จาก chatbot ธรรมดา สู่ AI ที่ทำงานแทนเราได้ - เราเติมอะไรเข้าไปบ้าง?

เวลาเราใช้ ChatGPT หรือ Claude ครั้งแรก - เราพิมพ์คำถาม ได้คำตอบ จบ นั่นคือ LLM (Large Language Model) ในรูปแบบพื้นฐานที่สุด: ข้อความเข้า → ข้อความออก

แต่อยู่ ๆ มาวันหนึ่งเราเห็น AI ที่:

• เข้าเว็บหาข้อมูลให้
• อ่านไฟล์ในเครื่องเรา
• รันคำสั่ง terminal
• เขียนโค้ด สร้างไฟล์ รัน test
• ทำงานต่อเนื่องเป็นสิบนาทีโดยไม่ต้องคอยบอกทุกขั้นตอน

เราเติมอะไรลงไปบ้าง? - จาก chatbot ธรรมดากลายเป็น agent ได้ยังไง?

🧱 เริ่มจาก LLM เปล่า ๆ

LLM คือ "เครื่องทำนายคำถัดไป" - มันเห็นข้อความก่อนหน้า แล้วเดาว่าคำต่อไปควรเป็นอะไร

[ผู้ใช้ถาม] → [LLM] → [คำตอบ]

สิ่งที่ LLM ทำไม่ได้ ในสภาพนี้:

• จำว่าเมื่อวานเราคุยอะไรกัน (ไม่มี memory)
• ค้นหาข้อมูลในเน็ต (ไม่มี tool)
• รู้วันที่วันนี้ (ถูก train ด้วยข้อมูลเก่า)
• ทำอะไรบนเครื่องเรา (ไม่มีสิทธิ์)

มันคือสมองที่เก่ง - แต่ไม่มีแขน ไม่มีขา ไม่มีความจำ

➕ Layer 1: System Prompt - ใส่ "บทบาท" และ "กติกา"

สิ่งแรกที่เราเติม: system prompt - ข้อความที่บอก LLM ว่า "คุณเป็นใคร" และ "คุณทำอะไรได้บ้าง"

คุณคือ AI ผู้ช่วยชื่อ Hermes คุณทำงานบนเครื่อง Linux ของผู้ใช้ คุณตอบเป็นภาษาไทย อ่านง่าย เป็นกันเอง

System prompt คือ "job description" ของ AI - มันเปลี่ยน LLM จาก "เครื่องทำนายคำ" เป็น "ผู้ช่วยที่มีตัวตน"

➕ Layer 2: Tool Calling - ใส่ "แขน" และ "ขา"

LLM เก่งเรื่องภาษา แต่มันกดเครื่องคิดเลขไม่เป็น - เราก็เลยให้ เครื่องมือ (tools) กับมัน

วิธีทำงาน:

1. ผู้ใช้: "เช็คสภาพอากาศกรุงเทพวันนี้"
2. LLM คิด: "ฉันต้องเรียกฟังก์ชัน get_weather(city='Bangkok')"
3. ระบบ: เรียก get_weather() จริง → ได้ผลลัพธ์ { temp: 35, humidity: 70 }
4. ระบบ: ส่งผลลัพธ์กลับไปให้ LLM
5. LLM: "วันนี้กรุงเทพ 35 องศา ความชื้น 70% ครับ"

Tools ที่เราให้ AI ได้:

สิ่งที่เปลี่ยน: LLM ไม่ได้แค่ "พูด" แล้ว - มัน "ทำ" ได้แล้ว

➕ Layer 3: Loop - ใส่ "ความต่อเนื่อง"

tool ครั้งเดียวอาจไม่พอ - LLM อาจต้องเรียก tool หลายรอบเพื่อทำงานชิ้นหนึ่งให้เสร็จ

1. ผู้ใช้: "สร้างไฟล์ README.md ให้ project นี้"
2. LLM → tool: read_file("main.go") ← อ่านก่อนว่ามีอะไร
3. LLM → tool: search_files("*.go") ← หาไฟล์ทั้งหมด
4. LLM → tool: read_file("go.mod") ← อ่าน module name
5. LLM → tool: write_file("README.md") ← เขียน!
6. LLM → ผู้ใช้: "สร้าง README.md เสร็จแล้วครับ"

นี่คือ Agent Loop - วงจร "คิด → เรียก tool → ดูผล → คิดต่อ → เรียก tool อีก" - ไปเรื่อย ๆ จนกว่างานจะเสร็จ

💡 สังเกต: ตอนนี้ LLM ไม่ได้ตอบทันทีแล้ว - มันใช้เวลา "ทำงาน" หลายวินาที หรือหลายนาที

➕ Layer 4: Memory - ใส่ "ความจำ"

Loop ช่วยให้ AI ทำงานต่อเนื่องใน session เดียว - แต่พอปิด session ทุกอย่างหายหมด

เราเติม memory - ระบบจดจำสิ่งที่เกิดขึ้นข้าม session:

• Session 1: ผู้ใช้บอกว่า "ผมใช้ Go เป็นหลัก ชอบ pattern แบบนี้"
• Session 2: AI ทักว่า "คราวที่แล้วคุณบอกว่าชอบ table-driven test - จะใช้ pattern นั้นไหม?" ← จำได้!

Memory เก็บอะไร:

• ข้อมูลผู้ใช้ (ชื่อ, preference, ภาษาที่ชอบ)
• ข้อตกลงที่เคยทำไว้ ("ไม่ publish blog โดยไม่ขอ")
• วิธีการทำงานที่เคยสำเร็จ ("เวลาใช้ LED ต้องกด button.click()")

➕ Layer 5: Planning & Reasoning - ใส่ "การคิดก่อนทำ"

LLM เก่งเรื่องตอบคำถาม - แต่เวลาเจองานซับซ้อน มันอาจ "ทำเลย" โดยไม่คิดก่อน

เราเติม reasoning - บังคับให้ AI "คิดดัง ๆ" ก่อนลงมือ:

ผู้ใช้: "หา condo ในกรุงเทพ ราคา 7-8 ล้าน ขนาด ≥60 ตรม."

AI คิด (reasoning):

1. ต้องเข้าเว็บ led.go.th
2. กรอกฟอร์ม: ประเภท=ห้องชุด, จังหวัด=กรุงเทพ, ราคา=7-8M, ขนาด≥60
3. แต่เว็บมี CAPTCHA - ต้องอ่าน CAPTCHA ทีหลังสุด
4. ต้องใช้ button.click() - form.submit() ใช้ไม่ได้
5. ถ้าไม่มีในห้วยขวาง → ขยายเป็นทั้งกรุงเทพ

AI ลงมือทำตามแผน → สำเร็จ

นี่คือ reasoning - AI ไม่ได้ตอบทันที แต่มัน "คิด" ก่อน - แล้วค่อยทำตามแผน

➕ Layer 6: Skills - ใส่ "ประสบการณ์"

พอ AI ทำงานซ้ำ ๆ - เราอยากให้มัน "จำวิธีทำ" และใช้ซ้ำได้โดยไม่ต้องคิดใหม่ทุกครั้ง

เราเติม skills - ไฟล์ที่บรรจุ "วิธีการทำงานที่พิสูจน์แล้ว":

# Skill: deepseek-balance
วิธีเช็คยอดเงิน DeepSeek:
  1. อ่าน key จาก ~/.bashrc
  2. เรียก curl https://api.deepseek.com/user/balance
  3. แสดงผลเป็นภาษาไทย

คราวหน้าเวลา AI ต้องเช็คยอด - มันโหลด skill นี้ → ทำตามขั้นตอน → เสร็จใน 3 วิ - ไม่ต้องคิดใหม่

Skill = "ประสบการณ์ที่บันทึกไว้" - เหมือน SOP ขององค์กร

➕ Layer 7: Multi-Agent - ใส่ "ทีม"

งานบางอย่างใหญ่มาก - AI ตัวเดียวทำงานไม่ทัน

เราเติม delegation - AI spawn ลูกน้องไปทำงานย่อย:

[AI หลัก] → "งานนี้มี 3 อย่าง: 1) research Go 1.27, 2) เขียน blog, 3) โพสต์"
→ spawn subagent 1: research Go 1.27
→ spawn subagent 2: ออกแบบโครงสร้าง blog
→ รอผล → เขียน blog → โพสต์

ทำงานพร้อมกัน - เสร็จเร็วขึ้น - เหมือนมีทีมช่วย

🧩 ประกอบร่าง - Agentic AI

เอา Layer ทั้งหมดมารวมกัน:

LLM เปล่า
+ System Prompt → มี "ตัวตน"
+ Tool Calling → มี "มือ" ทำงานได้
+ Loop → ทำงานต่อเนื่อง ไม่ใช่ตอบทีเดียวจบ
+ Memory → จำได้ข้าม session
+ Reasoning → คิดก่อนทำ
+ Skills → ใช้ประสบการณ์ซ้ำ
+ Multi-Agent → มีทีมช่วย
─────────────────────────────────────
= Agentic AI

Agentic AI ไม่ได้ฉลาดกว่า LLM - มันแค่มี "เครื่องมือ" มากกว่า และถูกออกแบบให้ "ทำงาน" ไม่ใช่แค่ "ตอบ"

🎯 สรุปให้เห็นภาพ

┌──────────────────────────┐
│ User: "สร้าง API"        │
└──────────┬───────────────┘
           ▼
┌──────────────────────────┐
│ System Prompt: กติกา     │ ← "คุณเป็น dev ที่ใช้ Go"
└──────────┬───────────────┘
           ▼
┌──────────────────────────┐
│ Reasoning: คิดก่อน       │ ← "ต้องสร้าง handler, service, repo"
└──────────┬───────────────┘
           ▼
┌────────────────┼────────────────┐
▼                ▼                ▼
┌─────────┐ ┌──────────┐ ┌──────────┐
│ Tool    │ │ Tool     │ │ Tool     │
│ อ่าน    │ │ เขียน    │ │ รัน      │
│ โค้ด    │ │ ไฟล์     │ │ test     │
└────┬────┘ └────┬─────┘ └────┬─────┘
     │           │            │
     └───────────┼────────────┘
                 ▼
┌──────────────────────────┐
│ Loop: ทำซ้ำจนกว่าจะเสร็จ │
└──────────┬───────────────┘
           ▼
┌──────────────────────────┐
│ Memory: บันทึกสิ่งที่เรียนรู้│ ← "คราวหน้าใช้วิธีนี้"
└──────────────────────────┘

ต่อไปจากนี้ พอเข้าใจตรงนี้แล้ว - เวลาอ่านเรื่อง MCP (Model Context Protocol), ACP (Agent Client Protocol), RAG (Retrieval-Augmented Generation) - คุณจะเห็นว่ามันคือ layer ที่เติมเข้าไปเพิ่ม:

• MCP = วิธี standard ในการให้ tool กับ AI
• RAG = วิธีให้ AI "อ่านเอกสาร" ก่อนตอบ
• ACP = วิธี standard ในการคุยระหว่าง IDE กับ agent

ทั้งหมดคือการเติม "layer" - และทั้งหมดเริ่มจาก LLM เปล่า ๆ ตัวเดียว

📚 อ่านต่อ

• Aider - Pair Programming กับ AI ใน Terminal - ตัวอย่าง agentic AI ที่ใช้จริง
• Anthropic: Building effective agents - แนวคิดการออกแบบ agentic system