Agentic AI คืออะไร?
Agentic AI คือ ระบบที่นำ LLM มาเชื่อมต่อเข้ากับระบบต่าง ๆ เพื่อสร้างเป็นระบบอัตโนมัติที่สามารถคิดและตัดสินใจทำเรื่องต่าง ๆ แทนมนุษย์ได้เพียงแค่เราบอกสิ่งที่ต้องการให้กับ AI Agents เท่านั้น นอกจากนี้ Agent แต่ละตัวยังสามารถที่จะคุยกันเองและทำบางอย่างเพื่อช่วยกันตัดสินใจและทำให้ผลลัพธ์มีความสมบูรณ์มากขึ้นได้อีกด้วย เราจะสามารถมองได้ว่า LLM คือสมองส่วนที่คอยคิดและเป็นเหตุเป็นผล ส่วน Agentic คืออวัยวะส่วนอื่นที่คอยรับคำสั่งและติดต่อส่งข้อมูลที่ได้จากสมองส่วนหลักเพื่อกระทำสิ่งต่าง ๆ ให้เสร็จสมบูรณ์
องค์ประกอบหลักของ AI Agents
จะแบ่งได้เป็น 4 ส่วนหลัก ๆ คือ
1. LLM Reasoning เมื่อระบบรับคำสั่ง (Prompt) จากผู้ใช้งานมาแล้ว LLM จะทำความเข้าใจในคำสั่งนั้น ตีความ และคิดถึงสิ่งที่ควรจะต้องทำจากนั้นจะสร้างข้อความตอบกลับออกมา แต่ข้อความตอบกลับในที่นี้แทนที่จะเป็นการตอบกลับไปยังผู้ใช้งานเลยจะเปลี่ยนเป็นข้อความสั่งการไปยัง Agent ตัวอื่น ๆ แทน
2. Memory Recall ในการทำงานจริงนั้นเป็นไปไม่ได้ที่ทุกอย่างจะจบในคำสั่งเดียว ดังนั้น AI Agents ก็จำเป็นต้องมีระบบความจำเพื่อนำไปใช้รวมกับ LLM Reasoning ในข้อที่ 1 และวิเคราะห์ว่าคำสั่งที่รับมาล่าสุดนี้ต่อเนื่องเกี่ยวข้องกับคำสั่งก่อนหน้าหรือไม่อย่างไร เพื่อให้ชุดคำสั่งมีความต่อเนื่องและเป็นไปตามความต้องการของผู้ใช้งานจริง ๆ
3. Orchestration คือตัวกลางที่จะควบคุมและสั่งการ Agent ต่าง ๆ ว่าแต่ละตัวต้องทำงานอะไร ใครทำก่อนหลัง ขั้นตอนในการทำงานให้ได้มาซึ่งผลลัพธ์ควรเป็นยังไง ภายใต้คำสั่งที่ได้รับมาจาก LLM
4. Multi-Agent Systems ตัวการทำงานให้บรรลุผลลัพธ์ที่ต้องการจริง ๆ โดยที่ Agent แต่ละตัวจะรับคำสั่งจาก Orchestrator และปฏิบัติงานตามแผนที่วางไว้คอยส่งผลลัพธ์ที่ได้หากันตามขั้นตอนและส่งผลลัพธ์ที่ได้สุดท้ายไปยัง LLM เพื่อตอบกลับไปยังผู้ใช้งานพร้อมกับข้อมูลเชิงลึกหรือผลลัพธ์ของงานที่เกิดขึ้น นอกจากนี้ Agent แต่ละตัวยังสามารถมี Tools ที่แตกต่างกันออกไปและเลือกหยิบมาใช้งานได้เองตามที่มันตัดสินใจด้วย
ตัวอย่าง Agentic AI ในโลกจริง
- NotebookLM ผู้ช่วยในการอ่านและทำความเข้าใจข้อมูล พร้อมสรุปประเด็นและจับใจความสำคัญของเนื้อหาที่ส่งไปให้ มีความสามารถในการรับ Input มากมายหลายรูปแบบทั้งภาพ เสียง ข้อความ วิดีโอ สรุปออกมาเป็นข้อความ Mindmapping ตาราง เป็นต้น
- Cursor ผู้ช่วยในการเขียนโค้ดและงานพัฒนาโปรแกรมต่าง ๆ ช่วยให้เราสามารถเขียนโปรแกรมได้ง่ายขึ้น สามารถสร้างโค้ดหรือฟังก์ชันได้ง่ายขึ้น แก้บั๊ก แก้ Error ที่เกิดขึ้นได้
- Replit Agent สำหรับช่วยในการวางแผน, เขียนโค้ด, ติดตั้ง Dependencies, ตั้งค่า Database และ Deploy ขึ้น Server สำหรับทดสอบใช้งานได้จริง
- Perplexity AI – Pro Search ตัวช่วยค้นหาข้อมูลที่จะกลั่นกรองและคิดหาเหตุผลเพื่อให้ค้นหาผลลัพธ์ออกมาได้ตรงกับความต้องการมากที่สุด
- Salesforce Agentforce (Customer Service & CRM) สามารถเข้าถึงข้อมูลลูกค้าในระบบ CRM, ตรวจสอบสถานะออเดอร์, และทำรายการเปลี่ยนแปลง (เช่น คืนเงิน, เปลี่ยนที่อยู่) ได้เองโดยไม่ต้องรอคนอนุมัติ (ตามกฎที่ตั้งไว้)
Agentic AI Design Pattern
การทำ Agentic AI นั้นทำได้หลายรูปแบบตามปัญหาที่ต้องการแก้ โดยมีตัวอย่างหลัก ๆ ในการออกแบบดังต่อไปนี้
1. Agentic Self Reflection
- เป็นวิธีการที่จะให้ LLM ตรวจสอบผลลัพธ์ของตัวมันเองก่อนที่จะตอบออกไปตั้งแต่แรก ว่าผลลัพธ์นั้นถูกต้องแล้วจริงหรือไม่ มีประสิทธิภาพพอไหม ตอบโจทย์กับที่รับคำสั่งมาจริงหรือไม่ และปรับให้คำตอบมีความถูกต้องเหมาะสมมากยิ่งขึ้น
เช่น งานเขียนโค้ด: เมื่อ AI เขียนโค้ดเสร็จ มันจะรันโค้ดนั้นในใจ (หรือรันจริง) เพื่อดูว่ามี Error หรือไม่ หากมี มันจะวนกลับไปแก้โค้ดเองจนกว่าจะรันผ่าน แล้วค่อยส่งให้ผู้ใช้
งานเขียนบทความ: AI ร่างบทความขึ้นมา 1 รอบ จากนั้นสวมบทเป็น “บรรณาธิการ” อ่านทวนงานตัวเองเพื่อเช็คว่าโทนเสียงถูกต้องไหม มีคำผิด หรือมีความลำเอียง (Bias) หรือไม่ ก่อนส่งงาน
2. Agentic with Tool Use
- เป็นการออกแบบระบบให้ LLM สามารถเลือกใช้เครื่องมือและแหล่งข้อมูลภายนอกมาเสริมในกระบวนการแก้ปัญหาและหาคำตอบได้ถูกต้องมากยิ่งขึ้น โดยที่ AI สามารถที่จะเลือก Tools มาใช้งานได้เองตามเหตุผลที่มันคิดว่าควรจะใช้เครื่องมือไหน ดังนั้นจึงขึ้นอยู่กับ Tools ด้วยว่าเราออกแบบให้ใช้ทำอะไรได้บ้าง (จำเป็นต้องเขียนอธิบายไว้ว่าใช้ทำอะไร รับค่ายังไง ผลลัพธ์เป็นอะไรเพื่อให้ LLM เข้าใจและเลือกได้ถูกต้อง)
เช่น ผู้ช่วยส่วนตัว: เมื่อเราถามว่า “พรุ่งนี้ที่โตเกียวฝนตกไหม?” LLM รู้ว่าตัวเองไม่มีข้อมูล Real-time จึงตัดสินใจเรียกใช้ Tool: Weather API เพื่อดึงข้อมูลพยากรณ์อากาศล่าสุด มาตอบผู้ใช้งาน
งานวิเคราะห์ข้อมูล: เมื่อสั่งให้หาค่าเฉลี่ยจากข้อมูล 10,000 แถว แทนที่ LLM จะพยายามคำนวณเอง (ซึ่งมักผิด) มันจะเขียน Python Script แล้วสั่งรันเพื่อหาคำตอบที่แม่นยำ 100%
3. Agentic Planning
- เป็นการออกแบบระบบให้ LLM คิดถึงกระบวนการที่จะทำให้ได้ผลลัพธ์ออกมาเหมาะสมที่สุดก่อน เมื่อรับคำสั่งจากผู้ใช้งานเข้ามาแล้ว LLM จะนำไปเข้ากระบวนการวางแผนโดยแตกงานออกเป็นงานย่อย ๆ ก่อนจากนั้นจึงคิดกระบวนการว่าควรจะจัดการกับงานย่อยอย่างไรอันไหนก่อนหลัง และสามารถที่จะนำรูปแบบการวางแผนจากภายนอกมาใช้ได้เช่น Agile, Scrum, Kanban, Lean, Waterfall เป็นต้น จากนั้นจึงนำผลลัพธ์ที่ได้ไปเข้า Reflection และปรับแก้ไขหากมีจุดที่ยังต้องเพิ่มเติมอีก แล้วสุดท้ายจึงดูจาก Memory ประกอบด้วยว่าเคยมีปัญหาหรือเรื่องไหนอีกบ้างที่ต้องเพิ่มเติม แล้วจึงส่งผลลัพธ์สุดท้ายออกไปเช่น การวางแผนท่องเที่ยว: เมื่อบอก AI ว่า “จัดทริปไปญี่ปุ่น 5 วัน งบ 3 หมื่น” AI จะไม่แค่ลิสต์สถานที่มั่วๆ แต่จะวางแผนเป็นขั้นตอน:
ค้นหาตั๋วเครื่องบินที่ราคาอยู่ในงบ
ค้นหาโรงแรมย่านที่เดินทางสะดวก
จัดตารางเที่ยวตามเส้นทางรถไฟ
คำนวณงบประมาณรวม (AI จะทำทีละขั้น และนำผลลัพธ์ข้อ 1 มาประกอบการตัดสินใจข้อ 2)
4. Multi-Agentic
- เป็นการออกแบบระบบให้ Agent หลาย ๆ ตัวทำงานร่วมกันได้ภายใต้ Orchestrator Framework มีไว้เพื่อแก้ปัญหาที่มีความซับว้อนมาก ๆ จำเป็นต้องทำหลายอย่างเพื่อให้ได้ผลลัพธ์ เราสามารถที่จะนำ Agent ที่ถูกออกแบบสำหรับงานต่าง ๆ มาใช้ร่วมกันได้
เช่น การพัฒนาซอฟต์แวร์ (Software House จำลอง):
Agent A (Product Manager): รับโจทย์จากลูกค้า ตีความเป็น Requirement และเขียน User Story
Agent B (Developer): รับ Requirement ไปเขียนเป็น Code
Agent C (QA Tester): นำ Code มาทดสอบหาบั๊ก และส่ง Feedback กลับไปให้ Developer แก้ไข
Orchestrator: คอยดูแลว่างานส่งต่อกันครบถ้วนหรือไม่ และรายงานผลสุดท้ายให้มนุษย์
หลักการทำงานคร่าว ๆ ของ Agentic AI
การทำงานของ Agent สามารถแบ่งได้ออกเป็น 3 ส่วนสำคัญได้แก่ Inputs, Core Processing, Action & Feedback และทั้งหมดนี้ทำงานเป็นลูปและเน้นที่การส่งข้อมูลไปมาหากัน (Data Flow)
1. Inputs ประกอบไปด้วยกัน 3 อย่างดังนี้
- Goals/Instructions หรือก็คือพรอมพ์คำสั่งที่รับมาจากผู้ใช้งานเป็นสิ่งที่มนุษย์ต้องการให้ทำ
- Tools เป็นเครื่องมือต่าง ๆ ที่เราเตรียมไว้ให้ Agent โดยที่เครื่องมือทุกชิ้นที่เตรียมไว้จะต้องมีคำอธิบายว่าใช้งานอย่างไรด้วยเพื่อที่ Agent จะได้สามารถเข้าใจและหยิบเครื่องมือมาใช้ได้ถูกต้อง
- Context เป็นข้อมูลเสริมเพิ่มเติมเพื่อให้ Agent เข้าใจในเรื่องต่าง ๆ มากยิ่งขึ้น มีความรู้เฉพาะทาง มีข้อมูลที่อัปเดตใหม่ ๆ มาใช้ในการแก้ปัญหาได้
2. Core Processing ส่วนประมวลผลหลัก
- Agent จะทำหน้าที่รับข้อมูลทั้งหมดจากส่วน Inputs และแปลงเป็น System Prompt
- LLM รับ Prompt ที่มีข้อมูลครบถ้วนไปประมวลผลและคิดแนวทางแก้ปัญหาออกมา
3. Action & Feedback ส่วนปฏิบัติการจริงและตรวจสอบผลลัพธ์
- Actions รับคำสั่งจาก LLM มาแปลงเป็นการกระทำ ฟังก์ชันอะไรบ้างที่ต้องทำงาน ทำที่ไหน ใช้เครื่องมืออะไร ขั้นตอนเป็นอย่างไร ทุกอย่างจะเริ่มลงมือทำที่ขั้นตอนนี้
- Environment ทุกการกระทำที่เกิดขึ้นจะส่งมารันบนสภาพงานจริงเช่น ส่งโค้ดไปรันบนระบบจริง, ออกไปค้นหาข้อมูลในเน็ตจริง ๆ, บันทึกข้อมูลลงในระบบจริง ๆ เป็นต้น เรียกว่าเป็นส่วนที่ทำงานแทนเราจริง ๆ
- Observation เมื่อ Agent ปฏิบัติการบนสภาพแวดล้อมจริงแล้วนั้นจะต้องมีส่วนตรวจสอบว่าผลลัพธ์ของการกระทำนั้นเป็นอย่างไรบ้าง ผลที่ได้มาถูกต้องไหม มีส่วนผิดพลาดอะไรบ้างที่ต้องแก้ไข
- เมื่อตรวจสอบผลลัพธ์เสร็จแล้ว Feedback ก็จะถูกส่งกลับไปยัง Agent หากผลลัพธ์ยังไม่เสร็จสิ้นสมบูรณ์ทั้งหมด Agent ก็จะทำวนลูปตามกระบวนการเดิมอีกครั้งโดยเลือกหยิบเครื่องมือและข้อมูลและคิดคำสั่งต่อไปแล้วสั่งการต่อไปจนได้ Feedback ที่แจ้งว่าผลลัพธ์การทำงานถูกต้องสมบูรณ์ตามคำสั่งจากผู้ใช้งาน Agent จึงจะตอบและสรุปผลการทำงานทั้งหมดให้กับมนุษย์
โครงสร้างพื้นฐานของระบบ Agentic AI
ระบบ Agentic AI ที่จะครบถ้วนในเบื้องต้นนั้นควรมีส่วนประกอบดังนี้
1. Runtime เป็นส่วนประมวลผลหลักที่มีไว้คอยจัดการพรอมพ์คำสั่งที่ได้รับมา เลือกใช้เครื่องมือสำหรับการทำงาน และเลือกใช้ข้อมูลเพิ่มเติมเพื่อ โดยการทำงานในส่วนนี้ปกติแล้วจะมี Framework ต่าง ๆ ให้เลือกใช้งานเช่น Strands Agent, LangChain, LangGraph, LlamaIndex, CrewAI เป็นต้น และ Runtime จะถูกออกแบบมาให้เชื่อมต่อกับแอปพลิเคชั่นหรือระบบต่าง ๆ ได้ เลือกใช้โมเดลอะไรก็ได้ในการประมวลผล รองรับการทำงานแบบ Agent to Agent ได้
2. Memory ส่วนความจำ (Short-term, Long-term, และ Episodic Memory) เชื่อมต่อโดยตรงกับ Runtime เป็นการป้อนความจำหรือบริบทในอดีตให้กับส่วนประมวลผลเพื่อให้เข้าใจบทสนทนาระยะยาวได้หรือพูดถึงเรื่องที่เคยพูดกันได้ถูกต้อง
3. Tools & Capabilities เป็นส่วนที่ Tools จะถูกใช้งานจริงในการทำงานกับระบบต่าง ๆ หรือบริการภายนอกโดยจะคุยผ่าน Gateway ที่เป็น Model Context Protocol (MCP) ซึ่งข้อดีคือจะทำให้ Agent นำ Tools ที่มีไปติดต่อใช้งานกับบริการภายนอกได้ง่ายขึ้นไม่จำเป็นต้องเขียน API เฉพาะเพื่อเชื่อมต่อกับแต่ละระบบช่วยให้การรับส่งข้อมูลระหว่างระบบมีมาตรฐานเดียวกันได้
4. Identity & Policy ความปลอดภัยและการกำกับดูแล ในการที่ Agent จะนำ Tools มาใช้งานได้นั้นจะต้องมีการตรวจสอบสิทธิ์การเข้าถึงและนโยบายความปลอดภัยก่อนเพื่อที่จะกำหนดว่า Agent ตัวนั้นจะทำอะไรได้บ้างป้องกันข้อผิดพลาดจากการทำผิดคำสั่งหรือเข้าถึงข้อมูลในส่วนที่ไม่ต้องการ
Identity: ระบุตัวตน (ใครเป็นคนสั่ง, สิทธิ์คืออะไร) รองรับผู้ให้บริการเจ้าไหนก็ได้ (Any provider)
Policy: นโยบายความปลอดภัยและกฎระเบียบ (ทำอะไรได้ หรือห้ามทำอะไร)
5. Observability & Evaluations การตรวจสอบและวัดผลส่วนสำคัญสำหรับการดูแลระบบ
Observability (OTEL): การสังเกตการณ์ระบบ (รองรับมาตรฐาน OpenTelemetry) เพื่อดู Logs, Metrics, และ Traces การทำงาน
Evaluations: ระบบประเมินผลการทำงานของ Agent ว่าถูกต้องหรือมีประสิทธิภาพเพียงใด
Conclusion
Agentic AI คือระบบอัตโนมัติที่ยกระดับ LLM จากเพียงผู้ประมวลผลข้อมูลให้กลายเป็น “ผู้กระทำ” โดยเปรียบ LLM เป็นสมองที่ทำหน้าที่คิดวิเคราะห์ วางแผน (Reasoning) และจดจำบริบท (Memory) เพื่อสั่งการให้ Agent ซึ่งเปรียบเสมือนอวัยวะไปเชื่อมต่อกับเครื่องมือ (Tools) และระบบภายนอกเพื่อปฏิบัติภารกิจแทนมนุษย์ให้สำเร็จ การทำงานจะอาศัย Design Pattern ต่าง ๆ เช่น การตรวจสอบความถูกต้องด้วยตนเอง (Self-Reflection), การวางแผนงานซับซ้อน (Planning) หรือการทำงานร่วมกันของ Agent หลายตัว (Multi-Agent) ภายใต้การควบคุมของ Orchestrator โดยกระบวนการทั้งหมดจะหมุนเป็นวงจร (Loop) ตั้งแต่รับ Input ประมวลผล ลงมือทำในสภาพแวดล้อมจริง และนำ Feedback มาปรับปรุงผลลัพธ์ ผ่านโครงสร้างพื้นฐานที่รองรับความปลอดภัยและมาตรฐานการเชื่อมต่อ (เช่น MCP) ทำให้เกิดการใช้งานจริงที่มีประสิทธิภาพ เช่น ผู้ช่วยเขียนโค้ด (Cursor) หรือระบบบริการลูกค้าอัตโนมัติ (Agentforce)
