Agent พังเพราะอะไร: 8 รูปแบบปัญหาและวิธีแก้
รวม 8 รูปแบบความล้มเหลวของ AI Agent ที่เจอบ่อย อ้างอิงงานวิจัย MAST และบทเรียนจาก Anthropic พร้อมกระบวนการ debug ที่ใช้ได้จริง
"ส่งใบเสนอราคาให้ลูกค้าเรียบร้อยแล้วครับ" AI Agent ของบริษัทรับเหมาแห่งหนึ่งรายงานแบบนี้อย่างมั่นใจ สามวันต่อมาลูกค้าโทรมาถามว่าใบเสนอราคาอยู่ไหน เปิด log ดูถึงได้รู้ว่า Agent ร่างอีเมลเสร็จ แต่ไม่เคยกดส่ง ถ้าคุณเคยเจอเหตุการณ์แบบนี้ คุณไม่ได้เจอคนเดียว และข่าวดีคือความผิดพลาดของ Agent ส่วนใหญ่มี "รูปแบบ" ที่จับได้และแก้ได้
Failure Mode คืออะไร
Failure mode คือรูปแบบความล้มเหลวที่เกิดซ้ำได้ ไม่ใช่ความผิดพลาดแบบสุ่ม งานวิจัย Why Do Multi-Agent LLM Systems Fail? (Cemri และคณะ, 2025) วิเคราะห์ trace มากกว่า 1,600 รายการจาก framework ยอดนิยม 7 ตัว แล้วจัดได้ 14 รูปแบบใน 3 กลุ่ม: ปัญหาการออกแบบระบบ ความไม่ลงรอยระหว่าง Agent และการตรวจสอบงาน บทความนี้คัดรูปแบบที่เจอบ่อยมา 8 แบบ โดยผสมกับบทเรียนจากทีมวิศวกรรมของ Anthropic
8 รูปแบบปัญหาและวิธีแก้
1. วนทำขั้นเดิมซ้ำ ไม่รู้จักหยุด
งานวิจัยเรียกว่า step repetition และ unaware of stopping conditions วิธีแก้: กำหนดเกณฑ์ "เสร็จ" ให้ชัด ตั้งจำนวนรอบสูงสุด (เช่น node AI Agent ของ n8n มี Max Iterations ค่าเริ่มต้น 10) และเตือนเมื่อเรียก tool เดิมด้วยค่าเดิมซ้ำ
2. บอกว่าเสร็จ ทั้งที่ยังไม่เสร็จ
ตรงกับ premature termination และคือเคสใบเสนอราคาข้างต้น วิธีแก้: ตรวจ ผลลัพธ์ในระบบจริง เช่น เช็กกล่อง sent ไม่ใช่เชื่อข้อความของ Agent
3. ตรวจงานไม่ครบ หรือตรวจผิด
no or incomplete verification และ incorrect verification วิธีแก้: ใช้การตรวจด้วยโค้ดสำหรับสิ่งที่วัดได้ เช่น ยอดรวมตรงไหม และให้ Agent ตรวจแยกจากตัวที่สร้างงาน
4. เรียก tool ผิดตัวหรือผิดค่า
Anthropic เล่าว่า Agent เคยผิดพลาดกับ path แบบสัมพัทธ์หลังย้ายออกจาก root directory จนต้องบังคับใช้ path แบบเต็ม วิธีแก้: ออกแบบ tool ให้ใช้ผิดยาก และเขียน error ที่บอกวิธีแก้ ดูเพิ่มใน Tool Calling คืออะไร
5. ลืมสิ่งที่คุยไว้
loss of conversation history รวมถึง context rot ที่ความแม่นลดลงเมื่อ context ยาว วิธีแก้: compaction และให้ Agent จดโน้ตสำคัญไว้นอก context ดูเพิ่มใน Memory ของ AI Agent
6. ไม่ทำตามสเปก และไม่ถามเมื่อไม่ชัด
disobey task specification และ fail to ask for clarification วิธีแก้: เขียนคำสั่งเป็นข้อ ระบุสิ่งที่ห้ามทำ และบอกชัดว่าถ้าข้อมูลไม่พอให้ถามกลับ
7. งานซ้ำซ้อน ข้อมูลหล่นระหว่าง Agent
information withholding และ ignored other agent's input Anthropic พบว่าคำสั่งมอบหมายที่คลุมเครือทำให้ subagent ทำงานซ้ำกัน และเวอร์ชันแรกเคยสร้าง subagent 50 ตัวกับคำถามง่ายๆ วิธีแก้: brief ที่มีเป้าหมาย รูปแบบผลลัพธ์ และขอบเขตงาน
8. ถูกหลอกโดยเนื้อหาภายนอก
หน้าเว็บหรืออีเมลที่มีคำสั่งแฝง (prompt injection) ทำให้ Agent ทำสิ่งที่ไม่ได้สั่ง วิธีแก้: จำกัดสิทธิ์ และให้คนอนุมัติงานเสี่ยง อ่านต่อใน Guardrails และ Human-in-the-loop
กระบวนการ Debug ที่ใช้ได้จริง
- เก็บ trace ครบ: ทุก prompt, tool call, argument และผลลัพธ์
- ทำซ้ำให้ได้: รัน input เดิมหลายครั้ง เพราะ AI ให้ผลไม่เหมือนเดิมทุกรอบ
- จัดประเภท: เทียบกับ 8 รูปแบบข้างบน เพื่อรู้ว่าแก้ที่ prompt, tool หรือโครงสร้างระบบ
- แก้ทีละจุด: เปลี่ยนหลายอย่างพร้อมกันจะไม่รู้ว่าอะไรได้ผล
- เพิ่มเคสนี้เข้าชุดทดสอบ: เพื่อไม่ให้ปัญหาเดิมกลับมา ดูวิธีใน Evals
ข้อควรระวัง
- อย่าโทษโมเดลก่อน: หลายปัญหามาจาก tool หรือคำสั่งที่คลุมเครือ การเปลี่ยนโมเดลอาจแค่ย้ายปัญหา
- อย่าแก้ด้วยการเติม prompt ไม่รู้จบ: prompt ที่ยาวขึ้นเรื่อยๆ ทำให้ Agent สับสนเองได้
- ระวังข้อมูลใน log: trace อาจมีข้อมูลลูกค้า ต้องจำกัดสิทธิ์การเข้าถึง
Agent ที่ไม่เคยพังคือ Agent ที่ยังไม่เคยถูกใช้จริง ที่สำคัญคือคุณมองเห็นว่ามันพังตรงไหน
ทำอะไรต่อ
- เปิดการเก็บ trace ของ Agent ทุกตัวที่ใช้อยู่
- สุ่มอ่าน trace สัปดาห์ละ 10 รายการ แล้วจดว่าเจอรูปแบบไหน
- แก้รูปแบบที่เจอบ่อยที่สุดก่อน
- เปลี่ยนทุกเคสที่พังเป็นโจทย์ทดสอบ
ทักษะ debug ระบบ AI เป็นสิ่งที่ใช้ได้ทั้งสายวิศวกร สาย QA และสาย Operations ถ้าอยากเล่าประสบการณ์ด้านนี้ให้ผู้สัมภาษณ์เข้าใจ ลองซ้อมกับ Interview Lab ของ Plants.work