Yapay zeka ajanlar\u0131, giderek daha karma\u015f\u0131k g\u00f6revleri yerine getirirken, ge\u00e7mi\u015f deneyimlerini hat\u0131rlama ve bu bilgilere dayanarak karar verme yetene\u011fine ihtiya\u00e7 duyuyor. Geleneksel olarak, bu t\u00fcr ajanlar i\u00e7in vekt\u00f6r veritabanlar\u0131 genellikle bilgi geri \u00e7a\u011f\u0131rma (retrieval) amac\u0131yla kullan\u0131l\u0131rken, bu makalede vekt\u00f6r veritaban\u0131n\u0131 ajan\u0131n do\u011frudan haf\u0131zas\u0131 olarak kullanman\u0131n yenilik\u00e7i yollar\u0131n\u0131 ke\u015ffedece\u011fiz. Bu yakla\u015f\u0131m, ajanlar\u0131n sadece bilgi aramakla kalmay\u0131p, deneyimlerinden s\u00fcrekli \u00f6\u011frenerek daha ki\u015fisel ve ba\u011flam a\u00e7\u0131s\u0131ndan zengin etkile\u015fimler kurmas\u0131n\u0131 sa\u011fl\u0131yor.<\/p>\n
Yapay zeka d\u00fcnyas\u0131nda, \u00f6zellikle b\u00fcy\u00fck dil modelleri (LLM – Large Language Model) tabanl\u0131 ajanlar i\u00e7in “Geri \u00c7a\u011f\u0131rma Destekli \u00dcretim” (RAG – Retrieval Augmented Generation) terimi olduk\u00e7a pop\u00fclerdir. RAG, bir dil modelinin, harici bir bilgi taban\u0131ndan (genellikle vekt\u00f6r veritaban\u0131nda depolanan belgeler) ilgili bilgileri \u00e7ekerek yan\u0131tlar\u0131n\u0131 zenginle\u015ftirmesini sa\u011flar. \u00d6rne\u011fin, bir soru-cevap botu, kullan\u0131c\u0131n\u0131n sorusuna en uygun belgeleri vekt\u00f6r veritaban\u0131ndan getirir ve bu belgeleri dil modeline ek ba\u011flam olarak sunar. Bu sayede model, kendi e\u011fitim verilerinde bulunmayan g\u00fcncel veya spesifik bilgilere eri\u015febilir.<\/p>\n
Ancak, RAG’\u0131n “haf\u0131za” olarak kullan\u0131m\u0131 belirli s\u0131n\u0131rlamalara sahiptir. RAG, genellikle anl\u0131k bir bilgi ihtiyac\u0131n\u0131 kar\u015f\u0131lamak \u00fczere tasarlanm\u0131\u015ft\u0131r. Yani, bir soru soruldu\u011funda, o soruya en uygun “ger\u00e7ekleri” veya “bilgi par\u00e7alar\u0131n\u0131” arar ve bunlar\u0131 modele sunar. Bu s\u00fcre\u00e7, bir ajan\u0131n zaman i\u00e7indeki deneyimlerini, \u00f6\u011frenmelerini, etkile\u015fim ge\u00e7mi\u015fini veya ki\u015fisel ba\u011flam\u0131n\u0131 s\u00fcrekli olarak hat\u0131rlamas\u0131n\u0131 ve bu bilgilere dayanarak adapte olmas\u0131n\u0131 sa\u011flamaz. Bir ajan\u0131n “haf\u0131zas\u0131” dedi\u011fimizde, genellikle sadece statik bilgileri de\u011fil, ayn\u0131 zamanda ajan\u0131n kendi i\u00e7sel durumunu, hedeflerini, \u00f6nceliklerini ve ge\u00e7mi\u015fteki eylemlerinin sonu\u00e7lar\u0131n\u0131 da i\u00e7eren dinamik bir yap\u0131y\u0131 kastederiz. RAG’da bu dinamizm ve ki\u015fisel deneyim birikimi genellikle eksiktir.<\/p>\n
D\u00fc\u015f\u00fcn\u00fcn ki bir m\u00fc\u015fteri hizmetleri botu geli\u015ftiriyorsunuz. Geleneksel RAG ile, bot, m\u00fc\u015fterinin sordu\u011fu \u00fcr\u00fcnle ilgili bilgileri veya s\u0131k\u00e7a sorulan sorular\u0131n cevaplar\u0131n\u0131 kolayca bulabilir. Ancak, ayn\u0131 m\u00fc\u015fteriyle daha \u00f6nce yap\u0131lan t\u00fcm etkile\u015fimleri (\u015fikayetler, sat\u0131n almalar, tercihler, hatta m\u00fc\u015fterinin ruh hali) “hat\u0131rlayarak” bir sonraki etkile\u015fimini \u015fekillendiremez. Her yeni etkile\u015fim, bot i\u00e7in neredeyse s\u0131f\u0131rdan ba\u015flar ve m\u00fc\u015fteri tekrar tekrar ayn\u0131 bilgileri vermek zorunda kalabilir. Bu durum, ki\u015fiselle\u015ftirilmi\u015f ve tutarl\u0131 bir kullan\u0131c\u0131 deneyimi sunman\u0131n \u00f6n\u00fcnde b\u00fcy\u00fck bir engel te\u015fkil eder.<\/p>\n
Benzer \u015fekilde, bir ki\u015fisel asistan ajan\u0131 d\u00fc\u015f\u00fcn\u00fcn. E\u011fer asistan, kullan\u0131c\u0131n\u0131n ge\u00e7mi\u015fteki randevular\u0131n\u0131, ilgi alanlar\u0131n\u0131, s\u0131k kulland\u0131\u011f\u0131 uygulamalar\u0131 veya belirli bir konudaki tercihini s\u00fcrekli olarak bir “haf\u0131za” olarak tutmazsa, her yeni istekte bu bilgileri yeniden \u00f6\u011frenmek zorunda kal\u0131r. \u00d6rne\u011fin, “Bug\u00fcn i\u00e7in bir plan yap” dedi\u011finizde, asistan\u0131n sadece takviminizi kontrol etmekle kalmay\u0131p, sizin ge\u00e7mi\u015fteki \u00e7al\u0131\u015fma al\u0131\u015fkanl\u0131klar\u0131n\u0131z\u0131, bo\u015f zaman aktivitelerinizi ve belirli g\u00fcnlerdeki tercihinizi de “hat\u0131rlayarak” size \u00f6zel bir plan sunabilmesi, ger\u00e7ek bir haf\u0131za sisteminin g\u00fcc\u00fcn\u00fc g\u00f6sterir. Geleneksel RAG, bu t\u00fcr derinlemesine, ki\u015fisel ve s\u00fcrekli \u00f6\u011frenen bir haf\u0131za yap\u0131s\u0131n\u0131 do\u011fal olarak desteklemez. Bu nedenle, ajanlar\u0131n daha ak\u0131ll\u0131, adaptif ve insan benzeri etkile\u015fimler kurabilmesi i\u00e7in geri \u00e7a\u011f\u0131rma mekanizmas\u0131n\u0131n \u00f6tesine ge\u00e7erek vekt\u00f6r veritabanlar\u0131n\u0131 do\u011frudan ajan\u0131n “beyni” veya “bilin\u00e7alt\u0131” olarak kullanma ihtiyac\u0131 ortaya \u00e7\u0131kmaktad\u0131r.<\/p>\n
Vekt\u00f6r veritabanlar\u0131n\u0131 ajan\u0131n haf\u0131zas\u0131 olarak kullanma fikrini anlamak i\u00e7in \u00f6ncelikle bu iki temel kavram\u0131 netle\u015ftirmemiz gerekiyor: Vekt\u00f6r Veritabanlar\u0131 ve G\u00f6mme (Embeddings).<\/p>\n
Vekt\u00f6r veritaban\u0131, ad\u0131ndan da anla\u015f\u0131laca\u011f\u0131 gibi, verileri y\u00fcksek boyutlu vekt\u00f6rler (say\u0131sal listeler) \u015feklinde depolamak ve y\u00f6netmek i\u00e7in tasarlanm\u0131\u015f \u00f6zel bir veritaban\u0131 t\u00fcr\u00fcd\u00fcr. Geleneksel veritabanlar\u0131 verileri tablolar, sat\u0131rlar ve s\u00fctunlar halinde veya belge tabanl\u0131 yap\u0131larla depolarken, vekt\u00f6r veritabanlar\u0131 her bir veri par\u00e7as\u0131n\u0131 (metin, resim, ses vb.) y\u00fczlerce veya binlerce say\u0131dan olu\u015fan bir vekt\u00f6r olarak saklar. Bu vekt\u00f6rler, verinin anlamsal \u00f6zelliklerini temsil eder.<\/p>\n
Bu veritabanlar\u0131n\u0131n en \u00f6nemli \u00f6zelli\u011fi, “benzerlik aramas\u0131” (similarity search) yapabilmeleridir. Yani, belirli bir sorgu vekt\u00f6r\u00fcne en benzer vekt\u00f6rleri (dolay\u0131s\u0131yla en benzer verileri) \u00e7ok h\u0131zl\u0131 bir \u015fekilde bulabilirler. Bu benzerlik genellikle kosin\u00fcs benzerli\u011fi (cosine similarity) gibi matematiksel y\u00f6ntemlerle hesaplan\u0131r. \u00d6rne\u011fin, “elma” kelimesinin vekt\u00f6r\u00fc ile “armut” kelimesinin vekt\u00f6r\u00fc birbirine \u00e7ok yak\u0131nken, “araba” kelimesinin vekt\u00f6r\u00fcne daha uzak olacakt\u0131r. Bu sayede, anlamsal olarak ili\u015fkili bilgileri saniyeler i\u00e7inde bulmak m\u00fcmk\u00fcn hale gelir.<\/p>\n
Pop\u00fcler vekt\u00f6r veritaban\u0131 \u00e7\u00f6z\u00fcmleri aras\u0131nda Qdrant, Pinecone, Milvus ve Chroma gibi se\u00e7enekler bulunur. Bu veritabanlar\u0131, b\u00fcy\u00fck \u00f6l\u00e7ekli vekt\u00f6r koleksiyonlar\u0131n\u0131 verimli bir \u015fekilde indeksleyebilir ve sorgulayabilir.<\/p>\n
G\u00f6mme (embedding), metin, g\u00f6r\u00fcnt\u00fc, ses veya di\u011fer karma\u015f\u0131k veri t\u00fcrlerini, bir makine \u00f6\u011frenimi modelinin anlayabilece\u011fi say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrme i\u015flemidir. Bu vekt\u00f6rler, orijinal verinin anlamsal ve ba\u011flamsal anlam\u0131n\u0131 yo\u011funla\u015ft\u0131r\u0131lm\u0131\u015f bir \u015fekilde temsil eder. Temel fikir \u015fudur: Anlamsal olarak benzer olan veriler, vekt\u00f6r uzay\u0131nda birbirine yak\u0131n noktalara e\u015flenir.<\/p>\n
\u00d6rne\u011fin, “kedi” ve “k\u00f6pek” kelimelerinin g\u00f6mmeleri vekt\u00f6r uzay\u0131nda birbirine yak\u0131n konumlan\u0131rken, “masa” kelimesinin g\u00f6mmesi daha uzak bir konumda olacakt\u0131r. Bu, kelimeler aras\u0131ndaki anlamsal ili\u015fkileri say\u0131sal olarak yakalamay\u0131 sa\u011flar. G\u00f6mme modelleri, genellikle derin \u00f6\u011frenme (deep learning) teknikleriyle e\u011fitilir ve \u00e7ok b\u00fcy\u00fck veri k\u00fcmelerinden \u00f6\u011frenme yaparak bu vekt\u00f6rleri \u00fcretirler.<\/p>\n
Metinler i\u00e7in en yayg\u0131n g\u00f6mme modellerinden baz\u0131lar\u0131 OpenAI’\u0131n \u00e7e\u015fitli modelleri (\u00f6rne\u011fin, Peki, bu kavramlar ajan\u0131n haf\u0131zas\u0131yla nas\u0131l ili\u015fkilendirilir? Ajan\u0131n deneyimleri, g\u00f6zlemleri, kararlar\u0131 ve i\u00e7 d\u00fc\u015f\u00fcnceleri metin format\u0131nda ifade edilebilir. Bu metinler daha sonra bir g\u00f6mme modeli kullan\u0131larak vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve bu vekt\u00f6rler bir vekt\u00f6r veritaban\u0131na kaydedilir. Ajan yeni bir durumla kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda veya bir karar vermesi gerekti\u011finde, mevcut durumu veya sorguyu da bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcr ve bu vekt\u00f6r\u00fc kullanarak haf\u0131zas\u0131ndaki en benzer deneyimleri bulur. Bu sayede, ajan\u0131n ge\u00e7mi\u015f deneyimlerinden “esinlenerek” veya “\u00f6\u011frenerek” daha bilin\u00e7li ve ba\u011flam odakl\u0131 kararlar almas\u0131 m\u00fcmk\u00fcn hale gelir. Bu, sadece bilgi aray\u0131\u015f\u0131ndan \u00f6te, ajan\u0131n kendi “kimli\u011fini” ve “deneyim setini” olu\u015fturan bir yap\u0131 sunar.<\/p>\n Vekt\u00f6r veritaban\u0131n\u0131 bir ajan\u0131n haf\u0131zas\u0131 olarak kullanmak, ajan\u0131n sadece anl\u0131k bilgilere tepki vermek yerine, ge\u00e7mi\u015f deneyimlerinden \u00f6\u011frenerek ve bu deneyimleri yeni durumlara uygulayarak daha karma\u015f\u0131k ve ki\u015fiselle\u015ftirilmi\u015f davran\u0131\u015flar sergilemesini sa\u011flar. Bu yakla\u015f\u0131m, ajan\u0131n “kimli\u011fini” olu\u015fturan, zamanla geli\u015fen bir bilgi taban\u0131 in\u015fa etmesine olanak tan\u0131r.<\/p>\n Bir ajan\u0131n haf\u0131zas\u0131n\u0131 olu\u015fturman\u0131n ilk ad\u0131m\u0131, ajan\u0131n deneyimlerini anlaml\u0131 bir \u015fekilde yakalamak ve bunlar\u0131 vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrmektir. Ajan, \u00e7evresiyle etkile\u015fime girdi\u011finde \u00e7e\u015fitli “deneyimler” ya\u015far. Bu deneyimler \u015funlar\u0131 i\u00e7erebilir:<\/p>\n Bu deneyimlerin her biri, k\u0131sa bir metin par\u00e7as\u0131 (veya daha karma\u015f\u0131k bir yap\u0131) olarak ifade edilebilir. \u00d6rne\u011fin, “M\u00fc\u015fteri A, d\u00fcn \u00fcr\u00fcn iadesi hakk\u0131nda \u015fikayet etti ve ben ona iade formunu g\u00f6nderdim. M\u00fc\u015fteri memnuniyeti i\u00e7in s\u00fcre\u00e7leri iyile\u015ftirmeliyim.” Bu metinler, daha sonra se\u00e7ilen bir g\u00f6mme modeli (\u00f6rne\u011fin, Sentence Transformers veya OpenAI’\u0131n g\u00f6mme modelleri) kullan\u0131larak y\u00fcksek boyutlu vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Her bir deneyim vekt\u00f6r\u00fc, bu deneyimin anlamsal bir temsilidir ve bir vekt\u00f6r veritaban\u0131na kaydedilir. Veritaban\u0131na kaydederken, orijinal metni ve ilgili di\u011fer meta verileri (zaman damgas\u0131, deneyimin t\u00fcr\u00fc vb.) de saklamak faydal\u0131 olacakt\u0131r.<\/p>\n Haf\u0131zay\u0131 g\u00fcncelleme stratejileri de \u00f6nemlidir. Ajan her yeni deneyim ya\u015fad\u0131\u011f\u0131nda, bu deneyimler s\u00fcrekli olarak vekt\u00f6r veritaban\u0131na eklenir. Ancak haf\u0131zan\u0131n sonsuz b\u00fcy\u00fcmesini \u00f6nlemek ve ajan\u0131n en alakal\u0131 bilgilere odaklanmas\u0131n\u0131 sa\u011flamak i\u00e7in “unutma mekanizmalar\u0131” veya “haf\u0131za birle\u015ftirme” stratejileri uygulanabilir. \u00d6rne\u011fin, \u00e7ok eski veya ajan\u0131n karar alma s\u00fcre\u00e7lerinde hi\u00e7 kullan\u0131lmam\u0131\u015f deneyimler belirli aral\u0131klarla silinebilir veya benzer deneyimler \u00f6zetlenerek tek bir daha genel haf\u0131za par\u00e7as\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir.<\/p>\n Ajan yeni bir durumla kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda veya bir g\u00f6rev verildi\u011finde, bu durumu veya g\u00f6revi de bir metin olarak ifade eder (\u00f6rne\u011fin, “M\u00fc\u015fteri B, \u00fcr\u00fcn iadesi yapmak istiyor, ona nas\u0131l yard\u0131mc\u0131 olabilirim?”). Bu sorgu metni de ayn\u0131 g\u00f6mme modeli kullan\u0131larak bir sorgu vekt\u00f6r\u00fcne d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Ard\u0131ndan, bu sorgu vekt\u00f6r\u00fc, vekt\u00f6r veritaban\u0131ndaki t\u00fcm haf\u0131za vekt\u00f6rleriyle kar\u015f\u0131la\u015ft\u0131r\u0131l\u0131r. Veritaban\u0131, sorguya en anlamsal olarak benzer olan (en yak\u0131n vekt\u00f6rler) “top K” adet haf\u0131za par\u00e7as\u0131n\u0131 d\u00f6nd\u00fcr\u00fcr.<\/p>\n Bu geri d\u00f6nen haf\u0131za par\u00e7alar\u0131, ajan\u0131n mevcut durumla ilgili ge\u00e7mi\u015f deneyimlerini, \u00f6\u011frenmelerini ve ba\u011flam\u0131n\u0131 temsil eder. Bu bilgiler, ajan\u0131n dil modeline (LLM) bir ba\u011flam olarak sunulur. Ancak geleneksel RAG’dan farkl\u0131 olarak, burada sadece “bilgi” de\u011fil, ajan\u0131n “deneyimsel bilgeli\u011fi” aktar\u0131l\u0131r. Ajan, bu haf\u0131za par\u00e7alar\u0131n\u0131 kullanarak mevcut durumu analiz eder, olas\u0131 eylemleri de\u011ferlendirir ve en uygun karar\u0131 verir. Bu s\u00fcre\u00e7, ajan\u0131n sadece bilgiye eri\u015fmesini de\u011fil, ayn\u0131 zamanda ge\u00e7mi\u015fteki ba\u015far\u0131lar\u0131ndan ve hatalar\u0131ndan ders \u00e7\u0131karmas\u0131n\u0131 sa\u011flar.<\/p>\n A\u015fa\u011f\u0131da, bu kavram\u0131 a\u00e7\u0131klayan basitle\u015ftirilmi\u015f bir Python kod \u00f6rne\u011fi bulunmaktad\u0131r:<\/p>\n Bu \u00f6rnekte, Vekt\u00f6r veritaban\u0131n\u0131 do\u011frudan ajan\u0131n haf\u0131zas\u0131 olarak kullanmak, geleneksel RAG modellerinin \u00f6tesine ge\u00e7erek ajanlara daha derinlemesine bir ba\u011flam, ki\u015fiselle\u015ftirme ve \u00f6\u011frenme yetene\u011fi kazand\u0131r\u0131r. \u0130\u015fte bu yakla\u015f\u0131m\u0131n ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l bir fark yaratabilece\u011fine dair baz\u0131 vaka analizleri:<\/p>\n Geleneksel bir \u00f6\u011frenme asistan\u0131, \u00f6\u011frencilerin sorular\u0131na ders materyallerinden veya genel bilgi kaynaklar\u0131ndan geri \u00e7a\u011f\u0131rd\u0131\u011f\u0131 bilgilerle yan\u0131t verir. Ancak, bir \u00f6\u011frencinin ge\u00e7mi\u015f performans\u0131n\u0131, \u00f6\u011frenme stilini, hangi konularda zorland\u0131\u011f\u0131n\u0131, hangi konulara ilgi duydu\u011funu veya daha \u00f6nceki etkile\u015fimlerde hangi a\u00e7\u0131klama bi\u00e7imlerini tercih etti\u011fini “hat\u0131rlamaz”. Vekt\u00f6r veritaban\u0131n\u0131 haf\u0131za olarak kullanan bir \u00f6\u011frenme asistan\u0131 ise, her \u00f6\u011frenciyle olan t\u00fcm etkile\u015fimleri (sorular, cevaplar, verilen ipu\u00e7lar\u0131, tamamlanan \u00f6devler, hatalar, ba\u015far\u0131lar) birer haf\u0131za par\u00e7as\u0131 olarak saklar. \u00d6rne\u011fin, \u00f6\u011frenci “Matematikteki t\u00fcrev konusunu anlam\u0131yorum” dedi\u011finde, ajan sadece t\u00fcrev tan\u0131m\u0131n\u0131 geri \u00e7a\u011f\u0131rmakla kalmaz, ayn\u0131 zamanda \u00f6\u011frencinin ge\u00e7mi\u015fte cebirde zorland\u0131\u011f\u0131n\u0131, g\u00f6rsel \u00f6rneklere daha iyi tepki verdi\u011fini ve soyut kavramlar\u0131 somutla\u015ft\u0131rarak anlatman\u0131n daha etkili oldu\u011funu “hat\u0131rlayarak” tamamen ki\u015fiselle\u015ftirilmi\u015f bir a\u00e7\u0131klama ve \u00f6rnek sunar. Bu, ajan\u0131n \u00f6\u011frencinin “ki\u015fisel \u00f6\u011frenme hikayesini” s\u00fcrekli g\u00fcncelleyerek, zamanla daha etkili bir \u00f6\u011fretim partneri haline gelmesini sa\u011flar.<\/p>\n Bir m\u00fc\u015fteri hizmetleri veya sat\u0131\u015f ajan\u0131 i\u00e7in m\u00fc\u015fteriyle olan her etkile\u015fim alt\u0131n de\u011ferindedir. Geleneksel RAG tabanl\u0131 bir bot, m\u00fc\u015fterinin mevcut sorusuna veya iste\u011fine odaklan\u0131r. Ancak, vekt\u00f6r veritaban\u0131n\u0131 haf\u0131za olarak kullanan bir CRM ajan\u0131, her bir m\u00fc\u015fteriyle olan t\u00fcm ge\u00e7mi\u015f etkile\u015fimlerini (\u015fikayetler, sat\u0131n almalar, \u00fcr\u00fcn tercihleri, destek talepleri, geri bildirimler, hatta sohbetlerdeki duygusal ton) birer “m\u00fc\u015fteri haf\u0131zas\u0131” olarak tutar. M\u00fc\u015fteri bir sonraki etkile\u015fimde ileti\u015fime ge\u00e7ti\u011finde, ajan sadece ismini de\u011fil, ayn\u0131 zamanda ge\u00e7mi\u015fteki sat\u0131n alma al\u0131\u015fkanl\u0131klar\u0131n\u0131, tercih etti\u011fi ileti\u015fim kanal\u0131n\u0131, daha \u00f6nceki bir \u015fikayetinin durumunu ve hatta belirli \u00fcr\u00fcnlere kar\u015f\u0131 g\u00f6sterdi\u011fi ilgiyi “hat\u0131rlar”. \u00d6rne\u011fin, “Merhaba [M\u00fc\u015fteri Ad\u0131], ge\u00e7en ay \u015fikayet etti\u011finiz X \u00fcr\u00fcn\u00fcyle ilgili sorun \u00e7\u00f6z\u00fcld\u00fc m\u00fc? Ayr\u0131ca, Y \u00fcr\u00fcn\u00fcm\u00fcz\u00fcn yeni versiyonunu be\u011fenece\u011finizi d\u00fc\u015f\u00fcnd\u00fck, \u00f6zelliklerini incelemek ister misiniz?” gibi bir yakla\u015f\u0131m sergileyebilir. Bu, m\u00fc\u015fteriye kendisini de\u011ferli ve anla\u015f\u0131lm\u0131\u015f hissettirir, m\u00fc\u015fteri sadakatini art\u0131r\u0131r ve ajanlar\u0131n daha proaktif ve \u00f6ng\u00f6r\u00fcl\u00fc hizmetler sunmas\u0131na olanak tan\u0131r.<\/p>\n Oyun d\u00fcnyas\u0131nda, yapay zeka ajanlar\u0131 genellikle \u00f6nceden tan\u0131mlanm\u0131\u015f kurallar veya davran\u0131\u015f a\u011fa\u00e7lar\u0131 ile hareket eder. Ancak, vekt\u00f6r haf\u0131zas\u0131na sahip otonom oyun ajanlar\u0131, oyun i\u00e7i deneyimlerini (ba\u015far\u0131l\u0131 stratejiler, d\u00fc\u015fman davran\u0131\u015flar\u0131, harita bilgisi, oyuncu etkile\u015fimleri, hatalar) s\u00fcrekli olarak haf\u0131zalar\u0131nda saklar. Bir ajan, bir d\u00fc\u015fmanla kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda veya belirli bir harita b\u00f6l\u00fcm\u00fcne geldi\u011finde, ge\u00e7mi\u015fteki benzer durumlar\u0131 ve bu durumlarda uygulad\u0131\u011f\u0131 stratejilerin sonu\u00e7lar\u0131n\u0131 “hat\u0131rlayarak” dinamik olarak adapte olabilir. \u00d6rne\u011fin, belirli bir d\u00fc\u015fman t\u00fcr\u00fcn\u00fcn zay\u0131f noktalar\u0131n\u0131 veya belirli bir b\u00f6lgede pusu kurman\u0131n daha etkili oldu\u011funu ge\u00e7mi\u015f deneyimlerinden “\u00f6\u011frenerek” daha karma\u015f\u0131k ve ak\u0131ll\u0131ca kararlar verebilir. Bu, oyun deneyimini daha zengin ve dinamik hale getirir, \u00e7\u00fcnk\u00fc ajanlar sadece statik algoritmalar\u0131 takip etmek yerine, ger\u00e7ek zamanl\u0131 olarak \u00f6\u011frenir ve geli\u015fir. Bu t\u00fcr ajanlar, oyuncular\u0131n davran\u0131\u015flar\u0131na adapte olarak oyunun zorluk seviyesini dinamik olarak ayarlayabilir veya oyun d\u00fcnyas\u0131nda daha inand\u0131r\u0131c\u0131 ve reaktif karakterler yaratabilir.<\/p>\n Bu senaryolar\u0131n her birinde, geleneksel RAG’\u0131n anl\u0131k bilgi geri \u00e7a\u011f\u0131rma yetene\u011fi yetersiz kal\u0131rken, vekt\u00f6r veritaban\u0131n\u0131 do\u011frudan ajan\u0131n haf\u0131zas\u0131 olarak kullanma yakla\u015f\u0131m\u0131, ajana derin bir ba\u011flam, ki\u015fisel \u00f6\u011frenme ve adaptasyon yetene\u011fi kazand\u0131rarak \u00e7ok daha zengin ve etkili bir deneyim sunar.<\/p>\n Vekt\u00f6r veritaban\u0131n\u0131 bir ajan\u0131n haf\u0131zas\u0131 olarak kullanma konsepti g\u00fc\u00e7l\u00fc olsa da, ger\u00e7ek d\u00fcnya uygulamalar\u0131nda kar\u015f\u0131la\u015f\u0131labilecek baz\u0131 zorluklar ve ileri d\u00fczey optimizasyonlar mevcuttur. Bu konular, ajanlar\u0131n daha verimli, g\u00fcvenilir ve \u00f6l\u00e7eklenebilir olmas\u0131n\u0131 sa\u011flamak i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n Ajanlar s\u00fcrekli yeni deneyimler kazand\u0131k\u00e7a, haf\u0131za boyutu h\u0131zla artabilir. Bu, hem depolama maliyetlerini hem de geri \u00e7a\u011f\u0131rma performans\u0131n\u0131 olumsuz etkileyebilir. Bu nedenle etkili haf\u0131za y\u00f6netimi stratejileri geli\u015ftirmek zorunludur:<\/p>\n \u0130nsanlar d\u00fcnyay\u0131 sadece metinlerle de\u011fil, ayn\u0131 zamanda g\u00f6r\u00fcnt\u00fcler, sesler ve di\u011fer duyusal verilerle alg\u0131lar. Benzer \u015fekilde, geli\u015fmi\u015f ajanlar da \u00e7ok modlu (multimodal) haf\u0131zalara ihtiya\u00e7 duyacakt\u0131r. Bu, sadece metinleri de\u011fil, ayn\u0131 zamanda ajan taraf\u0131ndan g\u00f6r\u00fclen g\u00f6r\u00fcnt\u00fcleri, duyulan sesleri veya di\u011fer sens\u00f6r verilerini de vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrerek haf\u0131zaya entegre etmeyi i\u00e7erir. \u00d6rne\u011fin, bir g\u00fcvenlik ajan\u0131, belirli bir y\u00fcz\u00fc veya sesi “hat\u0131rlayarak” ge\u00e7mi\u015f olaylarla ili\u015fkilendirebilir. Bu, ajanlar\u0131n \u00e7evrelerini daha zengin bir \u015fekilde anlamalar\u0131n\u0131 ve daha karma\u015f\u0131k g\u00f6revleri yerine getirmelerini sa\u011flar.<\/p>\n Ajan haf\u0131zas\u0131n\u0131n do\u011fru, g\u00fcncel ve tutarl\u0131 kalmas\u0131n\u0131 sa\u011flamak b\u00fcy\u00fck bir zorluktur. Yanl\u0131\u015f veya \u00e7eli\u015fkili bilgilerle beslenen bir haf\u0131za, ajan\u0131n yanl\u0131\u015f kararlar almas\u0131na yol a\u00e7abilir. Bu nedenle, haf\u0131zaya eklenen bilgilerin do\u011frulu\u011funu teyit etme, \u00e7eli\u015fkili bilgileri \u00e7\u00f6zme ve haf\u0131zay\u0131 periyodik olarak g\u00fcncelleme mekanizmalar\u0131 geli\u015ftirilmelidir. \u00d6rne\u011fin, bir bilgi belirli bir s\u00fcre sonra ge\u00e7erlili\u011fini yitiriyorsa, otomatik olarak g\u00fcncellenmeli veya silinmelidir. Ayr\u0131ca, ajan\u0131n haf\u0131zas\u0131na ekledi\u011fi bilgilerin “hal\u00fcsinasyon” (ger\u00e7ek olmayan bilgi \u00fcretme) i\u00e7ermedi\u011finden emin olmak da \u00f6nemlidir.<\/p>\n B\u00fcy\u00fck \u00f6l\u00e7ekli ajan uygulamalar\u0131nda, haf\u0131za boyutu milyarlarca vekt\u00f6re ula\u015fabilir. Bu kadar b\u00fcy\u00fck bir veri k\u00fcmesini verimli bir \u015fekilde depolamak, indekslemek ve sorgulamak i\u00e7in y\u00fcksek performansl\u0131 vekt\u00f6r veritaban\u0131 \u00e7\u00f6z\u00fcmlerine ve da\u011f\u0131t\u0131k sistem mimarilerine ihtiya\u00e7 duyulur. Vekt\u00f6r veritabanlar\u0131n\u0131n yatay \u00f6l\u00e7eklenebilirlik (horizontal scalability) yetenekleri, par\u00e7alama (sharding) ve da\u011f\u0131t\u0131k sorgu i\u015fleme gibi \u00f6zellikler bu noktada hayati rol oynar. Ayr\u0131ca, g\u00f6mme modellerinin h\u0131zl\u0131 ve verimli \u00e7al\u0131\u015fmas\u0131 da b\u00fcy\u00fck haf\u0131za sistemleri i\u00e7in \u00f6nemlidir.<\/p>\n Bu ileri d\u00fczey konular\u0131n ele al\u0131nmas\u0131, vekt\u00f6r veritaban\u0131n\u0131 haf\u0131za olarak kullanan ajanlar\u0131n sadece kavramsal olarak de\u011fil, pratik uygulamalarda da ba\u015far\u0131l\u0131 olmas\u0131n\u0131 sa\u011flayacakt\u0131r. Bu optimizasyonlar, ajanlar\u0131n daha ak\u0131ll\u0131, g\u00fcvenilir ve ger\u00e7ek d\u00fcnya senaryolar\u0131na uygun \u00e7\u00f6z\u00fcmler sunmas\u0131na yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n Yapay zeka ajanlar\u0131n\u0131n yetenekleri her ge\u00e7en g\u00fcn geli\u015firken, sadece anl\u0131k verilere tepki veren sistemlerden, ge\u00e7mi\u015f deneyimlerinden \u00f6\u011frenen ve ki\u015fisel bir ba\u011flam olu\u015fturan daha ak\u0131ll\u0131 varl\u0131klara do\u011fru bir evrim g\u00f6r\u00fcyoruz. Bu makalede, vekt\u00f6r veritabanlar\u0131n\u0131 geleneksel geri \u00e7a\u011f\u0131rma (retrieval) mekanizmas\u0131n\u0131n \u00f6tesine ta\u015f\u0131yarak, ajan\u0131n do\u011frudan haf\u0131zas\u0131 olarak kullanman\u0131n ne denli d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc bir yakla\u015f\u0131m oldu\u011funu detayland\u0131rd\u0131k. G\u00f6rd\u00fck ki, bu y\u00f6ntem, ajanlar\u0131n sadece bilgi aramakla kalmay\u0131p, kendi “deneyimsel bilgeli\u011fini” in\u015fa etmesini, zamanla adapte olmas\u0131n\u0131 ve daha ki\u015fiselle\u015ftirilmi\u015f, tutarl\u0131 etkile\u015fimler kurmas\u0131n\u0131 sa\u011fl\u0131yor.<\/p>\n Geleneksel RAG, belirli bir sorguya anl\u0131k bilgi sa\u011flamakta m\u00fckemmeldir. Ancak, bir ajan\u0131n “kimli\u011fini” olu\u015fturan, s\u00fcrekli geli\u015fen bir haf\u0131zay\u0131 desteklemez. Vekt\u00f6r veritabanlar\u0131n\u0131 haf\u0131za olarak kullanarak, ajanlar m\u00fc\u015fteri hizmetlerinden ki\u015fisel asistanlara, otonom oyun karakterlerinden karma\u015f\u0131k karar destek sistemlerine kadar bir\u00e7ok alanda devrim yaratabilir. \u00d6\u011frenme asistanlar\u0131 \u00f6\u011frencilerin ki\u015fisel \u00f6\u011frenme yolculuklar\u0131n\u0131 hat\u0131rlayabilirken, CRM ajanlar\u0131 m\u00fc\u015fterilerle daha derin ve anlaml\u0131 ili\u015fkiler kurabilir. Oyun ajanlar\u0131 ise dinamik olarak adapte olarak daha s\u00fcr\u00fckleyici deneyimler sunabilir.<\/p>\n Elbette, bu yakla\u015f\u0131m\u0131n \u00f6l\u00e7eklenebilirlik, haf\u0131za y\u00f6netimi, g\u00fcvenilirlik ve \u00e7ok modlu veri i\u015fleme gibi zorluklar\u0131 vard\u0131r. Ancak, bu alanlardaki s\u00fcrekli ara\u015ft\u0131rmalar ve teknolojik geli\u015fmeler, bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in yeni yollar sunmaktad\u0131r. Vekt\u00f6r veritabanlar\u0131 ve g\u00f6mme teknolojileri, ajanlar\u0131n sadece “bilen” de\u011fil, ayn\u0131 zamanda “deneyimleyen” ve “\u00f6\u011frenen” varl\u0131klar haline gelmesinde merkezi bir rol oynayacakt\u0131r.<\/p>\n Gelecekte, bu t\u00fcr vekt\u00f6r tabanl\u0131 haf\u0131za sistemlerine sahip ajanlar\u0131n, insan-bilgisayar etkile\u015fimini k\u00f6kten de\u011fi\u015ftirece\u011fine, daha ak\u0131ll\u0131 otomasyon \u00e7\u00f6z\u00fcmleri sunaca\u011f\u0131na ve yapay zekan\u0131n ger\u00e7ek potansiyelini ortaya \u00e7\u0131karaca\u011f\u0131na inan\u0131yoruz. Bu alandaki \u00e7al\u0131\u015fmalar, otonom ve adaptif sistemlerin bir sonraki b\u00fcy\u00fck ad\u0131m\u0131 i\u00e7in sa\u011flam bir temel olu\u015fturmaktad\u0131r.<\/p>\n #YapayZeka #Python #Vekt\u00f6rVeritaban\u0131 #AjanSistemleri #Makine\u00d6\u011frenimi<\/p>\ntext-embedding-ada-002<\/code>) veya a\u00e7\u0131k kaynakl\u0131 Sentence Transformers k\u00fct\u00fcphanesi taraf\u0131ndan sunulan modellerdir (\u00f6rne\u011fin, all-MiniLM-L6-v2<\/code>). Bu modeller, bir c\u00fcmle veya paragraf\u0131 al\u0131r ve onu belirli bir boyutta (\u00f6rne\u011fin, 384, 768 veya 1536 boyutlu) bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcr.<\/p>\nVekt\u00f6r Veritaban\u0131n\u0131 Do\u011frudan Ajan Haf\u0131zas\u0131 Olarak Nas\u0131l Kullan\u0131r\u0131z?<\/h2>\n
Haf\u0131za Modeli Tasar\u0131m\u0131: Bilgiyi Vekt\u00f6rlere D\u00f6n\u00fc\u015ft\u00fcrme<\/h3>\n
\n
Ajan\u0131n Karar Alma S\u00fcrecine Haf\u0131zay\u0131 Entegre Etme<\/h3>\n
\nimport numpy as np\nfrom sentence_transformers import SentenceTransformer\nfrom qdrant_client import QdrantClient, models\n\n# \u00d6rnek bir embedding modeli ve vekt\u00f6r veritaban\u0131 istemcisi varsayal\u0131m\n# Ger\u00e7ek uygulamada, bu ba\u011f\u0131ml\u0131l\u0131klar\u0131 y\u00fcklemeniz gerekir:\n# pip install sentence-transformers qdrant-client numpy\n\nclass AgentMemory:\n def __init__(self, embedding_model_name='all-MiniLM-L6-v2', collection_name='agent_memories'):\n # G\u00f6mme (embedding) modelini y\u00fckle\n self.embedding_model = SentenceTransformer(embedding_model_name)\n # Qdrant istemcisini bellekte \u00e7al\u0131\u015facak \u015fekilde ba\u015flat (kal\u0131c\u0131 depolama i\u00e7in dosya yolu verilebilir)\n self.vector_db = QdrantClient(\":memory:\")\n self.collection_name = collection_name\n self._initialize_collection()\n\n def _initialize_collection(self):\n # Vekt\u00f6r koleksiyonunu olu\u015ftur veya kontrol et\n self.vector_db.recreate_collection(\n collection_name=self.collection_name,\n vectors_config=models.VectorParams(size=self.embedding_model.get_sentence_embedding_dimension(), distance=models.Distance.COSINE),\n )\n print(f\"'{self.collection_name}' koleksiyonu ba\u015flat\u0131ld\u0131.\")\n\n def add_experience(self, experience_text, experience_type=\"general\"):\n \"\"\"\n Ajan\u0131n bir deneyimini haf\u0131zaya ekler.\n \"\"\"\n # Deneyimi vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\n experience_vector = self.embedding_model.encode(experience_text).tolist()\n # Vekt\u00f6r\u00fc ve ilgili meta verileri veritaban\u0131na kaydet\n self.vector_db.upsert(\n collection_name=self.collection_name,\n points=[\n models.PointStruct(\n id=np.random.randint(0, 1000000), # Basit bir id atamas\u0131\n vector=experience_vector,\n payload={\"text\": experience_text, \"type\": experience_type, \"timestamp\": np.datetime64('now').astype(str)}\n )\n ]\n )\n print(f\"Haf\u0131zaya eklendi: '{experience_text[:70]}...'\")\n\n def retrieve_relevant_memories(self, query_text, top_k=5, min_score=0.7):\n \"\"\"\n Sorguya en uygun haf\u0131za par\u00e7alar\u0131n\u0131 getirir.\n \"\"\"\n # Sorguyu vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\n query_vector = self.embedding_model.encode(query_text).tolist()\n # Benzer vekt\u00f6rleri veritaban\u0131ndan getir\n search_result = self.vector_db.search(\n collection_name=self.collection_name,\n query_vector=query_vector,\n limit=top_k,\n query_filter=None # \u0130ste\u011fe ba\u011fl\u0131 filtreler eklenebilir\n )\n \n relevant_memories = []\n for hit in search_result:\n if hit.score >= min_score: # Minimum benzerlik skoru kontrol\u00fc\n relevant_memories.append(hit.payload[\"text\"])\n else:\n print(f\"D\u00fc\u015f\u00fck skorlu haf\u0131za atland\u0131 (Skor: {hit.score:.2f}): '{hit.payload['text'][:50]}...'\")\n \n return relevant_memories\n\n# --- \u00d6rnek Kullan\u0131m ---\nif __name__ == \"__main__\":\n agent_memory = AgentMemory()\n\n # Ajan\u0131n deneyimlerini haf\u0131zaya ekleyelim\n agent_memory.add_experience(\"M\u00fc\u015fteri A, d\u00fcn \u00fcr\u00fcn iadesi hakk\u0131nda \u015fikayet etti. Ona iade formu g\u00f6nderdim.\", \"customer_interaction\")\n agent_memory.add_experience(\"M\u00fc\u015fteri B, yeni \u00fcr\u00fcn lansman\u0131ndan \u00e7ok memnun kald\u0131 ve ek \u00f6zellikler talep etti.\", \"customer_feedback\")\n agent_memory.add_experience(\"Bug\u00fcn, iade s\u00fcre\u00e7lerini iyile\u015ftirmek i\u00e7in bir plan yapt\u0131m ve y\u00f6neticimle payla\u015ft\u0131m.\", \"internal_task\")\n agent_memory.add_experience(\"Ge\u00e7en hafta, m\u00fc\u015fteri hizmetleri ekibi i\u00e7in yeni bir e\u011fitim mod\u00fcl\u00fc haz\u0131rlad\u0131m.\", \"training_development\")\n agent_memory.add_experience(\"M\u00fc\u015fteri C, sipari\u015finin gecikti\u011fini s\u00f6yledi, durumu kontrol edip bilgi verdim.\", \"customer_interaction\")\n\n print(\"\\n--- \u0130lgili an\u0131lar sorgulan\u0131yor ---\")\n\n # \u0130lgili an\u0131lar\u0131 sorgula\n query1 = \"iade s\u00fcre\u00e7leri hakk\u0131nda ne biliyorum?\"\n print(f\"\\nSorgu: '{query1}'\")\n relevant_memories1 = agent_memory.retrieve_relevant_memories(query1)\n if relevant_memories1:\n for i, mem in enumerate(relevant_memories1):\n print(f\"- Haf\u0131za {i+1}: {mem}\")\n else:\n print(\"\u0130lgili haf\u0131za bulunamad\u0131.\")\n\n query2 = \"M\u00fc\u015fteri memnuniyetini art\u0131rmak i\u00e7in neler yapt\u0131m?\"\n print(f\"\\nSorgu: '{query2}'\")\n relevant_memories2 = agent_memory.retrieve_relevant_memories(query2)\n if relevant_memories2:\n for i, mem in enumerate(relevant_memories2):\n print(f\"- Haf\u0131za {i+1}: {mem}\")\n else:\n print(\"\u0130lgili haf\u0131za bulunamad\u0131.\")\n\n query3 = \"M\u00fc\u015fteri B hakk\u0131nda ne hat\u0131rl\u0131yorum?\"\n print(f\"\\nSorgu: '{query3}'\")\n relevant_memories3 = agent_memory.retrieve_relevant_memories(query3, top_k=2)\n if relevant_memories3:\n for i, mem in enumerate(relevant_memories3):\n print(f\"- Haf\u0131za {i+1}: {mem}\")\n else:\n print(\"\u0130lgili haf\u0131za bulunamad\u0131.\")\n\n query4 = \"E\u011fitimle ilgili bir \u015fey yapt\u0131m m\u0131?\"\n print(f\"\\nSorgu: '{query4}'\")\n relevant_memories4 = agent_memory.retrieve_relevant_memories(query4, top_k=1)\n if relevant_memories4:\n for i, mem in enumerate(relevant_memories4):\n print(f\"- Haf\u0131za {i+1}: {mem}\")\n else:\n print(\"\u0130lgili haf\u0131za bulunamad\u0131.\")\n <\/code><\/pre>\n<\/div>\nAgentMemory<\/code> s\u0131n\u0131f\u0131, ajan\u0131n deneyimlerini metin olarak al\u0131p vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrerek Qdrant vekt\u00f6r veritaban\u0131na kaydeder. retrieve_relevant_memories<\/code> metodu ise bir sorgu alarak, bu sorguya en benzer ge\u00e7mi\u015f deneyimleri getirir. Bu, ajan\u0131n ge\u00e7mi\u015fteki “benzer durumlar\u0131” hat\u0131rlamas\u0131n\u0131 ve bu bilgiler \u0131\u015f\u0131\u011f\u0131nda daha bilin\u00e7li eylemler ger\u00e7ekle\u015ftirmesini sa\u011flar. Bu, basit bir geri \u00e7a\u011f\u0131rma i\u015fleminin \u00f6tesinde, ajan\u0131n kendi “bili\u015fsel ge\u00e7mi\u015fini” olu\u015fturan bir mekanizmad\u0131r.<\/p>\nGeri \u00c7a\u011f\u0131rma Yerine Haf\u0131za: Ger\u00e7ek D\u00fcnya Senaryolar\u0131 ve Vaka Analizleri<\/h2>\n
Ki\u015fiselle\u015ftirilmi\u015f \u00d6\u011frenme Asistan\u0131<\/h3>\n
Dinamik M\u00fc\u015fteri \u0130li\u015fkileri Y\u00f6netimi (CRM) Ajan\u0131<\/h3>\n
Otonom Oyun Ajanlar\u0131<\/h3>\n
\u0130leri D\u00fczey Konular ve Optimizasyonlar<\/h2>\n
Haf\u0131za Y\u00f6netimi Stratejileri<\/h3>\n
\n
\u00c7ok Modlu Haf\u0131za<\/h3>\n
G\u00fcvenilirlik ve Tutarl\u0131l\u0131k<\/h3>\n
\u00d6l\u00e7eklenebilirlik<\/h3>\n
Sonu\u00e7: Ajanlar\u0131n Gelece\u011finde Vekt\u00f6r Haf\u0131zas\u0131n\u0131n Rol\u00fc<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h2>\n
\n