Kimi K2.5 ve Agent Swarm: Dört Pratik Örnekle Rehber

Bununla birlikte, olumsuz yanı, nihai yazımdaki bazı iddiaların yeterince kaynaklandırılmamış ya da fazla kesin hissettirmesi ve rehberin, bağlantılar, kaynaklar ve daha net varsayımlar (donanım, model boyutu, yığın boyutu, bağlam uzunluğu) ile güçlendirilebilecek olması; zira üretim önerileri büyük ölçüde bağlama bağlıdır. Genel olarak, karmaşık, çok parçalı bir istemi ele aldı ve üretime hazır görünen, net ve hemen kullanılabilir bir oyun planı sundu. 

Veri kümesi oluşturma ve açıklama

Sonraki aşamada, Kimi K2.5’ten çözümler ve zorluk etiketleri içeren 100 maddelik bir matematik sözel problem kıyaslaması üretmesini isteyerek Agent Swarm’ı bir veri kümesi oluşturma görevinde test ettim. Ayrıca kaliteyi korurken sürü boyutu kısıtına ne kadar uyduğunu görmek için açıkça 20 ajan kullanmasını talep ettim.

İstem: 

Build a small benchmark dataset of 100 math word problems with step-by-step solutions and difficulty labels. Use at least 20 agents to generate problems in parallel, verify solutions independently, and calibrate difficulty.

Kimi K2.5 Agent Swarm, veri kümesi oluşturmayı üretim, doğrulama ve kalibrasyon dahil olmak üzere üç aşamalı bir hat olarak ele aldı. İstem en az 20 ajan istese de, sistem doğruluğu sayıya sıkı sıkıya uymaya tercih ederek otonom biçimde 25 alt ajan başlattı. Dikkat çekici olan, aynı anda yaklaşık beş ajanın etkin çalışması, diğerlerinin ise önceki alt görevler tamamlandıkça kuyruğa girip devam etmesiydi; bu da dahili bir zamanlama mekanizmasına işaret ediyor. 

Her üretim ajanı ayrı bir matematik alanını ele aldı ve adım adım çözümlerle beş problem üretti; ardından 10 ajan doğrulamaya, daha küçük bir beşli ise zorluk kalibrasyonuna odaklandı. 

Buradaki belirgin güç, kaygıların net biçimde ayrılması ve doğrulamadaki yedeklilik; bu da veri kümesi kalitesini maddi olarak iyileştiriyor. Başlıca dezavantaj ise gecikme ve sıralı bir darboğazdır. 

Tüm çalışma yaklaşık 20–25 dakika sürdü; bu yaklaşımı hızlı yinelemeden ziyade yüksek kaliteli kıyas oluşturma için daha uygun kılıyor. 25 ajanla bile bazı ajanların diğerlerini beklemesi gerekti; bu da sürünün hâlâ adımların mantığıyla sınırlı olduğunu gösteriyor.

Yine de, her alt görev için ajan sayısını dinamik olarak ayarlayabilmesi, boşta olan ajanları yeniden kullanabilmesi ve etiketli bir veri kümesinde yakınsaması, Agent Swarm’ın nasıl davrandığının güçlü bir gösterimidir. 

Ölçekte çok kipli Soru-Cevap 

Ardından, birden fazla besin etiketi görseli sağlayıp yapılandırılmış bir karşılaştırma isteyerek Kimi K2.5’i çok kipli bir iş akışına yönlendirdim. Amaç, görsel verileri ne kadar iyi çıkarabildiğini, normalize edebildiğini ve doğrulayabildiğini görmekti.

İstem: 

I’m sharing images of nutrition labels from 7 packaged food items. Analyze them and produce a clear comparison specifically:
Extract fields like: calories, protein, total fat, sugar, sodium,  from each label.Normalize all values to a per-100g basis so items are comparableDouble-check numeric consistency (e.g. serving size vs totals)Rank the products from healthiest to least healthy, explaining the reasoningReturn a comparison table with normalized values for all items. Also include a summary highlighting, best high-protein option, the lowest sugar option, and items to avoid and why.
Assume the labels may vary in format and serving size. Resolve ambiguities where possible and note any missing or unclear values.

Bu çok kipli Soru-Cevap deneyinde, Kimi K2.5 Agent Swarm, görevi her etikete bir alt ajan düşecek şekilde ayrıştırdı; her görselden besin alanlarını çıkarmak için yedi paralel alt ajan başlatırken, bir koordine eden ajan normalleştirme, çapraz kontrol ve sıralamayı üstlendi. 

Kimi ile ilgili ilginç bir nokta, istemde belirttiğiniz kısıtların (çıkarma, normalleştirme, doğrulama, sıralama) Kimi’nin alt ajanları nasıl başlatıp atadığına fiilen bir plan haline gelmesidir.

Benim için öne çıkan, sürünün doğrulamayı önemli bir adım olarak ele almasıydı; yani çıkarımdan sonra orkestratör porsiyon boyutlarını açıkça uzlaştırdı, değerleri normalize etti ve belirsizlikleri işaretledi; sessizce tahmin yürütmedi. Ürünleri sıralayan ve en iyi yüksek proteinli ve düşük şekerli seçenekleri belirten nihai sentez adımı, görsel girdiler arasında güçlü bir toplama mantığı sergiledi.

Olumsuz yanı, 7 yüksek çözünürlüklü görseli bir sürüyle analiz etmek hesaplama açısından ağırdır; bu da onu hızlı sohbet aracından ziyade üst düzey bir özellik yapar. 

Bu örnek mevcut bir sınırlamayı da ortaya koydu; görsel tabanlı çok kipli analiz iyi çalışırken, doğrudan video girişi desteklenmiyordu; bu nedenle bir yemek videosundan tarif oluşturma girişimi gerçekleştirilemedi. 

Genel olarak, bu demo Agent Swarm’ın paralel görsel çıkarım ve yapılandırılmış uzlaştırmadaki gücünü vurguluyor.

Bir oyun kodlamak

Son olarak, sıfırdan tamamen etkileşimli bir Bubble Shooter oyunu inşa etmesini isteyerek Kimi K2.5’in kodlama yeteneklerini test ettim. Bu deney, tutarlılığın paralellikten daha önemli olduğu uçtan uca, durumlu kod üretimini modelin nasıl ele aldığını öne çıkarıyor.

İstem: 

```markdown

Yerel olarak bir web tarayıcısında çalışan, tamamen oynanabilir bir Bubble Shooter oyunu oluşturun. Oyun, fare ve dokunmatik hedeflemeyi desteklemeli, canlı bir nişan alma kılavuzu göstermeli, alt ortadan renkli baloncuklar fırlatmalı, atışları yan duvarlardan sektirmeli ve çarpışmada baloncukları üstteki bir ızgaraya oturtmalıdır. 

Aynı renkten üç veya daha fazla bağlı baloncuğu patlatma, bağlantısız kümeleri düşürme, skoru izleme ve görüntüleme, sonraki baloncuk önizlemesini gösterme ve baloncuklar alttaki tehlike çizgisini geçtiğinde oyunu bitirme gibi temel oynanış mantığını uygulayın.

Görselleri basit ama duyarlı tutun, bir yeniden başlat düğmesi ekleyin ve oyunu yerelde nasıl çalıştırıp test edeceğinize dair kısa talimatlarla tamamlayın.

```

Bu oyun geliştirme deneyinde, Kimi K2.5 Agent Swarm, tüm görevi tek başına ele almak üzere yalnızca bir alt ajan tahsis ederek dikkate değer ölçüde ihtiyatlı bir seçim yaptı. 

Bu kararın kendisi de ilginç bir gözlem; zira sistem bunun, yoğun paralelliğin fayda sağlamadan koordinasyon yükü getireceği, sıkı bağlı ve durumlu bir kodlama problemi olduğunu doğru şekilde fark etti. 

Ajan, nişan alma, duvar sekmeleri, ızgaraya oturtma, üçlü eşleşme patlatma, skor takibi ve yeniden başlatma mantığıyla, hem oynanış mekaniğini hem de arayüz akışını gösteren, yerelde çalıştırılabilir eksiksiz bir Bubble Shooter uygulaması üretti. 

Özellikle hoşuma giden, çıktının tutarlı ve entegre hissettirmesiydi; ancak ödün, her şey tek bir ajan üzerinden yürüdüğü için inceltme ve cilalamanın muhtemelen yinelemeli istemler gerektirecek olmasıdır. 

Genel olarak bu örnek, Kimi K2.5’teki Agent Swarm’ın her zaman daha fazla ajan başlatmakla ilgili olmadığını; paralelliğin gerçekten sonuçları iyileştirdiğinde kullanılmasına yönelik olduğunu güzel biçimde gösteriyor.

Sonuç

Bu eğitimde Kimi K2.5, karmaşık görevleri ayrıştırma, ajanları dinamik olarak tahsis etme ve geleneksel olarak tek bir modelden ziyade küçük bir ekip gerektirecek yapılandırılmış, karar-odaklı çıktılar üretme becerisi sergiledi.

Aynı zamanda örnekler sınırlarını da netleştiriyor. 

Agent Swarm, araştırma, veri kümesi inşası ve çok kipli çıkarım gibi geniş, araç yoğun iş akışlarında parlıyor; ancak etkileşimli oyun geliştirme gibi sıkı bağlı, durumlu görevlerde çok az avantaj sunuyor. 

Ayrıca, özellikle doğrulama ve uzlaştırmanın ham çıktıya önceliklendirildiği durumlarda gecikme, maliyet ve yineleme hızı etrafında gerçek ödünler getiriyor.

Genel olarak, Kimi K2.5, özne-odaklı sistemlerin nereye gittiğine dair etkileyici bir yol haritası sunuyor. Ajan tabanlı iş akışlarıyla denemeler yapmaya istekli geliştirici ve araştırmacılar için bugün keşfedilebilecek en ilginç modellerden biri.

Özne-odaklı yapay zekânın nasıl çalıştığı hakkında daha fazla bilgi edinmek istiyorsanız, AI Agent Fundamentals beceri yolunu incelemenizi öneririm.