ReAct, akıl yürütme ile eylemi birbirini besleyen bir süreç içinde birleştiren yaklaşımdır. Model, görevin hangi bilgiye veya işleme ihtiyaç duyduğunu değerlendirir, uygun bir araç kullanır ve araçtan gelen sonuçlara göre sonraki adımını belirler.

“ReAct: Synergizing Reasoning and Acting in Language Models” başlıklı çalışma, 2022’de yayımlanan ön baskısıyla bu yaklaşımı tanıtmıştır. ReAct, özellikle çok adımlı bilgi toplama ve çevreyle etkileşim gerektiren görevleri anlamak için önemli bir çerçevedir.

Buradaki “düşünme” ifadesi, insan bilinci anlamına gelmez. Modelin görevle ilgili ara değerlendirmeler üretmesini ve sonraki işlemlerini bu değerlendirmelerle yönlendirmesini anlatır.

ReAct Nedir?

ReAct, “Reasoning” ve “Acting” kavramlarını bir araya getirir. Türkçede akıl yürütme ve eylem yaklaşımı olarak açıklanabilir.

Temel fikir, modelin bir plan oluşturup bütün işlemleri değişmeden uygulaması yerine, elde ettiği yeni bilgilerle süreci güncellemesidir.

Örneğin model bir belge arar, bulduğu içeriğin soruyu karşılamadığını fark eder ve daha uygun bir sorguyla tekrar arama yapar. Yeni sonuçlar yeterliyse yanıtını oluşturur.

Bu yapı üç temel unsurdan oluşur:

• Göreve ilişkin değerlendirme.
• Araç veya ortam üzerinden gerçekleştirilen eylem.
• Eylem sonucunda elde edilen gözlem.

Bu unsurlar, görev tamamlanana veya belirlenen sınıra ulaşılana kadar tekrarlanabilir.

ReAct Nasıl Çalışır?

Görev Değerlendirilir

Model, kullanıcının isteğini ve mevcut bilgileri değerlendirir. Hangi bilginin eksik olduğu veya hangi işlemin gerektiği belirlenir.

Her görev araç gerektirmez. Kullanıcının verdiği kısa bir metni düzenlemek için dış kaynağa ihtiyaç olmayabilir. Güncel stok bilgisi sorgulamak ise bir veri kaynağı gerektirir.

Bir Eylem Seçilir

Sistem, kullanılabilir araçlardan uygun olanını seçer. Bu eylem bir arama, hesaplama, dosya okuma veya API çağrısı olabilir.

Modelin eylemi önermesi ile eylemin gerçekten gerçekleştirilmesi farklıdır. Araç çağrısını uygulamanın çalışma altyapısı yürütür.

Araç Sonucu Alınır

Eylemden gelen çıktı, gözlem olarak sürece eklenir. Bu çıktı bir belge, sayısal sonuç, hata mesajı veya işlem durumu olabilir.

Sonraki Adım Belirlenir

Model, yeni sonucun görevi karşılayıp karşılamadığını değerlendirir. Gerekirse başka bir araç çağrısı yapar, sorgusunu değiştirir veya eksik bilgiyi kullanıcıdan ister.

Nihai Yanıt Oluşturulur

Yeterli bilgi bulunduğunda yanıt hazırlanır. Görev tamamlanamıyorsa elde edilen sonuçlar ve kalan eksiklikler açıklanmalıdır.

Basit Bir ReAct Örneği

Bir kullanıcı şu soruyu sorsun:

“Bu ürünün stokta olup olmadığını ve iade koşullarını kontrol et.”

ReAct yaklaşımıyla çalışan bir sistem şu işlemleri yürütebilir:

Ürün kimliği bulunamıyorsa sistem, yanlış ürünü sorgulamak yerine gerekli ayrıntıyı istemelidir. İade belgesi ürün kategorisine uygun değilse başka bir kaynak kontrol edilmelidir.

Bu örnekte önemli olan, işlemlerin yalnızca art arda yapılması değil, ara sonuçların sonraki işlemleri etkilemesidir.

Thought, Action ve Observation Ne Anlama Gelir?

ReAct örneklerinde sıklıkla üç terim kullanılır.

Thought, göreve ilişkin ara değerlendirmeyi ifade eder.

Action, araç veya ortam üzerinden gerçekleştirilen işlemdir.

Observation, bu işlemin sonucudur.

Ancak bütün uygulamalar bu bölümleri aynı biçimde göstermez. Bazı sistemlerde kullanıcıya yalnızca kullanılan araçlar, işlem durumu ve sonuç sunulur.

Kullanıcının süreci anlayabilmesi için modelin bütün iç akıl yürütme metninin gösterilmesi gerekmez. Kullanılan kaynakların, yapılan işlemlerin ve sonuçların açıkça belirtilmesi daha yararlı olabilir.

Ayrıca modelin ürettiği bir açıklama, tek başına gerçek hesaplama sürecinin eksiksiz veya hatasız kaydı olarak değerlendirilmemelidir.

ReAct ile Chain of Thought Arasındaki Fark

Chain of Thought (CoT), problem çözümünde ara akıl yürütme adımlarından yararlanmayı ifade eder.

ReAct, bu değerlendirmeleri dış ortamla etkileşim ve eylem sonuçlarıyla birleştirir.

“CoT araç kullanamaz” ifadesi doğru değildir. CoT tarzı değerlendirmeler araç kullanan bir sistemin parçası olabilir. ReAct’in ayırt edici yönü, değerlendirme ve eylem sonuçlarını dönüşümlü biçimde kullanmasıdır.

ReAct ile Function Calling Arasındaki Fark

Function Calling, modelin bir araç veya işlev çağrısını yapılandırılmış biçimde belirtmesine yardımcı olan mekanizmadır.

ReAct, hangi eylemin ne zaman seçileceğini ve sonuçtan sonra sürecin nasıl ilerleyeceğini ele alan daha geniş bir çalışma yaklaşımıdır.

Örneğin model, ürün stok sorgusunu yapılandırılmış bir araç çağrısıyla isteyebilir. Sonuç geldiğinde başka bir sorguya ihtiyaç olup olmadığını değerlendirmesi ise ReAct tarzı döngünün parçasıdır.

Dolayısıyla araç çağırabilmek, tek başına ReAct uygulanması anlamına gelmez.

ReAct ile MCP Arasındaki İlişki

Model Context Protocol (MCP), uygulamaların araçlara ve veri kaynaklarına erişimini düzenleyen bir protokoldür.

ReAct ise görev sırasında değerlendirme, eylem ve gözlemlerin nasıl birlikte kullanılacağını anlatır.

Bir sistem, MCP üzerinden eriştiği bir aracı ReAct tarzı süreç içinde kullanabilir. Ancak iki kavram aynı sorunu çözmez: Biri entegrasyonla, diğeri görev yürütme yaklaşımıyla ilgilidir.

ReAct kullanmak için MCP zorunlu değildir. MCP desteği de bir uygulamanın otomatik olarak başarılı bir agent hâline gelmesini sağlamaz.

ReAct ile RAG Arasındaki Fark

RAG, dış kaynaklardan getirilen bilgileri yanıt üretiminde kullanan bir yaklaşımdır.

ReAct, gerektiğinde birden fazla eylem gerçekleştirerek bilgi toplama ve karar güncelleme sürecini düzenleyebilir.

Basit bir RAG sistemi, bir kez arama yapıp bulunan belgelerle cevap oluşturabilir. ReAct tarzı bir sistem ise sonuçların yetersiz olduğunu değerlendirip yeni sorgular oluşturabilir.

Bu yaklaşımlar birlikte kullanılabilir. Ancak her RAG uygulamasının çok adımlı bir ReAct döngüsüne ihtiyacı yoktur.

Nerelerde Kullanılabilir?

Araştırma ve Bilgi Toplama

Bir soruyu yanıtlamak için farklı kaynakların bulunması ve karşılaştırılması gereken görevlerde kullanılabilir.

Kurumsal Asistanlar

Şirket belgeleri, kayıtlar ve farklı veri sistemleri arasında bilgi toplama işlemlerini yönlendirebilir.

Kodlama Görevleri

Dosyaları inceleme, kodu değiştirme, test çalıştırma ve test sonuçlarına göre düzeltme yapma süreçlerinde değerlendirilebilir.

Müşteri Hizmetleri

Sipariş durumu, ürün bilgisi ve şirket politikası gibi farklı kaynakları birlikte kontrol etmeye yardımcı olabilir.

İş Akışı Otomasyonu

Belirli işlemleri yürütmek ve ara sonuçlara göre sonraki adımları seçmek için kullanılabilir. Ancak dış dünyada değişiklik yapan işlemler, uygun yetki ve kontrol mekanizmaları gerektirir.

Başlıca Avantajları

Eksik Bilginin Tamamlanması

Model, yalnızca mevcut girişe dayanmak yerine uygun dış kaynaklara başvurabilir.

Sonuçlara Göre Uyum Sağlama

Bir araç hata verdiğinde veya yetersiz sonuç döndürdüğünde alternatif bir adım seçilebilir.

Çok Adımlı Görevlerin Yürütülmesi

Birden fazla kaynağa veya işleme ihtiyaç duyan görevler, birbirine bağlı aşamalarla ele alınabilir.

İşlem İzlenebilirliği

Araç çağrıları ve sonuçlar kaydedilerek sistemin hangi işlemleri yaptığı incelenebilir.

ReAct Hallucination Sorununu Çözer mi?

Hayır. Araç kullanımı, modelin tahmin etmek yerine kanıt toplamasına yardımcı olabilir. Ancak yanlış veya eksik bilgi üretilmesini tamamen engellemez.

Araçtan gelen veri hatalı olabilir. Model doğru sonucu yanlış yorumlayabilir, yanlış sorgu oluşturabilir veya kaynağın desteklemediği bir çıkarım yapabilir.

Bu nedenle araç kullanılmış olması, yanıtın doğrulandığı anlamına gelmez. Kaynakların niteliği ve cevabın bu kaynaklarla uyumu ayrıca değerlendirilmelidir.

Karşılaşılan Zorluklar

Gecikme ve Maliyet

Her araç çağrısı ve ek model değerlendirmesi zaman alabilir. Gereksiz adımlar, maliyeti artırabilir.

Hata Birikimi

İlk adımda yapılan yanlış bir seçim, sonraki işlemleri de etkileyebilir. Yeni gözlemler süreci düzeltmeye yardımcı olsa da bu otomatik değildir.

Araç Bağımlılığı

Servis kesintileri, erişim sorunları veya değişen çıktı biçimleri görevin tamamlanmasını engelleyebilir.

Dış İçerikteki Talimatlar

Bir belge veya araç çıktısındaki kötü niyetli talimatlar, sistemin davranışını etkilemeye çalışabilir. Dış içerik, uygulamanın güvenilir talimatlarıyla aynı yetki düzeyinde ele alınmamalıdır.

Tekrarlayan Döngüler

Sistem yeterli ilerleme sağlamadan benzer eylemleri tekrarlayabilir. Adım sınırları ve durma koşulları tanımlanmalıdır.

Örnek ve Model Kalitesi

Başarı yalnızca döngünün adına bağlı değildir. Görev örnekleri, araç açıklamaları ve modelin yetenekleri belirleyicidir.

ReAct Başarısı Nasıl Değerlendirilir?

Yalnızca son cevabın akıcı olması yeterli değildir. Görevin doğru tamamlanıp tamamlanmadığı incelenmelidir.

Araç seçiminin uygunluğu, çağrı parametrelerinin doğruluğu, kullanılan adım sayısı, toplam süre ve hata sonrası toparlanma başarısı ölçülebilir.

Sistem ayrıca daha basit bir yaklaşımla karşılaştırılmalıdır. Tek aramayla çözülebilen bir görev için uzun bir döngü kullanmak anlamlı kazanım sağlamayabilir.

En fazla aracı kullanan sistem, en başarılı sistem değildir. Amaç, gerekli işlemleri doğru ve ölçülü biçimde gerçekleştirmektir.

Sık Sorulan Sorular

ReAct nedir?

Akıl yürütme ile eylemleri dönüşümlü kullanarak yeni gözlemlere göre ilerleyen bir yapay zekâ yaklaşımıdır.

ReAct bir model mi?

Tek başına belirli bir model değildir. Farklı modellerle uygulanabilen bir çalışma yaklaşımıdır.

Her görevde araç kullanmak gerekir mi?

Hayır. Dış bilgi veya işlem gerektirmeyen görevler doğrudan çözülebilir.

Function Calling ile aynı mı?

Hayır. Function Calling araç çağrısının yapılandırılmasıyla, ReAct ise eylem ve gözlemlere göre görev yürütülmesiyle ilgilidir.

Bütün akıl yürütme adımları kullanıcıya gösterilmeli mi?

Hayır. Araçların, işlem durumunun ve sonuçların anlaşılır biçimde sunulması yeterli olabilir.

ReAct tamamen otonom mu çalışır?

Zorunlu değildir. İnsan denetimi, yetki sınırları ve onay noktaları içeren sistemlerde de kullanılabilir.

Daha doğru cevap garantisi verir mi?

Hayır. Model, araçlar, veri kalitesi ve uygulama tasarımı sonucu etkiler.

Kaynaklar: Shunyu Yao ve diğerleri — ReAct: Synergizing Reasoning and Acting in Language Models; Jason Wei ve diğerleri — Chain-of-Thought Prompting Elicits Reasoning in Large Language Models; ReAct çalışmasının araştırma açıklamaları ve görev örnekleri.

Editör Notu

Bu içerik, kamuya açık akademik çalışmalarda açıklanan akıl yürütme ve araç kullanım yaklaşımlarını değerlendiren bir araştırma yazısıdır. İçerikte yer alan değerlendirmeler editoryal yorum niteliğindedir. ReAct sistemlerinin başarısı, maliyeti ve güvenliği; kullanılan modele, araçlara, görev örneklerine, erişim yetkilerine ve uygulama yapılandırmasına göre değişebilir. Araç kullanımı, bilgilerin doğruluğunu veya görevin hatasız tamamlanacağını tek başına garanti etmez.