ข้ามไปบทความ

Restate ออกแบบ AI Agent ให้ทำงานต่อ รับคำสั่งใหม่ และหยุดได้

Giselle van Dongen สาธิต journal สำหรับกู้งาน virtual object แยก session และ signal กับ cancellation สำหรับ Agent ที่ทำงานยาว

โดย Insiderly
ภาพปกคลิป Giselle van Dongen อธิบาย Restate และการแทรกคำสั่งระหว่าง Agent ทำงาน
ภาพปกจากคลิป Every step you take, every call you make: the reliable agent stack — Giselle van Dongen, Restate · AI Engineer
เผยแพร่:

เรียบเรียงจากบทความต้นทางลงวันที่ 2026-09-14 และคลิป Every step you take, every call you make: the reliable agent stack — Giselle van Dongen, Restate ของช่อง AI Engineer ตามที่ต้นฉบับระบุ ความสามารถและผลลัพธ์ที่เล่าเป็นข้อมูลจากคลิป ไม่ใช่ผลทดสอบอิสระหรือคำรับรองสถานะปัจจุบัน ตัวอย่างสำหรับธุรกิจไทยเป็นการประยุกต์ของบทความ วันที่นี้เป็นวันที่บทความต้นทาง ไม่ใช่วันอัปโหลดวิดีโอซึ่งยังไม่ทราบ

AI Agent ที่ตอบคำถามเก่งอาจสร้างเดโมได้ภายในไม่กี่วัน แต่การนำไปใช้กับงานจริงมักพังในจุดที่ไม่เกี่ยวกับ prompt เลย เช่น API ล่มระหว่างทำงาน คนอนุมัติช้า ระบบถูก redeploy หรือมีข้อความใหม่เข้ามาเปลี่ยนโจทย์กลางทาง

ประเด็นนี้คือแกนของคลิปจาก Giselle van Dongen แห่ง Restate บนช่อง AI Engineer เธอไม่ได้พูดถึงวิธีทำให้ Agent ฉลาดขึ้น แต่พูดถึงสิ่งที่ธุรกิจมักมองข้าม คือ infrastructure ที่ทำให้ Agent ทำงานต่อได้ คุมได้ และไม่ทำข้อมูลของหลายเคสปนกัน

สำหรับเจ้าของธุรกิจไทย ข้อคิดสำคัญคือ อย่าเริ่มต้นด้วยคำถามว่า “ใช้ model ไหน” เพียงอย่างเดียว ควรถามว่า “ถ้า Agent หยุดกลางคัน ใครรู้ ใครแก้ และระบบจะกลับไปทำต่อจากตรงไหน” เพราะคำตอบนี้ต่างหากที่แยกระหว่างของเล่น AI กับระบบงานที่พึ่งพาได้

สารบัญ

Step 1: มอง AI Agent เป็นพนักงานดิจิทัลที่ทำงานต่อเนื่อง

พัฒนาการของ LLM ถูกอธิบายเป็นสามระยะ ระยะแรกคือหน้าเว็บที่เราพิมพ์คำถามแล้วรอคำตอบ ระยะถัดมาคือ Agent ที่ใช้ tools ได้ เช่น ค้นเว็บ เรียก API หรือจัดการเอกสาร ส่วนระยะที่กำลังมาถึงคือ Agent ที่เป็นหน่วยทำงานแบบต่อเนื่องและทำงานแบบ asynchronous อยู่ในระบบขององค์กร

ความต่างนี้สำคัญมาก เพราะ Agent แบบใหม่ไม่ได้จบในรอบเดียว อาจต้องรอข้อมูลจากฝ่ายขาย รอหัวหน้าอนุมัติ ติดต่อหลายระบบ หรือใช้เวลาหลายวันกว่าจะปิดงานได้ ยิ่ง Agent เชื่อมกับ Slack, LINE, CRM, ระบบคลังสินค้า หรือบัญชี ความเสี่ยงจากความผิดพลาดของระบบก็สูงขึ้นตามจำนวนจุดเชื่อมต่อ

ถ้าเอามาใช้กับธุรกิจไทย ภาพที่ชัดเจนคือ Agent คัดกรองลีดจาก LINE OA อาจต้องถามข้อมูลเพิ่ม รอทีมขายรับเคส แล้วค่อยสร้างดีลใน CRM หรือ Agent จัดซื้ออาจรวบรวมใบเสนอราคาหลายเจ้า รอผู้มีอำนาจอนุมัติ แล้วจึงส่งคำสั่งซื้อ งานเหล่านี้ไม่ใช่ chatbot อีกต่อไป แต่เป็น workflow ที่มีผลต่อเงิน เวลา และความสัมพันธ์กับลูกค้า

Step 2: แยก “ความฉลาด” ออกจาก “ความทนทานของระบบ”

เครื่องมือสำหรับสร้าง Agent และจัดการ memory ช่วยให้ทำ proof of concept ได้เร็ว แต่ไม่ได้แก้โจทย์ระบบกระจายตัวโดยอัตโนมัติ เมื่อใช้งานจริง ทีมต้องสร้าง retry logic, recovery logic, การเก็บ state, การจัดคิว และกลไกหยุดงานเอง ซึ่งเป็นงานที่ละเอียดกว่าการเขียน prompt มาก

Restate วางตัวเป็นชั้นกลางหน้า Agent service คล้าย proxy หรือ message broker เมื่อ Agent เริ่มทำงาน ระบบจะบันทึกเหตุการณ์ที่เกิดขึ้นเป็น journal เช่น เรียก LLM สำเร็จ เริ่มค้นเว็บ ส่งข้อความ หยุดรออนุมัติ หรือ API ล้มเหลว

ประโยชน์ของ journal คือเมื่อ process ล่ม ระบบไม่ต้องย้อนกลับไปเริ่มตั้งแต่ต้น แต่กลับมาทำต่อจากจุดที่ล้มเหลวได้ แนวคิดนี้เรียกว่า durable execution หรือการทำให้การประมวลผลทนต่อความล้มเหลว

มุมมองที่ควรจำคือ AI Agent ที่ใช้จริงต้องมีอย่างน้อย 4 ความสามารถ ได้แก่

อย่างไรก็ดี durable execution ไม่ได้แก้ปัญหาทุกอย่าง มันไม่ได้ทำให้คำตอบของ LLM ถูกต้องขึ้น ไม่ได้แทนการตรวจคุณภาพ และไม่ได้ลบความเสี่ยงจากสิทธิ์เข้าถึงข้อมูล สิ่งที่มันแก้คือความเสี่ยงเชิงปฏิบัติการของงานที่ยาว ซับซ้อน และเชื่อมหลายระบบ

Step 3: ออกแบบงานให้กลับมาทำต่อได้ แทนการเริ่มใหม่ทุกครั้ง

ตัวอย่างในคลิปคือ deep research agent บน Slack เมื่อมีคำถามเข้ามา planner agent จะวางแผนหัวข้อย่อย จากนั้นจึงเปิด sub-agent หลายตัวทำการค้นคว้าพร้อมกัน ก่อนให้ writer agent รวบรวมผลเป็นรายงาน

ระหว่างกระบวนการ มีการจำลองให้ API สำหรับค้นเว็บล้มเหลว ระบบบันทึกว่า step ก่อนหน้าทำสำเร็จไปแล้ว และ retry เฉพาะงานค้นเว็บที่มีปัญหา แทนที่จะสั่งให้ Agent เริ่มวางแผนและค้นทุกอย่างใหม่ สิ่งนี้ช่วยลดทั้งเวลา ต้นทุน LLM และความซ้ำซ้อนของงาน

เมื่อแปลงเป็นเคสธุรกิจ ลองนึกถึง Agent สรุปคู่แข่งประจำสัปดาห์ที่ดึงข้อมูลจากหลายแหล่ง หากหนึ่งแหล่งขัดข้อง ระบบที่ดีควรระบุได้ว่าแหล่งใดพัง ทำซ้ำเฉพาะจุดนั้น และแจ้งทีมเมื่อเกินจำนวน retry ที่กำหนด ไม่ใช่ส่งรายงานครึ่งเดียวโดยไม่มีใครรู้ หรือทำงานซ้ำทั้งหมดจนเสียค่า API เกินจำเป็น

จุดที่ควรระวังคือ retry ไม่ควรเป็นคำตอบอัตโนมัติสำหรับทุกกรณี การสั่งซื้อ การคืนเงิน หรือการส่งข้อความหาลูกค้าเป็นการกระทำที่อาจเกิดผลซ้ำได้ ถ้าระบบไม่ออกแบบให้รู้ว่า “เคยทำสำเร็จแล้วหรือยัง” การ retry อาจส่งคำสั่งซื้อซ้ำหรือทักลูกค้าซ้ำได้ ธุรกิจจึงต้องกำหนดรายการ action ที่อนุญาตให้ retry และรายการที่ต้องให้คนตรวจสอบ

Step 4: ใส่จุดอนุมัติจากคนในงานที่มีความเสี่ยง

หนึ่งในตัวอย่างที่น่าสนใจที่สุดคือ Agent เสนอแผนวิจัยให้คนอนุมัติก่อนลงมือจริง หากยังไม่ได้รับคำตอบ Agent สามารถหยุดรอเป็นสัปดาห์หรือเป็นเดือน แม้มีการ restart หรือ redeploy ระบบระหว่างนั้น และขณะหยุดรอ ก็ไม่กินเวลา execution ของ serverless function

แนวคิดนี้เหมาะกับงานที่ AI ช่วยเตรียมข้อมูล แต่คนต้องเป็นผู้ตัดสินใจ เช่น อนุมัติส่วนลดพิเศษ อนุมัติข้อความประชาสัมพันธ์ อนุมัติใบสั่งซื้อ หรืออนุมัติการเปลี่ยนสถานะลูกค้าใน CRM

การมี human approval ไม่ได้แปลว่าระบบช้าเสมอไป ตรงกันข้าม มันช่วยให้เราเปิดทางให้ AI ทำงานที่มีมูลค่าสูงขึ้น โดยยังคงรั้วความปลอดภัยในจุดที่ควรมี เจ้าของธุรกิจควรกำหนดให้ชัดว่า action แบบใด AI ทำเองได้ Action แบบใดต้องอนุมัติ และใครคือเจ้าของงานเมื่อคำขอค้างนานเกินกำหนด

Step 5: ให้แต่ละเคสมี session และ state ของตัวเอง

Agent ที่ทำงานต่อเนื่องจำเป็นต้องจำสิ่งที่เกิดขึ้นในแต่ละ session เช่น ประวัติข้อความ สถานะงาน เอกสารที่แนบ หรือการตัดสินใจล่าสุด Restate เรียกโมเดลนี้ว่า virtual object ซึ่งทำหน้าที่คล้าย stateful actor ที่มี ID เฉพาะและ key-value state แยกจากกัน

การแยก state ไม่ใช่รายละเอียดเทคนิคเล็กน้อย หาก Agent ฝ่ายขายกำลังคุยกับลูกค้าหลายร้อยรายพร้อมกัน แล้วข้อมูลของรายหนึ่งหลุดไปอยู่ใน session ของอีกราย ผลเสียไม่ได้มีแค่คำตอบผิด แต่เป็นความเสี่ยงต่อข้อมูลส่วนบุคคลและชื่อเสียงของธุรกิจ

ระบบยังจัดลำดับการทำงานใน session เดียวกันให้ครั้งละหนึ่ง execution เพื่อไม่ให้ข้อความสองข้อความเขียนทับ state กัน ตัวอย่างเช่น หากทีมส่งคำสั่งใหม่สองครั้งติดกัน Agent ต้องรู้ว่าจะจัดคิว รวมคำสั่ง หรือยกเลิกงานเดิม ไม่ใช่ให้สอง process แข่งกันแก้ไขประวัติเดียวกัน

Step 6: สร้างทางเลือกให้ Agent รับคำสั่งใหม่หรือยกเลิกงานเดิม

Agent ที่ทำงานนานไม่ควรถูกปล่อยให้ทำงานตามโจทย์เก่าโดยไม่มีช่องทางแทรกแซง ในเดโม เมื่อมีข้อความเพิ่มว่าให้เน้น frontier models ระบบใช้ LLM อีกตัวช่วยตัดสินว่าข้อความนี้เกี่ยวข้องกับงานเดิมหรือไม่ หากเกี่ยวข้อง ก็ส่ง signal เข้าไปใน Agent loop ที่กำลังทำงาน

แต่หากผู้ใช้เปลี่ยนโจทย์ไปคนละเรื่อง เช่น จากวิจัยความเคลื่อนไหว AI เป็นนโยบาย AI ระบบจะยกเลิกงานเดิมและเริ่มงานใหม่ การยกเลิกส่งต่อไปตาม call chain เพื่อหยุด sub-agent ที่เปิดไว้ก่อน แล้วจึงย้อนกลับมาหยุด controller

นี่คือความสามารถที่คนทำงานต้องการมากกว่า Agent ที่ “ทำเองได้” คือ Agent ที่ เปลี่ยนใจได้เมื่อได้รับข้อมูลใหม่ และหยุดได้เมื่อไม่ควรทำต่อ สำหรับธุรกิจ ควรมีปุ่มยกเลิกงาน สถานะงานที่อ่านรู้เรื่อง และกติกาว่างานใดต้องเริ่มใหม่ทั้งหมด กับงานใดรับข้อมูลเพิ่มระหว่างทางได้

Step 7: วางศูนย์ควบคุม ต้นทุน และสิทธิ์ใช้งานตั้งแต่ต้น

เมื่อ AI Agent ถูกใช้จริง ปัญหาไม่ได้มีแค่ระบบล่ม แต่รวมถึง model ใหม่ที่แพงกว่า ค่าใช้จ่ายพุ่ง หรือบางทีมใช้ LLM เกินโควตา แนวทางในคลิปเสนอการดึง LLM call ออกมาเป็นบริการกลาง หรือ LLM gateway เพื่อบังคับ policy ก่อนเรียก model และจำกัดจำนวนการเรียกพร้อมกันของแต่ละแผนก

รูปแบบนี้ช่วยให้ธุรกิจเปลี่ยน model หรือวางกติกาเรื่องต้นทุนในจุดเดียว แทนการตามแก้ Agent หลายตัว ตัวอย่างเช่น ฝ่ายการตลาดอาจมีโควตาการใช้ Agent สร้างรายงาน ขณะที่ Agent บริการลูกค้าต้องได้สิทธิ์ใช้งานสูงกว่าเพราะเกี่ยวกับงานประจำวัน

เบื้องหลังแนวทางนี้คือ event-driven distributed log ที่เก็บเหตุการณ์และมี event loop คอยตัดสินใจว่าจะบันทึก state ตั้งเวลา หรือส่งงานต่อไปยัง Agent อื่น Restate ใช้รูปแบบ push แทนการให้ worker คอยดึงงานเข้ามา ซึ่งช่วยลดความหน่วงและเหมาะกับ serverless ที่ต้องปลุก function เมื่อมีงานใหม่

ในทางปฏิบัติ ธุรกิจขนาดเล็กไม่จำเป็นต้องเริ่มด้วย architecture ระดับนี้ทั้งหมด หาก Agent ยังเป็นงานสั้นและไม่แตะข้อมูลสำคัญ การใช้ automation platform อาจเพียงพอ แต่เมื่อเริ่มมีการอนุมัติ งานค้างข้ามวัน งานขนานจำนวนมาก หรือเชื่อม action ที่ย้อนกลับยาก ควรยกระดับการออกแบบระบบก่อนขยายการใช้งาน

Step 8: เปลี่ยนแนวคิดเป็น Actionable Insights สำหรับทีมธุรกิจ

Step 9: แก้ปัญหาที่มักเจอเมื่อเริ่มใช้ AI Agent

ปัญหา: Agent เริ่มงานใหม่ทุกครั้งที่ API ล่ม

สาเหตุ: ระบบไม่มีการบันทึก step ที่ทำสำเร็จ และไม่มี recovery point

วิธีแก้: แยกงานเป็น step ที่ตรวจสอบได้ บันทึกสถานะหลังแต่ละ step กำหนด retry เฉพาะจุดที่ปลอดภัย และแจ้งคนรับผิดชอบเมื่อ retry ไม่สำเร็จ

ปัญหา: งานค้างรออนุมัติแล้วหายไปหลัง deploy

สาเหตุ: สถานะการรอถูกเก็บไว้ใน memory ของ process แทนที่จะเก็บถาวร

วิธีแก้: เก็บ approval request และสถานะงานใน storage ที่คงอยู่ สร้าง deadline สำหรับการตอบ และกำหนดผู้รับผิดชอบกรณีไม่มีการตอบกลับ

ปัญหา: Agent ส่งงานซ้ำหรือสร้างข้อมูลซ้ำ

สาเหตุ: การ retry เรียก action ภายนอกซ้ำ โดยไม่มีรหัสตรวจสอบการทำรายการเดิม

วิธีแก้: ใช้รหัสอ้างอิงเฉพาะสำหรับแต่ละ action ตรวจสอบผลก่อนเรียกซ้ำ และบังคับให้ action ทางการเงินหรือการสื่อสารสำคัญผ่าน approval

ปัญหา: ทีมเปลี่ยนโจทย์แล้ว Agent ยังทำงานเก่าต่อ

สาเหตุ: ไม่มีระบบ signal และ cancellation สำหรับงานที่กำลังรัน

วิธีแก้: เพิ่มคำสั่งหยุดและเริ่มใหม่ กำหนดเกณฑ์ว่าข้อมูลใหม่เป็นเพียงรายละเอียดเพิ่มหรือเป็นโจทย์ใหม่ และแสดงสถานะการยกเลิกให้ทีมเห็น

Step 10: ต่อยอดจาก Agent เดี่ยวสู่ระบบงานที่คุมได้

ทีมที่ต้องการศึกษาแนวคิดระบบประมวลผลแบบกระจายตัวเพิ่มเติมสามารถดูเอกสารของ Apache Flink ซึ่งเป็นหนึ่งในแรงบันดาลใจด้าน architecture ของ Restate ได้ ส่วนตัว Restate เปิดเป็น open source และมีข้อมูลอยู่ที่ เว็บไซต์ Restate

Step 11: สรุป Checklist ทั้งหมดก่อนนำ AI Agent ไปใช้จริง

บทเรียนจากแนวคิด reliable agent stack คือ AI Agent ที่ดีไม่ใช่ Agent ที่ทำงานเองได้นานที่สุด แต่คือ Agent ที่รู้สถานะตัวเอง ทำงานต่อเมื่อระบบสะดุด รับข้อมูลใหม่ได้ และหยุดได้ก่อนสร้างความเสียหาย เมื่อเราวางรากฐานเหล่านี้ก่อน AI Agent จึงมีโอกาสกลายเป็นกำลังเสริมของธุรกิจไทย ไม่ใช่ภาระใหม่ที่ทีมต้องคอยตามแก้ทุกวัน

ที่มา: Every step you take, every call you make: the reliable agent stack — Giselle van Dongen, Restate · 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
/