ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#Agent
วันนี้13 พฤศจิกายนวันศุกร์27 รายการ
  1. ElevenLabs Blog18

    7 ทักษะบริการลูกค้าที่เอเจนต์ทั้งมนุษย์และ AI ต้องมี

    ElevenLabs สรุปทักษะบริการลูกค้า 7 ประการ ได้แก่ การสื่อสาร การแก้ปัญหา การจัดการความขัดแย้ง ความเห็นอกเห็นใจ ความยืดหยุ่น การปรับให้เหมาะกับแต่ละบุคคล และความรู้เกี่ยวกับผลิตภัณฑ์ ซึ่งเอเจนต์สนับสนุนทั้งมนุษย์และ AI จำเป็นต้องมี โดยอ้างอิงการศึกษาของ Zendesk ที่พบว่าลูกค้ากว่า 50% เปลี่ยนไปใช้คู่แข่งหลังจากประสบการณ์แย่เพียงครั้งเดียว และการคาดการณ์ของ Gartner ว่าภายในปี 2028 ลูกค้าอย่างน้อย 70% จะเริ่มต้นการเดินทางด้วยอินเทอร์เฟซ AI คู่มือนี้เน้นย้ำการประเมินตัวชี้วัดการสนทนาระหว่างการฝึกอบรมและหลังการใช้งาน รวมถึงการส่งต่อให้มนุษย์อย่างราบรื่นเพื่อลดความตึงเครียด

  2. Modal Blog40

    Modal Sandboxes ใช้ราคาแบบเบิร์สต์ ลดต้นทุนได้ 58% เมื่อเทียบกับการจอง

    Modal เปลี่ยนการคิดค่าบริการ Sandboxes ตามการใช้งานทรัพยากรจริง แทนการจองแบบคงที่ ทำให้แต่ละ Sandbox สามารถเบิร์สต์เกินค่าเริ่มต้นที่ขอไว้ 0.125 คอร์ และ 128 MiB และจ่ายเฉพาะสิ่งที่ใช้ในแต่ละวินาที ในตัวอย่างเอเจนต์เขียนโค้ด 20 นาที การเบิร์สต์มีค่าใช้จ่าย 8.4¢ ต่อ Sandbox-ชั่วโมง เทียบกับ 20.0¢ สำหรับการจองแบบคงที่ ประหยัดได้ 58% โดยค่าเริ่มต้น CPU สามารถเบิร์สต์ได้สูงถึง 16 คอร์เหนือค่าที่ขอ และหน่วยความจำไม่จำกัดเว้นแต่จะตั้งขีดจำกัดไว้

  3. Factory55

    Factory เปิดตัว Cyber Defense Network เชื่อมเครื่องมือความปลอดภัยเข้ากับ Security Factory

    Factory เปิดตัว Cyber Defense Network ซึ่งเป็นระบบนิเวศของบริษัทด้านความปลอดภัยไซเบอร์ที่ผลการตรวจพบจะไหลเข้าสู่ Security Factory เพื่อให้ Factory Droids สามารถตรวจสอบช่องโหว่ ดำเนินการแก้ไขโค้ด และตรวจสอบความถูกต้องของการแก้ไขผ่านการทดสอบ พันธมิตรผู้ร่วมก่อตั้ง ได้แก่ Snyk, Palo Alto Networks, Semgrep, Cogent, Casco, DepthFirst และ Detail เวิร์กโฟลว์ครอบคลุมสัญญาณจากเครื่องมือของพันธมิตร การคัดแยกช่องโหว่ที่เข้าถึงได้ และการแก้ไขอย่างต่อเนื่องซึ่งสร้างการแก้ไขที่พร้อมให้ทีมวิศวกรรมตรวจสอบและรวมเข้าโค้ด ขณะที่องค์กรยังคงใช้เครื่องมือและเวิร์กโฟลว์ด้านความปลอดภัยที่มีอยู่เดิม

  4. OpenAI News22

    Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ภายใน 1–2 วันด้วย OpenAI อย่างไร

    Wave เอเจนต์ผลิตภัณฑ์เชิงรุกของ Amplitude ซึ่งสร้างขึ้นบนโมเดล OpenAI เป็นหลัก ระบุสิ่งที่ควรสร้าง ช่วยทีมส่งมอบการเปลี่ยนแปลงด้วยเอเจนต์เขียนโค้ด และวัดผลกระทบ การตั้งค่านี้ทำให้ Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ได้ภายใน 1–2 วัน

  5. GitHub Blog · AI & ML58

    คู่มือ GitHub อธิบายวิธีสร้างทักษะเอเจนต์ที่ทำงานข้าม Claude Code, Cursor และ Copilot

    GitHub เผยแพร่คู่มือปฏิบัติสำหรับทักษะเอเจนต์ ซึ่งเป็นไดเรกทอรีแบบมีเวอร์ชันที่ศูนย์กลางอยู่ที่ไฟล์ SKILL.md อธิบายว่าเมื่อใดและอย่างไรจึงจะทำงานที่ทำซ้ำได้ คู่มือใช้สองตัวอย่าง คือ Proof Agent สำหรับการตรวจสอบโค้ดที่สร้างโดย AI แบบปรปักษ์ และ Data Forge สำหรับไปป์ไลน์ข้อมูลหลายทักษะ เพื่อแสดงว่าทักษะแชร์แมนิเฟสต์ของโปรเจกต์ ใช้เส้นทางการทำงานเดียวร่วมกัน และวางการอนุมัติจากมนุษย์ในแต่ละระยะ นอกจากนี้ยังอธิบายสคริปต์แพ็กเกจจิงที่สร้างไฟล์เฉพาะไคลเอนต์สำหรับ Claude Code, Cursor และ GitHub Copilot จากแหล่งทักษะเดียว

  6. AWS Machine Learning Blog40

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บบน Amazon Bedrock AgentCore ได้อย่างไร

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บ บน Amazon Bedrock AgentCore ลดเวลาตอบสนองครั้งแรกได้ราว 130 เท่า และAutomateตั๋วสนับสนุนได้ 96.2 เปอร์เซ็นต์ ระบบนี้จับคู่ swarm-agent ที่ร่างรายงานวินิจฉัยก่อนที่วิศวกรจะเปิดตั๋ว กับ swarm-hive สำหรับการโต้ตอบกับวิศวกรแบบเรียลไทม์ ทั้งสองใช้ไลบรารีทักษะร่วมกันหนึ่งชุด ระบบจัดการตั๋ว Jira กว่า 65 ใบต่อวันในสามคิว ซึ่งก่อนหน้านี้ใช้เวลาเฉลี่ย 17.4 ชั่วโมงในการตอบสนองครั้งแรก

  7. OpenAI News22

    Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ภายใน 1–2 วันด้วย OpenAI อย่างไร

    Wave เอเจนต์ผลิตภัณฑ์เชิงรุกของ Amplitude ซึ่งสร้างขึ้นบนโมเดล OpenAI เป็นหลัก ระบุสิ่งที่ควรสร้าง ช่วยทีมส่งมอบการเปลี่ยนแปลงด้วยเอเจนต์เขียนโค้ด และวัดผลกระทบ การตั้งค่านี้ทำให้ Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ได้ภายใน 1–2 วัน

  8. LangChain Blog45

    Eval-Driven Development คืออะไร? วิธีปรับปรุง AI Agents

    LangChain อธิบาย eval-driven development (EDD) กระบวนการสามขั้นตอนสำหรับการสร้าง AI agents: กำหนดว่าอะไรคือสิ่งที่ดี เขียน eval ก่อนที่จะสร้าง และเปรียบเทียบผลลัพธ์หลังการเปลี่ยนแปลงแต่ละครั้ง เนื่องจาก agents ไม่สามารถกำหนดผลลัพธ์ได้แน่นอน evals จึงให้คะแนนการทำงานข้ามชุดข้อมูลตัวอย่าง และสามารถใช้ LLM-as-a-judge โดยมีการทำงานจริงของ agent ใน LangSmith เป็นแหล่งของอินพุตสำหรับการทดสอบ

  9. AWS Machine Learning Blog66

    AWS อัปเดต AgentCore runtime เริ่มเซสชันเร็วขึ้น 15 เท่า และเพิ่มคอมพิวต์ 4 เท่า

    AWS ประกาศอัปเดต Amazon Bedrock AgentCore runtime ซึ่งเป็นเลเยอร์คอมพิวต์แบบจัดการสำหรับเอเจนต์ โดยเซสชันเริ่มทำงานเร็วขึ้นถึง 15 เท่า ขยายคอมพิวต์ได้มากขึ้น 4 เท่า (สูงสุด 8 vCPU และ 32 GB พร้อมอิมเมจคอนเทนเนอร์สูงสุด 10 GB) และทำงานมีประสิทธิภาพมากขึ้นถึง 68% โดยแต่ละเซสชันยังคงอยู่ใน Firecracker MicroVM ที่แยกฮาร์ดแวร์ของตัวเอง เซสชันเริ่มทำงานภายในไม่ถึง 2 วินาทีไม่ว่าจะมีขนาดอิมเมจหรือจำนวนคอนเคอร์เรนซีเท่าใด เอเจนต์ที่ไม่ได้ใช้งานจะสเกลลงเหลือศูนย์ และเอเจนต์สามารถเมานต์และบันทึกงานลงในไฟล์ซิสเต็ม เช่น บัคเก็ต Amazon S3 ที่รองรับ FUSE เพื่อให้ข้อมูลยังคงอยู่ในขอบเขตความเชื่อถือ runtime นี้พร้อมใช้งานแล้ววันนี้ในภูมิภาค AWS ทั่วอเมริกาเหนือ อเมริกาใต้ ยุโรป และเอเชียแปซิฟิก

    ทำไมเรื่องนี้สำคัญ: เวอร์ชันใหม่ของ AgentCore runtime ปรับทั้งการเริ่มเซสชัน เพดานคอมพิวต์ และการคิดค่าหน่วยความจำไปพร้อมกัน มอบทางเลือกระหว่างการแยกสภาพแวดล้อมกับต้นทุนใหม่ให้กับเอเจนต์ที่ต้องทำงานเป็นเวลานาน

  10. AWS Machine Learning Blog34

    สร้าง LLM gateway แบบ self-service ด้วย Amazon Bedrock และ LiteLLM

    LLM gateway แบบ self-service ที่สร้างบน Amazon Bedrock Application Inference Profiles และ LiteLLM ที่รันบน AWS Fargate เปิดให้เข้าถึงโมเดลพื้นฐานของ Bedrock ผ่าน API ที่เข้ากันได้กับ OpenAI ทำให้นักพัฒนามี base URL เดียวและคีย์แยกตามผู้ใช้ การตั้งค่านี้เพิ่มการควบคุมค่าใช้จ่ายรายผู้ใช้ การแยกโควตาตามโมเดล และการสังเกตการณ์ RPM/TPM ผ่าน CloudWatch พร้อม Langfuse สำหรับ telemetry ระดับพรอมต์ การออกคีย์แบบ self-service ต้องใช้ LiteLLM Enterprise เนื่องจากแพ็กเกจฟรีจำกัดที่ห้าผู้ใช้

  11. Google DeepMind90

    Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่เร็วขึ้นสำหรับงานเขียนโค้ดและเวิร์กโฟลว์แบบเอเจนต์

    Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่สร้างขึ้นสำหรับการเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและการทำงานแบบเอเจนต์ มากกว่าการให้เหตุผลระยะยาวของ Gemini 4 Carbon และ Argon โดยได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น เทียบกับ 50 ของ Argon และสูงถึง 54 ที่การตั้งค่า xhigh ใหม่ โดยมีราคาคงที่ 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตตลอดหน้าต่างบริบท 1 ล้านโทเค็น Google ยังเปิดตัว Orchestrator ใน Google Antigravity ซึ่งสลับระหว่างโมเดลอย่าง Carbon และ Hydrogen ภายในเซสชันเดียว และทำอัตราความสำเร็จของงานใกล้เคียง Carbon บน Terminal-Bench 4.0 โดยใช้โควตาน้อยลง 24% และเสร็จเร็วขึ้น 19%

    ทำไมเรื่องนี้สำคัญ: Gemini 4 Hydrogen ของ Google มุ่งเป้าที่การเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและงานแบบเอเจนต์ ด้วยราคาคงที่ 1.50/7.50 ดอลลาร์ต่อล้านโทเค็นตลอดหน้าต่างบริบท 1M และ Orchestrator ใหม่ที่สลับระหว่างโมเดล Gemini 4

  12. AWS Machine Learning Blog34

    การปรับต้นทุนต่องานให้เหมาะสมและการพิสูจน์ ROI ของเอเจนต์บน Amazon Bedrock

    โพสต์ของ AWS นี้โต้แย้งว่าควรตัดสินค่าใช้จ่ายของ Amazon Bedrock จากต้นทุนต่องานมากกว่าต้นทุนต่อโทเคน เนื่องจากประสิทธิภาพของ tokenizer ความยาวของเอาต์พุต จำนวนรอบของลูปเอเจนต์ และภาระจากการให้เหตุผล อาจทำให้โมเดลที่มีราคาถูกกว่ากลายเป็นมีต้นทุนสูงกว่า ตัวอย่างที่คำนวณจริงแสดงให้เห็นว่าโมเดลที่มีราคาตามรายการสูงกว่า 2 เท่าเสร็จสิ้นงานด้วยต้นทุนที่ถูกกว่า 65% ต่องาน และโพสต์ยังเพิ่มการแคช การกำหนดเส้นทาง และการจำกัดเอาต์พุต พร้อมด้วยสกอร์การ์ดห้ามิติสำหรับวัด ROI ของเอเจนต์เทียบกับฐานอ้างอิงจากมนุษย์

  13. LangChain Blog30

    Own Your Intelligence: LangChain on Why Generic AI Isn't Enough

    LangChain ระบุว่าบริษัทต่างๆ ต้องเป็นเจ้าของปัญญาประดิษฐ์ของตนเอง แทนที่จะพึ่งพาโมเดลทั่วไป โดยควบคุมสามชั้น ได้แก่ โมเดล ฮาร์เนส และบริบท โดยกล่าวว่าการเป็นเจ้าของระบบเอเจนต์ รวมถึงเศรษฐศาสตร์ คุณภาพ และความเสี่ยงที่เกี่ยวข้อง คือสิ่งที่เปลี่ยน AI ให้เป็นความได้เปรียบที่ยั่งยืน

  14. Databricks Blog22

    H6.ai สร้างระบบอัตโนมัติทางการเงินที่ขับเคลื่อนด้วย AI ด้วย Lakebase Postgres ได้อย่างไร

    H6.ai ทำให้กระบวนการจ่ายเงินเจ้าหนี้เป็นอัตโนมัติบน ERP ที่มีอยู่ของลูกค้า โดยใช้ฐานข้อมูล Lakebase Postgres เฉพาะสำหรับลูกค้าแต่ละรายเป็นระบบบันทึกหลัก เนื่องจากข้อมูลใบแจ้งหนี้เปลี่ยนแปลงอยู่ตลอดเวลา ทีมจึงใช้สาขา copy-on-write ของ Lakebase เพื่อตรึงสแนปช็อตของฐานข้อมูลลูกค้าและรันการทดสอบถดถอยแต่ละครั้งบนสาขาอายุสั้นของตัวเอง ฐานข้อมูลที่ใช้งานจริงจึงไม่ถูกเขียนทับเลย แต่ละรอบการรันถูกตัดสินด้วยการตรวจสอบแบบกำหนดผลได้แน่นอนร่วมกับคณะผู้ตัดสิน AI จากผู้ให้บริการโมเดลที่แตกต่างกัน

  15. AWS Machine Learning Blog38

    Amazon Bedrock AgentCore Evaluations: ตัวประเมินในตัว, DeepEval และ AutoEval

    ขณะนี้ Amazon Bedrock AgentCore Evaluations ช่วยให้ทีมต่างๆ รันตัวประเมินในตัวของ AWS ควบคู่ไปกับเมตริก DeepEval และ AutoEval ที่ได้รับการจัดการ รวมถึงตัวประเมินแบบกำหนดเองที่ได้มาจากทั้งสองแบบ แคตตาล็อกในตัวครอบคลุมตัวประเมิน 15 ตัวในด้านคุณภาพการตอบสนอง ความสำเร็จของเป้าหมาย การใช้เครื่องมือ ทักษะ และความปลอดภัย พร้อมการตรวจสอบเส้นทางการทำงาน 3 รายการสำหรับเส้นทางเครื่องมือที่คาดหวัง DeepEval เพิ่มเมตริกแบบหลายรอบ เช่น ConversationCompleteness และ KnowledgeRetention ขณะที่ AutoEval มีส่วนช่วยในสัญญาณเฉพาะทางรวมถึงความปลอดภัย

  16. AWS Machine Learning Blog36

    สร้าง Daily Dependency Watcher ด้วย LangGraph และ Amazon Bedrock AgentCore Web Search

    Web Search API ใน Amazon Bedrock AgentCore พร้อมใช้งานแล้ว ช่วยให้เอเจนต์ได้รับผลการค้นหาเว็บล่าสุดผ่านการเรียก API เดียวที่ลงนามด้วย SigV4 ซึ่งให้บริการจากดัชนีเว็บที่ Amazon ดำเนินการเอง บทความแนะนำการสร้าง daily dependency watch ในรูปแบบกราฟ LangGraph ที่ค้นคว้า npm, PyPI และ container base images แบบขนาน โดยมี date windows, blocklists และ search budgets ถูกบังคับใช้ในโค้ด ในการทดสอบ สาขาทั้งสามเสร็จสิ้นใน 36 วินาที เทียบกับ 99 วินาทีเมื่อรันแบบลำดับ

  17. AWS Machine Learning Blog58

    Kimi K3.1 Pro Highspeed ของ Moonshot AI เปิดตัวบน Amazon Bedrock

    Kimi K3.1 Pro Highspeed ของ Moonshot AI พร้อมใช้งานแล้วบน Amazon Bedrock เป็นเวอร์ชันที่ผ่าน post-training ของ Kimi K3 โดยมีสถาปัตยกรรมแบบ open-weight ระดับ 3T และหน้าต่างบริบท 1 ล้านโทเคนเช่นเดียวกัน ฝึกด้วยคอมพิวต์สำหรับ post-training มากขึ้นเพื่องานเอเจนต์ระยะยาวและลดข้อผิดพลาดด้านข้อเท็จจริง Moonshot AI รายงานความเร็วเอาต์พุตเป็น 2–3 เท่าของ Kimi K3.1 Pro และผู้ใช้ Kimi K3 ที่มีอยู่สามารถสลับได้โดยเปลี่ยน model ID โพสต์แสดงการเรียก Chat Completions, Responses และ Converse API, ชั้น Flex ในราคาครึ่งหนึ่งของ Standard, prompt caching แบบ explicit ด้วย prompt_cache_breakpoint และการเชื่อมต่อโมเดลกับเอเจนต์เขียนโค้ด OpenCode

  18. AWS Machine Learning Blog33

    Amazon SageMaker AI bidirectional streaming รองรับการคิดค่าบริการตามการใช้งาน โดยมี Deepgram เป็นพันธมิตรเปิดตัว

    Amazon SageMaker AI bidirectional streaming รองรับการวัดการใช้งานตามปริมาณการใช้งานแล้ว ช่วยให้ผู้ให้บริการโมเดลสามารถรายงานการใช้งานจริงไปยังค่าบริการซอฟต์แวร์ของ AWS Marketplace ได้ ขณะที่ค่าบริการโครงสร้างพื้นฐานของ endpoint ยังคงมีผลอยู่ Deepgram เป็นพันธมิตรเปิดตัว นำการคิดค่าบริการ Speech-to-Text และ Text-to-Speech ตามการใช้งานมาสู่ AWS Marketplace การออกแบบเพิ่มสตรีมข้อมูลเมตา WebSocket เสริม ซึ่งจำกัดที่หนึ่งข้อความต่อวินาทีและ 512 ไบต์ เพื่อให้ผู้ให้บริการสามารถส่งบันทึกการวัดแบบเพิ่มขึ้นระหว่างเซสชันสดได้

  19. AWS Machine Learning Blog60

    AWS เปิดซอร์ส UAEF ระบบประเมินผลสำหรับ AI agents ที่ไม่ผูกกับเฟรมเวิร์ก

    AWS ได้เปิดซอร์ส UAEF (Universal Agent Evaluation Framework) ระบบที่ไม่ผูกกับเฟรมเวิร์ก ซึ่งใช้อะแดปเตอร์ในการปรับมาตรฐาน agent traces จาก LangGraph, LangChain, Strands Agents, Amazon Bedrock AgentCore และ Langfuse ให้เป็น AgentTrace แบบมาตรฐานเดียว แล้วให้คะแนนด้วยเมตริกในตัว 36 รายการครอบคลุม 7 มิติ ผลลัพธ์ถูกจัดเก็บแยกตามการทดลองใน Amazon DynamoDB และ Amazon S3 เพื่อให้ทีมสามารถเปรียบเทียบเวอร์ชันของ agent กับ baseline ตรวจจับการถดถอยด้วยเกณฑ์เริ่มต้น 5 เปอร์เซ็นต์ และสร้างรายงานทางสถิติพร้อมข้อมูลเชิงลึกที่เขียนโดย LLM โพสต์ระบุว่าลูกค้าใน 12 องค์กรในอุตสาหกรรมโทรคมนาคม สุขภาพ และบริการทางการเงินได้ใช้ UAEF ก่อนการเปิดตัว และโค้ดภายใต้ Apache 2.0 ไลบรารี Python การติดตั้งด้วย CDK และโน้ตบุ๊กแยกตามเฟรมเวิร์กอยู่ในรีโพ GitHub awslabs/uaef

    ทำไมเรื่องนี้สำคัญ: ทีม AWS ได้เปิดซอร์ส UAEF ซึ่งใช้อะแดปเตอร์เพื่อรวมเส้นทางการทำงานของ agent จากเฟรมเวิร์กต่างๆ ให้เป็นรูปแบบเดียว แล้วให้คะแนนครอบคลุม 7 มิติด้วยเมตริก 36 รายการ มอบชั้นการประเมินที่นำกลับมาใช้ซ้ำได้สำหรับการเปรียบเทียบเวอร์ชันของ agent ข้ามเฟรมเวิร์ก

  20. AWS Machine Learning Blog36

    AWS Quick AI-PDLC: หกเอเจนต์สำหรับการพัฒนาผลิตภัณฑ์ที่ขับเคลื่อนด้วย AI

    AWS Quick เปิดตัว AI-PDLC กรอบการทำงานของเอเจนต์เฉพาะทางหกตัว โดยมี Orchestrator เป็นผู้นำ ครอบคลุม Discovery, Prioritize, Working Backwards, Spec Generator และ Designer ซึ่งเปลี่ยนสัญญาณองค์กรที่กระจัดกระจายจาก Slack, Jira, Salesforce และ SharePoint ให้เป็น prototype_spec.md ที่ตรวจสอบย้อนกลับได้ ทุกขั้นตอนต้องได้รับการอนุมัติจากมนุษย์ และสามารถส่งสเปกให้เอเจนต์เขียนโค้ดอย่าง Kiro หรือ Claude Code ผ่าน Agent Client Protocol (ACP) แบบเปิดได้

  21. AWS Machine Learning Blog40

    AWS เปิดแคตตาล็อกสินทรัพย์ Generative AI แบบใช้ซ้ำได้ 23 รายการจาก Innovation Center

    AWS ได้เผยแพร่แคตตาล็อกสินทรัพย์ Generative AI แบบโอเพนซอร์สที่พร้อมใช้งานจริงจำนวน 23 รายการจาก Generative AI Innovation Center ซึ่งปัจจุบันเป็นส่วนหนึ่งของ AWS Frontier AI Engineering & Services บล็อกพื้นฐานเหล่านี้ครอบคลุมไปป์ไลน์ RAG ตัวประมวลผลเอกสาร โครงสร้างเอเจนต์ และเฟรมเวิร์กการประเมินผล และ AWS ระบุว่าสามารถลดระยะเวลาการพัฒนาจากหลายเดือนเหลือหลายสัปดาห์ DoorDash รายงานว่าความสามารถในการทดสอบเพิ่มขึ้น 50 เท่า และ Ricoh รายงานว่าปริมาณงานเพิ่มขึ้น 7 เท่าหลังจากสร้างบนสินทรัพย์เหล่านี้

  22. AWS Machine Learning Blog38

    DXC Technology สร้างฐาน AI แบบหลายโมเดลบน Amazon Bedrock ได้อย่างไร

    DXC Technology สร้างฐานโมเดลสำหรับระบบปฏิบัติการไอที DXC OASIS บน Amazon Bedrock โดยเข้าถึง Anthropic Claude, Amazon Nova, Meta Llama และโมเดลแบบเปิดน้ำหนักผ่านอินเทอร์เฟซที่จัดการแบบครบวงจรเดียว Amazon Bedrock Guardrails ใช้การกรองเนื้อหา การปกปิดข้อมูลส่วนบุคคล และนโยบายหัวข้อที่ถูกห้ามอย่างสม่ำเสมอในทุกโมเดล ขณะที่ AWS PrivateLink รักษาการรับส่งข้อมูลการอนุมานให้อยู่ภายใน VPC ของลูกค้า DXC OASIS พร้อมใช้งานทั่วไปตั้งแต่เดือนมีนาคม 2026 และลดเวลาการแก้ไขลงได้โดยเฉลี่ย 95% จาก 56 กรณีการใช้งานที่วัดผล

  23. AWS Machine Learning Blog40

    Agent DLC: วิศวกรรมเอเจนต์ AI จากต้นแบบสู่โปรดักชัน

    AWS เปิดตัว Agent Development Lifecycle (Agent DLC) กรอบการทำงานที่มีหนึ่งวงจรชีวิต สองลูป และมาตรฐานชัดเจนเพียงหนึ่งเดียวสำหรับตัดสินทุกการเปลี่ยนแปลงของเอเจนต์ โดยแก้ปัญหาคุณสมบัติสามประการของเอเจนต์ที่ทำให้ CI/CD แบบเดิมใช้ไม่ได้ ได้แก่ ความไม่แน่นอนของผลลัพธ์ พรอมต์ในฐานะซอร์สโค้ด และ dependencies ที่เคลื่อนที่อย่างอิสระ ตัวอย่างผู้ช่วยนโยบาย HR แบบอ้างอิงแสดงความแม่นยำการดึงข้อมูลระดับชังก์ที่ 1.00 across ทั้งสามคำถามทดสอบ ขณะที่ความแม่นยำระดับข้อเท็จจริงลดลงเหลือ 0.09 และความครอบคลุมการดึงข้อมูลแตะ 0.00 ในหนึ่งคำถาม

  24. AWS Machine Learning Blog36

    การควบคุมการเข้าถึงแบบละเอียดสำหรับเครื่องมือ Amazon Bedrock Managed Knowledge Base

    AWS แสดงวิธีให้เอเจนต์ AI ที่ใช้ร่วมกันสามารถเข้าถึงเอกสารรายผู้ใช้บน Amazon Bedrock Managed Knowledge Base โดยเปิดเผยการค้นหาเป็นเครื่องมือ MCP ผ่าน AgentCore Gateway ตัวดักจับคำขอจะฉีดอีเมลของผู้ใช้ที่ผ่านการตรวจสอบจาก Cognito JWT ลงใน userContext และการรับรู้ ACL จะคืนเฉพาะเอกสารที่ผู้ใช้นั้นมีสิทธิ์ดูเท่านั้น นโยบาย Cedar ใน AgentCore และนโยบายตามทรัพยากรบนฐานความรู้เพิ่มการป้องกันชั้นที่สองต่อการค้นหาที่ปลอมแปลงหรือไม่ได้รับอนุญาต

  25. AWS Machine Learning Blog58

    AWS อธิบายการสร้างระบบหลายเอเจนต์ข้ามองค์กรด้วย A2A

    AWS เผยแพร่สถาปัตยกรรมอ้างอิงที่ orchestrator องค์กรซึ่งใช้ LangChain บน Amazon ECS เรียกเอเจนต์ SaaS ด้าน compliance ที่ใช้ Strands Agents บน Amazon Bedrock AgentCore ผ่านโปรโตคอล A2A โดยทั้งสองฝ่ายอยู่ในบัญชี AWS แยกกันและไม่มีการแชร์ secret ร่วมกัน แต่ละฝ่ายยืนยันตัวตนด้วยโทเคนจาก Amazon Cognito user pool ของตนเอง และเอเจนต์ SaaS เรียกกลับไปยังเอเจนต์บริบทองค์กรเพื่อขอ metadata ของบัญชี เอเจนต์จึงทำหน้าที่เป็น peer มากกว่าจะเป็น client กับ server ระบบนี้ติดตั้งจาก Jupyter notebook สามไฟล์ซึ่ง provision CloudFormation stack ห้าแห่ง และรันการทดสอบแบบ end-to-end พร้อมการตรวจสอบขอบเขตความเชื่อถือเจ็ดรายการ

  26. AWS Machine Learning Blog34

    การย้ายไปยัง Amazon Bedrock Managed Knowledge Base ด้วย coding agent

    AWS เพิ่มคู่มือการย้ายฐานความรู้ไปยัง amazon-bedrock skill ใน Agent Toolkit for AWS ทำให้ coding agent สามารถวางแผนการย้ายจากฐานความรู้ที่ลูกค้าจัดการเองไปยัง Amazon Bedrock Managed Knowledge Base โดย agent จะเริ่มจากการค้นหาแบบอ่านอย่างเดียวและแผนที่ผ่านการตรวจทานทีละบรรทัด จากนั้นสร้างฐานความรู้และแหล่งข้อมูลใหม่เคียงข้างของเดิม หรือเขียนเทมเพลต IaC ที่ย้ายแล้ว Managed Knowledge Base เพิ่มโควตาเริ่มต้นเป็น 200 แหล่งข้อมูลต่อฐานความรู้ และ 10,000 ฐานความรู้ต่อบัญชีต่อ Region และเพิ่มการดึงข้อมูลแบบ agentic การผสานรวม AgentCore Gateway และนโยบายตามทรัพยากร

  27. Replit Blog65

    Replit Agent เพิ่มการซื้อผ่าน Link และ Visa พร้อมการสร้างแคมเปญ Google Ads

    Replit Agent มีงานใหม่สองอย่าง: ซื้ออุปกรณ์ธุรกิจผ่าน Link และ Visa และสร้างแคมเปญ Google Ads ทั้งใน Search, YouTube, Display และ Discover ในขั้นตอนการซื้อ ซับเอเจนต์เบราว์เซอร์จะนำทางไปยังเว็บไซต์ร้านค้าและเตรียมการชำระเงิน จากนั้นรอให้เจ้าของอนุมัติยอดรวมสุดท้าย โดยการเข้าถึงเชลล์และการท่องเว็บทั่วไปจะถูกปิดใช้งานในระหว่างการชำระเงิน และมีการบังคับใช้การตรวจสอบการอนุมัติในโค้ด Agentic Commerce พร้อมใช้งานสำหรับผู้ใช้ Core และ Pro เริ่มในสหรัฐฯ เฉพาะการซื้อแบบครั้งเดียว ส่วน Agentic Ads พร้อมใช้งานสำหรับผู้ใช้ Pro ทั่วโลก

    ทำไมเรื่องนี้สำคัญ: Replit Agent รับผิดชอบการซื้อและแคมเปญ Google Ads แล้ว โดยมีการบังคับใช้ด่านอนุมัติในโค้ดซึ่งแสดงให้เห็นว่าสามารถออกแบบขีดจำกัดการใช้จ่ายของเอเจนต์ได้อย่างไร

12 พฤศจิกายนวันพฤหัสบดี
  1. Databricks Blog40

    แอป Genie ของ Databricks สำหรับ Slack เปิดให้ใช้งานทั่วไปอย่างเป็นทางการ

    Databricks ประกาศเปิดให้แอป Genie สำหรับ Slack ใช้งานได้ทั่วไปอย่างเป็นทางการแล้ว ผู้ใช้สามารถถามคำถามเกี่ยวกับข้อมูลผ่าน DM หรือ @mention และรับคำตอบในเธรด โดยอ้างอิงสิทธิ์การเข้าถึงของ Unity Catalog ทุกคำตอบจะระบุแหล่งที่มา และผ่านตัวเชื่อมต่อ MCP นั้น Genie สามารถร่างเอกสาร ตั๋ว และการแก้ไขบันทึกเพื่อขออนุมัติก่อนดำเนินการ

  2. Databricks Blog58

    Block 如何利用 Buzz 和 Databricks Unity Gateway 运行协作式 AI 代理

    Block 构建了 Buzz，这是一个开源协作工作空间，员工和 AI 代理可以在其中通过群组讨论、聚焦对话和一对一交流协同工作，并使用 Databricks Unity Gateway 作为模型访问层。员工可以创建代理、为每个代理选择背后的模型或编码工具，并选择 Databricks 作为其推理提供商，通过单一集成访问 OpenAI、Anthropic 和 Google 的前沿模型以及部分开放权重模型。Block 的工程师还在试验多代理设置，即由能力更强的模型协调运行更小、更高效模型的代理，并已构建了一套内部方法来对这些代理团队进行基准测试。

  3. ElevenLabs Blog58

    ElevenLabs ขยาย Impact Program ด้วย ElevenMusic ฟรีสำหรับผู้สูญเสียเสียง

    ElevenLabs ประกาศในงาน New York Summit เมื่อวันที่ 11 พฤศจิกายนว่า ผู้ที่สูญเสียเสียงอย่างถาวรสามารถเข้าถึง ElevenMusic ได้ฟรี เพื่อให้ศิลปินที่ไม่สามารถร้องเพลงได้อีกต่อไปยังคงสร้างสรรค์และเผยแพร่เพลงได้ โปรแกรมนี้เปิดตัวร่วมกับ Songwriters of North America (SONA) ซึ่งจะตรวจสอบคุณสมบัติและแจกจ่ายสิทธิ์การเข้าถึง

  4. LangChain Blog40

    GTM Agent ของ LangChain สร้างสรรค์ผลงานการขายที่มีคุณภาพสม่ำเสมอได้อย่างไร

    GTM Agent ภายในของ LangChain สร้างผลงานการขาย 1,540 ชิ้นภายใน 12 สัปดาห์ ช่วยประหยัดเวลาให้ตัวแทนขาย 337 ชั่วโมงสำหรับเอกสารเช่น แผนบัญชีลูกค้าและชุดสไลด์ข้อเสนอ 47% ของดีลที่มีการส่งผลงานไปยัง progressed ไปสู่ขั้นถัดไป เทียบกับ 16% ของดีลที่จับคู่กันโดยไม่มีผลงาน และ 46% ของผลงานมีการโทรหาลูกค้าตามมาภายใน 14 วัน เอเจนต์นี้ทำงานบน Deep Agents harness ซึ่งมี sandbox, skills, memory และ scheduled runs ให้ใช้ใน Managed Deep Agents

  5. AWS Machine Learning Blog36

    สร้าง AI agent แบบอัตโนมัติด้วย Amazon Bedrock และ Spring AI

    AWS แสดงให้นักพัฒนาชาว Java เห็นวิธีสร้าง AI agent แบบอัตโนมัติโดยใช้ Spring AI และ AgentCore ของ Amazon Bedrock พร้อมการผสานรวม spring-ai-agentcore โดยมีรายละเอียดระบบอ้างอิงสองระบบ ได้แก่ ผู้ช่วยท่องเที่ยวแบบ agent เดี่ยวที่รองรับ tool calling และ memory และแพลตฟอร์มประมวลผลเอกสารอัจฉริยะแบบหลาย agent ที่มี agent ผู้เชี่ยวชาญห้าตัว มี rules engine และการแจ้งเตือน สแตกนี้ต้องใช้ JDK 21, Spring Boot 4.1 กับ Spring AI 2.0 และติดตั้งผ่าน AgentCore runtime บนคอนเทนเนอร์ ARM64

  6. LiveKit Blog55

    LiveKit เปิดตัว Cloud API ในเวอร์ชันเปิดเบต้า เพื่อให้เอเจนต์เขียนโค้ดสามารถจัดการ LiveKit Cloud ได้

    LiveKit เปิดตัว LiveKit Cloud API ในเวอร์ชันเปิดเบต้า ช่วยให้เอเจนต์เขียนโค้ดสามารถสร้างและกำหนดค่าโปรเจกต์ จัดการสมาชิกและเว็บฮุก และดึงทรานสคริปต์ บันทึก ร่องรอย และการบันทึกจากการเรียกของเอเจนต์ได้ API นี้เป็น REST API ที่ทำงานโดยลงชื่อเข้าใช้ในนามของผู้ใช้ ด้วยโทเค็นอายุสั้นที่ตรวจสอบกับบทบาทของโปรเจกต์ และการกระทำที่ละเอียดอ่อนจำกัดเฉพาะผู้ดูแลโปรเจกต์ ในการทดสอบกับผู้ช่วยเอกสารของ LiveKit เอเจนต์เขียนโค้ดอ่าน 4,321 เซสชันจากสัปดาห์ที่ผ่านมาและส่งคืนรายการจัดอันดับ 8 ปัญหาหลังจากประมาณ 30 นาที ข้อมูลเซสชันต้องใช้ Agent Observability ซึ่งปิดอยู่โดยค่าเริ่มต้นสำหรับโปรเจกต์ที่สร้างผ่าน API และคำขอ API นั้นฟรีแต่มีข้อจำกัดอัตราตามแผน

  7. OpenRouter Announcements58

    OpenRouter เผยแพร่บทแนะนำ: วิธีป้องกันไม่ให้ AI Agent ติดอยู่ในลูปไม่สิ้นสุด

    OpenRouter เผยแพร่คู่มือเกี่ยวกับการหยุด AI agent ที่ติดอยู่กับการลองใช้เครื่องมือที่ล้มเหลวซ้ำแล้วซ้ำเล่า โดยใช้ตัวป้องกันสี่ชั้นที่ทดสอบกับโมเดลปัจจุบันหกตัว เมื่อเปิดใช้การตรวจจับ doomLoop โมเดลทั้งหกถูกบล็อกในการเรียกเครื่องมือแบบเดียวกันครั้งที่สาม และจากการรัน 18 ครั้ง จำนวนการเรียกเครื่องมือลดลงจาก 314 เหลือ 64 ขณะที่ค่าใช้จ่ายลดลงจาก $0.29 เหลือ $0.05 คู่มือนี้เพิ่ม loopKey เพื่อปรับอาร์กิวเมนต์ให้เป็นมาตรฐาน กำหนดเพดาน stopWhen สำหรับจำนวนขั้นและค่าใช้จ่าย และจำกัดเครดิตของ API key ที่ส่งคืน 402 พร้อม limit_source openrouter_key_limit

  8. OpenRouter Announcements28

    วิธี Benchmark LLMs: คู่มือการให้คะแนนด้วยโค้ดจาก OpenRouter

    OpenRouter เผยแพร่คู่มือสำหรับการ benchmark LLMs ด้วยอินพุตของแอปพลิเคชันของคุณเอง ให้คะแนนเอาต์พุตด้วยโค้ด และเปรียบเทียบความแม่นยำ ค่าใช้จ่ายที่เรียกเก็บ และเวลาที่ใช้ในการร้องขอ บนงานสังเคราะห์ 60 งาน GPT-6.1 Sol ผ่าน 180/180 ครั้งจากการทำซ้ำสามรอบ ขณะที่ DeepSeek มีค่าใช้จ่ายในการตอบสนองต่ำที่สุดที่ 180 ครั้งผ่าน 157 ครั้ง ความสอดคล้องกับอันดับสาธารณะอยู่ในระดับต่ำ โดยมีสหสัมพันธ์สเปียร์แมนที่ 0.109

  9. AWS Machine Learning Blog36

    การรัน OpenAI Codex บน Amazon Bedrock: เส้นทางการเข้าถึงและคู่มือการเริ่มใช้งาน

    โพสต์นี้อธิบายวิธีกำหนดเส้นทางคำขอโมเดล OpenAI Codex ไปยัง Amazon Bedrock โดยใช้แนวปฏิบัติด้านข้อมูลระบุตัวตน IAM ระดับภูมิภาค และการสังเกตการณ์ของ AWS ที่มีอยู่ แนะนำให้เริ่มต้นด้วย Native AWS Access สำหรับการนำร่องขนาดเล็กแบบ least-privilege โดยมี AgentCore Gateway หรือ LLM Gateway เป็นทางเลือก และอธิบายขั้นตอนการลงชื่อเข้าใช้ IAM Identity Center พร้อมการตรวจสอบ Bedrock Runtime โดยตรงด้วย GPT-5.6 Sol

  10. AWS Machine Learning Blog34

    การเปรียบต่างเชิงความหมายของนโยบายเชิงรูปแบบด้วยแอนติ-ยูนิฟิเคชัน

    เอนจินโอเพนซอร์สคำนวณการเปรียบต่างเชิงความหมายของนโยบายเชิงรูปแบบโดยใช้แอนติ-ยูนิฟิเคชันบนอีกราฟ แสดงโครงสร้างที่ใช้ร่วมกันเพียงครั้งเดียวและเก็บทั้งสองเวอร์ชันของแต่ละส่วนที่แตกต่างกัน โดยมุ่งเป้าไปที่ผลลัพธ์ของการทำให้เป็นรูปแบบอัตโนมัติในนโยบาย SMT-LIB, Cedar, Dogwood, OpenShell และ CEL ซึ่ง LLM เขียนอาร์ติแฟกต์แต่ไม่มีส่วนในการคำนวณการเปรียบต่าง

  11. AWS Machine Learning Blog41

    เปิดตัว Amazon Bedrock AgentCore Web Search API

    ขณะนี้ Amazon Bedrock AgentCore มี Web Search API แบบสแตนด์อโลน ทำให้นักพัฒนาสามารถเรียก InvokeWebSearch ได้โดยตรงจาก AWS SDK หรือ AWS CLI ด้วยคำขอเดียวและไม่ต้องสร้างทรัพยากรใด ๆ โดยส่งคืนผลลัพธ์ที่จัดอันดับจากดัชนีเว็บที่ Amazon ดำเนินการ แต่ละรายการมีข้อความที่สกัดออกมา และเมื่อมีข้อมูล จะมีชื่อเรื่อง URL และเวลาที่เผยแพร่ พร้อมตัวกรองโดเมนและวันที่ คำขอลงนามด้วย SigV4 และ IAM โดยใช้สิทธิ์เดียวกับเส้นทาง AgentCore Gateway

  12. AWS Machine Learning Blog36

    สิ่งที่นักพัฒนา AI ได้รับบน AWS ในเดือนตุลาคม 2026: Claude Haiku 5.5, GPT-6.1 Terra, AgentCore CLI 1.0

    สรุปรอบเดือนตุลาคม 2026 ของ AWS เพิ่ม Claude Haiku 5.5 ซึ่ง Anthropic ระบุว่ามีต้นทุนต่ำกว่า Claude Haiku 4.5 ประมาณ 75 เปอร์เซ็นต์สำหรับงานส่วนใหญ่ พร้อมด้วย OpenAI GPT-6.1 Terra บน Amazon Bedrock ที่รองรับโทเค็นอินพุตสูงสุด 1 ล้านโทเค็น และราคาต่ำกว่าอย่างน้อย 50 เปอร์เซ็นต์เมื่อเทียบกับ GPT-6.1 Sol และ GPT-5.6 Terra AgentCore CLI ถึงเวอร์ชัน 1.0 แล้ว และ AgentCore Gateway เพิ่ม model fallback และ Step Functions workflows เป็นเครื่องมือของเอเจนต์

  13. AWS Machine Learning Blog12

    AWS re:Invent 2026 สาย AI/ML: คู่มือสำหรับผู้เข้าร่วม

    AWS จะจัดการประชุม re:Invent ประจำปีระหว่างวันที่ 30 พฤศจิกายนถึง 4 ธันวาคม โดยสาย AI/ML มีเซสชันที่ไม่ซ้ำกันกว่า 140 เซสชันจากเซสชันการเรียนรู้ทั้งหมดกว่า 2,000 เซสชัน คู่มือนี้จับคู่เซสชันกับสแตก AI ของ AWS ครอบคลุมตั้งแต่ชิป AI (AWS Trainium และ NVIDIA GPUs) โมเดลและการอนุมานบน Amazon Bedrock และ SageMaker AI ไปจนถึงการพัฒนาเอเจนต์ด้วย Amazon Bedrock AgentCore เซสชันถูกจัดเรียงตั้งแต่เนื้อหาสำหรับผู้เริ่มต้นไปจนถึงการเจาะลึกเชิงเทคนิค และหลายเซสชันสามารถรับชมแบบ on demand ได้