AI agent มีหลายประเภท บางแบบตอบสนองต่อข้อมูลนำเข้าปัจจุบันเท่านั้น บางแบบจดจำบริบท เปรียบเทียบตัวเลือก เรียนรู้จากฟีดแบ็ก หรือประสานงานกับ agent อื่นๆ การเลือกประเภทที่เหมาะสมจะช่วยให้คุณจับคู่ agent เข้ากับเวิร์กโฟลว์ได้อย่างถูกต้อง คู่มือนี้จะอธิบายประเภทหลักๆ ของ AI agent และแสดงให้เห็นถึงความสามารถอันยอดเยี่ยมของ AI agent โดยใช้ Kimi AI Agent เป็นตัวอย่าง
เหตุใดประเภทของ AI Agent จึงสำคัญในการใช้งานจริง
จากการคาดการณ์สู่การดำเนินการ
ระบบ AI แบบดั้งเดิมมักหยุดอยู่แค่การวิเคราะห์หรือแนะนำการกระทำที่ดีที่สุดถัดไป แต่ AI agent ก้าวไปไกลกว่านั้น โดยจะรับรู้สถานการณ์ปัจจุบัน เลือกการกระทำ ใช้เครื่องมือเมื่อจำเป็น จนกว่างานจะเสร็จสิ้นหรือระบบมาถึงเงื่อนไขการหยุด
การเปลี่ยนแปลงนี้ทำให้การเลือกออกแบบมีความสำคัญมากขึ้น เนื่องจากงานแต่ละประเภทต้องการเวิร์กโฟลว์ที่แตกต่างกัน การทำความเข้าใจ AI agent ประเภทต่างๆ จะช่วยให้ทีมงานหลีกเลี่ยงการสร้างระบบที่ซับซ้อนเกินไปสำหรับงานง่ายๆ และหลีกเลี่ยงการสร้างระบบที่เรียบง่ายเกินไปสำหรับงานที่ซับซ้อน
ประเภทของ agent ส่งผลต่อการตัดสินใจในการออกแบบอย่างไร
ประเภทของ agent ส่งผลต่อการตัดสินใจในการพัฒนาระบบเกือบทุกด้าน ไม่ว่าจะเป็นข้อมูลที่ agent จัดเก็บ การวางแผนก่อนลงมือทำ วิธีจัดการกับความไม่แน่นอน วิธีเลือกระหว่างผลลัพธ์ที่ยอมรับได้หลายแบบ และการปรับปรุงผ่านฟีดแบ็ก นอกจากนี้ยังส่งผลต่อการกำกับดูแลด้วย simple reflex agent สามารถตรวจสอบได้ผ่านกฎต่างๆ ในขณะที่ learning หรือ multi-agent system ต้องการการประเมิน การบันทึกข้อมูล และมาตรการควบคุมที่เข้มงวดกว่า
ประเภทต่างๆ ของ AI Agent
intelligent agent ในปัญญาประดิษฐ์มีอยู่ 5 ประเภทหลักๆ ได้แก่ simple reflex agent, model-based reflex agent, goal-based agent, utility-based agent และ learning agent ส่วน multi-agent system มักถูกมองเป็นรูปแบบการประสานงานที่กว้างกว่า เนื่องจากสามารถผสมผสาน agent หลายประเภทเข้าด้วยกันเป็นเวิร์กโฟลว์ที่ประสานงานกันได้ 6 หมวดหมู่ด้านล่างนี้เรียงลำดับจากตรรกะการตัดสินใจที่ง่ายที่สุด ไปจนถึงการออกแบบที่ร่วมมือกันและปรับตัวได้มากที่สุด
| ประเภท | หน่วยความจำ | วางแผนล่วงหน้า | เรียนรู้ | เหมาะสำหรับ |
|---|---|---|---|---|
| Simple Reflex | ไม่ใช่ | ไม่ | ไม่ | งานเฉพาะเจาะจงที่ใช้กฎตายตัว |
| Model-Based Reflex | ใช่ (สถานะ) | ไม่ | ไม่ | งานที่สังเกตสภาพแวดล้อมได้เพียงบางส่วน |
| Goal-Based | ใช่ | ใช่ | บางครั้ง | งานที่มีเป้าหมายชัดเจน |
| Utility-Based | ใช่ | ใช่ | บางครั้ง | การตัดสินใจที่ต้องชั่งน้ำหนักหลายปัจจัย |
| Learning | ใช่ | แตกต่างกันไป | ใช่ | งานที่มีฟีดแบ็กเยอะและเปลี่ยนแปลงตลอด |
| Multi-Agent | แล้วแต่ agent แต่ละตัว | แล้วแต่ agent แต่ละตัว | แตกต่างกันไป | งานที่ทำแบบขนานและเฉพาะทาง |
1. Simple Reflex Agents
simple reflex agent เป็น AI agent ประเภทพื้นฐานที่สุด มันจะสังเกตสถานะปัจจุบันของสภาพแวดล้อม แล้วเลือกการกระทำโดยใช้กฎเงื่อนไข-การกระทำที่กำหนดไว้ล่วงหน้า สิ่งที่มันทำได้คือตอบสนองต่อสิ่งที่รับรู้ในปัจจุบันได้ทันที โดยไม่คำนึงถึงสิ่งที่รับรู้ในอดีตหรือผลลัพธ์ในอนาคต
การออกแบบนี้ทำงานได้ดีเมื่อสภาพแวดล้อมสามารถสังเกตเห็นได้ทั้งหมดและคำตอบที่ถูกต้องชัดเจน มันรวดเร็ว คาดเดาได้ และตรวจสอบง่าย แต่จะล้มเหลวเมื่อบริบทมีความสำคัญ หากอินพุตไม่ครบถ้วนหรือกฎไม่ครอบคลุมสถานการณ์ใหม่ Agent ก็ไม่มีชั้นการให้เหตุผลที่ลึกกว่านั้นเพื่อรับมือกับสถานการณ์ดังกล่าว
ลักษณะสำคัญ
การกระทำตามกฎ: Agent จับคู่อินพุตปัจจุบันกับการกระทำที่กำหนดไว้ล่วงหน้า
ไม่มีความจำ: สถานะก่อนหน้าไม่มีผลต่อการตัดสินใจครั้งถัดไป
คาดเดาได้สูง: พฤติกรรมทดสอบได้ง่ายเมื่อรู้กฎและอินพุตล่วงหน้า
ความยืดหยุ่นต่ำ: Agent มีปัญหากับความคลุมเครือ ข้อมูลที่ไม่ครบถ้วน หรือสภาวะที่เปลี่ยนแปลง
ตัวอย่าง
ตัวกรองอีเมลแบบใช้กฎที่ส่งข้อความไปยังปลายทางเมื่อพบคีย์เวิร์ดที่กำหนด
แชทบอทเว็บไซต์พื้นฐานที่ตอบคำถามตามสคริปต์สำหรับ intent ที่กำหนดไว้ตายตัว
2. Model-Based Reflex Agent
Model-based reflex agent พัฒนาต่อยอดจาก simple reflex agent โดยรักษาโมเดลภายในของสภาพแวดล้อมไว้ มันติดตามสถานะที่เกี่ยวข้องและใช้โมเดลนั้นตีความความหมายของอินพุตปัจจุบัน
สิ่งนี้มีประโยชน์เมื่อ Agent ไม่สามารถมองเห็นทุกอย่างพร้อมกันได้ ตัวอย่างเช่น หุ่นยนต์ที่เคลื่อนที่ในคลังสินค้าจำเป็นต้องจดจำว่ามีสิ่งกีดขวางปรากฏขึ้นที่ใด เคยเคลื่อนที่ไปที่ใดแล้ว และสภาพแวดล้อมมักเปลี่ยนแปลงอย่างไร Agent อาจยังคงใช้กฎเงื่อนไข-การกระทำ แต่กฎเหล่านั้นทำงานบนมุมมองโลกที่ครบถ้วนกว่า
ลักษณะสำคัญ
สถานะภายใน: Agent เก็บข้อมูลเกี่ยวกับสภาพแวดล้อม
จัดการบริบทได้ดีขึ้น: การสังเกตในอดีตช่วยตีความอินพุตปัจจุบัน
มีประโยชน์เมื่อมองเห็นได้บางส่วน: Agent สามารถทำงานได้แม้ไม่ได้เห็นข้อมูลทั้งหมดในทันที
ยังคงมีข้อจำกัด: อาจไม่วางแผนอย่างลึกซึ้งหรือปรับให้เหมาะสมข้ามความเป็นไปได้ในอนาคตหลายแบบ
ตัวอย่าง
ระบบตรวจสอบซัพพลายเชนที่ติดตามสถานะสินค้าคงคลังก่อนสั่งเติมสต็อก
Agent คัดกรองปัญหาการสนับสนุนลูกค้าที่จดจำข้อความก่อนหน้าในทิกเก็ตเดียวกัน
ระบบนำทางที่อัปเดตโมเดลเส้นทางเมื่อสภาพการจราจรเปลี่ยนแปลง
3. Goal-Based Agent
Goal-based agent เลือกการกระทำโดยพิจารณาว่ามันจะพาระบบเข้าใกล้เป้าหมายที่กำหนดไว้หรือไม่ แทนที่จะแค่ตอบสนอง มันค้นหาหรือวางแผนลำดับการกระทำที่จะบรรลุเป้าหมายได้ และ Agent ยังสามารถประเมินขั้นตอนถัดไปที่เป็นไปได้ เลือกแผน ดำเนินการบางส่วนของแผน สังเกตความคืบหน้า และปรับตัวเมื่อสภาพแวดล้อมเปลี่ยนแปลง สิ่งนี้ทำให้ Agent มีความกระตือรือร้นมากกว่าการออกแบบแบบ reflex-based
ลักษณะสำคัญ
เป้าหมายที่ชัดเจน: Agent กระทำโดยสัมพันธ์กับสถานะเป้าหมายหรือผลลัพธ์ของงาน
การวางแผน: สามารถเปรียบเทียบลำดับการกระทำก่อนลงมือทำ
การติดตามความคืบหน้า: Agent สามารถตรวจสอบได้ว่ากำลังเคลื่อนเข้าใกล้เป้าหมายหรือไม่
ต้องการการประมวลผลและการควบคุมมากขึ้น: การวางแผนอาจช้ากว่าและต้องมีเงื่อนไขการหยุดที่ชัดเจน
ตัวอย่าง
เอเจนต์วิจัยที่รวบรวมแหล่งข้อมูล สกัดหลักฐาน และเขียนรายงาน
เอเจนต์อัตโนมัติสำหรับโปรเจกต์ที่แบ่งคำขอออกเป็นงานย่อยและดำเนินการตามลำดับ
เอเจนต์เขียนโค้ดที่วางแผนการแก้ไข รันการทดสอบ และปรับปรุงซ้ำจนกว่าพฤติกรรมที่ต้องการจะทำงานได้ถูกต้อง
4. เอเจนต์แบบอิงประโยชน์ใช้สอย (Utility-Based Agents)
เอเจนต์แบบอิงประโยชน์ใช้สอยทำได้มากกว่าแค่การบรรลุเป้าหมาย โดยจะให้คะแนนผลลัพธ์ที่เป็นไปได้ทั้งหมดและเลือกการกระทำที่ให้ค่าคาดหวังสูงที่สุด ซึ่งสำคัญเมื่อมีคำตอบที่ยอมรับได้หลายแบบ มีข้อจำกัดที่ขัดแย้งกัน หรือต้องแลกเปลี่ยนระหว่างความเร็ว ต้นทุน ความแม่นยำ ความต้องการของผู้ใช้ และความเสี่ยง
ตัวอย่างเช่น เอเจนต์ท่องเที่ยวแบบอิงเป้าหมายทำได้เพียงหาเส้นทางจากเมืองหนึ่งไปยังอีกเมืองหนึ่ง แต่เอเจนต์ท่องเที่ยวแบบอิงประโยชน์ใช้สอยสามารถเปรียบเทียบเส้นทางตามราคา เวลาเดินทาง ความเสี่ยงในการต่อเครื่อง กฎเรื่องสัมภาระ และสายการบินที่ต้องการ มันไม่ได้ถามแค่ว่าเป้าหมายทำได้หรือไม่ แต่ถามว่าตัวเลือกใดดีที่สุดตามเกณฑ์ที่กำหนด
ลักษณะสำคัญ
ฟังก์ชันประโยชน์ใช้สอย: เอเจนต์กำหนดค่าให้กับผลลัพธ์ที่เป็นไปได้
การจัดการข้อแลกเปลี่ยน: มันสร้างสมดุลระหว่างเป้าหมายและข้อจำกัดที่ขัดแย้งกัน
คุณภาพการตัดสินใจที่ดีกว่า: มันสามารถเลือกจากแนวทางแก้ไขที่ใช้ได้หลายแบบ
ออกแบบยากกว่า: ฟังก์ชันประโยชน์ใช้สอยต้องสะท้อนลำดับความสำคัญที่แท้จริงของผู้ใช้และธุรกิจ
ตัวอย่าง
ผู้ช่วยจัดพอร์ตการลงทุนที่สร้างสมดุลระหว่างผลตอบแทน ความผันผวน และข้อจำกัดด้านสภาพคล่อง
นักวางแผนโลจิสติกส์ที่เลือกเส้นทางตามเวลาจัดส่ง ต้นทุนน้ำมัน และความน่าเชื่อถือ
เอเจนต์บริการลูกค้าที่จัดลำดับความสำคัญของการส่งต่อกรณีตามอารมณ์ของลูกค้า ความเร่งด่วน และมูลค่าบัญชี
5. เอเจนต์แบบเรียนรู้ (Learning Agents)
เอเจนต์แบบเรียนรู้ปรับปรุงพฤติกรรมของตัวเองไปตามเวลาโดยใช้ผลตอบรับจากประสบการณ์ มันสามารถปรับนโยบาย ปรับปรุงโมเดล อัปเดตความชอบ หรือปรับปรุงประสิทธิภาพหลังจากสังเกตว่าสิ่งใดได้ผลและสิ่งใดล้มเหลว การเรียนรู้อาจมาจากข้อมูลแบบมีผู้สอน สัญญาณการเสริมแรง ผลตอบรับจากมนุษย์ ผลการประเมิน หรือรูปแบบการใช้งาน
ลักษณะสำคัญ
วงจรผลตอบรับ: เอเจนต์วัดประสิทธิภาพและใช้ผลลัพธ์เพื่อปรับปรุงตัวเอง
ความสามารถในการปรับตัว: มันรับมือกับรูปแบบใหม่ ๆ ได้ดีกว่าชุดกฎที่ตายตัว
ต้องพึ่งพาการประเมิน: การเรียนรู้ที่ดีต้องอาศัยสัญญาณคุณภาพที่ชัดเจน
ต้องมีการกำกับดูแล: ทีมงานต้องคอยตรวจสอบความคลาดเคลื่อน (drift) พฤติกรรมที่ไม่พึงประสงค์ และคุณภาพของข้อมูล
ตัวอย่าง
เอเจนต์แนะนำสินค้าที่เรียนรู้จากการคลิก การซื้อ และการให้คะแนนโดยตรง
เอเจนต์ตรวจจับการฉ้อโกงที่ปรับตัวตามพฤติกรรมที่เปลี่ยนแปลงไปของผู้โจมตี
เอเจนต์สอนพิเศษที่ปรับคำอธิบายตามข้อผิดพลาดของผู้เรียน
6. ระบบมัลติเอเจนต์ (Multi-Agent Systems)
ระบบมัลติเอเจนต์ใช้ agent หลายตัวที่ทำงานร่วมกัน แข่งขันกัน มอบหมายงานกัน หรือทำงานเฉพาะทางแยกกัน โดย agent แต่ละตัวอาจมีบทบาท ชุดเครื่องมือ ขอบเขตความจำ หรือเป้าหมายของตัวเอง อาจมีตัวประสานงานทำหน้าที่มอบหมายงานและรวบรวมผลลัพธ์ หรือ agent อาจโต้ตอบกันโดยตรงมากขึ้นก็ได้ ขึ้นอยู่กับสถาปัตยกรรมของระบบ
ระบบมัลติเอเจนต์มีประโยชน์เมื่อ agent เดียวจะทำงานช้าเกินไปหรือมีโอกาสมองข้ามมุมมองสำคัญ ๆ ระบบนี้สามารถแบ่งงานวิจัยให้ทำพร้อมกัน แบ่งชุดเอกสารขนาดใหญ่ จำลองการรีวิวจากผู้เชี่ยวชาญ หรือรันงานหลายสายแยกกันก่อนนำผลลัพธ์มารวมกัน ความท้าทายด้านการออกแบบคือการประสานงาน ระบบต้องมีวิธีมอบหมายงาน หลีกเลี่ยงการทำงานซ้ำ ประนีประนอมความเห็นที่ไม่ตรงกัน และสร้างผลลัพธ์สุดท้ายที่สอดคล้องกัน
ลักษณะสำคัญ
การทำงานเฉพาะทาง: agent แต่ละตัวสามารถโฟกัสที่งานย่อย เครื่องมือ หรือมุมมองที่แตกต่างกัน
การทำงานแบบพร้อมกัน: สามารถกระจายงานเพื่อลดเวลาที่ใช้
ชั้นการประสานงาน: ระบบต้องมีการมอบหมายงาน การติดตามความสัมพันธ์ระหว่างงาน และการรวบรวมผลลัพธ์
ความซับซ้อนที่สูงขึ้น: การประเมินและการกำกับดูแลต้องครอบคลุมทั้ง agent แต่ละตัวและผลลัพธ์สุดท้ายที่รวมกัน
ตัวอย่าง
swarm งานวิจัยที่มอบหมายให้ sub-agent ต่าง ๆ ดูแลหมวดหมู่แหล่งข้อมูลที่แตกต่างกัน
ทีมพัฒนาซอฟต์แวร์ของ agent ที่มีตัวหนึ่งแก้โค้ด ตัวหนึ่งเขียนเทสต์ และอีกตัวหนึ่งตรวจสอบความเสี่ยงด้านความปลอดภัย
ระบบวิเคราะห์ตลาดที่มี agent แยกกันสำหรับคู่แข่ง ลูกค้า ราคา และกฎระเบียบ
เวิร์กโฟลว์การผลิตคอนเทนต์ที่ agent ในบทบาทนักวิจัย ผู้ทำเอาต์ไลน์ นักเขียน บรรณาธิการ และผู้ตรวจสอบข้อเท็จจริงทำงานร่วมกัน
Kimi AI Agent รวมประเภทของ agent ต่าง ๆ เข้าไว้ด้วยกัน
Kimi คือผู้ช่วย AI ที่พัฒนาโดย Moonshot AI รองรับการค้นหาบนเว็บ การคิดเชิงลึก การให้เหตุผลแบบมัลติโมดัล การสนทนาแบบ long-context และการทำงานแบบ agent Kimi เข้าใจได้ดีที่สุดในฐานะพื้นที่ทำงานของ agent แบบครบวงจร ผู้ใช้ระบุเป้าหมาย และ Kimi จะวางแผนและดำเนินงานให้ครอบคลุมทั้งการวิจัย การสร้างคอนเทนต์ เอกสาร สไลด์ สเปรดชีต เว็บไซต์ และเวิร์กโฟลว์ที่เกี่ยวข้อง
ฟีเจอร์สำคัญ
การวางแผนงานอัตโนมัติ: Kimi AI Agent สามารถแปลงคำขอที่กว้าง ๆ ให้เป็นขั้นตอนย่อย ๆ แล้วดำเนินงานไปสู่ผลลัพธ์ที่ต้องการ
การค้นหาเว็บแบบเรียลไทม์: Kimi สามารถใช้การค้นหาบนเว็บเพื่อดึงข้อมูลล่าสุดเมื่อภารกิจต้องอาศัยข้อเท็จจริง แหล่งข้อมูล หรือบริบทตลาดที่เป็นปัจจุบัน
เวิร์กโฟลว์ Deep Research: สำหรับงานที่เน้นการวิจัยหนัก Kimi สามารถรวบรวม เปรียบเทียบ และสังเคราะห์ข้อมูลออกมาเป็นรายงานที่ลึกขึ้นและผลลัพธ์ในหลายรูปแบบ
การสร้างเอกสาร สไลด์ สเปรดชีต และเว็บไซต์: Kimi มีพื้นที่ทำงานเฉพาะทางสำหรับ Docs, Slides, Sheets และ Websites ทำให้งานของ agent สามารถออกมาเป็นผลงานที่ใช้งานได้จริง ไม่ใช่แค่ข้อความธรรมดา
การประมวลผลไฟล์: ตามศูนย์ช่วยเหลือของ Kimi ระบุว่ารองรับไฟล์ทั่วไปอย่าง PDF, Word, Excel, PPT, รูปภาพ, TXT และวิดีโอ โดยมีข้อกำหนดขนาดไฟล์และจำนวนไฟล์ตามที่ระบุไว้
การให้เหตุผลแบบมัลติโมดัล: Kimi สามารถให้เหตุผลข้ามข้อความ รูปภาพ กราฟ เอกสาร และเนื้อหาอัปโหลดอื่น ๆ เมื่อเวิร์กโฟลว์ต้องการความเข้าใจด้านภาพหรือเอกสาร
การจัดการ Agent Swarm: สำหรับงานที่กว้างหรือสามารถแบ่งทำพร้อมกันได้ K2.6 Agent Swarm [Beta] สามารถประสาน sub-agent จำนวนมากให้แต่ละส่วนของงานดำเนินไปพร้อม ๆ กันได้
สำหรับผู้ใช้ที่ต้องเลือกประเภทของ AI agent ข้อสรุปที่ใช้ได้จริงคือ ใช้การออกแบบแบบ reflex สำหรับงานอัตโนมัติที่แคบ ใช้การออกแบบแบบ goal-based หรือ utility-based สำหรับเวิร์กโฟลว์ที่ต้องวางแผนและชั่งน้ำหนักข้อดีข้อเสีย และใช้การออกแบบแบบมัลติเอเจนต์เมื่องานกว้างพอที่จะได้ประโยชน์จากการทำงานเฉพาะทางและการทำงานพร้อมกัน Kimi AI Agent นำแนวคิดเหล่านี้มาสู่พื้นที่ทำงานที่ผู้ใช้เข้าถึงได้โดยตรง ซึ่งเป้าหมายไม่ใช่แค่การตอบคำถาม แต่คือการทำงานจริงให้สำเร็จ
วิธีเลือกประเภทของ AI Agent ที่เหมาะสม
เริ่มจากสภาพแวดล้อมของงานของคุณ ไม่ใช่จากชื่อเทคโนโลยี ใช้ reflex agent แบบง่ายเมื่องานมีขอบเขตแคบ กฎเกณฑ์มีความคงที่ และต้นทุนของการทำผิดต่ำ เลือก model-based agent เมื่อคุณต้องการสถานะหรือความจำ เลือก goal-based agent เมื่อคุณมีเป้าหมายที่ชัดเจน และเลือก utility-based agent เมื่อคุณต้องชั่งน้ำหนักลำดับความสำคัญที่ขัดแย้งกัน
ใช้ learning agent เมื่อประสิทธิภาพควรดีขึ้นตามฟีดแบ็ก และคุณสามารถกำหนดสัญญาณคุณภาพที่เชื่อถือได้ ใช้ระบบมัลติเอเจนต์เมื่อเวิร์กโฟลว์ของคุณแบ่งออกเป็นสายงานที่ทำพร้อมกันได้ บทบาทของผู้เชี่ยวชาญ หรือมุมมองที่เป็นอิสระจากกันโดยธรรมชาติ หากคุณต้องการความสามารถทั้งหมดนี้ ให้รวมมันเข้าด้วยกันอย่างตั้งใจ แทนที่จะฝืนให้ agent ประเภทเดียวทำทุกอย่าง
สรุป
ประเภทหลักของ AI agent สะท้อนถึงระดับที่แตกต่างกันของบริบท ความเป็นอิสระ และความสามารถในการปรับตัว สำหรับการทำงานอัตโนมัติ agent ที่ดีที่สุดไม่ใช่ตัวที่ซับซ้อนที่สุดเสมอไป แต่คือตัวที่เหมาะสมกับความไม่แน่นอน ความเสี่ยง และผลลัพธ์ที่ต้องการของงาน เครื่องมืออย่าง Kimi AI Agent แสดงให้เห็นว่าแนวคิดเหล่านี้กำลังกลายเป็นอินเทอร์เฟซการทำงานในชีวิตประจำวัน ผู้ใช้เพียงระบุเป้าหมาย และ agent จะช่วยเปลี่ยนมันให้เป็นงานวิจัย ไฟล์ เว็บไซต์ สไลด์ สเปรดชีต โค้ด หรือผลงานสำเร็จรูปอื่น ๆ