Yapay zeka ajanlarıyla kodlama, büyük dil modellerinin (LLM) stokastik yapısı nedeniyle önemli bir sorunla karşı karşıya: varyans. Her bir ajan çalıştırması, aynı bağlamda bile farklı sonuçlar üretebilir; bazıları optimuma yakınken, bazıları ortalama kalitede olabilir. Bu durum, tekil ajan çalıştırmalarının potansiyel performansı tam olarak kullanamamasına yol açar. Bağlam mühendisliği, LLM yanıtlarının olasılık dağılımını iyileştirerek kötü sonuçların olasılığını azaltır ve ortalama kaliteyi artırır. Ancak, bu yöntem "keşif sorununu" çözmez. Geliştirilmiş bir dağılım içinde bile, ajanın sorunu çözmek için alabileceği birden fazla yol vardır ve tek bir ajan çalıştırması bu yollardan sadece birini seçer. Bu seçimin en iyi yol olup olmadığını bilmek zordur.
Bu sınırlamayı aşmak için "paralel ajanlar ve sentez" modeli önerilmektedir. Bu yaklaşım, aynı veya benzer istemlerle birden fazla ajanı eş zamanlı olarak çalıştırarak farklı çözüm yollarını keşfetmeyi içerir. Her bir ajan bağımsız bir örneklem oluşturur ve farklı "zirveleri" araştırır. Daha sonra, bu paralel çalıştırmalardan elde edilen bulgular sentezlenerek en iyi çözüme ulaşılır. Bu yöntem, tek bir yola ve şansa bağlı kalmak yerine, birden fazla örneklem alarak en uygun çözümü bulma olasılığını önemli ölçüde artırır.
Paralel ajanlar, tek bir ajanın yerel bir minimumda takılıp kalma riskini azaltır. Birden fazla ajanın bağımsız başlangıç noktaları sayesinde, farklı çözüm alanları daha etkin bir şekilde taranır ve daha sağlam, güvenilir ve optimal sonuçlar elde edilir. Bu, LLM'lerden daha fazla içgörü elde etmenin ve daha tutarlı bir şekilde yüksek kaliteli çıktılar üretmenin anahtarıdır.
Büyük dil modelleriyle çalışan ajanların performansındaki varyansı aşmak ve daha güvenilir, optimal sonuçlar elde etmek için paralel ajan çalıştırmaları kritik bir yöntem sunuyor.