บทที่ 1 — AI Agent คืออะไร และ "Self-Improving" แปลว่าอะไร
โดย Nokka (นก-กา) | กันยายน 2026
บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ผ่าน Hermes Agent — ตรวจสอบและเรียบเรียงโดย Nokka
ก่อนจะพูดถึง "self-improving" เราต้องตกลงกันก่อนว่า "AI Agent" คืออะไร เพราะคำนี้ถูกใช้กันจนเลอะเทอะ — บางคนเรียก chatbot ว่า agent บางคนเรียกระบบอัตโนมัติว่า agent ทั้งที่มันคนละเรื่องกัน
โมเดล กับ Agent ต่างกันยังไง
ลองนึกภาพสมองกับคนทั้งคน
โมเดล (Model) คือสมอง — มันคือโครงข่ายประสาทเทียมที่ถูกเทรนมาด้วยข้อมูลมหาศาล มันรู้วิธี "คิด" และ "ตอบ" แต่ตัวมันเองทำอะไรไม่ได้ มันนั่งอยู่เฉย ๆ รอคนป้อนคำถามเข้าไป แล้วคายคำตอบออกมา
Agent คือคนทั้งคน — มันมีสมอง (โมเดล) แต่ยังมีตา หู มือ และขา มันมองเห็นสภาพแวดล้อม ตัดสินใจว่าจะทำอะไร แล้วลงมือทำจริง ๆ
ถ้าให้เทียบง่าย ๆ โมเดลคือ "เครื่องคิดเลขที่ฉลาดมาก" ส่วน agent คือ "พนักงานที่ใช้เครื่องคิดเลขนั้นทำงานจริง"
วงจรการทำงานของ agent ทุกตัวเหมือนกันหมด เรียกว่า perceive → reason → act (รับรู้ → คิด → ลงมือ):
- Perceive (รับรู้): agent มองเห็นสภาพแวดล้อม — อ่านหน้าเว็บ ดูผลลัพธ์ของโค้ด อ่านข้อความที่ได้รับ
- Reason (คิด): โมเดลประมวลผลสิ่งที่เห็น แล้วตัดสินใจว่าขั้นต่อไปควรทำอะไร
- Act (ลงมือ): agent ลงมือทำจริง — เรียกใช้เครื่องมือ เขียนโค้ด คลิกปุ่ม ส่งข้อความ
แล้ววงจรก็วนกลับไปเริ่มใหม่ — agent เห็นผลของการกระทำ แล้วคิดต่อ แล้วทำต่อ ไปเรื่อย ๆ จนงานเสร็จ
นี่คือสิ่งที่ทำให้ agent ต่างจาก chatbot ธรรมดา: chatbot ตอบแล้วจบ แต่ agent ทำงานเป็นวงจรต่อเนื่องจนกว่าจะบรรลุเป้าหมาย
แผนที่จักรวาล AI Agent: 7 ชั้น
เพื่อให้เห็นภาพว่า agent อยู่ตรงไหนของโลก AI ลองมองเป็นตึก 7 ชั้น:
| ชั้น | ชื่อ | ทำอะไร | ตัวอย่าง |
|---|---|---|---|
| 7 | Observability & Governance | ตรวจสอบ/ควบคุม agent | LangSmith, Langfuse |
| 6 | Applications | ผลิตภัณฑ์ที่ผู้ใช้สัมผัส | Claude Code, Cursor, Hermes |
| 5 | Tooling & Enrichment | ขยายความสามารถ (RAG, data) | n8n, Zapier, Firecrawl |
| 4 | Orchestration | จัดการ flow ระหว่าง LLM กับโค้ด | LangGraph, CrewAI, AutoGen |
| 3 | Protocol | มาตรฐานให้ agent คุยกัน/เรียก tools | MCP, AGP |
| 2 | Agent Runtime | สภาพแวดล้อมที่ agent ถูก deploy/รัน | Zep, Mem0 |
| 1 | Foundation Models | โมเดล + compute + data | GPT, Claude, DeepSeek |
ประเด็นสำคัญที่ต้องจำไว้: "self-improving" เกิดได้ในหลายชั้น — มันอาจเกิดที่ชั้น 1 (โมเดลเทรนตัวเอง) หรือชั้น 2 (runtime เก็บความจำ) หรือชั้น 4 (orchestration ปรับ workflow ตัวเอง) ก็ได้ นี่คือเหตุผลที่คำว่า "self-improving agent" คลุมเครือ เพราะคนละคนพูดถึงคนละชั้น
"Self-Improving" แปลว่าอะไรกันแน่
นี่คือจุดที่คนสับสนมากที่สุด เพราะคำว่า "self-improving" ถูกใช้แทนความหมายที่ต่างกันถึง 3 อย่าง:
1. Reflection — คิดใหม่ (ไม่เปลี่ยนตัวเองจริง)
AI ทำงานเสร็จ แล้ว "ทบทวน" ผลงานตัวเอง แล้วลองใหม่ให้ดีขึ้น
ตัวอย่าง: AI เขียนโค้ด → รันแล้วเจอ bug → อ่าน error → เขียนโค้ดใหม่ → รันอีกครั้ง
นี่คือ self-improving แบบผิวเผินที่สุด — โมเดลไม่ได้เปลี่ยนไปเลย มันแค่ "คิดหลายรอบ" ภายในงานเดียว เหมือนนักเรียนที่ทำข้อสอบแล้วตรวจทานคำตอบก่อนส่ง
2. Self-Training — ฝึกตัวเอง (เปลี่ยนข้อมูล ไม่เปลี่ยนโครงสร้าง)
AI สร้างข้อมูลสอนตัวเอง แล้วใช้ข้อมูลนั้นเทรนตัวเองให้เก่งขึ้น
ตัวอย่าง: โมเดลทำโจทย์คณิตศาสตร์หลายข้อ → เก็บเฉพาะข้อที่ตอบถูกพร้อมวิธีคิด → ใช้ข้อมูลนั้นเทรนตัวเองอีกรอบ
นี่คือ self-improving ที่ลึกขึ้น — โมเดลเปลี่ยนไปจริง ๆ แต่น้ำหนัก (weights) ถูกปรับด้วยข้อมูลที่มันสร้างเอง ไม่ใช่ข้อมูลจากมนุษย์
3. Self-Modification — แก้ตัวเอง (เปลี่ยนโครงสร้าง/โค้ด/สถาปัตยกรรม)
AI แก้ไขโค้ดหรือสถาปัตยกรรมของตัวเองโดยตรง
ตัวอย่าง: agent เขียนโค้ดใหม่ให้กับ tool ของตัวเอง หรือปรับ prompt ของตัวเอง หรือแม้แต่แก้โค้ดที่ใช้รันตัวมันเอง
นี่คือ self-improving ที่ลึกที่สุด และอันตรายที่สุด — เพราะมันคือ "AI แก้ไขตัวมันเอง" อย่างแท้จริง
นิยามที่เราจะใช้ตลอดเล่มนี้
เพื่อไม่ให้สับสน เราจะยึดนิยามนี้:
Self-improving agent คือ agent ที่เปลี่ยนพฤติกรรมของตัวเองให้ดีขึ้นเมื่อเวลาผ่านไป โดยการเปลี่ยนแปลงนั้นขับเคลื่อนด้วยประสบการณ์ ข้อเสนอแนะ หรือข้อมูลที่ตัวมันเองสร้างขึ้น — ไม่ใช่การปรับแต่งจากมนุษย์
สังเกตสามคำสำคัญในนิยามนี้:
- "เปลี่ยนพฤติกรรม" — ไม่ใช่แค่ "คิดหลายรอบ" (reflection อย่างเดียวไม่นับ) แต่ต้องเปลี่ยนวิธีทำงานจริง ๆ
- "เมื่อเวลาผ่านไป" — การเก่งขึ้นต้องคงอยู่ ไม่ใช่แค่เก่งในงานเดียวแล้วลืม
- "ขับเคลื่อนด้วยตัวเอง" — ข้อมูลหรือสัญญาณที่ใช้ปรับปรุง ต้องมาจากตัว agent เอง ไม่ใช่จากมนุษย์มานั่ง label ให้
นิยามนี้สำคัญ เพราะมันช่วยแยก "ของจริง" ออกจาก "ของปลอม" — มีระบบมากมายที่อ้างว่า self-improving แต่จริง ๆ แล้วแค่มีมนุษย์คอยแก้ให้อยู่เบื้องหลัง
สรุปบทนี้
- โมเดล คือสมอง agent คือคนทั้งคนที่ใช้สมองนั้นทำงานเป็นวงจร perceive→reason→act
- จักรวาล AI agent มี 7 ชั้น และ self-improving เกิดได้หลายชั้น
- "Self-improving" มี 3 ความหมาย: reflection (คิดใหม่), self-training (ฝึกตัวเอง), self-modification (แก้ตัวเอง)
- เราจะยึดนิยามที่เข้มงวด: ต้องเปลี่ยนพฤติกรรมจริง ต้องคงอยู่ และต้องขับเคลื่อนด้วยตัวเอง
ในบทถัดไป เราจะดูว่า self-improvement มี "ระดับ" ต่างกันอย่างไร — จากระดับที่มนุษย์ทำทุกอย่าง ไปจนถึงระดับที่ AI ทำทุกอย่างเอง
📚 อ่านต่อในซีรีส์นี้
← บทก่อนหน้า: บทนำ
บทถัดไป: บทที่ 2: ระดับของ Self-Improvement (5 ระดับ) →
Top comments (0)