Başsız (Headless) Ajan Koşucuları, Dallanmış Bağlam ve Otonom Sistemlerde Yanlışlanabilirlik İlkesi

Çoklu ajanlı yapay zeka sistemleri üretim ortamında neden çöküyor (MAS başarısızlık taksonomisi)?

Çoklu ajan sistemleri (Multi-Agent Systems — MAS) laboratuvar demolarında etkileyici görünse de, gerçek üretim iş yüklerinde yüksek oranda başarısızlık sergiler. Cemri ve ark. (2025, MAST taksonomisi) tarafından incelenen 150'den fazla çoklu ajan izi, çöküşlerin tekil model zekasından ziyade mimari koordinasyon kusurlarından kaynaklandığını kanıtlamıştır. Başarısızlıklar üç ana kümede toplanır: (1) Görev tanımı ve rol sınırlarının belirsizliği nedeniyle ajanların birbirinin işini ezmesi (yarış koşulu / race condition), (2) Ajanlar arası mesajlaşmada bağlamın her adımda bozulması (conversational drift), ve (3) Görevin bittiğini denetleyen bağımsız bir deterministik doğrulama kapısının bulunmaması.

Uzun metnin ortasındaki bilgi kaybolur mu ("Lost in the Middle") ve dallı bağlam mimarisi bunu nasıl çözer?

Modellerin bağlam penceresinin 1 milyon token seviyesine çıkması, bu pencere içindeki her bilginin eşit ağırlıkla hatırlanacağı anlamına gelmez. Liu ve ark. (2024, Transactions of the Association for Computational Linguistics), dil modellerinin bilgi geri çağırma başarısının U şeklinde bir eğri izlediğini göstermiştir: Bağlamın en başındaki (primacy bias) ve en sonundaki (recency bias) kurallar yüksek doğrulukla işlenirken, uzun bir geçmişin tam ortasında kalan kritik kısıtlar unutulmaktadır ("Lost in the Middle").

Dallı bağlam (branched context) mimarisi bu sorunu kökünden çözer: Tüm geçmişi tek bir devasa metin yığını olarak her turda modele beslemek yerine, sistem durumunu konu bazlı modüler dallara (ör. mimari omurga, güvenlik kapıları, başsız koşu kuralları, SEO kümeleme) ayırır ve her başsız işçiye yalnızca o görevin gerektirdiği 4 ile 12 kilobaytlık yüksek yoğunluklu çekirdek paketi enjekte eder.

Çoklu ajan sistemlerinde bağlam kaybı ve kqueue olay-güdümlü kanca mimarisi nasıl çalışır?

Geleneksel ajan orkestraları "her N saniyede bir dosyayı oku" (polling / yoklama) döngüsüyle çalışır; bu yaklaşım hem CPU ve token kotasını tüketir hem de iki sürecin aynı anda tetiklenmesine yol açar. ATLAS mimarisinde ise BSD/macOS çekirdek düzeyindeki kqueue (EVFILT_VNODE, NOTE_WRITE) olay bildirimi ve fcntl.flock(LOCK_EX | LOCK_NB) tekil süreç kilidi kullanılır. Ortak görev veriyoluna (event-bus.jsonl) yeni bir emir satırı eklendiği milisaniyede çekirdek ilgili koşucuyu sıfır yoklama maliyetiyle uyandırır ve tek-yazıcı kilidi sayesinde yarış koşulunu sıfırlar.

Başsız (headless) ajan koşucularında yanlışlanabilirlik kapısı hatalı dağıtımı nasıl engeller?

Başsız koşucular (headless workers) çıktıyı doğrudan canlı sunucuya basma yetkisine sahip değildir (CANLI_DEPLOY_YASAK = True). Üretilen her kod veya içerik önce yerel çalışma alanında deterministik selftest ve bağımsız denetçi kapısından geçer; ancak kanıt dosyası ve SHA kilidi doğrulandıktan sonra yayın katmanına alınır.

Etkileşimli orkestra sekmesi ile başsız işçi süreçleri arasında görev dağıtımı (split-merge) nasıl dengelenir?

Tek bir etkileşimli IDE oturumunda yüzlerce dosya düzenleme ve test adımını ardışık çalıştırmak, hem bağlam penceresini hızla şişirir hem de gecikmeyi (latency) katlar. Bunun yerine böl-ve-birleştir (split-merge) mimarisinde ana orkestra sekmesi yalnızca mimari planı ve hedef şemasını üretir; çoklu site veya çoklu dosya işlemlerini başsız alt işçilere paralel olarak dağıtır ve her işçiden dönen JSON kanıt paketlerini deterministik denetçi kapısında birleştirir. Böylece ana oturumun bağlam bütçesi temiz kalırken üretim hızı doğrusal olarak ölçeklenir.

Sıfır-efor otomatik devir (handover) mimarisi oturumlar arası amneziyi nasıl engeller?

Uzun soluklu mühendislik projelerinde en büyük verim kaybı, bir sohbet oturumu dolup yeni bir oturum açıldığında önceki kararların, açık görevlerin ve son yapılan değişikliklerin unutulmasıdır (oturum amnezisi). Sıfır-efor otomatik devir sisteminde ise her görev tamamlandığında arka planda çalışan deterministik bir kanca betiği (0 LLM maliyetiyle) görev veriyolunun son durumunu, açık işler listesini ve sistem sağlık özetini kompakt bir bağlam paketine (ATLAS_BAGLAM_PAKETI.md) mühürler. Yeni açılan ajan oturumu ilk turda yalnızca bu birkaç kilobaytlık özeti okuyarak saniyeler içinde tam bağlamla görevi devralır.

Bu mimari sayesinde sistem, tek bir uzun ve kırılgan sohbet geçmişine bağımlı kalmaktan kurtulur; herhangi bir süreç çökse veya bağlam penceresi dolsa bile durum bilgisi (state) disk üzerindeki append-only olay kütüğünde (event-bus.jsonl) ve dallı bağlam ağaçlarında kayıpsız yaşar. Mühendislik güvenilirliği böylece modelin geçici çalışma belleğinden (RAM benzeri dikkat penceresinden) çıkarılıp deterministik dosya sistemi omurgasına taşınır.

Birincil Hakemli Literatür Kaynakları

• Liu NF ve ark. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics (TACL), arXiv:2307.03172, DOI: 10.1162/tacl_a_00638.
• Cemri M ve ark. (2025). Why Do Multi-Agent LLM Systems Fail? arXiv preprint, arXiv:2503.13657, DOI: 10.48550/arXiv.2503.13657.
• Yao S ve ark. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR, arXiv:2210.03629.

Uzun Dönem Klinik ve Metodolojik Sentez: Kapsamlı literatür bulguları ve çok merkezli izlem verileri birlikte değerlendirildiğinde, başarılı bir protokolün yalnız ilk uygulama anındaki estetik veya işlevsel çıktıyla değil, yıllar içindeki biyolojik, mekanik ve bilişsel kararlılıkla ölçüldüğü görülür. Bu doğrultuda başlangıç teşhisi, kanıta dayalı parametre seçimi, koruyucu idame adımları ve periyodik doğrulama kontrolleri birbirinden ayrılmaz bir bütün olarak kayıt altına alınmalı; her aşamada şeffaf, tekrarlanabilir ve yanlışlanabilir ölçütler esas alınmalıdır. Özellikle vaka bazlı bireysel değişkenlerin standart protokollerle dengelenmesi, olası komplikasyonların erken evrede saptanmasını ve uzun vadeli sağkalım oranlarının en üst düzeyde korunmasını sağlar.