CGAP: LLM Ajanları İçin Mantıklı Plan Yapma

LLM tabanlı ajanlar günümüzde çok araç kullanıyor, API'ler, veri kaynakları, diğer ajanlar, ama bu araçları doğru sırayla çağırmak hâlâ zor. Tipik sistemler deneme-yanılma yöntemiyle çalışır; ajant bir araç çağırır, sonuç alır, sonra bir sonraki adımı karar verir. Bu yaklaşım yavaş, hatalı ve öngörülemez sonuçlar verebilir.

Capability-Grounded Agentic Planning (CGAP) bu sorunu farklı çözer. Sistem, isteğin ne gerektirdiğini ve araçların ne sunduğunu analiz ederek başlıyor. Araç kataloğu PDDL (Planning Domain Definition Language) formatına dönüştürülüyor, bu, klasik planlama algoritmalarının anlayabileceği bir dil. LLM isteği hedeflere çeviriyor, klasik planlayıcı ise bu hedefleri karşılayan bir plan oluşturuyor.

Asıl akıllı kısım şu: araç çıktıları önceden bilinmediği için plan soyut kalıyor. Sistem hangi girdilerin mevcut olduğunu takip ediyor, ama kesin değerlerini değil. Yürütme sırasında LLM, bu soyut plana uygun somut araç çağrıları ekliyor. Kontrol mekanizması, planı bozacak herhangi bir çağrıyı reddediyor., her argüman bir kaynaktan (sohbet geçmişi, önceki araç yanıtı) alınıyor ve hiçbir veri havadan alınmıyor.

Praktik açıdan bu, ajantların daha güvenilir ve takip edilebilir olması anlamına geliyor. Geliştiriciler, sistemin neden belirli bir adımı attığını görebiliyor çünkü plan açık. Hata ayıklama daha kolay, ve ajantlar kötü araç kombinasyonlarına düşmüyor. Karmaşık, çok adımlı işlemlerde, örneğin müşteri verilerini sorgulamak, API'den veri almak, sonucu işlemek, bu disiplini sağlamak zamandan ve hata gidermeden tasarruf ediyor.

Bu, henüz araştırma aşamasında bir yaklaşım ama LLM ajan sistemlerinin daha güvenilir hale gelmesi için önemli bir adım. Eğer sen de üretim ortamında LLM ajanlarıyla çalışıyorsan, bu tür planlama stratejileri bakılmaya değer.