คู่มือฉบับสมบูรณ์ LLM ตัวแทน (2025)

1.แบบจำลองภาษา 

แบบจำลองภาษา มักถูกมองว่าเป็น "สมอง" ของ LLM ตัวแทน คุณภาพและขนาดของตัวแทนส่งผลโดยตรงต่อประสิทธิภาพของ LLM ตัวแทน.

เป็นอัลกอริทึมอันซับซ้อนที่ได้รับการฝึกฝนด้วยชุดข้อมูลข้อความจำนวนมาก ซึ่งทำให้สามารถเข้าใจบริบท จดจำรูปแบบ และสร้างการตอบสนองที่สอดคล้องและเกี่ยวข้องกับบริบทได้

• ระบุและเรียนรู้รูปแบบภาษา
• รับระดับความตระหนักรู้เชิงบริบท (ด้วยข้อมูลการฝึกอบรมอันมากมาย)
• ปรับตัวเข้ากับโดเมนที่แตกต่างกันและจัดการกับหัวข้อที่หลากหลาย

โมเดลภาษาจะกำหนดความลึก ความแม่นยำ และความเกี่ยวข้องของการตอบสนอง ซึ่งเป็นรากฐานของความสามารถด้านภาษาของตัวแทน 

2. ความจำ

หน่วยความจำหมายถึงความสามารถในการเก็บข้อมูลจากการโต้ตอบที่ผ่านมา เช่น ข้อเท็จจริง การตั้งค่าของผู้ใช้ หรือหัวข้อต่างๆ ในแต่ละเซสชัน 

ซึ่งจะช่วยเพิ่มความเข้าใจบริบทของตัวแทนและทำให้การสนทนามีความต่อเนื่องและเกี่ยวข้องมากขึ้น 

ในการตั้งค่าบางอย่าง หน่วยความจำช่วยให้เอเจนต์สามารถเก็บข้อมูลไว้ได้ตลอดเวลา ซึ่งจะช่วยสนับสนุนการโต้ตอบในระยะยาว โดยเอเจนต์จะ "เรียนรู้" จากพฤติกรรมหรือการตั้งค่าของผู้ใช้ซ้ำๆ แม้ว่าโดยทั่วไปแล้วสิ่งนี้จะถูกควบคุมเพื่อความเป็นส่วนตัวและความเกี่ยวข้องก็ตาม

3. การใช้เครื่องมือ

การใช้เครื่องมือต้องใช้เวลา LLM ตัวแทนจากการสนทนาสู่การกระทำ 

หนึ่ง LLM ตัวแทนสามารถบูรณาการกับแอปพลิเคชันภายนอก ฐานข้อมูล หรือ API เพื่อดำเนินการฟังก์ชันเฉพาะต่างๆ ได้ 

ซึ่งหมายความว่าอุปกรณ์เหล่านี้สามารถดึงข้อมูลแบบเรียลไทม์ ดำเนินการภายนอก หรือเข้าถึงฐานข้อมูลเฉพาะทาง ซึ่งทำให้สามารถให้ข้อมูลแบบเรียลไทม์ได้ ซึ่งรวมถึง:

• การเรียก API
• การดึงข้อมูลสด เช่น การอัปเดตสภาพอากาศหรือราคาหุ้น
• การกำหนดเวลาการประชุมหรือการนัดหมาย
• การสอบถามฐานข้อมูล เช่น แคตตาล็อกผลิตภัณฑ์ หรือเอกสารนโยบายทรัพยากรบุคคล

การใช้เครื่องมือช่วยให้ LLM ตัวแทนที่จะย้ายจากระบบแบบพาสซีฟที่ใช้ความรู้ไปเป็นผู้มีส่วนร่วมที่กระตือรือร้นซึ่งสามารถเชื่อมต่อกับระบบอื่นๆ ได้

4. การวางแผน 

การวางแผนคือความสามารถของ LLM ตัวแทนในการแบ่งงานที่ซับซ้อนออกเป็นขั้นตอนที่สามารถจัดการได้ 

หนึ่ง LLM ตัวแทนสามารถวางแผนโดยมีหรือไม่มีคำติชมได้ ความแตกต่างคืออะไร?

• การวางแผน โดยปราศจาก การตอบรับหมายถึง LLM ตัวแทนจะสร้างแผนขึ้นมาโดยอิงจากความเข้าใจเบื้องต้น ซึ่งจะเร็วกว่าและง่ายกว่า แต่ขาดความสามารถในการปรับตัว
• การวางแผน ด้วย การตอบรับหมายถึง LLM ตัวแทนสามารถปรับปรุงแผนงานได้อย่างต่อเนื่อง โดยรับข้อมูลจากสภาพแวดล้อม แม้จะซับซ้อนกว่าแต่ก็มีความยืดหยุ่นมากกว่ามากและปรับปรุงประสิทธิภาพการทำงานในระยะยาว 

โดยการวางแผน LLM ตัวแทนสามารถสร้างการไหลแบบลอจิกที่เคลื่อนไปสู่การแก้ปัญหาอย่างค่อยเป็นค่อยไป ทำให้มีประสิทธิภาพมากขึ้นในการจัดการคำขอที่ซับซ้อน

1. ตัวแทนสนทนา (เช่น ฝ่ายสนับสนุนลูกค้าและการสร้างลูกค้าเป้าหมาย)

ตัวแทนประเภทนี้จะโต้ตอบกับผู้ใช้อย่างเป็นธรรมชาติ โดยมักให้ข้อมูล ตอบคำถาม และช่วยเหลือในงานต่างๆ 

ตัวแทนเหล่านี้พึ่งพา LLMs เพื่อเข้าใจและสร้างการตอบสนองเหมือนมนุษย์ 

ตัวอย่าง: ตัวแทนฝ่ายสนับสนุนลูกค้า และ แชทบอทด้านการดูแลสุขภาพ

2. ตัวแทนที่เน้นงาน (เช่น ผู้ช่วย AI และเวิร์กโฟลว์ AI)

ตัวแทนเหล่านี้จะมุ่งเน้นที่การดำเนินการงานเฉพาะหรือบรรลุวัตถุประสงค์ที่กำหนดไว้ล่วงหน้า โดยจะโต้ตอบกับผู้ใช้เพื่อทำความเข้าใจความต้องการของพวกเขาและดำเนินการเพื่อตอบสนองความต้องการเหล่านั้น

ตัวอย่าง: ผู้ช่วย AI และ บอท HR

3. ตัวแทนสร้างสรรค์ (เช่น เครื่องมือสร้างเนื้อหา)

มีความสามารถในการสร้างเนื้อหาที่เป็นต้นฉบับและสร้างสรรค์ เช่น งานศิลปะ ดนตรี หรือการเขียน ตัวแทนเหล่านี้ใช้ LLMs เพื่อเข้าใจถึงความชอบและรูปแบบทางศิลปะของมนุษย์ เพื่อให้พวกเขาสามารถผลิตเนื้อหาที่ตรงใจผู้ชมได้ 

ตัวอย่าง: เครื่องมือสร้างเนื้อหาและเครื่องมือสร้างภาพ (เช่น Dall-E -

4. ตัวแทนการทำงานร่วมกัน (เช่น ตัวแทน AI ขององค์กร)

ตัวแทนเหล่านี้ทำงานร่วมกับมนุษย์เพื่อบรรลุเป้าหมายหรือภารกิจร่วมกัน อำนวยความสะดวกในการสื่อสาร การประสานงาน และความร่วมมือระหว่างสมาชิกในทีมหรือระหว่างมนุษย์กับเครื่องจักร 

LLMs อาจสนับสนุนตัวแทนร่วมมือโดยการช่วยในการตัดสินใจ จัดทำรายงาน หรือให้ข้อมูลเชิงลึก

ตัวอย่าง: ตัวแทน AI ขององค์กรส่วน ใหญ่และแชทบอทการจัดการโครงการ

สนับสนุนลูกค้า

จาก การศึกษาบริษัท 167 แห่ง โดยผู้เชี่ยวชาญด้านระบบอัตโนมัติ Pascal Bornet พบว่า บริการลูกค้าเป็นกรณีการใช้งานที่ได้รับความนิยมมากที่สุด สำหรับ LLM ตัวแทนรับเลี้ยงบุตรบุญธรรม

LLM ตัวแทนถูกใช้กันอย่างแพร่หลายในการสนับสนุนลูกค้าเพื่อจัดการคำถามที่พบบ่อย แก้ไขปัญหา และให้ความช่วยเหลือตลอด 24 ชั่วโมงทุกวัน 

ตัวแทนเหล่านี้สามารถติดต่อกับลูกค้าได้แบบเรียลไทม์ เพื่อเสนอความช่วยเหลือทันทีหรือส่งต่อคำถามที่ซับซ้อนไปยังตัวแทนที่เป็นมนุษย์

ดูเพิ่มเติม: Chatbot ฝ่ายบริการลูกค้าคืออะไร?

การขายและการสร้างโอกาสในการขาย

ในการขาย LLM ตัวแทนใช้สำหรับ การสร้างโอกาสทางการขายด้วย AI — ตัวแทนสามารถคัดกรองโอกาสทางการขายในภายหลังได้โดยการดึงลูกค้าเป้าหมายเข้าร่วมบทสนทนา ประเมินความต้องการ และรวบรวมข้อมูลที่มีค่า 

พวกเขายังสามารถดำเนินการโต้ตอบติดตามแบบอัตโนมัติ ส่งคำแนะนำส่วนบุคคลหรือข้อมูลผลิตภัณฑ์ตามความสนใจของลูกค้าได้ 

ดูเพิ่มเติม: วิธีใช้ AI เพื่อการขาย

การสนับสนุนภายใน: ทรัพยากรบุคคลและไอที

สำหรับการสนับสนุนภายใน LLM ตัวแทนปรับปรุงกระบวนการทรัพยากรบุคคลและไอทีโดยจัดการกับการสอบถามทั่วไปจากพนักงาน

ในความเป็นจริง การศึกษาของ Bornet พบว่า LLM ตัวแทนในการดำเนินการภายในมีต้นทุนคุ้มค่าที่สุด โดย ช่วยประหยัดเวลาได้ 30-90% เมื่อ เทียบกับก่อนหน้านี้ที่ใช้ในการดำเนินการงานภายใน

ในส่วนทรัพยากรบุคคล พวกเขาจะตอบคำถามในหัวข้อต่างๆ เช่น สวัสดิการ นโยบายการลา และการจ่ายเงินเดือน ในขณะที่ในส่วนไอที พวกเขาจะแก้ไขปัญหาทางเทคนิคพื้นฐานหรือทำให้กระบวนการประจำวันต่างๆ เป็นแบบอัตโนมัติ เช่น การตั้งค่าบัญชี 

สิ่งนี้ช่วยให้ทีมงานทรัพยากรบุคคลและไอทีมุ่งเน้นไปที่ความรับผิดชอบที่ซับซ้อนยิ่งขึ้น แทนที่จะทำงานที่ยุ่งยากซ้ำซากจำเจ

ดูเพิ่มเติม: ตัวแทน AI ที่ดีที่สุดสำหรับ HR

1. การสร้างเสริมการสืบค้น

RAG เป็นชื่อที่เก๋ไก๋สำหรับสิ่งเรียบง่ายที่เราทุกคนเคยทำ ChatGPT : การวางข้อความบางอย่างลงใน ChatGPT และถามคำถามเกี่ยวกับเรื่องนี้

ตัวอย่างทั่วไปคือการถามว่ามีผลิตภัณฑ์บางอย่างอยู่ในสต็อกบนเว็บไซต์อีคอมเมิร์ซหรือไม่ และแชทบอทค้นหาข้อมูลในแคตตาล็อกผลิตภัณฑ์ (แทนที่จะใช้อินเทอร์เน็ตที่กว้างขวางกว่า)

ในด้านความเร็วในการพัฒนาและการได้รับข้อมูลแบบเรียลไทม์ RAG เป็นสิ่งที่ต้องมี

โดยปกติแล้วมันจะไม่ส่งผลต่อรุ่นที่คุณจะเลือก อย่างไรก็ตาม ไม่มีอะไรที่จะหยุดคุณจากการสร้าง LLM จุดสิ้นสุด API ที่สอบถามข้อมูลและคำตอบและใช้จุดสิ้นสุดนี้ราวกับว่าเป็นของตัวเอง LLM -

การใช้ RAG สำหรับแชทบอทที่ใช้ความรู้มักจะดูแลรักษาง่ายกว่า เพราะคุณไม่จำเป็นต้องปรับแต่งโมเดลและอัปเดตให้ทันสมัยอยู่เสมอ ซึ่งยังสามารถช่วยลดต้นทุนได้อีกด้วย

2. การปรับแต่งอย่างละเอียด

การปรับปรุงให้ละเอียดเกี่ยวข้องกับการให้ตัวอย่างแก่โมเดลของคุณเพื่อให้เรียนรู้วิธีการทำงานบางอย่างได้ดี หากคุณต้องการให้โมเดลของคุณโดดเด่นในการพูดถึงผลิตภัณฑ์ของคุณ คุณอาจให้ตัวอย่างการโทรขายที่ดีที่สุดของบริษัทของคุณ

หากโมเดลเป็นโอเพ่นซอร์ส ให้ถามตัวเองว่าทีมของคุณมีความสามารถด้านวิศวกรรมเพียงพอที่จะปรับแต่งโมเดลหรือไม่

หากโมเดลเป็นแหล่งข้อมูลปิดและให้บริการ – GPT -4 หรือ Claude – จากนั้นคุณสามารถให้วิศวกรของคุณปรับแต่งโมเดลที่กำหนดเองโดยใช้ API ได้ โดยปกติแล้วราคาจะเพิ่มขึ้นอย่างมากเมื่อใช้วิธีนี้ แต่แทบจะไม่ต้องบำรุงรักษาเลย

แต่สำหรับกรณีการใช้งานหลายๆ กรณี การปรับแต่งไม่ใช่ขั้นตอนแรกในการปรับปรุงโมเดลของคุณให้เหมาะสมที่สุด

ตัวอย่างที่ดีสำหรับการปรับแต่งคือการสร้างบอทความรู้สำหรับความรู้คงที่ โดยการให้ตัวอย่างคำถามและคำตอบ บอทควรจะสามารถตอบคำถามเหล่านั้นได้ในอนาคตโดยไม่ต้องค้นหาคำตอบ แต่ไม่ใช่วิธีแก้ปัญหาที่ใช้งานได้จริงสำหรับข้อมูลแบบเรียลไทม์

3. การเรียนรู้แบบ N-shot

วิธีที่เร็วที่สุดในการเริ่มต้นในการปรับปรุงคุณภาพของการตอบสนองคือการให้ตัวอย่างในรูปแบบเดียว LLM การเรียก API

Zero-shot – การให้ตัวอย่างศูนย์ของสิ่งที่คุณกำลังมองหาในคำตอบ – เป็นวิธีที่พวกเราส่วนใหญ่ใช้ ChatGPT การเพิ่มตัวอย่างหนึ่งตัวอย่าง (หรือแบบช็อตเดียว) มักจะเพียงพอที่จะเห็นการปรับปรุงที่สำคัญในคุณภาพการตอบสนอง

การมีตัวอย่างมากกว่าหนึ่งตัวอย่างถือเป็น n-shot n-shot จะไม่เปลี่ยนโมเดล ซึ่งแตกต่างจากการปรับแต่งอย่างละเอียด คุณเพียงแค่ยกตัวอย่างก่อนที่จะขอคำตอบทุกครั้งที่คุณถามคำถาม

แต่กลยุทธ์นี้ไม่สามารถใช้มากเกินไปได้: LLM โมเดลมีขนาดบริบทสูงสุดและมีราคาตามขนาดของข้อความ การปรับแต่งอย่างละเอียดจะช่วยลดความจำเป็นในการใช้ตัวอย่างแบบ n-shot แต่จะใช้เวลานานกว่าจึงจะออกมาถูกต้อง

4. เทคนิควิศวกรรมที่รวดเร็ว

มีเทคนิคทางวิศวกรรมที่รวดเร็วอื่นๆ เช่น ลำดับความคิด ที่บังคับให้โมเดลคิดดังๆ ก่อนที่จะคิดหาคำตอบ

ยังมี การเชื่อมโยงพร้อมท์ ซึ่งสนับสนุนให้โมเดลแบ่งงานที่ซับซ้อนออกเป็นขั้นตอนย่อยๆ โดยการรันพร้อมท์หลายๆ อันตามลำดับ

กลยุทธ์เหล่านี้อาจช่วยเพิ่มคุณภาพและความน่าเชื่อถือของการตอบกลับได้อย่างมาก โดยเฉพาะสำหรับงานที่ต้องใช้การใช้เหตุผลจำนวนมาก แต่ก็มักต้องแลกมากับการตอบกลับที่ยาวขึ้น การใช้โทเค็นที่สูงขึ้น และประสิทธิภาพที่ช้าลง

วิธีนี้จะเพิ่มคุณภาพของการตอบสนองแต่ต้องแลกมาด้วยความยาว ค่าใช้จ่าย และความเร็วของการตอบสนอง

1. กำหนดวัตถุประสงค์

ขั้นตอนแรกใน การสร้างตัวแทน AI หรือแชทบอท คือการระบุให้ชัดเจนว่าคุณต้องการให้มันทำหน้าที่อะไร

ชี้แจงสิ่งที่คุณต้องการ LLM ตัวแทนที่จะบรรลุเป้าหมาย ไม่ว่าจะเป็นการช่วยเหลือในการสอบถามของลูกค้า การสร้างเนื้อหา หรือการจัดการงานเฉพาะ 

การระบุเป้าหมายที่ชัดเจนจะกำหนดการตั้งค่าและการกำหนดค่าของตัวแทน

2. เลือกแพลตฟอร์ม AI

แพลตฟอร์ม AI ที่ดีที่สุด จะขึ้นอยู่กับเป้าหมายและความต้องการของคุณโดยสิ้นเชิง 

เลือกแพลตฟอร์มที่ตรงตามความต้องการของคุณโดยพิจารณาปัจจัยต่างๆ เช่น ตัวเลือกการปรับแต่ง ความสามารถในการรวมเข้าด้วยกัน ความสะดวกในการใช้งาน และการสนับสนุน 

แพลตฟอร์มควรจะ:

• รองรับกรณีการใช้งานที่คุณต้องการ
• เสนอสิ่งที่คุณต้องการ LLMs
• เสนอความสามารถในการบูรณาการ

3. กำหนดค่า LLM

ขึ้นอยู่กับตัวเลือกของแพลตฟอร์ม ให้เลือกแบบที่สร้างไว้ล่วงหน้า LLM หรือปรับแต่งโมเดลสำหรับงานเฉพาะทางหากจำเป็น 

แพลตฟอร์มต่างๆ จำนวนมากนำเสนอโมเดลภาษาในตัวที่ได้รับการฝึกอบรมไว้ล่วงหน้าและพร้อมใช้งาน

หากคุณสนใจในการปรับแต่งของคุณ LLM การใช้งาน อ่านบทความของเราเกี่ยวกับ การเลือกตัวเลือก LLM ที่กำหนดเองสำหรับโครงการ AI ของคุณ จากวิศวกรการเติบโตของเรา Patrick Hamelin -

4. รวมเครื่องมือ 

แพลตฟอร์มส่วนใหญ่มี ตัวเลือกการรวมระบบ สำหรับเครื่องมือภายนอก เชื่อมต่อ API ฐานข้อมูล หรือทรัพยากรที่ตัวแทนของคุณจำเป็นต้องเข้าถึง เช่น ข้อมูล CRM หรือข้อมูลแบบเรียลไทม์

5. ทดสอบและปรับปรุง

ทดสอบตัวแทนอย่างละเอียดโดยใช้เครื่องมือทดสอบในตัวของแพลตฟอร์ม ปรับพารามิเตอร์ การกำหนดคำกระตุ้น และเวิร์กโฟลว์ตามผลลัพธ์การทดสอบเพื่อให้แน่ใจว่าตัวแทนทำงานได้ดีในสถานการณ์จริง

6. การใช้งานและการตรวจสอบ 

ใช้เครื่องมือตรวจสอบของแพลตฟอร์มเพื่อติดตามการโต้ตอบและประสิทธิภาพของตัวแทนหลังการปรับใช้ 

รวบรวมข้อมูลเชิงลึกและปรับแต่งการตั้งค่าตามความจำเป็น โดยใช้ประโยชน์จากกลไกการตอบรับที่แพลตฟอร์มจัดทำไว้ให้

1. ความแตกต่างระหว่าง LLM ตัวแทนและแชทบอท?

ความแตกต่างระหว่าง LLM ตัวแทนและแชทบอทคือแชทบอทที่ปฏิบัติตามกฎที่กำหนดไว้ล่วงหน้าหรือกระแสการสนทนา ในขณะที่ LLM ตัวแทนใช้โมเดลภาษาขนาดใหญ่เพื่อทำความเข้าใจเจตนา ดึงข้อมูล ดำเนินการโดยใช้เครื่องมือหรือ API และปรับการตอบสนองแบบไดนามิก LLM ตัวแทนถูกสร้างขึ้นมาเพื่อใช้เหตุผลและดำเนินการอย่างอิสระ มากกว่าจะตอบกลับเพียงอย่างเดียว

2. สามารถทำได้ LLM ตัวแทนทำงานโดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต?

LLM เอเจนต์จะทำงานได้โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ตก็ต่อเมื่อโมเดลภาษาและเครื่องมือหรือข้อมูลที่จำเป็นทั้งหมดถูกโฮสต์ไว้ในเครื่องภายในองค์กรเท่านั้น อย่างไรก็ตาม การผลิตส่วนใหญ่ LLM ตัวแทนจะต้องพึ่งพา API บนคลาวด์หรือบริการภายนอกสำหรับงานต่างๆ เช่น การค้นหาอัปเดตหรือการเข้าถึง CRM

3. ทำ LLM ตัวแทนจำเป็นต้องมีโมเดลภาษาแบ็กเอนด์เสมอหรือไม่?

ใช่, LLM ตัวแทนจำเป็นต้องมีแบ็กเอนด์โมเดลภาษาอยู่เสมอ เนื่องจากสถาปัตยกรรมทั้งหมดขึ้นอยู่กับความสามารถของโมเดลในการประมวลผลอินพุตภาษาธรรมชาติและสร้างเอาต์พุต หากไม่มี LLM ตัวแทนไม่สามารถเข้าใจคำเตือนของผู้ใช้หรือตัดสินใจว่าจะทำอย่างไร

4. ข้อจำกัดหรือความเสี่ยงหลักในการใช้งานมีอะไรบ้าง LLM ตัวแทนในปัจจุบัน?

ข้อจำกัดหลักในการใช้งาน LLM ปัจจัยเหล่านี้รวมถึงอาการประสาทหลอน (ทำให้เกิดการตอบสนองที่ไม่ถูกต้อง) และอาจเกิดการรั่วไหลของข้อมูลหากอินพุต/เอาต์พุตไม่ได้รับการรักษาความปลอดภัยอย่างเหมาะสม นอกจากนี้ยังต้องอาศัยการออกแบบและการตรวจสอบอย่างรอบคอบเพื่อให้มั่นใจว่าพฤติกรรมการใช้งานจริงมีความน่าเชื่อถือและเป็นไปตามข้อกำหนด

5. อุตสาหกรรมใดบ้างที่กำลังนำมาใช้ LLM ตัวแทนที่เร็วที่สุด?

อุตสาหกรรมที่นำมาใช้ LLM ตัวแทนที่เร็วที่สุดได้แก่ การสนับสนุนลูกค้า การจัดการบริการไอที การบริหารการดูแลสุขภาพ บริการทางการเงิน และการขาย B2B โดยที่งานภาษาซ้ำๆ จำนวนมากสามารถทำให้เป็นอัตโนมัติเพื่อประสิทธิภาพและขนาดได้