Herkesin bir zamanlar kod hatalarını giderirken yaşadığı bir sorun: bir şey deniyorsunuz, başarısız oluyor, tekrar deniyorsunuz, farklı bir şekilde başarısız oluyor, yedinci denemede ise zaten reddettiğiniz şeyleri unutuyorsunuz. Şimdi bu döngünün bir yapay zeka aracının içinde çalıştığını hayal edin; ancak unutmak yerine, aracın her önceki denemeden gelen binlerce token uzunlukta ayrıntılı yürütme günlükleriyle boğuluyor.
Meta araştırmacıları, beklenmedik şekilde zarif bir çözüm buldu. Kodlama ajanlarına tam ham geçmişlerini vermek yerine, geçmiş denemelerin kompakt ve yapılandırılmış özetlerinin gelecek denemeleri çok daha etkili şekilde yönlendirebileceğini gösterdiler.
Daha az, harika bir şekilde daha fazladır
Çoğu durumda “daha fazla veri” genel cevap olduğu bir dönemde, temel bulgu neredeyse karşıt intihardır. Bir kodlama aracının ne denediğini ve neden başarısız olduğunu özetleyen iki satırlık bir özet, aracın sonraki adımını yönlendirmek açısından binlerce token'lık ham yürütme günlüklerinden daha iyi performans gösterebilir.
Mekanizma iki yönden çalışır. İlk olarak, bağlam gürültüsünü azaltır, bu, sinyal-gürültü oranı bozulmasının yapay zeka karşılığıdır. Bir ajanın bağlam penceresi uzun, tekrarlayan günlük verilerle dolduğunda, kullanışlı bilgiler gömülmeye başlar. Özetleme yoluyla sıkıştırma, gürültüyü kaldırır ve gerçekten önemli olanları korur.
İkincisi, belki de daha önemlisi, hataların tekrarlanmasını önler. Ne yanlış gittiğinin net bir kaydı olmadan, ajanlar aynı hataları tekrar tekrar yapmaya devam eder. Yapılandırılmış bir özet, "bunu tekrar yapma" listesi gibi çalışır ve yinelemeli sorun çözme için son derece değerli olur.
Yaklaşım, araştırmacıların agent iyileştirme konusundaki düşüncelerinde bir felsefi değişim temsil eder. Tekrar deneme sayısını artırma veya daha fazla hesaplama gücü harcama yerine, odak noktası bellek sıkıştırma ve deneyim yeniden kullanımına kayar.
Meta'nın daha geniş ajant araştırmalarında bu durumun nerede yer aldığını
Bu çalışma boşlukta mevcut değil. 2026 yılının erken dönemlerinde HyperAgents ve Meta-Harness gibi çerçeveler üretmiş olan, Meta’nın kendini geliştiren ajan sistemlerine yönelik sürekli çabalarının bir parçasıdır.
Bu daha önceki çerçeveler, kendi operasyonel mantıklarını zamanla geliştirebilen özerk AI sistemleri için temel oluşturdu. Karşılaştıkları zorluk, bilişsel yük idi; özellikle ajanların deneyim biriktirdikçe kendi tarihsel verileri tarafından aşırı yüklenmelerini nasıl önleyecekleriydi.
Özetleme yaklaşımı doğrudan bu darboğaza çözüm sunar. Ajan hala deneyim biriktirmeye devam eder, ancak şimdi bu deneyimi gelecek karar verme süreçlerine geri beslemeden önce kompakt ve uygulanabilir bir forma dönüştürür.
Yatırımcılar ve Yapay Zeka alanına bu ne anlama geliyor
Şu anda, çoğu kodlama ajansı ürünlerini ölçeklendirerek geliştiriyor. Daha fazla hesaplama, daha fazla yeniden deneme, daha uzun bağlam pencereleri. Bunların hepsi para kazandırır. Meta'nın yaklaşımı daha geniş uygulamalarda geçerli kalırsa, doğrusal olarak artan maliyetlere gerek olmadan daha iyi performans yolunu gösterir.
Her zaman olduğu gibi araştırmalarla ilgili risk, kontrollü sonuçların üretim ortamlarına her zaman aktarılamamasıdır. Kodlama performans testleri, gerçek dünya yazılım mühendisliğinden daha düzdür ve bu iki satırlık özetlerin kalitesi son derece önemlidir. Kötü bir özet, yardımcı sinyaller yerine yanıltıcı sinyaller sunarak, hiç özet olmamasından daha kötü olabilir.