Alibaba araştırmacıları, kurumsal yapay zeka sistemlerinin karmaşık görevleri yönetirken binlerce araç arasından doğru seçim yapmasını sağlayan SkillWeaver adlı bir sistem geliştirdi. Yeni çerçeve, görev yönlendirmesinde yaklaşık %99 oranında token tasarrufu sağlıyor.

Çok Araçlı Sistemlerde Oluşan Zorluk

Yapay zeka ajanları yüzlerce araç ve beceriyle donatıldığında, hangi aracı ne zaman kullanacağını belirlemek gittikçe zorlaşıyor. Geleneksel yaklaşımlar tüm araç kütüphanesini modele sunarak yönlendirme yapmaya çalışıyor; bu ise bağlam sınırlarını aşırı yükleyen ve yüzbinlerce token tüketen verimli olmayan bir çözüm. Alibaba'nın çözümü ise aracı seçme sorununu birden fazla beceriyi koordine etme şeklinde yeniden çerçevelendiriyor.

SkillWeaver'ın Üç Aşamalı Yapısı

Sistem görev parçalama, arama ve derleme olmak üzere üç aşamada çalışıyor. Önce bir dil modeli karmaşık kullanıcı talebini birbirinden bağımsız alt görevlere ayırıyor. Ardından, her alt görev için en uygun araçların kısa listesi oluşturuluyor. Son olarak, bir planlayıcı bu araçların birbiriyle uyumlu çalışıp çalışmadığını kontrol ederek bir çalıştırma grafiği oluşturuyor.

Gerçek Dünya Uygulamaları ve Sonuçlar

SkillWeaver, veri indirme, dönüştürme ve görsel raporlar oluşturma gibi çoklu adımlı iş akışlarında gerçek kullanıma uygun. Araştırmacıların deneylerinde, bu yaklaşım geleneksel yöntemlere kıyasla araç seçme doğruluğunu artırırken ağır token tüketimini dramatik ölçüde düşürmüştür. Pratisyenler için ana bulgu, görev bölümlenmesinin detaylandırma seviyesinin araç seçme başarısı için kritik olduğudur.