Orijinal Başlık: Meta-Meta-Tetikleme: AI Ajanlarının İşleyişinin Sırrı
Orijinal Yazar: Garry Tan
Çeviri: Peggy

Editör Notu: Çoğu insan hala AI'yı daha akıllı bir sohbet penceresi olarak gördüğü zaman, Y Combinator'ın mevcut CEO'su Garry Tan onu bir kişisel işletim sistemi haline getirmeye çalışıyordu.

AI çağındaki kişisel üretkenliğin temel altyapısı değişiyor: Modeller sadece motorlardır, gerçekten faiz getiren şey, kişisel bilgi, iş akışı, bağlam ve takdir etrafında inşa edilen bütün bir sistemdir.

Bu sistemde, her toplantı, her kitap, her e-posta, her ilişki artık izole bilgi değil, yapılandırılmış bir "ikinci beyin"e sürekli olarak kaydedilecektir; her tekrarlanan görev de artık geçici tetikleyiciye dayanmayacak, bunun yerine tekrar kullanılabilir bir beceri olarak soyutlanacak ve sonraki çalışmalarda sürekli olarak geliştirilecektir. Başka bir deyişle, AI sadece insanlara görevleri tamamlamalarında yardımcı olmuyor, aynı zamanda kişinin çalışma şeklini ürünleştirmesine, sistemleştirmesine, altyapısını oluşturmasına da yardımcı oluyor.

Daha da önemlisi, yazar merkezi AI araçlarından farklı bir kişisel yol önerdi: Gelecekteki rekabetçilik, sadece AI kullanabilenlere ait olmayabilir, aynı zamanda gerçek hayatları ve işleri etrafında sürekli getiri sağlayan bir AI sistemi eğitebilenlere ait olabilir. Sohbet robotları cevap verir, arama motorları bilgi sağlar, ancak gerçek kişisel AI sistemi, arka planınızı hatırlar, bağlamınızı anlar, takdirinizi devralır ve her kullanımda daha da güçlenir.

Bu aynı zamanda bu yazının en ilham verici yönüdür: AI'ın değeri, tek seferlik ne ürettiğinden ziyade, sürekli birikim, sürekli bağlantı ve sürekli iyileştirme olup olmadığındadır. Bireyler için, belki de bu "AI doğal çalışma şekli"nin gerçek başlangıcıdır.

Aşağıda orijinal metin yer almaktadır:

İnsanlar bana sürekli neden akşamlarını kod yazmaya harcadığımı, gece 2'ye kadar yazdığımı soruyor. Bir işim var ve oldukça yoğun bir iş—Y Combinator'ın CEO'suyum. Her yıl binlerce girişimciye hayallerini gerçekleştirmelerinde yardımcı oluyoruz: Gerçek gelire ve gerçek hızlı büyümeye sahip başlangıç şirketleri kuruyorlar.

Geçtiğimiz 5 ay boyunca, AI beni tekrar bir yapımcıya dönüştürdü. Geçen yılın sonunda, araçlar beni yeniden bir şeyler inşa etmeye yetecek kadar iyi hale gelmişti. Bu artık oyuncak projesi değil, gerçekten faiz getiren bir sistemdir. Sana, kişisel AI'yı sadece bir sohbet penceresi olarak değil, bir işletim sistemi olarak gördüğünde, bu tam olarak nasıl görüneceğini anlatmak istiyorum. Bunları açık kaynak olarak yayınladım ve bu makaleyi böyle yazdım çünkü umarım sen de benimle birlikte hız kazanırsın.

Bu, bir serinin bir parçasıdır: "Fat Skills, Fat Code, Thin Harness" çekirdek mimariyi açıklar; "Çözücüler" zeki yönlendirme tablosunu tartışır; "LOC Tartışması" her teknik kişinin kendini nasıl 100 ila 1000 kat büyütülebilir hale getirdiğini ele alır; "Çıplak modeller daha aptal" modellerin yalnızca motor olduğunu ve tüm araç olmadığını iddia eder; ve "skillify manifestosu", neden LangChain 1.6 milyar dolar fon aldıysa da size bir squat rack ve dambıl seti verip bir eğitim planı sunmadığı ve bu makalenin size gerçekten ihtiyaç duyduğunuz o antrenman planını verdiği konusunu açıklar.

"Beni Tersinden Anlamak" Kitabı

Geçen ay, Pema Chödrön'ün "When Things Fall Apart" adlı kitabını okudum. Bu 162 sayfalık kitap, 22 bölümden oluşur ve Budizm'in acıyı, köksüzlüğü ve vazgeçmeyi nasıl ele aldığını anlatır. Bir arkadaşım, zor bir dönem geçirirken bana bu kitabı önerdi.

Yapay zekamla bir "kitap aynası" (book mirror) yaptırdım.

Bu tam olarak şunu anlamına geliyor: Sistem, bu kitabın tüm 22 bölümünden içeriği çıkardı ve ardından her bir bölüm için bir alt agentyürüterek iki şey yaptı: yazarın düşüncelerini özetledi ve her görüşü gerçek hayatıma nasıl yansıtabileceğini haritaladı.

Bunlar genel bir "bu liderler için de geçerlidir" türü boş konuşmalar değildi, çok belirli haritalamalar yapıldı. Sistem aile geçmişimi biliyordu: göçmen ebeveynler, babam Hong Kong ve Singapur'dan, annem Burma'dan. Mesleki bağlamımı biliyordu: YC'yi yönetiyorum, açık kaynak araçlar geliştiriyorum, binlerce kurucuya rehberlik ediyorum. Son zamanlarda ne okuduğumu, sabaha karşı 2'de neyi düşündüğümü, terapistimle hangi konuları ele aldığımızı biliyordu.

Nihai çıktı, 30.000 kelimelik bir "zihin sayfası" (brain page) oldu. Her bölüm, iki sütun şeklinde sunuldu: biri Pema'nın ne söylediğini, diğeri bu içeriğin benim gerçek yaşamımda nasıl yer bulabileceğini. "Kökü Olmayış"ı anlatan bölüm, geçen hafta bir girişimciyle yaptığım belirli bir konuşmaya bağlandı; "Korku"yu anlatan bölüm, terapistimin işaret ettiği bazı davranış kalıplarına yansıtıldı; "Vazgeçme"yi anlatan bölüm ise bu yıl keşfettiğim yaratıcı özgürlüğe dair gece yarısı yazdığım içerikten alıntılar yaptı.

Tüm süreç yaklaşık 40 dakika sürdü. 300 dolarlık saatlik bir terapist, bu kitabı okuyup hayatıma uygulasa bile, benimle ilgili mesleki bağlamımı, okuma geçmişimi, toplantı notlarımı ve kurucu ilişki ağımı tam olarak yükleyip çapraz referans yapamazdı. Bu, 40 saat içinde imkansızdı.

Şimdiye kadar bu yöntemle 20'den fazla kitaba işledim: Amplified (Dion Lim), Russell'ın Otobiyografisi, Hayatını Tasarla, Dahi Çocukların Trajedisi, Sınırlı ve Sınırsız Oyun, Denizin Hediyesi (Lindbergh), Siddhartha (Hesse), Steppenwolf (Hesse), Bilim ve Mühendisliği Yapma Sanatı (Hamming), Rüya Makinesi, Kim Olduğunu Bilmemenin Yasakları Üzerine Kitap (Alan Watts), Diğer İnsanların Sizin Hakkınızda Ne Düşündüğü Umurunda mı? (Feynman), Her Şeyin Kısa Bir Tarihi (Ken Wilber), ve benzeri kitaplar.

Her bir kitap bu "beyni" daha da zenginleştiriyor. İkinci ayna ilkincinin içeriğini bilir, yirminci ayna ise on dokuz öncekinin tamamını bilir.

Kitap-Ayna'nın İteratif Olarak Nasıl Geliştiği

İlk defa kitap aynasını yaptığımda, etkisi son derece kötüydü.

İlk versiyonda, ailemle ilgili üç yanlış bilgi vardı. Ailemin boşandığı söyleniyordu, ancak gerçekte durum böyle değildi; ayrıca Hong Kong'da büyüdüğüm söyleniyordu, oysa ben aslında Kanada'da doğdum. Bunlar temel hatalardı ve sonucu paylaşırsam muhtemelen güveni sarsardım.

Bu yüzden zorunlu bir gerçek doğrulama adımı ekledim. Şimdi her ayna teslim edilmeden önce, beyinde bilinen gerçeklere yönelik çoklu-modlu bir değerlendirme yapar. Opus 4.7 1M doğruluk hatalarını yakalar; GPT-5.5 eksik bağlamları bulur; DeepSeek V4-Pro ise bazı içeriklerin genel ve laf kalabalığı olduğunu tespit eder.

Daha sonra, bunu bir GBrain aracı çağrısıyla desteklenen derinlemesine bir arama sürecine yükselttim. İlk versiyon sentez yapmada iyiydi, ancak spesifiklik konusunda zayıftı. Üçüncü baskıdan itibaren, beyin aramasını bölüme ayırdım. Sağ taraftaki herhangi bir içerik, gerçek bir beyin sayfasından alıntı yapacaktır.

Kitap zor konuşmaları nasıl ele alacağından bahsederken, genel prensipleri özetlemekle kalmaz. Gerçek şu ki, kimliğini bilmeden zor konuşmalarla başa çıkan kurucuların toplantı notları ortaya çıkarır; veya bir Perşembe akşamı kardeşim James'le sohbet ederken aklımdan geçen bir fikir; ya da 19 yaşındayken üniversite odadaşımla yaptığım anlık mesajlaşma kaydı. Bu tür şeyler oldukça garip bir duygu yaratır.

Bu, "becerikillendirme"nin (skillification, /skillify GBrain içindeki kullanımıyla) uygulamadaki anlamıdır. İlk kez manuel olarak denememi bir tekrarlanabilir desene dönüştürdüm, test edilmiş bir beceri dosyası haline getirdim; tetikleyici koşulları ve sınır durumları içeriyor. Bundan sonra, her bir düzeltme gelecekteki tüm kitap aynalarında devamlı faiz getirmeye devam edecek.

Becerik oluşturabilen beceri

Gerçekten tekrarlanan yer burası, bence bu aynı zamanda en büyük içgörüdür.

Günlük yaşamımı destekleyen sistem, tek bir devasa yapı şeklinde ortaya çıkmaz. Birer birer becerilerin bir araya getirilmesiyle oluşur. Ve bu beceriler kendileri, başka bir beceri tarafından oluşturulmuştur.

Skillify bir "meta-beceri"dir - yeni beceriler oluşturmak için kullanılan bir beceridir. Gelecekte sürekli olarak yürütülecek bir iş akışıyla karşılaştığımda, "bu becerikillendir" derim. Sonra, şimdi neler olduğuna geri döner, tekrarlanabilir deseni çıkarır, test edilmiş bir beceri dosyası haline getirir; tetikleyici koşulları ve sınır durumlarını içerir ve bunu çözümleyiciye kaydeder.

Önce bahsedilen book-mirror boru hattı, bu süreci ilk kez manuel olarak tamamladıktan sonra becerikillendirilerek oluşturuldu. Toplantı hazırlığı iş akışı da öyledir: Her aramadan önce aynı adımları yaptığımı fark ettiğimde, bunu becerikillendiririm.

Beceriler bir araya getirilebilir. Book-mirror, depolama için brain-ops'u çağırır, bağlamı zenginleştirmek için enrich'i çağırır, kalite değerlendirmesi yapmak için cross-modal-eval'i çağırır, sonucu çıkarmak için pdf-generation'ı çağırır. Her beceri yalnızca bir şeye odaklanır, ancak bunlar birbirine bağlanabilir, karmaşık bir iş akışı oluşturabilir.

Bir beceriyi geliştirdiğimde, bu beceriyi kullanan tüm iş akışları otomatik olarak daha iyi hale gelir. Artık "bu sınır durumunu prompt'ta unuttum" türü sorunlar olmayacak. Beceri hatırlayacaktır.

O Toplantıyı Kendi Hazırlayan

Demis Hassabis, YC'ye bir konuşma yapmak için geldi. Sebastian Mallaby'nin onun hakkındaki biyografisi yeni yayınlandı.

Sisteme hazırlık yapmasına yardım ettim.

Tam iki dakika içinde, şunları çıkardı: Demis'in tam beyin sayfası - bu içerik, makalelerden, podcast transkriptlerinden ve kendi notlarımdan aylarca süren birikimle oluşturulmuş; AGI zaman çizelgesine ilişkin açıkça ifade ettiği görüşler, örneğin "Ölçeklendirme %50, yenilik %50" ve AGI'nin hala 5 ila 10 yıl daha süreceğini düşünüyor; Mallaby'nin biyografi hakkındaki odak noktaları; sürekli öğrenme, dünya modeli ve uzun vadeli bellek gibi açıkça belirttiği araştırma öncelikleri; konuşmalarımızda ifade ettiği yapay zeka görüşleri ile arasındaki çapraz atıflar; bu "beynin" çoklu sıçrama akıl yürütme yeteneğini göstermek için kullanılan üç demo betimleme betiği; ve dünya görüşümüzdeki ortak ve farklı noktaları tasarlanmış konuşma giriş noktalarından oluşan bir takım.

Bu yalnızca daha iyi bir Google Araması değil. Bu bağlam temelli hazırlıktır: Sistem sadece Demis hakkında biriktirdiğim uzun vadeli bilgileri kullanmakla kalmaz, aynı zamanda kendi konumumu da, ve bu konuşmanın stratejik hedefini de içerir.

Hazırladığı şey sadece gerçekler değil, bakış açısıdır.

Bir 100,000 Sayfalık Bir Beyin Nasıl Görünür

Yaklaşık 100,000 sayfalık yapılandırılmış bir bilgi tabanı sürdürüyorum.

Karşılaştığım herkesin bir sayfası olur, içinde bir zaman çizelgesi, durum çubuğu - yani mevcut gerçek durum, henüz çözülememiş ipuçları - ve bir puan bulunur. Her toplantının bir transkripti, yapılandırılmış bir özeti ve bir toplantıdaki her kişi ve her şirketten bahsedilince o kişi veya şirketlerin beyin sayfalarını güncellemek için kullandığım "varlık yayılması" adını verdiğim bir işlem vardır.

Her okuduğum kitap, bölüm bölüm bir kitap yansıması alır. Her makaleye, her podcast'e, her videoya temas ettiğimde, içeri alınır, etiketlenir ve çapraz referanslar oluşturulur.

Bu şema oldukça basittir. Her sayfa üç bölümden oluşur: En üstte "derlenmiş gerçek" bulunur - yani şu anki en iyi anlayış; altta, olayları kronolojik sırayla kaydeden, sadece ekleme yapılmasına izin veren bir zaman çizelgesi bulunur; yanında ise kaynak materyali saklanan, orijinal veriye referans olan bir yan panel bulunur.

Bunu kişisel bir Wikipedia versiyonu olarak düşünebilirsiniz. Her sayfa sürekli olarak güncelleyen bir yapay zeka tarafından yönetilir ve bu yapay zeka toplantılara katılır, e-postaları okur, konuşmaları izler ve PDF'leri sindirir.

Bu sistem nasıl kaldıracılı çalıştığını açıklayan bir örnek var.

Bir girişimci ile ofis saatlerinde görüştüm. Sistem kişisel sayfasını, şirket sayfasını oluşturur veya günceller, toplantı notlarını çapraz referanslar ile günceller, onu daha önce görüp görmediğimi kontrol eder - eğer görmüşsem, ne hakkında konuştuğumuzu ortaya çıkarır; başvuru belgelerini kontrol eder, en son metrikleri getirir ve yatırım portföyümdeki şirketlerden veya kişilerden, çözümlemesi gereken sorununda yardımcı olabilecek birinin olup olmadığını belirler.

Onunla bir sonraki toplantıma girdiğimde, sistem tam bir bağlam paketi hazırlamış olur.

İşte "Dosyalık" ve "Sinir Sistemi" arasındaki fark budur. Dosyalık sadece şeyleri depolar; sinir sistemi onları birleştirir, neyin değiştiğini belirler ve en ilgili bilgileri şu anda ortaya çıkarır.

Yapı

Çalışma şekli şöyle. Bence, kişisel bir yapay zeka inşa etmenin doğru yolu budur, bu yüzden tüm seti açık kaynak yaptım, siz de kendi başınıza kurabilirsiniz.

Harnes çok ince. OpenClaw çalışma zamanıdır. Mesajımı alır, hangi becerinin uygun olduğunu belirler ve ardından dağıtır. Sadece birkaç bin satır yönlendirme mantığı vardır. Kitap, toplantı veya kurucuyu anlamaz, sadece yönlendirmeden sorumludur.

Beceriler çok kalındır. Şu anda 100'den fazla beceri var, her biri belirli bir görev için ayrıntılı talimatlar içeren kendi kendini içeren bir markdown dosyasıdır. Önce book-mirror ve meeting-prep'i gördünüz. Aşağıda, GBrain'de bulunan diğer bazı beceriler vardır:

meeting-ingestion: Her toplantı bittikten sonra, oturum tutanaklarını alacak, yapılandırılmış bir özet oluşturacak ve ardından her bir kişi ve şirketi tartışma içeriğini güncellemek için tarayacak ve beyin sayfalarını güncelleyecektir. Toplantı sayfası kendisi nihai ürün değildir, gerçek değer bu bilgilerin her kişiye ve her şirket sayfasına yayılmasında yatar.

enrich: Bir kişinin adını verin. Beş farklı kaynaktan bilgi çekecek, tüm içeriği bir beyin sayfasında birleştirecek ve kariyer hattı, iletişim bilgileri, toplantı geçmişi ve ilişki bağlamını içerecek. Her bir çıkarımın kaynak referansı vardır.

media-ingest: Video, ses, PDF, ekran görüntüsü ve GitHub deposunu işler. İçeriği transkribe edecek, varlıkları çıkaracak ve materyalleri doğru beyin konumuna yerleştirecektir. Sık ​​sık YouTube videoları, podcast'ler ve sesli notlarla çalışırken kullandım.

perplexity-research: Beyin güçlendirme yeteneğine sahip ağ araştırmasıdır. Perplexity ile web arar, ancak sentezlemeden önce, zaten öğrendiğiniz beyindeki bilgilere bakar ve hangi bilgilerin gerçekten yeni hangilerinin daha önce yakaladığınıza söyler.

Kendi çalışmam için birkaç on beceri daha inşa ettim ve muhtemelen açık kaynak haline getireceğim: email-triage, investor-update-ingest——portföy güncellemelerimi tanıyabilir ve iş performansı göstergelerini şirket sayfasına çıkarabilir; calendar-check——çakışmaları kontrol etmek ve yapılması imkansız seyahat düzenlemelerini tespit etmek için; ayrıca kamu işleri için kullandığım haber araştırma yığını var.

Her beceri bir işletme bilgisini kodlar ve eğer bir yeni insan asistanına öğretilirse, öğrenmesi aylar sürebilir. Birisi AI'mi nasıl "başlatırım" diye sorduğunda, cevap şudur: Ben ipucu vermiyorum. Beceri zaten ipucudur.

Veri yoğun. Beyin deposunda 10.000 sayfa yapılandırılmış bilgi var. Herkesle temas ettiğim her şahıs, her şirket, her toplantı, her kitap, her makale, her düşünce bağlantılı ve aranabilir haldedir ve her gün büyümeye devam ediyor.

Kod da oldukça yoğun. Ona beslenen kod da oldukça önemli: transkriptler, OCR, sosyal medya arşivi, takvim senkronizasyonu, API entegrasyonlu betikler. Ancak bileşik faiz değerinin gerçekten yerleştiği yer veridir.

Her gün takip ettiğim her şeyi - sosyal medya, Slack, e-posta ve fark ettiğim herhangi bir bilgiyi - kontrol etmek için 100'den fazla cron görevi çalıştırıyorum. Ayrıca benim için bu bilgileri izleyen OpenClaw/Hermes Ajanlarım da var.

Modeller yerine konabilir. Doğruluk için Opus 4.7 1M kullanırım; geri çağırma ve kapsamlı çıkarma için GPT-5.5'i kullanırım; yaratıcı çalışmalar ve üçüncü şahıs bakış açısı için DeepSeek V4-Pro'yu kullanırım; hız için Groq ve Llama'yı kullanırım. Hangi görevin hangi modele çağrılacağı beceri tarafından belirlenir. Harness, kimin umurunda olduğunu umursamaz.

Birisi "en iyi hangi yapay zeka modelidir?" diye sorduğunda cevap şudur: Yanlış soruyu soruyorsunuz. Model sadece motor; geriye kalan her şey, arabayı arabaya yapan parçalardır.

Saat 02:00'deki yapılandırıcı ve Sürekli Bileşik Sistem

İnsanlar bana verimlilikle ilgili sorular soruyor. Ama ben bu şekilde düşünmüyorum.

Ben bileşik faizi düşünüyorum.

Katıldığım her toplantı, bu beyne içerik ekler. Okuduğum her kitap, bir sonraki kitaba derinlik kazandırır. Geliştirdiğim her beceri, bir sonraki iş akışını hızlandırır. Güncellediğim her karakter sayfası, bir sonraki toplantı hazırlığını daha keskin hale getirir.

Bu günün sistemleri bile iki ay öncesinin on katı. İki ay sonra, şu anki durumun on katı olacak.

02:00'de hala kod yazarken — ve gerçekten bunu sıkça yaparım, çünkü yapay zeka bana inşa etmenin keyfini tekrar hatırlattı — sadece yazılım yazmıyorum. Her saat daha iyi hale gelen bir sisteme yetenek ekliyorum.

100 cronjob gün boyu çalışıyor. Toplantı alımı otomatik olarak gerçekleşiyor. E-posta triyajı her 10 dakikada bir çalışıyor. Bilgi haritam her konuşmadan kendini zenginleştiriyor. Sistem her gün transkriptleri işliyor ve fark etmediğim desenleri anlık olarak çıkarıyor.

Bu bir yazma aracı değil, arama motoru değil, sohbet botu da değil.

Bu gerçekten çalışan bir ikinci beyindir. Bu bir metafor değil, çalışan bir sistemdir: 100.000 sayfa içerik, 100'den fazla beceri, 15 cron job ve geçen yıl boyunca katıldığım her iş ilişkisi, her toplantı, her kitap ve her düşüncenin biriktirdiği bağlam.

Tüm teknik yığını açık kaynaklı yaptım. GStack, 8.7 binden fazla yıldıza sahip olan bir kodlama becerileri çerçevesidir ve bu sistem için onu kullandım. Bir ajanın kod yazması gerektiğinde, hala onu OpenClaw/Hermes Agent içinde bir beceri olarak kullanıyorum. Harika bir programlanabilir tarayıcı da var, hem başsız modu hem de başlıklı modu destekler.

GBrain, bir bilgi altyapısıdır. OpenClaw ve Hermes Agent, araçtır, birini seçebilirsiniz, ancak genellikle ikisini de kullanırım. Veri depoları da GitHub'da.

Temel karar oldukça basittir: Gelecek, çoğunluğun kurumsal merkezi AI araçlarını kullandığı değil, tekrar eden faizli AI sistemlerini inşa edebilen bireylerindir.

Bu iki yaklaşım arasındaki fark, bir günlük yazmak ile bir sinir sistemine sahip olmanın arasındaki fark gibidir.

Nasıl Başlanır

Siz de böyle bir sistem inşa etmek istiyorsanız:

Öncelikle bir araç seçin. OpenClaw, Hermes Agent kullanabilirsiniz veya sıfırdan bir tane Pi tabanlı oluşturabilirsiniz. Anahtar, hafif kalmasıdır. Araç sadece bir yönlendiricidir. Bunun için evde boşta duran bir bilgisayarı kullanarak Tailscale üzerinden erişebilir veya Render veya Railway gibi bulut hizmetlerine yerleştirebilirsiniz.

Sonra bir GBrain ile bir "beyin" oluşturun. İlk başta Karpathy'nin LLM Wiki'sinden esinlendim ve bunu OpenClaw'da uyguladım, daha sonra GBrain'e genişlettim. Benim test ettiğim en iyi arama sistemidir: LongMemEval'de %97.6 hatırlama oranına ulaşır ve LLM'siz bir alandaki arama aşamasında MemPalace'ı aşar. 39 yüklenebilir beceri ile gelir, bu makalede bahsedilen tüm içerikleri içerir. Kurulum için tek bir komut yeterlidir. Bir git repo alacaksınız ve her kişi, her toplantı, her makale, her fikir kendi sayfasına sahip olacaktır.

Ardından, gerçekten ilginç bir şey yapmaya devam edin. Yetenek mimarinızı hemen planlamayın. Önce belirli bir görevi tamamlayın: bir rapor yazın, bir kişiyi araştırın, bir NBA sezonunun skorlarını indirin ve spor bahisleri için bir tahmin modeli oluşturun, yatırım portföyünüzü analiz edin veya gerçekten önemsediğiniz herhangi bir şeyi yapın. Agent'ınızı kullanarak bunu yapın, sürekli olarak tekrarlayın, sonuçlar yeterince iyi olana kadar Skillify'i çalıştırın - yukarıda bahsedilen meta yetenek - ve desenleri yeniden kullanılabilir bir yetenek haline getirin. Daha sonra, bu yeni yeteneğin resolver'a entegre edildiğinden emin olmak için check_resolvable'ı çalıştırın. Bu döngü, tek seferlik bir çalışmayı, sürekli olarak faiz getiren bir altyapıya dönüştürecektir.

Bunu devam ettirin ve çıktıları dikkatlice inceleyin. Bu yetenek başlangıçta kesinlikle sıradan olacaktır. Bu tam da önemli olan nokta. Kullanın, oluşturduğu içeriği okuyun, bir şeylerin yanlış olduğunu fark ettiğinizde, çapraz-modal değerlendirmeyi çalıştırın: Çıktıyı çeşitli modellere verin ve bunları ilgilendiğiniz boyutlara göre puanlayın. Bu, book-mirror'ın hatalı olduğunu ilk keşfettiğim yöntemdir. Yanlışlar yeteneğe dahil edilirken düzeltilir ve o zamandan beri, her ayna çalışması daha temiz hale geldi.

Altı ay sonra, hiçbir sohbet robotunun kopyalayamayacağı bir şeye sahip olacaksınız. Çünkü gerçek değer, modelin kendisinde değil, sisteme sizin özel yaşamınızı, çalışmanızı ve yargılama şeklinizi anlatmayı öğrettiğinizde ortaya çıkar.

Bu sistemle yarattığım ilk şey çok kötüydü. İlk yüze geldiğinde, bir takvim, gelen kutusu, toplantı hazırlığı ve okuma listesiyle bana güvenebileceğim bir sistem haline gelmişti. Sistem öğreniyor, ben de öğreniyorum. Faiz getirisi eğrisi gerçektir.

Kalın yetenek, kalın kod, ince araç. LLM, sadece bir motordur. Kendi aracınızı yaratabilirsiniz.

Bahsettiğim tüm bu şeyler - tüm yetenekler, book mirror akışı, çapraz-modal değerlendirme çerçevesi, skillify döngüsü, resolver mimarisi ve 30'dan fazla yüklenebilir yetenek paketi - zaten açık kaynaklı hale getirildi ve ücretsiz olarak GitHub'da sunuldu.

Inşa etmeye başlayın.

[Orjinal Metin Bağlantısı]

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia