Meta’nın Scale konferansında Claude Code yaratıcısı Boris Cherny, izleyicilerin ilk sorusuna “Döngüler bir hype mı yoksa gerçek bir adım mı?” şeklinde yanıt verdi; cevabı kesin bir “evet” oldu. Çift yıl önce kodu elle yazar, sonra ajanların kod yazdığı bir aşamaya geçtik ve şimdi ajanların diğer ajanları tetikleyerek kod ürettiği bir sürecin eşiğindeyiz; bu geçiş, kaynak koddan ajanlara uzanan devrim kadar kritik bir adım.
Cerney, kendi projelerinde iki ajanı sürekli çalıştırdığını belirtti: biri kod mimarisini iyileştirme yollarını araştırıyor, diğeri tekrarlanan soyutlamaları birleştirerek birleşik bir yapı oluşturuyor; bu ajanlar herhangi bir geliştirici gibi pull request gönderiyor ve kod sürekli değiştiği için döngüyü hiç durdurmuyorlar. Kullanıcıların ajanları belirli hedeflerle yönlendirmesi, ilerlemeyi izlemeleri ve aşırı sapmayı engellemeleri gerektiği biliniyor; döngü ise bu ajan sürüsünü arka planda kesintisiz çalıştırarak güveni maksimuma çıkarıyor. Model performansı hızla iyileşirken, AI’nın gerçek iş süreçlerine entegrasyonu için bu adım kaçınılmaz görünüyor.
Bu konseptin kökeni yeni değil; giriş seviyesindeki bilgisayar bilimleri derslerinde, kendini çağıran ve çıkış koşulu olan recursive döngüler hâlihazırda öğretiliyor. Ancak burada döngü, belirli bir bitiş koşulu yerine, alt‑ajanların ne zaman duracağına karar verdiği bir mantık barındırıyor. AI aracılığıyla görevler otomatikleştirildikçe, bir AI’nın diğer AI’yı denetlediği bir döngü kaçınılmaz hâle geliyor. Geleneksel hesaplamalardan farklı olarak, ajan döngüleri çarpıcı derecede basit bir yapıya sahip; örneğin “Ralph Loop” modeli, tamamlanan işleri toplar ve hedefe ulaşılıp ulaşılmadığını kontrol eder, böylece model uzun süre yönünü kaybetmeden görevi bitirene kadar geri bildirim alır.
Bu döngüler aynı zamanda test aşamasında hesaplama gücünün artırılmasına yönelik bir strateji olarak da görülüyor. OpenAI araştırmacısı Noam Brown, güncel modellerin yeterli işlem gücü sağlandığında hemen hemen her problemi çözebildiğini vurguluyor; bu da problemi çözmek için yalnızca işlem gücünü artırarak döngüyü sürdürmenin mantıklı bir yol olduğunu gösteriyor. Kod tabanını iyileştirme gibi aşamalı (hill‑climbing) sorunlarda, model küçük iyileştirmeler yaparak istenen eşiğe ulaşana kadar çalışmaya devam edebilir. Ancak bu süreç token tüketimini klasik sohbet botlarından çok daha hızlı artırıyor ve maliyetler hızla yükseliyor.
Anthropic gibi token satışı odaklı firmalar için bu durum iş modeliyle uyumlu olsa da, diğer kullanıcılar için yüksek masraflı bir çalışma şekli olabilir. Yine de, çözülmek istenen problemin niteliği, token harcaması ve kayma gibi risklerin uygun denetim mekanizmalarıyla yönetilmesi durumunda, döngülerin sağlayacağı kazançlar maliyetleri aşabilir ve AI’nın gerçek iş süreçlerine entegrasyonunu yeniden tanımlayabilir.
Yorum Yap