วิวัฒนาการของ AI จาก Chatbot สู่ Distributed Multi-Agent
AI Agent ที่เราได้ยินกันทุกวันนี้ไม่ได้เกิดขึ้นมาในครั้งเดียว แต่ค่อยๆ พัฒนามาจาก Chatbot ธรรมดาที่ทำได้แค่ตอบคำถาม จนกลายเป็นทีมของ Agent หลายตัวที่ทำงานร่วมกันผ่านอินเทอร์เน็ตได้ บทความนี้จะพาไปดูว่าวิวัฒนาการของ AI Agent แบ่งออกเป็นยุคไหนบ้าง แต่ละยุคแก้ปัญหาอะไร และทำไมเราจึงต้องเริ่มคิดเรื่อง AI Agent Architecture และ Security ตั้งแต่วันนี้
ถ้ายังไม่คุ้นกับแนวคิดของ AI Agent สามารถอ่าน AI Agent คืออะไร ประกอบได้
ยุคที่ 1: Consumer Chatbot Apps
ยุคแรกคือ Consumer Chatbot Application เราใช้ AI เป็นเหมือน Chatbot ที่คุยด้วยได้ เมื่อพิมพ์คำถามเข้าไป AI จะหาคำตอบแล้วส่งกลับมาให้ โดยไม่มีเครื่องมือภายนอกเข้ามาเกี่ยวข้องเลย คำตอบที่ได้จึงมาจากความฉลาดของโมเดล(LLM) ล้วนๆ
ปัญหาของการทำงานแบบนี้คือ ถ้าต้องการคำตอบที่เกี่ยวกับงาน ผู้ใช้จำเป็นต้องพิมพ์ Sensitive Data(ข้อมูลที่ต้องการความปลอดภัย เช่น ข้อมูลที่เป็นความลับขององค์กร) ลงไปใน Prompt ข้อมูลนั้นจะถูกส่งไปที่โมเดลซึ่งอยู่ภายนอกองค์กร
ข้อมูลถูกส่งออกไปภายนอก ความปลอดภัยของ Data ก็จะไม่มี
ยุคที่ 2: Enterprise Chatbots และ RAG
คำถามต่อมาคือ ถ้าเราไม่อยากส่งข้อมูลขององค์กรออกไปภายนอก จะมีวิธีไหนบ้าง หนึ่งในคำตอบคือ Enterprise Chatbot ซึ่งต้อง Implement RAG(Retrieval-Augmented Generation) โดยดึงข้อมูลต่างๆ ขององค์กรมาเก็บไว้ใน Vector Database แล้ว Query ออกมาใช้งานเมื่อมีคำถามเข้ามา
วิธีนี้ให้ประโยชน์ 2 อย่าง คือ
- ข้อมูลมีความปลอดภัยมากขึ้นเพราะไม่ถูกส่งออกไปภายนอก
- AI ฉลาดขึ้น เพราะได้ข้อมูลที่เฉพาะเจาะจงและเป็นข้อมูลภายในที่เตรียมไว้ใช้ในองค์กร
ดังนั้นข้อมูลที่ AI ใช้ตอบจะเริ่มมาจาก 2 แหล่ง
- ความรู้ของ AI เอง
- ข้อมูลจาก Vector Database
ยุคที่ 3: Single Agent
ยุคที่ 3 คือยุคที่เริ่มเรียกว่า AI Agent อย่างจริงจัง แนวคิดคือการทำให้ AI ฉลาดขึ้นโดยไม่ได้พึ่งแค่ตัวโมเดลอย่างเดียว แต่เพิ่มองค์ประกอบอื่นๆ เข้ามา ได้แก่
- Planning(การคิดและวางแผน) ก่อนลงมือทำงาน
- Memory(ความจำ) ซึ่งเป็นจุดที่สำคัญมาก เพราะ AI เริ่มจดจำและเก็บสถานะ(State) ของบทสนทนาได้ ทำให้ฉลาดขึ้นและคุยรู้เรื่องมากขึ้น
- Tool Use(การใช้เครื่องมือ) เชื่อมโยงกับเครื่องมือภายนอก เพื่อเพิ่มความสามารถให้ AI
Tool Use และ Web Search
เครื่องมือภายนอกที่ AI Agent ใช้ได้ เช่น การเชื่อมต่อกับข้อมูลใน Database การ Call API และจุดเด่นที่สุดคือ Web Search
แทนที่ AI จะใช้แค่ข้อมูลที่เราพิมพ์ลงใน Prompt AI Agent จะส่งงานไปให้เครื่องมือ Web Search ช่วยค้นหาข้อมูลที่ต้องการ แล้วนำผลลัพธ์จากการค้นหากลับมาประมวลผลร่วมกับ Prompt คำตอบที่ได้จึงดีขึ้นกว่าการใช้โมเดลเพียงอย่างเดียว
Background Process และ MCP
ในยุคนี้ AI Agent ยังเริ่มทำงานแบบ Background Process หรือ Automation(ทำงานอัตโนมัติ) ได้ คือรันงานให้เราได้ตลอด 24 ชั่วโมง Agent จึงเริ่มเข้ามามีบทบาทในการทำงานมากขึ้น
นอกจากนี้ยังเริ่มมี Protocol ที่ชื่อว่า MCP(Model Context Protocol) เกิดขึ้น เพื่อใช้เป็นมาตรฐานในการเชื่อมต่อ AI Agent กับข้อมูลและเครื่องมือจากภายนอก
ยุคที่ 4: Multi-Agent Systems
ในยุคที่ 4 AI Agent ไม่ได้มีแค่ตัวเดียวอีกต่อไป แต่เริ่มสร้างทีมงานของตัวเอง โดยแยก AI Agent หลายตัวให้ทำงานเฉพาะด้าน เช่น
- AI Agent ที่เขียนโค้ด
- AI Agent ที่ทำหน้าที่เป็น Tester คอยทดสอบ
- AI Agent ที่วางแผนการทำงานก่อนเริ่มลงมือจริง
การทำงานแบบนี้เรียกว่า Multi-Agent System ซึ่งมีความซับซ้อนมากขึ้นตามจำนวน Agent จนต้องมี AI Agent ที่เข้าไป Debug และตรวจสอบการทำงานของ Agent ตัวอื่นๆ ด้วย
ยุคที่ 5: Distributed Multi-Agent
ยุคที่เรากำลังก้าวเข้าไปคือ Distributed Multi-Agent ยังคงมี AI Agent หลายตัวทำงานเป็นทีมเหมือนยุคที่ 4 แต่ Agent เหล่านี้ไม่จำเป็นต้องอยู่ที่เดียวกัน เพราะสามารถเชื่อมโยงกันผ่านอินเทอร์เน็ตได้
Agent แต่ละตัวคุยกันผ่าน Protocol ที่ชื่อว่า A2A(Agent-to-Agent) ทำให้การทำงานของ AI Agent เป็นระบบและกระจายตัวมากขึ้น ในขณะเดียวกัน AI Agent แต่ละตัวก็ยังเชื่อมต่อกับเครื่องมือภายนอกผ่าน MCP ได้เหมือนกับ Single Agent ในยุคที่ 3
A2A ใช้ให้ Agent คุยกับ Agent ส่วน MCP ใช้ให้ Agent คุยกับเครื่องมือและข้อมูลภายนอก
สรุป
วิวัฒนาการของ AI Agent แบ่งได้เป็น 5 ยุค
- Consumer Chatbot Apps คุยกับโมเดลโดยตรง แต่ข้อมูลถูกส่งออกไปภายนอก
- Enterprise Chatbots ใช้ RAG และ Vector Database ให้ข้อมูลอยู่ภายในองค์กร
- Single Agent มี Planning, Memory และ Tool Use เชื่อมต่อเครื่องมือภายนอกผ่าน MCP
- Multi-Agent Systems มี AI Agent หลายตัวแบ่งหน้าที่กันเป็นทีม
- Distributed Multi-Agent AI Agent หลายตัวอยู่ต่างที่กัน คุยกันผ่าน A2A
เมื่อ AI Agent ฉลาดและซับซ้อนขึ้น สิ่งที่เราต้องทำคือออกแบบ AI Agent Architecture ให้ชัดว่าระบบของเราเป็นแบบไหน และเมื่อรู้โครงสร้างแล้ว จึงวางแผนได้ว่าจะใส่ Security Control เพื่อดูแลความปลอดภัยของ AI Agent ไว้ตรงไหนบ้าง
ออกแบบ Architecture ก่อน แล้วจึงวาง Security Control ให้ตรงกับโครงสร้างของ AI Agent
