เมื่อเร็วๆ นี้ OpenClaw ได้รับความนิยมอย่างรวดเร็ว ผู้ช่วย AI แบบโอเพ่นซอร์สที่มีโลโก้กุ้งมังกรสีแดงนี้ ได้รับดาวบน GitHub มากกว่า 160,000 ดาวภายในเวลาเพียงไม่กี่วัน
มันเปรียบเสมือนพนักงานซูเปอร์ที่ทำงานออนไลน์ 24X7 ผู้ใช้เพียงแค่ส่งคำสั่งผ่านแอปแชทอย่าง WhatsApp หรือ Telegram มันก็สามารถประมวลผลอีเมล จัดการปฏิทิน ท่องเว็บ จัดการไฟล์ หรือแม้กระทั่งรันโค้ดและทำงานที่ซับซ้อนได้โดยอัตโนมัติ
อย่างไรก็ตาม ปัญหาต่างๆ ก็ปรากฏขึ้นท่ามกลางความนิยม นอกจากความซับซ้อนในการติดตั้งและการปฏิบัติตามกฎระเบียบที่ไม่ดีแล้ว สิ่งที่ถูกวิพากษ์วิจารณ์มากที่สุดคือช่องโหว่ด้านความปลอดภัยที่เกิดขึ้นบ่อยครั้ง มีผู้ใช้ค้นพบบน Shodan ว่า เกตเวย์จำนวนมากที่ทำงานบนพอร์ต 18789 อยู่ในสถานะเปิดและขาดการตรวจสอบสิทธิ์ ซึ่งอาจนำไปสู่การเข้าถึงเชลล์ การรั่วไหลของอินเทอร์เฟซอัตโนมัติเบราว์เซอร์ และคีย์ API
ในความเป็นจริง ความสามารถของ OpenClaw ในการจัดสรรเครื่องมือประเภทต่างๆ เพื่อทำงานให้สำเร็จนั้น ขึ้นอยู่กับศูนย์กลางเกตเวย์แบบรวมศูนย์ แต่ปัญหาก็อยู่ที่ตรงนี้: เมื่อเกตเวย์ขาดการกำกับดูแลแบบรวมศูนย์ และการเรียกใช้เครื่องมือขาดการควบคุมที่มีประสิทธิภาพ ความเสี่ยงด้านความปลอดภัยก็เพิ่มสูงขึ้นอย่างรวดเร็ว
ดังนั้น ข้อสรุปพื้นฐานคือ: OpenClaw แสดงคุณค่าทางนวัตกรรมที่โดดเด่นในระดับการประยุกต์ใช้ Agent เหมาะอย่างยิ่งสำหรับการทดลองและทดสอบทางเทคนิค แต่ในปัจจุบัน การขาดแคลนความปลอดภัยและการกำกับดูแล ทำให้ยังไม่เหมาะสำหรับสภาพแวดล้อมการผลิตระดับองค์กร
ความยากลำบากของ OpenClaw ก็สะท้อนถึงความต้องการที่แท้จริงของ Agent ระดับองค์กร: ไม่เพียงแต่ต้องมีฟังก์ชันการทำงานที่ทรงพลัง แต่ยังต้องปลอดภัย ควบคุมได้ง่าย บูรณาการได้ง่าย และสามารถนำไปใช้ในระดับใหญ่ได้ นี่คือสิ่งที่ Volcano Engine AgentKit มุ่งมั่นที่จะแก้ไข
Volcano Engine AgentKit มุ่งแก้ไขจุดบกพร่องหลักสามประการในกระบวนการนำ Agent ระดับองค์กรไปใช้ ได้แก่ ความกระจัดกระจายของเครื่องมือ การเรียกใช้ที่ไม่มีประสิทธิภาพ และความเสี่ยงด้านความปลอดภัย โดยผ่านการแปลงระบบเดิมให้เป็นระบบอัจฉริยะด้วยวิศวกรรมย้อนกลับ AI การเรียกคืนและการกำกับดูแลเครื่องมือที่แม่นยำตามโปรโตคอล MCP เพื่อลดการใช้ Token การจัดการสินทรัพย์ Skills และระบบอัตลักษณ์แบบ Zero Trust
ข้อได้เปรียบเหล่านี้ได้รับการยืนยันแล้วในบางกรณีศึกษา
ในอุตสาหกรรมค้าปลีก กลุ่มบริษัทค้าปลีกระดับประเทศแห่งหนึ่งเคยเผชิญกับแรงกดดันในการดำเนินงานมหาศาล ทีมบริการลูกค้าต้องจัดการกับคำถามซ้ำๆ จำนวนมากทุกวัน และการค้นหาข้อมูลต้องข้ามผ่านระบบมากกว่า 10 ระบบ เช่น CRM, WMS, OMS โดยใช้เวลาค้นหาต่อครั้งนานถึง 2 นาที ด้วยการนำโซลูชัน Tools ของ AgentKit มาใช้ กลุ่มบริษัทนี้สามารถแปลงอินเทอร์เฟซหลักมากกว่า 50 รายการให้เป็นเครื่องมืออัจฉริยะที่มีความสามารถในการอธิบายความหมายผ่านบริการ MCP โดยไม่ต้องแก้ไขโค้ดแบ็กเอนด์ การผสานรวมอัจฉริยะแบบ “ไม่ต้องปรับเปลี่ยน” นี้ทำให้ Agent สามารถเข้าใจความตั้งใจที่ซับซ้อนได้ ตัวอย่างเช่น เมื่อผู้ใช้ถามว่า “ของแถมสำหรับคำสั่งซื้อ A คืออะไร” Agent จะแยกความตั้งใจออกเป็นส่วนๆ อย่างอิสระ และเรียกใช้เครื่องมือค้นหาคำสั่งซื้อ สต็อกเรียลไทม์ และกฎโปรโมชั่นตามลำดับ ทำให้เวลาค้นหาจากเดิมที่ใช้เวลานาทีลดลงเหลือเพียงวินาที นอกจากนี้ เนื่องจากการเรียกใช้เครื่องมือมีความแม่นยำมากขึ้น การใช้ Token ต่อการโต้ตอบหนึ่งครั้งลดลง 70%
ตรรกะเดียวกันนี้ได้รับการยืนยันในสาขา FinTech เช่นกัน บริษัทชำระเงินข้ามชาติแห่งหนึ่งใช้ Skill Studio ของ AgentKit เพื่อห่อหุ้มกลยุทธ์การปฏิบัติตามกฎระเบียบและการจัดการความเสี่ยงที่ซับซ้อนให้เป็น Skill อิสระที่ปฏิบัติได้ ผู้เชี่ยวชาญด้านการปฏิบัติตามกฎระเบียบไม่จำเป็นต้องเขียนโค้ด ก็สามารถปรับใช้ชุดทักษะ เช่น “การวิเคราะห์คลัสเตอร์ธุรกรรมข้ามชาติมูลค่าสูง” ได้อย่างรวดเร็ว โดยลดเวลาตอบสนองต่อกฎระเบียบจากระดับสัปดาห์เหลือเพียงระดับชั่วโมง ที่สำคัญกว่านั้น “รายงานการตัดสินใจ” ที่ Agent สร้างขึ้นสำหรับธุรกรรมที่น่าสงสัยแต่ละรายการ มีห่วงโซ่ตรรกะที่ชัดเจนอยู่ด้วย ซึ่งช่วยบรรเทาความกดดันในการตรวจสอบการปฏิบัติตามกฎระเบียบได้อย่างมาก
ทำไม Agent Tools ถึงนำไปใช้ได้ยาก?
เมื่อ Agent Tools มีประโยชน์ขนาดนี้ ทำไมถึงเพิ่งเริ่มนำไปใช้ในสถานการณ์องค์กรตอนนี้? นี่ทำให้ต้องพูดถึงปัญหาสามประการที่ Agent Tools เผชิญมายาวนาน: ความกระจัดกระจายของเครื่องมือ ความซับซ้อนในการเชื่อมต่อ และการกำกับดูแลที่เป็นกล่องดำ
ภายในองค์กรไม่ได้ไม่มีเครื่องมือ แต่ตรงกันข้ามคือมีเครื่องมือมากเกินไปและยุ่งเหยิง องค์กรมี API เก่าและบริการเดิมสะสมอยู่เป็นหมื่นๆ รายการ ซึ่งมีรูปแบบต่างกัน เอกสารไม่ครบถ้วน และขาดมาตรฐานการโต้ตอบที่เป็นหนึ่งเดียว เครื่องมือเหล่านี้เชื่อมต่อกับข้อมูลธุรกิจหลักซึ่งขาดไม่ได้ แต่โปรโตคอลหลักสำหรับการโต้ตอบระหว่าง Agent กับเครื่องมือภายนอกคือ MCP ในขณะที่บริการจำนวนมากภายในองค์กรยังคงเป็น HTTP API แบบดั้งเดิม หากพึ่งพาการปรับโครงสร้างใหม่ทีละรายการด้วยมือ วงจรการพัฒนาอาจใช้เวลาหลายเดือน ซึ่งยากที่จะตามจังหวะธุรกิจทัน
แม้ว่าจะเชื่อมต่อเครื่องมือได้แล้ว ปัญหาถัดมาก็ตามมา: เมื่อจำนวนเครื่องมือขยายตัวถึงระดับหนึ่ง ใครกำลังเรียกใช้อะไร ด้วยสิทธิ์อะไร ผลการเรียกใช้เป็นไปตามกฎระเบียบหรือไม่ คำถามเหล่านี้ล้วนตอบได้ยาก API Key แบบคงที่และ Token ระยะยาวแบบดั้งเดิมไม่สามารถติดตามกระบวนการเรียกใช้ และตรวจสอบได้ยาก ทำให้การเรียกใช้เครื่องมือกลายเป็นกล่องดำ ซึ่งเป็นความเสี่ยงที่องค์กรไม่สามารถยอมรับได้
วิธีวิทยาที่สกัดจากปฏิบัติการของ Volcano Engine
เมื่อเผชิญกับความท้าทายเหล่านี้ Volcano Engine ได้สรุปองค์ประกอบสำคัญและวิธีการที่ควรพิจารณาเมื่อออกแบบ Tools โดยเริ่มจาก 5 ระยะของวงจรชีวิตการเรียกใช้เครื่องมือ Agent
จากมุมมองของ Volcano Engine Tools คือ “ประสาทสัมผัส” และ “แขนขา” ที่เชื่อมต่อโมเดลภาษาขนาดใหญ่กับโลกแห่งความเป็นจริง Agent Tool ที่ดีต้องเป็นอินเทอร์เฟซการโต้ตอบที่ “เข้าใจได้ ปลอดภัย และมีความสามารถในการทนต่อข้อผิดพลาด”
- ระยะการพัฒนา: นักพัฒนาควรใช้ประโยชน์จากระบบประเภทของ Python อย่างเต็มที่ ร่วมกับ Pydantic BaseModel สำหรับการตรวจสอบพารามิเตอร์ และจำกัดค่าที่ระบุด้วย Literal พร้อมทั้งตั้งค่าค่าเริ่มต้นที่ชัดเจน เพื่อป้องกันไม่ให้โมเดล “เดาสุ่ม” ตั้งแต่พื้นฐาน
- ระดับการออกแบบอินเทอร์เฟซ: LLM ไม่สามารถเข้าใจอินเทอร์เฟซผ่านเอกสารทางเทคนิคเหมือนโปรแกรมดั้งเดิมได้ มันพึ่งพาคำอธิบายภาษาธรรมชาติเพื่อตัดสินใจว่าจะใช้เครื่องมืออย่างไร ดังนั้น นักพัฒนาจำเป็นต้องใช้เวลาในการขัดเกลา Docstring ใช้ตัวอย่างเพื่อชี้นำโมเดลให้ส่งพารามิเตอร์ได้อย่างถูกต้อง และยึดหลัก “ความรับผิดชอบเดียว” โดยแยกอินเทอร์เฟซที่ซับซ้อนออกเป็นเครื่องมือขนาดเล็กที่มีพารามิเตอร์ชัดเจนและหน้าที่แน่นอน เพื่อเพิ่มความเสถียรของสายการตัดสินใจของ Agent
- ระดับการจัดเรียงเครื่องมือ: หลังจากกำหนดเครื่องมือ MCP ระดับพื้นฐานอย่างชัดเจนแล้ว จำเป็นต้องคิดต่อไปว่าจะรวมเครื่องมืออิสระให้เป็นโฟลว์งานได้อย่างไร หลักการสำคัญคือการจัดแพ็คเกจเครื่องมือตามแนวทางงาน และใช้กลยุทธ์ “การเปิดเผยแบบค่อยเป็นค่อยไป” โดยจัดเตรียมเครื่องมือที่เกี่ยวข้องแบบไดนามิกตามความคืบหน้าของงาน เพื่อหลีกเลี่ยงความสับสนในการตัดสินใจของ Agent เนื่องจากเครื่องมือล้นมือ
- การดำเนินการและการทนต่อข้อผิดพลาด: เมื่อเครื่องมือเข้าสู่กระบวนการดำเนินการ การสร้างความสามารถในการซ่อมแซมตัวเองเป็นสิ่งสำคัญ เครื่องมือไม่ควรโยนข้อยกเว้นเมื่อพบข้อผิดพลาด แต่ควรส่งคืนข้อมูลที่มีโครงสร้างซึ่งรวมถึงคำแนะนำในการแก้ไข ร่วมกับปลั๊กอินที่สกัดกั้นข้อผิดพลาดและชี้นำให้ Agent ลองใหม่อัตโนมัติ
- ความปลอดภัยและประสิทธิภาพ: เพื่อรับประกันความปลอดภัย จำเป็นต้องนำกลไก Human-in-the-loop มาใช้ โดยคืนสิทธิ์การตัดสินใจให้ผู้ใช้ผ่านการยืนยันด้วยมนุษย์ก่อนดำเนินการที่ละเอียดอ่อน ในขณะเดียวกัน ผ่านวิธีการเพิ่มประสิทธิภาพประสิทธิภาพ เช่น การเรียกใช้แบบอะซิงโครนัสและการสรุปผล สามารถป้องกันการล้นของบริบทได้อย่างมีประสิทธิภาพ เพื่อให้แน่ใจว่า Agent ยังคงสามารถตอบสนองได้อย่างรวดเร็วแม้ในขณะที่ทำงานที่ซับซ้อน
“สามขุมพลัง” ของ AgentKit
วิธีวิทยาแก้ไขปัญหา “จะออกแบบเครื่องมือที่ดีได้อย่างไร” ในขณะที่สิ่งที่ AgentKit จะแก้ไขคือวิธีการนำไปใช้ในระดับใหญ่ในสถานการณ์ระดับองค์กร
Volcano Engine AgentKit ได้สร้างศูนย์กลาง Gateway ใหม่ Gateway นี้ต้องจัดการกับปริมาณการใช้งานพร้อมกันสูง สนับสนุน QPS ระดับล้าน และแก้ไขปัญหาสำคัญในเวลาเดียวกัน: จะทำให้ Agent เข้าใจอินเทอร์เฟซเก่าขององค์กรได้อย่างไร?
AgentKit Gateway มี “ตัวแปลง AI” อัจฉริยะที่ลดอุปสรรคในการทำให้แอปพลิเคชันองค์กรเป็น AI ลงอย่างมาก ผู้ใช้อัปโหลดเอกสาร Swagger/OpenAPI หรือโค้ดบางส่วน โมเดลภาษาขนาดใหญ่ก็สามารถสร้าง Tool Definition ที่เป็นไปตามมาตรฐาน MCP โดยอัตโนมัติ เติมคำอธิบายพารามิเตอร์และวัตถุประสงค์ที่ขาดหายไป ในขณะที่สร้างเครื่องมือ แพลตฟอร์มจะสร้างกรณีทดสอบพร้อมกัน เพื่อจำลองการเรียกใช้ Agent เพื่อตรวจสอบความพร้อมใช้งานของเครื่องมือและความถูกต้องของรูปแบบการส่งคืน หลังการแปลงเสร็จสิ้น สามารถโหลดลง Gateway ให้มีผลทันทีโดยไม่ต้องแก้ไขโค้ดธุรกิจใดๆ กล่าวกันว่าต้นทุนของการแปลงอัจฉริยะนี้ลดลง 80% เมื่อเทียบกับการปรับโครงสร้างใหม่ด้วยมือ ความน่าจะเป็นที่พรอมต์ที่สร้างขึ้นอัตโนมัติจะถูกโมเดลเข้าใจอย่างถูกต้องเกิน 95% และอัตราการแปลง API เก่าเป็นเครื่องมือ MCP โดยอัตโนมัติสูงถึง 90%
เมื่อจำนวนเครื่องมือขยายตัว จะมั่นใจได้อย่างไรว่า Agent สามารถเรียกใช้ได้อย่างแม่นยำและดำเนินการได้อย่างมีประสิทธิภาพ? AgentKit Gateway ในฐานะศูนย์กลาง Hub ดำเนินการกำกับดูแลแบบรวมศูนย์จากสามมิติ: ทราแฟฟิก การควบคุม และข้อมูล
ในระดับทราแฟฟิก ไม่ว่าจะเป็นการเรียก MCP โดย Agent การเรียก Agent โดย Agent หรือการเรียกบริการโมเดลโดย Agent ทั้งหมดสามารถจัดการทราแฟฟิกแบบรวมศูนย์ผ่าน Gateway ในระดับการควบคุม ผ่านคอนโซล Gateway สามารถกำหนดค่าเส้นทาง MCP เส้นทางโมเดล กลยุทธ์การปรับสมดุลโหลด รวมถึงความสามารถในการกำกับดูแลบริการแบบดั้งเดิม เช่น การจำกัดอัตราและความปลอดภัย ในระดับข้อมูล เมตาดาต้าทั้งหมดที่เกี่ยวข้องกับ Agent เช่น เมตาดาต้า MCP เมตาดาต้า API เมตาดาต้า Skills ต่างได้รับการจัดการวงจรชีวิตแบบรวมศูนย์ใน Gateway
AgentKit Gateway พัฒนามาจาก API Gateway ชั้นแอปพลิเคชัน Volcano Engine API Gateway ซึ่งพึ่งพาบริการและอินเทอร์เฟซจำนวนมากของลูกค้าที่โฮสต์โดย APIG สามารถแปลงเป็น MCP เพื่อให้ Agent เรียกใช้ได้อย่างสะดวก ซึ่งหมายความว่ามันได้รับการทดสอบในสถานการณ์จริงของธุรกิจ Volcano Engine จำนวนมากแล้ว
เพื่อแก้ไขปัญหาการซ้ำซ้อนของ Context การใช้ Token มากเกินไป และปัญหาหลอน (hallucination) ที่มีอยู่ในการเรียกใช้ MCP ดั้งเดิม AgentKit Gateway ได้แนะนำโซลูชันการค้นหาและเรียกคืนเครื่องมือที่เป็นเอกลักษณ์ ผู้ใช้สามารถกำหนดค่าผสมเครื่องมือ MCP Tools หลายรายการตามความต้องการของสถานการณ์ และค้นหาในโหมด Tag โดยขยาย MCP Tool ตามระดับตามสถานการณ์และ Tag ประเภท เพื่อเพิ่มประสิทธิภาพและความแม่นยำในการเรียกใช้
ข้อมูลการทดสอบแสดงให้เห็นว่า ภายใต้โหลดที่ซับซ้อนซึ่งมีการเรียกใช้ tools 50+ รายการ tokens ในการเรียก MCP ลดลง 70% ผ่านการเพิ่มประสิทธิภาพ Schema ความแม่นยำในการเติมพารามิเตอร์สำหรับการเรียกใช้เครื่องมือที่ซับซ้อนเพิ่มขึ้นเป็น 98.5% ร่วมกับเทคโนโลยีแคชเชิงความหมาย ความเร็วในการตอบสนองของเครื่องมือที่ใช้บ่อยเพิ่มขึ้น 300%
หลังจากเพิ่มประสิทธิภาพแล้ว สิ่งต่อไปที่ต้องแก้ไขคือความสามารถในการนำกลับมาใช้ใหม่และการจัดการเครื่องมือ
เมื่อใช้เครื่องมือที่แยกส่วนกันเป็นเวลานาน ทีมต่างๆ จะเกิดปัญหาการพัฒนาซ้ำซ้อนและความสับสนของเวอร์ชัน เพื่อแก้ไขปัญหานี้ Volcano Engine ได้สร้างคอมโพเนนต์ภายในชื่อ AgentKit Registry ซึ่งสามารถลงทะเบียนและจัดการทรัพยากรประเภทต่างๆ เช่น MCP, Skills อย่างเป็นหนึ่งเดียว
บนพื้นฐานนี้ พวกเขายังได้แนะนำ Skills ซึ่งเข้ากันได้อย่างสมบูรณ์กับมาตรฐานทางเทคนิคของ Claude Code Skills ในขณะเดียวกันก็เพิ่มมิติการจัดการระดับองค์กร
AgentKit ถือว่า Skills เป็นสินทรัพย์ดิจิทัลหลักขององค์กร และให้การจัดการวงจรชีวิตเต็มรูปแบบตั้งแต่การพัฒนา การทดสอบ การเผยแพร่ ไปจนถึงการปิดตัว
ผ่านความสามารถระดับแพลตฟอร์ม AgentKit แยกการจัดการ Skills ออกเป็นสามขั้นตอน: การสร้าง การจัดการ การค้นพบ และการดำเนินการ
กล่าวโดยเฉพาะคือ นักพัฒนาสามารถใช้ skill-creator ที่มีอยู่ล่วงหน้า เพื่อรวบรวม SOP เทมเพลต และสคริปต์ของทีมให้เป็นแพ็คเกจ Skills ที่นำกลับมาใช้ใหม่ได้ จากนั้นผ่านศูนย์กลาง Skills ทำการลงทะเบียน อัปเดต และเผยแพร่เวอร์ชันแบบรวมศูนย์ ซึ่งแก้ไขปัญหาการแบ่งปันข้ามทีมที่ยาก ความสับสนของเวอร์ชัน และขอบเขตสิทธิ์ที่ไม่ชัดเจน สุดท้าย Skills Sandbox โหลดตามความต้องการผ่านพื้นที่ Skills มีปฏิสัมพันธ์กับ LLM เพื่อตัดสินใจว่าจะใช้ Skills ใด ดำเนินการอย่างแยกส่วนใน Sandbox และสร้างผลลัพธ์งานสุดท้าย
นอกจากนี้ ปัญหาด้านความปลอดภัยยังเป็นอุป
⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง
本文来自网络搜集，不代表คลื่นสร้างอนาคต立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/th/archives/23020