Thanawat Wongchai

Posted on Jun 25 • Originally published at apidog.com

OpenAI AgentKit คืออะไร

OpenAI AgentKit คือชุดเครื่องมือสำหรับสร้าง ปรับใช้ และวัดผล AI agent บนแพลตฟอร์มของ OpenAI หากคุณเคยสร้าง agent เองและต้องดูแล orchestration, connector, prompt, eval script และ UI แยกกัน AgentKit คือแนวทางของ OpenAI ในการรวมชิ้นส่วนเหล่านี้ไว้ด้วยกัน บทความนี้สรุปว่า AgentKit มีอะไรบ้าง เหมาะกับใคร ควรเริ่มสร้างอย่างไรในปี 2026 และเครื่องมือทดสอบ API อย่าง Apidog ควรอยู่ตรงไหนเมื่อ agent ของคุณเริ่มเรียกใช้บริการภายนอก

ลองใช้ Apidog วันนี้

AgentKit คืออะไร

OpenAI เปิดตัว AgentKit ในงาน DevDay เมื่อวันที่ 6 ตุลาคม 2025 โดย AgentKit ไม่ใช่ผลิตภัณฑ์เดี่ยว แต่เป็นชุดส่วนประกอบที่ทำงานบน OpenAI API และ OpenAI Agents SDK เป้าหมายคือย่นระยะจาก “มีไอเดีย agent” ไปสู่ “มี agent ที่ใช้งานกับผู้ใช้จริงได้”

ก่อนมี AgentKit การสร้าง agent มักต้องทำหลายอย่างเอง เช่น:

เขียน orchestration logic
สร้าง connector สำหรับแต่ละแหล่งข้อมูล
ทำ evaluation pipeline เอง
ปรับ prompt ด้วยมือ
สร้าง UI แชทหรือ front-end สำหรับใช้งานจริง

AgentKit รวมเครื่องมือสำหรับงานเหล่านี้ไว้ในชุดเดียว แต่มีประเด็นสำคัญในปี 2026: OpenAI ประกาศเมื่อวันที่ 3 มิถุนายน 2026 ว่าจะยุติการใช้งาน AgentKit บางส่วน ได้แก่ Agent Builder และ Evals ดังนั้นหากคุณต้องการสร้างระบบที่ดูแลต่อได้ระยะยาว เส้นทางหลักควรเป็น Agents SDK มากกว่า visual workflow

ส่วนประกอบของ AgentKit

AgentKit เปิดตัวพร้อมส่วนประกอบหลัก 4 ส่วน แต่ละส่วนมีบทบาทและสถานะต่างกันในปี 2026

Agent Builder

Agent Builder คือ workspace แบบ visual สำหรับออกแบบ workflow ของ agent แบบหลายขั้นตอน คุณสามารถลากและวาง node, เชื่อม flow, preview การรันด้วย input จริง และ publish workflow snapshot แบบมี version ได้

สำหรับนักพัฒนา จุดสำคัญคือ Agent Builder ไม่ได้แยกจากโค้ดโดยสิ้นเชิง เพราะมีแท็บ Agents SDK ที่ส่งออก workflow เป็นโค้ด Python หรือ TypeScript ได้ คุณจึงใช้ visual builder เพื่อ prototype แล้วนำโค้ดไปต่อใน environment ของทีมได้

อย่างไรก็ตาม OpenAI กำลังยกเลิก Agent Builder โดยจะปิดแพลตฟอร์มวันที่ 30 พฤศจิกายน 2026 ตาม หน้าประกาศการยุติการใช้งาน ดังนั้นถ้าเริ่มโปรเจกต์ใหม่ ให้ใช้ Agent Builder เป็นเครื่องมือ prototype เท่านั้น และวางแผนย้าย workflow ไปยัง Agents SDK

ChatKit

ChatKit คือ UI แชทที่ฝังในแอปของคุณได้ แทนที่จะสร้าง chat interface เองตั้งแต่ศูนย์ คุณสามารถใส่ web component, ชี้ไปยัง workflow ID ที่ publish แล้ว และปรับแต่ง theme หรือ behavior ได้

ChatKit จัดการงานทั่วไปของ UI agent เช่น:

streaming response
thread
chat interaction
embedding ลงในผลิตภัณฑ์

ChatKit ยังใช้งานได้ และเป็นส่วนของ AgentKit ที่ได้รับผลกระทบน้อยจากการเปลี่ยนแปลงปี 2026

Connector Registry

Connector Registry คือพื้นที่สำหรับ admin ในการจัดการการเชื่อมต่อข้อมูลและเครื่องมือในผลิตภัณฑ์ของ OpenAI ทั้ง ChatGPT และ API

ตัวอย่าง connector ที่รองรับ ได้แก่:

Dropbox
Google Drive
SharePoint
Microsoft Teams
MCP server ของบุคคลที่สาม

แนวคิดคือให้องค์กรควบคุมได้ว่า agent เข้าถึงข้อมูลหรือเครื่องมือใดได้บ้างจากศูนย์กลางเดียว

ถ้าคุณต้องการเข้าใจฝั่ง MCP เพิ่มเติม อ่านคู่มือ เซิร์ฟเวอร์ MCP และ OpenAI Agents SDK

Evals และการเพิ่มประสิทธิภาพ

Evals เพิ่มความสามารถด้านการวัดคุณภาพของ agent เช่น:

dataset สำหรับทดสอบ
trace grading สำหรับให้คะแนนแต่ละขั้นตอนของ multi-agent run
prompt optimization อัตโนมัติ
การให้คะแนนเทียบกับโมเดลของบุคคลที่สาม ไม่จำกัดเฉพาะ OpenAI

แต่เช่นเดียวกับ Agent Builder, Evals กำลังถูกยุติการใช้งาน โดยจะเป็นแบบอ่านอย่างเดียวสำหรับผู้ใช้เดิมวันที่ 31 ตุลาคม 2026 และปิดตัววันที่ 30 พฤศจิกายน 2026

AgentKit เกี่ยวข้องกับ Agents SDK อย่างไร

ให้มอง AgentKit เป็นชุดเครื่องมือรอบ ๆ Agents SDK:

Agents SDK คือ framework ระดับโค้ดสำหรับกำหนด agent, tool, handoff และ guardrails
Agent Builder คือ visual layer ที่สร้าง workflow และ export เป็นโค้ด SDK ได้
ChatKit คือ layer สำหรับฝังประสบการณ์แชท
Connector Registry คือ layer สำหรับจัดการ connector และ MCP server
Evals คือ layer สำหรับวัดผลและปรับ prompt

เลเยอร์	คืออะไร	สถานะในปี 2026
Agents SDK	framework โค้ดสำหรับกำหนด agent, tool และ guardrails	ใช้งานอยู่ และเป็นเส้นทางระยะยาวที่แนะนำ
Agent Builder	workspace แบบ visual ที่ export โค้ด Agents SDK ได้	ถูกยกเลิก ปิดตัว 30 พ.ย. 2026
ChatKit	UI แชทที่ฝังได้ ผูกกับ workflow ID	ใช้งานได้
Connector Registry	admin panel สำหรับ connector และ MCP server	ใช้งานได้
Evals	trace grading และ prompt optimization	อ่านอย่างเดียว 31 ต.ค. 2026, ปิดตัว 30 พ.ย. 2026

คำแนะนำเชิงปฏิบัติ:

ถ้าคุณสร้างระบบสำหรับ production และต้อง maintain ต่อ: ใช้ Agents SDK
ถ้าคุณต้องการ prototype แบบ visual: ใช้ Agent Builder แล้ว export เป็นโค้ด
ถ้าต้องการ UI แชท: ใช้ ChatKit
ถ้าต้องควบคุม data access ในองค์กร: ใช้ Connector Registry

AgentKit เหมาะกับใคร

AgentKit เหมาะกับทีมที่ต้องการลดงานซ้ำในการสร้าง agent:

ทีม product ที่ต้องการ prototype agent เร็ว
ทีม engineering ที่ต้องการ framework สำหรับกำหนด agent และ tool แบบชัดเจน
องค์กรที่ต้องการควบคุม connector และ data access
ทีมที่ต้องการนำ agent ไปใช้งานผ่าน UI แชท

แต่เมื่อพิจารณาการยกเลิก Agent Builder และ Evals ในปี 2026 แนวทางที่ปลอดภัยสำหรับนักพัฒนาคือ:

เริ่มจาก Agents SDK และใช้ส่วนอื่นของ AgentKit เฉพาะเมื่อเหมาะกับ use case

ขั้นตอนการสร้าง agent ในระดับสูง

ไม่ว่าคุณจะเริ่มจาก visual builder หรือโค้ด ขั้นตอนหลักจะคล้ายกัน

1. กำหนดหน้าที่ของ agent

ตอบคำถามเหล่านี้ก่อน:

agent ต้องทำงานอะไร
ต้องใช้ข้อมูลจากที่ไหน
ต้องเรียก API หรือ service ใด
มีข้อจำกัดด้าน permission หรือ compliance หรือไม่

ตัวอย่างงานของ agent:

ค้นหาคำสั่งซื้อล่าสุดของลูกค้า
สรุป ticket จากระบบ support
ตรวจสอบสถานะ shipment
ดึงข้อมูลจาก CRM

2. ออกแบบ workflow

ถ้าใช้ Agent Builder คุณจะลาก node และเชื่อม flow

ถ้าใช้ Agents SDK คุณจะกำหนด agent, tool และ handoff ด้วยโค้ด เช่น:

// ตัวอย่างเชิงแนวคิด: กำหนด agent พร้อม tool
const supportAgent = {
  name: "support_agent",
  instructions: "ช่วยตอบคำถามลูกค้าจากข้อมูลคำสั่งซื้อ",
  tools: [getRecentOrders]
};

3. เพิ่ม guardrails

ควรเพิ่ม guardrails เพื่อจัดการความเสี่ยง เช่น:

ซ่อนหรือแจ้งเตือนข้อมูล PII
ตรวจจับ prompt injection
จำกัด tool ที่เรียกใช้ได้
validate input ก่อนส่งเข้า tool

OpenAI มี guardrails แบบ open-source ที่ใช้เป็น workflow node หรือ standalone library ได้

4. เชื่อมต่อข้อมูลและเครื่องมือ

Agent มักเรียกใช้เครื่องมือผ่าน:

function tool
HTTP API
MCP server
connector ที่องค์กรอนุญาต

จุดนี้คือส่วนที่ควรออกแบบ schema ให้ชัด เพราะโมเดลจะตัดสินใจเรียก tool จาก description และ parameter schema

5. ทดสอบและประเมินผล

ทดสอบอย่างน้อย 3 ระดับ:

ทดสอบ tool/API แยกจาก agent
ทดสอบ agent run ด้วย input จริง
ทดสอบ edge case เช่น API timeout, empty result, invalid response

6. ปรับใช้

ตัวเลือกหลักคือ:

ฝัง UI ด้วย ChatKit
รันโค้ด Agents SDK บน infrastructure ของคุณเอง
ใช้ Connector Registry เพื่อควบคุม data access

ตัวอย่างที่สมจริง: tool ที่ agent เรียกใช้

agent จะทำงานได้ดีเท่ากับ tool ที่มันเรียกใช้ได้ และ tool ส่วนใหญ่คือ HTTP API

สมมติคุณต้องการให้ agent ดึงคำสั่งซื้อล่าสุดของลูกค้า คุณอาจกำหนด tool schema แบบนี้:

{
  "type": "function",
  "name": "get_recent_orders",
  "description": "ค้นหาคำสั่งซื้อล่าสุดของลูกค้าด้วย ID ลูกค้า",
  "parameters": {
    "type": "object",
    "properties": {
      "customer_id": {
        "type": "string",
        "description": "ตัวระบุเฉพาะของลูกค้า"
      },
      "limit": {
        "type": "integer",
        "description": "จำนวนคำสั่งซื้อที่จะส่งคืน",
        "default": 5
      }
    },
    "required": ["customer_id"],
    "additionalProperties": false
  }
}

เมื่อโมเดลตัดสินใจเรียก get_recent_orders โค้ดของคุณจะรับ argument แล้วเรียก API จริง เช่น:

curl https://api.your-company.com/v1/customers/cus_8842/orders?limit=5 \
  -H "Authorization: Bearer $ORDERS_API_KEY" \
  -H "Content-Type: application/json"

จุดที่ต้องระวังคือ agent จะ reasoning ต่อจาก response ที่ API ส่งกลับมา ถ้า API:

ช้า
ล่ม
ส่ง field ผิดชื่อ
response ไม่ตรง schema
คืนข้อมูลว่างโดยไม่อธิบาย

agent ก็มีโอกาสตอบผิดหรือเลือก workflow ผิดได้

ดังนั้น API ที่เป็น tool ของ agent ควรถูก test และ mock ตั้งแต่ต้น ไม่ใช่รอจนเชื่อม agent เสร็จแล้วค่อยตรวจ

การทดสอบและ Mock API เข้ามามีบทบาทอย่างไร

Apidog ไม่ใช่ agent framework และไม่ได้สร้าง agent แทน AgentKit หรือ Agents SDK แต่ Apidog อยู่ใน layer ด้านล่าง: ใช้สำหรับทดสอบ mock และจัดทำเอกสาร API ที่ agent เรียกใช้

1. Mock API ก่อน backend พร้อม

ถ้า agent ต้องเรียก service คำสั่งซื้อ แต่ทีม backend ยังสร้างไม่เสร็จ คุณสามารถ สร้าง Mock API ที่คืน response ตาม schema ที่ตกลงกันไว้

สิ่งที่ควร mock:

success response
empty result
validation error
unauthorized
timeout หรือ slow response
field ที่ optional

ตัวอย่าง mock response:

{
  "customer_id": "cus_8842",
  "orders": [
    {
      "order_id": "ord_1001",
      "status": "shipped",
      "total": 1290,
      "currency": "THB"
    }
  ]
}

ข้อดีคือ frontend, agent logic และ backend contract พัฒนาไปพร้อมกันได้โดยไม่ต้องรอกัน

2. ตรวจว่า response ตรงกับสิ่งที่ agent คาดหวัง

API ที่คืน 200 OK แต่ field ผิดชื่ออันตรายกว่าการ fail ชัดเจน เพราะโมเดลอาจพยายาม reasoning จากข้อมูลที่ผิด

ควรเขียน กรณีทดสอบ API เพื่อตรวจอย่างน้อย:

status code
response schema
required fields
data type
error format
response time

ตัวอย่าง assertion ที่ควรมี:

pm.test("response has orders array", function () {
  pm.expect(pm.response.json().orders).to.be.an("array");
});

pm.test("order has required fields", function () {
  const order = pm.response.json().orders[0];
  pm.expect(order).to.have.property("order_id");
  pm.expect(order).to.have.property("status");
  pm.expect(order).to.have.property("total");
});

3. แยก environment และ secret

tool ของ agent มักต้องใช้ secret เช่น:

ORDERS_API_KEY=...
CRM_API_KEY=...
INTERNAL_API_TOKEN=...

ควรแยก environment อย่างน้อย:

local
dev
staging
production

และไม่ควร hardcode key ในโค้ด agent

คุณสามารถ ดาวน์โหลด Apidog แล้วนำ endpoint ของ tool เข้ามาใน project เพื่อทดสอบแยกจาก runtime ของ agent ได้

อ่านเพิ่มเติม: วิธีทดสอบการเรียกใช้เครื่องมือของ AI agent

Checklist สำหรับสร้าง agent ที่เรียก API ภายนอก

ใช้ checklist นี้ก่อนนำ agent ไปใช้งานจริง:

[ ] tool ทุกตัวมี JSON schema ชัดเจน
[ ] description ของ tool บอกว่าใช้เมื่อไรและไม่ควรใช้เมื่อไร
[ ] API ที่ tool เรียกมี mock response
[ ] มี test case สำหรับ success และ error
[ ] response schema ถูก validate
[ ] secret ไม่ถูก hardcode
[ ] แยก base URL ตาม environment
[ ] มี timeout และ retry policy
[ ] มี logging สำหรับ tool call
[ ] มี guardrails สำหรับข้อมูล sensitive

คำถามที่พบบ่อย

OpenAI AgentKit ฟรีหรือไม่

เครื่องมือของ AgentKit ทำงานบนการใช้งาน OpenAI API ของคุณ ดังนั้นค่าใช้จ่ายหลักคือค่า token ของโมเดลและค่า API/tool call ที่ agent สร้างขึ้น ไม่มี subscription แยกเฉพาะสำหรับ AgentKit ตามข้อมูลในบทความนี้ ควรตรวจสอบราคาปัจจุบันจากแพลตฟอร์มของ OpenAI เสมอ เพราะราคาโมเดลอาจเปลี่ยนได้

ความแตกต่างระหว่าง AgentKit กับ Agents SDK คืออะไร

Agents SDK คือ framework ระดับโค้ดสำหรับกำหนด agent, tool และ guardrails ส่วน AgentKit คือชุดเครื่องมือที่กว้างกว่า ซึ่งรวม Agent Builder, ChatKit, Connector Registry และ Evals ไว้รอบ SDK

เมื่อ Agent Builder และ Evals ถูกยุติการใช้งานในช่วงปลายปี 2026 เส้นทางที่คงทนสำหรับทีมวิศวกรคือ Agents SDK อ่านคู่มือเพิ่มเติมได้ที่ คู่มือ Agents SDK

Agent Builder กำลังจะถูกยกเลิกหรือไม่

ใช่ OpenAI ประกาศเมื่อวันที่ 3 มิถุนายน 2026 ว่าจะยกเลิก Agent Builder และ Evals โดยทั้งสองจะปิดตัววันที่ 30 พฤศจิกายน 2026 และ Evals จะเป็นแบบอ่านอย่างเดียววันที่ 31 ตุลาคม 2026

ChatKit ยังใช้งานได้ และ OpenAI แนะนำให้ย้าย workflow ที่เน้นโค้ดไปยัง Agents SDK ส่วน workflow ที่ใช้ภาษาธรรมชาติให้ใช้ Workspace Agents ใน ChatGPT

ฉันสามารถทดสอบ API ที่ agent ของ AgentKit เรียกใช้ได้หรือไม่

ได้ และควรทำ ทุก tool ที่ agent เรียกใช้คือ HTTP API ที่มี request และ response คุณควร mock API เหล่านั้นระหว่างพัฒนา ตรวจ response schema และจัดการ key แยกตาม environment แพลตฟอร์มอย่าง Apidog ช่วยจัดการงานเหล่านี้ก่อนที่ agent จะไปถึงผู้ใช้จริง

สรุป

AgentKit ช่วยให้นักพัฒนา OpenAI สร้าง agent ได้เร็วขึ้นผ่าน Agent Builder, ChatKit, Connector Registry และ Evals แต่ในปี 2026 Agent Builder และ Evals กำลังถูกยุติการใช้งาน ดังนั้นทีมวิศวกรควรลงทุนกับ Agents SDK เป็นหลัก และใช้ ChatKit หรือ Connector Registry เมื่อเหมาะกับงาน

ไม่ว่าคุณเลือกเส้นทางใด ความน่าเชื่อถือของ agent ขึ้นอยู่กับ API ที่มันเรียกใช้ จำลอง API ตั้งแต่ต้น ตรวจ response ให้ตรง schema และจัดการ secret อย่างเป็นระบบ Apidog ช่วยให้คุณทดสอบและ mock endpoint ของ tool ที่ agent พึ่งพาได้ในที่เดียว ก่อนนำ agent ไปใช้งานจริงกับผู้ใช้.

DEV Community