ข้ามไปบทความ

จัดการ Memory ของ AI Agent: บทเรียนจาก Oracle และ Polly

Kay Malcolm อธิบายความจำ 5 ประเภท การจัดแหล่งข้อมูลอ้างอิง และ Polly ที่ช่วยส่งต่อ context ระหว่างสมาชิกทีม

โดย Insiderly
ภาพปกคลิป Kay Malcolm อธิบายการส่งต่อ context และ memory ของ AI Agent
ภาพปกจากคลิป No Memory, No Harness: Why the Database Is the Last Line of Defense — Kay Malcolm, Oracle · AI Engineer
เผยแพร่:

เรียบเรียงจากบทความต้นทางลงวันที่ 2026-09-14 และคลิป No Memory, No Harness: Why the Database Is the Last Line of Defense — Kay Malcolm, Oracle ของช่อง AI Engineer ตามที่ต้นฉบับระบุ ความสามารถและผลลัพธ์ที่เล่าเป็นข้อมูลจากคลิป ไม่ใช่ผลทดสอบอิสระหรือคำรับรองสถานะปัจจุบัน ตัวอย่างสำหรับธุรกิจไทยเป็นการประยุกต์ของบทความ วันที่นี้เป็นวันที่บทความต้นทาง ไม่ใช่วันอัปโหลดวิดีโอซึ่งยังไม่ทราบ

AI ทำให้คนทำงานแต่ละคนทำงานเร็วขึ้นได้ แต่ไม่ได้แปลว่าทั้งทีมจะเดินเร็วขึ้นเสมอไป ปัญหาที่หลายธุรกิจกำลังเจอคือ งานถูกสร้างได้ไวกว่าเดิมมาก แต่เหตุผลเบื้องหลังการตัดสินใจ ข้อมูลอ้างอิง และสิ่งที่ AI เคยทำไว้ กลับกระจัดกระจายจนคนถัดไปต้องเริ่มคิดใหม่

ประเด็นนี้ถูกเล่าได้ชัดในคลิปของ Kay Malcolm จาก Oracle บนช่อง AI Engineer ผ่านแนวคิด “No Memory, No Harness” แก่นหลักคือ AI agent ที่ใช้ในองค์กรไม่ควรถูกมองเป็นแค่ model กับ workflow แต่ต้องมี memory ที่จัดการได้ เชื่อถือได้ และส่งต่อให้ทั้งคนกับ agent ตัวอื่นใช้ร่วมกันได้

สำหรับเจ้าของธุรกิจและคนทำงานไทย นี่คือมุมคิดที่สำคัญมาก เพราะ AI ที่ตอบคำถามได้เก่งอาจยังไม่ใช่ AI ที่ช่วยให้องค์กรทำงานดีขึ้น หากมันจำไม่ได้ว่าเคยตกลงอะไรไว้ ใช้ข้อมูลไหน หรือใครเป็นเจ้าของการตัดสินใจนั้น

สารบัญ

Step 1: แยกให้ออกระหว่าง “คนทำงานเร็วขึ้น” กับ “ทีมทำงานเร็วขึ้น”

Kay Malcolm ยกกรณีทีมของเธอที่ทำงานข้ามทวีป ฝั่งยุโรปส่งโค้ดเข้าระบบตอนเช้ามืดตามเวลาสหรัฐฯ เมื่อทีมอเมริกาเริ่มงาน พวกเขาเห็นโค้ดที่เปลี่ยนไป แต่ไม่เห็น reasoning ที่ใช้คุยกับ AI ระหว่างทำงาน ไม่รู้ว่าลองทางเลือกอะไรไปแล้ว และไม่รู้ว่าเหตุใดจึงตัดสินใจเลือกแนวทางนั้น

Git เก็บได้ว่า อะไรเปลี่ยน แต่ไม่ได้เก็บว่า ทำไมจึงเปลี่ยน ช่องว่างนี้ทำให้ทีมต้องย้อนตรวจสอบ ทดสอบซ้ำ และถามคำถามเดิม แม้ AI จะช่วยลดเวลาการลงมือทำ แต่เวลาที่เสียไปกับการตีความและตรวจทานก็ยังอยู่

ธุรกิจไทยเจออาการเดียวกันในรูปแบบที่ไม่ใช่โค้ด เช่น ทีมการตลาดใช้ AI ทำแผนแคมเปญ ฝ่ายขายใช้ AI ร่างข้อเสนอ และทีมบริการลูกค้าใช้ AI ตอบแชต หากทุกฝ่ายมี prompt ของตัวเองและบันทึกคนละที่ ผลลัพธ์คือเสียงของแบรนด์ไม่ตรงกัน ราคาเสนอไม่ตรงกัน และข้อกำหนดที่ตกลงกับลูกค้าหลุดหาย

คำถามที่ผู้บริหารควรถามจึงไม่ใช่ “ทีมใช้ AI ได้เร็วแค่ไหน” แต่คือ “ทีมส่งต่องานและเหตุผลระหว่างกันได้ดีขึ้นหรือยัง” หากคำตอบยังเป็นไม่ AI อาจกำลังเพิ่มงานตรวจมากกว่าลดงานจริง

Step 2: เข้าใจว่า Enterprise Agent มีมากกว่า Model

ในภาพจำทั่วไป AI agent คือ model ที่มี workflow กำกับ แต่กรอบคิดของ Malcolm มองว่า agent สำหรับองค์กรต้องมีองค์ประกอบครบกว่านั้น ได้แก่ model, tools, context, memory และ guardrails

เธอเปรียบ model เป็นสมองที่ลอยอยู่ในโหลแก้ว ส่วน harness คือร่างกายที่ทำให้สมองนั้นใช้เครื่องมือ ลงมือทำงาน และทำตามกติกาขององค์กรได้ ขณะที่ memory คือระบบประสาทที่ส่งข้อมูลระหว่างสมองกับส่วนต่างๆ ของร่างกาย

มุมนี้ช่วยกันความเข้าใจผิดที่อันตรายมาก คือการคิดว่าแค่สมัคร AI platform แล้วองค์กรมี AI agent พร้อมใช้งาน ความจริงคือ ถ้าไม่มีเครื่องมือที่เชื่อมกับงานจริง ไม่มีข้อมูลที่ถูกต้อง และไม่มีสิทธิ์กำกับ AI ก็เป็นเพียงผู้ช่วยสนทนาที่เก่ง แต่ยังทำงานแทนทีมไม่ได้

สำหรับธุรกิจขนาดกลาง จุดเริ่มต้นไม่ต้องสร้างระบบใหญ่ ให้เริ่มจากงานเดียวที่มีขั้นตอนชัด เช่น สรุป lead จากฝ่ายขาย สร้างร่างใบเสนอราคา หรือค้นนโยบายการคืนสินค้า แล้วกำหนดให้ชัดว่า AI อ่านข้อมูลใดได้ ทำอะไรได้ และเรื่องใดต้องส่งให้คนอนุมัติ

Step 3: ออกแบบ Memory ให้ตรงกับสิ่งที่ต้องจำ

Memory ไม่ใช่ที่เก็บทุกอย่างแบบโยนไฟล์รวมกัน Malcolm แยก memory ที่องค์กรควรเข้าใจออกเป็น 5 ประเภท ซึ่งนำไปใช้วางระบบงานได้ทันที

1. Short-term memory

คือสิ่งที่ AI จำได้ใน session เดียว เช่น รายละเอียดที่คุยกันในแชตปัจจุบัน เหมาะกับงานที่จบภายในการสนทนาเดียว แต่ไม่ควรหวังให้เป็นแหล่งความรู้ถาวร

2. Long-term memory

คือข้อมูลที่ต้องคงอยู่ข้าม session เช่น โปรไฟล์ลูกค้า กติกาการเขียนของแบรนด์ หรือเงื่อนไขทางการค้าที่อนุมัติแล้ว

3. Episodic memory

คือความจำว่าเคยเกิดอะไรขึ้นในการทำงานครั้งก่อน ตัวอย่างเช่น ลูกค้ารายนี้เคยร้องเรียนเรื่องใด เคยได้รับข้อเสนอแบบไหน หรือมีเหตุการณ์อะไรที่ทีมต้องระวัง

4. Procedural memory

คือขั้นตอนและเครื่องมือที่ใช้ทำงาน เช่น ลำดับการตรวจใบสั่งซื้อ ขั้นตอนตอบเคสร้องเรียน หรือ checklist ก่อนเผยแพร่คอนเทนต์

5. Semantic memory

คือความรู้เชิงความหมาย เช่น คำจำกัดความสินค้า นโยบายบริษัท ความรู้จากคู่มือ หรือความสัมพันธ์ของคำและหัวข้อที่ AI ต้องค้นหาให้เจอ

จุดที่น่าสนใจคือ ไม่จำเป็นต้องเก็บทุกข้อมูลให้ AI จำทั้งหมด การจำทุกอย่างเพิ่มทั้งต้นทุน token และโอกาสดึงข้อมูลผิดมาใช้ ธุรกิจควรนิยามให้ชัดว่าอะไรคือ “ข้อเท็จจริงที่อนุมัติแล้ว” อะไรคือ “ประวัติการทำงาน” และอะไรเป็นเพียงโน้ตชั่วคราว

ตัวอย่างร้านค้าหลายสาขาอาจใช้ long-term memory เก็บนโยบายส่วนลด ใช้ episodic memory เก็บประวัติลูกค้าที่มีเคสพิเศษ และใช้ procedural memory เก็บลำดับการจัดการสินค้าคืน AI จะตอบได้สอดคล้องขึ้นโดยไม่ต้องใส่ข้อมูลก้อนเดิมในทุก prompt

Step 4: ลดปัญหาข้อมูลหลายแห่งก่อนให้ AI ตัดสินใจ

Malcolm เล่าประสบการณ์ช่วงทำงานกับบริษัทพลังงาน เมื่อข้อมูลแบบใหม่เข้ามา ฐานข้อมูลเฉพาะทางก็เพิ่มตาม ทั้งข้อมูลเชิงเอกสาร ข้อมูลความสัมพันธ์แบบ graph และข้อมูลอื่นๆ ปัญหาไม่ใช่แค่เทคโนโลยีเพิ่ม แต่คือภาระด้านความปลอดภัย การดูแลระบบ และการหาความจริงชุดเดียวเพิ่มขึ้นด้วย

เมื่อนำภาพนี้มาใช้กับ AI agent ปัญหาจะชัดขึ้นทันที หากข้อมูลลูกค้าอยู่ใน CRM ราคาสินค้าอยู่ใน spreadsheet คู่มืออยู่ในไฟล์ PDF และประวัติคำสั่งซื้ออยู่ในระบบบัญชี AI ต้องเดาว่าข้อมูลไหนเชื่อถือได้ที่สุด บางครั้งมันอาจดึงข้อมูลคนละเวอร์ชันมารวมกัน แล้วตอบด้วยความมั่นใจผิดๆ

ผู้บริหารไม่จำเป็นต้องรีบย้ายทุกระบบมาไว้ในฐานข้อมูลเดียว แต่ต้องเริ่มสร้าง single source of truth ตามประเภทข้อมูลสำคัญ เช่น

ข้อเสนอของ Oracle คือใช้ฐานข้อมูลที่รองรับข้อมูลได้หลายรูปแบบ ทั้ง relational, JSON, graph และ vector ภายใต้ระบบเดียว แนวทางนี้น่าสนใจสำหรับองค์กรที่มีความซับซ้อนสูง แต่เราไม่ควรตีความว่า “ต้องใช้ Oracle เท่านั้น” ถึงจะแก้ปัญหาได้ ประเด็นที่นำไปใช้ได้กับทุก platform คือ ต้องลดการแยกส่วนของข้อมูล และกำหนดแหล่งอ้างอิงหลักก่อนให้ AI เชื่อมต่อกับข้อมูลธุรกิจ

Step 5: สร้าง Memory Broker เพื่อให้ AI และคนทำงานต่อกันได้

ทางออกที่ Malcolm ใช้กับทีมเรียกว่า Polly ซึ่งทำหน้าที่เป็น memory broker แทนที่จะให้แต่ละคนส่งต่อเพียงโค้ด Polly ช่วยเก็บ context ที่สัมพันธ์กับ branch, fork และ commit เพื่อให้คนที่เข้ามารับช่วงเข้าใจสิ่งที่เกิดขึ้นก่อนหน้า

แก่นของ memory broker ไม่ใช่การสร้างบอทอีกตัวหนึ่ง แต่คือการมีจุดกลางที่คัดเลือก จัดหมวด และเรียกคืนข้อมูลที่จำเป็นให้ถูกงาน ตัวอย่างในฝ่ายปฏิบัติการของธุรกิจไทยอาจเป็น AI ที่สรุปเคสลูกค้า โดยเก็บว่าปัญหาคืออะไร ทีมเคยแก้แบบไหน ผลเป็นอย่างไร และเรื่องใดต้องส่งต่อผู้จัดการ

เมื่อพนักงานอีกคนรับเคสต่อ AI ไม่ควรเริ่มถามใหม่ทั้งหมด แต่ควรดึงเฉพาะประวัติที่เกี่ยวข้อง พร้อมระบุแหล่งข้อมูลและข้อจำกัด นี่ต่างจากการโยน log แชตยาวหลายหน้าให้คนอ่านเอง

อย่างไรก็ตาม memory broker ต้องอยู่ใต้การควบคุมของคนเสมอ AI อาจช่วยเสนอว่าอะไร “น่าจำ” แต่กติกาว่าอะไรเป็นข้อมูลถาวร ใครแก้ได้ และเมื่อไรต้องลบ ต้องเป็นนโยบายขององค์กร โดยเฉพาะข้อมูลลูกค้า ข้อมูลพนักงาน และข้อมูลการเงิน

Step 6: เปลี่ยนแนวคิดนี้เป็น Actionable Insights

Step 7: แก้ปัญหาที่มักเจอเมื่อเริ่มทำ AI Memory

ปัญหา: AI ตอบไม่เหมือนกัน แม้ถามคำถามเดิม

สาเหตุ: ข้อมูลอ้างอิงกระจายอยู่หลายที่ หรือ prompt ใช้ข้อมูลคนละเวอร์ชัน

วิธีแก้: ระบุแหล่งข้อมูลหลักหนึ่งแห่งสำหรับคำตอบประเภทนั้น กำหนดผู้รับผิดชอบอัปเดต และให้ AI แสดงแหล่งที่มาทุกครั้งในงานสำคัญ

ปัญหา: AI จำเรื่องเก่ามากเกินไปและนำมาใช้ผิด

สาเหตุ: ระบบเก็บทุกบทสนทนาโดยไม่แยกความสำคัญหรือสถานะของข้อมูล

วิธีแก้: ตั้งกติกาอายุข้อมูล กำหนดประเภท memory และติดป้ายกำกับว่าเนื้อหาใดเป็นข้อมูลถาวร ข้อมูลชั่วคราว หรือข้อมูลที่ต้องลบ

ปัญหา: ทีมไม่เชื่อคำตอบของ AI

สาเหตุ: AI ตอบได้แต่ไม่บอกที่มา ไม่บอกว่าทำขั้นตอนใด และไม่มีคนตรวจข้อมูลสำคัญ

วิธีแก้: ให้ AI แสดงแหล่งอ้างอิง สรุปเหตุผลสั้นๆ และตั้งจุดอนุมัติโดยคนสำหรับราคา สัญญา การเงิน และข้อมูลอ่อนไหว

ปัญหา: เริ่มเชื่อมข้อมูลมากเกินไปจนโครงการหยุด

สาเหตุ: พยายามแก้ปัญหาข้อมูลทั้งองค์กรก่อนพิสูจน์ประโยชน์ของ use case เดียว

วิธีแก้: เริ่ม pilot หนึ่ง workflow หนึ่งทีม และหนึ่งแหล่งข้อมูลหลัก เก็บผลเรื่องเวลา ความผิดพลาด และงานที่ส่งต่อได้ก่อนขยาย

Step 8: ต่อยอดจากผู้ช่วย AI ไปสู่ระบบงานร่วมกัน

แนวคิด memory และ harness เปิดทางให้ธุรกิจต่อยอดได้หลายแบบ โดยไม่ต้องเริ่มจากระบบซับซ้อน

มุมมองที่ควรจำคือ AI agent ที่ดีไม่ได้เด่นเพราะตอบเก่งที่สุดเพียงอย่างเดียว แต่เด่นเพราะรู้ว่าควรใช้ข้อมูลใด จำอะไรไว้ ส่งต่ออะไรให้ใคร และหยุดตรงไหนเพื่อให้คนตัดสินใจ

Step 9: สรุป Checklist ทั้งหมดสำหรับสร้าง AI Agent ที่ทีมใช้ร่วมกันได้

สรุปแล้ว หัวใจของ AI agent สำหรับธุรกิจไม่ใช่การไล่หา model รุ่นใหม่ที่สุด แต่คือการสร้าง memory ที่ทีมเชื่อถือและใช้ร่วมกันได้ เมื่อข้อมูล เหตุผล และขั้นตอนถูกส่งต่ออย่างมีระเบียบ AI จึงช่วยให้ทั้งทีมทำงานไปในทิศทางเดียวกัน ไม่ใช่แค่ทำให้แต่ละคนทำงานเร็วขึ้นคนละทาง

ที่มา: No Memory, No Harness: Why the Database Is the Last Line of Defense — Kay Malcolm, Oracle · AI Engineer

Insiderly

บทความจากกองบรรณาธิการ Insiderly

อ่านบทความทั้งหมด

More in ชิปและโครงสร้างพื้นฐาน

See all
video thumbnail for 'Life Near OpenAI's Stargate Project'

AI Infrastructure กำลังเปลี่ยนเมืองเล็กอย่างไร โดยไม่ทำลายรากเดิม

โดย Insiderly
/
video thumbnail for 'The Prime Intellect Stack — Will Brown, Prime Intellect'

Prime Intellect Stack: แยก task, harness และ runtime ก่อนทำ post-training

โดย Insiderly
/
video thumbnail for 'Agent OS + Tailscale: FREE AI Everywhere!'

Tailscale: เปิด Dashboard ของ AI Agent บนมือถือผ่าน Tailnet

โดย Insiderly
/
video thumbnail for 'Jcode DESTROYS Claude Code?'

JCode ในคลิป Julian Goldie: ความไวของหน้าจอ Swarm และ Memory Graph

โดย Insiderly
/

บทความอื่นจาก Insiderly

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปก The End of Apps ของ Kitze บนเวที AI Engineer Europe

AI Agents กับจุดจบของแอป: บทเรียนจาก Kitze

โดย Insiderly
/
ภาพปกการสนทนา Human Judgment in Agentic Engineering จาก AI Engineer Europe

AI เร่งงานได้ แต่แรงเสียดทานช่วยให้เราตัดสินใจดีขึ้น

โดย Insiderly
/