โกลเบสด์เอเจนต์คืออะไร? คู่มือฉบับปฏิบัติ

การทำงานแบบอัตโนมัติแบบดั้งเดิมทำตามคำสั่งที่กำหนดไว้ตายตัว และแชทบอทแบบง่ายก็แค่ตอบข้อความที่อยู่ตรงหน้า ส่วน goal-based agent ทำงานต่างออกไป มันเริ่มจากผลลัพธ์ที่ต้องการ แล้ววางแผนการกระทำที่จำเป็นเพื่อไปให้ถึงผลลัพธ์นั้น จากนั้นจึงประเมินข้อมูลใหม่ที่เกิดขึ้นระหว่างที่งานดำเนินไป บทความนี้จะอธิบายแนวคิด สถาปัตยกรรมที่รองรับการทำงานนี้ และกรณีการใช้งานหลัก พร้อมทั้งเปรียบเทียบ goal-based agent กับ AI agent ประเภทอื่น ๆ และแนะนำ Kimi Agent ในฐานะวิธีที่ใช้งานได้จริงในการสัมผัสการทำงานแบบมุ่งเป้าหมาย

goal-based agent คืออะไร?

goal-based agent คือระบบ AI ที่ตัดสินใจและลงมือทำสิ่งต่าง ๆ โดยยึดตามวัตถุประสงค์ที่กำหนดไว้ มันจะประเมินสถานะปัจจุบัน พิจารณาขั้นต่อไปที่เป็นไปได้ และเลือกการกระทำที่ทำให้ระบบเข้าใกล้ผลลัพธ์ที่ต้องการมากขึ้น agent สามารถใช้ tool ติดตามความคืบหน้า และปรับแผนใหม่เมื่อมีข้อมูลใหม่ที่เปลี่ยนสถานการณ์

ตัวอย่างเช่น agent สนับสนุนลูกค้าทั่วไปอาจตอบคำถามเดียว แต่ goal-based agent อาจทำงานเพื่อแก้ปัญหาของลูกค้าให้เสร็จสมบูรณ์ทั้งหมด มันสามารถตรวจดูประวัติบัญชีและอ้างอิงฐานความรู้ที่ได้รับการรับรอง จากนั้นอาจวินิจฉัยปัญหา จัดเตรียมวิธีแก้ไข หรือส่งต่อกรณีให้ผู้เกี่ยวข้องเมื่อหลักฐานยังไม่ครบถ้วน

goal-based agent ทำงานอย่างไร?

goal-based agent มักทำงานเป็นวงรอบที่เกิดขึ้นซ้ำ ๆ โดยเริ่มจากการกำหนดผลลัพธ์ที่ต้องการและสังเกตสภาพแวดล้อมปัจจุบัน จากนั้นจึงสร้างแผน เลือกการกระทำ และประเมินผล หากผลลัพธ์ไม่ทำให้งานคืบหน้าไปข้างหน้า agent สามารถวางแผนใหม่หรือขอความช่วยเหลือ

การกำหนดเป้าหมาย

กระบวนการเริ่มต้นด้วยการนิยามความสำเร็จอย่างชัดเจน เป้าหมายอาจประกอบด้วยเงื่อนไขที่เกี่ยวข้องกันหลายข้อ แต่แต่ละเงื่อนไขควรตรวจสอบได้ นอกจากนี้ยังสามารถรวมข้อจำกัดต่าง ๆ เช่น กำหนดเวลา แหล่งข้อมูลที่ได้รับอนุมัติ วงเงินใช้จ่าย การอนุมัติที่จำเป็น และการกระทำที่ห้ามทำ ภาษาโมเดลอาจแปลงคำขอที่คลุมเครือให้เป็นเป้าหมายย่อยที่เจาะจง แต่เกณฑ์ความสำเร็จสุดท้ายควรยังคงมองเห็นได้โดยผู้เป็นเจ้าของเวิร์กโฟลว์

การรับรู้สภาพแวดล้อมและสถานะ

agent รวบรวมข้อมูลเกี่ยวกับสถานะปัจจุบันจากคำขอของผู้ใช้ ระบบภายนอก ไฟล์ ฐานข้อมูล การตอบกลับจาก API หรือเหตุการณ์ของระบบ ในสภาพแวดล้อมของหุ่นยนต์ เซนเซอร์จะให้ข้อมูลเกี่ยวกับวัตถุใกล้เคียงและสภาพที่เปลี่ยนแปลงไป สถานะควรบันทึกงานที่เสร็จแล้ว การอนุมัติที่ยังรอดำเนินการ และข้อสันนิษฐานที่ผิดพลาดด้วย ค่าข้อผิดพลาดและสถานะที่ชัดเจนช่วยให้ agent ตัดสินใจได้ว่าจะดำเนินการต่อ ลองใหม่ หรือส่งต่อให้ผู้เกี่ยวข้อง

การวางแผนและการแบ่งงาน

โมดูลการวางแผนจะแปลงเป้าหมายให้เป็นเส้นทางที่นำไปปฏิบัติได้ โดยแบ่งวัตถุประสงค์กว้าง ๆ ออกเป็นงานย่อย และระบุความสัมพันธ์ระหว่างงานเหล่านั้น สำหรับการรับพนักงานใหม่ แผนอาจเริ่มด้วยการเก็บและตรวจสอบเอกสาร ก่อนจัดเตรียมคำขอบัญชีและรอการอนุมัติตามบทบาท กระบวนการที่มีความมั่นคงอาจใช้แผนที่กำหนดไว้ตายตัว ในขณะที่เวิร์กโฟลว์ที่เปลี่ยนแปลงอยู่เสมอจำเป็นต้องมีจุดตัดสินใจสำหรับการวางแผนใหม่แบบทีละส่วน

การเลือกและการลงมือทำ

หลังจากสร้างแผนแล้ว agent จะเลือกการกระทำที่ได้รับอนุมัติในขั้นต่อไป โดยอาจสอบถามระบบ ค้นหาเอกสาร อัปเดตข้อมูล หรือสอบถามข้อมูลที่ขาดหายไปจากบุคคล การกระทำแต่ละอย่างควรมีอินพุตที่กำหนดไว้และผลลัพธ์ที่คาดหวัง agent ต้องตรวจสอบผลลัพธ์ก่อนที่จะระบุว่าขั้นตอนนั้นเสร็จสมบูรณ์ และการกระทำที่มีผลกระทบสูงควรหยุดรอการอนุมัติจากมนุษย์

การรับข้อมูลป้อนกลับและการวางแผนใหม่

การลงมือทำไม่ใช่กระบวนการทางเดียว agent จะเปรียบเทียบผลลัพธ์ล่าสุดกับเป้าหมาย และตรวจสอบว่าแผนยังสมเหตุสมผลอยู่หรือไม่ หลักฐานใหม่อาจยืนยันเส้นทางปัจจุบัน เปิดเผยอุปสรรค หรือสร้างทางเลือกที่ปลอดภัยกว่า

วงรอบนี้สามารถแสดงได้ดังนี้:

เป้าหมายอาจยังคงเหมือนเดิมในขณะที่เส้นทางเปลี่ยนไป หุ่นยนต์ในโกดังสามารถเลือกเส้นทางอื่นได้หลังจากตรวจพบอุปสรรค agent สำหรับการวิจัยสามารถค้นหาแหล่งข้อมูลอื่นได้เมื่อแหล่งแรกไม่สามารถตอบคำถามได้ งบประมาณในการดำเนินการ เช่น ขีดจำกัดจำนวนรอบ การเรียกใช้ tool การลองใหม่ หรือเวลา ช่วยป้องกันการทำงานที่ไม่มีที่สิ้นสุด และทำให้วัดประสิทธิภาพได้ง่ายขึ้น

องค์ประกอบหลักของสถาปัตยกรรม goal-based agent

สถาปัตยกรรม goal-based agent เชื่อมโยงวัตถุประสงค์เข้ากับสถานะ การวางแผน tool และการกำกับดูแล การนำไปใช้จริงอาจแตกต่างกันไป แต่แต่ละองค์ประกอบควรมีหน้าที่รับผิดชอบที่ชัดเจน

เป้าหมายและเกณฑ์ความสำเร็จ

ชั้นเป้าหมายกำหนดสถานะที่ต้องการ โดยอธิบายว่า agent ต้องทำอะไรให้สำเร็จ และอะไรถือว่าเสร็จสมบูรณ์ นอกจากนี้ยังสามารถระบุเงื่อนไขความล้มเหลวและข้อจำกัดที่ใช้บังคับตลอดการดำเนินการได้ด้วย

ตัวอย่างเช่น เวิร์กโฟลว์เอกสารอาจกำหนดให้ทุกฟิลด์ที่จำเป็นต้องได้รับการตรวจสอบก่อนที่จะส่งบันทึกนั้น บันทึกที่ไม่สมบูรณ์ไม่ถือว่าเป็นความสำเร็จบางส่วน หากเวิร์กโฟลว์กำหนดให้ต้องตรวจสอบครบถ้วน เกณฑ์ที่ชัดเจนช่วยให้ agent หยุดในจุดที่เหมาะสม

โมเดลโลกและฐานความรู้

world model ให้ agent มีภาพแทนสภาพแวดล้อมที่ใช้งานได้จริง ซึ่งอาจรวมถึงสถานะระบบปัจจุบัน ทรัพยากรที่มีอยู่ ความสัมพันธ์ที่ทราบแล้ว และผลลัพธ์ที่น่าจะเกิดขึ้นจากการกระทำต่าง ๆ ส่วนฐานความรู้จะให้ข้อมูลสนับสนุนเมื่อ agent ต้องตัดสินใจ

world model มีประโยชน์เพราะ agent ไม่สามารถวางแผนจากเป้าหมายเพียงอย่างเดียวได้ มันต้องเข้าใจว่าเวิร์กโฟลว์อยู่ในจุดใดในปัจจุบัน และยังต้องแยกแยะระหว่างบริบทของงานชั่วคราวกับความรู้ที่คงอยู่นานกว่า การเรียกข้อมูลกลับมาควรให้ข้อมูลที่เกี่ยวข้องโดยไม่นำข้อมูลทั้งชุดมาไว้ใน context ที่กำลังใช้งาน

บันทึกสถานะที่จัดการอย่างดีสามารถแสดงขั้นตอนที่เสร็จแล้ว ความสัมพันธ์ที่ยังรออยู่ ความพยายามที่ล้มเหลว และสถานะการอนุมัติ กฎการเข้าถึงและแหล่งที่มาของข้อมูลควรควบคุมสิ่งใดก็ตามที่ถูกจัดเก็บไว้เพื่อใช้ในภายหลัง

โมดูลการวางแผน

โมดูลการวางแผนสร้างและอัปเดตเส้นทางสู่เป้าหมาย โดยอาจสร้างลำดับการกระทำ แบ่งงานให้กับผู้เชี่ยวชาญ หรือเลือกขั้นต่อไปแบบไดนามิก

การวางแผนที่ดีต้องคำนึงถึงความสัมพันธ์และความไม่แน่นอน โดยไม่สมมติว่าทุก tool จะให้ผลลัพธ์ตามที่คาดหวังเสมอไป สามารถรวมเส้นทางสำรอง ขั้นตอนการตรวจสอบ และเงื่อนไขการส่งต่อได้ แผนควรยังคงเป็นแผนชั่วคราวเมื่อหลักฐานใหม่สามารถเปลี่ยนการกระทำที่ดีที่สุดในขั้นต่อไปได้

เครื่องมือและชั้นการดำเนินการ

เครื่องมือช่วยให้ Agent โต้ตอบกับระบบที่อยู่นอกเหนือจากตัวโมเดลได้ ตัวอย่างทั่วไปได้แก่ การค้นหา การสืบค้นฐานข้อมูล การประมวลผลไฟล์ การดำเนินการในเบราว์เซอร์ API ทางธุรกิจ และการอัปเดตข้อมูล

เครื่องมือแต่ละอย่างต้องมีข้อกำหนดที่ชัดเจน ข้อกำหนดนี้ควรระบุอินพุตที่ใช้งานได้ ผลลัพธ์ที่คาดหวัง สิทธิ์การเข้าถึง ข้อผิดพลาด และผลข้างเคียง ควรแยกการดำเนินการแบบอ่านและแบบเขียนออกจากกันเมื่อทำได้ ส่วนการดำเนินการที่มีความละเอียดอ่อนควรใช้กฎการตรวจสอบและการอนุมัติที่เข้มงวดกว่า

การดำเนินการ การประเมินผล และกลไกป้องกัน

ชั้นการดำเนินการทำหน้าที่ปฏิบัติการที่ถูกเลือก ชั้นการประเมินผลจะตรวจสอบผลลัพธ์เทียบกับแผนและเกณฑ์ความสำเร็จ ส่วนกลไกป้องกันจะกำหนดว่า Agent ทำอะไรได้บ้างและต้องหยุดเมื่อใด

เวิร์กโฟลว์ที่ใช้งานจริงควรบันทึกการตัดสินใจ การเรียกใช้เครื่องมือ การสังเกตการณ์ และการเปลี่ยนแปลงสถานะ บันทึกนี้ช่วยสนับสนุนการดีบักและการตรวจสอบโดยมนุษย์ ขั้นตอนการอนุมัติมีความสำคัญเป็นพิเศษก่อนการดำเนินการที่ไม่สามารถย้อนกลับได้ การสื่อสารกับภายนอก การเปลี่ยนแปลงทางการเงิน หรือการอัปเดตในระบบจริง

Goal-based agent เทียบกับ AI agent ประเภทอื่น

Goal-based agent เป็นส่วนหนึ่งของรูปแบบการออกแบบ AI agent ที่หลากหลาย หมวดหมู่เหล่านี้อาจซ้อนทับกันได้ แต่ก็ชี้ให้เห็นวิธีการตัดสินใจที่แตกต่างกัน

reactive agent ตอบสนองต่อสิ่งที่เห็นในขณะนั้น ส่วน goal-based agent จะพิจารณาว่าการกระทำจะส่งผลต่อสถานะในอนาคตอย่างไร พฤติกรรมที่มองไปข้างหน้านี้ทำให้ระบบแบบ goal-based เหมาะสมกว่าเมื่อเป้าหมายคงที่แต่เส้นทางไปสู่เป้าหมายยังไม่แน่นอน

utility-based agent แก้ปัญหาการตัดสินใจในรูปแบบที่ต่างออกไป โดยจะเปรียบเทียบผลลัพธ์ที่เป็นไปได้และกำหนดคุณค่าให้กับแต่ละผลลัพธ์ ตัวอย่างเช่น ระบบบริการลูกค้าอาจต้องชั่งน้ำหนักระหว่างความเร็วในการแก้ปัญหา ต้นทุนการคืนเงิน และความพึงพอใจของลูกค้า เมื่อเลือกวิธีตอบสนอง ในขณะที่ goal-based agent มักมุ่งเน้นว่าเงื่อนไขเป้าหมายบรรลุผลหรือไม่ ทั้งนี้ระบบแบบ goal-based ก็ยังสามารถมีองค์ประกอบด้านการเรียนรู้หรือแบบ utility-based ร่วมด้วยได้เมื่อเวิร์กโฟลว์ต้องการ

Goal-based agent เทียบกับ task-based agent

ทั้ง task-based agent และ goal-based agent สามารถทำงานที่เป็นประโยชน์ให้เป็นอัตโนมัติได้ ความแตกต่างอยู่ที่ระดับที่ระบบได้รับคำสั่งและวัดความสำเร็จ

task-based agent มีประโยชน์เมื่อรู้แน่ชัดแล้วว่าต้องทำการกระทำใด ส่วน goal-based agent มีประโยชน์เมื่อผลลัพธ์ที่ต้องการชัดเจนแต่เส้นทางอาจแตกต่างกันไป ระบบแบบ task-based สามารถดึงข้อมูลฟิลด์หนึ่งจากเอกสารได้ ในขณะที่ระบบแบบ goal-based สามารถใช้การดึงข้อมูลนั้นเป็นขั้นตอนหนึ่งในกระบวนการที่ใหญ่กว่า ซึ่งตรวจสอบความถูกต้องของข้อมูลและจัดการกรณีข้อยกเว้น

ความแตกต่างนี้อยู่ที่ความรับผิดชอบต่อเวิร์กโฟลว์ ไม่ใช่จำนวน Agent ที่ใช้ Agent เพียงตัวเดียวก็สามารถมุ่งสู่เป้าหมายที่กว้างได้ ในขณะที่ Agent หลายตัวก็สามารถทำงานแยกกันโดยไม่ต้องมีแผนร่วมกันในภาพรวมได้เช่นกัน

กรณีการใช้งานของ goal-based agent

goal-based agent เหมาะกับสภาพแวดล้อมที่จุดหมายปลายทางชัดเจน แต่เงื่อนไขอาจเปลี่ยนแปลงได้ก่อนที่งานจะเสร็จสิ้น

หุ่นยนต์และระบบอัตโนมัติในคลังสินค้า

หุ่นยนต์ในคลังสินค้าอาจได้รับเป้าหมายให้เคลื่อนย้ายพัสดุไปยังพื้นที่จัดส่ง โดยต้องระบุพัสดุ วางแผนเส้นทาง หลีกเลี่ยงสิ่งกีดขวาง และติดตามตำแหน่งของตัวเอง หากหุ่นยนต์อีกตัวขวางเส้นทางที่วางแผนไว้ Agent สามารถประเมินเส้นทางทางเลือกได้

เป้าหมายยังคงเดิม แต่ลำดับการกระทำจะเปลี่ยนไปตามสภาพแวดล้อม สิ่งนี้ทำให้หุ่นยนต์เป็นตัวอย่างที่ชัดเจนของการวางแผนไปสู่สถานะในอนาคต แทนที่จะเป็นเพียงการตอบสนองต่อสิ่งกีดขวางที่ใกล้ที่สุด

การสนับสนุนลูกค้าและการแก้ไขปัญหา

เวิร์กโฟลว์การสนับสนุนอาจกำหนดความสำเร็จว่าคือการแก้ไขปัญหาของลูกค้าด้วยคำตอบที่ถูกต้องและได้รับการอนุมัติแล้ว Agent สามารถอ่านบทสนทนา ดึงข้อมูลบัญชี ค้นหาในฐานความรู้ และพิจารณาว่าปัญหาจำเป็นต้องส่งต่อไปยังระดับที่สูงขึ้นหรือไม่

ระบบไม่ควรถือว่าประสบความสำเร็จทันทีหลังจากร่างคำตอบเสร็จ แต่ควรตรวจสอบว่าคำตอบนั้นแก้ไขปัญหาได้จริงหรือไม่ และการดำเนินการที่จำเป็นได้เสร็จสิ้นแล้วหรือยัง ส่วนการเปลี่ยนแปลงที่มีความละเอียดอ่อนควรยังคงต้องผ่านขั้นตอนการอนุมัติโดยมนุษย์

การปฐมนิเทศพนักงานใหม่

การปฐมนิเทศพนักงานใหม่เกี่ยวข้องกับงานที่เชื่อมโยงกันหลายอย่าง ซึ่งขึ้นอยู่กับตำแหน่ง สถานที่ วันเริ่มงาน และสถานะการอนุมัติ goal-based agent สามารถติดตามผลลัพธ์ในภาพรวมได้ แทนที่จะปฏิบัติต่อแต่ละคำขอเป็นการกระทำที่แยกจากกัน

Agent อาจรวบรวมเอกสาร ตรวจสอบข้อมูล เตรียมคำขอบัญชี และรอการอนุมัติจากผู้จัดการ หากมีฟิลด์ที่จำเป็นขาดหายไป Agent สามารถหยุดชั่วคราวหรือขอข้อมูลที่ขาดหายไปได้ โดยไม่ควรข้ามกฎด้านสิทธิ์การเข้าถึงเพียงเพื่อให้แผนดำเนินต่อไป

เวิร์กโฟลว์การวิจัยและการสร้างเนื้อหา

เวิร์กโฟลว์การวิจัยอาจเริ่มต้นด้วยเป้าหมายในการจัดทำรายงานที่มีโครงสร้างชัดเจนโดยอิงจากหลักฐานที่น่าเชื่อถือ Agent สามารถแบ่งคำถามออกเป็นหัวข้อย่อย ค้นหาจากแหล่งข้อมูลที่ได้รับการรับรอง จัดระเบียบผลการค้นพบ และระบุช่องว่างของข้อมูล

หากแหล่งข้อมูลใดไม่สนับสนุนข้อกล่าวอ้าง Agent สามารถปรับแผนการวิจัยใหม่ได้ ขั้นตอนการทบทวนสามารถตรวจสอบได้ว่ารายงานฉบับสุดท้ายตอบคำถามเดิมหรือไม่ การตรวจสอบโดยมนุษย์ยังคงมีความสำคัญเมื่อรายงานนั้นถูกนำไปใช้ประกอบการตัดสินใจที่ส่งผลกระทบสำคัญ

การตอบสนองต่อเหตุการณ์และการปฏิบัติงาน

Agent สำหรับตอบสนองต่อเหตุการณ์อาจทำงานเพื่อระบุสาเหตุของปัญหาในบริการ โดยสามารถตรวจสอบล็อก ทบทวนการดีพลอยล่าสุด ตรวจสอบส่วนที่เกี่ยวข้อง และเปรียบเทียบหลักฐานระหว่างระบบต่าง ๆ

เวิร์กโฟลว์สามารถเปลี่ยนแปลงได้เมื่อมีสัญญาณใหม่เกิดขึ้น เอเจนต์อาจแนะนำให้ย้อนกลับ (rollback) หรือเปลี่ยนการตั้งค่า แต่การกระทำที่ส่งผลต่อระบบจริงควรต้องได้รับการอนุมัติก่อน ลูปที่ขับเคลื่อนด้วยเป้าหมายช่วยจัดระเบียบการตรวจสอบโดยไม่ปล่อยให้คำแนะนำกลายเป็นการลงมือทำโดยไม่มีการควบคุม

ประโยชน์ของเอเจนต์แบบขับเคลื่อนด้วยเป้าหมาย

จัดการงานหลายขั้นตอนได้ดีขึ้น

เอเจนต์แบบขับเคลื่อนด้วยเป้าหมายสามารถจัดระเบียบการกระทำที่เชื่อมโยงกันเพื่อมุ่งสู่ผลลัพธ์สุดท้ายได้ คุณไม่จำเป็นต้องระบุทุกขั้นตอนที่มีความเสี่ยงต่ำเมื่อเวิร์กโฟลว์มีขอบเขตที่ชัดเจนอยู่แล้ว

มีความยืดหยุ่นมากกว่าระบบอัตโนมัติแบบอิงกฎ

กฎที่ตายตัวใช้งานได้ดีในสภาวะที่คงที่ ส่วนระบบแบบขับเคลื่อนด้วยเป้าหมายสามารถเลือกเส้นทางอื่นที่ได้รับอนุมัติแล้วเมื่อข้อมูลนำเข้าเปลี่ยนไปหรือการกระทำที่คาดไว้ล้มเหลว

เกณฑ์ความสำเร็จที่ชัดเจนขึ้น

เป้าหมายที่กำหนดไว้ชัดเจนทำให้การประเมินผลมีความหมายมากขึ้น ระบบสามารถตรวจสอบได้ว่าบรรลุผลลัพธ์ที่ตั้งใจไว้หรือไม่ แทนที่จะวัดความสำเร็จจากความยาวหรือความลื่นไหลของคำตอบ

ความต่อเนื่องของเวิร์กโฟลว์ที่ดีขึ้น

เอเจนต์สามารถรักษาสถานะของงานและระบุได้ว่าส่วนใดยังทำไม่เสร็จ สิ่งนี้สำคัญเมื่อเวิร์กโฟลว์หยุดชั่วคราวเพื่อรอการอนุมัติ หรือรอข้อมูลจากระบบอื่น

การมอบหมายงานจากมนุษย์ที่มีประโยชน์มากขึ้น

มนุษย์สามารถกำหนดผลลัพธ์ ข้อจำกัด และจุดที่ต้องขออนุมัติได้ จากนั้นเอเจนต์จะจัดการการตัดสินใจที่เป็นงานประจำภายในขอบเขตการทำงานนั้น ในขณะที่มนุษย์จัดการกับข้อยกเว้นและการตัดสินใจที่ส่งผลกระทบสูง

วิธีออกแบบเอเจนต์แบบขับเคลื่อนด้วยเป้าหมายให้เชื่อถือได้

การออกแบบที่เชื่อถือได้เริ่มต้นจากเวิร์กโฟลว์ ไม่ใช่จากตัวโมเดล ให้ใช้สถาปัตยกรรมที่เรียบง่ายที่สุดเท่าที่จะสามารถทำงานให้สำเร็จได้อย่างปลอดภัย

1. กำหนดเป้าหมายที่วัดผลได้หนึ่งเป้าหมาย: เขียนเงื่อนไขความสำเร็จที่ผู้ประเมินสามารถตรวจสอบได้

2. กำหนดเงื่อนไขความสำเร็จและความล้มเหลว: อธิบายว่าเมื่อไรเอเจนต์ควรดำเนินการต่อ หยุด หรือส่งต่อให้มนุษย์ตัดสินใจ

3. แบ่งเป้าหมายออกเป็นงานย่อย: กำหนดผลลัพธ์และความสัมพันธ์ที่ชัดเจนให้แต่ละงานย่อย

4. จำกัดการเข้าถึงเครื่องมือ: ให้เฉพาะเครื่องมือที่จำเป็นสำหรับบทบาทปัจจุบันเท่านั้น

5. แยกสิทธิ์การอ่านและการเขียนออกจากกัน: ปฏิบัติต่อการดึงข้อมูลแตกต่างจากการกระทำที่เปลี่ยนแปลงสถานะ

6. เพิ่มจุดตรวจอนุมัติ: กำหนดให้ต้องยืนยันก่อนดำเนินการที่ละเอียดอ่อนหรือย้อนกลับไม่ได้

7. บันทึกการทำงาน: บันทึกแผนงาน การเรียกใช้เครื่องมือ ผลลัพธ์ และการเปลี่ยนแปลงสถานะ

8. กำหนดขีดจำกัดการทำงาน: ใช้ขอบเขตด้านเวลา จำนวนรอบ การลองใหม่ และค่าใช้จ่าย

9. ทดสอบเวิร์กโฟลว์ทั้งหมด: ประเมินผลลัพธ์ ไม่ใช่แค่คำตอบของโมเดลเป็นรายครั้ง

10. ขยายขอบเขตอย่างค่อยเป็นค่อยไป: เริ่มต้นด้วยเอเจนต์เดียวก่อน แล้วค่อยเพิ่มการประสานงานเมื่อมีความต้องการที่วัดผลได้เกิดขึ้นจริง

กฎที่ใช้ได้จริงนั้นง่ายมาก คือใช้สถาปัตยกรรมที่ซับซ้อนน้อยที่สุดเท่าที่จะสามารถทำงานให้สำเร็จได้อย่างเชื่อถือได้ ความเป็นอิสระที่มากขึ้นจะมีประโยชน์ก็ต่อเมื่อมันช่วยแก้ปัญหาการทำงานที่เจาะจงจริง ๆ เท่านั้น

รู้จักกับ Kimi Agent: เอเจนต์แบบขับเคลื่อนด้วยเป้าหมายที่คุณใช้งานได้ตั้งแต่วันนี้

ลูปการวางแผนในคู่มือนี้ไม่ใช่แค่ทฤษฎี แต่คือวิธีที่ Kimi Agent ใช้ในการทำงานจริง คุณเพียงอธิบายผลลัพธ์ที่ต้องการในหนึ่งประโยค แล้ว Kimi จะแตกงานนั้นออกเป็นงานย่อยและดำเนินการแต่ละขั้นตอนด้วยเครื่องมือในตัว จากนั้นจึงประเมินผลลัพธ์ก่อนส่งมอบผลงานที่เสร็จสมบูรณ์ ไม่ต้องสร้างชั้นประสานงานเองและไม่ต้องดูแลรักษาโค้ดเวิร์กโฟลว์ใด ๆ

บอกเป้าหมาย รับผลงาน

Kimi Agent ทำงานตามแบบที่เอเจนต์แบบขับเคลื่อนด้วยเป้าหมายควรเป็น นั่นคือให้เป้าหมายกับมัน ไม่ใช่ขั้นตอนการทำงาน มันจะวางแผนเส้นทางด้วยตัวเองและสร้างผลงานที่คุณนำไปใช้ได้ทันที

• รายงานวิจัยพร้อมแหล่งอ้างอิง ผ่าน Kimi Deep Research

• เว็บไซต์แบบหลายหน้า ที่ใช้งานได้จริง สร้างขึ้นจากบรีฟสั้น ๆ

• งานนำเสนอ PPT เอกสาร หรือสเปรดชีตที่พร้อมแก้ไข

คุณสามารถอัปโหลดไฟล์ต้นฉบับได้สูงสุด 50 ไฟล์พร้อมกัน ทำให้ไฟล์ PDF สไลด์ และรูปภาพที่มีอยู่กลายเป็นส่วนหนึ่งของบริบทงานได้ทั้งหมด

งานที่ใช้เวลานานจะดำเนินไปจนเสร็จได้เอง

เอเจนต์ที่ทำงานตามเป้าหมายจะพิสูจน์คุณค่าของตัวเองในงานที่ต้องใช้มากกว่าหนึ่งขั้นตอน Kimi Deep Research มักใช้เวลา 10 ถึง 25 นาทีต่องาน และทำงานต่อในเบื้องหลัง คุณจึงออกจากหน้านั้นไปก่อนแล้วกลับมารับรายงานที่เสร็จสมบูรณ์ได้ เอเจนต์จะติดตามความคืบหน้าของตัวเอง แทนที่จะรอให้คุณสั่งทุกขั้นตอน

ขยายเป้าหมายเดียวให้กลายเป็นงานคู่ขนานหลายร้อยงาน

เมื่อเอเจนต์เดียวไม่พอสำหรับขนาดของงาน Kimi Agent Swarm จะแบ่งเป้าหมายออกไปยังซับเอเจนต์กว่า 100 ตัว และรองรับการเรียกใช้เครื่องมือแบบขนานได้สูงสุด 1,500 ครั้ง มันถูกออกแบบมาสำหรับการค้นหาขนาดใหญ่ การเขียนเนื้อหายาว และการประมวลผลเป็นชุด ซึ่งเป็นลูปแบบตามเป้าหมายเดียวกัน เพียงแต่ขยายให้ใหญ่ขึ้น

คุณยังคงเป็นผู้กำหนดขอบเขต

การออกแบบตามเป้าหมายทำให้มนุษย์ยังคุมผลลัพธ์อยู่เสมอ และ Kimi ก็ทำงานในลักษณะเดียวกัน คุณกำหนดเป้าหมายและข้อจำกัด จากนั้นตรวจสอบแผนงานและผลงานที่ได้ ข้อเท็จจริงสำคัญและการตัดสินใจที่มีผลกระทบมากจะยังคงอยู่ภายใต้การตรวจสอบของมนุษย์ ระบบอัตโนมัติจัดการเส้นทาง ส่วนวิจารณญาณยังอยู่ที่คุณ

ข้อจำกัดและความท้าทาย

เอเจนต์ที่ทำงานตามเป้าหมายให้ความยืดหยุ่นมากกว่าระบบอัตโนมัติแบบตายตัว แต่ก็นำมาซึ่งรูปแบบความล้มเหลวใหม่เช่นกัน วัตถุประสงค์ที่คลุมเครืออาจพาเอเจนต์ไปสู่ผลลัพธ์ที่ผิด ในขณะที่พื้นที่การตัดสินใจขนาดใหญ่ก็อาจทำให้การวางแผนมีต้นทุนสูง แผนงานอาจล้าสมัยได้เมื่อสภาพแวดล้อมเปลี่ยนไป ลำดับความสำคัญที่ขัดแย้งกันอาจต้องใช้การให้เหตุผลเชิงประโยชน์หรือวิจารณญาณของมนุษย์ แทนที่จะใช้เพียงเกณฑ์ตรวจสอบความสำเร็จแบบง่าย ความล้มเหลวของเครื่องมือและข้อมูลที่ล้าสมัยยังสร้างความเสี่ยงเพิ่มเติม โดยเฉพาะเมื่อเอเจนต์สามารถเปลี่ยนแปลงระบบภายนอกได้ การนำไปใช้งานอย่างน่าเชื่อถือจึงต้องมีการตรวจสอบผลลัพธ์จากเครื่องมือ การวางแผนใหม่ที่ควบคุมได้ สิทธิ์การเข้าถึงที่จำกัด บันทึกการทำงานที่มองเห็นได้ และการอนุมัติจากมนุษย์สำหรับการกระทำที่มีผลกระทบสูง

สรุป

เอเจนต์ที่ทำงานตามเป้าหมายมุ่งไปสู่ผลลัพธ์ที่กำหนดไว้ แทนที่จะตอบสนองต่ออินพุตล่าสุดเพียงอย่างเดียว มันใช้ลูปที่เชื่อมโยงการวางแผนเข้ากับการกระทำ จากนั้นประเมินผลลัพธ์ที่สังเกตได้ก่อนจะเลือกขั้นตอนถัดไป แนวทางนี้เหมาะกับเวิร์กโฟลว์ที่ปลายทางชัดเจนแต่เส้นทางอาจเปลี่ยนแปลงได้ เริ่มต้นด้วยเกณฑ์ความสำเร็จที่ชัดเจนและสิทธิ์การเข้าถึงที่จำกัด แล้วค่อยเพิ่มความซับซ้อนเมื่อเวิร์กโฟลว์ต้องการเท่านั้น Kimi Agent มอบวิธีปฏิบัติจริงในการสำรวจการทำงานแบบมุ่งเป้าหมาย โดยไม่ต้องสร้างสถาปัตยกรรมเอเจนต์ขึ้นมาเองตั้งแต่ต้น