AI Agent Glossary 01: AI, Model, LLM และ Agent ต่างกันอย่างไร

พนักงานถามระบบว่า “แม่ผ่าตัดและต้องมีคนดูแล ใช้วันลาแบบไหนได้บ้าง” หน้าจอตอบกลับเป็นภาษาไทยลื่นไหล พร้อมสรุปสิทธิ์วันลาให้เสร็จ แต่คําตอบไม่ได้บอกว่ามาจากนโยบายฉบับใด และเงื่อนไขบางข้อไม่มีอยู่ในเอกสารของบริษัท

ในเหตุการณ์เดียวนี้มีคําที่คนมักเรียกรวมกันว่า AI อยู่หลายชั้น โมเดลสร้างภาษา, prompt กําหนดงาน, context ใส่ข้อมูลประกอบ และระบบรอบโมเดลอาจค้นเอกสารหรือส่งต่อ HR การแยกชั้นเหล่านี้ให้ถูกช่วยให้ทีมรู้ว่าควรแก้อะไรเมื่อคําตอบผิด แทนที่จะสรุปสั้น ๆ ว่า “AI มั่ว”

แผนที่สั้นที่สุดของระบบ

AI system คือระบบทั้งหมดที่รับข้อมูลแล้วสร้างผลลัพธ์ซึ่งมีผลต่อสภาพแวดล้อมจริงหรือเสมือน ในตัวอย่างนี้ ระบบประกอบด้วยหน้าแชต โมเดล เอกสาร นโยบายการเข้าถึง และวิธีส่งต่อ HR

Model คือส่วนคํานวณที่เรียนรู้รูปแบบจากข้อมูลแล้วเปลี่ยน input เป็น output โมเดลเป็นชิ้นส่วนหนึ่งของระบบ ไม่ใช่ระบบทั้งหมด

Large Language Model หรือ LLM คือโมเดลที่ประมวลผลและสร้างลําดับข้อความจาก token มันอาจเขียนคําตอบได้ดีมาก แต่ไม่ได้มีสิทธิ์เปิดเอกสารหรือส่งอีเมลเอง เว้นแต่ application รอบโมเดลจะเตรียมความสามารถนั้นไว้

Agent คือระบบที่ให้โมเดลควบคุมเส้นทางงานบางส่วน เช่น เลือกค้นเอกสาร เรียกเครื่องมือ ตรวจผล และตัดสินใจว่าจะตอบ ทํางานต่อ หยุด หรือส่งคืนให้มนุษย์

ดังนั้นประโยค “เราใช้ AI Agent” ยังไม่บอกว่าระบบทําอะไรได้ ต้องถามต่อว่าโมเดลไหนได้รับข้อมูลอะไร เลือก action ใดได้ และใครรับผิดชอบเมื่อ action นั้นไม่ควรเกิด

โมเดลภาษาเห็นข้อความเป็น token

คนอ่านประโยคเป็นคําและความหมาย แต่ LLM รับข้อความหลังผ่าน tokenizer ซึ่งแบ่งข้อความเป็นหน่วยที่เรียกว่า token หน่วยหนึ่งอาจเป็นคําเต็ม ส่วนของคํา ตัวเลข หรือเครื่องหมาย จึงไม่ควรใช้จํานวนคําแทนจํานวน token แบบตรง ๆ

โมเดลตระกูล Transformer ใช้กลไก attention เพื่อคํานวณว่าข้อมูลส่วนใดสัมพันธ์กับส่วนอื่นในบริบท สถาปัตยกรรม Transformer เป็นรากฐานของ LLM จํานวนมาก แต่สองคํานี้ไม่ใช่คําเดียวกัน Transformer เป็นวิธีจัดโครงสร้างโมเดล ส่วน LLM เป็นโมเดลภาษาขนาดใหญ่ที่อาจสร้างบนสถาปัตยกรรมนั้น

เมื่อระบบส่งคําถามเข้าโมเดล ช่วงที่โมเดลสร้าง output เรียกว่า inference ไม่ใช่การฝึกโมเดล การเปลี่ยน prompt หรือแนบเอกสารเพิ่มจึงไม่ได้ทําให้โมเดล “เรียนรู้ถาวร” โดยอัตโนมัติ มันเพียงเปลี่ยนข้อมูลที่โมเดลใช้ใน request นั้น

Prompt, instructions และ context ไม่ใช่ของชิ้นเดียวกัน

Prompt คือ input ที่ส่งให้โมเดล อาจรวมคําถาม เอกสาร ตัวอย่าง และคําสั่งหลายระดับ

Instructions คือกติกากํากับงาน เช่น “ตอบจากเอกสารที่อนุมัติเท่านั้น” หรือ “เมื่อไม่มีหลักฐาน ให้ส่งต่อ HR” Instructions ช่วยกําหนดพฤติกรรม แต่ไม่ใช่ข้อบังคับที่โมเดลจะทําตามได้สมบูรณ์ทุกครั้ง จึงยังต้องทดสอบและมี control รอบ action สําคัญ

Context window คือขีดจํากัดของ token ที่โมเดลพิจารณาได้ใน request หนึ่งครั้ง ทั้ง instructions, ประวัติสนทนา, เนื้อหาที่ค้นมา, tool result และพื้นที่สําหรับ output ต่างใช้โควตาเดียวกัน

Context window ไม่ใช่ memory ถ้าปิดการสนทนาแล้วระบบยังจําข้อมูลเดิมได้ แปลว่ามีชั้นจัดเก็บและดึงข้อมูลกลับมาใหม่อยู่รอบโมเดล ไม่ใช่เพราะหน้าต่างบริบทกลายเป็นความจําระยะยาวเอง

Generative AI สร้างเนื้อหา แต่ไม่ได้รับประกันข้อเท็จจริง

Generative AI คือโมเดลหรือระบบที่สร้างเนื้อหาสังเคราะห์ เช่น ข้อความ ภาพ เสียง หรือวิดีโอ LLM เป็น Generative AI ประเภทหนึ่ง แต่ Generative AI ไม่ได้มีเฉพาะภาษา

LLM สร้างข้อความจากรูปแบบที่เรียนรู้ ไม่ได้เปิดฐานข้อมูลข้อเท็จจริงทุกครั้งก่อนตอบ เมื่อ output ไม่สอดคล้องกับหลักฐาน เรามักเรียกว่า hallucination หรือ confabulation คํานี้ไม่ได้หมายความว่าโมเดล “โกหก” เพราะการโกหกต้องมีเจตนาแบบมนุษย์

ในคําถามเรื่องวันลา สาเหตุของคําตอบผิดอาจมาจากหลายชั้น:

ตารางนี้คือเหตุผลที่คําว่า AI กว้างเกินไปสําหรับการวิเคราะห์ปัญหา ถ้าไม่แยกองค์ประกอบ ทีมมักแก้ทุกอย่างด้วยการเขียน prompt ยาวขึ้น ทั้งที่ต้นเหตุอาจอยู่ที่ข้อมูลหรือสิทธิ์

จุดที่ระบบเริ่มเป็น Agent

ถ้าผู้ใช้วางข้อความแล้ว LLM สรุปกลับมา นั่นคือการเรียกโมเดลหนึ่งครั้ง แม้คําตอบจะดูฉลาด

ถ้าระบบรับคําถาม เลือกค้นนโยบาย ตรวจประเทศและสถานะพนักงาน แล้วตอบพร้อมหลักฐาน เรามี workflow ที่ใช้โมเดลและเครื่องมือหลายขั้น

ถ้าโมเดลเป็นผู้เลือกว่าจะค้นอะไร เรียกเครื่องมือใด ตรวจผล แล้วตัดสินใจว่าจะทําต่อหรือส่งต่อ HR ระบบนั้นมีพฤติกรรมแบบ Agent มากขึ้น ระดับความเป็นอิสระอาจต่ําหรือสูงได้ ไม่จําเป็นต้องปล่อยให้ระบบทําทุกอย่างเองจึงจะเรียกว่า Agent

สิ่งสําคัญไม่ใช่ชื่อ แต่คือขอบเขตการควบคุม: code กําหนดเส้นทางไว้ล่วงหน้ามากแค่ไหน โมเดลเลือกเองมากแค่ไหน และ action ใดต้องรอมนุษย์

ลองแยกระบบของคุณออกเป็นห้าบรรทัด

เลือกงาน AI หนึ่งงานในองค์กร แล้วเขียนคําตอบให้ครบ:

1. ผู้ใช้ส่ง input อะไร
2. Model สร้าง output ชนิดใด
3. Context มาจากแหล่งใด
4. ระบบมี tools หรือ actions อะไร
5. เมื่อหลักฐานไม่พอ งานหยุดหรือไปหาใคร

ถ้าตอบข้อ 3 ถึง 5 ไม่ได้ อย่าเพิ่งสรุปว่ากําลังสร้าง Agent คุณอาจมีเพียงโมเดลที่สร้างข้อความ และนั่นไม่ใช่เรื่องเสียหาย ระบบที่เล็กกว่าอาจเหมาะกับงานกว่า เพียงแต่ทีมต้องเรียกองค์ประกอบให้ถูกเพื่อออกแบบและทดสอบได้

สรุปคําที่มักสับสน

• AI system ไม่ใช่ Model: ระบบรวมคน ข้อมูล interface และ control รอบโมเดล
• Generative AI ไม่ใช่ LLM: LLM เป็น Generative AI ประเภทภาษา
• Transformer ไม่ใช่ LLM: อันแรกคือสถาปัตยกรรม อันหลังคือโมเดลภาษา
• Token ไม่ใช่คํา: การแบ่งขึ้นกับ tokenizer
• Prompt ไม่ใช่ Instructions: prompt อาจบรรจุ instructions และข้อมูลอื่นร่วมกัน
• Context window ไม่ใช่ Memory: ความจําต้องมีกลไกเก็บและดึงกลับ
• Inference ไม่ใช่ Training: การตอบ request ไม่ได้แก้พารามิเตอร์โมเดลโดยอัตโนมัติ
• Agent ไม่ใช่ LLM: Agent คือระบบที่ใช้โมเดลควบคุมงานและ tools บางส่วน

ตอนถัดไปจะเปิดกล่อง Agent ดูทีละชิ้น ตั้งแต่ goal, loop และ tool call ไปจนถึง state, memory และ handoff

แหล่งอ้างอิง

• OECD: Explanatory memorandum on the updated definition of an AI system
• NIST: Generative Artificial Intelligence glossary
• Vaswani et al.: Attention Is All You Need
• OpenAI: Tokenizer
• NIST: Artificial Intelligence Risk Management Framework, Generative AI Profile
• Anthropic: Building effective agents

ตรวจสอบแหล่งอ้างอิงล่าสุด: 17 สิงหาคม 2026