# Ajanların deneyimlerinden ve hatalarından öğrenen iki yeni yöntem

> arXiv'de yayımlanan Phronix ve Self-Direction adlı iki çalışma, yapay zeka ajanlarının kendi yürüttükleri işlemlerden ve hatalarından öğrenerek sürekli iyileşmesini sağlıyor.

- URL: https://atakankademli.com.tr/blog/ajanlarin-deneyimlerinden-ve-hatalarindan-ogrenen-iki-yeni-y-hb814
- Yazar: Haber Masası
- Yayın: 2026-10-26
- Güncelleme: 2026-10-26
- Kategori: Teknoloji

Yapay zeka ajanlarının kendi deneyimlerinden ve hatalarından öğrenmesini sağlayan iki yeni öğrenme paradigması tanıtıldı. Bu çalışmalar, arXiv'de 26 Ekim 2026 tarihinde yayımlanmış ve 22 Ekim 2026 tarihinde gönderilmiştir.

## Phronix ile kalıcı yetenekler oluşturuluyor

Phronix, ajanlı donanımların kendi yürüttükleri işlemlerden yeniden kullanılabilir yetenekler edinmesini, doğrulamasını ve iyileştirmesini sağlayan bir yetenek odaklı öğrenme paradigmasıdır. Tahmin-doğrulama-düzeltme döngüsü üzerinden çalışır: MCP araçları ve ilişkili yetenekler çözüm önerir, araç yürütmeleri doğrular ve gözlemlenen sonuçlar saklanan yetenekleri iyileştirir.

Öğrenilen yetenekler, her modelde tekrarlanan bir görevi ilk denemede yüzde doksan üç ile yüzde doksan beş oranında çözerek çözüm belirsizliğini önemli ölçüde azaltır ve güvenilirliği artırır. Phronix, bir ajanın kendi yürütmesini kullanıcı talimatı olmadan görevi başına 7,6 ile 30,8 dayanıklı yeteneğe dönüştürür ve gerekli yetenek mevcut olduğunda oluşturma iki ye düşer.

Isı başlangıçlı çalışmalar görevi başına yalnızca 0,38 ile 0,40 milyon token tüketir ve bu, tek bir temel denemeden üç kat daha azdır; soğuk başlangıç maliyeti ise temel seviyeyi geçmez. 1000 Genome Pegasus iş akışında Phronix, altı doğruluk kontrolünü geçen temel donanıma karşılık tüm on bir doğruluk kontrolünü geçer. Daha ucuz iki modelin SWE-bench görev çözme oranları sırasıyla yüzde yirmi dokuz ve yüzde yirmi yedi'den yüzde doksan bir ve yüzde seksen yediye yükseliyor ve en pahalı değerlendirilen modelin performansına eşleşiyor.

## Self-Direction ile hatalar ders kitaplığına dönüşüyor

Self-Direction, geçici içeriğe dayalı yeniden denemeler ve politika güncellemelerinin avantajlarını birleştiren, ajanların hatalarından öğrenmesini sağlayan bir mekanizmadır. Bir ajan bir görevi başarısız olduğunda, kendi yolculuğunu yansıtarak bir ders çıkarır ve bunu hafif düşük sıralık bir adaptöre hemen distile eder.

Orijinal ağırlıklar dondurulur, böylece adaptör eğitimi taban model parametrelerinin üzerine yazılmaz ve her adaptör için taban modelin parametre sayısının yaklaşık yüzde sıfır sıfır ikisine denk gelen ek parametre eklenir. Öğrenilen dersler kalıcı bir ders kütüphanesine kaydedilir ve ilgili sorunları daha sonra çözmek için otomatik olarak yönlendirilir.

Qwen ailesi açık ağırlıklı modeller tabanlı ajanlar üzerinde yapılan deneylerde, yöntem genel başarı oranlarını sekiz virgül dokuz ile on yedi puan artırır ve sınır sistemi ile rekabetçi performans gösterir. Self-Direction, bir görevin gelecekteki karşılaşmalarında tekrarlanan hataları azaltır ve bir ajanın düzeltmelerinin güvenilirliğini neredeyse iki kat artırır. Öğrenilen dersler transfer edilebilir: bir dizi adaptör, ek eğitim olmadan onlarca yeni görevi genelleştirebilir. Self-Direction, GAIA, Claw-Eval ve Terminal-Bench 2.1 testlerinde değerlendirilmiştir.

## Neden önemli?

Bilimsel hesaplama ve performans mühendisliği görevleri için büyük dil modeli tabanlı ajanlara artık daha fazla güveniliyor. Ancak ajan etkililiği, el ile yazılmış beceriler ve küreli belleğe dayanan çevre donanımına bağlı olduğundan otonom öğrenme sınırlıdır. Phronix ve Self-Direction, bu sınırlamayı aşmayı hedefliyor.

Kaynak: [arXiv — Artificial Intelligence](https://arxiv.org/abs/2610.31789), [arXiv — Artificial Intelligence](https://arxiv.org/abs/2610.31846)

Temsili görsel: [Matheus Bertelli / Pexels](https://www.pexels.com/photo/ai-chat-interface-on-dark-screen-30530420/)