ช่วงนี้ถ้าเปิด LinkedIn ขึ้นมา แทบทุกฟีดจะมีคำว่า graph engineering, loop engineering, และ agent harness วนซ้ำอยู่เหมือนกัน บางโพสต์ใช้สลับกันเหมือนเป็นคำเดียวกัน ซึ่งทำให้หลายคนเริ่มสับสนว่าจริง ๆ แล้วมันเหมือนกันหรือเปล่า Surya Kunju จากช่อง AI with Surya สร้างแอปตัวอย่างบน Google ADK 2.0 ขึ้นมาจริง ๆ เพื่อให้เห็นว่าทั้งสามเทคนิคนี้ต่างกันในทางปฏิบัติอย่างไร
คำตอบสั้น ๆ คือทั้งสามเป็นคนละเรื่องกัน และการเลือกใช้ผิดแบบไม่ใช่แค่เรื่องศัพท์ แต่ส่งผลต่อว่า agent ของเราจะฮาลลูซิเนตโดยไม่มีใครรู้ หรือจะมีกลไกตรวจสอบ หรือจะหยุดรอให้คนอนุมัติก่อนทำอะไรที่ย้อนกลับไม่ได้
สรุปสั้น ๆ
- Agent Harness คือทุกอย่างรอบตัวโมเดล — tools, memory, permissions, event log รวมกัน
- Loop Engineering คือการวนซ้ำระหว่าง ทำ → ตรวจ → ทำใหม่ถ้าไม่ผ่าน จนกว่าจะโอเค
- Graph Engineering คือการกำหนดว่าอะไรสามารถเกิดขึ้นต่อจากอะไร พร้อม checkpoint ที่คนต้องอนุมัติ
- Graph RAG และ Graph Analytics เป็นคนละเรื่องกัน ไม่เกี่ยวกับสถาปัตยกรรม agent
- Google ADK 2.0 รองรับทั้งสามแบบในแพลตฟอร์มเดียวกัน
Graph RAG และ Graph Analytics: เรื่องที่ต้องแยกออกก่อน
ก่อนที่จะเข้าสู่สามเทคนิคหลัก มีอีกสองคำที่มักโผล่ขึ้นมาพร้อมกันในบทสนทนาเดียวกัน นั่นคือ Graph RAG และ Graph Analytics ซึ่งทั้งสองนี้ไม่เกี่ยวกับการออกแบบ agent เลยแม้แต่น้อย
Graph RAG แตกต่างจาก RAG ทั่วไปตรงที่แทนที่จะเก็บข้อมูลเป็นชิ้น ๆ แล้วค้นหาด้วย semantic similarity มันเก็บ "ความสัมพันธ์" แทน เช่น ลูกค้าคนนี้อยู่ภายใต้บัญชีไหน บัญชีนั้นมีสัญญาประเภทใด สัญญานั้นเกี่ยวพันกับผู้ให้บริการรายใดอีกบ้าง เมื่อ agent ต้องตอบคำถามที่ต้องการหลายก้าวในการไต่ตามความสัมพันธ์ graph RAG จะทำได้ดีกว่า similarity search ธรรมดามาก เพราะการค้นหาด้วยความคล้ายคลึงมักพังเมื่อคำตอบไม่ได้อยู่ในเอกสารชิ้นใดชิ้นหนึ่งโดยตรง
ส่วน Graph Analytics คือการรันคณิตศาสตร์บน network เพื่อหาคำตอบ เช่น node ไหนเชื่อมต่อกันมากที่สุด กลุ่มบัญชีไหนมีพฤติกรรมคล้ายกัน เส้นทางสั้นที่สุดระหว่างสองจุดคืออะไร ซึ่งงานแบบนี้ใช้ใน fraud detection, supply chain analysis, และ recommendation engine มาเนิ่นนานแล้ว และไม่เกี่ยวกับ agent เลย ทั้งสองคำนี้จึงเป็นเรื่องของข้อมูล ไม่ใช่เรื่องของ agent architecture
Agent Harness: ทุกอย่างรอบตัวโมเดล
ถ้าคิดถึง agent เป็นนักแสดง Harness ก็คือทั้งเวที ไฟ เครื่องแต่งกาย และทีมงานเบื้องหลัง ไม่ใช่แค่นักแสดงคนเดียว Harness ประกอบไปด้วยสี่องค์ประกอบหลัก ได้แก่ ตัว agent พร้อม tools ที่ใช้ได้, สภาพแวดล้อมที่ agent ทำงาน (sandbox), session ที่เก็บว่า agent จำอะไรได้บ้าง, และ event log ที่บันทึกสิ่งที่เกิดขึ้น
ตัวอย่างที่เห็นชัดที่สุดคือ Antigravity (Google AI Ultra) ซึ่งมี browser, search, code execution, file management รวมอยู่ด้วยกัน นั่นคือ harness ทั้งหมด ไม่ใช่แค่โมเดล เมื่อเราพูดถึง "agent ที่ทำงานได้ดี" ส่วนหนึ่งของความดีนั้นมาจาก harness ที่ดี ไม่ใช่แค่โมเดลที่แรงกว่า
ในการ demo แอป YouTube Creator Copilot บน Google ADK 2.0 ระดับที่หนึ่งคือ harness ล้วน ๆ ผู้ใช้ป้อนไอเดียวิดีโอ agent เขียนคำแนะนำการ framing แล้วบันทึกลงไฟล์เลย ไม่มีการตรวจสอบ ถ้าโมเดลผิด ก็ผิดไปเลย นั่นคือขอบเขตของ harness โดยตัวมันเอง — มีความสามารถครบ แต่ไม่มีกลไกตรวจสอบผล
Loop Engineering: วนซ้ำจนกว่าจะถูกต้อง
ระดับที่สองคือที่ Loop Engineering เข้ามามีบทบาท แนวคิดหลักคือการเพิ่ม "validator" เข้าไปในกระบวนการ แทนที่จะให้ agent ทำงานแล้วจบทันที มันจะส่งผลลัพธ์ให้ agent อีกตัวประเมินว่าถูกต้องหรือไม่ ถ้าไม่ผ่าน มันวนกลับไปแก้ ถ้าผ่าน จึงค่อยบันทึก
ในการ demo นั้น ตอน agent เขียนคำแนะนำออกมา validator (ซึ่งก็เป็น Gemini เช่นกัน) ตรวจสอบ format และ content แล้วปฏิเสธในรอบแรกว่า missing required framing แล้ว agent กลับไปเขียนใหม่ ครั้งนี้ผ่าน และนั่นคือ loop ในทางปฏิบัติ อาจจะมีหลายรอบก็ได้ ขึ้นอยู่กับว่า output ผ่านเกณฑ์เมื่อไหร่
สิ่งที่ทำให้ loop มีค่าคือมันจับปัญหาที่ harness เดี่ยว ๆ ไม่มีทางรู้ว่าเกิดขึ้น เพราะโมเดลไม่ได้ตรวจสอบตัวเองหลังจากที่ตอบแล้ว
Loop ไม่ได้เปลี่ยนโมเดล ไม่ได้เปลี่ยน tools แต่เปลี่ยน "กระบวนการ" ให้มีการตรวจก่อนส่งมอบ ซึ่งสำหรับงานที่ output ต้องตรงตาม format หรือเกณฑ์บางอย่างอย่างเคร่งครัด เทคนิคนี้ลดข้อผิดพลาดได้มากโดยไม่ต้องเพิ่มความซับซ้อนมากนัก
Graph Engineering: ควบคุมว่า "ใครทำอะไรได้บ้าง"
ระดับที่สามคือ Graph Engineering ซึ่งเพิ่มมิติใหม่ที่ loop ไม่มี นั่นคือการควบคุม flow ว่าอะไรสามารถเกิดขึ้นต่อจากอะไร และที่สำคัญกว่า — จุดไหนที่ต้องหยุดรอให้มนุษย์ตัดสินใจก่อน
ถ้า harness คือเครื่องมือ และ loop คือกลไกตรวจสอบ graph คือ "กฎจราจร" ของ agent ทั้งระบบ มันกำหนดว่า node A ไป node B ได้ภายใต้เงื่อนไขอะไร node ไหนเป็น dead end ที่ต้องรอ approval ก่อนไปต่อ ในระบบที่ซับซ้อนอาจมีหลายเส้นทางขนานกัน หลาย checkpoint และหลายคนที่ต้องอนุมัติในจุดต่าง ๆ
ในการ demo ระดับสาม หลังจากที่ validator agent ตรวจสอบและผ่านแล้ว ระบบไม่บันทึกทันที มันหยุดรอ แล้วถามผู้ใช้ว่าอนุมัติให้บันทึกหรือไม่ เมื่อพิมพ์ approve เข้าไป ระบบจึงเดินหน้าต่อ นั่นคือ human-in-the-loop ที่ฝังอยู่ใน graph structure โดยตรง ผลคือ agent ที่ฉลาดพอจะหยุดตัวเองก่อนทำสิ่งที่ย้อนกลับไม่ได้
สิ่งที่ทำให้ graph engineering ต่างจาก loop คือ graph มองเห็น "ภาพรวม" ของกระบวนการทั้งหมด มันไม่ได้แค่ตรวจสอบ output แต่ควบคุมว่า transition ระหว่าง state ต้องผ่านเงื่อนไขอะไร ซึ่งเหมาะกับงานที่มีความเสี่ยงสูง เช่น ส่งอีเมล ลบไฟล์ อัปเดตฐานข้อมูล หรือโพสต์เนื้อหาสู่สาธารณะ
เลือกเทคนิคไหน และเมื่อไหร่
ทั้งสามเทคนิคนี้ไม่ได้แข่งขันกัน แต่เสริมกันและควรเลือกให้ตรงกับงาน งานที่ไม่ต้องการ accuracy สูงและ output ไม่ส่งผลถาวร เช่น ร่าง draft เบื้องต้น harness เดี่ยว ๆ ก็พอ งานที่ต้องการ output ตรงตาม format อย่างเคร่งครัด เช่น สร้าง structured report หรือ fill template ควรเพิ่ม loop เข้าไป และงานที่ agent อาจทำสิ่งที่ย้อนกลับไม่ได้ เช่น ส่งอีเมล ลบไฟล์ อัปเดตฐานข้อมูล หรือโพสต์บนโซเชียล graph engineering พร้อม human checkpoint คือสิ่งที่ควรใช้
Google ADK 2.0 ทำให้การสร้างทั้งสามระดับนี้ทำได้ในเฟรมเวิร์กเดียวกัน หมายความว่าเราสามารถเริ่มจาก harness ง่าย ๆ แล้วค่อย ๆ เพิ่ม layer ขึ้นมาเมื่องานซับซ้อนขึ้นได้โดยไม่ต้องเขียนใหม่ทั้งหมด
บทสรุป
Graph engineering, loop engineering, และ agent harness ไม่ใช่คำพ้องความหมาย แต่เป็นสามระดับของการควบคุม agent ที่เลือกใช้ตามความเสี่ยงและความสำคัญของงาน การเข้าใจความต่างนี้ช่วยให้ออกแบบระบบ agent ได้ตรงจุดมากขึ้น แทนที่จะเพิ่ม complexity เพราะรู้สึกว่าน่าจะดีกว่า
คำถามที่ควรถามตัวเองก่อนออกแบบ agent ทุกครั้งคือ ถ้า output ผิดพลาด ผลที่ตามมาคืออะไร คำตอบนั้นจะบอกเองว่าต้องการแค่ harness หรือต้องการ loop หรือต้องการ graph ที่มีคนนั่งรออนุมัติอยู่ด้วย
