ReAct Prompting

ReAct (Akıl Yürütme ve Eyleme Geçme) istemi, istem mühendisliği alanında Büyük Dil Modellerinin (LLM) adım adım akıl yürütme izlerini göreve özgü eylemlerle dinamik biçimde iç içe geçirmesini sağlayan gelişmiş bir paradigmadır. Etkili 2022 tarihli akademik "ReAct: Dil Modellerinde Akıl Yürütme ve Eyleme Geçmeyi Sinerjiyle Birleştirme" makalesinde tanıtılan bu teknik, durağan bir dil modelini etkileşimli bir AI ajanına dönüştürür. Bir sorun hakkındaki düşünceleri açıkça üretip harici bilgileri almak üzere eylemler gerçekleştirerek ReAct çerçevesi, karmaşık yapay zekâ iş akışlarında olgusal doğruluğu ve karar verme yeteneklerini önemli ölçüde geliştirir.

Akıl Yürütme ve Eyleme Geçme Mekanizması#

Geleneksel etkileşimlerde model, tamamen kendi iç bilgisini temel alarak yanıt üretir ve bu çoğu zaman LLM'lerde halüsinasyonlara yol açar. ReAct mimarisi, sürekli bir Düşünce, Eylem ve Gözlem döngüsü kullanarak yapay zekâyı harici ortamlara dayandırıp bu sorunu çözer.

Bir sorguyla karşılaşan model, önce stratejisini belirten bir "Düşünce" üretir. Ardından arama motorunda sorgu çalıştırma, veri tabanıyla etkileşim kurma veya işlev çağırma adı verilen bir yöntemle görü API'sini çağırma gibi bir "Eylem" gerçekleştirir. Ortam, olgusal veriler içeren bir "Gözlem" döndürür. Model bu yeni bilgiyi değerlendirir, akıl yürütmesini günceller ve nihai yanıta ulaşana kadar döngüyü yineler. ReAct hakkındaki İstem Mühendisliği Kılavuzu'nda daha ayrıntılı anlatılan bu yöntem, insanın problem çözme sürecini taklit eder ve son derece şeffaf, denetlenebilir ajan davranışları oluşturur.

Gerçek Dünya Uygulamaları#

ReAct istemi, yinelemeli problem çözümü ve çok adımlı araç kullanımının gerektiği senaryolarda öne çıkar ve bu nedenle modern ajan tabanlı yapay zekâ sistemlerinin temelini oluşturur.

• Otomatik Müşteri Desteği Ajanları: Kurumsal ortamlarda BT yardım masası ajanları, kullanıcı sorunlarını çözmek için ReAct'ten yararlanır. Kullanıcı ağ kesintisi bildirdiğinde ajan, sunucu durumunu denetlemesi gerektiği sonucuna varır. Tanılama API'sine ping göndererek eyleme geçer, sonucu gözlemler ve alınan olgulara göre destek kaydını üst düzeye taşır ya da sorun giderme kılavuzu sunar; böylece geleneksel Bilgi Getirmeyle Desteklenen Üretim (RAG) işlem hatlarını kolaylaştırır.
• Dinamik Görsel Analiz: Bilgisayarlı görü sistemleri, karmaşık görsel soru yanıtlama görevlerinde ReAct'ten yararlanır. Envanter yönetimiyle görevlendirilen bir robot ajanı rafı gözlemleyebilir, belirli ürünleri sayması gerektiği sonucuna varabilir, bir nesne tespiti modelini çağırarak eyleme geçebilir ve sayımı tamamlamak için döndürülen sınırlayıcı kutu verilerini kullanabilir. Bu sinerji, metin tabanlı akıl yürütme ile uzamsal anlama arasındaki boşluğu kapatır.

Bilgisayarlı Görüyle ReAct Uygulama#

Python kullanan geliştiriciler için ReAct ajanları, fiziksel dünyayla etkileşim kurmak üzere algılama modellerini çoğu zaman yönetir. Aşağıdaki kavramsal kod, bir ReAct akıl yürütme döngüsünün ortamı gözlemlemek ve raporlamak için harici bir araç olarak Ultralytics YOLO26 modelini nasıl sorunsuz biçimde devreye alabileceğini gösteriyor.

from ultralytics import YOLO


def vision_tool(image_path: str) -> str:
    """Action tool for a ReAct agent to detect objects in an image."""
    model = YOLO("yolo26n.pt")  # Load highly efficient YOLO26 nano model
    results = model(image_path)

    # Format the observation for the LLM's reasoning loop
    detected_classes = [model.names[int(c)] for c in results[0].boxes.cls]
    return f"Observation: Found {len(detected_classes)} objects: {', '.join(detected_classes)}"


# Simulated ReAct agent executing an action
agent_observation = vision_tool("https://ultralytics.com/images/bus.jpg")
print(agent_observation)

Bu görü araçlarına yönelik veri kümelerini yönetme ve deneyleri izleme süreçleri, modern yapay zekâ dağıtımı için kapsamlı çözümler sunan Ultralytics Platform kullanılarak bütünüyle kolaylaştırılabilir. Bu ajanları sıfırdan oluşturmak isteyenler, temel mantığı resmî ReAct deposunda da inceleyebilir.

İlgili Kavramları Ayırt Etme#

Güncel akademik hizalama araştırmalarında ele alınan sağlam çok modlu mimarileri tasarlamak için ReAct'i ilişkili mühendislik örüntülerinden ayırt etmek önemlidir:

• Düşünce Zinciri İstemine kıyasla: Düşünce Zinciri (CoT), modeli adım adım düşünmeye teşvik eder ancak tamamen durağan iç bilgiye dayanır. ReAct, akıl yürütme süreci sırasında güncel harici gözlemler toplayan dinamik "eylemler" ekleyerek CoT'yi genişletir.
• İstem Zincirlemeye kıyasla: İstem zincirleme, ayrı LLM çağrılarından oluşan bir dizinin sabit kodlanmasını ve bir adımın çıktısının otomatik olarak sonraki adıma aktarılmasını içerir. ReAct ise katı biçimde zincirlenmiş bir betiği izlemek yerine, tek bir ajanın devam eden gözlemlere bağlı olarak hangi araçları veya ardışık eylemleri kullanacağına dinamik biçimde karar verdiği daha özerk bir paradigmadır.

ReAct istemi, mantıksal çıkarımı Çok Modlu Modeller gibi özel harici araçların yürütülmesiyle birleştirerek son derece yetenekli ve genellenebilir yapay zekâ sistemlerinin geliştirilmesini sağlar.