AI Agent เรียนรู้จากงานเก่าได้ยังไง? มันต้องมีที่เก็บบทเรียนที่อ่านได้ทุกครั้งก่อนเริ่มงานครับ ไม่ใช่แค่เก็บแชทยาว ๆ แล้วหวังว่ามันจะจำเอง. สิ่งที่ผมใช้จริงคือสรุปเรื่องที่ตัดสินใจแล้วเป็นกฎ สถานะงาน และหลักฐาน แล้วให้ AI อ่านเฉพาะส่วนที่เกี่ยวกับงานนั้น
นี่คือเหตุผลที่ AI ตัวเดียวกันดูเหมือนฉลาดขึ้นเมื่อใช้ไปนาน ๆ ทั้งที่ model ไม่ได้ถูก train ใหม่ทุกคืน 555 มันไม่ได้ “เรียนรู้” แบบสมองคน แต่ระบบรอบตัวมันดีขึ้น: พลาดแล้วมีบันทึก, ทำถูกแล้วมี checklist, เปิดงานใหม่แล้วรู้ว่าบริษัทนี้มีข้อห้ามอะไร
AI Agent จำงานเก่าเองได้ไหม?
ส่วนใหญ่จำข้าม session ไม่ได้อย่างที่เราคิดครับ ต่อให้หน้าตาเป็นผู้ช่วยคนเดิม เมื่อเริ่มบทสนทนาใหม่ มันอาจไม่มีบริบทของเมื่อวานเลย หรือจำได้เพียงบางส่วนตาม platform ที่ใช้
ผมเคยเจอเต็ม ๆ ตอนสลับ engine ให้ Tim ผู้ช่วย AI ของผมทำงาน บางตัวอ่านไฟล์ความจำตอนเริ่มงานเอง แต่บางตัวเปิดมาเหมือนเพิ่งเข้าวันแรก ถ้าถามว่า “งานลูกค้าเคสนี้ทำถึงไหนแล้ว” คำตอบอาจกลายเป็นการเดาได้ทันที ทั้งที่ข้อมูลอยู่ใน server ครบหมดแล้ว
เพราะฉะนั้นผมไม่ออกแบบระบบบนสมมติฐานว่า AI จะจำ ผมออกแบบให้มัน หา ได้แทน: งานปัจจุบันอยู่ตรงไหน, กฎของธุรกิจอยู่ไฟล์ไหน, และหลักฐานก่อนตัดสินใจดูจากอะไร ถ้าอยากเห็นที่มาของปัญหาตอนใช้หลาย engine อ่านต่อที่ Newton ใช้ AI 3 ตัวแต่ทำไมความจำไม่เท่ากัน ได้ครับ
ผมเก็บอะไรไว้ให้ AI อ่านก่อนทำงาน?
ผมเก็บ 3 อย่าง: สถานะปัจจุบัน, กฎที่ห้ามลืม, และบทเรียนที่ย้อนกลับไปดูหลักฐานได้ครับ ไม่เอาทุกข้อความที่เคยคุยมาเทลงไป เพราะของเยอะไม่เท่ากับของมีประโยชน์
สถานะปัจจุบันตอบคำถามง่าย ๆ เช่น โปรเจกต์ไหนกำลังทำ, ขั้นต่อไปคืออะไร, รอใครอนุมัติอยู่ไหม ส่วนกฎที่ห้ามลืมคือของประเภท “ห้ามแก้ production ก่อนดู log”, “ห้ามส่งออกหาลูกค้าโดยไม่มีคนอนุมัติ” หรือ naming ที่ระบบต้องใช้ให้ตรงกัน ส่วนบทเรียนจะบอกว่าเคยเกิดอะไรขึ้น แก้ด้วยอะไร และมีไฟล์หรือ log ไหนยืนยันบ้าง
ตอนนี้ดัชนีความจำของผมมี 104 หัวข้อ แต่ไม่ใช่ให้ Agent อ่าน 104 เรื่องทุกครั้งครับ มันเป็นเหมือนสารบัญ พองานแตะเรื่อง billing ก็เปิดเฉพาะความรู้ billing; แตะงานลูกค้าก็เปิดเฉพาะ runbook support วิธีนี้ทำให้ข้อมูลไม่รบกวนกัน และยังตามหลักฐานต้นทางได้
ทำไมไม่เก็บ chat history ทั้งหมดไว้เลย?
เพราะ chat history คือบันทึกการคิด ส่วน memory ที่ใช้งานคือข้อสรุปที่ผ่านการตรวจแล้วครับ ถ้าเอาทุกอย่างมาให้อ่าน AI จะเจอคำสั่งเก่า ความเห็นที่เปลี่ยนแล้ว และรายละเอียดไม่เกี่ยวข้องปนกันจนตัดสินใจแย่ลงได้
เปรียบง่าย ๆ คือ chat history เหมือนกล้องวงจรปิด ดูย้อนหลังได้ละเอียดมาก แต่ไม่มีใครอยากเปิดคลิปทั้งเดือนก่อนตอบว่า “กุญแจห้องเก็บอยู่ไหน” Memory ที่ดีคือสมุดเวรที่บอกคำตอบสั้น ๆ พร้อมลิงก์กลับไปดูกล้องเมื่อจำเป็น
ผมจึงแยก timeline ล่าสุดไว้สำหรับงานที่กำลังไหล และ archive เรื่องเก่าที่จบแล้วออกไป ข้อสำคัญคือไม่ลบหลักฐานทิ้ง เพียงไม่เอามาเป็น context ประจำวันเท่านั้น ถ้าอยากเข้าใจภาพรวมเรื่องนี้ ผมเคยเล่าว่า ระบบ memory ทำให้ AI ดูฉลาดขึ้นทุกวันได้อย่างไร ไว้แล้ว
เคสจริง: บทเรียนหนึ่งครั้งช่วยกันพลาดซ้ำได้อย่างไร?
การบันทึกบทเรียนทำให้ AI ไม่เริ่มสืบจากศูนย์ทุกครั้ง และที่สำคัญคือไม่รีบแก้จากการเดาครับ เคสล่าสุดที่ผมใช้คือระบบ dashboard ของลูกค้า 75 เครื่อง ซึ่งมีตัวเลขเวลาใช้งานชวนให้ตีความผิด
ถ้าเห็นแค่หน้าจอ AI อาจรีบสรุปว่าเครื่องไม่ active แล้วไปเสนอแก้โค้ด แต่ตอนผมกับ Tim ไล่หลักฐานจริง ๆ เราเจอว่าค่าเวลาไม่ได้สะท้อนสถานะอย่างที่คนอ่านเข้าใจ บทเรียนที่บันทึกจึงไม่ใช่แค่ “แก้ไฟล์นี้” แต่คือ “ก่อนสรุปสถานะ ให้เทียบ log ต้นทาง, session ที่ยังเปิด, และนิยาม metric ก่อน”
ครั้งถัดไปเมื่อเจออาการคล้ายกัน Agent จึงรู้ว่าต้องเก็บหลักฐาน 3 ชุดก่อนเสนอ patch ไม่ใช่คัดลอกวิธีแก้เก่ามาวาง นี่ต่างจากการทำ FAQ ธรรมดามากครับ เพราะมันบันทึกทั้งเงื่อนไขและเหตุผล ดูรายละเอียดการสืบเคสนั้นได้ที่ AI Agent ควรอ่าน Log ก่อนแก้บั๊กไหม
ให้ AI อัปเดตความจำเองได้ไหม?
ให้ร่างได้ แต่ผมไม่ให้ทุกข้อความกลายเป็นกฎเองครับ AI เก่งในการสรุปสิ่งที่เพิ่งทำและชี้ว่าอะไรน่าจะใช้ซ้ำ แต่กฎที่ผิดหนึ่งบรรทัดอาจถูกใช้ผิดไปอีกสิบงานได้
workflow ที่ผมใช้จึงง่ายมาก: หลังงานสำคัญเสร็จ AI สรุปสิ่งที่ทำ, ผลลัพธ์, ที่อยู่ของหลักฐาน และข้อควรจำ จากนั้นตรวจว่าสิ่งนั้นเป็น fact ระยะยาวจริงไหม ถ้าใช่ค่อยใส่ดัชนี; ถ้าเป็นสถานะชั่วคราวก็เก็บใน timeline; ถ้าเป็นเรื่องละเอียดก็แยกเป็นไฟล์เฉพาะแล้วลิงก์กลับมา
ผมมองว่า memory ของ AI เหมือนคู่มือพนักงานครับ เขียนเพิ่มได้ทุกวัน แต่ต้องไม่เอาเรื่องที่เพิ่งได้ยินจากคนเดียวไปประกาศเป็นนโยบายบริษัท 555 หลักนี้ไปด้วยกันกับเรื่อง การกำหนดสิทธิ์ AI Agent เลย: มันช่วยได้มาก แต่ไม่ควรมีอำนาจเกินหลักฐาน
ธุรกิจเล็กเริ่มทำให้ AI เรียนรู้จากงานได้อย่างไร?
เริ่มจากงานเดียวที่คุณอธิบายซ้ำบ่อย แล้วเก็บเฉพาะสิ่งที่ทำให้งานครั้งถัดไปดีขึ้นครับ ไม่ต้องสร้าง knowledge base ใหญ่ตั้งแต่วันแรก
ลองเลือกงานอย่างตอบคำถามลูกค้า สรุปยอด หรือทำคอนเทนต์ แล้วเขียนสั้น ๆ ว่า output ที่ถูกต้องหน้าตาอย่างไร, ข้อมูลไหนใช้ได้, เรื่องใดห้ามเดา, และเมื่อไรต้องเรียกคุณ หลังทำงาน 5 รอบ คุณจะเห็นเองว่าคำสั่งไหนพูดซ้ำทุกครั้ง หรือข้อผิดพลาดไหนเกิดวน นั่นแหละคือ memory ชุดแรกที่มีค่า
ถ้าอยากเรียนแบบจับมือทำตั้งแต่แตกงาน เขียนกฎ ไปจนถึงตั้ง workflow ที่ตรวจผลได้ ผมสอนไว้ที่ คอร์ส LearnAI ครับ อย่าเริ่มจากสร้างระบบใหญ่เพื่อโชว์ใคร เริ่มจากลดงานที่คุณรำคาญจริง ๆ ก่อนจะเห็นผลที่สุด
สรุป: AI ที่ดูเหมือนเรียนรู้ คือระบบที่จำสิ่งสำคัญเป็น
AI Agent เรียนรู้จากงานเก่าได้ เมื่อเราเปลี่ยนประสบการณ์ให้เป็นความจำที่ค้นได้ ตรวจได้ และใช้ได้ในงานถัดไป AI ไม่จำเป็นต้องรู้ทุกอย่างเกี่ยวกับธุรกิจคุณ มันต้องรู้สิ่งที่ถูกต้องในจังหวะที่ต้องใช้ต่างหาก
สำหรับผม ตัวเลข 104 หัวข้อในดัชนีไม่ใช่เป้าหมายเลยครับ เป้าหมายคือเช้าวันนี้ให้ Tim เปิดงานต่อจากเมื่อวานได้ โดยไม่ถามเรื่องเดิม ไม่ทำผิดแบบเดิม และบอกได้ว่าหลักฐานอยู่ที่ไหน ถ้าทำสามอย่างนี้ได้ AI ก็เริ่มเป็นผู้ช่วยที่ทำงานต่อเนื่อง ไม่ใช่แค่แชทเก่ง ๆ แล้วครับ
ถ้าคุณอยากมีพื้นที่ให้ AI ทำงานกับไฟล์ กฎ และความจำของธุรกิจตัวเองอย่างเป็นระบบ ลองดู Newton ครับ ผมสร้างมันจากวิธีที่ใช้กับ Tim ทุกวันนี่แหละ: ให้ AI เดินงานเร็ว แต่ทำให้สิ่งที่มันอ้างอิงกลับไปตรวจได้เสมอ
— Pond
คำถามที่พบบ่อย
AI Agent เรียนรู้จากงานเก่าได้เองไหม?
ไม่ควรหวังให้จำได้เองข้าม session ครับ ต้องบันทึกบทเรียน ผลลัพธ์ และกฎที่ใช้ซ้ำไว้ในที่ที่ Agent อ่านได้ก่อนเริ่มงาน
ควรให้ AI Agent จำทุกอย่างไหม?
ไม่ควร จำเฉพาะข้อเท็จจริงที่ยังใช้ได้ กฎที่ทำให้ไม่พลาด และสถานะงานปัจจุบัน ส่วนรายละเอียดเก่าควร archive เพื่อไม่ให้ context รก
ต่างจากการเก็บ chat history อย่างไร?
Chat history เป็นลำดับบทสนทนายาว ๆ แต่ operational memory คือสรุปที่ตัดสินใจแล้ว ใช้อ้างอิงและตรวจสอบได้ จึงหยิบใช้ในงานใหม่ได้เร็วกว่า
ธุรกิจเล็กเริ่มสร้าง memory ให้ AI อย่างไร?
เริ่มจากงานเดียว จดว่าผลลัพธ์ที่ถูกต้องหน้าตาอย่างไร ข้อผิดพลาดที่เคยเจอ และเมื่อใดต้องถามคน จากนั้นทบทวนหลังทำงานทุกครั้ง