CopilotKit, ajanların kullanıcı davranışlarından öğrenmesini sağlayan CLiF platformunu başlattı

CopilotKit, yapay zekâ ajanlarının ürün içindeki kullanıcı davranışlarından sürekli öğrenmesini sağlayan CLiF platformunu erken erişimde kullanıma sundu. Şirketin açıklamasına göre platform, ajanın yaptıklarını ve kullanıcıların üründe gerçekleştirdiği eylemleri güvenli biçimde tek bir zaman çizelgesinde yakalayıp bunları becerilere, üretim tabanlı değerlendirmelere ve ince ayar veri setlerine dönüştürüyor.

Açık kaynaklı CopilotKit çatısının ve AG-UI protokolünün arkasındaki şirket, GitHub'da 38 binden fazla yıldıza ulaşan projesiyle bu kez ajan ekiplerinin eğitim verisi sorununa odaklanıyor. CLiF, CopilotKit Intelligence ürününün bir parçası olarak sunuluyor ve tamamen kendi sunucunuzda barındırılabiliyor.

CLiF nedir, neyi çözüyor?

Bugünkü ajan gözlemlenebilirlik araçları çoğunlukla ajanın kendisine odaklanıyor: istemler, araç çağrıları ve model çıktıları kaydediliyor. Bu kayıtlar ajanın nerede hata yaptığını gösteriyor ancak doğru yolu görünür kılmıyor. Ürün analitiği araçları ise tıklamaları, hunileri ve oturum kayıtlarını topluyor; fakat bu veriler bir insanın panosunda okuması için tasarlanmış durumda, ajana bir görevi öğretmek için değil.

CopilotKit'in agent learning açıklamasında ortaya koyduğu görüşe göre, kullanıcıların işi gerçekte nasıl yaptığı bir ajan ekibinin sahip olabileceği en değerli veri seti; ancak bu veri neredeyse hiçbir zaman ajanın öğrenebileceği bir biçimde yakalanmıyor. CLiF tam bu boşluğu doldurmayı hedefliyor.

Full-stack yörünge nasıl oluşuyor?

Platform, tek bir temel birim üzerine kurulu: full-stack yörünge. Bu veri, CopilotKit'in ajanları kullanıcıya dönük uygulamalara bağlamak için geliştirdiği açık AG-UI protokolü üzerinden toplanıyor. AG-UI ajan ile kullanıcı arasında durduğu için bir görevin iki tarafını da görebiliyor:

• Ajan yörüngesi: ajanın yaptığı her çalıştırma, araç çağrısı ve durum değişikliği ile bunların döndürdüğü sonuçlar.
• Ürün yörüngesi: kullanıcının ekranında ne olduğu, hangi düğmelere tıkladığı ve hangi sunucu isteklerini tetiklediği. Kullanıcı yol boyunca ajanla konuşursa bu konuşma da aynı zaman çizelgesine sırayla ekleniyor.

AG-UI ajanın olaylarını zaten ön yüze aktardığı için kullanıcı eylemlerinin aynı protokol üzerinden yakalanması, iki yarıyı baştan tek bir akışta birleştiriyor. Böylece daha sonra bunları birleştirmek için ayrı bir analitik hattı kurmak gerekmiyor.

Öğrenme döngüsü dört aşamada nasıl işliyor?

CopilotKit öğrenme döngüsünü dört aşamada tanımlıyor:

1. Yakalama: Yörüngeler CopilotKit Intelligence'a akıyor ve öğrenme kapsayıcılarına atanıyor. Bu kapsayıcılar öğrenmeyi fatura desteği ya da müşteri karşılama gibi tek bir iş türüyle sınırlıyor.
2. Kalıp bulma: Bir kapsayıcı belirlenen eşiği aştığında analiz belirli bir programa göre çalışıyor; ekipler analizi elle de tetikleyebiliyor. Her çalıştırma, tekrar eden talepleri, yinelenen düzeltmeleri ve kullanıcıların sessizce etrafından dolaştığı sürtünmeleri Insight olarak ortaya çıkarıyor.
3. İnceleme: Kanıt yeniden kullanılabilir bir ders içeriyorsa CLiF bunu SKILL.md dosyası biçiminde bir beceri olarak öneriyor. Analiz servisi kendi başına hiçbir şey yayınlayamıyor; her öneriyi Intelligence arayüzünden ya da CopilotKit CLI üzerinden bir kişi onaylıyor veya reddediyor.
4. Dağıtım ve ihracat: Yayınlanan beceriler yeni bir dağıtım yapılmadan ajana ulaşıyor. Stabilite isteyen ekipler ajanı sabit bir beceri sürümüne bağlayabiliyor.

Beceri dağıtımı LangGraph (Python ve TypeScript), Mastra, Google ADK, Microsoft Agent Framework ve CopilotKit'in kendi ajanı için adaptörler üzerinden çalışıyor. Adaptör, bir katalog ile copilotkit_load_skill ve copilotkit_read_skill_file adlı iki araç ekliyor; model görev gerektirdiğinde beceriyi yüklüyor. Geliştirici talimatları önceliğini koruduğu için beceriler ajanın rolünü, güvenlik kurallarını veya araç kısıtlamalarını geçersiz kılamıyor.

Becerilerin ötesinde hangi çıktılar üretiliyor?

Beceriler yalnızca ilk çıktı. Aynı yörüngeler toplamda dört çıktıyı besliyor ve hepsi mevcut araç zincirine aktarılabiliyor:

• Ajanlar veya MCP sunucuları için, birçok oturumda tekrar eden kalıplardan üretilen beceriler.
• Kullanıcıların gerçekten yaptığı görevlerden üretilen üretim tabanlı değerlendirmeler; kimsenin elle yazmayı düşünmediği girdiler ve sınır durumları dahil.
• Gerçek görev yörüngelerinden çıkarılan ve bir şirketin en sık kullanılan iş akışlarında daha küçük, daha hızlı açık modelleri eğitmek için tasarlanan ince ayar veri setleri.
• Herhangi bir gözlemlenebilirlik platformuna aktarılabilen ham full-stack yörüngeler.

CopilotKit'e göre ekipler hâlihazırda kullandıkları değerlendirme ve gözlemlenebilirlik araçlarını korumalı; CLiF bu araçların eksik kalan verisini sağlıyor.

Örnek senaryo: Sprint kapatma

CopilotKit'in paylaştığı örnekte, Linear benzeri bir proje yönetim platformunun CTO'su görevleri ajanlara devretmek istiyor. Platformda bitmemiş tüm sorunları bir sonraki sprint'e taşıyan tek tıkla çalışan bir seçenek var ve dokümantasyon da kapatmayı tam olarak böyle anlatıyor. Bu yüzden sprint'i kapatması istenen ajan da tam olarak bunu yapıyor.

Ancak CLiF ürün yörüngelerini yakalamaya başladığında binlerce kapatma işlemi, ekip liderlerinin bundan fazlasını yaptığını gösteriyor: çoğu tek tıkla seçeneği kullanıyor, ardından birkaç dakikasını sonucu düzeltmeye ayırıyor. Daha önce bir kez devredilmiş sorunları biriktirme listesine geri taşıyıp atamayı kaldırıyor, engellenen sorunlara yorum yazıp engeli elinde tutan kişiyi etiketliyor. Bu rutini ekipten kimse tasarlamamış ve çok az kullanıcı sorulsa tarif edebilir; rutin yalnızca tek tıkın ardından gelen tıklama ve isteklerde var oluyor.

CLiF bu rutini arkasındaki oturumları göstererek bir Insight olarak ortaya çıkarıyor ve kapatmanın tamamı için bir beceri öneriyor. Ekip öneriyi inceleyip yayınladıktan sonra yerleşik ajan beceriyi yeni bir dağıtım yapılmadan alıyor.

Neden önemli?

CopilotKit, CLiF'in hedeflediği sorunlar arasında değerlendirme yükünü, bağlam şişmesini, maliyeti, parçalanmış araç zincirlerini ve gölge yapay zekâ kullanımını sayıyor. Platform ayrıca halihazırda üretimde ajanı olan ekiplerin geçmişi sıfırdan başlamak yerine LangGraph Server veya LangSmith Deployment üzerinden içe aktarabilmesine imkân tanıyor.

Türkiye'deki ekipler açısından platformun tamamen kendi sunucuda barındırılabilmesi dikkat çekici bir nokta; ancak CLiF'in erken erişim programına Türkiye'den başvuru koşulları ya da yerel bir fiyatlandırma henüz açıklanmadı.

Şirket, erken erişim ekipleri için aynı hattın değerlendirme adayları ve ince ayar veri setleri de ürettiğini belirtiyor. Platformun genel kullanıma ne zaman açılacağına ilişkin bir takvim paylaşılmadı.