AI Agent คืออะไร และต่างจาก Workflow อย่างไร

คำว่า “AI Agent” ถูกใช้กับเกือบทุกอย่างที่มี LLM อยู่ข้างใน จนแทบไม่เหลือความหมาย บทความนี้แยกให้ชัดว่า Agent ต่างจาก Workflow ตรงไหน และงานแบบไหนควรใช้อะไร

นิยามสั้น ๆ

Workflow คือระบบที่ คนเขียนโปรแกรมกำหนดลำดับขั้นตอนไว้ล่วงหน้า แล้วเรียกใช้ LLM ในจุดที่กำหนด เส้นทางการทำงานอยู่ในโค้ด ไม่ใช่ในโมเดล

AI Agent คือระบบที่ LLM เป็นคนตัดสินใจเองว่าจะทำขั้นตอนไหนต่อ จะเรียกเครื่องมืออะไร และจะหยุดเมื่อไหร่ เส้นทางการทำงานเกิดขึ้นตอนรัน ไม่ได้เขียนไว้ล่วงหน้า

เส้นแบ่งอยู่ที่คำถามเดียว:

ใครเป็นคนตัดสินใจว่าขั้นตอนต่อไปคืออะไร — โค้ด หรือโมเดล?

ถ้าคำตอบคือโค้ด นั่นคือ Workflow ถ้าคำตอบคือโมเดล นั่นคือ Agent

Workflow ทำงานอย่างไร

Workflow เดินตามเส้นทางที่วางไว้ทุกครั้ง เหมือนสายพานการผลิต

Input → [ดึงข้อมูล] → [LLM สรุป] → [LLM ตรวจ] → Output

ทุกครั้งที่รัน มันจะผ่าน 3 ขั้นตอนนี้เสมอ ไม่มากไม่น้อย ต่อให้งานง่ายจนไม่ต้องตรวจ มันก็ยังตรวจอยู่ดี เพราะโค้ดสั่งไว้

รูปแบบ Workflow ที่ใช้บ่อย:

• Prompt chaining — ส่งผลลัพธ์จากขั้นก่อนหน้าเข้าขั้นถัดไปเป็นทอด ๆ
• Routing — จำแนกงานก่อน แล้วส่งไปยังเส้นทางที่เหมาะสม
• Parallelization — แตกงานทำพร้อมกันหลายเส้น แล้วรวมผล
• Orchestrator-workers — ตัวกลางแบ่งงานย่อยแล้วกระจายให้ worker
• Evaluator-optimizer — ตัวหนึ่งสร้าง อีกตัวให้ feedback วนจนผ่านเกณฑ์

Agent ทำงานอย่างไร

Agent ทำงานเป็นลูป โมเดลได้รับเป้าหมายกับชุดเครื่องมือ แล้ววนคิด-ลงมือ-ดูผล จนกว่าจะเสร็จ

เป้าหมาย → [โมเดลคิดว่าควรทำอะไรต่อ]
              ↓
           [เรียกเครื่องมือ]
              ↓
           [ดูผลลัพธ์] ──→ ยังไม่เสร็จ? วนกลับไปคิดใหม่
              ↓
           เสร็จ → Output

ความต่างที่สำคัญคือ จำนวนรอบและลำดับไม่คงที่ งานง่ายอาจจบใน 2 รอบ งานยากอาจวน 20 รอบ และเลือกใช้เครื่องมือคนละชุดกับที่เราคาดไว้

นี่คือทั้งจุดแข็งและจุดอ่อน — มันปรับตัวได้กับสถานการณ์ที่เราคาดไม่ถึง แต่ก็แปลว่าเราคาดเดาต้นทุน เวลา และพฤติกรรมล่วงหน้าได้ยากกว่ามาก

ตารางเปรียบเทียบ

หัวข้อ	Workflow	Agent
ใครกำหนดเส้นทาง	โค้ด	โมเดล
จำนวนขั้นตอน	คงที่	ไม่คงที่
คาดเดาผลได้	สูง	ต่ำกว่า
ต้นทุนต่อครั้ง	ประมาณได้	ผันผวน
ความเร็ว	เร็วกว่า	ช้ากว่า (วนหลายรอบ)
debug	ง่าย รู้ว่าพังขั้นไหน	ยาก ต้องไล่ดู trace
รับมือเคสที่ไม่เคยเจอ	ไม่ได้ ต้องแก้โค้ด	ได้ในระดับหนึ่ง
เหมาะกับ	งานที่รู้ขั้นตอนแน่ชัด	งานปลายเปิด

ควรเลือกอันไหน

หลักที่ใช้ได้จริง: เริ่มจากสิ่งที่ง่ายที่สุดที่แก้ปัญหาได้ แล้วค่อยเพิ่มความซับซ้อนเมื่อจำเป็น

เรียงจากง่ายไปยาก:

1. เรียก LLM ครั้งเดียว — ถ้าพอ จบตรงนี้ อย่าไปไกลกว่านี้
2. Workflow — เมื่อรู้ขั้นตอนชัดเจนและอยากได้ผลที่คาดเดาได้
3. Agent — เมื่อขั้นตอนขึ้นกับสิ่งที่เจอระหว่างทาง และเขียนล่วงหน้าไม่ได้จริง ๆ

เลือก Workflow เมื่อ ขั้นตอนตายตัว ต้องการต้นทุนที่ประมาณได้ ต้องการความสม่ำเสมอ หรืองานนั้นผิดพลาดไม่ได้

เลือก Agent เมื่อ ไม่รู้ล่วงหน้าว่าต้องทำกี่ขั้น ต้องสำรวจข้อมูลก่อนถึงจะรู้ว่าทำอะไรต่อ และยอมรับความไม่แน่นอนได้ แลกกับความยืดหยุ่น

ข้อผิดพลาดที่พบบ่อย

เรียกทุกอย่างว่า Agent — ระบบส่วนใหญ่ที่ติดป้าย “AI Agent” จริง ๆ แล้วเป็น Workflow ซึ่งไม่ใช่เรื่องเสียหาย Workflow มักเป็นคำตอบที่ถูกต้องกว่าด้วยซ้ำ

ใช้ Agent ทั้งที่ Workflow พอ — แลกความคาดเดาได้และต้นทุนที่ควบคุมได้ ไปกับความยืดหยุ่นที่ไม่ได้ใช้

ไม่กำหนดเพดานให้ Agent — ลูปที่ไม่มีขีดจำกัดรอบหรืองบประมาณ จะวนจนหมดเงินได้จริง

ไม่เก็บ trace — พอ Agent ทำอะไรแปลก ๆ แล้วไม่มีบันทึกว่ามันคิดอะไรและเรียกอะไรบ้าง จะแก้ไม่ถูกจุด

FAQ

Agent กับ chatbot ต่างกันไหม ต่าง chatbot ตอบคำถามอย่างเดียว Agent ลงมือทำ — เรียกเครื่องมือ แก้ไฟล์ ยิง API

ต้องใช้ framework ไหม ไม่จำเป็น ลูป Agent พื้นฐานเขียนเองได้ใน 50 บรรทัด framework ช่วยเรื่องเครื่องมือสำเร็จรูป และการจัดการ state แต่ก็เพิ่มชั้นที่ต้อง debug ตอนมีปัญหา

Agent แพงกว่าเท่าไหร่ ขึ้นกับจำนวนรอบ งานเดียวกัน Agent ที่วน 10 รอบใช้ token มากกว่า Workflow ที่เรียก 3 ครั้งหลายเท่า ควรวัดจากงานจริงของตัวเอง อย่าเชื่อตัวเลขทั่วไป

เริ่มจากอะไรดี เริ่มจากเรียก LLM ครั้งเดียวให้ได้ผลก่อน แล้วดูว่าพังตรงไหน ค่อยเพิ่มขั้นตอน ส่วนใหญ่จะพบว่าไม่ต้องไปถึง Agent

อ่านต่อ

• Building Effective Agents — บทความของ Anthropic ที่แยก workflow กับ agent ไว้ชัดเจน พร้อมรูปแบบที่ใช้ได้จริง
• โปรเจกต์ AI ที่ผมกำลังทำ — ดูว่าแนวคิดข้างบนถูกเอาไปใช้จริงยังไงบ้าง