ก่อนหน้านี้ไม่นาน บทความแนะนำเกี่ยวกับ ZeroClaw เคยได้รับความสนใจ โครงการนี้เขียนใหม่ด้วย Rust ทำให้การใช้หน่วยความจำลดลงเหลือเพียง 5MB ความเร็วในการเริ่มต้นเทียบเท่ากับคำสั่งระบบ ซึ่งเหนือกว่า OpenClaw ที่ใช้หน่วยความจำ 394MB อย่างมาก

หลังจากบทความเผยแพร่ ชุมชนได้อภิปรายกันอย่างคึกคัก ผู้ใช้หลายคนคิดว่าแม้ว่า ZeroClaw จะมีประสิทธิภาพโดดเด่น แต่ในด้านความสมบูรณ์ของฟังก์ชันการทำงานยังมีพื้นที่สำหรับการพัฒนา และคาดหวังให้มีเฟรมเวิร์ก Agent ที่สมบูรณ์ยิ่งขึ้น

หลังเทศกาลฤดูใบไม้ผลิผ่านไปไม่นาน OpenFang ก็ได้เปิดตัวอย่างเป็นทางการ นี่คือระบบปฏิบัติการ Agent ระดับการผลิตที่สร้างด้วย Rust หลังจากเปิดตัวเป็นโอเพนซอร์ส ก็ได้รับดาว (Star) มากกว่า 2700 ดวงอย่างรวดเร็ว หากพูดว่า ZeroClaw มุ่งแก้ไขปัญหาประสิทธิภาพการทำงาน ดังนั้น OpenFang ก็มุ่งมั่นที่จะ เชื่อมโยงความสามารถ AI ที่กระจัดกระจายให้กลายเป็นเวิร์กโฟลว์ที่สามารถทำงานอัตโนมัติอย่างต่อเนื่องได้

ตัวอย่างเช่น คุณสามารถตั้งค่าให้ทุกเช้าระบบจัดเตรียมข่าวสาร AI ยอดนิยมของวันนั้นโดยอัตโนมัติ และตัดต่อและเผยแพร่วิดีโอที่ถ่ายในวันก่อนหน้าได้เสร็จสิ้น กระบวนการทั้งหมดไม่ต้องการการกระตุ้นด้วยมนุษย์ ทำงานโดยอัตโนมัติโดย OpenFang ตามขั้นตอนที่กำหนดไว้ล่วงหน้า

หัวใจสำคัญที่ทำให้เวิร์กโฟลว์อัตโนมัตินี้เป็นจริงได้ คือ แพ็คเกจความสามารถอัตโนมัติที่สร้างไว้ล่วงหน้า Hands ที่ OpenFang นำมาใช้ในครั้งนี้

พูดให้เข้าใจง่าย Agent ทั่วไปเปรียบเสมือนพนักงานรับจ้างที่รับงานตามความต้องการ จำเป็นต้องออกคำสั่งสำหรับแต่ละงานเฉพาะเจาะจง ในขณะที่ Hands นั้น更像พนักงานที่มีขั้นตอนการทำงานมาตรฐาน (SOP) ที่สมบูรณ์ คุณเพียงแค่ตั้งเป้าหมาย มันจะวางแผนและดำเนินการกระบวนการที่สมบูรณ์ด้วยตนเอง และรายงานผลหลังจากเสร็จสิ้น โดยไม่ต้องการการแทรกแซงจากมนุษย์ในระหว่างนั้น

ภายในแต่ละ Hand ประกอบด้วยองค์ประกอบหลักสี่ส่วน: แผนการทำงาน, ฐานความรู้ผู้เชี่ยวชาญ, สิทธิ์ในการเรียกใช้เครื่องมือ และตัวชี้วัดการตรวจสอบ Dashboard หลังจากเปิดใช้งาน มันรู้อย่างชัดเจนว่าควรทำอะไร, ควรดำเนินการเมื่อใด และควรส่งมอบผลลัพธ์ไปที่ใด จึงทำให้เกิดวงจรปิดของเวิร์กโฟลว์

นี่คือความแตกต่างพื้นฐานระหว่าง Hands กับ Agent ทั่วไป — ไม่ใช่จำนวนฟังก์ชันการทำงานที่มากหรือน้อย แต่คือความแตกต่างในรูปแบบการทำงานโดยพื้นฐาน

ปัจจุบัน OpenFang มี Hands ที่สามารถทำงานอัตโนมัติตลอด 24 ชั่วโมงในตัว 7 ตัว ต่อไปนี้คือ 5 แพ็คเกจความสามารถที่เป็นตัวแทน:

• Collector: ตรวจสอบเป้าหมายที่กำหนดอย่างต่อเนื่อง (เช่น การเคลื่อนไหวของคู่แข่ง, การเปลี่ยนแปลงของกระแสความคิดเห็น) เมื่อมีสิ่งผิดปกติจะส่งการแจ้งเตือน และสร้างกราฟความรู้ในพื้นหลังพร้อมกัน
• Lead: ดำเนินการค้นพบลูกค้าที่มีศักยภาพ, การวิจัยทางอินเทอร์เน็ต, การให้คะแนน 0-100, การกำจัดข้อมูลซ้ำซ้อน เป็นต้น โดยอัตโนมัติทุกวัน สุดท้ายจัดส่งผลลัพธ์ในรูปแบบ CSV หรือ Markdown
• Researcher: นักวิจัยเชิงลึก ตรวจสอบข้ามแหล่งข้อมูลหลายแหล่งตามมาตรฐานการตรวจสอบข้อเท็จจริง สร้างรายงานวิจัยพร้อมแหล่งที่มาอ้างอิง รองรับการส่งออกหลายภาษา
• Clip: ไลน์การประมวลผลวิดีโอ อัปโหลดวิดีโอหนึ่งเรื่อง สามารถจดจำส่วนไฮไลต์, ตัดต่อเป็นแนวตั้ง, เพิ่มคำบรรยายภาพ, สร้างปก และเผยแพร่ไปยังแพลตฟอร์ม เป็นต้น 8 ขั้นตอนโดยอัตโนมัติ
• Browser: สามารถดำเนินการคลิก, กรอกแบบฟอร์ม เป็นต้น บนหน้าเว็บโดยอัตโนมัติ แต่เมื่อกระบวนการเกี่ยวข้องกับการทำธุรกรรมทางการเงิน จะหยุดทันทีและรอการยืนยันจากมนุษย์

นอกจากใช้ Hands ในตัวแล้ว ผู้ใช้ยังสามารถสร้างแพ็คเกจความสามารถเฉพาะของตนเองได้ ซึ่งขยายความสามารถในการทำงานอัตโนมัติของระบบได้อย่างมาก เพียงเขียนไฟล์กำหนดค่า HAND.toml กำหนดเครื่องมือ, พารามิเตอร์ และคำสั่ง (prompt) ให้เรียบร้อย ก็สามารถห่อหุ้มเป็น Hand ใหม่ได้

Agent มีสิทธิ์มากขึ้น ความปลอดภัยก็ยิ่งสำคัญมากขึ้น

Hands สามารถควบคุมเบราว์เซอร์, เผยแพร่เนื้อหาโดยอัตโนมัติ, ประมวลผลข้อมูล ซึ่งต้องการสิทธิ์ที่สูงกว่า Agent ทั่วไปมาก ยิ่งมีสิทธิ์มาก ความปลอดภัยก็ยิ่งสำคัญมากขึ้น เพื่อจุดประสงค์นี้ OpenFang ได้ออกแบบ กลไกความปลอดภัยอิสระ 16 ชั้น โดยแต่ละชั้นทำงานอย่างอิสระ

โค้ดเครื่องมือทำงานในแซนด์บ็อกซ์ WASM แม้ว่าจะมีปัญหาเกิดขึ้นก็จะไม่ส่งผลกระทบต่อระบบหลัก การดำเนินการทั้งหมดถูกบันทึกด้วยการเข้ารหัสแบบแฮชเชน (hash chain) หากเกิดข้อผิดพลาดสามารถระบุตำแหน่งได้อย่างแม่นยำและรวดเร็ว ไม่จำเป็นต้องให้มนุษย์คาดเดาหรือค้นหาบันทึก (log) นอกจากนี้ หาก Agent เกี่ยวข้องกับพฤติกรรมการใช้จ่าย ระบบจะบังคับให้มีการยืนยันจากมนุษย์ AI ไม่มีสิทธิ์ดำเนินการขั้นตอนต่อไปด้วยตนเอง

โดยรวมแล้ว OpenFang ได้สร้างสมดุลระหว่างความเป็นอัตโนมัติและความปลอดภัยได้ค่อนข้างดี โดยสร้างระบบข้อจำกัดไว้ในโครงสร้างโดยตรง แทนที่จะมาแก้ไขในภายหลัง

เปรียบเทียบกับ ZeroClaw, OpenClaw

ต่อไปนี้คือการเปรียบเทียบโดยละเอียดระหว่าง OpenFang กับ ZeroClaw และ OpenClaw ที่ทางผู้พัฒนาจัดเตรียมไว้

ในระดับฟังก์ชันการทำงาน ความสามารถในการจัดตารางงานอัตโนมัติ เป็นคุณสมบัติเฉพาะของ OpenFang นี่คือความแตกต่างหลักที่สุดระหว่างเฟรมเวิร์กนี้กับอีกห้าเฟรมเวิร์ก นอกจากนี้ จำนวนชั้นความปลอดภัยของมันสูงที่สุดในประเภทเดียวกัน ครอบคลุมจำนวนแพลตฟอร์มข้อความมากกว่าคู่แข่ง 2-3 เท่า และรองรับผู้ให้บริการ LLM ที่อยู่ในระดับแนวหน้าด้วย

ในด้านตัวชี้วัดประสิทธิภาพ เช่น เวลาเริ่มต้นเย็น (cold start time), การใช้หน่วยความจำ, ขนาดการติดตั้ง เป็นต้น OpenFang อยู่ระหว่างทั้งสอง: เบากว่า OpenClaw มาก สามารถทำงานลื่นไหลบนคอมพิวเตอร์ที่มีการกำหนดค่าทั่วไป; ในขณะเดียวกันก็มีฟังก์ชันการทำงานที่หลากหลายกว่า ZeroClaw มาก

จากการเปรียบเทียบจะเห็นได้ว่า ZeroClaw เบามากแต่ฟังก์ชันค่อนข้างเรียบง่าย OpenClaw มีฟังก์ชันหลากหลายแต่โหลดหนัก ในขณะที่ OpenFang ได้สร้างสมดุลระหว่างทั้งสองได้ค่อนข้างดี

ติดตั้งและปรับใช้ด้วยคำสั่งเดียว

รันคำสั่งสามข้อต่อไปนี้เพื่อเริ่มต้นอย่างรวดเร็ว:

bash
curl -fsSL https://openfang.sh/install | sh
openfang init
openfang start

สามารถเข้าถึงคอนโซลผ่านเบราว์เซอร์ที่ http://localhost:4200

สำหรับผู้ใช้ที่ใช้ OpenClaw อยู่แล้ว โครงการมีคำสั่งย้ายข้อมูลด้วยคำสั่งเดียว:

bash
openfang migrate --from openclaw

หลังจากดำเนินการ การกำหนดค่า Agent ทั้งหมด, ประวัติการสนทนา, ทักษะ (Skills) และไฟล์กำหนดค่าจะถูกย้ายโดยอัตโนมัติทั้งหมด ควรทราบว่าโครงการอยู่ในช่วงการพัฒนาอย่างรวดเร็ว ขอแนะนำให้สำรองข้อมูลก่อนติดตั้งและทดลองใช้

สรุป

จาก OpenClaw ไปสู่ ZeroClaw และถึง OpenFang เส้นทางวิวัฒนาการของเฟรมเวิร์ก Agent ชัดเจนขึ้นเรื่อยๆ: ระยะแรกมุ่งเน้นที่ฟังก์ชันการทำงาน ระยะที่สองมุ่งแสวงหาประสิทธิภาพ และปัจจุบันมุ่งเน้นที่การเพิ่มความสมบูรณ์ของกระบวนการอัตโนมัติ

มองลึกลงไป สิ่งที่ OpenFang บ่งชี้ ไม่ใช่เพียงแค่ทำให้ Agent ดำเนินงานต่างๆ ได้ด้วยตนเองมากขึ้น ดังเช่นที่การเกิดขึ้นของ Docker ไม่ได้มีเป้าหมายเพียงเพื่อเพิ่มประสิทธิภาพการทำงานของคอนเทนเนอร์เดียว แต่เพื่อให้กระบวนการปรับใช้ทั้งชุดสามารถทำซ้ำและจัดการได้ ตรรกะการออกแบบของ Hands โดยพื้นฐานแล้วก็อยู่ที่การห่อหุ้มมาตรฐานของเวิร์กโฟลว์การทำงานของ Agent ทำให้ AI มีความสามารถระดับการผลิต และทำให้สามารถจัดการ, ทำซ้ำ และขยายขนาดได้

เมื่อมาตรฐานนี้ค่อยๆ เจริญ成熟 จำนวนกระบวนการ Agent อัตโนมัติที่บุคคลหนึ่งสามารถจัดการได้ในเวลาเดียวกัน จะเป็นตัวกำหนดประสิทธิภาพการผลิตโดยตรง ซึ่งเทียบเท่ากับการประสานงานงานของทีมหนึ่ง

การแข่งขันในอนาคต กุญแจสำคัญอาจไม่ได้จำกัดอยู่ที่ว่าโมเดลของใครฉลาดกว่า แต่อยู่ที่ว่าเวิร์กโฟลว์ Agent ของใครทำงานได้เสถียรกว่า, ปลอดภัยกว่า, และมีต้นทุนต่ำกว่า

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง

☕ สนับสนุนค่ากาแฟทีมงาน

หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay

SCAN TO PAY WITH ANY BANK