---
title: "Agentic Workflows — กระบวนการทำงานแบบเอเจนต์"
source: "https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C"
wiki: "systems-analysis.info/int"
article: "Agentic_Workflows_—_กระบวนการทำงานแบบเอเจนต์"
language: "th"
categories:
  - "Category:AI Agents"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 226
wiki_created_at: 2026-09-06T22:30:41Z
wiki_modified_at: 2026-09-06T22:30:41Z
downloaded_at: 2026-09-07T22:38:51Z
---

# Agentic Workflows — กระบวนการทำงานแบบเอเจนต์

**กระบวนการทำงานแบบเอเจนต์** (**Agentic Workflows**) คือกระบวนการแบบไดนามิกหลายขั้นตอน ซึ่ง AI-agent อิสระที่ขับเคลื่อนด้วย Large Language Model (LLM) ตัดสินใจ ดำเนินการ และประสานงานด้วยตัวเองโดยมีการแทรกแซงจากมนุษย์น้อยที่สุด<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-ibm_what_is-1)</sup> ในระบบเหล่านี้ LLM ไม่ได้ถูกใช้เพียงแค่สร้างคำตอบสำหรับคำถามเดียว แต่ยังใช้เพื่อวางแผนลำดับการกระทำ โต้ตอบกับเครื่องมือภายนอก และปรับปรุงผลลัพธ์แบบวนซ้ำ

แตกต่างจากระบบอัตโนมัติแบบดั้งเดิมที่อาศัยกฎที่เขียนโค้ดไว้ตายตัว แนวทางแบบเอเจนต์มีความยืดหยุ่น สามารถปรับตัวให้เข้ากับข้อมูลใหม่และสถานการณ์ที่คาดไม่ถึงได้ กระบวนการทำงานแบบเอเจนต์แตกต่างจากการเรียก LLM ธรรมดา (เช่น การสรุปข้อความ) ตรงที่ตัวเอเจนต์ได้รับความเป็นอิสระในการเลือกการกระทำ ซึ่งรวมถึงการวางแผน การใช้เครื่องมือ และการแก้ไขตัวเอง<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-weaviate_blog-2)</sup>

## องค์ประกอบและสถาปัตยกรรมของ Agentic Workflow

กระบวนการทำงานแบบเอเจนต์รวมองค์ประกอบหลักหลายอย่างเข้าด้วยกันเพื่อบรรลุเป้าหมาย

### AI-Agent และ LLM

หัวใจของกระบวนการคือ **AI-agent** ซึ่งเป็นโปรแกรมอิสระที่ทำงานแทนผู้ใช้หรือระบบ องค์ประกอบหลักของเอเจนต์คือ Large Language Model ที่ทำหน้าที่ทำความเข้าใจคำสั่งในภาษาธรรมชาติและสร้างการให้เหตุผลที่จำเป็น คุณภาพการทำงานของเอเจนต์ขึ้นอยู่กับวิศวกรรม prompt อย่างมาก โดยรูปแบบ prompt ต่าง ๆ (เช่น Chain-of-Thought) ช่วยปรับแต่ง LLM ให้ทำงานในสไตล์ที่ต้องการ<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-ibm_what_is-1)</sup>

### เครื่องมือ (การเข้าถึงการกระทำภายนอก)

เนื่องจากความรู้ของ LLM ถูกจำกัดด้วยข้อมูลการฝึก เอเจนต์จึงได้รับ **เครื่องมือ** ภายนอกที่ขยายขีดความสามารถ เครื่องมือเหล่านี้อาจรวมถึงการเข้าถึงฐานความรู้ เครื่องมือค้นหา API ตัวแปลโค้ด และแอปพลิเคชันอื่น ๆ ด้วยความช่วยเหลือเหล่านี้ เอเจนต์จึงได้รับข้อมูลที่เป็นปัจจุบันหรือดำเนินการจริงนอกโมเดลได้<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-weaviate_blog-2)</sup>

### หน่วยความจำและบริบท

ลักษณะเด่นของ Agentic Workflow คือการมีกลไกหน่วยความจำที่ช่วยให้เอเจนต์คำนึงถึงประสบการณ์และบริบทก่อนหน้า

- **หน่วยความจำระยะสั้น** เก็บข้อมูลล่าสุด (เช่น ประวัติการสนทนา) ภายในเซสชันปัจจุบัน
- **หน่วยความจำระยะยาว** บันทึกความรู้และผลลัพธ์ที่สะสมจากหลายครั้งที่รัน มักใช้ที่จัดเก็บข้อมูลภายนอก (เช่น ฐานข้อมูลเวกเตอร์)<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-ibm_autogpt-3)</sup>

### Feedback และการปรับแก้ไข

กลไก feedback มีบทบาทสำคัญในการเพิ่มความน่าเชื่อถือ เอเจนต์สามารถรับ feedback จากสภาพแวดล้อมการดำเนินงาน จากโมเดลผู้วิจารณ์ที่เสริม หรือจากมนุษย์ (โหมด human-in-the-loop) ตัวอย่างเช่น ระบบ **Reflexion** ใช้ feedback ภายในตัวเอง โดยเอเจนต์วิเคราะห์ข้อผิดพลาดของตัวเองและบันทึก "การไตร่ตรอง" ไว้ในหน่วยความจำเพื่อปรับปรุงการพยายามครั้งต่อไป<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-reflexion_paper-4)</sup>

### การกำหนดค่าแบบหลายเอเจนต์

ในสถานการณ์ที่ซับซ้อน จะใช้สถาปัตยกรรมแบบหลายเอเจนต์ที่ตัวแทนเฉพาะทางหลายตัวโต้ตอบกัน ตัวอย่างเช่น เอเจนต์ "ผู้วางแผน" กำหนดงานย่อย ในขณะที่เอเจนต์ "ผู้ดำเนินการ" หลายตัวแก้ปัญหาเฉพาะของตัวเอง (การค้นหาข้อมูล การคำนวณ ฯลฯ)<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-ibm_what_is-1)</sup>

## รูปแบบทั่วไปและอัลกอริทึมการทำงานของเอเจนต์

แม้ว่าสถาปัตยกรรมมาตรฐานสากลสำหรับระบบ LLM แบบเอเจนต์ยังไม่ถูกพัฒนา แต่ในปี 2023–2024 รูปแบบที่เกิดซ้ำเริ่มปรากฏขึ้น<sup>[\[5\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-vellum_guide-5)</sup>

- **การวางแผนทีละขั้น (Prompt Chaining)** งานถูกแบ่งออกเป็นลำดับขั้นตอนโดยใช้ห่วงโซ่การเรียก LLM แต่ละขั้นตอนรับผลลัพธ์จากขั้นก่อนหน้าเป็น input และดำเนินงานส่วนหนึ่งของงานทั้งหมด แนวทางนี้ปรับปรุงความสามารถในการตีความ แต่มีความยืดหยุ่นน้อยกว่า
- **การกำหนดเส้นทางและการเลือกเครื่องมือ (Router Pattern)** เอเจนต์จะจำแนกประเภทของงานที่รับเข้ามาก่อน จากนั้นเลือกกระบวนการหรือเครื่องมือเฉพาะเพื่อแก้ไข โดยทำหน้าที่เป็นผู้จัดการ
- **การค้นหาแนวทางแก้ไขแบบขนาน** แทนที่จะใช้เส้นทางความคิดเดียวแบบเส้นตรง จะมีการสำรวจตัวเลือกหลายทางพร้อมกัน ตัวอย่างคือแนวทาง Tree-of-Thoughts ที่เอเจนต์แตกแขนงลำดับการให้เหตุผลเหมือนต้นไม้ สร้าง "ความคิด" ที่เป็นตัวเลือกหลายอย่างในแต่ละขั้นตอนและเลือกสิ่งที่มีแนวโน้มดีที่สุด<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-tot_paper-6)</sup>
- **การสะท้อนตัวเองและการแก้ไขตัวเอง** เอเจนต์ประเมินการตัดสินใจของตัวเองอย่างวิจารณ์และเรียนรู้จากข้อผิดพลาด ในวิธี Reflexion เอเจนต์จะวิเคราะห์ผลลัพธ์หลังจากแต่ละครั้งที่พยายามและบันทึกข้อสรุปที่ใช้ในรอบถัดไป<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-reflexion_paper-4)</sup>

## ตัวอย่างแนวทางที่มีชื่อเสียง

- **ReAct** (*Reasoning and Acting*) — วิธีการพื้นฐาน (2022) ที่รวมการให้เหตุผลและการดำเนินการ LLM สร้างการอนุมานเชิงตรรกะ (*thoughts*) และขั้นตอนการกระทำที่เป็นรูปธรรม (*actions*) สลับกัน ซึ่งดำเนินการด้วยความช่วยเหลือของเครื่องมือ<sup>[\[7\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-react_paper-7)</sup>
- **Reflexion** (2023) — framework การสะท้อนตัวเองที่ช่วยให้เอเจนต์เรียนรู้จากข้อผิดพลาดผ่าน feedback เชิงข้อความ โดยไม่ต้องอัปเดตน้ำหนักของโมเดล<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-reflexion_paper-4)</sup>
- **Tree-of-Thoughts (ToT)** (2023) — framework ที่สรุปแนวคิด Chain-of-Thought เพื่อจัดระเบียบการค้นหาแนวทางแก้ไขในรูปแบบต้นไม้ ช่วยให้โมเดลพิจารณาตัวเลือกการพัฒนาหลายทาง<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-tot_paper-6)</sup>
- **Auto-GPT** (2023) — หนึ่งในโครงการโอเพนซอร์สที่เป็นที่รู้จักกว้างขวางโครงการแรก ๆ ที่แสดงให้เห็น Agentic Workflow แบบอิสระอย่างสมบูรณ์ ระบบสร้างกลุ่มของ GPT-4-agent เฉพาะทางที่ร่วมกันวางแผนและดำเนินขั้นตอนเพื่อบรรลุเป้าหมายระดับสูงที่ผู้ใช้กำหนด<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-ibm_autogpt-3)</sup>

## การประยุกต์ใช้และผลกระทบ

แนวทางแบบเอเจนต์มีการประยุกต์ใช้ในหลายสาขาที่ต้องการระบบอัตโนมัติที่ชาญฉลาดและมีความยืดหยุ่น

- **กระบวนการทางธุรกิจ**: ระบบเอเจนต์ขยายขีดความสามารถของแชทบอทสนับสนุนด้านเทคนิค ซึ่งสามารถวินิจฉัยปัญหาและค้นหาแนวทางแก้ไขได้ด้วยตัวเอง นอกจากนี้ยังใช้ในด้านการเงิน การจัดการบุคลากร และการตลาด<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-ibm_what_is-1)</sup>
- **การจำลองเชิงสร้างสรรค์**: LLM-agent อิสระสามารถจำลองพฤติกรรมที่ซับซ้อนของชุมชนหรือตัวละครได้ ในงานวิจัย "Generative Agents" (Park et al., 2023) GPT-agent หลายสิบตัวที่มีบุคลิกต่างกันจำลองชีวิตทางสังคมในเมืองจำลองได้อย่างสมจริง

ตามการประเมินของนักวิเคราะห์ Gartner Agentic AI ถูกรวมอยู่ในรายชื่อแนวโน้มเทคโนโลยีเชิงกลยุทธ์สำหรับปี 2025<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-ibm_what_is-1)</sup>

## ปัญหาและแนวโน้มการพัฒนา

แม้จะมีความสำเร็จ ระบบ LLM แบบเอเจนต์ยังคงเป็นเทคโนโลยีใหม่และซับซ้อน

- **ต้นทุนทรัพยากร**: แต่ละขั้นตอนเพิ่มเติมของการวางแผน การค้นหา หรือการวิเคราะห์ตัวเองล้วนเป็นการเรียก LLM แยกต่างหาก ซึ่งเพิ่มเวลาดำเนินการและต้นทุน
- **ความไม่แน่นอนของพฤติกรรม**: ยิ่งเอเจนต์มีอิสระมากเท่าไร ยิ่งยากที่จะรับประกันเส้นทางที่มันจะเลือก ซึ่งต้องการการนำข้อจำกัดและกลไกป้องกัน (guardrails) มาใช้
- **การประเมินคุณภาพและการดีบัก**: การวิเคราะห์บันทึกขนาดใหญ่ของระบบหลายขั้นตอนเพื่อค้นหาข้อผิดพลาดเป็นงานที่ไม่ง่าย
- **ความปลอดภัยและจริยธรรม**: เมื่อความเป็นอิสระของ AI เพิ่มขึ้น จำเป็นต้องรับประกันว่าเอเจนต์ทำงานเพื่อประโยชน์ของผู้ใช้และสังคม

การวิจัยในอนาคตมุ่งเน้นไปที่การสร้างวิธีการใช้เครื่องมือสากล การพัฒนา workflow แบบ end-to-end ที่เป็นหนึ่งเดียว และการเพิ่มประสิทธิภาพของระบบเอเจนต์<sup>[\[8\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_note-survey_li_2024-8)</sup>

## ลิงก์

- ภาพรวม Agentic Workflow จาก IBM
- คู่มือการสร้าง AI-agent ที่มีประสิทธิภาพจาก Anthropic

## เอกสารอ้างอิง

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. arXiv:2305.16291.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. DOI:10.1126/science.ade9097.
- Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432.
- Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. arXiv:2406.05804.
- Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. arXiv:2407.18370.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110.
- He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. arXiv:2502.01390.
- Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. arXiv:2402.02716.
- Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. arXiv:2305.14564.

## หมายเหตุ

1.  <span id="cite_note-ibm_what_is-1">↑ <sup>[1.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-ibm_what_is_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-ibm_what_is_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-ibm_what_is_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-ibm_what_is_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-ibm_what_is_1-4)</sup> «What are Agentic Workflows?». *IBM*. <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-weaviate_blog-2">↑ <sup>[2.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-weaviate_blog_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-weaviate_blog_2-1)</sup> «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. <a href="https://weaviate.io/blog/what-are-agentic-workflows" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-ibm_autogpt-3">↑ <sup>[3.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-ibm_autogpt_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-ibm_autogpt_3-1)</sup> «What is AutoGPT?». *IBM*. <a href="https://www.ibm.com/think/topics/autogpt" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-reflexion_paper-4">↑ <sup>[4.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-reflexion_paper_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-reflexion_paper_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-reflexion_paper_4-2)</sup> Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. <a href="https://arxiv.org/abs/2303.11366" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-vellum_guide-5">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. <a href="https://www.vellum.ai/blog/agentic-workflows-emerging-architectures-and-design-patterns" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-tot_paper-6">↑ <sup>[6.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-tot_paper_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-tot_paper_6-1)</sup> Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-react_paper-7">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-survey_li_2024-8">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%A7%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%AD%E0%B9%80%E0%B8%88%E0%B8%99%E0%B8%95%E0%B9%8C#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. <a href="https://arxiv.org/html/2406.05804v1" class="external autonumber" rel="nofollow">[8]</a></span>