Multi-Agent: ให้ AI หลายตัวทำงานเป็นทีม

Plants.work · · upskilling
Multi-Agent: ให้ AI หลายตัวทำงานเป็นทีม

รู้จัก 4 รูปแบบ Orchestration กรณีศึกษาระบบ Research ของ Anthropic วิธีเขียน brief ให้ Agent ลูกทีม และสัญญาณว่าเมื่อไหร่ Agent ตัวเดียวดีกว่า

ทีมการตลาดของแบรนด์สกินแคร์แห่งหนึ่งอยากได้รายงานเปรียบเทียบคู่แข่ง 5 แบรนด์: ราคา โปรโมชัน กลุ่มลูกค้า และคำวิจารณ์ในโซเชียล ถ้าให้ AI Agent ตัวเดียวทำทั้งหมด มันต้องค้นทีละแบรนด์ จำข้อมูลทุกอย่างไว้ในบริบทเดียว และบริบทนั้นก็ยาวขึ้นเรื่อยๆ จนเริ่มลืมของที่เจอตอนต้น นี่คือจุดที่หลายทีมเริ่มมองหา Multi-Agent

Multi-Agent คืออะไร

Multi-Agent คือระบบที่มี AI Agent หลายตัว แต่ละตัวมีบทบาท เครื่องมือ และบริบทของตัวเอง ทำงานร่วมกันภายใต้รูปแบบการประสานงานที่ออกแบบไว้ เรียกว่า Orchestration ถ้าคุณยังไม่แน่ใจว่า Agent ตัวเดียวทำงานอย่างไร อ่าน Agent Loop ก่อนจะเข้าใจบทความนี้ง่ายขึ้น

4 รูปแบบการประสานงานที่ใช้บ่อย

บทความ Building effective agents ของ Anthropic สรุปรูปแบบที่ใช้กันจริงไว้หลายแบบ สามแบบแรกด้านล่างมาจากบทความนั้น ส่วนแบบที่สี่เป็นรูปแบบส่งต่องานที่พบบ่อยในทางปฏิบัติ

1. Orchestrator-Workers

มี Agent หัวหน้าหนึ่งตัวแตกงาน มอบหมายให้ Agent ลูกทีม แล้วรวมผลลัพธ์ เหมาะกับงานที่เดาไม่ได้ล่วงหน้าว่าต้องแตกเป็นกี่ส่วน

2. Parallelization

แบ่งงานย่อยที่ไม่ขึ้นต่อกันไปทำพร้อมกัน (sectioning) หรือให้หลายตัวทำงานเดียวกันแล้วโหวต (voting) เพื่อเพิ่มความมั่นใจ

3. Evaluator-Optimizer

ตัวหนึ่งสร้างผลงาน อีกตัวหนึ่งวิจารณ์และส่งกลับไปแก้ วนจนผ่านเกณฑ์ เหมาะกับงานเขียนหรือแปลที่มีเกณฑ์คุณภาพชัด

4. Handoff

ส่งต่องานระหว่าง Agent ที่เชี่ยวชาญคนละด้าน เช่น Agent รับเรื่องลูกค้าส่งต่อให้ Agent ฝ่ายเคลมเมื่อรู้ว่าเป็นเรื่องสินค้าเสียหาย

กรณีศึกษา: ระบบ Research ของ Anthropic

ในบทความวิศวกรรมเดือนมิถุนายน 2025 Anthropic เล่าว่าระบบ Research ของ Claude ใช้แบบ Orchestrator-Workers โดย Agent หัวหน้าวางแผนแล้วสร้าง subagent หลายตัวไปค้นข้อมูลพร้อมกัน ผลที่รายงานไว้มีหลายจุดที่น่าสนใจ

ข้อสรุปสำคัญคือ Multi-Agent ช่วยได้มากเมื่องาน "กว้าง" และแบ่งทำขนานได้ แต่แลกมาด้วยต้นทุนที่สูงขึ้นมาก

หัวใจของการมอบหมายงาน: Brief ที่ดี

Anthropic พบว่าคำสั่งที่คลุมเครือทำให้ subagent ทำงานซ้ำกันหรือทิ้งช่องว่าง Brief สำหรับ Agent ลูกทีมจึงควรมี 4 อย่าง

  1. เป้าหมาย ที่ชัดเจนของงานย่อยนั้น
  2. รูปแบบผลลัพธ์ ที่ต้องส่งกลับ เช่น ตารางราคา 5 คอลัมน์
  3. คำแนะนำเรื่องเครื่องมือและแหล่งข้อมูล ที่ควรใช้
  4. ขอบเขตงาน ว่าอะไรไม่ต้องทำ

กลับมาที่รายงานคู่แข่งสกินแคร์ หัวหน้าอาจแบ่ง subagent ละหนึ่งแบรนด์ แต่ละตัวได้ brief ว่า "เก็บราคาสินค้าขายดี 3 ตัว โปรโมชันเดือนนี้ และประเด็นที่ลูกค้าพูดถึงบ่อย ส่งกลับเป็นตาราง ห้ามวิเคราะห์ภาพรวม" จากนั้นมี Agent อีกตัวรวมเป็นรายงาน และอีกตัวตรวจว่าทุกตัวเลขมีแหล่งอ้างอิง

เมื่อไหร่ที่ Agent ตัวเดียวดีกว่า

Anthropic ระบุว่าแบบหลาย Agent ไม่เหมาะกับงานที่ทุกตัวต้องใช้บริบทเดียวกัน หรืองานที่ขั้นตอนพึ่งพากันมาก และงานเขียนโค้ดส่วนใหญ่ก็แบ่งขนานได้น้อยกว่างานค้นคว้า งานวิจัย Why Do Multi-Agent LLM Systems Fail? (Cemri และคณะ, 2025) ยังตั้งข้อสังเกตว่าประสิทธิภาพที่ได้เพิ่มบน benchmark ยอดนิยมมักน้อยมาก ดังนั้นควรเริ่มจาก Agent ตัวเดียวก่อน แล้วค่อยแยกเมื่อเจอคอขวดจริง

ข้อควรระวัง

เพิ่ม Agent ไม่ได้แปลว่าเพิ่มความฉลาด มันแปลว่าเพิ่มงานบริหารทีม

ทำอะไรต่อ

  1. สร้าง Agent ตัวเดียวให้ทำงานได้ดีก่อน และจดว่าติดตรงไหน
  2. ถ้าติดเพราะบริบทยาวเกินหรืองานกว้างเกิน ค่อยแยกงานย่อยที่ทำขนานได้
  3. เขียน brief ของแต่ละ Agent ครบ 4 องค์ประกอบ
  4. เพิ่ม Agent ตรวจสอบปิดท้าย ก่อนส่งผลให้คนใช้
  5. วัดผลเทียบกับแบบ Agent ตัวเดียวทั้งคุณภาพและค่าใช้จ่าย

อยากลองต่อ workflow หลาย Agent ด้วยมือตัวเอง ดูคอร์ส สร้าง AI Automation Agent ด้วย Make และ n8n และถ้าสนใจงานที่ใช้ทักษะออกแบบระบบ AI แบบนี้ ลองค้นตำแหน่งที่เปิดรับใน Plants.work Jobs