalı olarak epizodik açıklamalara, yeniden kullanılabilir prosedürlere ve açık uygulanabilirlik koşullarına sahip ilkelere dönüştürerek bu engeli aşmayı hedefliyor. Sistem, yürütme kanıtlarıyla (execution evidence) olan bağlarını koruyarak bilgi mimarisini sürekli güncelliyor.

Çerçevenin merkezinde bir yürütme-soyutlama geri bildirim döngüsü yer alıyor. Sistem tarafından alınan ilkeler, göreve özgü rehberlik unsurlarına dönüştürülüyor ve aday eylemler düzeltici geri bildirimler ile yeniden örnekleme süreçleri (resampling) aracılığıyla rafine ediliyor. Bu sayede biriken bilgi gelecekteki etkileşimlere rehberlik ederken, yeni deneyimler de hiyerarşik hafızayı eş zamanlı olarak güncelliyor.

Araştırmacılar, SAGA'yı ScienceWorld ve ALFWorld gibi standart ortamlarda test etti. Elde edilen deneysel sonuçlar, görev performansında belirgin bir iyileşme olduğunu gösterirken; ablasyon çalışmaları, bağlamsal örnekleme ve eylem düzenlemesinin ilke düzeyindeki bilginin etkin kullanımı açısından kritik bir rol oynadığını ortaya koydu.

Agentic AI Ekosisteminde Genişleyen Otonomi Arayışı

SAGA'nın duyurulduğu dönem, yapay zeka dünyasında otonom ajanların (agentic AI) endüstriyel ve kurumsal kullanım alanlarına entegre edildiği yoğun bir döneme denk geliyor. Google'ın Gemini altyapısını işletmeler için otonom görevler yürütebilecek ajan yetenekleriyle donatması, NVIDIA ve Microsoft'un Windows bilgisayarlar için yerel yapay zeka ajanlarını ortak mühendislikle geliştirilen donanım ve yazılımlarla buluşturması, sektörün genel yönelimini gözler önüne seriyor.

Aynı dönemde arXiv üzerinde yayımlanan AegisFlow ve GameGo gibi çalışmalar da, ajanların sadece talimat alan pasif araçlar olmaktan çıkıp, karmaşık iş akışlarını denetleyen, hataları onaran ve dinamik olarak evrilen sistemlere dönüştüğünü doğruluyor. SAGA, parametre maliyetlerine takılmadan deneyimden soyut prensipler üretebilme yeteneğiyle, bu geniş ajan ekosisteminin teorik ve pratik altyapısına önemli bir katkı sunuyor.