ภาพรวม

MultiAgent คือระบบ Multi-Agent อันทรงพลังที่ออกแบบมาเพื่อประสานงานการทำงานร่วมกันของหลาย Agent ในการดำเนินงานที่ซับซ้อนให้สำเร็จ กระบวนการสร้างและตั้งค่า MultiAgent ถูกออกแบบให้เรียบง่ายและมีประสิทธิภาพ โดยใช้แนวคิด Planner-Executor-Reviewer ในการดำเนินงาน องค์กรสามารถปรับแต่งทีม AI Agent ให้เหมาะสมกับแต่ละสถานการณ์ทางธุรกิจ เพิ่มประสิทธิภาพและความยืดหยุ่นของการใช้งาน AI ในองค์กรได้อย่างมาก แพลตฟอร์มนี้มาพร้อมกับ AI Agent ที่ตั้งค่าไว้ล่วงหน้าหลากหลาย เช่น AI Coder IDE, การใช้งานเบราว์เซอร์ และการใช้งานคอมพิวเตอร์ ซึ่งสามารถใช้งานได้ทันทีโดยไม่ต้องตั้งค่าซับซ้อน

กลไกการทำงานของ MultiAgent มีดังนี้:

flowchart LR

 subgraph P["Planner"]
    direction TB
        P1["การชี้แจงงาน
        ระบุและชี้แจงเจตนาของคำสั่งผู้ใช้"]
        P2["วางแผน
        สร้างรายการงาน (Task Todo List) คุณภาพสูง"]
        P3["ดำเนินการ
        สร้างรายการ Action สำหรับแต่ละงานแบบไดนามิก"]
  end
 subgraph R["Runner"]
    direction TB
        T(["งาน-1"])
        T2(["งาน-2"])
        T3(["งาน..."])
    direction LR
        A3["Action1"]
        A4["Action2"]
        A5["Action3"]
        A6["Action4"]
  end
 subgraph Rev["Reviewer"]
    direction TB
        RV["มาตรฐานการตรวจสอบที่องค์กรกำหนด"]
        D1{"ต้องให้มนุษย์
        เข้ามาดำเนินการหรือไม่?"}
        D2{"ต้องอัปเดต
        งานทั้งหมดหรือไม่?"}
        D3{"มีงานค้าง
        ที่ต้องอัปเดตหรือไม่?"}
        D4{"งานปัจจุบัน
        ต้องดำเนินการใหม่หรือไม่?"}
        End(["ดำเนินการงานต่อไป"])
  end
    H2["มนุษย์เข้ามาดำเนินการ"]
    H1["ผู้ใช้ส่งคำสั่งงาน"]
    P1 --> P2
    P2 --> P3
    P -- Serial --> T & T2 & T3
    T -- Parallel --> A3 & A4
    A6 -- งานเสร็จสมบูรณ์ --> RV
    RV -- ไม่ผ่าน --> D4
    D4 -- N --> D3
    D4 -. Y .-> T
    D3 -. Y .-> P
    D3 -- N --> D2
    D2 -- N --> D1
    D2 -. Y .-> P
    D1 -- Y --> H2
    D1 -- N --> End
    A4 -- Serial --> A5
    A5 -- Serial --> A6
    RV -- ผ่าน --> NT["เริ่มงานถัดไป"]
    H1 -- ส่งคำสั่งงาน --> P

     H1:::human
     H2:::human
     P1:::planner
     P2:::planner
     P3:::planner
     T:::runner
     T2:::runner
     T3:::runner
     A3:::runner
     A3:::Peach
     A4:::runner
     A4:::Peach
     A5:::runner
     A5:::Peach
     A6:::runner
     A6:::Peach
     RV:::reviewer
     D1:::decision
     D2:::decision
     D3:::decision
     D4:::decision
     End:::reviewer
     NT:::reviewer
    classDef human fill:#e3f2fd,stroke:#90caf9,stroke-width:2px
    classDef planner fill:#e8f5e9,stroke:#81c784,stroke-width:2px
    classDef runner fill:#fffde7,stroke:#ffe082,stroke-width:2px
    classDef reviewer fill:#ede7f6,stroke:#b39ddb,stroke-width:2px
    classDef decision fill:#fce4ec,stroke:#ec407a,stroke-width:2px,stroke-dasharray:4 2
    classDef Peach stroke-width:1px, stroke-dasharray:none, stroke:#FBB35A, fill:#FFEFDB, color:#8F632D

คุณสมบัติเด่น

• สร้างทีม AI Agent ได้เอง: แพลตฟอร์ม Multi-Agent ช่วยให้องค์กรประกอบทีม AI Agent ได้ยืดหยุ่นตามความต้องการ เพิ่มความคล่องตัวในการใช้งาน AI ภายในองค์กร
• มี AI Agent สำเร็จรูปหลากหลาย: แพลตฟอร์มมาพร้อม AI Agent ที่ตั้งค่าไว้ล่วงหน้า เช่น AI Coder IDE, การใช้งานเบราว์เซอร์ และคอมพิวเตอร์
• รองรับบทบาทหลายสถานการณ์: มีบทบาท AI Agent ครอบคลุมทั้งพัฒนา ผลิตภัณฑ์ ทดสอบ อัลกอริทึม ข้อมูล และการตลาด ตอบโจทย์ทุกแผนกในองค์กร
• ใช้งานได้หลากหลาย: Multi-Agent เหมาะกับหลายสถานการณ์ เช่น วิจัยเชิงลึก วิเคราะห์ข้อมูล สร้างเอกสารประกวดราคา หรือรายละเอียดบัญชีการเงิน
• ประสิทธิภาพสูง ใช้งานง่าย: ขั้นตอนการทำงานเรียบง่าย ช่วยเพิ่มประสิทธิภาพ เช่น ผู้ใช้สามารถประกอบทีม AI วิเคราะห์ข้อมูลได้ในไม่กี่นาที

การสร้างและตั้งค่า

สร้าง MultiAgent ได้ง่าย คล้ายการตั้งค่า Agent เดี่ยว โดยมีจุดสำคัญดังนี้:

• การตั้งค่าระดับโลก: โดยปกติจะถูกย่อไว้ ผู้ใช้ตั้งค่าหน่วยความจำ ความสามารถรับเข้า/ส่งออก และโมดูลอื่น ๆ เช่น ฐานความรู้ ฐานข้อมูล บันทึก และข้อมูลเชิงลึก เหมือน Agent เดี่ยว
• การเพิ่ม Node: ผู้ใช้เพิ่ม Agent ต่าง ๆ ลงใน canvas ของ MultiAgent ได้โดยคลิก "เพิ่ม Node" ประเภท Agent ที่มีให้เลือก ได้แก่:
• Agent สำเร็จรูป: Agent ที่ตั้งค่าไว้ล่วงหน้าโดย GPTBots พร้อมฟีเจอร์ เช่น ค้นหาออนไลน์ และใช้งานเบราว์เซอร์
• Agent แบบ Template: Agent ที่ต้องตั้งค่าเอง เพื่อกำหนดบทบาทและความสามารถ
• การเชื่อมต่อ Agent: สร้างทีม MultiAgent ง่าย ๆ แค่เลือก Agent ที่ต้องการ เพิ่มลง canvas แล้วเชื่อมต่อด้วยเส้น เพื่อรวมความสามารถและทำงานร่วมกัน

แนะนำ Agent

Planner Agent

"Planner" คือหัวใจของ MultiAgent รับผิดชอบชี้แจงความต้องการ วางแผน สร้างงานย่อย และตรวจสอบคุณภาพงานที่เสร็จสิ้น แนะนำให้เลือกเวอร์ชันโมเดลที่มีความสามารถสูงสุด หากเลือกโมเดลแบบ inference อาจใช้เวลานานขึ้น
Planner รองรับกลไกควบคุมงานแบบกำหนดเอง เช่น การปรับงานแบบไดนามิก ตัวเลือกให้ผู้ใช้เข้ามาดำเนินการ และกำหนดจำนวนครั้ง retry สูงสุดต่อแต่ละงาน เพื่อป้องกันการใช้โทเคนเกินจำเป็น
Planner ยังตั้งค่าหน่วยความจำ เครื่องมือ ฐานความรู้ และฐานข้อมูล เพื่อเพิ่มขีดความสามารถได้

Computer Use Agent

Computer Use Agent รองรับการตั้งค่า identity prompt และจำกัดจำนวน iteration ของงาน เพื่อป้องกันการใช้โทเคนเกินจำเป็น พร้อมฟีเจอร์ให้ผู้ใช้เข้ามาดำเนินการแทน Agent หากไม่สามารถเดินหน้างานได้
Computer Use ทำงานในสภาพแวดล้อม Linux แบบ sandbox ใช้งานแอปคอมพิวเตอร์ ระบบไฟล์ และคำสั่งระบบเพื่อดำเนินงาน

Browser Use Agent

ทำงานในสภาพแวดล้อมเบราว์เซอร์แบบ sandbox สำหรับงานที่เกี่ยวกับเบราว์เซอร์ ต้องการขีดความสามารถ LLM ต่ำ ใช้งานได้แม้ LLM ไม่รองรับการรู้จำภาพ

Coder IDE Agent

ดำเนินงานโดยสร้างโค้ดใน CLI แบบ sandbox เหมาะกับการค้นหา การเรียกใช้ API การสร้างเว็บเพจ และจัดทำเอกสาร

Online Search Agent

Online Search มีความสามารถอัตโนมัติในการค้นหาและดึงเนื้อหาจากหน้าเว็บ URL เหมาะกับงานตรวจสอบข้อมูลเครือข่าย

กระบวนการดำเนินงาน

ขั้นตอนการทำงานของ MultiAgent มีดังนี้:

1. รับคำสั่งงาน: ผู้ใช้กรอกรายละเอียดงานแล้วส่ง Planner จะตัดสินใจว่าจะดำเนินการทันทีหรือขอข้อมูลเพิ่ม
2. สร้างรายการงาน: เมื่อคำสั่งชัดเจน Planner จะสร้างรายการงานให้ผู้ใช้ยืนยันก่อนดำเนินการอัตโนมัติ
3. ดำเนินงานแบบไดนามิก: ระหว่างดำเนินงาน Planner จะสร้าง Action List สำหรับแต่ละงานแบบไดนามิก หลังแต่ละงานเสร็จจะประเมินคุณภาพและตัดสินใจปรับหรืออัปเดตรายการงาน
4. งานเสร็จสมบูรณ์: เมื่อทุกงานเสร็จ MultiAgent จะสรุปและรายงานผลลัพธ์ ผู้ใช้สามารถสอบถามเพิ่มเติมเพื่ออัปเดตผลลัพธ์ได้

แนวทางปฏิบัติที่ดีที่สุด

• อธิบายขีดความสามารถ: ระบุขีดความสามารถของแต่ละ Agent ให้ถูกต้องและละเอียด เพื่อช่วยให้ Planner กระจายงานได้อย่างมีประสิทธิภาพ
• เลือกโมเดลให้เหมาะสม: เลือกโมเดลที่เหมาะกับ Planner เพื่อสมดุลประสิทธิภาพและความเร็ว หลีกเลี่ยง reasoning ที่ใช้เวลานานเกินไป
• กลไกควบคุม: กำหนดขีดจำกัด iteration และตัวเลือกให้ผู้ใช้เข้ามาดำเนินการ เพื่อเพิ่มประสิทธิภาพการใช้ทรัพยากรและความน่าเชื่อถือของงาน