Google Research เปิดตัว Harness² เฟรมเวิร์กปรับปรุงโครงสร้างสถาปัตยกรรมเอเจนต์แบบเรียกซ้ำโดยไม่ต้องแก้ค่าน้ำหนักโมเดล

ปลดล็อกขีดจำกัดเอเจนต์ด้วยการปรับโครงสร้าง Scaffolding แบบเรียกซ้ำ

Google Cloud AI Research ร่วมกับมหาวิทยาลัย Northwestern (Northwestern University) ได้เผยแพร่รายงานทางเทคนิคและเปิดคลังรหัสต้นฉบับโอเพนซอร์สของเฟรมเวิร์กใหม่ในชื่อ Harness² ภายใต้สัญญาอนุญาต Apache 2.0 บน GitHub โดยรองรับสภาพแวดล้อม Python 3.12 และ Python 3.13 เพื่อแก้ปัญหาคอขวดที่พบบ่อยในการพัฒนาปัญญาประดิษฐ์เชิงปฏิบัติการ (Autonomous AI Agents)

ในระบบเอเจนต์แบบดั้งเดิม นักพัฒนามักต้องออกแบบโครงร่างการทำงานหรือ Harness รอบตัวโมเดลไว้ล่วงหน้าแบบคงที่ ไม่ว่าจะเป็นข้อความสั่งระบบ (System Prompt), กลไกควบคุมความปลอดภัย (Guardrails), ระบบหน่วยความจำ (Memory), และคำแนะนำการเรียกใช้เครื่องมือ (Tool Guidance) เมื่อเผชิญกับภารกิจที่มีความซับซ้อนหลากหลาย โครงสร้างแบบตายตัวเหล่านี้มักทำงานได้ไม่เต็มประสิทธิภาพ อย่างไรก็ตาม Harness² ได้นำเสนอแนวคิดใหม่ด้วยการปล่อยให้ระบบตรวจสอบและปรับแต่งโครงสร้างการทำงานของตัวเองซ้ำๆ (Recursive Refinement) ในระหว่างช่วงเวลาการทดสอบหรือรันไทม์ (Test-time) โดยที่ค่าน้ำหนักของโมเดลรากฐาน (Foundation Model Weights) ยังคงถูกตรึงไว้อย่างสมบูรณ์โดยไม่มีการแตะต้องหรือเทรนซ้ำแม้แต่น้อย

เจาะลึกกลไก 8 องค์ประกอบ และกระบวนการ Propose–Probe–Compose

สถาปัตยกรรมของ Harness² ครอบคลุมการปรับแต่งชิ้นส่วนโมดูลาร์รอบตัวโมเดลทั้งหมด 8 องค์ประกอบหลัก ได้แก่ System Prompt, Guardrails, Memory, Tool Guidance, Subagents, Skills, Scripts และ Plugins หรือมิดเดิลแวร์การทำงาน ซึ่งองค์ประกอบทั้งหมดนี้สามารถถูกแก้ไขและประกอบใหม่ได้แบบไดนามิกตามลักษณะงาน

กระบวนการค้นหาและปรับปรุงจะดำเนินผ่านลูปเชิงเปรียบต่าง (Contrastive Optimization Loop) ภายใต้ขั้นตอน 'Propose–Probe–Compose' โดยที่ระบบไม่จำเป็นต้องพึ่งพาเฉลยคำตอบ (Ground-truth Answer Keys) หรืออาศัยมนุษย์คอยให้คะแนนประเมิน ในแต่ละรอบการทำงาน เฟรมเวิร์กจะสร้างชุด Harness คู่ขนานขึ้นมาทดสอบ 2 รูปแบบ คือชุดตัวเลือกที่มีคุณสมบัติคงที่แบบทั่วไป (Invariant General Candidate) และชุดตัวเลือกที่ปรับแต่งเฉพาะโดเมน (Domain-specific Candidate) เพื่อทดสอบเปรียบเทียบกับชุดรันอ้างอิง (Reference Run) จากนั้นจึงหลอมรวมความแตกต่างทางพฤติกรรมที่ประสบความสำเร็จเข้าด้วยกัน

นอกจากนี้ Harness² ยังมีกลไกหน่วยความจำระยะยาวข้ามภารกิจ โดยระบบจะบันทึกโครงสร้าง Harness ที่ผ่านการปรับปรุงแล้ว รวมถึงประวัติสรุปบทเรียนและข้อผิดพลาดในรูปแบบไฟล์ EXPERIENCE.md เข้าสู่คลังข้อมูลถาวรเฉพาะโดเมน (Persistent Per-domain Library) ทำให้การทำงานในโจทย์ถัดไปเริ่มต้นจากฐานความรู้ที่พัฒนาขึ้นอย่างต่อเนื่อง ไม่ต้องเริ่มนับหนึ่งใหม่ทุกครั้ง

ผลทดสอบทางวิศวกรรม: อัปเกรดประสิทธิภาพงานวิชาชีพโดยตรง

ในรายงานทางเทคนิค arXiv:2610.14224 คณะวิจัยได้ประเมินประสิทธิภาพของ Harness² ผ่านชุดทดสอบมาตรฐานวิชาชีพระดับสูง 3 รายการ ประกอบด้วย WorkBuddy-Bench, JobBench และ LAB โดยเชื่อมต่อกับระบบประมวลผล OpenCode และ Codex

ผลการทดสอบแสดงให้เห็นว่า การปรับปรุงโครงสร้าง Harness เพียงรอบเดียว (Single Refinement Step) สามารถดันคะแนนของโมเดล GLM-5 บนชุดทดสอบ WorkBuddy-Bench เพิ่มขึ้นถึง +11.5 จุด (กระโดดจากระดับ 64.2 ขึ้นไปแตะ 75.7) ขณะเดียวกันยังสร้างการเติบโตของคะแนนได้สูงถึง +4.5 จุดบน JobBench และขยับอัตราผ่านบางส่วน (Partial Pass Rate) บนเกณฑ์มาตรฐาน LAB สูงขึ้นอีก +11.8 เปอร์เซ็นต์พอยต์ ซึ่งพิสูจน์ให้เห็นว่าความสามารถในการแก้ปัญหาของระบบไม่ได้ขึ้นอยู่กับขนาดพารามิเตอร์เพียงอย่างเดียว แต่ขึ้นอยู่กับการจัดระเบียบสภาพแวดล้อมการทำงานของโมเดลด้วย

เสียงสะท้อนจากกลุ่มนักพัฒนา: นวัตกรรมที่น่าตื่นเต้นกับโจทย์งบประมาณ Context

ชุมชนนักพัฒนาวิศวกรรมเอเจนต์ให้การตอบรับการเปิดตัวครั้งนี้อย่างคึกคัก โดยผู้เชี่ยวชาญส่วนใหญ่มองว่าการแยกชั้นสถาปัตยกรรม Scaffolding ออกจากการเทรนโมเดล ช่วยขจัดข้อจำกัดเรื่องค่าใช้จ่ายในการเทรน และเปิดประตูให้เอเจนต์สามารถเรียนรู้และพัฒนาตนเองได้ในสภาวะรันไทม์จริงอย่างเป็นระบบ

อย่างไรก็ดี นักพัฒนาและวิศวกรซอฟต์แวร์หลายฝ่ายได้แสดงความกังวลในเชิงปฏิบัติการ โดยเฉพาะปัญหาเรื่องขนาด Context Window ที่อาจบวมขึ้นอย่างรวดเร็ว (Context Bloat) จากการวนลูปทดสอบและบันทึกประวัติการปรับปรุง ซึ่งอาจส่งผลให้ความหน่วงในการตอบสนอง (Latency) พุ่งสูงขึ้น หรือทำให้ค่าธรรมเนียม API สูงเกินควบคุมหากนำไปรันบนโมเดลเชิงพาณิชย์ขนาดใหญ่ สำหรับนักพัฒนาที่รันโมเดลภายในองค์กร (Local LLMs) ข้อจำกัดด้านหน่วยความจำอาจกลายเป็นกำแพงสำคัญ นอกจากนี้ ผู้พัฒนาระบบที่มีประสบการณ์บางรายยังตั้งข้อสังเกตว่า แนวปฏิบัตินี้มีความคล้ายคลึงกับการเขียนโค้ดให้ Subagent ปรับปรุง Prompt ของตนเอง (Ad-hoc Metaprompting) ที่เคยใช้งานกันอยู่แล้ว จึงต้องจับตาดูว่าความสามารถเชิงโครงสร้างของ Harness² จะให้ผลลัพธ์ที่คุ้มค่ากว่าระบบเดิมที่สร้างขึ้นเองหรือไม่

ขณะเดียวกัน เอกสาร README อย่างเป็นทางการของโครงการได้ระบุชัดเจนว่า Harness² ในปัจจุบันยังคงมีสถานะเป็นโค้ดทดลองเพื่องานวิจัย (Research Code) และยังไม่ถือเป็นผลิตภัณฑ์ที่ได้รับการสนับสนุนอย่างเป็นทางการในระดับ Enterprise SLA จาก Google แต่อย่างใด

นัยสำคัญต่อภาคธุรกิจและองค์กรในประเทศไทย

สำหรับองค์กรธุรกิจและสตาร์ทอัพในประเทศไทยที่กำลังพัฒนาโซลูชันด้าน AI ในสายงานเฉพาะทาง เช่น ฝ่ายสนับสนุนลูกค้า, ระบบประมวลผลเอกสารทางกฎหมาย, หรือระบบงานธุรการอัตโนมัติ Harness² นำเสนอแนวทางการเพิ่มประสิทธิภาพระบบที่คุ้มค่าด้านงบประมาณ เพราะองค์กรไม่จำเป็นต้องจัดสรรทรัพยากรไปกับการทำ Supervised Fine-Tuning (SFT) ที่ต้องใช้ฮาร์ดแวร์ GPU ราคาแพง

โครงสร้างที่สามารถแก้ไข Guardrails, Memory และชุดสคริปต์ได้โดยอัตโนมัติ ช่วยให้องค์กรสามารถควบคุมความปลอดภัยและกรอบการทำงานตามระเบียบข้อบังคับในประเทศได้อย่างยืดหยุ่น อย่างไรก็ตาม ผู้นำฝ่ายเทคโนโลยี (CTO) และทีมวิศวกรรมข้อมูลในไทยควรเริ่มต้นจากการทดสอบในโหมด Sandbox เพื่อตรวจวัดปริมาณการใช้โทเค็นและคำนวณต้นทุนการเรียกใช้ API ให้ชัดเจน ก่อนจะตัดสินใจนำสถาปัตยกรรมการเรียนรู้แบบเรียกซ้ำนี้ไปเชื่อมโยงกับกระบวนการทำงานหลักขององค์กร