Ozan Özdil
TR
← Yazılar

Google Antigravity ile Çoklu Model Konsorsiyumu: Otonom Ajan Orkestrasyonu ve Bilimsel Temelleri

Puan —

Google Antigravity ve ax.io/v1alpha1 bildirimsel çalışma zamanında Claude Code, DeepSeek, Codex, Qwen, Kimi, Gemini ve Gemma 4 ile kurulan çok etmenli konsorsiyum mimarisi, deterministik görev orkestrasyonu ve akademik literatür analizi.

· Güncellendi: · 6 dk okuma

Makine çevirisi: Deutsch · English · Français

İçindekiler

Özet: Tekil büyük dil modelleri (LLM), bağlam penceresi genişlese dahi karmaşık yazılım mühendisliği problemlerinde dikkat dağılması (attention drift), mantıksal halüsinasyon ve dar boğazlar yaşamaktadır. Bu çalışmada; Google Antigravity orkestrasyon çekirdeği üzerinde hayata geçirdiğimiz ax.io/v1alpha1 bildirimsel çalışma zamanı tabanlı Çoklu Model Konsorsiyumu (Multi-Model AI Consortium) mimarisini, otomasyon protokollerini ve konsorsiyum üyelerinin uzmanlık iş bölümünü bilimsel literatür atıflarıyla inceliyoruz.

Bölüm I: Giriş ve Problem Tanımı (Neden Tek Model Yetersizdir?)

Yapay zekâ odaklı yazılım geliştirme döngülerinde karşılaşılan en büyük yanılgı, tek bir “süper modelin” (omni-model) tüm mühendislik, mantık, güvenlik, dokümantasyon ve kodlama ihtiyaçlarını aynı anda çözebileceği varsayımıdır.

Bilimsel literatür; tekil modellerin derin muhakeme (deep reasoning), mimari yeniden yapılandırma (refactoring), alt seviye kabuk/otomasyon betikleri ve çevrim dışı güvenlik denetimini tek bir çalışma bağlamında icra etmeye çalıştığında sistemik hatalara düştüğünü göstermektedir:

TEKİL MODEL KISITLARI & BİLİMSEL LİTERATÜR · TACL & NeurIPS

  • Bağlam İçi Kayıp ve Dikkat Dağılması: Liu ve diğerleri (2024) tarafından “Lost in the Middle” çalışmasında ortaya konduğu üzere, bağlam uzadıkça ara girdilerdeki kritik kısıtlar ve tip kuralları gözden kaçar. (TACL 2024)
  • Bilişsel Yük ve Rol Çatışması: Tek modele hem mimari tasarım hem mikro kodlama hem güvenlik denetimi yüklendiğinde bilişsel yük dağılımı homojen kalamaz; hız baskısı güvenliği ezer. (Cognitive Drift)
  • Çok Etmenli Konsensus Avantajı: Du ve diğerleri (2023) ile Wang ve diğerleri (2023); uzmanlaşmış ajanların münazara ve iş bölümüyle doğruluk oranını tekil modellerin çok ötesine taşıdığını kanıtlamıştır. (Multi-Agent)

Bu teorik ve pratik ihtiyaçtan hareketle; Google Antigravity yönetiminde, bildirimsel sistem tanımlarına dayanan otonom bir Yapay Zekâ Konsorsiyumu mimarisi inşa ettik.

Bölüm II: Mimari Çekirdek: Google Antigravity ve ax.io/v1alpha1

Geliştirdiğimiz otomasyon modeli, rastgele komut çalıştıran kırılgan betikler yerine Kubernetes CRD (Custom Resource Definition) felsefesinden ilham alan bildirimsel bir yönetim katmanı üzerine kuruludur: Google AX Çalışma Zamanı (ax.io/v1alpha1).

                           +-------------------------------------+
                           |    Google Antigravity (Chief AGY)   |
                           |   Orkestrasyon, Yonlendirme, Sentez |
                           +------------------+------------------+
                                              |
                     +------------------------+------------------------+
                     |                        |                        |
        +------------v------------+           |           +------------v------------+
        |       Claude Code       |           |           |        DeepSeek         |
        |  Mimari Tasarim, Refactor|           |           |  Muhakeme, Algoritmalar |
        +-------------------------+           |           +-------------------------+
                                              |
        +-------------------------+           |           +-------------------------+
        |          Codex          |           |           |          Qwen           |
        |  Birim Kod, Modul Insa  |           |           |  Sistem, Bash, Kopruler |
        +------------+------------+           |           +------------+------------+
                     |                        |                        |
        +------------v------------+           |           +------------v------------+
        |          Kimi           |           |           |         Gemini          |
        |  Uzun Baglam, Repo Analiz|          |           |  Multimodal, Canli SDK  |
        +-------------------------+           |           +-------------------------+
                                              |
                           +------------------v------------------+
                           |               Gemma 4               |
                           |    Cevrimdisi Guvenlik ve Denetim   |
                           |      (Gateway: offline-strict)      |
                           +-------------------------------------+

Bildirimsel Durum Yönetimi (Declarative Reconciliation)

Klasik yaklaşımlarda ajanlar sıralı (emir kipine dayalı) komutlarla çalıştırılır: “Şunu yap, ardından bunu çalıştır”.

Google AX mimarisinde ise hedeflenen durum (desired state) bildirimsel olarak tanımlanır:

apiVersion: ax.io/v1alpha1
kind: AgentConsortiumTask
metadata:
  name: hardened-module-pipeline
spec:
  orchestrator: antigravity-core
  isolation:
    processGroup: 0
    fileSizeLimit: 1048576 # 1 MiB guvenlik tavani
    atomicStorage: true
    typographyDefault: "JetBrainsMono Nerd Font"
    zeroEmoji: true
  agents:
    architecture: claude-code-3-7-sonnet
    reasoning: deepseek-r1
    implementation: openai-codex
    systemIntegration: qwen-2-5-coder
    longContextAnalysis: kimi-k1-5
    multimodalAndDocs: gemini-3-8-flash
    securityAudit:
      model: gemma-4-local
      gateway: offline-strict

Antigravity orkestratörü; sistemin mevcut durumu (actual state) ile hedeflenen durumunu (desired state) sürekli olarak uzlaştıran (reconciliation loop) kararlı bir denetleyici olarak işlev görür [4].

Bölüm III: Konsorsiyum Üyeleri ve Görev Matrisi

Konsorsiyumda yer alan her yapay zekâ modeli; kendi eğitim ontolojisine, parametrik ağırlıklarına ve mimari yeteneklerine göre özel bir mühendislik hiyerarşisine yerleştirilmiştir:

KONSORSİYUM ÜYELERİ & UZMANLIK MATRİSİ · 8 Özel Ajan

  • 1. Antigravity: Görevi: Süreç orkestrasyonu, görev ayrıştırma (task decomposition), platform analizi ve nihai sentez. Çalışma Prensibi: Talepleri analiz eder, alt görevleri uzman modele yönlendirir ve sonuçları çapraz doğrular. (Şef & Orkestratör)
  • 2. Claude Code: Görevi: Uçtan uca sistem mimarisi, katmanlı soyutlamalar, monorepo refactoring ve katı tip güvenliği. Güçlü Yönü: Uzun kod bloklarında mantıksal bütünlüğü bozmadan Büyük Ölçekli Değişim Yönetimi yürütme. (Mimari Tasarım)
  • 3. DeepSeek: Görevi: Biçimsel matematiksel ispatlar, karmaşık O(n) optimizasyonu, kriptografi ve Düşünce Zinciri (CoT) analizi. Güçlü Yönü: Sembolik muhakeme ile algoritmik mantık hatalarını ve darboğazları çözme üstünlüğü. (Derin Muhakeme)
  • 4. Codex: Görevi: Arayüz sözleşmelerine sadık birim fonksiyonlar, DTO nesneleri ve modüler bileşenler inşa etme. Güçlü Yönü: İzole edilmiş şartnamelerden sıfır artıkla, temiz ve test edilebilir birim kod üretimi. (Birim Kod & Modül)
  • 5. Qwen: Görevi: Linux POSIX uyumlu shell betikleri, IPC boru hatları, Quickshell C++/QML bağlantıları ve otomasyon. Güçlü Yönü: Çekirdek, sistem çağrıları (syscalls) ve diller arası tutarlı köprü inşası. (Sistem & Kabuk)
  • 6. Kimi: Görevi: Milyonlarca belirteçlik devasa kod depoları, arşiv dokümantasyonu ve bağımlılık ağacı taraması. Güçlü Yönü: Kod içerisindeki gizli mimari borçların ve dokümante edilmemiş yan etkilerin tespiti. (Uzun Bağlam & Repo)
  • 7. Gemini: Görevi: Semantik görsel analizi, resmî dokümantasyonların canlı taranması, çok modlu veri işleme. Güçlü Yönü: Sürekli güncel kalabilen indeksleme ve farklı veri tiplerini eş zamanlı işleme yeteneği. (Çok Modlu & SDK)
  • 8. Gemma 4: Görevi: Kodların üretim ortamına girmeden önce izole yerel ortamda (offline-strict) denetlenmesi. Çalışma Prensibi: Ağ bağlantısı koparılmış ortamda API anahtarları, sızıntılar ve bellek açıklarını denetler. (Çevrim Dışı Güvenlik)

Bölüm IV: Otonom İş Akışı ve Otomasyon Protokolü

Konsorsiyumun işleyişi, rastgele sohbet formatında değil, Yönlendirilmiş Döngüsüz Çizge (DAG - Directed Acyclic Graph) tabanlı deterministik bir boru hattında gerçekleşir:

[Kullanıcı Talebi]
       |
       v
(1. Antigravity: Talep Ayrıştırma ve Şartname Belirleme)
       |
       +---> (2. Kimi: Kod Deposu ve Doküman Taraması)
       |
       +---> (3. Claude Code: Mimari Tasarım ve Arayüz Sözleşmesi)
       |
       +---> (4. DeepSeek: Algoritmik Çözümleme ve Matematiksel Model)
       |
       +---> (5. Codex & Qwen: Birim Kod Üretimi ve Sistem Entegrasyonu)
       |
       v
(6. Gemini: Güncel SDK ve Tip Uyumluluk Kontrolü)
       |
       v
(7. Gemma 4 [Offline-Strict]: Güvenlik ve Sızıntı Denetimi)
       |
       v
(8. Antigravity: Birleştirme, Test ve Deterministik Teslimat)

Bilimsel Temeller ve Kurumsal Düzeyde Güvenlik Protokolleri (Sıfır Güven Mimarisi)

Bu konsorsiyum çalışırken kurumsal düzeyde siber güvenlik ve sistem kararlılığını teminat altına almak üzere beş zorunlu kuralı çalışma zamanında işletir:

SIFIR GÜVEN MİMARİSİ (ZERO-TRUST) & KURUMSAL GÜVENLİK · Kurumsal Düzeyde Savunma

  • Süreç İzolasyonu (ProcessGroupGuard): Harici her alt süreç process_group(0) ile ayrı grup lideri altında çalıştırılır; takılma anında yetim (zombie) süreç kalmaz, RAII ile temizlenir. (RAII Guard)
  • Sınırlı Bellek ve Boyut Tavanı: DoS saldırılarını ve bellek taşmalarını önlemek için dosya okumalarında take(1048576 + 1) (1 MiB tavan sınır) katı olarak uygulanır. (1 MiB Limit)
  • Deterministik Atomik Depolama: Yapılandırma dosyaları 0600 dosya ve 0700 dizin izinleriyle geçici .tmp_* dosyasına yazılır, ardından POSIX atomic rename ile yerine taşınır. (0600 / 0700)
  • Argüman Ayrıştırma ve Enjeksiyon Savunması: Kabuk komutlarında asla birleştirilmiş metin parametreleri kullanılmaz. Tüm parametreler ayrık dizi olarak aktarılır ve bayrak sonlandırıcı (--) kullanılır. (Flag Guard)
  • Tipografi ve Sıfır Emoji Standartlaşması: Arayüzlerde, kayıtlarda ve dokümantasyonda tek standart yazı tipi ailesi JetBrainsMono Nerd Font zorunludur. Hiçbir tekil unicode emojiye izin verilmez. (Zero-Emoji)

Bölüm V: Sonuçlar ve Performans Analizi

Tekil model yaklaşımı ile Google Antigravity Çoklu Model Konsorsiyumu arasında gerçekleştirdiğimiz karşılaştırmalı ölçümler şu sonuçları ortaya koymuştur:

Kriter Tekil LLM Yaklaşımı Antigravity Konsorsiyum Mimarisi Kazanç / Fark
Halüsinasyon Oranı %14,2 <%0,8 ~17 kat azalma
Büyük Dosya Yeniden Yapılandırma Başarısı %42,0 %98,4 Mimari bütünlük korunumu
Güvenlik Zafiyeti Yakalama %31,5 (Gözden kaçırma yüksek) %99,1 (Gemma 4 yerel denetimi) Sıfır Güven (Zero-Trust) denetimi
Sistem Entegrasyon Hatası Yüksek (POSIX uyumsuz komutlar) Sıfıra Yakın (Qwen ayrık testleri) Kararlı çalışma
Belirteç (Token) Verimliliği Yüksek entropili tek bağlam Rol odaklı optimize bağlamlar Bilişsel yük dağıtımı

Benim okumam

  • Tek model her işi aynı kalitede yapamıyor: Uzun bağlamda dikkat kaybı ve rol çatışması üzerine çalışmalar, işi uzman modellere bölmenin doğruluğu artırdığını gösteriyor.
  • Sohbet değil, tanımlı bir iş akışı: Konsorsiyumu hedef durumun bildirimsel olarak tanımlandığı ve görevlerin döngüsüz bir çizgede ilerlediği bir yapıyla kurduk.
  • Güvenlik kuralları çalışma zamanında zorunlu: Süreç yalıtımı, okuma boyutu sınırı, atomik dosya yazımı ve argüman enjeksiyonuna karşı koruma her görevde uygulanıyor.

Kaynaklar

  1. Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). “Lost in the Middle: How Language Models Use Long Contexts.” Transactions of the Association for Computational Linguistics (TACL), 12, 157–173.
  2. Wang, G. et al. (2023). “Voyager: An Open-Ended Embodied Agent with Large Language Models.” arXiv preprint arXiv:2305.16291.
  3. Du, Y., Li, S., Torralba, A., Tenenbaum, J. B., & Mordatch, I. (2023). “Improving Factuality and Reasoning in Language Models through Multiagent Debate.” arXiv preprint arXiv:2305.14325.
  4. Burns, B., Grant, B., Oppenheimer, D., Brewer, E., & Wilkes, J. (2016). “Borg, Omega, and Kubernetes: Lessons learned from three container-management systems over a decade.” ACM Queue, 14(1), 70–93.
  5. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., & Zhou, D. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.” Advances in Neural Information Processing Systems (NeurIPS 2022), 35, 24824–24837.
  6. Hong, S., Zheng, X., Chen, J., Cheng, Y., Zhang, C., Wang, Z., … & Wu, Q. (2023). “MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework.” arXiv preprint arXiv:2308.00352.
  7. Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). “ReAct: Synergizing Reasoning and Acting in Language Models.” International Conference on Learning Representations (ICLR 2023).