ทันเอไอ

นักวิจัยเสนอ Plan-and-Patch ให้ AI Agent แก้ไขแผนงานเฉพาะจุดได้โดยไม่ต้องเริ่มใหม่

งานวิจัยใหม่บนคลังเอกสาร arXiv เสนอเฟรมเวิร์ก Plan-and-Patch ใช้โมเดลภาษาแบบ Diffusion ช่วยให้ AI Agent ซ่อมแซมแผนงานที่ผิดพลาดได้เฉพาะส่วน ลดความล่าช้าในการทำงานระยะยาว

งานวิจัยด้านปัญญาประดิษฐ์ชิ้นใหม่ที่มีชื่อว่า Plan-and-Patch: Diffusion Language Models for Agentic Planning ซึ่งเผยแพร่บนคลังเอกสารวิชาการ arXiv เมื่อวันที่ 7 ตุลาคม 2026 ได้หยิบยกปัญหาสำคัญของระบบ AI Agent ในปัจจุบัน ที่ต้องวางแผนและประสานงานหลายขั้นตอนในระยะยาว (long-horizon agents)

ในความเป็นจริง สภาพแวดล้อมอาจเปลี่ยนแปลง เครื่องมืออาจให้ผลลัพธ์ที่ไม่คาดคิด หรือการกระทำบางอย่างอาจล้มเหลว ทำให้สมมติฐานระหว่างการวางแผนใช้การไม่ได้ แนวทางเดิมมักบังคับให้ AI ต้องสร้างแผนงานใหม่ทั้งหมด ซึ่งเสี่ยงต่อการเปลี่ยนแปลงที่ไม่จำเป็นและเพิ่มความล่าช้า (latency) งานวิจัยนี้จึงนำเสนอทางออกด้วยการใช้ Diffusion Language Model (dLLM) มาช่วยจัดการ

หัวใจสำคัญของ Plan-and-Patch คือการใช้การสร้างแผนแบบขนาน (parallel decoding/unmasking) และความสามารถในการ Patch หรือแก้ไขเฉพาะส่วนของแผนที่บกพร่อง โดยยังคงโครงสร้างส่วนหน้าที่ถูกต้องและส่วนท้ายเอาไว้ ทำให้ระบบไม่ต้องเริ่มต้นวางแผนใหม่ตั้งแต่ต้น

ด้านการฝึกฝน ทีมผู้วิจัยได้ใช้แนวทางการฝึกร่วม (joint training) ทั้งในส่วนของการสร้างแผนและการแก้ไขแผน โดยอาศัยชุดข้อมูลที่ประกอบด้วยตัวอย่างการแก้ไขแผนแบบสังเคราะห์ (synthetic) และบันทึกเหตุการณ์ความล้มเหลวที่เกิดขึ้นจริงในการปฏิบัติงาน เพื่อให้ AI เรียนรู้รูปแบบการปรับตัวที่แม่นยำยิ่งขึ้น