ประวัติ AI Agent: จาก Chain-of-Thought สู่ Agent ระดับองค์กร

บทสรุป: AI Agent (เอไอเอเจนต์) คือระบบ AI ที่สามารถคิดวิเคราะห์ด้วยตนเอง เรียกใช้เครื่องมือ และลงมือทำเพื่อบรรลุเป้าหมาย ไม่ใช่แค่สร้างข้อความตอบกลับ AI Agent เติบโตมาจากวิธีการให้เหตุผลในปี 2022 (Chain-of-Thought และ ReAct) ผ่านการเรียกใช้เครื่องมือในปี 2023 (Function Calling) และกระแส agent อัตโนมัติ ตามด้วยเฟรมเวิร์กหลายเอเจนต์ มาจนถึง agent ระดับองค์กรในปัจจุบันที่ควบคุมคอมพิวเตอร์และเชื่อมต่อระบบธุรกิจได้ สำหรับองค์กร คำถามที่แท้จริงไม่ใช่ว่า agent ฉลาดแค่ไหน แต่คือความสามารถใดที่เชื่อถือได้พอจะนำขึ้นใช้งานจริง โดย Gartner คาดว่าภายในปี 2026 แอปพลิเคชันองค์กรมากถึง 40% จะผสาน AI agent เฉพาะงาน (จากไม่ถึง 5% ในปี 2025) แต่ Gartner ก็คาดเช่นกันว่ากว่า 40% ของโครงการ agentic AI จะถูกยกเลิกภายในสิ้นปี 2027 บทความนี้เล่าที่มาที่ไปของ AI Agent ผ่านตัวอย่างจริงหนึ่งเรื่อง และวิธีที่องค์กรจะนำไปใช้โดยไม่ตกไปอยู่ในสถิติการยกเลิกนั้น

AI Agent ซับซ้อนอย่างที่ฟังดูหรือไม่

ไม่ครับ AI Agent ฟังดูล้ำลึก แต่โดยแก่นแล้วคือการนำโมเดลภาษาขนาดใหญ่ (LLM) มาประยุกต์เชิงวิศวกรรม กล่าวคือ นำโมเดลที่ทำได้เพียง "สร้างคำถัดไป" มาต่อเข้ากับเครื่องมือ หน่วยความจำ และวงจรการทำงาน เพื่อให้มันลงมือทำงานได้จริง

หลักการทำงานของ LLM นั้นเรียบง่าย คือคาดเดาคำที่น่าจะเป็นไปได้มากที่สุดจากข้อความก่อนหน้า ทีละคำต่อกันไป โมเดลเช่นนี้ "พูด" ได้เก่ง แต่ "ทำ" ไม่ได้ ถ้าถามสภาพอากาศวันนี้ มันทำได้เพียงเดาจากข้อมูลที่เคยเรียนมา ไม่สามารถไปตรวจสอบจริง (เราเคยอธิบายกลไกนี้และจุดที่เหมาะกับงานธุรกิจไว้ในบทความ AI ทุกวันนี้คืออะไรกันแน่)

จุดเปลี่ยนเกิดขึ้นในปี 2022 ด้วย ReAct หลักการของมันเข้าใจไม่ยาก คือให้โมเดลหยุดกลางคันระหว่างสร้างข้อความ แล้วส่ง "คำขอลงมือทำ" ออกมาก่อน เช่น Action: search[Colorado orogeny] จากนั้นส่งการควบคุมให้โปรแกรมภายนอก โปรแกรมจะไปเรียก API ค้นหาจริง รับผลลัพธ์ แล้วนำกลับมาต่อให้โมเดลเขียนต่อ โมเดลรับหน้าที่ "คิด" ส่วนโปรแกรมรับหน้าที่ "ทำ" สลับกันไปมา จึงเกิดวงจร "คิด—ลงมือ—สังเกตผล" ขึ้น

ในช่วงแรก ขั้นตอนนี้ประกอบขึ้นจากข้อตกลงเชิงข้อความบวกกับการแยกวิเคราะห์ด้วย regex ซึ่งเปราะบางมาก หากรูปแบบที่โมเดลสร้างเพี้ยนไปเล็กน้อย (ใช้วงเล็บกลมแทนวงเล็บเหลี่ยม หรือมีเครื่องหมายคำพูดเกินมา) การแยกวิเคราะห์ก็ล้มเหลว Function Calling ที่ OpenAI เปิดตัวในเดือนมิถุนายน 2023 ทำให้ขั้นตอนนี้มั่นคงขึ้น โดยให้โมเดลสร้างผลลัพธ์เป็น JSON ที่มีโครงสร้างตาม schema และระบบเป็นผู้รับประกันว่ารูปแบบถูกต้อง วงจรไม่ได้เปลี่ยน เพียงแต่ขั้น "ลงมือ" เปลี่ยนจากวิธีหยาบ ๆ มาเป็นชิ้นส่วนมาตรฐานเชิงวิศวกรรม จำวงจรนี้ไว้ เพราะทุกอย่างหลังจากนี้ล้วนต่อยอดจากมัน

AI Agent จัดการงานจริงอย่างไร: ตัวอย่างอีเมลหาลูกค้าใหม่

ด้วยการ "แบ่งย่อย" ครับ คือแตกงานที่ซับซ้อนออกเป็นงานย่อย แล้วใช้ AI "ผู้ควบคุม" หนึ่งตัวคอยประสานงาน แนวคิดเดียวนี้เองที่ขยายจากการเรียกเครื่องมือครั้งเดียว ไปสู่ AI Agent ที่จัดการงานจริงได้

ลองนึกถึงงานธรรมดา ๆ เจ้านายมอบหมายให้พนักงานเขียนอีเมลหาลูกค้าใหม่ โดยอ้างอิงจากคู่มือผลิตภัณฑ์ของบริษัทและใบเสนอราคาของซัพพลายเออร์ งานนี้ธรรมดาสำหรับคน แต่ไม่ง่ายสำหรับ AI

หากโมเดลไม่มีเครื่องมือ มันทำไม่ได้เลย เพราะอ่านคู่มือของคุณไม่ได้ และดึงราคาแบบเรียลไทม์ไม่ได้ แม้ต่อ Function Calling เข้าไปแล้ว งานก็ยังซับซ้อนเกินไป เพราะการยัดคู่มือหลายสิบหน้าและตารางราคาหลายใบเข้าไปในหน้าต่างบริบทที่จำกัดของโมเดล มักทำให้มัน "เพี้ยน" กลางทางและเริ่มแต่งเรื่องขึ้นมาเอง นั่นคืออาการหลอน (hallucination)

ทางออกเชิงวิศวกรรมคือการแบ่งงาน มองว่า "อ่านคู่มือผลิตภัณฑ์" "ค้นใบเสนอราคาซัพพลายเออร์" และ "ร่างอีเมล" เป็นงานย่อยแยกกัน แต่ละงานมอบให้ AI ที่โฟกัสเฉพาะทางทำ จากนั้นใช้ AI "ผู้ควบคุม" คอยประสาน คือแตกงานใหญ่ กระจายให้เอเจนต์ย่อย รวบรวมผลลัพธ์ และรับผิดชอบผลงานสุดท้าย นี่คือรูปลักษณ์ของ AI Agent ที่ใกล้เคียงความเป็นจริงที่สุด

แน่นอนว่าการนำไปใช้ระดับใช้งานจริงยังมีรายละเอียดอีกมาก เช่น หากงานย่อยล้มเหลวจะลองใหม่อย่างไร เอเจนต์ย่อยส่งผลลัพธ์ระหว่างทางกันอย่างไร ผู้ควบคุมประเมินคุณภาพอย่างไร แต่โครงสร้างหลักคือ "แบ่งย่อย—กระจายงาน—รวบรวมผล"

แล้ว AI Agent คืออะไรกันแน่

AI Agent คือระบบ AI ที่ทำงานหลายขั้นตอนได้ด้วยตนเอง ขณะที่แชตบอต (chatbot) มักทำได้เพียงถาม-ตอบครั้งเดียว เบื้องหลังทั้งสองอาจเป็น LLM ตัวเดียวกัน ความต่างอยู่ที่ว่ามีความสามารถ "ตัดสินใจขั้นถัดไปเอง แล้วลงมือทำจริง" หรือไม่

AI Agent โดยทั่วไปประกอบด้วยสี่ส่วน ได้แก่ การให้เหตุผล (แตกเป้าหมายเป็นขั้นตอน) การเรียกใช้เครื่องมือ (ค้นข้อมูล คำนวณ เรียก API หรือสั่งงานระบบ) หน่วยความจำ (เก็บบริบทและผลลัพธ์ระหว่างทาง) และ วงจรการลงมือ (ทำ—สังเกตผล—ตัดสินใจใหม่ จนเสร็จ) ตัวอย่าง "ผู้ควบคุมประสานงานย่อย" ข้างต้น ก็คือผลลัพธ์เมื่อสี่ส่วนนี้มาครบ LLM ธรรมดาเป็นเพียง "เครื่องสร้างข้อความ" ต่อเมื่อเติมเครื่องมือ หน่วยความจำ และตัวควบคุมวงจรเข้าไป มันจึงกลายเป็น agent

AI Agent ผ่านช่วงพัฒนาการใดมาบ้าง

AI Agent ผ่านมาราวหกช่วง ได้แก่ รากฐานการให้เหตุผล การเรียกใช้เครื่องมือ กระแส agent อัตโนมัติ เฟรมเวิร์กหลายเอเจนต์ ความสามารถใหม่และการวางมาตรฐาน และช่วง agentic ระดับองค์กรในปัจจุบัน แต่ละก้าวล้วนอุดจุดอ่อนที่ก้าวก่อนหน้าเผยออกมา

• รากฐานการให้เหตุผล (2022): ก่อนที่ agent จะ "เรียกเครื่องมือ" ได้ โมเดลต้องเรียนรู้ที่จะ "คิดไปทำไป" ก่อน Chain-of-Thought ทำให้โมเดลเขียนเหตุผลออกมาชัด ๆ ส่วน ReAct (Yao และคณะ, 2022) ถักทอ "คิด—ลงมือ—สังเกตผล" เป็นวงจร ซึ่งกลายเป็นโครงกระดูกของ agent ทุกตัวในเวลาต่อมา
• การเรียกใช้เครื่องมือ (2023): ลำพังการให้เหตุผลยังไม่พอ ต้องค้นสภาพอากาศ คำนวณ เรียก API ได้จริงด้วย Toolformer ของ Meta, ปลั๊กอิน ChatGPT และ Function Calling ของ OpenAI ในเดือนมิถุนายน ทำให้การเรียกเครื่องมือเชื่อถือได้
• กระแส agent อัตโนมัติ (2023): เมื่อมันวนซ้ำและเรียกเครื่องมือได้ ก็มีคนให้เป้าหมายแล้วปล่อยให้มันวิ่งเอง AutoGPT และ BabyAGI โด่งดังชั่วข้ามคืน แล้วซาลงอย่างรวดเร็ว เพราะมักวนไม่รู้จบ ออกนอกลู่ และเผาพลังประมวลผลมหาศาลโดยไม่ได้ผลงาน มันพิสูจน์ทิศทาง และเผยให้เห็นความไม่น่าเชื่อถือของงานระยะยาว
• หลายเอเจนต์และเฟรมเวิร์ก (2023–2024): เมื่อ agent ตัวเดียวไม่น่าเชื่อถือในงานระยะยาว ก็แบ่งงานให้ทำร่วมกัน Microsoft AutoGen, CrewAI และ MetaGPT ให้เอเจนต์เฉพาะทางหลายตัวประสานกัน ส่วนเฟรมเวิร์กอย่าง LangChain วางมาตรฐานการจัดการเครื่องมือ หน่วยความจำ และการประสานงาน ซึ่งก็คือรูปแบบ "ผู้ควบคุม + งานย่อย" ในเชิงวิศวกรรม
• ความสามารถใหม่และการวางมาตรฐาน (2024): Computer Use ของ Anthropic ทำให้ agent สั่งงานหน้าจอกราฟิกได้เหมือนคน Devin ของ Cognition แสดงให้เห็น agent เขียนโค้ด และ MCP (Model Context Protocol) ของ Anthropic วางมาตรฐานกลางว่า "agent เชื่อมต่อเครื่องมือและข้อมูลอย่างไร" จนถูกเรียกว่า "USB-C ของวงการ AI"
• ช่วง agentic ระดับองค์กร (2025 เป็นต้นมา): ธีมเปลี่ยนจาก "ทำ demo ได้ไหม" เป็น "รันในการใช้งานจริงได้อย่างเสถียรไหม" browser agent, deep research และ coding agent ทยอยใช้งานได้จริง และโมเดลการให้เหตุผล (เช่นตระกูล o) ยกระดับอัตราความสำเร็จของการวางแผนระยะยาว อุดจุดอ่อนที่ใหญ่ที่สุดของกระแสปี 2023

สรุปเป็นประโยคเดียว: จาก "สร้างข้อความได้อย่างเดียว" → "เรียกเครื่องมือแบบมีโครงสร้าง" → "วงจรอัตโนมัติ" → "agent ระยะยาวที่เชื่อถือได้"

ก้าวต่อไปของ AI Agent จะเป็นอย่างไร

ในมุมมองของ Yangshu AI Agent เก่งเรื่องการแบ่งย่อยงานจนค่อนข้างสมบูรณ์แล้ว ในเชิงวิศวกรรมถือว่าเยี่ยม ก้าวต่อไปที่สำคัญจริง ๆ คือการทำให้มัน ปรับปรุงตัวเองจากฟีดแบ็ก ได้

ทุกวันนี้ agent ส่วนใหญ่ยังต้องพึ่งนักพัฒนาคอยปรับ ทั้งแก้พรอมป์ต์และปรับการประสานงานระหว่างงานย่อย ก้าวที่ไกลกว่านั้นคือ กลับไปที่อีเมลฉบับนั้น หากพนักงานให้ฟีดแบ็กต่ออีเมลที่ร่างมา AI ผู้ควบคุมจะใช้ฟีดแบ็กนั้นปรับการทำงานร่วมกันของเอเจนต์ย่อยและพรอมป์ต์ได้เอง หรือกระทั่งดึงเครื่องมือเพิ่มเข้ามาเอง โดยไม่ต้องให้นักพัฒนาลงมือ agent ที่ปรับปรุงตัวเอง นี่คือก้าวต่อไปที่เรามองเห็น

ส่วนจะมีรูปแบบการโต้ตอบใหม่โดยสิ้นเชิงเกิดขึ้นหรือไม่ เรายังไม่เห็น และค่อนไปทางเชื่อว่าอาจไม่มี เพราะโดยแก่นแล้ว มนุษย์จัดการงานซับซ้อนด้วยวิธีเดียวกัน คือแบ่งเป็นงานย่อย ซึ่งเป็นเส้นทางเดียวกับที่ AI Agent เดิน ในเชิงวิศวกรรมคงไม่ผุดสิ่งใหม่โดยสิ้นเชิงขึ้นมา อย่างไรก็ตาม นี่เป็นเพียงการประเมินของเราในเวลานี้ และทุกอย่างยังไม่แน่นอน

AI Agent ที่ใช้งานได้จริงในองค์กรเป็นอย่างไร

AI Agent ที่เชื่อถือได้ในองค์กร มักมีขอบเขตแคบ ตั้งอยู่บนข้อมูลของคุณเอง ทุกข้อสรุปสืบย้อนแหล่งที่มาได้ และคงคนไว้ในกระบวนการ ไม่ใช่กล่องดำอัตโนมัติที่ "ทำได้ทุกอย่าง" Gartner คาดว่ากว่า 40% ของโครงการ agentic AI จะถูกยกเลิกภายในสิ้นปี 2027 ด้วยเหตุจากต้นทุนบานปลาย คุณค่าไม่ชัด และการควบคุมความเสี่ยงไม่เพียงพอ สิ่งที่ล้มเหลวมักไม่ใช่เทคโนโลยี แต่คือการนำ agent ไปใช้ผิดที่และไร้กรอบควบคุม

แต่สิ่งที่เป็นรากฐานยิ่งกว่าการเลือกโมเดลหรือเฟรมเวิร์กใด คือ ข้อมูลขององค์กรเอง ความเข้าใจที่พนักงานมีต่อบริษัท ไม่เคยอยู่แค่บนกระดาษหรือในระบบ ทั้งวัฒนธรรมองค์กร นิสัยของเจ้านาย ความชอบที่ลูกค้าไม่ได้พูดออกมา สิ่งที่วัดเป็นตัวเลขไม่ได้เหล่านี้ AI Agent รับมือไม่ได้ และ AI ก็ขึ้นอยู่กับข้อมูลนำเข้าโดยสิ้นเชิง ป้อนข้อมูลที่ไม่พอหรือคุณภาพต่ำ ผลลัพธ์ก็ย่อมแย่ ดังนั้นรากฐานที่แท้จริงไม่ใช่โมเดล แต่คือการจัดการข้อมูลพื้นฐานให้ดี

บนรากฐานนั้น การทำให้ agent รันได้อย่างเสถียรในองค์กรมักอาศัยสี่สิ่ง ซึ่งสอดคล้องพอดีกับชุดความสามารถที่เป็นรูปธรรม:

• ความรู้ที่สืบย้อนได้ (RAG) — ให้ agent ตอบจากเอกสารของคุณเองพร้อมอ้างอิงแหล่งที่มาชัดเจน แทนการเดาจากความจำ นี่คือสิ่งที่ ฐานความรู้ AI ทำ ทั้งนี้ขอพูดตรง ๆ ว่า RAG เป็นวิธีการ "ยึดโยงกับข้อมูลจริง" ที่ใช้งานได้ดีที่สุดในปัจจุบัน และเราก็ใช้มันเช่นกัน แต่มันไม่ใช่ปลายทาง ปัญหาการค้นข้ามภาษาและการสูญเสียรายละเอียดยังคงมีอยู่ เราจึงประเมินว่ามันจะถูกแทนที่ด้วยวิธีที่ดีกว่าในอนาคต เรื่องนี้ขอขยายความในบทความหน้า
• เครื่องมืออ่านเอกสาร (OCR) — ข้อมูลองค์กรจำนวนมากถูกล็อกไว้ในไฟล์สแกน AI OCR เปลี่ยนใบแจ้งหนี้ ใบเสร็จ เช็ค บัตรประชาชน แบบฟอร์ม และสัญญา ให้เป็นฟิลด์ข้อมูลที่มีโครงสร้าง กลายเป็น "ดวงตา" ของ agent
• มือและเท้าที่ลงมือทำ (RPA) — เมื่อ agent คิดออกแล้วว่าต้องทำอะไร ต้องมีสิ่งที่ลงมือทำจริง โรบ็อตซอฟต์แวร์ RPA รับผิดชอบการทำงานข้ามระบบ ทั้งซิงก์ข้อมูล ออกรายงาน อนุมัติ และเชื่อมต่อระบบเดิมที่ไม่มี API ซึ่งตรงกับขั้น "ลงมือ" ใน "คิด—ลงมือ—สังเกตผล" ว่างานใดควรมอบให้โรบ็อตก่อน ดูได้จาก คู่มือ RPA ของเรา
• ข้อมูลไม่ออกนอกองค์กร + การตรวจทานโดยคน — เลือกติดตั้งภายในองค์กรหรือคลาวด์ส่วนตัวได้ เพื่อให้เอกสารไม่เข้าสู่บริการ AI สาธารณะที่ใช้ร่วมกัน และคงการยืนยันโดยคนไว้สำหรับการตัดสินใจที่มีความเสี่ยงสูง โดยวางตำแหน่ง agent ให้เป็นตัวช่วยเพิ่มประสิทธิภาพ ไม่ใช่ระบบอัตโนมัติที่ไร้คนดูแล

แนวคิด "จำกัดขอบเขต ตั้งอยู่บนข้อมูลของตัวเอง และคงคนไว้ในกระบวนการ" นี้ ยังเป็นแก่นของบทความ AI เป็นฟองสบู่หรือไม่ ของเรา นั่นคือเทคโนโลยีเป็นของจริง แต่คุณค่ามาจากความยับยั้งชั่งใจ ในระยะยาว ใครจัดระเบียบสินทรัพย์ข้อมูลของตนไว้ก่อน ผู้นั้นก็ถือความได้เปรียบที่แตกต่างในยุค AI ซึ่งเราจะเขียนถึงเรื่องนี้แยกต่างหาก

AI Agent เกี่ยวข้องกับ RAG, RPA และ Function Calling อย่างไร

ทั้งสามไม่ใช่คู่แข่งกัน แต่เป็นชั้นต่าง ๆ ของ agent หนึ่งตัว Function Calling คือ อินเทอร์เฟซ ที่ agent ใช้เรียกเครื่องมือ RAG คือ ความจำ ที่ป้อนความรู้ที่สืบย้อนได้ให้มัน ส่วน RPA คือ มือและเท้า ที่ลงมือทำและสั่งงานข้ามระบบ

• Function Calling / การเรียกเครื่องมือ: ให้โมเดลร้องขอ "ทำสิ่งนี้" อย่างมีโครงสร้าง เป็นอินเทอร์เฟซมาตรฐานระหว่าง agent กับโลกภายนอก
• RAG (Retrieval-Augmented Generation): ค้นเนื้อหาที่เกี่ยวข้องจากฐานความรู้ก่อนตอบ แล้วตอบพร้อมอ้างอิง เพื่อลดอาการหลอนและทำให้คำตอบตรวจสอบได้
• RPA (Robotic Process Automation): รับผิดชอบการลงมือทำจริง ย้ายข้อมูลและรันกระบวนการข้ามระบบ RPA แบบดั้งเดิมทำงานตามกฎตายตัว เมื่อผสานกับ AI Agent ก็รับมือขั้นตอนที่ยืดหยุ่นและต้องใช้วิจารณญาณได้

agent ระดับองค์กรที่สมบูรณ์ มักเป็นการผสมผสาน "โมเดลที่ให้เหตุผลได้ + อินเทอร์เฟซ Function Calling + ความรู้ RAG + การลงมือ RPA" ไม่ใช่เทคโนโลยีใดเพียงอย่างเดียว

องค์กรจะนำ AI Agent ไปใช้อย่างไร

แนะนำให้เริ่มจากกรณีใช้งานที่มีมูลค่าสูงเพียงกรณีเดียว ตั้งอยู่บนข้อมูลของตัวเอง คงคนไว้ในกระบวนการ และวัด ROI แทนที่จะไล่ตาม "อัตโนมัติเต็มรูปแบบ" ตั้งแต่วันแรก ซึ่งสอดคล้องกับคำแนะนำของ Gartner คือใช้ agent ในจุดที่คุณค่าชัดเจนก่อน

เส้นทางที่พบบ่อยคือ สำรวจว่าธุรกิจทำงานจริงอย่างไร (Discover & Design) เลือกกรณีที่ผลตอบแทนชัดเจน (ถาม-ตอบเอกสาร คีย์ใบแจ้งหนี้ กระทบยอด) สร้างโครงการนำร่องขอบเขตเล็กบนข้อมูลของคุณเอง พิสูจน์ผล แล้วจึงขยาย ส่วนโมเดลเบื้องหลังใช้ได้ทั้งบริการคลาวด์ (OpenAI, Anthropic, Google) หรือโมเดลโอเพนซอร์สอย่าง DeepSeek ที่ติดตั้งในเครือข่ายภายใน เพื่อให้ข้อมูลอ่อนไหวไม่ออกนอกองค์กร จากประสบการณ์ของเรา โครงการนำร่อง ที่โฟกัสชุดเอกสารหรือกรณีใช้งานเดียว มักเริ่มใช้งานได้ภายใน 2–4 สัปดาห์

สรุปประเด็นสำคัญ

• AI Agent คือ LLM ที่เติมสามสิ่งเข้าไป ได้แก่ การเรียกใช้เครื่องมือ หน่วยความจำ และวงจรการลงมือที่วนจนกว่าจะบรรลุเป้าหมาย
• วงจรนี้มาจาก ReAct ในปี 2022 ส่วน Function Calling ในปี 2023 ไม่ได้เปลี่ยนวงจร เพียงทำให้ขั้น "ลงมือ" เชื่อถือได้พอจะนำไปสร้างระบบจริง
• agent ที่ใช้งานได้จริงทำงานด้วยการแบ่งย่อย คือ AI ผู้ควบคุมแตกงาน กระจายให้เอเจนต์ย่อย และรับผิดชอบผลงานสุดท้าย
• กระแส agent อัตโนมัติปี 2023 ล้มเหลวเพราะความน่าเชื่อถือในงานระยะยาว ไม่ใช่เพราะความฉลาด และนั่นยังเป็นโจทย์ที่ต้องออกแบบรับมือ
• ในองค์กร ชุดที่ใช้งานได้จริงคือ Function Calling เป็นอินเทอร์เฟซ RAG เป็นความจำ OCR เป็นดวงตา และ RPA เป็นมือและเท้า โดยมีคนตรวจทานขั้นตอนที่เสี่ยงสูง
• คุณภาพข้อมูลของคุณกำหนดผลลัพธ์มากกว่าการเลือกโมเดลหรือเฟรมเวิร์ก
• มุมมองของ Yangshu คือ ก้าวต่อไปที่สำคัญจริงคือ agent ที่ปรับปรุงตัวเองจากฟีดแบ็กได้ โดยไม่ต้องให้นักพัฒนามาแก้พรอมป์ต์

ข้อมูลภายนอกในบทความนี้อ้างอิงจากข่าวประชาสัมพันธ์ของ Gartner ส่วนประวัติพัฒนาการอ้างอิงไทม์ไลน์สาธารณะของ ReAct (Yao และคณะ, 2022), Toolformer, AutoGPT, MCP และ Computer Use ส่วนมุมมองเรื่อง agent ที่ปรับปรุงตัวเอง ข้อจำกัดของ RAG และข้อมูลในฐานะสินทรัพย์ เป็นความเห็นของ Yangshu