Lesson 10 · คาบบ่าย 28 ต.ค. (วิดีโอ 1:52–2:08) · ~30 นาที

Tool use, Agent, MCP และชุดทวนรวม

โยงกับสไลด์ LLM 54–65, 73

เป้าหมายบทนี้: แยก LLM / RAG / Tool / Agent / Workflow ได้ และตอบข้อ "เลือกเครื่องมือให้ถูก" ของ Q4 ได้

1จาก "รู้" ไปสู่ "ทำ"

สไลด์ LLM 55: RAG helps the LLM KNOW, Tools let the LLM DO (Python, SQL, web, API, email) — **สไลด์ 55**เทียบ know กับ do

ยุคแรกของ "สั่งแล้วทำ" คือสั่งให้ LLM ไปเรียกใช้เครื่องมือ (tool use / tool call) เช่นเครื่องมือค้นข้อมูล ดึงข้อมูล สั่งส่งอีเมล สั่งเบราว์เซอร์ทำ action ต่าง ๆ

สไลด์ LLM 57: Function / Tool calling: LLM ขอ query_sales(quarter="Q2") → Application รัน → ผลกลับมาให้ LLM ตอบ — **สไลด์ 57**ดูว่าใครเป็นคนรัน tool

สังเกตว่า LLM เพียงขอเรียก tool แอปพลิเคชันเป็นคนรันแล้วส่งผลกลับ เพื่อให้ LLM ตอบ

สไลด์ LLM 58: ประเภท tool: Retrieve (web search, RAG, files), Compute (calculator, Python), Data (SQL), Act (email, calendar, API, browser) — **สไลด์ 58**จัดกลุ่ม

RAG เองก็มองเป็น tool แบบหนึ่ง (Retrieve)

2Agentic AI

ยุคปัจจุบันคือ Agentic AI การสั่ง AI คือสั่ง agent ให้เป้าหมาย เหมือนฝากงานเพื่อนร่วมทีม

เราไม่ได้ถามตอบแล้ว แต่ สั่งให้ทำ ให้เป้า (goal) ถามชื่อพ่อแม่คือถามตอบปกติ แต่การสั่งให้แก้บั๊กในโค้ดคือ agent: มันคิด แก้ รันตรวจ ถ้ายังมี error ก็แก้ต่อ จนไม่มี error จึงจบ

สไลด์ LLM 60: Agent = Model + Instructions + Tools + Memory/State + Loop (Goal → Decide → Act → Observe → Decide Again) — **สไลด์ 60**ดูวงวน

LLM ที่ได้ เป้าหมาย แล้ววนลูป: ตัดสินใจ → ลงมือ (ใช้ tool) → สังเกตผล → ตัดสินใจต่อ จนบรรลุเป้า (มี instructions, tools, memory/state)

ทำไม Agentic AI เข้มแข็งขนาดนี้? เพราะข้างหลังบ้านคำว่า "ทำ" คือการเขียนโค้ด มันไปเรียก skill/โค้ดต่าง ๆ ให้ทำงานแทนเรา

ReAct

ที่มาจากเปเปอร์ ReAct = Reason + Act เดิม agent ตั้งด้วยกฎ rule-based ง่าย ๆ (ถ้าอุณหภูมิเกิน ... ) ReAct รวมสองโลกโดยให้ LLM เป็น "สมอง" มา reasoning ว่าเมื่อไรเรียก action ไหน

ตัวอย่าง ReAct ตามสไลด์ 61: กดทีละขั้นดูวงวน Reason → Action → Observation แล้วสลับไปดู Workflow ที่ทางตายตัว

3Workflow vs Agent

สไลด์ LLM 62: Workflow (A→B→C→D ทางตายตัว, คาดเดาได้, autonomy ต่ำ) vs Agent (ทางไดนามิก, ยืดหยุ่น, ทดสอบยาก, autonomy สูง) — **สไลด์ 62**เทียบทีละบรรทัด

workflow ปกติเราสั่ง A ไป B ไป C ไป D เป็น chain แต่ agentic เราให้เป้า AI ตัดสินใจเองและสังเกตว่าบรรลุหรือยัง คนละ paradigm

ถ้างานมีสเต็ปชัดเจนแน่นอนก็ใช้ workflow ถ้าตั้งเป็นเป้าโดยไม่มีสเต็ปชัดเจนจึงใช้ agent จะเป็น single agent หรือ multi-agent ก็ได้

สไลด์ LLM 63: When NOT to use an agent: ทุกคืน load CSV → aggregate → create report → email — **สไลด์ 63**รู้ขั้นตอนแล้วใช้ workflow

สไลด์ LLM 64: Single agent vs Multi-agent (Supervisor, Researcher, Analyst, Writer) — **สไลด์ 64**More agents ≠ better system

"ยิ่งมี agent เยอะยิ่งดี" ไม่จริง การแบ่งเป็นหลาย agent เพิ่ม cost และ latency ใช้เมื่อจำเป็น

4MCP

สไลด์ LLM 65: MCP: Before = custom connector ต่อ tool ทีละตัว · With MCP = AI Host/Client ↔ MCP Server ↔ Tools/Resources — **สไลด์ 65**เทียบก่อน-หลัง

การเชื่อมต่อ AI กับ tool ต่าง ๆ (ดึงข้อมูล เชื่อมต่อระบบ) ทำผ่านโปรโตคอลมาตรฐานที่เรียกว่า MCP

ภาพรวม Agentic AI ที่ครบ: มี LLM → ใส่ context ด้วย RAG ครบไหม → เรียก tool อื่นประกอบไหม → ใช้ agent ไหม → ก่อนใช้งานจริงมีการประเมินตัวเองหรือไม่ว่าสมควรตอบหรือไม่

เครื่องมือเขียนจริง: ใช้ API ของ GPT/Claude/Gemini ตรง ๆ ก็ได้ แต่ framework ช่วยจัดการให้ LangChain เป็นตัวตั้งต้น, LangGraph ต่อ agent เป็นกราฟ, LangSmith ดู trace และ evaluate (2:04:40–2:05:13)

การบ้านปิดท้ายคาบ (2:06:24–2:08:34): อ่านโค้ด LangChain/LangGraph/LangSmith และโค้ด LLM อื่น ๆ แล้วสรุปส่ง MyCourseVille ภายใน 2 สัปดาห์ ไม่ออกสอบเขียนโค้ดแต่ใช้ในโปรเจกต์

5เลือกเครื่องมือให้ถูก (ซ้อมข้อ Q4)

โจทย์	เลือก
กฎชัดตรงไปตรงมา	Rule-based
ตาราง + มี target ทำนาย	Supervised ML (Decision Tree ฯลฯ)
ตาราง + ไม่มี target อยากแบ่งกลุ่ม	Unsupervised (K-means)
ภาพ/เสียง/ข้อความ + ต้องสกัดฟีเจอร์เอง	Deep Learning (CNN/Transformer)
งานภาพข้อมูลน้อย	Pretrained + freeze/fine-tune
ตอบจากเอกสารภายในที่เปลี่ยนบ่อย	LLM + RAG
ให้ LLM พูดสไตล์เฉพาะ	Fine-tune
ลองทำจนได้ reward สูงสุด	RL
ขั้นตอนชัดเจนเป็นลำดับ	Workflow
เป้าชัดแต่ขั้นตอนไม่ตายตัว	Agent

ลองเลือกเครื่องมือเอง

6ลองทำ (ทวนจากทุกบท)

อ่านเพิ่ม / ที่มา

Anthropic: Building effective agents workflow vs agent และเมื่อไรควรใช้ (แหล่งที่สไลด์อ้าง)
Model Context Protocol เอกสารมาตรฐาน MCP
ReAct paper (Yao et al. 2022) ต้นฉบับของ ReAct

ติดตรงไหน ถาม Claude ได้เลย บอกเลขบทกับเลขข้อมาด้วย