TinyFish, yapay zekâ ajanları için arama mimarisini ve üretim derslerini paylaştı

Yapay zekâ ajanlarına web altyapısı sunan TinyFish, üretim ortamında çalışan otonom arama ajanları için geliştirdiği mimariyi ve derin araştırma sisteminden çıkardığı mühendislik derslerini iki teknik rehberde yayımladı. Şirketin açıklamasına göre rehberler, bir ajanın aramayı nasıl planladığını, kanıtları nasıl değerlendirdiğini, hatalarla nasıl baş ettiğini ve model akıl yürütmesi ile deterministik yürütme arasındaki sınırı nasıl yönettiğini ele alıyor.

TinyFish'in paylaştığı verilere göre sistem, kodlama görevlerinde yüzde 79,0 tamamlama oranına ulaşırken test edilen sağlayıcılar arasında en düşük medyan görev maliyetini (0,050 dolar) ve en küçük token kullanımını sağladı. Şirket bu sonuçları, katı kontrol döngülerine, hata türüne göre yapılan yeniden denemelere ve ayrı planlayıcılar yerine birleşik akıl yürütmeye bağlıyor.

TinyFish ajan mimarisi neye dayanıyor?

Şirketin kullandığı ajan arama mimarisi, bir yapay zekâ ajanının arama adımlarını planlamasına, kaynaklara erişmesine, kanıtları değerlendirmesine ve yeni bilgi geldikçe yaklaşımını değiştirmesine imkân tanıyor. Bu yapıda model akıl yürütmeyi üstlenirken çevresindeki uygulama durumu, araç çalıştırmayı, kanıt yönetimini, çalışma zamanı kurallarını ve çıktı doğrulamasını yönetiyor.

TinyFish, mimarisini dört web bileşeni üzerine kurdu: TinySearch, TinyFetch, TinyBrowser ve TinyAgent. Şirkete göre sistem, temel modelin etrafında yedi aşamalı bir kontrol döngüsüyle çalışıyor. Mimari, akıl yürütmeyi yürütmeden ayıran tipli araç arayüzlerine dayanan Şubat 2026 tarihli bir mimari ön makalesinden temel kavramları alıyor. Bu çalışma; token, çalışma süresi, toplam maliyet ve araç çağrısı sayısına katı sınırlar ile ayrıntılı izleme gibi koruma önlemlerini tanımlıyor.

Üretimde bir arama nasıl yürütülüyor?

TinyFish bir arama görevini yedi aşamaya ayırıyor: görevi tanımlamak, aramayı planlamak, ilk rotayı seçmek, adayları bulup seçmek ve içeriği getirmek, kanıtı değerlendirmek, toparlanmak ya da üst mercie iletmek, durup doğrulamak. İlk aşamada hedef, gerekli alanlar, kaynaklar, güncellik ve tamamlanma kurallarını içeren bir "kanıt sözleşmesine" dönüştürülüyor.

Şirkete göre ikinci aşama, bilinen bir hatanın önüne geçiyor: ChainRAG (ACL 2025) çalışmasının "getirmede kaybolma" olarak adlandırdığı, çok adımlı soru ayrıştırması sırasında kilit varlıkların kaybolması sorunu. Altıncı aşamadaki toparlanma adımı ise Search-R1 çalışmasından besleniyor; bu çalışma, modellerin önceki arama yetersiz kaldığında akıl yürütme sırasında ek arama sorguları üretmeyi öğrenebildiğini gösteriyor. TinyFish'in aktardığına göre söz konusu yöntem, yedi soru-cevap veri kümesinde RAG temel çizgilerini Qwen2.5-7B modelinde yüzde 41, Qwen2.5-3B modelinde yüzde 20 geride bıraktı.

Araç yönlendirmesi ve yeniden denemeler nasıl yapılmalı?

TinyFish'e göre araç seçimi sabit bir sırayı değil, bilgi boşluğunu izlemeli. Şirket, daha ağır bir araca geçmenin her zaman çözüm olmadığını belirtiyor: zayıf sonuçlar daha iyi bir sorgu gerektirirken çelişkili kaynaklar daha güçlü kanıt istiyor.

Yeniden denemeler de hata türüne göre ve belirlenen sınırlar içinde yapılmalı. Geçici hatalarda isteği tekrarlamak mantıklı olabilirken eksik ya da çelişkili kanıt farklı bir yaklaşım gerektiriyor. Tarayıcı üzerinden yapılan denemelerde, aynı formun iki kez gönderilmesi gibi istenmeyen sonuçlardan kaçınmak için önceden tamamlanan işlemlerin hesaba katılması gerekiyor.

Derin araştırma sisteminden çıkan dersler neler?

TinyFish'in derin araştırma ajanı arama yapıyor, sayfalarda geziyor ve kaynak gösteren kapsamlı raporlar üretiyor. Şirket, mühendislik zorluklarının çoğunun bağlam yönetimi, sistem orkestrasyonu ve ürün tasarımında toplandığını belirtiyor.

İlk ders, ayrı planlayıcının kaldırılması. İlk sürümlerde her seferinde sıfırdan çağrılan bağımsız bir planlayıcı kullanılıyordu ve bu planlayıcıya yalnızca yapılandırılmış durum aktarılıyordu. Şirkete göre "Güneydoğu Asya'daki yalnızca fiyatlandırma risklerine odaklan" gibi takip sorgularında ajan yeniden geniş pazar araştırmasına kayıyordu. TinyFish bunun ardından planlamayı orkestratörün kendi birleşik akıl yürütme döngüsüne taşıdı.

İkinci ders, alt ajanların kaldırılması. Şirket başlangıçta her arama sorgusu için ayrı bir alt ajan görevlendiriyordu; bu da bağlam değiştirme yükünü, gecikmeyi ve maliyeti artırıyordu. Ekip daha sonra arama sonuçlarını sıralama, kaynakları sınıflandırma ve kanıt çıkarma gibi tekrarlanabilir işler için alt ajanlar yerine araç çağrılarını kullanmaya geçti. Böylece orkestratöre dönen bilgi azaldı ve orkestratör araştırma planlamasına odaklanabildi.

Üçüncü ders, araştırmacıların beklentilerinin karşılanması. TinyFish başlangıçta sistemi kaynak kapsamına göre optimize ediyordu, ancak kullanıcılar destekleyici kanıtın kalitesine ve ilgi düzeyine daha fazla önem verdi. Ekip, kaynak sıralamasını araştırma hedefini hesaba katacak şekilde düzenledi; alan adlarını önceliklendirme, dışlama veya kısıtlama kontrolleri ekledi. Şirket ayrıca raporları ilgi düzeyi, kanıt gücü, alıntı güvenilirliği ve kaynak çeşitliliği açısından değerlendirmek için bir dil modeli hakem kullanan iç bir değerlendirme düzeneği geliştirdi.

Maliyet ve gecikme neden görev bazında hesaplanmalı?

TinyFish'e göre bütçeleme tek tek çağrılar değil, görevin tamamı üzerinden yapılmalı. Şirket görev gecikmesini planlama, arama, getirme, değerlendirme, yeniden denemeler, etkileşimli adımlar ve kuyruk süresinin toplamı olarak tanımlıyor. Görev maliyeti ise token, araç çağrıları, sayfa veya tarayıcı kullanımı, yeniden denemeler ve altyapı giderlerinden oluşuyor.

Şirketin aktardığı SearchAgent-X (ICLR 2026) çalışması bu yaklaşımı destekliyor: kesin getirme ek yük oluştururken kaba getirme daha fazla akıl yürütmeyi zorunlu kılıyor. Çalışmadaki düzeltmeler, test edilen temel çizgilere kıyasla 3,4 kata kadar daha yüksek işlem hacmi ve 5 kata kadar daha düşük gecikme sağladı.

Neden önemli?

TinyFish'in paylaştığı karşılaştırma verileri, üretim ortamındaki ajanların başarısının yalnızca temel modelin yeteneğine bağlı olmadığını gösteriyor. Şirket, OpenBenchmarks testinde modeli (gpt-5.6-sol), 100 görevi ve bütçeleri sabit tutup yalnızca sağlayıcıyı değiştirdi; puanlar üç çalıştırmanın ortalaması olarak alındı. Karşılaştırma yalnızca kurumsal dokümantasyon görevlerini kapsıyor ve tablo 26 Eylül 2026'da güncellendi.

Aynı testte yalnızca arama yapılan yapılandırmada TinyFish yüzde 59,3 görev tamamlama oranına ulaşırken Perplexity yüzde 77,3, Firecrawl yüzde 70,3 ve Exa Fast yüzde 66,3 oranında kaldı. TinyFish, kullanılabilir getirme yetenekleri farklı olduğu için bu sonuçların arama ve getirme puanlarıyla doğrudan karşılaştırılmaması gerektiğini belirtiyor. Türkiye'deki geliştiriciler açısından bu mimari, kendi ajan uygulamalarında planlama, kanıt değerlendirme ve maliyet sınırlarını nasıl kuracaklarına dair bir referans sunuyor. Şirketin Türkçe dokümantasyon ya da Türkiye'ye özel bir erişim planı açıklayıp açıklamadığı ise kaynakta yer almıyor.

TinyFish, mimari rehberine, derin araştırma derslerine ve dokümantasyonuna kendi sitesinden erişilebildiğini bildiriyor. MarkTechPost'un haberine göre söz konusu içerikler TinyFish sponsorluğunda hazırlandı.