🕵️‍♂️ ปมคดีที่น่าสงสัย: ทำไม Agent ตัวเดียวถึงไม่พอ?

เวลาเราคุยกับ Large Language Model (LLM) ตัวเดียว ไม่ว่าจะเป็น GPT-4o, Claude 3.5 Sonnet หรือ Gemini Pro แม้มันจะฉลาดแค่ไหน แต่เมื่อต้องเจองานขนาดใหญ่ในโลกจริง เช่น:

1. ดึงข้อมูลจากฐานข้อมูล SQL
2. ประมวลผลและคลีนข้อมูล
3. สรุปอินไซต์เชิงธุรกิจ
4. สรุปเป็นรายงาน Markdown แล้วยิงเข้า Slack / Email

หากสั่งใน Prompt เดียว ผลลัพธ์มักเกิด Context Overflow, ลืมเงื่อนไขสำคัญ, หรือเกิด Hallucination (ข้อมูลมั่ว)

ทางออกของวิศวกรรมระบบ AI สมัยใหม่จึงไม่ใช่ “โมเดลเดียวทำทุกอย่าง” แต่คือ “AI Orchestrator” ที่เปรียบเสมือนวาทยกรคอยสั่งการทีมนักสืบและผู้เชี่ยวชาญเฉพาะทาง

---

🔍 แกะรอยสถาปัตยกรรม (Architecture Breakdown)

[ User Input / Trigger ]
           │
           ▼
┌──────────────────────────────────────┐
│        AI ORCHESTRATOR               │
│   (Task Decomposer & Router)         │
└──────────────────┬───────────────────┘
                   │
    ┌──────────────┼──────────────┐
    ▼              ▼              ▼
┌─────────┐  ┌───────────┐  ┌───────────┐
│ Search  │  │ Database  │  │ Validator │
│ Agent   │  │ Agent     │  │ & Critic  │
└─────────┘  └───────────┘  └───────────┘
    │              │              │
    └──────────────┼──────────────┘
                   │
                   ▼
       [ Final Verified Output ]

1. Data Ingestion & Intent Classification

Orchestrator จะรับคำสั่งของผู้ใช้ แล้วแยกแยะว่าคำสั่งนี้ประกอบไปด้วย Sub-tasks อะไรบ้าง (Task Decomposition)

2. Context Routing & State Management

แทนที่จะส่งข้อมูลทั้งหมดให้ทุก Agent ระบบจะตัดแต่งเฉพาะ State และ Context ที่จำเป็น ส่งให้ Agent ที่รับผิดชอบโดยตรง ช่วยประหยัด Token และป้องกันไม่ให้โมเดลสับสน

3. Verification & Evaluation Loop

ก่อนส่งผลลัพธ์คืนผู้ใช้ จะมี Evaluator / Critic Agent ตรวจสอบ Output ว่าตรงตาม Schema หรือ Criteria หรือไม่ ถ้าไม่ผ่าน จะทำการ Retry หรือแก้ไขอัตโนมัติ

---

💡 โค้ดตัวอย่างสถาปัตยกรรม (Mental Model ใน TypeScript)

interface AgentTask {
  id: string;
  role: 'RESEARCHER' | 'CODER' | 'REVIEWER';
  prompt: string;
  context: Record<string, any>;
}

class Orchestrator {
  async executePipeline(userGoal: string) {
    // 1. วางแผนแตกงานย่อย
    const plan = await this.decomposeGoal(userGoal);
    
    let sharedState = {};
    for (const task of plan.tasks) {
      const agent = this.getAgent(task.role);
      const result = await agent.run(task.prompt, sharedState);
      sharedState = { ...sharedState, [task.id]: result };
    }
    
    return this.synthesizeOutput(sharedState);
  }
}

---

💰 นำไปสร้างมูลค่าและรายได้อย่างไร?

1. สร้างระบบ Automation ขายให้ธุรกิจ (B2B SaaS / Services): เช่น ระบบตอบรับลูกค้าอัจฉริยะที่เช็คสต็อกสินค้า ออกใบเสนอราคา และบันทึก CRM อัตโนมัติ
2. สร้าง Custom Content Engine: ให้ Agent ฝ่ายวิจัยหาหัวข้อ -> Agent ฝ่ายเขียนร่างบทความ -> Agent ฝ่ายพิสูจน์อักษรตรวจสอบ -> โพสต์ลง Facebook/Blog อัตโนมัติ

---

📌 ติดตามคดีต่อไป: ในบทความถัดไป เราจะพาไปเจาะลึก Model Context Protocol (MCP) มาตรฐานที่ทำให้ Agent ของเราเชื่อมต่อกับ API และโปรแกรมบนคอมพิวเตอร์ได้อย่างไร้รอยต่อ!