Coding Gun

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

ยุคที่ 1 Consumer Chatbot Apps: ผู้ใช้คุยกับ Chatbot ที่ส่งคำถามไปยัง LLM และ Sensitive Data ถูกส่งออกไปภายนอก

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

ยุคที่ 2 Enterprise Chatbots: ดึงข้อมูลองค์กรด้วย RAG จาก Vector Database มาประกอบคำตอบของ LLM โดยข้อมูลไม่ถูกส่งออกไปภายนอก

คำถามต่อมาคือ ถ้าเราไม่อยากส่งข้อมูลขององค์กรออกไปภายนอก จะมีวิธีไหนบ้าง หนึ่งในคำตอบคือ Enterprise Chatbot ซึ่งต้อง Implement RAG(Retrieval-Augmented Generation) โดยดึงข้อมูลต่างๆ ขององค์กรมาเก็บไว้ใน Vector Database แล้ว Query ออกมาใช้งานเมื่อมีคำถามเข้ามา

วิธีนี้ให้ประโยชน์ 2 อย่าง คือ

  1. ข้อมูลมีความปลอดภัยมากขึ้นเพราะไม่ถูกส่งออกไปภายนอก
  2. AI ฉลาดขึ้น เพราะได้ข้อมูลที่เฉพาะเจาะจงและเป็นข้อมูลภายในที่เตรียมไว้ใช้ในองค์กร

ดังนั้นข้อมูลที่ AI ใช้ตอบจะเริ่มมาจาก 2 แหล่ง

  1. ความรู้ของ AI เอง
  2. ข้อมูลจาก Vector Database

ยุคที่ 3: Single Agent

ยุคที่ 3 Single Agent: LLM ที่มี Planning, Memory และ Tool Use ประกอบกัน

ยุคที่ 3 คือยุคที่เริ่มเรียกว่า AI Agent อย่างจริงจัง แนวคิดคือการทำให้ AI ฉลาดขึ้นโดยไม่ได้พึ่งแค่ตัวโมเดลอย่างเดียว แต่เพิ่มองค์ประกอบอื่นๆ เข้ามา ได้แก่

  1. Planning(การคิดและวางแผน) ก่อนลงมือทำงาน
  2. Memory(ความจำ) ซึ่งเป็นจุดที่สำคัญมาก เพราะ AI เริ่มจดจำและเก็บสถานะ(State) ของบทสนทนาได้ ทำให้ฉลาดขึ้นและคุยรู้เรื่องมากขึ้น
  3. Tool Use(การใช้เครื่องมือ) เชื่อมโยงกับเครื่องมือภายนอก เพื่อเพิ่มความสามารถให้ AI

Single Agent ใช้ Tool Use เชื่อมต่อเครื่องมือภายนอก เช่น Database, API, Web Search, Automation, Docs และ IoT

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

Single Agent เชื่อมต่อกับเครื่องมือภายนอกผ่าน 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

ยุคที่ 4 Multi-Agent Systems: ทีม AI Agent ที่แบ่งหน้าที่เป็นเขียนโค้ด Tester และวางแผนงาน

ในยุคที่ 4 AI Agent ไม่ได้มีแค่ตัวเดียวอีกต่อไป แต่เริ่มสร้างทีมงานของตัวเอง โดยแยก AI Agent หลายตัวให้ทำงานเฉพาะด้าน เช่น

  1. AI Agent ที่เขียนโค้ด
  2. AI Agent ที่ทำหน้าที่เป็น Tester คอยทดสอบ
  3. AI Agent ที่วางแผนการทำงานก่อนเริ่มลงมือจริง

การทำงานแบบนี้เรียกว่า Multi-Agent System ซึ่งมีความซับซ้อนมากขึ้นตามจำนวน Agent จนต้องมี AI Agent ที่เข้าไป Debug และตรวจสอบการทำงานของ Agent ตัวอื่นๆ ด้วย

ยุคที่ 5: Distributed Multi-Agent

ยุคที่ 5 Distributed Multi-Agent: AI Agent หลายตัวคุยกันผ่านอินเทอร์เน็ตด้วย A2A และเชื่อมต่อเครื่องมือผ่าน MCP

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

สรุปวิวัฒนาการ AI Agent ทั้ง 5 ยุค และสิ่งที่ต้องออกแบบ: Architecture และ Security Control

วิวัฒนาการของ AI Agent แบ่งได้เป็น 5 ยุค

  1. Consumer Chatbot Apps คุยกับโมเดลโดยตรง แต่ข้อมูลถูกส่งออกไปภายนอก
  2. Enterprise Chatbots ใช้ RAG และ Vector Database ให้ข้อมูลอยู่ภายในองค์กร
  3. Single Agent มี Planning, Memory และ Tool Use เชื่อมต่อเครื่องมือภายนอกผ่าน MCP
  4. Multi-Agent Systems มี AI Agent หลายตัวแบ่งหน้าที่กันเป็นทีม
  5. 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

อ่านต่อเพิ่มเติมได้ที่

Phanupong Permpimol
Follow me