JIT-Agent โมเดล 27B ที่ไม่ทำงานเอง แต่เขียน Harness ให้ AI ตัวอื่น

โดย Nokka (นก-กา) | กันยายน 2026

บทความนี้เขียนโดย AI (GLM-5.3) ผ่าน Hermes Agent — ตรวจสอบและเรียบเรียงโดย Nokka

นึกภาพบริษัทแห่งหนึ่งที่มีพนักงานเก่งมาก แต่ทุกงานทุกแผนกต้องทำตามคู่มือฉบับเดียวกัน ทั้งงานขาย งานบัญชี งานไอที ใช้ระเบียบวิธีเดียวกันหมด บางงานก็ลื่นไหล บางงานก็ฝืนจนทำงานเสียเวลา พนักงานเก่งแค่ไหนก็ยังติดขัดเพราะต้องเดินตามทางที่ออกแบบไว้ล่วงหน้าสำหรับ "งานทั่วไป" ไม่ใช่งานที่เขากำลังทำอยู่จริง

AI Agent วันนี้ก็เป็นแบบนั้น เราสร้าง agent ด้วย harness (โครงรองรับการทำงาน) แบบตายตัว ทุก task ต้องวิ่งผ่าน planner เดิม memory เดิม ชุดเครื่องมือเดิม ไม่ว่างานจะเป็นการค้นคว้างานวิจัยหรือการเลือกซื้อของออนไลน์

งานวิจัยชิ้นใหม่จาก Shanghai Jiao Tong University และ National University of Singapore ตั้งคำถามว่า ถ้าแต่ละงานสามารถสร้าง harness ที่เหมาะกับตัวเองได้ตั้งแต่ก่อนเริ่มทำงานล่ะ [1]

โมเดลที่เขียนขั้นตอนการทำงาน ไม่ใช่โมเดลที่ลงมือทำ

JIT-Agent คือคำตอบของคำถามนั้น เป็นโมเดล open-source ขนาด 27B ที่หน้าที่ของมันแปลกไปจาก agent ทั่วไป มันไม่ได้ลงมือทำ task เอง แต่ทำหน้าที่เป็นนักออกแบบระเบียบวิธี หรือที่งานวิจัยเรียกว่า Model-as-a-Harness เมื่อได้รับ task และรายการเครื่องมือที่มี มันจะเขียนไฟล์ Python พร้อม prompt configuration ขึ้นมาเป็น harness สำหรับงานนั้นโดยเฉพาะ แล้วให้โมเดลอื่นที่เก่งอยู่แล้วลงมือทำงานผ่าน harness ที่มันออกแบบ [1][2]

Harness ที่ถูกสร้างขึ้นแบ่งเป็น 4 ส่วนที่ต้องมีครบ ใช้อุปมาบริษัทก็คือ ส่วนแรกคือ Memory ทำหน้าที่เลือกว่าพนักงานควรจำเรื่องไหนไว้บ้างในแต่ละขั้น ประวัติทั้งหมดไม่จำเป็นต้องจำทั้งหมด เลือกเฉพาะสิ่งที่มีผลต่องานตรงหน้า ส่วนที่สองคือ Planning แปลงบริบทให้กลายเป็นคำสั่งลัดสำหรับ action ถัดไป ไม่ใช่แผนใหญ่ครอบคลุมทุกอย่าง ส่วนที่สามคือ Tool Policy กำหนดว่าแต่ละขั้นเปิดให้ใช้เครื่องมืออะไรได้บ้าง เหมือนการจำกัดว่าพนักงานบัญชีไม่ควรไปแตะระบบคลังสินค้า

ส่วนที่สี่คือ Action เป็นตัวประกอบ prompt เรียกโมเดล และตีความผลลัพธ์ว่าจะต่อด้วย tool call หรือจบงาน [1]

จุดที่น่าสนใจที่สุดคือ โมเดลที่ลงมือทำงานจริงไม่ได้ถูกเทรนใหม่หรือแก้ไข weights แม้แต่นิดเดียว JIT-Agent เปลี่ยนเฉพาะระเบียบวิธีการทำงาน แต่ให้โมเดลตัวเดิมทำงานผ่าน harness ที่ออกแบบมาเฉพาะสำหรับงานนั้น

ผลลัพธ์ที่หนักแน่นกว่าที่คิด

ตัวเลขที่ออกมา

ตัวเลขจากงานวิจัยน่าสนใจกว่าที่คาด DeepSeek-V4-Flash ซึ่งเป็นโมเดลระดับกลาง เมื่อมี JIT-Agent เป็นนักออกแบบ harness สามารถแซง GPT-5.6 ที่เป็นโมเดลระดับแนวหน้าได้ใน benchmark งานวิจัยเชิงลึกและงานหลายขั้นตอน ขณะที่ GLM-5.2 ที่เก่งอยู่แล้วได้คะแนนเพิ่มสูงสุดถึง 20.2 คะแนน [1][3]

ที่น่าประทับใจไม่แพ้กันคือ harness ที่ถูกสร้างขึ้นยังช่วยลดค่าใช้จ่าย งานวิจัยระบุว่าค่า API เฉลี่ยต่อ task ลดลงราว 36% เพราะ harness ที่ออกแบบเฉพาะงานเลือกใช้เครื่องมืออย่างประหยัดกว่าและบริหาร memory ดีกว่า [3] และเมื่อเทียบกับ runtime ที่โตแล้วอย่าง OpenCode หรือ Claude Code ผลลัพธ์ก็สูสีกันได้

ข้อจำกัดของงานนี้ก็มี ผลลัพธ์ทั้งหมดมาจากการทดสอบใน benchmark ที่ควบคุมสภาพแวดล้อม ยังไม่มีการยืนยันใน production จริง และ JIT-Agent เองก็ต้องการ GPU ระดับ server ในการรัน meta-model ซึ่งไม่ใช่ของที่ทุกทีมมีติดบ้าน

ในมุมมองของผม ตัวเลขเหล่านี้บอกเรื่องสำคัญที่มากกว่าตัว JIT-Agent เอง นั่นคือความฉลาดของระบบ agent ไม่ได้อยู่ที่ตัวโมเดลเพียงอย่างเดียว แต่การออกแบบโครงรองรับการทำงานก็เป็นมิติของความฉลาดที่แยกจากการ scale โมเดล และสำคัญไม่แพ้กัน

จากห้องแล็บสู่เครื่องของเรา

ใช้ได้จริงไหม

คำถามที่ตามมาคือ เอามาใช้ได้จริงไหม โมเดล JIT-Agent-27B เป็น fine-tune จาก Qwen3.6-27B เผยแพร่บน Hugging Face พร้อม dataset สอนการสร้าง harness และรหัสเต็มบน GitHub [2][4] ใช้งานได้เลยถ้ามี GPU ระดับ server หรือบริการ vLLM ของตัวเอง สำหรับคนที่ใช้โน้ตบุ๊ก M-series RAM 64GB รันได้ด้วย quantization แต่ต้องแลกกับความเร็วและ JIT-Agent ทำงานแบบ generate หลาย candidate ต่อ task ทำให้เวลาที่เสียไปกับการออกแบบอาจยาวเกินไปสำหรับงานเล็ก

แต่สำหรับผู้ที่สนใจแนวคิดโดยไม่ต้องรันโมเดลเอง ของฟรีที่คุ้มที่สุดใน repo คือ harness_factory ที่รวม hand-written harnesses จำนวน 11 แบบพร้อม design write-ups อ่านแล้วนำมาปรับเป็นแนวทางออกแบบ workflow ของตัวเองได้เลย [2]

และถ้ามองให้ลึกกว่านั้น คนที่ใช้ agent พร้อมระบบ skill อยู่แล้วเช่น Hermes ก็กำลังทำสิ่งที่ใกล้เคียงกันโดยไม่รู้ตัว ทุกครั้งที่เราสรุปบทเรียนจากงานที่พลาดแล้วเก็บเป็น skill ใหม่ นั่นคือการเขียน harness ให้ระบบตัวเองแบบ manual JIT-Agent เพิ่มการทำให้กระบวนการนี้เป็นอัตโนมัติและต่อ task มากขึ้น

ก้าวถัดไปของ Agent Engineering

งานวิจัยนี้ไม่ได้มาลอย ๆ ในปีเดียวกันนี้ยังมีงานแนวเดียวกันอีกหลายชิ้นเช่น Harness-R1 ที่เรียนแก้ harness จาก failure trajectories หรือ MemoHarness และ EvoHarness-RL ที่พัฒนา harness จากประสบการณ์สะสม [4] สัญญาณเหล่านี้ชี้ตรงกันว่าวงการกำลังเปลี่ยนจากการออกแบบ agent architecture แบบเดียวใช้กับทุกงาน ไปสู่การสร้าง architecture ที่เหมาะกับแต่ละงานโดยเฉพาะ

ถ้าคุณกำลังสนใจ self-improving agents ลองเริ่มจากอ่าน 11 harnesses ใน repo ของ JIT-Agent แล้วถามตัวเองว่า workflow ที่คุณใช้อยู่ทุกวันนี้ ถ้าออกแบบใหม่เฉพาะกับงานที่เจอบ่อยที่สุดของคุณ จะหน้าตาเป็นแบบไหน คำตอบของคำถามนั้นอาจมีค่ามากกว่าการรอโมเดลตัวใหม่อีกหลายเวอร์ชัน

แหล่งอ้างอิง

[1] Zhang, G. et al., "JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution" (arXiv:2608.25593, 2026), https://arxiv.org/abs/2608.25593

[2] bingreeky/JIT, GitHub (2026), https://github.com/bingreeky/JIT

[3] alphaXiv, "JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution" (2026), https://www.alphaxiv.org/abs/2608.25593

[4] Hugging Face, "JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution" (2026), https://huggingface.co/papers/2608.25593