จักรวาล AI Agent บทที่ 4: Agent Runtime, เครื่องยนต์ที่ทำให้โมเดล "ลงมือทำ" ได้ และสงคราม Harness

โดย Nokka (นก-กา) | 22 สิงหาคม 2026

นี่คือบทความที่ 4 ของซีรีส์ "จักรวาล AI Agent", ซีรีส์ที่แกะ "จักรวาล AI" ออกเป็น 7 ชั้น

บทความนี้จะลงลึกที่ ชั้นที่ 4: Agent Runtime, ชั้นที่กำลังเกิด "สงคราม" ระหว่าง DeepSeek Harness กับ OpenAI Codex Harness

ถ้ายังไม่ได้อ่านบทที่ 1-3 แนะนำให้อ่านก่อน: จักรวาล AI Agent บทที่ 1

ชั้นนี้คืออะไร

Agent Runtime คือ "โครงสร้าง" ที่ทำให้โมเดลกลายเป็น "agent", ระบบที่จัดการว่า agent เรียกเครื่องมือยังไง, จำอะไรได้บ้าง, ทำงานหลายขั้นยังไง

โมเดล (ชั้น 3) อย่างเดียว "คุยได้แต่ทำอะไรไม่ได้", มันตอบคำถามได้ แต่เปิดไฟล์ไม่ได้, รันโค้ดไม่ได้, ค้นเว็บไม่ได้

Agent Runtime คือ "เครื่องยนต์" ที่ทำให้โมเดล "ลงมือทำ" ได้

อุปมา: ชั้นนี้คือ "เครื่องยนต์", ไม่ใช่รถทั้งคัน แต่เป็นชิ้นส่วนที่ทำให้รถวิ่งได้

ปัญหาที่ชั้นนี้แก้

ก่อนมี Agent Runtime โมเดลเป็นแค่ "กล่องตอบคำถาม":

• คุณถาม → โมเดลตอบ → จบ
• โมเดล "ทำอะไร" ไม่ได้, แค่ "พูด"

แต่ "agent" ต้อง "ทำ" ได้:

• อ่านไฟล์ในโปรเจกต์
• รันโค้ด
• ค้นเว็บ
• เรียก API
• ทำงานหลายขั้นต่อเนื่อง

Agent Runtime แก้ปัญหานี้ด้วยการสร้าง "agent loop", วงจรที่ทำให้โมเดล "คิด → ทำ → ดูผล → คิดต่อ" ได้

การทำงานภายใน: Agent Loop (หัวใจของชั้นนี้)

Agent Loop คือวงจรที่ทำให้โมเดลทำงานหลายขั้นได้:

ขั้นที่ 1: รับคำสั่ง

ผู้ใช้สั่ง "แก้ bug ในไฟล์ login.py"

ขั้นที่ 2: คิด (Reasoning)

โมเดลคิดว่าต้องทำอะไร, ต้องอ่านไฟล์ก่อน, แล้วหาว่า bug อยู่ตรงไหน, แล้วแก้

ขั้นที่ 3: เรียกเครื่องมือ (Tool Call)

โมเดล "ขอ" เรียกเครื่องมือ, เช่น "อ่านไฟล์ login.py"

Runtime รับคำขอ → เรียกเครื่องมือจริง → ได้ผลลัพธ์

ขั้นที่ 4: ดูผล (Observation)

Runtime ส่งผลลัพธ์กลับให้โมเดล, "นี่คือเนื้อหาของ login.py"

ขั้นที่ 5: คิดต่อ (Reasoning Again)

โมเดลเห็นเนื้อหาแล้ว คิดต่อ, "bug อยู่บรรทัด 42, ต้องแก้เป็น..."

ขั้นที่ 6: วนซ้ำ (Loop)

ทำซ้ำขั้น 2-5 จนงานเสร็จ, บางงานวน 3 รอบ, บางงานวน 50 รอบ

นี่คือ "agent loop", วงจร "คิด → ทำ → ดูผล → คิดต่อ" ที่ทำให้โมเดลทำงานหลายขั้นได้ [1]

องค์ประกอบหลักของ Agent Runtime

1. Tool Calling (การเรียกเครื่องมือ)

Runtime ต้องจัดการว่าโมเดล "ขอเรียกเครื่องมือ" ยังไง:

• โมเดลส่ง "คำขอ" ในรูปแบบพิเศษ (เช่น JSON)
• Runtime แปลคำขอ → เรียกเครื่องมือจริง
• Runtime ส่งผลลัพธ์กลับ

2. Memory (ความจำ)

Runtime ต้องจัดการ "ความจำ" ของ agent:

• Short-term memory, context ของบทสนทนาปัจจุบัน
• Long-term memory, จำสิ่งที่เรียนรู้จากงานก่อนหน้า (Zep, Mem0)

3. Sandbox (สภาพแวดล้อมแยก)

Runtime ต้องรันโค้ดใน "sandbox", สภาพแวดล้อมแยก เพื่อไม่ให้โค้ดที่ agent เขียนไปทำลายระบบจริง

4. Context Injection (การใส่บริบท)

Runtime ต้องจัดการว่า "ส่งข้อมูลอะไรให้โมเดล", เพราะโมเดลมี context window จำกัด ต้องเลือกข้อมูลที่เกี่ยวข้องที่สุด

ตารางเปรียบเทียบ: DeepSeek Harness vs OpenAI Codex Harness

มิติ	DeepSeek Harness	OpenAI Codex Harness
แนวคิด	Everything is a Plugin	เปิดโครงสร้างใต้ฮู้ด Codex
License	MIT	Apache-2.0
Sub-agent	Claude Code + Codex	ยังไม่เปิด
Stars	182K (9 วัน)	ใหม่กว่า
จุดเด่น	ประกอบ agent เองได้ลึก	ARC-AGI-3 13.3% → 38.3%

องค์ประกอบหลัก (ผู้เล่นในชั้นนี้)

DeepSeek Harness

• แนวคิด: "Everything is a Plugin", ทุกส่วนเป็น plugin ที่สลับ/ต่อได้
• จุดเด่น: เรียก Claude Code และ Codex เป็น sub-agent ได้
• ตัวเลข: 182K stars ใน 9 วัน (เร็วสุดในประวัติศาสตร์ GitHub)
• License: MIT

OpenAI Codex Harness

• แนวคิด: เปิดซอร์สโครงสร้างที่อยู่ใต้ฮู้ดของ Codex
• จุดเด่น: Apache-2.0, 3 องค์ประกอบ (codex exec CLI, app-server, JSON-RPC)
• ผลลัพธ์: ARC-AGI-3 13.3% → 38.3%, token ลด 6 เท่า [3]

Memory Systems

• Zep, เก็บความจำระยะยาวให้ agent
• Mem0, memory layer สำหรับ agent

ตัวอย่างจริง: Claude Code แก้ bug 1 ตัว

ขอเล่า "การทำงานจริง" ของ agent loop ผ่านตัวอย่าง:

1. รับคำสั่ง, "แก้ bug ที่หน้า login"
2. คิด, โมเดลคิดว่าต้องอ่านไฟล์ login.py ก่อน
3. เรียก tool, runtime เรียก tool "อ่านไฟล์"
4. ดูผล, โมเดลเห็นเนื้อหา login.py
5. คิดต่อ, โมเดลพบว่า bug อยู่บรรทัด 42 (ลืมตรวจ password)
6. เรียก tool, runtime เรียก tool "แก้ไฟล์"
7. ดูผล, โมเดลเห็นว่าแก้แล้ว
8. คิดต่อ, โมเดลตรวจว่ายังมี bug อื่นไหม
9. วนซ้ำ, ทำจนมั่นใจว่าแก้ครบ

นี่คือ "agent loop" ที่เกิดขึ้นทุกครั้งที่คุณใช้ Claude Code, Codex, หรือ Cursor [2]

สถานะ + แนวโน้ม: สงคราม Harness

ทำไมชั้นนี้ถึง "ร้อน"

ชั้น 4 เป็นชั้นที่ "ยังไม่ commodity" และ "มี moat", ต่างจากชั้น 3 (โมเดล) ที่กลายเป็น commodity ไปแล้ว

นี่คือเหตุผลที่ "สงคราม" เกิดที่ชั้นนี้:

• DeepSeek เปิด Harness → 182K stars ใน 9 วัน
• OpenAI ตอบโต้ด้วยการเปิดซอร์ส Codex Harness (Apache-2.0)

แนวโน้ม

1. "เปิดโครงสร้าง" กำลังชนะ, ทั้งคู่เลือก "เปิดซอร์ส" แทน "ปิด"
2. "Everything is a Plugin" กำลังเป็นมาตรฐาน, แนวคิดที่ทุกส่วนเป็น plugin
3. Multi-agent กำลังมา, เรียก Claude Code + Codex เป็น sub-agent ใน workflow เดียว

มุมสมดุล: สิ่งที่ต้องรู้ก่อนใช้

1. Harness ยังใหม่มาก, DeepSeek Harness เปิดมา 9 วัน, ecosystem ยังไม่นิ่ง, plugin บางส่วนยังทดลอง
2. ไม่ใช่ตัวแทน Claude Code / Codex, โจทย์คนละแบบ: สองตัวนั้นคือ "พร้อมใช้" ส่วน Harness คือ "เปิดโครงสร้างให้ประกอบเอง"
3. ต้องมีพื้นฐาน agent infra, ถ้าแค่อยากได้เครื่องมือ coding ที่เปิดมาแล้วทำงานเลย Claude Code หรือ Codex ตรงกว่า
4. ตัวเลขดาว ≠ พร้อมใช้ production, 182K stars บอกแค่ว่า "community สนใจ" ไม่ได้แปลว่า "เสถียร"

สรุป

Agent Runtime คือ "เครื่องยนต์" ที่ทำให้โมเดล "ลงมือทำ" ได้, ผ่าน agent loop (คิด → ทำ → ดูผล → คิดต่อ)

ชั้นนี้กำลังเกิด "สงคราม Harness", DeepSeek vs OpenAI แย่งกันเป็น "เครื่องยนต์มาตรฐาน" ของวงการ agent

บทความถัดไป: ชั้นที่ 5 (Orchestration), "วาทยกร" ที่ประสานหลาย agent ให้ทำงานร่วมกัน

---

สรุปมุมมองของผม

ผมมองว่า "agent loop" เป็นแนวคิดที่ "เรียบง่ายแต่ทรงพลัง" ที่สุดในชั้นนี้, เพราะจากวงจร "คิด → ทำ → ดูผล → คิดต่อ" ธรรมดาๆ กลับกลายเป็น "ความสามารถในการทำงานหลายขั้น" ที่เปลี่ยนโมเดลจาก "กล่องตอบคำถาม" เป็น "ผู้ช่วยที่ลงมือทำได้"

และผมเชื่อว่า "สงคราม Harness" นี้จะกำหนดว่า "agent รุ่นต่อไป" หน้าตาเป็นยังไง, เพราะใครชนะชั้นนี้ ก็ชนะ "โครงสร้าง" ของ agent ทั้งหมด

คุณเคยสงสัยไหมว่า "agent คิดยังไง"? คอมเมนต์บอกผมได้ครับ

ลองคิดตาม

ถ้าคุณอยากเห็น "agent loop" ด้วยตาตัวเอง ลองใช้ Claude Code หรือ Cursor สั่งงานที่ต้อง "หลายขั้น" เช่น "หาว่าโปรเจกต์นี้ใช้ library อะไร แล้วอัปเดตให้เป็นเวอร์ชันล่าสุด"

แล้วสังเกตว่า agent "วน" กี่รอบ, อ่านไฟล์ → คิด → แก้ → ตรวจ → แก้อีก, นี่คือ "agent loop" ที่ทำงานอยู่เบื้องหลัง

แหล่งอ้างอิง

[1] AIMultiple. "The 7 Layers of Agentic AI Stack". 2026. https://aimultiple.com/agentic-ai-stack

[2] DeepSeek. "deepseek-ai/deepseek-harness". GitHub. 2026. https://github.com/deepseek-ai/deepseek-harness

[3] OpenAI. "Unlocking the Codex Harness". 2026. https://openai.com/index/unlocking-the-codex-harness/

---

บทความนี้เป็นส่วนหนึ่งของซีรีส์ "จักรวาล AI Agent" ข้อมูล ณ 22 สิงหาคม 2026 Nokka

บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ภายใต้การดูแลของ Nokka