0Pricing
AI Agents · Ders

Hedef Yığınları ve Geri İzleme

Alt hedefleri bir yığına ekleyin, tamamlandıklarında çıkarın ve çıkmazlarda geri izleme yapın: klasik yapay zeka planlaması.

Hedef Yığınları ve Geri İzleme, CoddyKit'te ücretsiz bir AI Agents dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Agents öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Agents kursu toplamda 4 dersten oluşur.

Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.

Hedef Yığını

Klasik yapay zekâ planlamasında bir hedef yığını kullanılır: karşılaştığınız alt hedefleri push ile ekleyin, tamamlandıklarında pop ile çıkarın. Aracılar da aynı veri yapısını kullanabilir:

goal_stack = []

def push(goal):
    goal_stack.append(goal)

def pop():
    return goal_stack.pop() if goal_stack else None

def current():
    return goal_stack[-1] if goal_stack else None

# --- demo ---
push('write the report')
push('collect the data')
print(f'Current goal: {current()}')
print(f'Popped: {pop()}')
print(f'Current goal after pop: {current()}')

Example: Refactoring Workflow

push('Refactor auth')
while current():
    g = current()
    if g == 'Refactor auth':
        if not done('add_oauth_dep'):
            push('Add OAuth dependency')
        elif not done('replace_login'):
            push('Replace login endpoint')
        else:
            pop()   # done
    elif g == 'Add OAuth dependency':
        # ...actually do the work...
        mark_done('add_oauth_dep')
        pop()

Geri İzleme

Bir hedef başarısız olduğunda:

  1. Onu başarısız olarak işaretleyin
  2. Üst düğüme geri dönmek için pop kullanın
  3. Farklı bir yaklaşım deneyin (farklı alt hedefler)

Backtracking Example

def attempt(goal):
    for approach in [oauth, saml, custom_token]:
        try:
            return run_with(goal, approach)
        except FailedException:
            continue
    raise NoApproachWorked(goal)

Denenen Yaklaşımları İzleme

Aynı başarısız yaklaşımı yeniden denemekten kaçının. Her hedef için nelerin denendiğini izleyin:

{
    'goal_id': 'refactor-auth',
    'tried': ['oauth', 'saml'],
    'remaining_options': ['custom_token']
}

Hedef Seçici Olarak LLM

Sırada neyin push edileceğine karar vermesi için LLM'yi kullanın:

next_goal = llm.invoke(f'Current goal: {current()}. Done so far: {done_list}. What sub-goal next?').content
push(next_goal)

Ön Koşullar ve Etkiler

STRIPS planlamasından yararlanın: her eylemin ön koşulları (neyin doğru olması gerektiği) ve etkileri (neyin doğru hâle geleceği) vardır:

action = {
    'name': 'replace_login',
    'preconditions': ['oauth_dep_installed'],
    'effects': ['login_endpoint_replaced']
}

Planlama ve Eyleme Geçme Döngüsü

İki aşamalı yaklaşım:

  1. Planla — sembolik planlayıcı hedef yığınını oluşturur
  2. Eyleme geç — aracı yığının tepesindeki öğeyi çalıştırır, dünya durumunu günceller ve gerekirse yeniden planlar

Hibrit Sembolik + LLM

Ön koşulları net olan görevlerde (dosya işlemleri, dağıtımlar) sembolik bir planlayıcı kullanın. Belirsiz kısımlar için LLM'yi kullanın. Sağlamlık için ikisini birleştirin.

Çıkmazlar

Bazen aracı hiçbir eylemin yardımcı olmadığı bir duruma ulaşır. Çıkmazları tanıyın ve daha geriye doğru geri izleme yapın:

if no_progress_in_n_steps(5):
    pop_to_parent()
    try_different_approach()

Geri İzleme Derinliğini Sınırlayın

Sınırsız geri izleme sonsuza kadar döngüye girebilir. Derinliğe ve toplam yineleme sayısına sınır koyun:

MAX_BACKTRACKS = 10
if backtrack_count >= MAX_BACKTRACKS:
    escalate_to_human()

Geri İzlemeleri Kullanıcılara Gösterin

Aracı geri izleme yaptığında kullanıcıya şunu söyleyin: "OAuth işe yaramadı, SAML deneniyor." Bu, güveni korur ve kullanıcının erkenden müdahale etmesini sağlar.

Geri İzleme Tetikleyicisi

Aracı bir alt hedeften ne zaman geri izleme yapmalıdır?

Özet

Hedef yığını, aracının "neredeyim?" sorusunu izler. Alt hedefleri push ile ekleyin, tamamlananları pop ile çıkarın ve çıkmazlarda geri izleme yapın. Sembolik planlamayı LLM yargısıyla birleştirin.

Sıkça Sorulan Sorular

“Hedef Yığınları ve Geri İzleme” dersi ücretsiz mi?

Evet — “Hedef Yığınları ve Geri İzleme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Agents kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Agents kursu toplamda 4 dersten oluşur.

“Hedef Yığınları ve Geri İzleme” dersinde ne öğreneceğim?

Alt hedefleri bir yığına ekleyin, tamamlandıklarında çıkarın ve çıkmazlarda geri izleme yapın: klasik yapay zeka planlaması. AI Agents ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Agents öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Agents, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“Hedef Yığınları ve Geri İzleme” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Agents dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Agents dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

  1. Hiyerarşik Görev Ayrıştırma
  2. Hedef Yığınları ve Geri İzleme
  3. Dünya Modelleri ve İleriye Bakış
  4. Yansıtma ve Öz Eleştiri Döngüleri
← AI Agents Sayfasına Dön