Sakana Conductor: 7B Çoklu Agent Orkestratörü Rehberi

Sakana AI, Nisan 2026'nın sonunda Conductor modelini yayınladı: 7 milyar parametreli, takviyeli öğrenmeyle eğitilmiş ve bir frontier agent havuzunu doğal dilde orkestre eden bir model. Conductor görevleri kendisi çözmüyor; hangi agent'ı çağıracağına, hangi alt görevi vereceğine ve hangi bağlamı açacağına karar veriyor. Bu rehber, küçük bir yönlendiricinin neden büyük bir tek-modeli geçtiğini, benchmark'ların ne söylediğini ve bu deseni otomasyon ile mobil agent yığınınıza nasıl ekleyeceğinizi adım adım anlatıyor.

Üretimdeki çoğu yapay zeka sistemi, görevin tamamını büyük bir modele veriyor ve modelin plana uymasını umuyor. Sakana'nın Conductor'ı tam tersine bahse giriyor. Küçük 7B'lik bir yönlendirici, takviyeli öğrenmeyle delege etmeyi öğreniyor; frontier agent filosu (Claude, GPT, Gemini, açık ağırlıklı uzmanlar) ise yürütme katmanı oluyor. Sayılar çarpıcı: LiveCodeBench'te %83,9 ve GPQA-Diamond'da %87,5; havuzdaki tek başına çalışan en iyi işçiyi geçiyor.

Conductor Aslında Ne Yapıyor?

Conductor, işi yapan agent değil. İşi kimin yapacağına karar veren agent. Her gelen istek aynı döngüden geçiyor:

• İsteği, kıdemli bir mühendisin yapacağı gibi alt görevlere böler.
• Her alt görev için havuzdan yetenek ve maliyete göre uygun agent'ı seçer.
• Alt göreve özel keskin bir prompt yazar ve yalnızca o agent'ın ihtiyacı olan bağlamı iletir.
• Sonuçları toplar, değerlendirir ve karar verir: tekrar et, eskale et ya da bitir.

Çoğu hattın kaçırdığı tam da bu son adım. Conductor sadece dağıtıp umut etmiyor. Takviyeli öğrenme sinyali, doğru nihai cevabı ödüllendirdiği için yönlendirici, ucuz bir agent'ın ne zaman yeteceğini ve ne zaman frontier modele eskale edeceğini öğreniyor.

Küçük Yönlendirici Neden Kazanıyor?

7 milyar parametre, en büyük frontier modellerinin yaklaşık %1'i boyutunda; mesele de tam olarak bu. Küçük bir yönlendirici, monolitik bir agent'ın yapamadığı üç şeyi açıyor:

Görev başına daha düşük maliyet

Çoğu alt görev frontier model gerektirmiyor. JSON yeniden biçimlendirme, bir araç seçme ya da bir paragrafı özetleme, ucuz bir işçide rahatça çalışıyor. Yalnızca zor alt görevleri pahalı modellere yönlendirmek, sonuçtan ödün vermeden harcamayı aşağı çekiyor.

Karar döngüsünde daha düşük gecikme

7B'lik bir model tek GPU'ya sığıyor. Yönlendirme kararları 100 ms'nin çok altında düşüyor; böylece orkestratör darboğaz olmuyor. Sistemin en yavaş parçası, gerçek işi yapan işçi olarak kalıyor; olması gereken de bu.

Uzmanlaşma genelliği geçer

Kod için bir kodlama agent'ı, getirme için bir arama agent'ı, ispatlar için bir matematik agent'ı. Conductor hangi işçinin neye iyi olduğunu öğreniyor ve buna göre yönlendiriyor. Bu, tek bir kıdemli mühendise her şeyi yaptırmaktan, gerçek ekip çalışmasına çok daha yakın.

Sıçrama şu: "her şeyi yapan tek bir model"den, "küçük bir yönlendirici ve çoklu bir işçi havuzu"na geçiş. Ürün artık yönlendirici. İşçiler değiştirilebilir parçalar.

Benchmark Tablosu

Sakana, üç farklı reasoning ağırlıklı benchmark'ta sayılar yayımladı. Önemli olan mutlak puanlar değil. Önemli olan, orkestre edilmiş havuzun aynı havuzdaki her tek işçiyi sürekli olarak geçmesi:

Çok farklı alanlarda yaklaşık beş puanlık tutarlı bir kazanım, asıl sinyal. Yönlendirici belirli bir benchmark'ı ezberlemiyor; aktarılabilir bir beceri öğreniyor.

Otomasyon Yığınınız İçin Bunun Anlamı

Şimdiden n8n, Claude ya da açık ağırlıklı modellerle inşa ediyorsanız, pratik değişim küçük ama gerçek. Orkestrasyon katmanı artık model adları üzerinde duran statik bir if-else değil. Kendi başına öğrenen bir bileşen. Geniş eğilimi agentik kodlamanın orkestrasyon çağı yazımızda anlatmıştık; Conductor bugüne kadar bu fikrin en temiz açık kanıtı.

Geçiş, kavramsal olarak düz:

• n8n akışınızdaki tek-LLM düğümlerini, seçilen işçiyi ve prompt'u döndüren bir yönlendirici çağrısıyla değiştirin.
• Mevcut araçlarınızı ve skill'lerinizi bırakın. Yönlendirici onları değiştirmiyor; yalnızca kimin kullanacağına karar veriyor.
• Alt görev başına maliyeti ve başarıyı tek bir log satırında tutun ki yönlendiricinin daha sonra eğitileceği bir geri besleme sinyali olsun.

Bu Desenin Mobil-Öncelikli Versiyonu

7B boyutu tesadüf değil. Bu kadar küçük bir model bugün bir iş istasyonunda, yarın yeni nesil cihaz üzeri çıkarım katmanlarında çalışabilir. Bu, Conductor tarzı bir yönlendiriciyi Hermes Workspace Mobile ve telefonda agent orkestrasyonu yazımızda anlattığımız mobil desene doğal bir uyum yapıyor: cihaz yönlendiriciyi ve onay yüzeyini taşıyor, ağır işçiler bulutta kalıyor.

Beş Pratik Kullanım Senaryosu

İşe yarayan en ucuz modeli seçen n8n akışları

Sabit model düğümünü bir yönlendirici çağrısıyla değiştirin. Yönlendirici, kolay %90 için Gemini Flash'i, geri kalan için Claude veya GPT-5'i seçer; akış değişmeden kalır.

Cihaz üzerinde dağıtım yapan mobil asistan

Telefon yönlendiriciyi yerelde çalıştırıyor. Hızlı yeniden biçimlendirme veya sınıflandırma cihazda kalıyor. Zor reasoning bir bulut işçisini çağırıyor; para harcayan ya da mesaj gönderen her şey için biyometrik onay devreye giriyor.

Marjı sınırlandırılmış SaaS agent ürünleri

Ürününüz her istekte frontier model çağırıyorsa, brüt marjınız bir sağlayıcının fiyat listesine bağlı. Öğrenen bir yönlendirici, trafiğin çoğunu daha ucuz işçilere kaydırıp kaliteyi sabit tutar; marj yeniden sizin kontrolünüze geçer.

Kod incelemesi ve refactor

Dosya, dil veya başarısız test başına Conductor tarzı yönlendirme. Bir uzman agent SwiftUI diff'ini, başkası Terraform diff'ini, bir diğeri göç planını yazıyor. Aynı yönlendirici hepsini birbirine bağlıyor.

Müşteri destek triajı

Yönlendirici; bilgi tabanı araması, LLM taslağı ve insan eskalasyonu arasında karar veriyor. Zamanla hangi kanalın hangi talep tipini çözdüğünü öğreniyor; talep başına maliyet kalite kaybı olmadan düşüyor.

Nasıl Başlarsınız?

1. 1Sakana'nın halka açık Conductor yazısını okuyup eğitim düzenini ve API yüzeyini anlayın.
2. 2Tek bir LLM çağıran mevcut bir iş akışınızı seçin. Bu çağrıyı şimdilik "aynı modeli" döndüren bir yönlendirici stub'ının arkasına koyun.
3. 3Havuza ikinci bir işçi (daha ucuz bir model) ekleyin. Yönlendiriciye, hangi işçinin hangi alt görevi yaptığını ve nasıl gittiğini logla yazdırın.
4. 4Birkaç haftalık log birikince, kolay alt görevlerin varsayılan olarak ucuz işçide kalmasını sağlayacak şekilde yönlendiriciyi eğitin ya da kuralla düzenleyin.

Agent dünyasını yeni harmanlıyorsanız, OpenClaw 101 yeni başlayanlar rehberimiz bir agent yığınının yapı taşlarını anlatıyor: araçlar, skill'ler, izinler, bellek. Conductor onların bir üst katmanında oturuyor, ama ancak bu parçalar yerindeyken anlamlı oluyor.

Son Söz

2026'nın asıl heyecan verici cephesi daha büyük tek bir model değil. Elimizdeki modellerin daha iyi orkestrasyonu. Sakana'nın Conductor'ı, küçük ve öğrenmiş bir yönlendiricinin her tek frontier modeli geçebildiğinin bugüne kadarki en temiz kanıtı; üstelik mobil ve uç senaryolarına yetecek kadar ucuz.

Sonraki sprint'e taşıyacağınız soru basit. Bugün hangi alt görevler için, daha küçük bir işçinin halledebileceği bir iş yapılırken frontier fiyatı ödüyorsunuz; bir yönlendirici bu kararı sizin yerinize verince ne değişir?