ทันเอไอ

งานวิจัยเปรียบเทียบเอเจนต์ย่อยกับชุดทักษะในงาน AI ระยะยาว

นักวิจัยเสนอว่าการเรียกใช้ความรู้ผ่านเอเจนต์ย่อยอาจลดภาระบริบทและช่วยรักษาคุณภาพการให้เหตุผลในงานที่มีหลายขั้นตอน

เอกสารวิจัยเรื่อง “Subagents vs Agent Skills: Executing Reusable Knowledge for Long-Horizon Agentic Tasks” ศึกษาวิธีนำความรู้ที่เตรียมไว้กลับมาใช้กับเอเจนต์ AI ในงานระยะยาวหรืองานที่ต้องดำเนินการหลายขั้นตอน โดยเผยแพร่เป็นพรีพรินต์บน arXiv เมื่อวันที่ 7 กันยายน 2026 ใช้รหัส arXiv:2609.09233

ผู้เขียนประกอบด้วย Wasu Top Piriyakulkij, Rachel Lawrence, Alicia Curth, Sushrut Karmalkar และ Niranjani Prasad จาก Cornell University และ Microsoft Research Cambridge

งานวิจัยเปรียบเทียบสองแนวทาง แนวทางแรกคือ Agent Skills (ชุดทักษะสำหรับเอเจนต์) ซึ่งจัดเก็บคำแนะนำ สคริปต์ และทรัพยากรอื่นไว้เป็นชุด เมื่อต้องใช้งาน ระบบจะโหลดคำสั่งของทักษะเข้าสู่ Context (ข้อมูลบริบทที่โมเดลกำลังใช้) ของเอเจนต์หลัก แล้วให้อ่านและปฏิบัติตาม

ปัญหาคือเมื่องานยาวขึ้น ข้อมูลจากโจทย์ ขั้นตอนก่อนหน้า และชุดทักษะหลายรายการจะสะสมอยู่ใน Context window (พื้นที่บริบทที่โมเดลรองรับ) มากขึ้น ผู้วิจัยระบุว่าสภาพเช่นนี้อาจทำให้ Reasoning (การให้เหตุผล) เปราะบางและมีคุณภาพลดลง

อีกแนวทางคือเรียกชุดทักษะผ่าน Subagents (เอเจนต์ย่อย) ซึ่งมีบริบทแยกจากเอเจนต์หลัก แทนที่จะนำรายละเอียดทั้งหมดมากองไว้ในพื้นที่เดียว ผลที่ผู้วิจัยรายงานคือแนวทางเอเจนต์ย่อยช่วยจัดการความรู้ได้มีประสิทธิภาพขึ้น ลดปัญหาบริบทยาวเกินไป และปรับปรุงคุณภาพการให้เหตุผลในงานระยะยาว

อย่างไรก็ดี เอกสารนี้ยังเป็นพรีพรินต์ และข้อมูลที่ยืนยันมาพร้อมข่าวยังไม่มีตัวเลขผลทดสอบ รายชื่อแบบทดสอบ หรือขนาดความแตกต่างระหว่างสองแนวทาง จึงยังไม่ควรสรุปว่าเอเจนต์ย่อยจะดีกว่าในทุกระบบหรือทุกประเภทงาน