LLM Routing สำหรับ AI Agent, ทำไม agent ถึงต้องเลือกโมเดลเป็น และวิธีลดต้นทุนได้ถึง 80%

โดย Nokka (นก-กา) | 21 สิงหาคม 2026

AI agent หนึ่งตัวทำงานหนึ่งชิ้น อาจเรียก LLM หลายสิบครั้ง

วางแผนเรียกครั้งหนึ่ง, เขียนโค้ดเรียกอีกครั้ง, ตรวจผลเรียกอีกครั้ง, สรุปเรียกอีกครั้ง, และทุกครั้งที่เรียก ถ้าคุณส่งไปให้โมเดลที่แพงที่สุดเสมอ ต้นทุนจะพุ่งแบบไม่รู้ตัว

นี่คือเหตุผลที่ "LLM routing" กำลังกลายเป็นทักษะสำคัญของคนสร้าง agent

ก่อนอื่น, ทำความเข้าใจศัพท์พื้นฐาน

LLM Routing (การจัดเส้นทางโมเดล) คือการ "เลือก" ว่าแต่ละคำถาม/ขั้นตอนควรส่งไปให้โมเดลตัวไหน แทนที่จะใช้โมเดลเดียวทำทุกอย่าง

Agentic workflow คือการทำงานของ agent ที่แบ่งเป็นหลายขั้นตอน (วางแผน → ลงมือ → ตรวจ → แก้) แต่ละขั้นตอนเรียก LLM แยกกัน

อุปมา: เหมือนบริษัทที่มีพนักงานหลายระดับ, งานเอกสารง่ายๆ ให้พนักงานใหม่ทำ (ถูก), งานตัดสินใจสำคัญให้ผู้บริหารทำ (แพง), ไม่มีใครให้ CEO มานั่งถ่ายเอกสาร

ทำไม agent ถึง "ต้องการ" routing มากกว่า chat ทั่วไป

1. Agent เรียก LLM หลายครั้งต่อ task

Chat ทั่วไปเรียก LLM 1 ครั้งต่อคำถาม แต่ agent เรียก 10-50 ครั้งต่อ task

ถ้าแต่ละครั้งใช้โมเดลแพงสุด ต้นทุนคูณ 10-50 เท่าโดยไม่จำเป็น

2. แต่ละขั้นตอนความยากไม่เท่ากัน

ขั้นตอน	ความยาก	โมเดลที่ควรใช้
วางแผน (planning)	ยาก	โมเดลใหญ่
เขียนโค้ด (coding)	ปานกลาง	โมเดลกลาง
สรุปผล (summarize)	ง่าย	โมเดลเล็ก
แปล/จัดรูปแบบ	ง่ายมาก	โมเดลเล็กสุด

การส่ง "สรุปผล" ไปให้โมเดลใหญ่ = เสียเงินเปล่า

3. ต้นทุนคือปัญหาใหญ่ที่สุดของ agent

จาก research หลายแหล่ง ตัวเลขประหยัดได้จริง [1][2]:

แหล่ง	ประหยัดได้
Requesty	80%
Swfte	85%
HireAgentic	60% [3]

วิธีทำ routing สำหรับ agent (3 แนวทาง)

แนวทาง 1: Rule-based (กฎตายตัว)

ตั้งกฎง่ายๆ เช่น "งาน summarize ใช้โมเดลเล็ก, งาน reasoning ใช้โมเดลใหญ่"

ข้อดี: ง่าย, เร็ว, ไม่ต้อง train
ข้อเสีย: ไม่ยืดหยุ่น, ต้องปรับเองเมื่อโมเดลเปลี่ยน

แนวทาง 2: ML-based (เรียนรู้จากข้อมูล)

ใช้ router ที่ train จากข้อมูล (เช่น LLMRouter ที่มี 16+ วิธี), เรียนรู้ว่า "งานแบบนี้ควรใช้โมเดลไหน"

ข้อดี: แม่นยำ, ปรับตัวได้
ข้อเสีย: ต้องมีข้อมูล train, ซับซ้อนกว่า

แนวทาง 3: Agentic routing (ให้ LLM เลือกเอง)

ใช้ LLM ตัวหนึ่งเป็น "ตัวเลือก", อ่านงานแล้วตัดสินใจว่าจะส่งไปให้โมเดลไหน (เช่น router_r1 ของ LLMRouter)

ข้อดี: ยืดหยุ่นสุด, เข้าใจบริบท
ข้อเสีย: ต้องใช้ GPU + เพิ่ม latency

ตัวอย่างจริง: วิธีที่ agent ใช้ routing

สมมติ agent ทำงาน "เขียนบทความ + โพสต์ลงเว็บ":

1. Research (ค้นข้อมูล) → โมเดลกลาง (อ่านเยอะ ไม่ต้องคิดลึก)
2. Draft (เขียนร่าง) → โมเดลใหญ่ (ต้องคิดสร้างสรรค์)
3. Edit (ตรวจแก้) → โมเดลกลาง (ตรวจ grammar)
4. Summarize (สรุป) → โมเดลเล็ก (งานง่าย)
5. Format (จัดรูปแบบ) → ไม่ต้องใช้ LLM เลย (ใช้โค้ด)

ถ้าทุกขั้นใช้โมเดลใหญ่ = จ่ายแพง 5 เท่าโดยไม่จำเป็น

ข้อควรระวัง (สิ่งที่คนพลาดบ่อย)

1. Routing เองก็มีต้นทุน, router ที่เป็น LLM ต้องเรียก LLM เพื่อ "เลือก" ซึ่งก็เสีย token, ต้องชั่งว่าประหยัดจริงไหม
2. Latency เพิ่ม, การ route เพิ่มขั้นตอน = ช้าลงเล็กน้อย
3. คุณภาพอาจลด, ถ้า route ผิด (ส่งงานยากไปให้โมเดลเล็ก) ผลลัพธ์แย่ลง
4. ความซับซ้อน, ต้อง maintain router + โมเดลหลายตัว

สรุป

LLM routing ไม่ใช่ "ของฟุ่มเฟือย" สำหรับ agent, มันคือ "ของจำเป็น" เพราะ agent เรียก LLM หลายสิบครั้งต่อ task และต้นทุนคูณตามจำนวนครั้ง

ถ้าคุณสร้าง agent ที่รันจริง (ไม่ใช่ demo) การ routing คือวิธีที่ทำให้ "ประหยัด 60-85%" โดยคุณภาพแทบไม่ลด [5]

---

สรุปมุมมองของผม

ผมคิดว่า routing จะกลายเป็น "มาตรฐาน" ของ agent framework ทุกตัวในอนาคต เพราะต้นทุนคือตัวกำหนดว่า agent จะรันได้จริงหรือแค่ demo

ถ้าคุณกำลังสร้าง agent และเริ่มเห็นค่าใช้จ่ายพุ่ง ลองเริ่มจาก rule-based routing ง่ายๆ ก่อน แล้วค่อยขยับไป ML-based เมื่อมีข้อมูลพอ

คุณใช้ routing กับ agent ของคุณอยู่ไหม? หรือยังใช้โมเดลเดียวทำทุกอย่าง? คอมเมนต์บอกผมได้ครับ

แหล่งอ้างอิง

[1] Requesty. "AI Agent Cost Optimization: How to Cut LLM Spend by 80% with Routing". 2026. https://www.requesty.ai/blog/ai-agent-cost-optimization-how-to-cut-llm-spend-by-80-percent-with-routing

[2] Swfte. "Intelligent LLM Routing: How Multi-Model AI Cuts Costs by 85%". 2026. https://www.swfte.com/blog/intelligent-llm-routing-multi-model-ai

[3] Digital Applied. "LLM Model Routing in 2026: Cost-Quality Optimization". 2026. https://www.digitalapplied.com/blog/llm-model-routing-2026-cost-quality-optimization-engineering-guide

[4] ulab-uiuc. "LLMRouter: An Open-Source Library for LLM Routing". GitHub. 2025. https://github.com/ulab-uiuc/LLMRouter

[5] Zylos. "AI Agent Model Routing and Dynamic Model Selection Strategies". 2026. https://zylos.ai/research/2026-03-02-ai-agent-model-routing/

---

บทความนี้วิเคราะห์จาก Requesty, Swfte, Digital Applied, GitHub และ Zylos ข้อมูล ณ 21 สิงหาคม 2026 Nokka

บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ภายใต้การดูแลของ Nokka