ทันเอไอ

งานวิจัยชี้ รูปแบบการเขียนทักษะมีผลต่อการเลือกใช้ของ AI Agent

กรณีศึกษาจากระบบสร้างวิดีโอ Tinycloud พบว่า Representation หรือวิธีนำเสนอข้อมูลทักษะ ส่งผลต่อการค้นหาและเลือกทักษะของ AI Agent

Kevin Dela Rosa เผยแพร่งานวิจัย “Representation Affects Retrieval: A Case Study of Skill Discovery and Routing in a Multimodal Agent Harness” บน arXiv หมายเลข 2608.20389 โดยศึกษาการค้นหาและกำหนดเส้นทางไปยังทักษะที่เหมาะสม หรือ Skill Discovery and Routing ในระบบ Multimodal Agent (เอเจนท์ที่ทำงานกับข้อมูลหลายรูปแบบ) ระดับใช้งานจริง

โจทย์สำคัญคือ เมื่อคลังทักษะของเอเจนท์ขยายใหญ่ขึ้น ระบบจะนำเสนอข้อมูลของแต่ละทักษะอย่างไร เพื่อให้โมเดลเลือกเครื่องมือที่ตรงกับงานของผู้ใช้ ในระบบขนาดเล็ก โมเดลภาษาสามารถพิจารณารายการทักษะที่ใส่ไว้ใน System Prompt และตัดสินใจจาก Context (บริบท) ได้โดยตรง แต่เมื่อจำนวนทักษะเพิ่มขึ้น ระบบมักต้องพึ่ง Embedding-based Retrieval (การค้นหาด้วยเวกเตอร์แทนความหมาย) เพื่อคัดทักษะที่เกี่ยวข้องมาก่อน

งานนี้ใช้ Tinycloud ซึ่งเป็นระบบเอเจนท์สำหรับวิดีโอแบบมัลติโมดัล เป็นกรณีศึกษา โดยแบ่งการนำเสนอทักษะออกเป็นสองลักษณะหลัก ได้แก่ Tool-skill ซึ่งห่อหุ้ม API ภายนอกหรือเครื่องมือระบบหนึ่งรายการ ทำหน้าที่คล้ายคำศัพท์พื้นฐานของเอเจนท์ และ Workflow-skill ซึ่งประสาน Tool-skill เพื่อทำงานที่มีหลายขั้นตอน

ข้อค้นพบหลักคือ Representation (รูปแบบการแทนและอธิบายข้อมูล) มีผลต่อความสามารถของโมเดลในการค้นพบ จัดอันดับ และเลือกทักษะให้เหมาะกับคำสั่ง ไม่ว่าจะเป็นการเลือกจาก Prompt ในระบบขนาดเล็ก หรือการค้นหาด้วย Embedding เมื่อคลังทักษะมีขนาดใหญ่ขึ้น อย่างไรก็ตาม งานนี้เป็นกรณีศึกษาจากระบบหนึ่ง จึงยังไม่ควรตีความว่ารูปแบบเดียวกันจะให้ผลเท่ากันกับเอเจนท์ทุกประเภท

บทความได้รับการตอบรับให้นำเสนอในเวิร์กช็อป AgentSearch ’26 ภายในงาน SIGIR 2026 ที่เมลเบิร์น ประเทศออสเตรเลีย เมื่อวันที่ 24 กรกฎาคม 2026 สะท้อนว่าการออกแบบคำอธิบายทักษะกำลังเป็นส่วนหนึ่งของปัญหา Information Retrieval (การสืบค้นข้อมูล) ไม่ใช่เพียงเรื่องการเขียน Prompt เท่านั้น