# งานวิจัยของเรา

## Agentics Labs

Natchaya Temyingyong

**Read**: 4 Min

**Published on**: July 16, 2025

# Agentic AI สำหรับการวิเคราะห์ข้อมูลแบบ Multi-Step

## **1. บทนำ**

ในยุคปัจจุบันที่การวิเคราะห์ข้อมูลมีการเปลี่ยนแปลงและพัฒนาอย่างรวดเร็ว ความต้องการระบบ AI ที่สามารถทำงานอย่างอัตโนมัติและเข้าใจคำถามที่ซับซ้อนได้เพิ่มขึ้นอย่างมีนัยสำคัญ โดยเฉพาะอย่างยิ่ง AI ที่สามารถเข้าถึงแหล่งข้อมูลที่หลากหลาย วิเคราะห์คำถามในเชิงลึก และสร้างข้อมูลเชิงลึก (insights) ที่ถูกต้องแม่นยำเพื่อช่วยในการตัดสินใจเชิงธุรกิจ

อย่างไรก็ตาม ระบบ AI ที่ใช้งานกันอยู่ในปัจจุบันจำนวนมากยังคงทำงานภายใต้กรอบของ “Single-Agent” ซึ่งส่งผลให้ระบบเหล่านี้มักประสบปัญหาเมื่อต้องเผชิญกับโจทย์ที่ซับซ้อน เช่น การวิเคราะห์ที่มีหลายขั้นตอน

Whitepaper นี้จึงขอเสนอแนวทางใหม่ในรูปแบบ “Multi-Agent Architecture” ซึ่งแบ่งการทำงานออกเป็น 3 ส่วน ได้แก่:

- **Planner (ตัววางแผน)**  
- **Executor (ตัวดำเนินการ)**  
- **Feedbacker (ตัวประเมินและให้ข้อเสนอแนะ)**

การออกแบบที่เป็นโมดูล (modular design) ทำให้ทุกขั้นตอน ตั้งแต่การแยกคำถามของผู้ใช้ไปจนถึงการตรวจสอบความถูกต้องของคำตอบ มีความชัดเจน โปร่งใส และสามารถตรวจสอบย้อนกลับได้ทุกขั้นตอน

จากการทดสอบเบื้องต้น เราพบว่า architecture ใหม่นี้สามารถทำผลงานได้อย่างยอดเยี่ยมเมื่อเทียบกับระบบอื่น ๆ โดยสามารถทำคะแนนได้สูงจากชุดข้อมูลมาตรฐาน และสร้างมาตรฐานใหม่ให้กับวงการวิเคราะห์ข้อมูลด้วย AI

### **ความท้าทาย: การก้าวข้ามข้อจำกัดของระบบ Agent เดี่ยว**

โลกของข้อมูลในปัจจุบันเต็มไปด้วยความซับซ้อน แม้แต่คำถามทางธุรกิจที่ดูเรียบง่าย เช่น **“ตลาดใดที่มีธุรกรรมฉ้อโกงมากที่สุดในขณะนี้?”** เบื้องหลังนี้ จำเป็นต้องอาศัยการวิเคราะห์ที่มีหลายขั้นตอน เริ่มจากการตีความเจตนาของผู้ใช้ การค้นหาและเลือกใช้ข้อมูลที่เกี่ยวข้อง การสร้าง query ที่ถูกต้องแม่นยำ การประมวลผลข้อมูล และการแปลผลลัพธ์ให้เป็นคำตอบที่ชัดเจนสามารถใช้งานได้

ระบบ AI แบบ Single-Agent อาจจะดูสะดวกในเชิงการออกแบบเบื้องต้น แต่กลับสร้างปัญหาเรื่องความโปร่งใสของกระบวนการ ยากต่อการตรวจสอบ และไม่สามารถเจาะลึกหรือปรับเปลี่ยนแต่ละส่วนของกระบวนการได้อย่างยืดหยุ่น

เพื่อตอบโจทย์นี้ เราจึงพัฒนาแนวคิดใหม่ที่อาศัยหลักการ “แบ่งงานตามความเชี่ยวชาญ” โดยให้แต่ละ agent ทำหน้าที่ในส่วนที่ตนถนัดอย่างชัดเจน ผลลัพธ์ที่ได้คือระบบที่ทำงานได้แม่นยำขึ้น ตรวจสอบได้ง่ายขึ้น และรองรับการวิเคราะห์ข้อมูลที่ซับซ้อนได้ดีกว่าเดิมอย่างมีนัยสำคัญ

## **2. โครงสร้าง Multi-Agent ที่เราออกแบบ**

โครงสร้างของเรามุ่งเน้นการแยกกระบวนการวิเคราะห์ข้อมูลออกเป็นบทบาทเฉพาะ 3 ส่วน โดยแต่ละ agent จะมีหน้าที่ที่ชัดเจนและเชี่ยวชาญในงานของตนเองอย่างแท้จริง การแยกความรับผิดชอบในลักษณะนี้ ช่วยให้แต่ละส่วนทำงานได้อย่างมีประสิทธิภาพสูงสุด

โครงสร้างการทำงานถูกออกแบบให้อยู่ในรูปแบบของ “Pipeline” ตั้งแต่การรับคำถามของผู้ใช้ ไปจนถึงการส่งมอบคำตอบที่ผ่านการตรวจสอบแล้ว เพื่อให้แน่ใจว่าทุกขั้นตอนมีตรรกะที่ต่อเนื่อง โปร่งใส และสามารถควบคุมได้อย่างเป็นระบบ

.png)

### **2.1 The Planner**

เมื่อผู้ใช้ส่งคำถามเข้ามา จุดเริ่มต้นแรกที่ระบบจะทำงานคือผ่าน Agent ตัวแรกที่เรียกว่า **Planner** โดยมีองค์ประกอบหลัก 4 ขั้นตอน ดังนี้:

1. **การแยกย่อยคำถาม (Deconstruct the Question)**  
2. **ระบุคำสำคัญในคำถาม (Extract Entities)**  
3. **การสำรวจและกำหนดขอบเขต (Explore and Constrain)**  
4. **การวางแนวทางการแก้ปัญหา (Outline the Solution Approach)**

### **2.2 The Executor**

Agent ถัดไปคือ **Executor** ซึ่งมีหน้าที่นำแผนไปปฏิบัติอย่างเป็นขั้นตอน โดยใช้หลักการที่เรียกว่า **ReAct (Reasoning and Action)** ซึ่งเป็นการสลับระหว่าง “การคิดวิเคราะห์” และ “การลงมือทำ” ในแต่ละขั้นแบบต่อเนื่อง

### **2.3 The Feedbacker**

เมื่อ Executor ส่งมอบคำตอบสุดท้ายแล้ว Agent ตัวที่สามคือ **Feedbacker** จะเข้ามามีบทบาทในขั้นตอนสุดท้าย โดยทำหน้าที่เหมือน “ระบบควบคุมคุณภาพอัตโนมัติ”

## **3. ประสิทธิภาพและการเปรียบเทียบกับระบบอื่น**

เราได้นำโครงสร้างนี้ไปทดสอบกับ **DABStep benchmark** และผลลัพธ์ที่ได้ชี้ชัดว่าแนวทาง Multi-Agent นี้ทำงานได้อย่างยอดเยี่ยม

## **4. สรุปและแนวทางการพัฒนาต่อ**

โครงสร้างแบบ **Planner – Executor – Feedbacker** ถือเป็นก้าวสำคัญของการพัฒนา Agent ด้านการวิเคราะห์ข้อมูลที่มีความฉลาด เชื่อถือได้ และโปร่งใสในกระบวนการทำงาน การแบ่งบทบาทอย่างชัดเจนในแต่ละส่วนช่วยให้แต่ละองค์ประกอบทำหน้าที่ได้อย่างมีประสิทธิภาพสูงสุด ซึ่งสามารถแข่งขันกับระบบชั้นนำในอุตสาหกรรมได้อย่างเต็มที่

ในอนาคต เราจะมุ่งเน้นการพัฒนาเพิ่มเติมใน 2 ด้านหลัก ได้แก่:

- **เพิ่มศักยภาพด้านการวางกลยุทธ์ของ Planner**  
- **ขยายความสามารถของ Executor**

ด้วยแนวทางเหล่านี้ เราหวังว่าจะสามารถพัฒนาระบบที่มีประสิทธิภาพและสมบูรณ์ยิ่งขึ้นเพื่อรองรับการวิเคราะห์ข้อมูลที่ซับซ้อนได้อย่างมีประสิทธิภาพมากขึ้น

**Download White Paper**: [ที่นี่](https://cdn.prod.website-files.com/5ee715da7b6fbc3bf68c6bfe/6891a5fcb8c539ce7518e516_Agentic%20AI%20for%20Multi-Step%20Data%20Analysis.pdf)