ข้ามไปที่เนื้อหา
#บทสอน / ภาคปฏิบัติ
13 พฤศจิกายนวันศุกร์
  1. LiveKit Blog62

    LiveKit ทดสอบ Gemini 4 Hydrogen กับ 3.8 Flash ในวอยซ์เอเจนต์ที่มีเครื่องมือที่จงใจทำให้พัง

    LiveKit ทดสอบ Gemini 4 Hydrogen และ Gemini 3.8 Flash ผ่านปลั๊กอิน Google ตัวเดียวกันในวอยซ์เอเจนต์ผู้ช่วยท่องเที่ยว โดยมีเครื่องมือที่จงใจให้ล้มเหลว ผลปรากฏว่า Hydrogen รายงานการจองผิดพลาด 0 ครั้งจากบทสนทนา 54 รายการ เทียบกับ 2 ครั้งของ 3.8 Flash เมื่อใช้ Hydrogen ที่ระดับ high และ 3.8 Flash ที่ระดับ default ประโยคแรกของ Hydrogen มาถึงเร็วกว่า 1.2 วินาที (4.0 วินาที เทียบกับ 5.2 วินาที) และเมื่อใช้ระดับ low ทั้งคู่ เร็วขึ้น 1.7 วินาที (2.8 วินาที เทียบกับ 4.6 วินาที) ผู้เขียนแนะนำให้ใช้ระดับ thinking medium หรือ high สำหรับวอยซ์เอเจนต์ โดยระบุว่าที่ระดับ xhigh มีค่ามัธยฐาน 7.8 วินาทีถึงประโยคแรก และกรณีแย่ที่สุด 52 วินาที

    ทำไมเรื่องนี้สำคัญ: การทดสอบภาคปฏิบัติของ LiveKit แสดงให้เห็นว่า Gemini 4 Hydrogen รายงานทุกการเรียกเครื่องมือที่จงใจทำให้พัง และเริ่มตอบกลับเร็วกว่า 3.8 Flash พร้อมข้อมูลความหน่วงแยกตามระดับ thinking สำหรับวอยซ์เอเจนต์

  2. Hacker News · AI58

    เจาะลึกโมเดลการตัดสินใจ: Perplexity Decider v1.2 ทำงานอย่างไร

    โพสต์นี้วิเคราะห์ Perplexity Decider v1.2 ซึ่งเป็นโมเดลการตัดสินใจแบบเปิดที่สร้างบน Qwen-3.8 27B โดยแปลง LLM แบบ decoder-only ให้เป็น encoder แบบ non-causal และตอบคำถามการจำแนกประเภททั้งหมดในขั้นตอน prefill เดียวผ่าน readout head ที่มี 255 ตัวเลือก ครอบคลุมประเภทคำถาม yes_no, choice และ score ของ API /v1/decisions การฝึกบนชุดข้อมูลที่ปรับให้สอดคล้องกัน เช่น tasksource พร้อมข้อมูลสังเคราะห์และการสลับตัวเลือก และการปรับเทียบภายหลังที่อุณหภูมิ T=1.32 ผู้เขียนโต้แย้งว่าเหตุผลหลักที่โมเดลการตัดสินใจเหนือกว่า LLM แบบ autoregressive คือประสิทธิภาพของโทเค็น และระบุว่า Decider Flash รุ่น 9B ถูกฝึกด้วย distillation loss

  3. Hacker News · AI22

    Tarik Guney ผู้จัดการฝ่ายวิศวกรรมหลักของ Microsoft ใช้ AI ขจัดคอขวดอย่างไร

    Tarik Guney ผู้จัดการฝ่ายวิศวกรรมซอฟต์แวร์หลักของ Microsoft Teams มองว่า AI เป็นเครื่องมือที่ขยายขีดจำกัดทางกายและทางปัญญาของวิศวกร มากกว่าจะเป็นความสามารถที่ต้องไล่ตาม เขาให้ความสำคัญกับตัวชี้วัดนำและคอขวดในด้านวัฒนธรรม เป้าหมาย และเครื่องมือ โดยโต้แย้งว่าการเปลี่ยนแปลงกระบวนการเพียงอย่างเดียวกลับเพิ่มภาระทางปัญญาแทนที่จะลดลง

  4. Hacker News · AI40

    ให้ AI agent สืบค้นฐานข้อมูลโปรดักชันของคุณอย่างปลอดภัยด้วย SQL แบบอ่านอย่างเดียวผ่าน MCP

    บทแนะนำนี้แสดงวิธีให้ AI agent ตอบคำถามภาษาธรรมชาติเกี่ยวกับฐานข้อมูลโปรดักชันบน Railyard โดยใช้เครื่องมือ MCP list_tables และ query_database ทุกคำสั่งผ่านห้าด่านป้องกัน: การเชื่อมต่อที่จำกัดสิทธิ์การเขียน, การจำกัดบทบาทเฉพาะ admin/owner, ทรานแซกชันแบบอ่านอย่างเดียวที่ rollback เสมอ, การหมดเวลาของคำสั่ง และการจำกัด 200 แถวที่ถูกทำเครื่องหมายว่า truncated ข้อความ SQL จะไม่ถูกบันทึกลงในรายการตรวจสอบของ MCP

  5. Hacker News · AI32

    คำแนะนำเบื้องต้นเกี่ยวกับการสร้างเครื่องมือเชิงรูปแบบด้วย AI Agents

    Mike Dodds จาก Oath Technologies แบ่งปันบันทึกจากหลายเดือนของการสร้าง semantics, verifiers และ proof toolchains โดยมี AI agents ทำงานส่วนใหญ่ การบรรยายนี้ให้คำแนะนำเบื้องต้นเกี่ยวกับการใช้ AI เพื่อสร้างเครื่องมือเชิงรูปแบบ โดยอ้างอิงจากประสบการณ์ลงมือปฏิบัติจริงนั้น

  6. Hacker News · AI8

    Show HN: Carton Clock — นาฬิกาลูกตุ้มที่ใช้งานได้จริง สร้างจากกล่องเครื่องดื่มเปล่า

    นักประดิษฐ์คนหนึ่งสร้าง "Carton Clock" นาฬิกาลูกตุ้มที่ใช้งานได้จริง ทำจากกล่องเครื่องดื่มเปล่า เสียบไม้บาร์บีคิว หลอดกระดาษ เชือก และน็อตโลหะเป็นตัวถ่วงน้ำหนัก ทั้งหมดยึดติดกันด้วยกาวร้อน ชุดเฟืองแสดงวินาที นาที และชั่วโมง และการไขลานเต็มที่เดินได้นานกว่าหนึ่งชั่วโมงเล็กน้อย เครื่องมือเบราว์เซอร์สั่งทำพิเศษชื่อ "Cartontick" เขียนด้วย Claude จำลองกลไกescapementจากกล่องและสร้างสเตนซิลสำหรับตัดและจิ๊กติดกาวที่พิมพ์ด้วยเครื่องพิมพ์ 3 มิติ

  7. Hacker News · AI58

    การทดสอบในฐานะข้อมูล: วิธีการรักษาความสามารถในการตรวจสอบของโค้ดที่สร้างโดย AI

    Martin Fowler เสนอการเขียนการทดสอบเป็นข้อมูลแทนที่จะเป็นโค้ด เพื่อให้โค้ดโปรดักชันที่สร้างโดย AI ยังคงตรวจสอบได้เมื่อเอเจนต์เขียนโค้ดทำการรีแฟกเตอร์การทดสอบด้วย วิธีการนี้ผสานการทดสอบจากลูกค้า การทดสอบแบบกล่องดำ กรณีทดสอบแบบตารางหรือ YAML และตัวรันการทดสอบที่สร้างโดย AI โดยเก็บข้อมูลการทดสอบไว้ในไฟล์ข้อความซึ่งตรวจทานได้ง่ายกว่าและป้องกันการแก้ไขโดยไม่คาดคิด บทความนี้อ้างอิงจากการสัมภาษณ์นักพัฒนา 26 คนของ Thoughtworks ในต้นปี 2026 ซึ่งกล่าวว่าพวกเขาไม่ไว้วางใจการทดสอบของตนอย่างเต็มที่อีกต่อไปเมื่อ AI ทำการรีแฟกเตอร์ และจับคู่วิธีนี้กับการทดสอบแบบมิวเทชัน การทดสอบแบบอิงคุณสมบัติ และการทดสอบแบบสำรวจโดยมนุษย์

  8. Hacker News · AI62

    วิธีออกแบบเครื่องมือที่มีประสิทธิภาพสำหรับ AI agent: คำแนะนำจาก OpenAI, Anthropic, Google และ MCP

    โพสต์นี้รวบรวมสิ่งที่ OpenAI, Anthropic, Google และข้อกำหนด MCP แนะนำสำหรับการออกแบบเครื่องมือสำหรับ AI agent และครอบคลุมสิ่งที่คู่มือเหล่านั้นไม่ได้กล่าวถึง โดยโต้แย้งว่าควรสร้างเครื่องมือโดยยึดตามเวิร์กโฟลว์มากกว่าปลายทาง API ว่า ชื่อ คำอธิบาย และสคีมาทำหน้าที่เป็นสัญญาที่โมเดลอ่านตามตัวอักษร และว่าการตอบกลับและข้อผิดพลาดเป็นส่วนหนึ่งของพรอมต์

  9. Hacker News · AI40

    Stanford CS 329Z: คอร์สวิศวกรรม AI Agents ครอบคลุมการออกแบบ Agent, RAG, Tools และ Multi-Agent Systems

    CS 329Z วิชา Engineering AI Agents ของ Stanford อธิบายโครงสร้างของระบบ agentic ตั้งแต่แกน LLM, การให้เหตุผล, หน่วยความจำ, tools และสภาพแวดล้อม ไปจนถึงช่องว่างระหว่าง compound AI systems กับ agent แท้จริง คอร์สครอบคลุมไปป์ไลน์ RAG, การใช้ tools และ function calling กับ MCP, การจัดการด้วย DSPy และ LangGraph, สถาปัตยกรรมหน่วยความจำอย่าง MemGPT และรูปแบบการจัดการ multi-agent ปิดท้ายด้วยวิธีการปรับแต่งประสิทธิภาพ ได้แก่ GEPA, PPO และ GRPO พร้อมบรรยายรับเชิญจากผู้สร้าง Terminal-Bench

  10. Hacker News · AI36

    AI Security Wiki: เอกสารอ้างอิงการนำไปใช้สำหรับความปลอดภัย AI ในองค์กร

    AI Security Wiki เป็นเอกสารอ้างอิงสำหรับการรักษาความปลอดภัยในการนำ AI มาใช้ในองค์กร ครอบคลุมการกำกับดูแล การจัดการความเสี่ยง วิศวกรรมความปลอดภัย การตรวจสอบการดำเนินงาน การประเมินผู้จำหน่าย และการรับรอง ในรูปแบบหน้าเทมเพลตที่นำกลับมาใช้ซ้ำได้ โดยเชื่อมโยงวัตถุประสงค์การควบคุม หลักฐานการตรวจสอบ และกรณีทดสอบเข้ากับกรอบมาตรฐานต่างๆ ได้แก่ ISO/IEC 42001, NIST AI RMF, NIST SSDF, PCI DSS v4.0.1, FINOS AI Governance Framework และแนวทางการตรวจสอบความปลอดภัย AI ของ CERT-In นอกจากนี้ยังมีคลังทดสอบ 682 กรณีที่รวบรวมจากรายการ OWASP, MITRE ATLAS และ NIST AI 100-2

  11. Hacker News · AI58

    Sovereign: เราเตอร์ที่เรียนรู้ว่าจะเชื่อถือโมเดลใดโดยไม่ต้องมีป้ายกำกับ

    Solibra สร้าง Sovereign เราเตอร์ที่อยู่ระหว่างแอปพลิเคชันและผู้ให้บริการโมเดล และเรียนรู้การเลือกโมเดลแบบรายคำขอจากเกรดของงานที่เสร็จแล้วของตัวเอง โดยไม่มีเฉลยและไม่มีความรู้เดิมเกี่ยวกับโมเดล จากการทดสอบบนเกณฑ์มาตรฐานสาธารณะแปดชุดกับ Claude Opus 5.5 และ Claude Haiku 5.5 Sovereign ใช้จ่ายน้อยกว่า Opus 43% ถึง 81% ในทุกเกณฑ์มาตรฐาน มีความแม่นยำเท่ากับหรือเหนือกว่า Opus บน USACO, LiveCodeBench และ SATBench และแม่นยำกว่า Haiku ในทุกที่ โดยมากถึง 55 คะแนนบน USACO บน USACO ความแม่นยำเพิ่มจาก 88% ใน 25 งานแรกเป็น 97.7% เมื่อสิ้นสุด แซง Opus ราวงานที่ 150 และตัวให้เกรดของมันตรงกับเฉลยที่ซ่อนอยู่ 95% ของเวลา

  12. 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

  13. Databricks Blog36

    การตรวจจับการโจมตีที่ขับเคลื่อนด้วยข้อมูลรับรองบน Databricks ด้วยบันทึกการตรวจสอบแบบละเอียดและ Genie

    Databricks อธิบายรายละเอียดว่าการโจมตีที่ขับเคลื่อนด้วยข้อมูลรับรองเกิดขึ้นบนแพลตฟอร์มของตนอย่างไร และบันทึกการตรวจสอบแบบละเอียดพร้อม Genie สามารถตรวจจับการเปลี่ยนแปลงพฤติกรรมหลังจากการใช้ PAT, คุกกี้เซสชัน หรือข้อมูลรับรองของ service principal ที่ถูกขโมยได้อย่างไร โพสต์นี้แบ่งกิจกรรมของผู้โจมตีออกเป็นหกขั้นตอน ตั้งแต่การเข้าสู่ระบบครั้งแรกไปจนถึงการสำรวจสภาพแวดล้อม และครอบคลุมขั้นตอนการตอบสนองและการควบคุมที่จำกัดสิ่งที่ข้อมูลรับรองที่ถูกขโมยสามารถเข้าถึงได้

  14. Databricks Blog36

    Bright Machines ใช้ Debezium และ Iceberg เพื่อให้แดชบอร์ดแบบเรียลไทม์แก่ลูกค้าจากโรงงานที่แยกจากเครือข่าย

    Bright Machines มอบแดชบอร์ดข้อมูลโรงงานแบบเรียลไทม์ที่อยู่ภายใต้การกำกับดูแลให้แก่ลูกค้า โดยไม่ต้องเปิดการเข้าถึงขาเข้าใดๆ ระบบจับการเปลี่ยนแปลงของ PostgreSQL ที่ edge ด้วย Debezium เขียนเป็น Apache Iceberg ส่งออกผ่านช่องทางขาออกเดียวที่ตรวจสอบได้ และอ่านข้อมูล ณ ที่เดิมใน Databricks ผ่าน Unity Catalog federation แดชบอร์ดแรกที่ลูกค้ามองเห็นเปิดใช้งานประมาณสองเดือนหลังเริ่มโครงการ โดยแถวที่คอมมิตแล้วสามารถสอบถามได้ภายในหนึ่งถึงสองนาที และแดชบอร์ดรีเฟรชทุกสิบนาที

  15. OpenRouter Announcements58

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดทดสอบ RAG 274 คำถาม

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดข้อมูล RAG สังเคราะห์ 274 คำถาม และพบว่าการ rerank ผู้สมัคร 30 อันดับแรกจาก vector search ด้วย voyageai/rerank-3-lite ช่วยเพิ่ม precision@1 จาก 81.0% เป็น 97.1% ด้วยต้นทุนประมาณ $0.10 ต่อ 1,000 คำถาม คู่มือแนะนำให้ดึงข้อมูลประมาณ 30 chunks แล้ว rerank จากนั้นส่งเฉพาะ 3 อันดับแรกให้ LLM ซึ่งในการทดสอบช่วยเพิ่มความแม่นยำของคำตอบเป็น 99.3% พร้อมลดต้นทุนการตอบจาก $0.22 เหลือ $0.16 ต่อ 1,000 คำถาม นอกจากนี้ยังชี้ให้เห็นโหมดความล้มเหลว: การละเว้นพารามิเตอร์ input_type ทำให้ precision@1 ลดลง 7 ถึง 12 คะแนน และ cohere/rerank-v3.5 เพิกเฉยต่อเนื้อหาที่เกินขีดจำกัด 4,096 โทเคนโดยไม่แจ้งเตือน

  16. Hacker News · AI38

    LessonFolk: ครูสอน AI โอเพนซอร์สที่สอน AI ผ่าน MCP

    LessonFolk เป็นครูสอน AI แบบโอเพนซอร์สฟรีที่สอนหัวข้อ AI ผ่านแอปแชท AI ที่คุณใช้อยู่แล้ว เชื่อมต่อผ่าน MCP มี 15 คอร์ส ตั้งแต่หลักสูตร AI Foundations ความยาวหนึ่งชั่วโมงไปจนถึง Context Engineering for Long-Running Agents พร้อมการทดสอบระดับสั้นๆ และการติดตามความคืบหน้า คอร์สและโค้ดเป็นโอเพนซอร์ส และผู้ใช้สามารถดาวน์โหลดหรือลบข้อมูลของตนได้ทุกเมื่อ

  17. Hacker News · AI35

    รีเวิร์สเอ็นจิเนียริ่งเครื่องฟอกอากาศ Coway เพื่อเลิกพึ่งคลาวด์

    นักพัฒนาคนหนึ่งทำรีเวิร์สเอ็นจิเนียริ่งเครื่องฟอกอากาศ Coway Airmega IconS ที่รองรับ Wi-Fi เพื่อลดการพึ่งพาคลาวด์ IoCare ของ Coway โดยใช้การตั้งค่าแมนอินเดอะมิดเดิลที่สร้างขึ้นด้วยความช่วยเหลือของ LLM อินทิเกรชัน Home Assistant ที่มีอยู่เดิมปลอมตัวเป็นแอปมือถือของ Coway แต่พังซ้ำแล้วซ้ำเล่า—ทั้งการแบนจากเซิร์ฟเวอร์ การรีแบรนด์จาก IoCare เป็น IoCare+ การเปลี่ยนแปลงเลย์เอาต์ HTML และเหตุขัดข้อง—จึงนำมาสู่ความพยายามนี้ เหตุการณ์คีย์อ่อนที่หน่วยงานออกใบรับรอง eMudhra ในเดือนตุลาคม 2026 เปิดช่องทางที่เป็นไปได้ในการดักจับทราฟฟิกของอุปกรณ์

  18. 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

  19. 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

  20. Databricks Blog30

    Databricks หักล้างความเชื่อผิดๆ 4 ข้อเกี่ยวกับสถาปัตยกรรม Lakebase ของ LTAP

    Databricks ตอบโต้ต่อความเข้าใจผิดที่พบบ่อย 4 ประการเกี่ยวกับ LTAP ซึ่งเป็นสถาปัตยกรรม Lakebase ที่เก็บสำเนาข้อมูลปฏิบัติการชุดเดียวภายใต้การกำกับดูแล ให้บริการทั้ง Postgres และการวิเคราะห์โดยไม่ต้องใช้ CDC บทความระบุว่า LTAP ไม่ใช่การทำ replication: ชั้นต่างๆ ที่อยู่หน้าเลกนั้นเป็นแคช ไม่ใช่ฐานข้อมูลที่สองที่มีแคตตาล็อกของตัวเอง นอกจากนี้ยังระบุว่า heap pages และ Parquet เป็นการเข้ารหัสแบบไม่สูญเสียข้อมูลสองรูปแบบของแถวข้อมูลเดียวกัน ดังนั้น point lookup และ scan จึงอ่านเลย์เอาต์ที่เร็วสำหรับแต่ละแบบ

  21. AWS Machine Learning Blog38

    Tokenomics ในระดับสเกล: การติดตามและจำกัดการใช้จ่าย Amazon Bedrock ต่อ IAM Principal ด้วย CUR 2.0 และ AWS Budgets

    AWS แสดงวิธีติดตามและจำกัดการใช้จ่ายของ Amazon Bedrock generative AI ต่อ IAM principal โดยใช้เฉพาะฟีเจอร์ที่มีอยู่แล้ว: Bedrock บันทึก IAM user หรือ role โดยอัตโนมัติในทุกคำขอ inference และแท็กเหล่านั้นกลายเป็น cost allocation tags ที่อ่านได้ใน Cost Explorer หรือไฟล์ส่งออก CUR 2.0 AWS Budget ที่กำหนดขอบเขตไปที่ Bedrock และกรองตาม identity หรือค่าแท็กหนึ่งค่า สามารถแนบ budget action ที่ใช้ Deny IAM policy เมื่อข้ามเกณฑ์ โดยไม่ต้องเขียนโค้ดแอปพลิเคชันสำหรับกรณีทั่วไป

  22. AWS Machine Learning Blog36

    ตัวเลือกการอนุมานสี่แบบของ Amazon Bedrock ที่ส่งผลต่อค่าใช้จ่าย

    ระยะเวลาแคช ระดับบริการ ความพยายามในการให้เหตุผล และการตั้งค่า maxTokens ของ Amazon Bedrock สามารถเปลี่ยนค่าใช้จ่ายในการอนุมานโดยไม่ต้องเปลี่ยนโมเดลหรือพรอมต์ การเขียนแคช 5 นาทีบน Claude Sonnet 5 และ Claude Opus 5 มีค่าใช้จ่าย 1.25 เท่าของอัตราอินพุต การเขียนแคช 1 ชั่วโมงมีค่าใช้จ่าย 2 เท่า และการอ่านแคชมีค่าใช้จ่าย 0.1 เท่า คำขอระดับ Flex ไปยังโมเดลที่ไม่รองรับจะล้มเหลวด้วย ValidationException

  23. OpenAI News22

    Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ภายใน 1–2 วันด้วย OpenAI อย่างไร

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

  24. 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

  25. Databricks Blog22

    Constellation สร้างรากฐานข้อมูลที่มีการกำกับดูแลบน Databricks อย่างไร

    Constellation ผู้ดำเนินการโรงไฟฟ้านิวเคลียร์รายใหญ่ที่สุดของสหรัฐฯ กำลังสร้างแพลตฟอร์มข้อมูลองค์กรที่มีการกำกับดูแลบน Databricks เพื่อให้ธุรกิจมีความหมายร่วมกันเพียงหนึ่งเดียวสำหรับข้อมูลของตน แพลตฟอร์มนี้ใช้ Unity Catalog สำหรับ lineage การเข้าถึงระดับละเอียด และโมเดลสิทธิ์เดียว พร้อมกับการสร้างแบบจำลอง Data Vault สำหรับเอนทิตีสำคัญที่นำกลับมาใช้ซ้ำได้ กรณีการใช้งานช่วงแรกประกอบด้วยผู้ช่วยวิศวกรรมนิวเคลียร์ที่สร้างด้วย Databricks Genie และการวางแผนช่วงหยุดเดินเครื่อง

  26. Databricks Blog25

    Eclipse Aerospace ใช้ Databricks PySpark custom data sources สำหรับการนำเข้าข้อมูลเที่ยวบิน

    Eclipse Aerospace กำลังใช้ Databricks PySpark custom data sources เพื่อนำเข้าข้อมูลเที่ยวบินเฉพาะของบริษัทเกือบ 20 ปี ปริมาณกว่า 3TB ครอบคลุมชั่วโมงบินกว่าหนึ่งล้านชั่วโมง โดยไม่ต้องใช้คอมพิวต์เฉพาะที่เปิดตลอดเวลา แพ็กเกจ Python ที่รองรับด้วย Rust ให้ประสิทธิภาพเป็นสองเท่าของ benchmark เมื่อเทียบกับ data source แบบ pure-Python ที่ใช้ PyArrow ในลักษณะเดียวกัน และเกือบ 20 เท่าของการใช้งานแบบ native Python ที่ไม่ใช้ Arrow API นี้ซึ่งเปิดตัวใน Apache Spark 4.0 และพร้อมใช้ใน Databricks Runtime 15.4 LTS แทนที่ไปป์ไลน์ Lambda-to-Avro เดิม

  27. 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

  28. 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

  29. Claude YouTube35

    สร้าง Claude API สำหรับ Frontier: เบื้องหลังการเปิดตัวและตัดสินใจด้านความปลอดภัยของ Claude Platform

    วิศวกรของ Claude Platform อย่าง Jake Dejno และ Lucca Siaudzionis อธิบายว่า Claude API พัฒนาไปพร้อมกับการเปิดตัวโมเดลแต่ละรุ่นอย่างไร ครอบคลุมการตัดสินใจเปิดตัวฟีเจอร์ การกำหนดเวอร์ชันและการย้ายโมเดล และการจัดการต้นทุน พวกเขาอธิบายแนวปฏิบัติที่ดีที่สุดสำหรับการเปลี่ยน effort กลางบทสนทนาโดยไม่ทำให้ prompt caching เสียหาย และวิธีที่ Claude Mythos กับ Fable ใช้โมเดลเวตเดียวกันแต่มีมาตรการป้องกันที่ต่างกัน Claude Managed Agents และการเปลี่ยน effort กลางบทสนทนาอยู่ในสถานะเบต้า และการเข้าถึง Mythos ดำเนินการผ่าน Cyber Verification Program

  30. 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

  31. 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

  32. 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

  33. 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

  34. 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

  35. 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

  36. 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

  37. 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

  38. 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

  39. 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

  40. Claude YouTube38

    เมื่อใดควรใช้โมเดล Claude แต่ละรุ่น: Opus 5.5, Fable 5.2, Sonnet 5.5 และ Haiku 5.5

    คำแนะนำของ Anthropic จับคู่โมเดล Claude แต่ละรุ่นกับขนาดของงาน: Opus 5.5 สำหรับการวางแผนและสร้างฟีเจอร์ทั้งหมด และ Fable 5.2 สำหรับงานเทคนิคที่ทะเยอทะยานและเปิดกว้างที่สุด Sonnet 5.5 ครอบคลุมงานประจำวัน เช่น การแก้บั๊กหรือการร่างเอกสาร ขณะที่ Haiku 5.5 จัดการงานเล็กๆ ที่ทำซ้ำๆ