---
title: "Multi-agent prompting (TH)"
source: "https://systems-analysis.info/int/Multi-agent_prompting_(TH)"
wiki: "systems-analysis.info/int"
article: "Multi-agent_prompting_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Thai"
revision_id: 4682
wiki_created_at: 2026-09-06T23:38:27Z
wiki_modified_at: 2026-09-06T23:38:27Z
downloaded_at: 2026-09-07T23:03:59Z
---

# Multi-agent prompting (TH)

**มัลติเอเจนต์พรอมต์ติง** (อังกฤษ: *multi-agent prompting*) — คือวิธีการในสาขาวิศวกรรม prompt และระบบปัญญาประดิษฐ์ ซึ่งตัวแทนอัตโนมัติหลายตัวที่สร้างบนพื้นฐานของ LLM ทำงานร่วมกันเพื่อแก้ปัญหาที่ซับซ้อนผ่านการแลกเปลี่ยนคำสั่งและคำตอบอย่างมีโครงสร้าง<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-comm_paper-1)</sup>

กล่าวอีกนัยหนึ่ง ระบบมัลติเอเจนต์ประกอบด้วย LLM-agent หลายตัวที่ทำงานร่วมกันเพื่อตอบคำถามที่ซับซ้อนของผู้ใช้ โดยกระจายขั้นตอนการให้เหตุผล (*subtasks*) ให้แก่ตัวแทนที่มี «บทบาท» และความสามารถเฉพาะต่างกัน เป้าหมายหลักของแนวทางนี้คือการเอาชนะข้อจำกัดของโมเดลเดี่ยวในงานที่ยากผ่านการแก้ปัญหาแบบร่วมมือกัน การใช้ตัวแทนหลายตัวที่ทำงานร่วมกันมุ่งเพิ่มคุณภาพของการให้เหตุผล ความถูกต้องตามข้อเท็จจริง และความน่าเชื่อถือของคำตอบ<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-anthropic-mas-2)</sup> ลักษณะสำคัญอีกประการหนึ่งคือความมีระเบียบเชิงคำสั่งที่เข้มงวด โดย LLM แต่ละตัวจะได้รับบทบาทหรืองานที่ชัดเจนภายในกรอบการแก้ปัญหาโดยรวม

## วิธีการและรูปแบบสถาปัตยกรรม

นักวิจัยได้เสนอรูปแบบของมัลติเอเจนต์พรอมต์ติงหลายแบบ ซึ่งแตกต่างกันในลักษณะการปฏิสัมพันธ์ของตัวแทนและบทบาทของพวกเขา

### การสร้างแบบจำลองผู้เชี่ยวชาญตามบทบาท

ตัวแทนหนึ่งตัวหรือมากกว่าได้รับการแต่งตั้งให้เป็นผู้เชี่ยวชาญเฉพาะด้านในสาขาแคบ ตัวอย่างเช่น ในกลุ่มมัลติเอเจนต์ ตัวแทนต่าง ๆ อาจเป็นตัวแทนของสาขาความรู้ที่ต่างกัน (นักฟิสิกส์ นักเคมี นักชีววิทยา) หรือขั้นตอนต่าง ๆ ในการแก้ปัญหา (นักวางแผน ผู้ปฏิบัติงาน นักวิจารณ์)<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-comm_paper-1)</sup> แนวทางนี้ช่วยให้สามารถนำ *few-shot* prompting ที่มีประสิทธิภาพมาใช้ โดยตัวแทนผู้เชี่ยวชาญแต่ละตัวจะได้รับตัวอย่างสาธิตในสาขาของตน ซึ่งช่วยปรับปรุงประสิทธิภาพโดยรวม

### การแก้ไขตนเองและการวิจารณ์ (Self-reflection)

ตัวแทนสามารถทำหน้าที่เป็น «นักวิจารณ์» หรือสะท้อนความคิดต่อคำตอบของตัวแทนอื่นหรือคำตอบของตนเองก่อนหน้า กลยุทธ์ *self-reflection* หรือ *self-refinement* คือการที่ LLM สร้างคำตอบก่อน แล้วจึงให้โมเดลเดียวกันหรือโมเดลอื่นวิเคราะห์และแก้ไขข้อผิดพลาดในคำตอบนั้น<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-comm_paper-1)</sup> วิธีนี้ช่วยปรับปรุงผลลัพธ์สุดท้ายได้อย่างวนซ้ำ

### การโต้วาทีระหว่างตัวแทน

นี่คือรูปแบบแข่งขันของมัลติเอเจนต์พรอมต์ติง ซึ่งเป็นการจัดการอภิปรายหรือโต้เถียงระหว่าง LLM หลายตัว ในรูปแบบ **LLM-Debate** ตัวแทนสองตัวหรือมากกว่าจะโต้เถียงกันเกี่ยวกับคำตอบที่ถูกต้องสำหรับปัญหา (เช่น ปัญหาทางคณิตศาสตร์) และวิจารณ์ข้อโต้แย้งของกันและกัน<sup>[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-more_agents_all_you_need-3)</sup> รูปแบบการโต้วาทีดังกล่าวช่วยเพิ่มความสามารถในการให้เหตุผลเชิงตรรกะของโมเดลและเพิ่มความถูกต้องตามข้อเท็จจริงของคำตอบเมื่อเทียบกับการแก้ปัญหาแบบเดี่ยว

### การวางแผนและการแยกย่อยงาน

ตัวแทนหนึ่งตัวทำหน้าที่เป็นนักวางแผน โดยแบ่งคำถามที่ซับซ้อนออกเป็นลำดับขั้นตอนหรืองานย่อย ซึ่งจะถูกแก้ไขโดยตัวมันเองหรือตัวแทนอื่น ๆ วิธีการอย่าง *ReAct* และ *Reflexion* นำหลักการวางแผนซ้ำแบบมีข้อมูลป้อนกลับนี้มาใช้ LLM จะสร้างแผนการแก้ปัญหาก่อนที่จะเริ่มดำเนินการ ซึ่งช่วยจัดการกับห่วงโซ่การให้เหตุผลที่ยาว<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-comm_paper-1)</sup>

### ความร่วมมือแบบหลายบุคลิก

แทนที่จะใช้โมเดลต่างกัน สามารถใช้ LLM ตัวเดียวโดยให้มัน «แสดง» ตัวแทนหลายตัวที่มีการตั้งค่าส่วนบุคคลหรือมุมมองที่แตกต่างกัน ในแนวทาง *multi-persona self-collaboration* โมเดลเดียวจะรับบทบาทหลายบทบาทต่อเนื่องกันในระหว่างการสนทนา และดำเนินการอภิปรายราวกับกับตัวเอง แม้ว่างานวิจัยจะแสดงให้เห็นว่าตัวแทนอิสระแยกกันให้ประสิทธิภาพที่สูงกว่า แต่วิธีนี้ช่วยจำลองทีมผู้เชี่ยวชาญภายใน LLM ตัวเดียว<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-comm_paper-1)</sup>

## การประยุกต์ใช้และผลลัพธ์

แนวทางมัลติเอเจนต์พรอมต์ติงแสดงให้เห็นถึงประสิทธิผลในหลายสาขา ซึ่ง LLM แบบเดี่ยวเคยประสบปัญหามาก่อน

### การให้เหตุผลทางคณิตศาสตร์และตรรกะ

การใช้ตัวแทนหลายตัวช่วยเพิ่มความแม่นยำอย่างเห็นได้ชัดในงานที่ต้องการการอนุมานหลายขั้นตอน (เลขคณิตซับซ้อน การพิสูจน์ทางคณิตศาสตร์ ปริศนาตรรกะ) ในผลงานของ Du et al. (2023) แนวทาง «การโต้วาที» แบบมัลติเอเจนต์ให้ผลลัพธ์ที่ดีกว่าตัวแทนเดี่ยว การวิเคราะห์แสดงให้เห็นว่าเมื่อจำนวนตัวแทนที่เข้าร่วมการอภิปรายเพิ่มขึ้น ความแม่นยำของคำตอบก็เพิ่มขึ้นตามไปด้วย<sup>[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-more_agents_all_you_need-3)</sup>

### 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<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-comm_paper-1)</sup>

### การสร้างและแก้จุดบกพร่องในโค้ด

ในด้านการเขียนโปรแกรม ระบบมัลติเอเจนต์ถูกนำมาใช้เพื่อปรับปรุงคุณภาพโค้ดและลดจำนวนข้อผิดพลาด ระบบ **PromptV** ใช้ตัวแทนหลายตัวสำหรับการเขียน ตรวจสอบ และแก้ไขโค้ด Verilog ตามลำดับ การกระจายบทบาท (การสร้าง การรีวิว การทดสอบ) ช่วยเพิ่มความสามารถของโมเดลในการตรวจจับและแก้ไขข้อผิดพลาด ส่งผลให้สัดส่วนของโซลูชันที่คอมไพล์ได้สำเร็จเพิ่มขึ้นถึง **96.5%** บน benchmark หนึ่ง<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-promptv_paper-4)</sup>

### การค้นหาและวิเคราะห์ข้อมูล

ระบบมัลติเอเจนต์มีประโยชน์อย่างยิ่งสำหรับคำถามปลายเปิดที่มีโครงสร้างไม่ชัดเจน บริษัท **Anthropic** พัฒนาโหมดหลายตัวแทนสำหรับโมเดล **Claude** ซึ่งออกแบบมาสำหรับการค้นคว้าบนเว็บ ในระบบนี้ ตัวแทนหลักจะวิเคราะห์คำถามและสร้างตัวแทนย่อยขนานหลายตัว โดยแต่ละตัวดำเนินการค้นหาในแง่มุมต่าง ๆ ของหัวข้อ สถาปัตยกรรมดังกล่าวจัดการคำถามค้นหาที่ซับซ้อนได้ดีขึ้น **90%** เมื่อเทียบกับโมเดล Claude ตัวเดียว<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-anthropic-mas-2)</sup>

### 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*)<sup>[\[5\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-principle_based_paper-5)</sup>

## ข้อจำกัดและปัญหา

### ความซับซ้อนในการคำนวณและค่าใช้จ่าย

ข้อเสียหลักคือภาระการคำนวณที่เพิ่มขึ้นอย่างมาก ตัวแทนแต่ละตัวต้องการเซสชันการสร้างของตนเอง ซึ่งนำไปสู่การใช้ token และทรัพยากรจำนวนมาก ตามข้อมูลของ Anthropic ระบบของพวกเขาใช้ token เฉลี่ย **มากกว่า 4 เท่า** ต่อการสนทนาหนึ่งครั้ง และในบางกรณีมากถึง 15 เท่า<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-anthropic-mas-2)</sup> ซึ่งทำให้การใช้แนวทางนี้คุ้มค่าเฉพาะสำหรับงานที่มีมูลค่าสูงเท่านั้น

### ความซับซ้อนในการออกแบบและการประสานงาน

สำหรับการทำงานที่ประสบความสำเร็จ จำเป็นต้องมี **การปรับแต่ง prompt เชิงวิศวกรรมอย่างละเอียด** ได้แก่ การกำหนดบทบาทของตัวแทนแต่ละตัว รูปแบบการแลกเปลี่ยนข้อความ และเกณฑ์การหยุดให้ชัดเจน มิฉะนั้น ตัวแทนอาจทำงานซ้ำซ้อน วนเวียนค้นหาไม่รู้จบ หรือสร้างงานย่อยที่ไม่มีประโยชน์<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-anthropic-mas-2)</sup>

### ความปลอดภัยและความน่าเชื่อถือ

ช่องทางการโจมตีรูปแบบใหม่กำลังปรากฏขึ้น นักวิจัยได้สาธิตปรากฏการณ์ **Prompt Infection** (การติดเชื้อ prompt) ซึ่งส่วนของคำสั่งที่เป็นอันตรายจากตัวแทนหนึ่งจะถูกส่งไปยังตัวแทนอื่น และแพร่กระจายไปตลอดห่วงโซ่การให้เหตุผลเหมือนไวรัส การโจมตีแบบ *LLM-to-LLM* นี้แสดงให้เห็นถึงความเปราะบางของระบบหลายตัวแทนต่อการฉีดคำสั่งและการจัดการที่ซ่อนเร้น ซึ่งต้องการการพัฒนามาตรการป้องกันเฉพาะ เช่น การติดป้ายกำกับผลลัพธ์ของตัวแทนแต่ละตัว (*LLM Tagging*)<sup>[\[6\]](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_note-prompt_infection_paper-6)</sup>

## 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.

## หมายเหตุ

1.  <span id="cite_note-comm_paper-1">↑ <sup>[1.0](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-comm_paper_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-comm_paper_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-comm_paper_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-comm_paper_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-comm_paper_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-comm_paper_1-5)</sup> Chen, Y. et al. «CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving». *arXiv*, 2024. <a href="https://arxiv.org/html/2404.17729v1" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-anthropic-mas-2">↑ <sup>[2.0](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-anthropic-mas_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-anthropic-mas_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-anthropic-mas_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-anthropic-mas_2-3)</sup> «How we built our multi-agent research system». *Anthropic*. <a href="https://www.anthropic.com/engineering/built-multi-agent-research-system" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-more_agents_all_you_need-3">↑ <sup>[3.0](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-more_agents_all_you_need_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-more_agents_all_you_need_3-1)</sup> Li, G. et al. «More Agents Is All You Need». *arXiv*, 2024. <a href="https://ar5iv.labs.arxiv.org/html/2402.05120" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-promptv_paper-4">[↑](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-promptv_paper_4-0) Mi, Y. et al. «PromptV: Leveraging LLM-powered Multi-Agent Prompting for High-quality Verilog Generation». *ResearchGate*, 2024. <a href="https://www.researchgate.net/publication/387105472_PromptV_Leveraging_LLM-powered_Multi-Agent_Prompting_for_High-quality_Verilog_Generation" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-principle_based_paper-5">[↑](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-principle_based_paper_5-0) Wei, J. et al. «Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification». *arXiv*, 2024. <a href="https://arxiv.org/html/2502.07165v1" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-prompt_infection_paper-6">[↑](https://systems-analysis.info/int/Multi-agent_prompting_(TH)#cite_ref-prompt_infection_paper_6-0) Lee, K. & Tiwari, A. «Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems». *OpenReview*, 2024. <a href="https://openreview.net/forum?id=NAbqM2cMjD" class="external autonumber" rel="nofollow">[6]</a></span>