YOLO'yu lisansla
Ultralytics Sözlüğüne dön

ReAct Prompting

ReAct istemleme, bir LLM'nin akıl yürütme adımlarıyla arama veya araç çağrısı gibi eylemler arasında dönüşümlü ilerlemesini ve sonraki adımına karar vermeden önce her sonucu incelemesini sağlar.

Akıl yürütme ve eyleme geçmenin kısaltması olan ReAct istemi, bir büyük dil modelinin (LLM) görev hakkında düşünce yazması, arama veya araç çağrısı gibi bir eylem gerçekleştirmesi ve eylemin döndürdüğü gözlemi okuyup yanıt verebilene kadar bu döngüyü yinelemesidir. Akıl yürütme, eylemleri planlayıp izler; eylemler de model dışından bilgi getirir. Böylece yanıtlar yalnızca belleğe değil, getirilmiş kanıtlara dayanır. Princeton Üniversitesi ve Google Research'ten Shunyu Yao ve çalışma arkadaşları yöntemi, ICLR 2023'te sunulan ReAct: Dil Modellerinde Akıl Yürütme ve Eylemi Birleştirme makalesinde tanıttı. İstemde yalnızca bir veya iki örnek kullanmasına rağmen ReAct, ALFWorld ev işleri görevlerinde ve WebShop çevrimiçi alışveriş kıyaslamasında mutlak başarı oranını sırasıyla 34 ve 10 yüzde puanı artırarak çok daha fazla veriyle eğitilmiş taklit öğrenmesi ve pekiştirmeli öğrenme yöntemlerini geride bıraktı. Günümüzde araç kullanan yapay zekâ ajanları da aynı döngüyü yürütüyor.

ReAct Nasıl Çalışır#

ReAct istemi, her biri bir sorunun ardından iç içe geçmiş Düşünce, Eylem ve Gözlem satırlarından oluşan birkaç örnek yörünge içeren bir az örnekli istemdir. Modele yeni bir soru verildiğinde model bir düşünce ve eylem yazar, ardından durur. Denetleyici kod eylemi ayrıştırır, karşılık gelen aracı çalıştırır, sonucu bir sonraki gözlem olarak ekler ve modeli daha uzun dökümle yeniden çağırır. Makalede, soru yanıtlaması için modele üç eylem içeren asgari bir Wikipedia arayüzü verildi: search[entity] bir sayfanın ilk cümlelerini döndürür, lookup[string] geçerli sayfada belirli bir dizeyi içeren sonraki cümleyi döndürür ve finish[answer] görevi sonlandırır.

Bir ReAct Yörüngesi#

Makalenin, birkaç Wikipedia sayfasındaki bilgileri birleştirmeyi gerektiren soru yanıtlama veri kümesi HotpotQA için hazırladığı istemden alınan bu örnek, yanıtı içermeyen ilk aramadan döngünün nasıl toparlandığını gösterir:

Question: What is the elevation range for the area that the eastern sector of the Colorado orogeny extends into?
Thought 1: I need to search Colorado orogeny, find the area that the eastern sector of the Colorado orogeny extends into, then find the elevation range of the area.
Action 1: Search[Colorado orogeny]
Observation 1: The Colorado orogeny was an episode of mountain building (an orogeny) in Colorado and surrounding areas.
Thought 2: It does not mention the eastern sector. So I need to look up eastern sector.
Action 2: Lookup[eastern sector]
Observation 2: (Result 1 / 1) The eastern sector extends into the High Plains and is called the Central Plains orogeny.
Thought 3: The eastern sector of Colorado orogeny extends into the High Plains. So I need to search High Plains and find its elevation range.
Action 3: Search[High Plains]
Observation 3: High Plains refers to one of two distinct land regions:
Thought 4: I need to instead search High Plains (United States).
Action 4: Search[High Plains (United States)]
Observation 4: The High Plains are a subregion of the Great Plains. From east to west, the High Plains rise in elevation from around 1,800 to 7,000 ft (550 to 2,130 m).
Thought 5: High Plains rise in elevation from around 1,800 to 7,000 ft, so the answer is 1,800 to 7,000 ft.
Action 5: Finish[1,800 to 7,000 ft]

Düşünce 2, sayfada gereken bilginin olmadığını fark edip arama yerine sorgulamaya geçer; Düşünce 4 ise belirsiz bir aramayı çözümler. Sabit bir arama dizisi bu iki düzeltmeyi yapamazdı.

Sonuçlar ve Sınırlamalar#

Akıl yürütmeyi gözlemlere dayandırmak, başlıca uydurulmuş bilgileri azaltır. Makalenin PaLM-540B ile HotpotQA üzerindeki hata analizinde halüsinasyon, düşünce zinciri hatalarının %56'sına neden olurken ReAct hatalarının hiçbirine neden olmadı; düşünce zincirinin yanlış pozitif oranı %14, ReAct'inki ise %6'ydı. Döngünün kendine özgü bir hata türü de var: yararlı hiçbir şey döndürmeyen aramalar ReAct hatalarının %23'ünü oluşturdu; çünkü boş bir gözlem sonraki akıl yürütmeyi rayından çıkarır. HotpotQA'da yalnızca ReAct %27,4 kesin eşleşme oranına ulaşırken düşünce zinciri %29,4'e ulaştı; Fever doğrulama görevinde ise ReAct %60,9 doğrulukla, %56,3'e ulaşan düşünce zincirini geride bıraktı. HotpotQA'daki en iyi sonuç olan %35,1 iki yaklaşımın birleştirilmesiyle elde edildi: ReAct belirli sayıda adım içinde yanıt veremediğinde öz tutarlı düşünce zincirine geçildi.

Modern Ajanlarda ReAct#

Güncel LLM API'leri, eylem adımını işlev çağrısı aracılığıyla modelin içine alır: model bir metin satırı yerine yapılandırılmış bir araç çağrısı üretir, uygulama bu çağrıyı çalıştırıp sonucu döndürür ve aynı Düşünce-Eylem-Gözlem döngüsü devam eder. Araçlar aramanın çok ötesine geçer; kod çalıştırma, veritabanları, bilgisayar kullanabilen ajanlardaki tarayıcılar ve Model Bağlamı Protokolü (MCP) üzerinden sunulan hizmetleri kapsar. Ajan tabanlı RAG sistemlerinde ajan, üretim öncesinde bir kez veri getirmek yerine ne zaman ve ne getireceğine karar verir. Ajanlar okudukları metne göre eyleme geçtiğinden ReAct sistemleri, araç sonuçları üzerinden gerçekleşen istem enjeksiyonu riskini taşır; bu nedenle araç izinleri dar tutulur ve riskli eylemler çoğu zaman korumalı alanlarda çalıştırılır.

Ultralytics Platform AutoTrain'de Yapay Zekâ'ya Sor da bu şekilde araçlarla çalışır: veri kümeleri bulmak, eğitim çalıştırmaları başlatmak, tamamlanmış modelleri karşılaştırmak ve bunları dışa aktarmak veya dağıtmak için Platform CLI üzerinden ul cloud komutlarını çalıştırır ve yanıtını bu komutların döndürdüğü sonuçlara dayandırır.

  • Düşünce zinciri istemi: Modelin kendi bilgisinden tek seferde akıl yürütür; yanıt sırasında bir bilgiyi kontrol etmenin yolu yoktur. ReAct, akıl yürütme adımları arasında yeni bilgi getiren eylemler ekler.
  • İstem zincirleme: Geliştirici, model çağrılarının sırasını kodla belirler. ReAct'te model, şimdiye kadar gözlemlediklerine göre sonraki her eylemi seçer.
  • Düşünce Ağacı (ToT): Dış ortamla etkileşime girmeden birkaç olası akıl yürütme yolunu araştırır ve zayıf yollardan geri döner. ReAct tek bir yolu izler, ancak bu yolu gözlemlere dayandırır.
  • Akıl yürütme modelleri: Yanıt vermeden önce uzun akıl yürütmeler yazacak şekilde eğitilir; günümüzdeki birçok sistemde akıl yürütme adımları arasında araç da çağırırlar, böylece ReAct döngüsü modelin kendisine yerleşir.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla