# TRACER, LLM ajanlarının araç seçimini hızlandırıyor

> Yeni TRACER ön katmanı, büyük dil modellerinin daha az token kullanarak araçları daha doğru seçmesini sağlıyor; testlerde token kullanımını %80 azaltıyor.

Oossa · 2026-10-16 · https://oossa.com/tr/tracer-speeds-up-tool-selection-for-llm-agents

Araştırmacılar, büyük dil modeli ajanlarının geniş bir kayıtlı araç havuzundan doğru aracı seçmesine yardımcı olan bir erişim sistemi olan TRACER’ı kullanıma sundu. Sistem, önceki araç çağrısı dizilerini trie adı verilen ağaç benzeri bir dizinde saklıyor ve olası sonraki araçları veriye dayalı sinyaller ile bağlamsal ipuçlarını bir araya getirerek sıralıyor. Deneylerde TRACER, GPT‑5.4’ün doğru aracı seçme oranını 4,7 yüzde puan artırırken yalnızca 128 araçtan 5’ini gösterdi ve her adımda kullanılan girdi tokenlarını yaklaşık %80 azalttı.

## Ne kadar daha iyi performans gösteriyor?

Altı test ortamı ve dört dil modeli genelinde TRACER, 24 model-ortam eşleşmesinin 21’inde tüm araçların gösterildiği yöntemi geride bıraktı. Araç seçimi doğruluğundaki ortalama artış 6 ila 10 puan arasında değişti; geride kaldığı üç durumda fark en fazla 2,2 puandı. Baştan sona otonom bir çalıştırmada sistem, GPT‑5.4’ün genel görev başarısını korurken her adımda %61 daha az girdi tokenı kullandı.

## Bu kullanıcılar için ne anlama geliyor?

Stok kontrolü veya bir telekomünikasyon planını etkinleştirme gibi işler için harici hizmetleri çağırması gereken yapay zekâ asistanları geliştirenler, TRACER sayesinde asistanlarını daha hızlı ve daha düşük maliyetle çalıştırabilir; çünkü dil modeline çok daha az token gönderilir. Daha az token kullanılması, çok sayıda araç bulunduğunda modelin bağlam sınırına ulaşma olasılığını da düşürür.

## Gerçekler

- TRACER, perakende ve telekomünikasyonun bir arada bulunduğu ortamda GPT‑5.4’ün araç seçimi doğruluğunu 4,7 puan artırıyor.
- Yalnızca 128 araçtan 5’ini göstererek her adımda kullanılan girdi tokenlarını yaklaşık %80 azaltıyor.
- Baştan sona otonom çalıştırmada görev başarısını korurken her adımda %61 daha az token kullanıyor.
- Altı ortam ve dört model genelinde TRACER, 24 model-ortam eşleşmesinin 21’inde tüm araçların gösterildiği yöntemi geride bırakıyor.
- Doğruluk artışı ortalama 6 ila 10 puan arasında; geride kaldığı üç durumda fark en fazla 2,2 puan.

## Neden önemli

Geliştiriciler, dil modeline daha az token göndermeleri gerektiğinden daha hızlı yanıt veren ve işletme maliyeti daha düşük akıllı asistanlar geliştirebilir. Son kullanıcılar için bu, yapay zekânın fiyat sorgulaması, hizmet rezervasyonu veya harici bir sistemden veri alma gibi işlemleri daha hızlı yapması anlamına gelebilir.

## Kaynaklar ve referanslar

1. [TRACER: Trajectory-Aware Tool Retrieval for LLM Agents](https://arxiv.org/abs/2610.21267) – arXiv cs.IR, 2026-10-16

Son güncelleme: 2026-10-16