Araştırmacılar, farklı yapay zeka modellerinin kod yazma konusunda birbirini tamamlayan güçlü yanları olduğunu keşfetti. Tek bir modelin tüm programlama dillerinde ve problem türlerinde üstün olmadığını gözlemleyen bilim insanları, PerfOrch adlı çok modelli orkestrasyon sistemi geliştirdi. Bu sistem, kod üretimini dört aşamaya bölerek farklı görevlerde en uygun modeli seçiyor: problemi kategorilere ayırma, kod üretme, hata ayıklama ve iyileştirme. Her aşama için özel bir hafıza modülü kullanılarak, programlama diline ve problem türüne göre en başarılı model belirleniyor. Bu yaklaşım, tek model kullanımından çok daha kaliteli kod üretimine olanak sağlıyor ve yapay zeka destekli yazılım geliştirmede yeni bir paradigma sunuyor.

Araştırmacılar, karmaşık görevleri çözmek için birden fazla yapay zeka ajanını koordine eden yeni bir sistem geliştirdi. 'Agent-as-Tool' adlı bu yaklaşım, farklı ajanları ve araçları standart bir formatta birleştirerek paralel çalışmalarını sağlıyor. ParaManager adlı hafif orkestratör, büyük görevleri alt parçalara bölerek eş zamanlı olarak farklı ajanlara dağıtabiliyor. Bu sistem, geleneksel seri çalışma modellerinden farklı olarak, ajanların aynı anda farklı alt görevler üzerinde çalışmasına olanak tanıyor. İki aşamalı eğitim süreci ile geliştirilen sistem, daha esnek ve genişletilebilir bir yapı sunuyor.

Araştırmacılar, yapay zeka ajan sistemlerinin temelindeki teknik altyapı kararlarını inceledi. 70 açık kaynak projeyi analiz eden çalışma, bu sistemlerin nasıl tasarlandığını ve hangi mimari yaklaşımların yaygın olduğunu ortaya koydu. Çalışmada beş ana tasarım boyutu belirlendi: alt-ajan mimarisi, bağlam yönetimi, araç sistemleri, güvenlik mekanizmaları ve orkestrasyon. Bulgular, dosya tabanlı kalıcı depolama ve hibrit yaklaşımların tercih edildiğini gösterdi. Bu araştırma, yapay zeka ajan sistemlerinin geliştirilmesinde teknik altyapı tercihlerinin sistematik analizini sunan ilk çalışmalardan biri olarak öne çıkıyor.

Büyük dil modelleri (LLM'ler) karmaşık görevlerde birden fazla AI modelini yönetmek için kullanılıyor, ancak mevcut sistemler model seçiminde yetersiz kalıyor. Araştırmacılar, modellerin gerçek performans özelliklerini dikkate alan yeni bir yaklaşım geliştirdi. Bu yöntem, sadece nitel açıklamalara dayanan geleneksel orkestrasyon sistemlerinin aksine, nicel performans verilerini kullanarak hem doğruluk hem de maliyet dengesini optimize ediyor. Deneysel sonuçlar, önerilen metodun çeşitli değerlendirmelerde doğruluk oranını %0.90 ile %11.92 arasında artırdığını gösteriyor. Bu gelişme, AI sistemlerinin kaynak kullanımını optimize ederken performanslarını da artırmasına olanak sağlıyor.