Multi-agent prompting (TH)

มัลติเอเจนต์พรอมต์ติง (อังกฤษ: multi-agent prompting) — คือวิธีการในสาขาวิศวกรรม prompt และระบบปัญญาประดิษฐ์ ซึ่งตัวแทนอัตโนมัติหลายตัวที่สร้างบนพื้นฐานของ LLM ทำงานร่วมกันเพื่อแก้ปัญหาที่ซับซ้อนผ่านการแลกเปลี่ยนคำสั่งและคำตอบอย่างมีโครงสร้าง

กล่าวอีกนัยหนึ่ง ระบบมัลติเอเจนต์ประกอบด้วย LLM-agent หลายตัวที่ทำงานร่วมกันเพื่อตอบคำถามที่ซับซ้อนของผู้ใช้ โดยกระจายขั้นตอนการให้เหตุผล (subtasks) ให้แก่ตัวแทนที่มี «บทบาท» และความสามารถเฉพาะต่างกัน เป้าหมายหลักของแนวทางนี้คือการเอาชนะข้อจำกัดของโมเดลเดี่ยวในงานที่ยากผ่านการแก้ปัญหาแบบร่วมมือกัน การใช้ตัวแทนหลายตัวที่ทำงานร่วมกันมุ่งเพิ่มคุณภาพของการให้เหตุผล ความถูกต้องตามข้อเท็จจริง และความน่าเชื่อถือของคำตอบ ลักษณะสำคัญอีกประการหนึ่งคือความมีระเบียบเชิงคำสั่งที่เข้มงวด โดย LLM แต่ละตัวจะได้รับบทบาทหรืองานที่ชัดเจนภายในกรอบการแก้ปัญหาโดยรวม

วิธีการและรูปแบบสถาปัตยกรรม

นักวิจัยได้เสนอรูปแบบของมัลติเอเจนต์พรอมต์ติงหลายแบบ ซึ่งแตกต่างกันในลักษณะการปฏิสัมพันธ์ของตัวแทนและบทบาทของพวกเขา

การสร้างแบบจำลองผู้เชี่ยวชาญตามบทบาท

ตัวแทนหนึ่งตัวหรือมากกว่าได้รับการแต่งตั้งให้เป็นผู้เชี่ยวชาญเฉพาะด้านในสาขาแคบ ตัวอย่างเช่น ในกลุ่มมัลติเอเจนต์ ตัวแทนต่าง ๆ อาจเป็นตัวแทนของสาขาความรู้ที่ต่างกัน (นักฟิสิกส์ นักเคมี นักชีววิทยา) หรือขั้นตอนต่าง ๆ ในการแก้ปัญหา (นักวางแผน ผู้ปฏิบัติงาน นักวิจารณ์) แนวทางนี้ช่วยให้สามารถนำ few-shot prompting ที่มีประสิทธิภาพมาใช้ โดยตัวแทนผู้เชี่ยวชาญแต่ละตัวจะได้รับตัวอย่างสาธิตในสาขาของตน ซึ่งช่วยปรับปรุงประสิทธิภาพโดยรวม

การแก้ไขตนเองและการวิจารณ์ (Self-reflection)

ตัวแทนสามารถทำหน้าที่เป็น «นักวิจารณ์» หรือสะท้อนความคิดต่อคำตอบของตัวแทนอื่นหรือคำตอบของตนเองก่อนหน้า กลยุทธ์ self-reflection หรือ self-refinement คือการที่ LLM สร้างคำตอบก่อน แล้วจึงให้โมเดลเดียวกันหรือโมเดลอื่นวิเคราะห์และแก้ไขข้อผิดพลาดในคำตอบนั้น วิธีนี้ช่วยปรับปรุงผลลัพธ์สุดท้ายได้อย่างวนซ้ำ

การโต้วาทีระหว่างตัวแทน

นี่คือรูปแบบแข่งขันของมัลติเอเจนต์พรอมต์ติง ซึ่งเป็นการจัดการอภิปรายหรือโต้เถียงระหว่าง LLM หลายตัว ในรูปแบบ LLM-Debate ตัวแทนสองตัวหรือมากกว่าจะโต้เถียงกันเกี่ยวกับคำตอบที่ถูกต้องสำหรับปัญหา (เช่น ปัญหาทางคณิตศาสตร์) และวิจารณ์ข้อโต้แย้งของกันและกัน รูปแบบการโต้วาทีดังกล่าวช่วยเพิ่มความสามารถในการให้เหตุผลเชิงตรรกะของโมเดลและเพิ่มความถูกต้องตามข้อเท็จจริงของคำตอบเมื่อเทียบกับการแก้ปัญหาแบบเดี่ยว

การวางแผนและการแยกย่อยงาน

ตัวแทนหนึ่งตัวทำหน้าที่เป็นนักวางแผน โดยแบ่งคำถามที่ซับซ้อนออกเป็นลำดับขั้นตอนหรืองานย่อย ซึ่งจะถูกแก้ไขโดยตัวมันเองหรือตัวแทนอื่น ๆ วิธีการอย่าง ReAct และ Reflexion นำหลักการวางแผนซ้ำแบบมีข้อมูลป้อนกลับนี้มาใช้ LLM จะสร้างแผนการแก้ปัญหาก่อนที่จะเริ่มดำเนินการ ซึ่งช่วยจัดการกับห่วงโซ่การให้เหตุผลที่ยาว

ความร่วมมือแบบหลายบุคลิก

แทนที่จะใช้โมเดลต่างกัน สามารถใช้ LLM ตัวเดียวโดยให้มัน «แสดง» ตัวแทนหลายตัวที่มีการตั้งค่าส่วนบุคคลหรือมุมมองที่แตกต่างกัน ในแนวทาง multi-persona self-collaboration โมเดลเดียวจะรับบทบาทหลายบทบาทต่อเนื่องกันในระหว่างการสนทนา และดำเนินการอภิปรายราวกับกับตัวเอง แม้ว่างานวิจัยจะแสดงให้เห็นว่าตัวแทนอิสระแยกกันให้ประสิทธิภาพที่สูงกว่า แต่วิธีนี้ช่วยจำลองทีมผู้เชี่ยวชาญภายใน LLM ตัวเดียว

การประยุกต์ใช้และผลลัพธ์

แนวทางมัลติเอเจนต์พรอมต์ติงแสดงให้เห็นถึงประสิทธิผลในหลายสาขา ซึ่ง LLM แบบเดี่ยวเคยประสบปัญหามาก่อน

การให้เหตุผลทางคณิตศาสตร์และตรรกะ

การใช้ตัวแทนหลายตัวช่วยเพิ่มความแม่นยำอย่างเห็นได้ชัดในงานที่ต้องการการอนุมานหลายขั้นตอน (เลขคณิตซับซ้อน การพิสูจน์ทางคณิตศาสตร์ ปริศนาตรรกะ) ในผลงานของ Du et al. (2023) แนวทาง «การโต้วาที» แบบมัลติเอเจนต์ให้ผลลัพธ์ที่ดีกว่าตัวแทนเดี่ยว การวิเคราะห์แสดงให้เห็นว่าเมื่อจำนวนตัวแทนที่เข้าร่วมการอภิปรายเพิ่มขึ้น ความแม่นยำของคำตอบก็เพิ่มขึ้นตามไปด้วย

งานด้านวิทยาศาสตร์และเทคนิค

สำหรับปัญหาเฉพาะทางที่ซับซ้อน (ฟิสิกส์ เคมี) มีการเสนอวิธีการ CoMM (Collaborative Multi-Agent, Multi-Reasoning-Path Prompting) ซึ่ง LLM-agent หลายตัวที่มีบทบาทต่างกัน (ผู้เชี่ยวชาญ) ใช้กลยุทธ์การให้เหตุผลที่แตกต่างกันพร้อมกัน ในการทดสอบกับปัญหาฟิสิกส์ระดับวิทยาลัย CoMM เหนือกว่าแนวทางพื้นฐานอย่าง chain-of-thought อย่างเห็นได้ชัด โดยเกิดข้อผิดพลาดในสูตรและการคำนวณน้อยกว่า

การสร้างและแก้จุดบกพร่องในโค้ด

ในด้านการเขียนโปรแกรม ระบบมัลติเอเจนต์ถูกนำมาใช้เพื่อปรับปรุงคุณภาพโค้ดและลดจำนวนข้อผิดพลาด ระบบ PromptV ใช้ตัวแทนหลายตัวสำหรับการเขียน ตรวจสอบ และแก้ไขโค้ด Verilog ตามลำดับ การกระจายบทบาท (การสร้าง การรีวิว การทดสอบ) ช่วยเพิ่มความสามารถของโมเดลในการตรวจจับและแก้ไขข้อผิดพลาด ส่งผลให้สัดส่วนของโซลูชันที่คอมไพล์ได้สำเร็จเพิ่มขึ้นถึง 96.5% บน benchmark หนึ่ง

การค้นหาและวิเคราะห์ข้อมูล

ระบบมัลติเอเจนต์มีประโยชน์อย่างยิ่งสำหรับคำถามปลายเปิดที่มีโครงสร้างไม่ชัดเจน บริษัท Anthropic พัฒนาโหมดหลายตัวแทนสำหรับโมเดล Claude ซึ่งออกแบบมาสำหรับการค้นคว้าบนเว็บ ในระบบนี้ ตัวแทนหลักจะวิเคราะห์คำถามและสร้างตัวแทนย่อยขนานหลายตัว โดยแต่ละตัวดำเนินการค้นหาในแง่มุมต่าง ๆ ของหัวข้อ สถาปัตยกรรมดังกล่าวจัดการคำถามค้นหาที่ซับซ้อนได้ดีขึ้น 90% เมื่อเทียบกับโมเดล Claude ตัวเดียว

การจำแนกข้อความและงาน NLP

สำหรับงาน NLP มีการพัฒนา การพรอมต์เชิงหลักการ (Principle-Based Prompting) ในวิธีการนี้ LLM-agent จะสร้างชุด «หลักการ» (กฎการแก้ปัญหา) ก่อน จากนั้นตัวแทนสรุปผลจะเลือกหลักการที่ดีที่สุด ซึ่งตัวแทนอีกตัวจะใช้เพื่อดำเนินการจำแนก แนวทางนี้ช่วยเพิ่มค่า macro-F1 ขึ้น 1.5–19% เมื่อเทียบกับวิธีพื้นฐาน และเข้าใกล้คุณภาพของการเรียนรู้แบบคลาสสิกจากตัวอย่าง (few-shot)

ข้อจำกัดและปัญหา

ความซับซ้อนในการคำนวณและค่าใช้จ่าย

ข้อเสียหลักคือภาระการคำนวณที่เพิ่มขึ้นอย่างมาก ตัวแทนแต่ละตัวต้องการเซสชันการสร้างของตนเอง ซึ่งนำไปสู่การใช้ token และทรัพยากรจำนวนมาก ตามข้อมูลของ Anthropic ระบบของพวกเขาใช้ token เฉลี่ย มากกว่า 4 เท่า ต่อการสนทนาหนึ่งครั้ง และในบางกรณีมากถึง 15 เท่า ซึ่งทำให้การใช้แนวทางนี้คุ้มค่าเฉพาะสำหรับงานที่มีมูลค่าสูงเท่านั้น

ความซับซ้อนในการออกแบบและการประสานงาน

สำหรับการทำงานที่ประสบความสำเร็จ จำเป็นต้องมี การปรับแต่ง prompt เชิงวิศวกรรมอย่างละเอียด ได้แก่ การกำหนดบทบาทของตัวแทนแต่ละตัว รูปแบบการแลกเปลี่ยนข้อความ และเกณฑ์การหยุดให้ชัดเจน มิฉะนั้น ตัวแทนอาจทำงานซ้ำซ้อน วนเวียนค้นหาไม่รู้จบ หรือสร้างงานย่อยที่ไม่มีประโยชน์

ความปลอดภัยและความน่าเชื่อถือ

ช่องทางการโจมตีรูปแบบใหม่กำลังปรากฏขึ้น นักวิจัยได้สาธิตปรากฏการณ์ Prompt Infection (การติดเชื้อ prompt) ซึ่งส่วนของคำสั่งที่เป็นอันตรายจากตัวแทนหนึ่งจะถูกส่งไปยังตัวแทนอื่น และแพร่กระจายไปตลอดห่วงโซ่การให้เหตุผลเหมือนไวรัส การโจมตีแบบ LLM-to-LLM นี้แสดงให้เห็นถึงความเปราะบางของระบบหลายตัวแทนต่อการฉีดคำสั่งและการจัดการที่ซ่อนเร้น ซึ่งต้องการการพัฒนามาตรการป้องกันเฉพาะ เช่น การติดป้ายกำกับผลลัพธ์ของตัวแทนแต่ละตัว (LLM Tagging)

ลิงก์ภายนอก

• «How we built our multi-agent research system» — การวิเคราะห์เชิงลึกจาก Anthropic
• «More Agents Is All You Need» — บทความวิจัยเกี่ยวกับประสิทธิผลของชุดตัวแทน

เอกสารอ้างอิง

• Chen, P. et al. (2024). CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving. arXiv:2404.17729.
• Li, J. et al. (2024). More Agents Is All You Need. arXiv:2402.05120.
• Mi, Y. et al. (2024). PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation. arXiv:2412.11014.
• Wei, P. et al. (2024). Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification. arXiv:2502.07165.
• Lee, D.; Tiwari, A. (2024). Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems. arXiv:2410.07283.
• Fernando, C. et al. (2023). PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution. arXiv:2309.16797.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Li, G. et al. (2024). Multi-LLM Debate: Framework, Principles, and Interventions. PDF.
• Du, N. et al. (2023). Improving Factuality and Reasoning in Language Models through Multi-Agent Debate. arXiv:2305.14325.