Parametre Ayarı Yok, Sadece Kod Yazma! Jeff Clune Ekibinden Yeni Çalışma: Meta Agent Otomatik Evrimleşen Bellek Modülü

Software 3.0'a doğru, yapay zeka kendi Python kodunu yazarak beynini evrimleştirmeye başladı.

Agent geliştirmenin derin sularında, bellek (Memory) her zaman aşılması gereken bir sorun olmuştur.

Temel modellerin yetenekleri giderek güçlenmesine rağmen, çıkarım sürecinde esasen durumsuz (Stateless) olmaları, Agent'ın sürekli deneyim biriktirme yeteneğini kısıtlamaktadır.

Şu anda sektörde bellek işlemede kullanılan ana akım çözümler, RAG veya kayan pencere özetleme olsun, özünde hala insan tarafından tasarlanmış sezgisel kurallar aşamasında kalmaktadır.

Bu elle oluşturulmuş bellek modülleri son derece kırılgandır ve taşınması zordur. Diyalog sistemleri için özenle ayarlanmış Prompt'lar ve arama mantığı, uzun vadeli planlama görevlerine (ALFWorld gibi) veya karmaşık strateji oyunlarına yerleştirildiğinde genellikle doğrudan başarısız olur.

Bu zorluğa karşı, UBC profesörü ve OpenAI eski araştırmacısı Jeff Clune ekibi, geek tarzı bir çözüm sunuyor.

Ne tür bir bellek yapısının en iyi olduğunu bilmediğimizden, Agent'ın kendi Python kodunu yazarak tasarlamasına izin verelim.

Bu, yeni yayınlanan ALMA (Agent sistemleri için Bellek tasarımlarının Otomatik meta-Öğrenimi) 'dır.

ADAS'tan ALMA'ya: Kod Tabanlı Otomatik Tasarım

ALMA, ekibin son zamanlarda desteklediği yapay zeka tarafından üretilen algoritma teknolojisi rotasının bir devamıdır.

ADAS (Agent Sistemlerinin Otomatik Tasarımı) 'da, ekip, Agent mimarisi tasarlarken kodun, sinir ağı ağırlıklarından veya Soft Prompt'lardan daha verimli bir arama alanı olduğunu kanıtladı. Kod, Turing tamamlılığına sahiptir ve son derece açıklanabilirdir.

Ardından DGM (Darwin Gödel Makinesi) 'nde, ekip, evrimsel algoritmalardan açık uçlu keşif kavramını tanıttı, bir tasarım arşivi tuttu ve modelin yeni çözümler keşfetmesini teşvik etti.

ALMA, ADAS'ın kod oluşturma paradigmasını ve DGM'nin evrim stratejisini devralır ve uygulama senaryolarını Agent sistemlerinde en çok insan deneyimine dayanan bileşen olan belleğe odaklar.

ALMA'nın Çalışma Mekanizması

ALMA'nın çalışma mekanizması standart bir meta-öğrenme döngüsüdür. Meta Agent artık doğrudan görevleri işlemez, bunun yerine programlamadan sorumludur. Süreç dört aşama içerir:

• Düşünme: Mevcut bellek tasarım arşivini analiz edin, geçmiş performansa göre iyileştirme planları düşünün
• Planlama: Düşünceleri sözde kod mantığına dönüştürün
• Gerçekleştirme: Temel işlevleri tanımlayan yürütülebilir Python kodu yazın
• Değerlendirme: Oluşturulan kodu sanal alan ortamında görevleri yürütmek için dağıtın ve performans metriklerini geri bildirin

Evrim sürecinde, ALMA devasa bir tasarım ağacı oluşturacaktır. Yineleme adımları arttıkça, oluşturulan bellek kodu yavaş yavaş basit depolama mantığından karmaşık bilişsel mimarilere dönüşür.

Evrimleşen Bellek Yapısı

ALMA tarafından oluşturulan bellek tasarımları, farklı görevlerde büyük farklılıklar göstermiştir:

• MiniHack (Zindan Keşfi): Kan kaybına neden olan işlemleri ve canavarların saldırganlığını açıkça kaydeden Risk and Interaction modülünü tasarladı
• Baba Is AI (Mantık Bulmacası): Seviyeleri geçmek için gereken kural kombinasyonlarını kaydeden Strateji Kitaplığını tasarladı

Bu, yapay zekanın görev özelliklerini tanımlayabildiğini gösteriyor: hayatta kalma oyunları riske odaklanmalı, bulmaca oyunları kural soyutlamasına odaklanmalıdır.

Deney Sonuçları

TextWorld, ALFWorld, MiniHack, Baba Is AI olmak üzere dört ortamda ALMA, ana akım temellerle karşılaştırıldı.

GPT-5-mini modelinde, ALMA'nın ortalama başarı oranı %53,9'a ulaştı ve bu G-Memory (%46,0) ve Trajectory Retrieval'dan (%48,6) daha iyiydi.

Maliyet verimliliği açısından, ALMA ortalama olarak yalnızca 1.319 token tüketirken, Trajectory Retrieval 9.149 token kadar tüketiyor ve G-Memory de 6.055 token'e ulaşıyor. ALMA, yaklaşık 1/7 ila 1/5 maliyetle daha iyi performans elde etti.

Sonuç

ALMA, Software 2.0 (Sinir Ağları) 'dan Software 3.0 (Yapay Zeka Üreten Algoritmalar) 'a geçiş olasılığını gösteriyor.

Agent geliştirmede, bellek modüllerinin tasarımı uzun zamandır mühendislerin sezgisine dayanmaktadır. ALMA, meta-öğrenme ve kod oluşturma yoluyla, yapay zekanın belirli ortamlara göre en uygun bellek mimarisini otomatik olarak keşfedebileceğini kanıtladı.

Kaynak Bağlantıları

• Makale: https://arxiv.org/pdf/2602.07755
• Kod: https://github.com/zksha/alma
• Proje Ana Sayfası: https://yimingxiong.me/alma