Agent Observation and Optimization AgentLoop (AgentLoop), Alibaba Cloud tarafından kurumsal düzeydeki ajanlar için sunulan tek duraklı, kendi kendini geliştiren bir platformdur. Ajanların uçtan uca gözlemlenebilirliği ve denetimi, ajan değerlendirme ve deneme ortamları ile sürekli optimizasyon destekli ajan varlık yönetimi gibi temel yetenekler sağlar. AgentLoop, işletmelerin ajanlarının kalitesini, verimliliğini, maliyetini ve güvenliğini sürekli artırmak amacıyla bir veri çarkı oluşturmasına yardımcı olur.
Yalnızca büyük dil modelleri (LLM) uygulamaları için LLM-as-a-Judge ve LLM Playground gibi bağımsız özellikler sunan geleneksel LLMOps araçlarının aksine, AgentLoop gerçek üretim ortamlarındaki ajan uygulamaları için tasarlanmıştır. Agent-as-a-Judge, Agent Playground ve Trace2Dataset gibi senaryo odaklı, kapalı döngü yetenekler sunar. Bu sayede ajanların üretim ortamlarında gözlemlenebilir, değerlendirilebilir ve optimize edilebilir bir sürekli gelişim çarkı oluşturmaları mümkün hale gelir.
Neden AgentLoop'a İhtiyacınız Var
İşletmeler LLM uygulamalarından ajan uygulamalarına geçiş yaparken, geleneksel APM ve LLMOps araçları yetersiz kalmaktadır. Çok adımlı akıl yürütme, araç çağırma ve çoklu model iş birliği gibi ajanlara özgü özellikler dört temel zorluğu beraberinde getirir:
Kalite gerilemelerinin tespiti zordur — Bir ajanın çok adımlı akıl yürütme süreci çıktı kalitesinde düşüşe neden olduğunda, hatayı bulmak ortalama iki saatten fazla sürer. Bu durum, sorunların genellikle yalnızca destek talepleri ve müşteri şikayetleri yoluyla pasif olarak fark edilmesine yol açar.
Maliyet artışlarının kaynağını belirlemek zordur — Anormal token tüketimi, düşük yoğunluklu dönemlerdeki oranların 10 katından fazla olabilir; ancak ince taneli atıf yöntemlerinin eksikliği etkili FinOps yönetimini engeller.
Değişiklik risklerini engellemek zordur — İstemlere (prompt), becerilere ve modellere yapılan değişikliklerde otomatik kalite kapıları bulunmaz. Değişikliklerden kaynaklanan ve önlenebilir birçok hata üretim ortamına ulaşarak iş kayıplarına neden olur.
Ajan eylemleri için denetim izi yoktur — Ajanların çok adımlı çalıştırma yörüngelerinde denetim ve yeniden oynatma yetenekleri eksiktir. Bu durum, finans ve kamu sektörü gibi endüstrilerin uyumluluk gerektiren izlenebilirlik şartlarını karşılamayı zorlaştırır.
AgentLoop bu sorunları çözmek için geliştirilmiştir. Ajanların uçtan uca gözlemlenebilirliği, denetimi, değerlendirilmesi, deneme ortamları, varlık yönetimi ve bağlam mühendisliği dahil olmak üzere tek duraklı hizmetler sunar. AgentLoop, işletmelerin ajan performansını sürekli geliştirmesine olanak tanır; böylece ajanlar kullanıldıkça daha akıllı, daha iyi, daha hızlı, daha ucuz ve daha güvenli hale gelir.
Tasarım İlkeleri
AgentLoop dört temel tasarım ilkesine dayanır:
Yalnızca LLM'ler için değil, ajanlar için tasarlanmıştır — AgentLoop, gözlemlenebilirlik, denetim, değerlendirme, deneme ve optimizasyon gibi temel senaryolarda ajan paradigması için yetenekleri yükseltir. Geleneksel LLMOps araçları tekil model çağrıları etrafında tasarlandığından çok adımlı akıl yürütme, dinamik planlama ve araç orkestrasyonu gibi karmaşık ajan davranışlarını yönetemez. AgentLoop, planlamadan çalıştırmaya ve geri bildirim almaya kadar tüm süreci kapsayan tam ajan çalıştırma yörüngesine odaklanır.
Kurumsal üretim senaryoları için kapalı döngü — Yalnızca demo düzeyindeki bağımsız özellikler değil, gerçek iş yükleri için uçtan uca kapalı döngü çözümleri sunar. Veri toplama ve kalite değerlendirmeden sürekli optimizasyona kadar her aşama, kurumsal üretim ortamları için özelleştirilmiştir ve yüksek eşzamanlılık, yüksek kullanılabilirlik ile çok ekipli iş birliğini destekler.
Ajan tabanlı temel yetenekler — Değerlendiriciler gibi temel bileşenler bizzat bir ajandır; bu sayede istemler, beceriler ve araçlar kullanılarak esnek şekilde genişletilebilirler. Örneğin, Agent-as-a-Judge değerlendiricisi araçları kullanabilir, harici sistemleri çağırabilir ve karmaşık değerlendirme görevlerini tamamlamak için çok adımlı akıl yürütme yapabilir. Bu yaklaşım, basit istem şablonu doldurmanın ötesine geçer.
Ana akım çerçeveler ve çalışma zamanları ile tam uyumluluk — AgentLoop belirli bir ajan geliştirme çerçevesine veya çalışma zamanına bağlı değildir. Dify, LangChain/LangGraph, AgentScope, OpenClaw ve Hermes gibi çerçevelerle; Qoder, Claude Code, Codex ve Cursor gibi CLI'larla; Alibaba Cloud AgentRun, AgentTeams, ACS ve üçüncü taraf çözümler dahil olmak üzere çalışma zamanlarıyla tam uyumludur. Mevcut iş mimarinizi etkilemeyen müdahalesiz entegrasyonu destekler.
Özellikler
Ajanların uçtan uca gözlemlenebilirliği
AgentLoop, özel Alibaba Cloud prob'ları, açık kaynaklı prob'lar ve cloud hizmetleriyle derin entegrasyonlar kullanarak izler, ölçümler ve günlükler dahil olmak üzere gözlemlenebilirlik verilerinin müdahalesiz ve uçtan uca toplanmasını sağlar. UModel üzerine kurulu olarak, Ajan → Araç → Model gibi varlıklar arasındaki topolojik ilişkileri otomatik olarak keşfeder ve uçtan uca Ajan Ontolojisi topoloji görünümü oluşturur. STAROps akıllı tanılama motoru ile birlikte kullanıldığında, performans darboğazlarını ve token tüketimi yoğun noktalarını hızla tespit eder.
Bir iz (trace), tek bir ajan isteğinin başlangıçtan bitişe kadar tüm çalıştırma sürecini kaydeder. Buna kullanıcı girdisi, model çağrıları, araç çağırma, erişim artırma, bellek erişimi ve nihai yanıt dahildir. İzler sayesinde geliştiriciler, yavaş istekleri, hataları, anormal araç çağrılarını ve hatalı durumları tespit etmek için bir ajanın akıl yürütme ve çalıştırma yolunu yeniden yapılandırabilir.
Ajan davranışı denetimi
AgentLoop, bir ajanın her araç çağrısı ve karar dalı için değiştirilemez bir kanıt zinciri oluşturur. Platformun yerleşik anormal davranış algılama motoru, yetkisiz işlemler ve veri sızdırma gibi risk kalıplarını gerçek zamanlı olarak tespit eder ve dakikalar içinde risk uyarıları verir.
Ajan değerlendirme
AgentLoop, değerlendiricinin kendisinin karmaşık görev planlaması, araç kullanımı ve çok adımlı akıl yürütme yapabilen bir ajan olduğu Agent-as-a-Judge değerlendirme paradigmalarını tanıtır. Çalıştırma yörüngelerine dayalı derinlemesine değerlendirmeler yaparak, geleneksel LLM-as-a-Judge yöntemlerine kıyasla insan uzman değerlendirmesine çok daha yakın sonuçlar sunar.
AgentLoop, model çıktılarının, RAG erişim sonuçlarının, araç çağrılarının ve ajan çalıştırma yörüngelerinin değerlendirilmesini destekler. Değerlendiriciler için veri kaynağı olarak izler, günlükler veya bir veri kümesi kullanılabilir. Değerlendirici türleri arasında halüsinasyon, doğruluk ve görev tamamlama gibi ölçümler için hazır değerlendiriciler ve özel değerlendiriciler bulunur. Değerlendirme sonuçları, hatalı durumları keşfetmek, üretimdeki kaliteyi izlemek ve sürüm değişikliklerinin gerilemeye neden olup olmadığını doğrulamak için kullanılabilir.
Ajan deneme ortamları
AgentLoop, çevrimiçi karşılaştırmalı deneyler için bir Playground sağlar. Hem ajan hem de LLM deney türlerini destekleyerek gerçek kurumsal ajanların doğrulanması veya korumalı alan ortamında test edilmesi için uygundur. Bu özelliğin 30 Haziran 2026 tarihinden önce resmi olarak yayınlanması planlanmaktadır.
Veri merkezi
AgentLoop'taki veri kümesi, yapay zeka senaryoları için tasarlanmış yeni bir veri depolama türüdür. Geleneksel günlük depolamanın ötesinde, tam CRUD işlemleri, esnek şema, vektör araması ve çok boyutlu analiz yetenekleri sunar. Bu yaklaşım, yapay zeka çalışma zamanı verilerini "salt okunur günlükler"den "yönetilebilir varlıklar"a dönüştürür.
Yerleşik işlem hattı veri işleme motoru, büyük hacimli çevrimiçi iz verilerini altın veri kümesi veya hatalı durum veri kümesi gibi yüksek kaliteli, yeniden kullanılabilir veri varlıklarına dönüştürür. Veri kaynağı alımı → veri azaltma (filtreleme, yinelenenleri kaldırma ve örnek alma) → özellik çıkarma → hedef veri kümesine yazma adımlarından oluşan çok aşamalı bir orkestrasyon sürecini destekler. Tüm bu süreç otomatik olarak çalışır ve manuel veri işleme çabasını %90'ın üzerinde azaltır.
Bellek
AgentLoop belleği, kullanıcı tercihlerini, gerçekleri ve yapay zeka ajanları için yeniden kullanılabilir bağlamı merkezi bir şekilde depolar. API aracılığıyla yazılan konuşmaları destekler ve ayrıca ajan yörüngelerinden veya veri kümelerinden girdi alabilir. Uzun süreli bellekler, çıkarma ve depolama ilkelerine göre korunur. Uygulamalar, sonraki etkileşimlerde sürekliliği sağlamak için ilgili bellekleri alır ve ajan isteklerine ekler.
Konsolda veri kaynaklarını yapılandırabilir, çıkarma sonuçlarını önizleyebilir, ilke sürümlerini görüntüleyebilir, bellekleri arayabilir ve düzenleyebilir; ayrıca işlem ve erişimi denetlemek için denetim ayrıntıları ve istatistik raporlarını kullanabilirsiniz. Uygulamalar, bir bellek deposuna API anahtarını kullanarak erişir. Daha fazla bilgi için bkz. Bellek Deposuna genel bakış.
Ajan varlıkları
AgentLoop varlık yönetimi, kurumsal bir ajanın istemleri ve becerileri için merkezi yönetim, sürüm kontrolü ve iş birliğine dayalı yineleme sağlar. Ajan varlıkları, bir ajanın davranış mantığını tanımlayan temel birimlerdir ve bir ajanın performansı büyük ölçüde bu mantığın doğruluğuna ve tutarlılığına bağlıdır. AgentLoop, ekiplerin ajan davranışını kod gibi yönetmesine olanak tanır: Her değişiklik izlenebilir, etkisi ölçülebilir ve karşılaştırılabilir, yayınlama temposu kontrol edilebilir ve kademeli yayınlama ile iş birliğine dayalı düzenleme desteklenir.
Avantajlar
LLM düzeyinde değil, ajan düzeyinde gözlemlenebilirlik
Geleneksel LLMOps araçları yalnızca tekil model çağrılarını gözlemler ve çok adımlı bir akıl yürütme zincirindeki adımlar arasındaki nedensel ilişkileri ve bağımlılıkları anlayamaz. AgentLoop, tam ajan çalıştırma yörüngesini gözlem nesnesi olarak ele alır. Ajan → Araç → Model topolojisini otomatik olarak ayrıştırır; hem iş perspektifinden (kullanıcı isteğinin uçtan uca gecikme süresi gibi) hem de teknik perspektiften (bir araç çağrısının başarısız olması ve üç kez yeniden denenmesi gibi) analiz yapılmasını destekler.
Agent-as-a-Judge değerlendirme paradigması
AgentLoop'ta değerlendirici, araç kullanma, harici bilgi erişimi sağlama ve çok adımlı akıl yürütme yeteneğine sahip bir ajandır. Yalnızca bir istem şablonu kullanarak model çıktısı üzerinde tek turda yargıya varan LLM-as-a-Judge'in aksine, Agent-as-a-Judge tüm çalıştırma yörüngesini yeniden oynatabilir, sonuçların doğruluğunu kontrol etmek için doğrulama araçlarını çağırabilir ve geçmiş temel çizgi verileriyle karşılaştırma yapabilir. Bu sayede insan uzman değerlendirmesine çok daha yakın bir değerlendirme sunar.
Trace2Dataset otomatik veri çarkı
AgentLoop işlem hattı motoru, çevrimiçi ortamlardaki gerçek zamanlı iz verilerini otomatik olarak yapılandırılmış veri kümelerine dönüştürerek veri temizleme sürecini basitleştirir. Filtreleme, yinelenenleri kaldırma, örnek alma ve kümeleme gibi işleme adımları aracılığıyla ham operasyonel veriler sürekli olarak altın veri kümelerine, hatalı durum veri kümelerine veya eğitim sonrası veri kümelerine dönüştürülür. Bu durum, "veri ne kadar çok çalıştırılırsa kalitesi o kadar artar" şeklinde bir veri çarkı etkisi yaratır.
Sıfır müdahale ve çerçeveden bağımsız entegrasyon
AgentLoop, özel Alibaba Cloud prob'larına dayalı sıfır müdahaleli bir entegrasyon yöntemi sunar. İş kodunuzda herhangi bir değişiklik yapmadan, yalnızca yapılandırmaları değiştirerek veri toplamayı tamamlayabilirsiniz. Ayrıca OpenTelemetry standart protokolü üzerinden entegrasyonu destekler ve LangChain/LangGraph, AgentScope, Dify, OpenClaw ve Claude Agent SDK gibi ana akım ajan çerçeveleri ile çeşitli özel geliştirilmiş ajan sistemleriyle uyumludur.
Kurumsal düzeyde güvenlik ve uyumluluk
AgentLoop, ajan davranışlarının kayıtlarını saklayan denetim imkanı sağlar. Her araç çağrısı ve karar dalı, değiştirilemez bir kanıt zincirinde kayıt altına alınır. Yerleşik anormal davranış algılama motoru, yetkisiz işlemler ve hassas veri sızıntıları gibi riskleri gerçek zamanlı olarak tespit ederek, sıkı uyumluluk gereksinimleri bulunan sektörlerdeki ajan sistemleri için veri düzlemi denetimi ve yeniden oynatma yetenekleri sunar.
Bağlam mühendisliği ile kapalı döngü optimizasyonu
AgentLoop, bellek ve deneyim tabanı (özel ön izlemede) aracılığıyla ajanlara uzun süreli bağlam yetenekleri kazandırır. Bellek, bir ajanın oturumlar arasında kullanıcı arka planını ve tercihlerini anlamasını sağlarken; deneyim tabanı, ajanın geçmiş çalıştırmalardan en iyi uygulamaları öğrenmesine olanak tanır. Her ikisini birleştirerek, bir ajan her etkileşim sırasında ilgili bağlamı çalışma zamanına otomatik olarak alıp enjekte edebilir. Bu sayede modeli yeniden eğitmeye gerek kalmadan "kullanıldıkça daha akıllı hale gelme" şeklinde kendi kendini geliştiren bir etki elde edilir.
Kullanım Senaryoları
Akıllı müşteri hizmetleri kalitesini artırma
Bir işletmenin akıllı müşteri hizmetleri ajanı çok sayıda gerçek kullanıcı konuşmasını yönetir ve yanıt kalitesi doğrudan müşteri memnuniyetini etkiler. AgentLoop, her konuşma turunun kalitesini değerlendirerek alakasız yanıtlar, halüsinasyonlar ve bilgi eksikliği gibi hatalı durumları otomatik olarak tespit edebilir. Ardından sık karşılaşılan sorunları hedeflenen optimizasyon için bir veri kümesinde toplar. Kullanıcı tercihlerinin sürekliliğini korumak için belleği ve karmaşık sorunlar için en iyi yanıt kalıplarını yakalamak amacıyla deneyim tabanını kullanarak, müşteri hizmetleri ajanınızın çözüm oranını ve kullanıcı memnuniyetini sürekli olarak artırabilirsiniz.
Kodlama ajanı kalitesinin güvence altına alınması
Yapay zeka kod asistanları ve otomatik programlama araçları gibi kodlama ajanları, değişken kalitede kod üretir. Geleneksel kod incelemeleri, bir ajanın karar verme sürecindeki akıl yürütme kalitesini kapsayamaz. AgentLoop, bir kodlama ajanının görev planlamasının mantıklılığı, araç çağrılarının doğruluğu ve kod çıktısının hatasızlığı dahil olmak üzere birden fazla boyutta tüm çalıştırma yörüngesinin gözlemlenmesini ve değerlendirilmesini destekler. Bu sayede ekipler, ajan canlıya alınmadan önce sürüm değişikliklerinin etkilerini deneyler aracılığıyla doğrulayabilir ve üretimde sürekli değerlendirme yoluyla kalite gerilemelerini engelleyebilir.
Ajan sürümü kalite kapıları
Kurumsal ajan uygulamaları sık sık istem ayarlama, model yükseltmeleri ve yeni becerilerin eklenmesi gibi değişikliklere maruz kalır. AgentLoop deneme yetenekleri, ekiplerin değişiklikleri uygulamadan önce geçmiş veri kümelerini temel alan A/B testleri yapmasına olanak tanır; yeni sürümün doğruluk, gecikme süresi ve maliyet açısından performans farklarını nicelendirir. Değerlendirme sistemi ile otomatik bir kalite kapısı oluşturarak, yalnızca gerileme testlerinden geçen değişikliklerin üretim ortamına yayınlanmasını sağlayabilir ve değişiklik kaynaklı hataları canlıya geçmeden önce engelleyebilirsiniz.
Ajan maliyet yönetimi (FinOps)
Bir işletme aynı anda birden fazla ajan uygulaması çalıştırdığında, token tüketimi ve model çağrı maliyetleri hızla artabilir ve kaynak atfı zorlaşabilir. AgentLoop'un uçtan uca gözlemlenebilirlik yetenekleri, her bir ajan, araç çağrısı ve model çıkarımı için token tüketimini ve gecikme süresini hassas şekilde izler. Bu sayede işletmeler, sık sık zaman aşımına uğrayıp yeniden denemeleri tetikleyen bir araç veya anormal token tüketimi gösteren bir istem şablonu gibi maliyet yoğun noktalarını belirleyebilir. Farklı modellerin ve yapılandırmaların maliyet etkinliğini deneyler aracılığıyla karşılaştırarak, ajanlarınız için ince taneli FinOps yönetimi uygulayabilirsiniz.
Kurumsal uyumluluk denetimi
Sıkı uyumluluk gereksinimleri bulunan sektörler, bir yapay zeka sisteminin verdiği her kararın izlenebilir ve denetlenebilir olmasını talep eder. AgentLoop'un davranış denetimi yeteneği, ajan çalıştırması için eksiksiz bir kanıt izi sağlar ve zamana, kullanıcıya ve Ajan Uygulamasına göre denetim yeniden oynatmayı destekler. Yerleşik anormal davranış algılama motoru, yetkisiz işlemler ve hassas veri erişimi için gerçek zamanlı uyarılar vererek işletmelerin mevzuata uyumluluk gereksinimlerini karşılamasına yardımcı olur.
En İyi Uygulamalar
Aşamalı başlangıç yolu
AgentLoop aşağıdaki aşamalı başlangıç yolunu önerir:
Gözlemlenebilirlikle başlayın: Özel prob'ları kullanarak uçtan uca ajan verilerini alın. Beş dakika içinde konsolda iz verilerini görerek hızlıca bir gözlemlenebilirlik temel çizgisi oluşturabilirsiniz.
Verileri varlığa dönüştürün: İşlem hatlarını kullanarak çevrimiçi izleri otomatik olarak yapılandırılmış veri kümelerine dönüştürün. Etiketleme ile ground truth oluşturun ve pasif günlük biriktirmekten aktif veri varlığı oluşturmasına geçiş yapın.
Bir değerlendirme sistemi kurun: Çevrimiçi işiniz için gerçek zamanlı kalite değerlendirmeleri yapmak üzere uygun değerlendiriciler oluşturun veya seçin. Aynı zamanda, ajanınız için bir kalite ölçüm temel çizgisi oluşturmak amacıyla veri kümelerini ve geriye dönük testleri kullanın.
Sürekli bir optimizasyon döngüsü oluşturun: Ajan varlıklarını ayarlayarak veya bellek ile deneyim tabanını kullanarak ajanın uzun vadeli performansını artırın ve bir veri çarkı oluşturun.
Değerlendirme sistemi oluşturma
Değerlendirme sistemi, AgentLoop veri çarkının temel itici gücüdür. Aşağıdaki yaklaşımla oluşturmanızı öneririz:
Hazır değerlendiricilerle başlayın: AgentLoop, halüsinasyon, doğruluk ve görev tamamlama gibi ölçümler için kullanıma hazır hazır değerlendiriciler sunar; bunlar hızlı bir temel çizgi oluşturmak için idealdir.
İşe özgü özel değerlendiriciler (Agent-as-a-Judge) oluşturun: Çok adımlı akıl yürütmenin doğruluğunu veya araç çağrılarının mantıklılığını doğrulama gibi karmaşık senaryolar için, insan uzman sonuçlarına daha yakın değerlendirme sonuçları elde etmek amacıyla özel istemler ve beceriler yazın.
İnsan geri bildirimi ile kalibre edin: Değerlendirme standartlarını sürekli olarak iyileştirmek için değerlendirici ajanın doğruluğunu periyodik olarak manuel etiketleme yoluyla doğrulayın.
Sürüm gerileme testi oluşturun: Her ajan değişikliğinden önce, değişikliğin etkisini nicelendirmek amacıyla geçmiş değerlendirme veri kümeleri üzerinde deneysel gerileme testleri çalıştırın.
Veri kümesi yönetimi
Veri kümeleri, değerlendirme, deneme ve optimizasyon için temeldir. Bunları amaca göre organize etmenizi öneririz:
Değerlendirme referans kümesi: İnsanlar tarafından incelenen yüksek kaliteli örneklerden oluşan, değerlendirme için altın standart olarak hizmet veren bir küme.
Hatalı durum kümesi: Değerlendirme yoluyla tespit edilen hata durumlarından oluşan, hedeflenen optimizasyon ve gerileme testi için kullanılan bir koleksiyon.
Çevrimiçi örneklem kümesi: İşlem hatları tarafından çevrimiçi izlerden otomatik olarak örneklenen, sürekli izleme ve trend analizi için kullanılan bir veri kümesi.
Deney veri kümesi: Sonuçların karşılaştırılabilirliğini ve tekrarlanabilirliğini sağlamak amacıyla belirli bir deney planı için hazırlanan veri kümesi.
Ajan varlığı sürüm yönetimi
AgentLoop, ajan varlıklarının kod gibi yönetilmesini önerir:
Bir istem veya beceride yapılan her değişiklik için yeni bir sürüm oluşturun ve eksiksiz bir değişiklik geçmişini koruyun.
Bir değişiklik canlıya geçmeden önce, faydaları veya riskleri nicelendirmek amacıyla performans üzerindeki etkisini deneyler aracılığıyla doğrulayın.
Kademeli yayınlama yeteneğini kullanarak trafiği aşamalı olarak artırın. Çevrimiçi ölçümlerin stabil olduğunu onayladıktan sonra tüm trafiğe yayınlayın.
İş birliğine dayalı düzenleme için, çatışmaları önlemek amacıyla değişiklik sahiplerini ve inceleme süreçlerini net bir şekilde tanımlayın.
Entegrasyon Ekosistemi
AgentLoop aşağıdaki ajan geliştirme çerçeveleri ve çalışma zamanı ortamlarıyla tam uyumludur:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sınırlamalar
|
|
|
|
|
|
|
|
|
|
|
|
Hızlı Başlangıç
AgentLoop net ve aşamalı bir başlangıç yolu sunar: Bir dakikada bir AgentSpace oluşturun, beş dakikada veri alımını tamamlayın, bir saat içinde ilk değerlendirmenizi yapın ve bir gün içinde ilk optimizasyon turunu gerçekleştirin.
AgentLoop konsolu üzerinden hemen başlayın.