TinyFish เผยโครงสร้าง Agentic Search ประสิทธิภาพสูงสำหรับ AI Agents

AI search agent มักทำงานได้ดีในเวอร์ชันเดโม แต่อาจล้มเหลวเมื่อต้องเผชิญกับภาระงานจริง (production workloads) โดยเฉพาะเมื่อเจอกับปัญหาข้อมูลไม่สมบูรณ์ การลองใหม่ที่ไร้ประสิทธิภาพ หรือต้นทุนการประมวลผลที่สูงเกินงบประมาณ

TinyFish ผู้ให้บริการโครงสร้างพื้นฐานเว็บสำหรับ AI agents จึงได้เผยแพร่คู่มือทางเทคนิคสองฉบับเพื่อแก้ปัญหานี้ ฉบับแรกกำหนดสถาปัตยกรรม agentic search ระดับโปรดักชัน ส่วนฉบับที่สองเน้นบทเรียนจากการสร้างระบบการวิจัยเชิงลึก (deep research system) เพื่อดูว่า autonomous search agent สามารถวางแผน ดึงข้อมูล และบริหารจัดการระหว่างการใช้เหตุผลของโมเดลกับการประมวลผลแบบกำหนดทิศทางล่วงหน้า (deterministic execution) ได้อย่างไร

TL;DR

TinyFish แนะนำสถาปัตยกรรม agentic search ที่สร้างขึ้นบน 4 องค์ประกอบพื้นฐาน ได้แก่ TinySearch, TinyFetch, TinyBrowser และ TinyAgent โดยทำงานผ่านวงจรควบคุม 7 ระยะ ผลทดสอบบน OpenBenchmarks พบว่า TinyFish ทำงานสำเร็จถึง 79.0% ในงานเขียนโค้ด โดยมีต้นทุนมัธยฐานต่ำสุดเพียง $0.050 และใช้จำนวน token น้อยที่สุด ซึ่งพิสูจน์ถึงความสำคัญของวงจรควบคุมที่เข้มงวดและการใช้เหตุผลแบบรวมศูนย์

Agentic Search Architecture คืออะไร?

สถาปัตยกรรมนี้ช่วยให้ AI agent สามารถวางแผน เข้าถึงแหล่งข้อมูล ประเมินหลักฐาน และปรับวิธีการทำงานได้เองเมื่อได้รับข้อมูลใหม่ โดยตัวโมเดลจะทำหน้าที่ให้เหตุผล ในขณะที่ระบบจัดการสถานะ การเรียกใช้เครื่องมือ และการตรวจสอบความถูกต้องของผลลัพธ์ เพื่อรับมือกับความไม่แน่นอนของข้อมูล

โครงสร้างของ TinyFish ต่อยอดจากงานวิจัยปี 2026 ที่แยกส่วนการให้เหตุผลออกจากการประมวลผลผ่าน typed tool interfaces โดยมีระบบป้องกันที่เข้มงวด ทั้งการจำกัดจำนวน token เวลาประมวลผล และงบประมาณรวม ซึ่งประกอบด้วย 7 ขั้นตอนหลัก:

1. กำหนดภารกิจ (Define the task): เปลี่ยนเป้าหมายเป็น “evidence contract” ที่ระบุความต้องการข้อมูลไว้อย่างชัดเจน
2. วางแผนการดึงข้อมูล (Plan retrieval): แยกความต้องการข้อมูลที่เป็นอิสระออกจากข้อมูลที่ต้องรอผลลัพธ์ต่อเนื่อง
3. เลือกเส้นทางแรก (Pick the first route): เลือกเครื่องมือที่เหมาะสมที่สุดจากข้อมูลเบื้องต้นที่มี
4. ค้นหา เลือก ดึงข้อมูล (Discover, select, retrieve): คัดกรองผลการค้นหาจนกว่าจะได้เนื้อหาจริงจากหน้าเว็บ
5. ประเมิน (Evaluate): ตรวจสอบว่าหลักฐานเพียงพอ ขัดแย้ง หรือเกินงบประมาณหรือไม่
6. กู้คืนหรือยกระดับ (Recover or escalate): ปรับปรุงคำค้นหา หรือเปลี่ยนแหล่งข้อมูลหากผลลัพธ์ไม่ดีพอ
7. หยุดและตรวจสอบ (Stop and validate): ส่งคืนสถานะงานว่าสำเร็จ ล้มเหลว หรือต้องการมนุษย์ตรวจสอบ

ในระยะที่ 2 ระบบมุ่งแก้ปัญหา ‘lost-in-retrieval’ ที่ข้อมูลสำคัญหายไประหว่างการวิเคราะห์คำถามซับซ้อน ส่วนระยะที่ 6 อ้างอิงจาก Search-R1 ที่แสดงให้เห็นว่าโมเดลสามารถเรียนรู้ที่จะสร้างคำค้นหาใหม่ได้เองเมื่อข้อมูลเดิมไม่เพียงพอ ซึ่งช่วยเพิ่มประสิทธิภาพได้มากกว่า RAG แบบพื้นฐานถึง 20-41%

การเลือกเส้นทางเครื่องมือของ Search Agent

การเลือกเส้นทาง (Routing) ควรพิจารณาจากช่องว่างของข้อมูลที่มีอยู่ ไม่ใช่ลำดับที่ตายตัว

การลองใหม่ (Retries) ต้องพิจารณาตามประเภทความล้มเหลวภายใต้ขีดจำกัดที่กำหนด เช่น ข้อผิดพลาดชั่วคราวอาจลองใหม่ได้ทันที แต่หากเป็นหลักฐานที่ขัดแย้งกันต้องใช้วิธีอื่น นอกจากนี้การลองใหม่ในระดับ Browser ต้องระวังไม่ให้เกิดผลกระทบซ้ำซ้อน เช่น การส่งฟอร์มเดิมสองครั้ง

บทเรียนจากการสร้างระบบวิจัยเชิงลึก (Deep Research)

ในการพัฒนา Deep Research Agent ทีม TinyFish ได้ค้นพบบทเรียนสำคัญทางวิศวกรรม 3 ประการ:

บทเรียนที่ 1: การตัดตัววางแผนแยกส่วนออก ในช่วงแรกการใช้ standalone planner ทำให้ agent มักหลุดประเด็นเมื่อเจอคำถามต่อเนื่อง ทีมงานจึงย้ายการวางแผนเข้าไปอยู่ในวงจรการให้เหตุผลหลัก (orchestrator) เพื่อให้คงบริบทของงานไว้ได้ดีขึ้น

บทเรียนที่ 2: การตัด subagents ออก การใช้ subagent แยกสำหรับทุกคำค้นหาทำให้เกิดภาระในการสลับบริบท (context-switching) และต้นทุนสูง TinyFish จึงเปลี่ยนมาใช้ tool calls สำหรับงานซ้ำๆ แทน ซึ่งช่วยให้ระบบหลักจดจ่อกับการตัดสินใจเชิงกลยุทธ์ได้ดีขึ้น

บทเรียนที่ 3: การปรับให้ตรงใจนักวิจัย ผู้ใช้ให้ความสำคัญกับคุณภาพและความเกี่ยวข้องของหลักฐานมากกว่าปริมาณแหล่งข้อมูล ทีมงานจึงปรับเกณฑ์การประเมินโดยใช้ LLM judge เพื่อตรวจสอบความน่าเชื่อถือและความหลากหลายของแหล่งข้อมูลให้ตรงกับวัตถุประสงค์การวิจัย

ผลจากแนวทางนี้ทำให้ระบบได้ throughput สูงขึ้น 3.4 เท่า และมี latency ต่ำลง 5 เท่า เมื่อเทียบกับเกณฑ์มาตรฐานเดิม ตามแนวทางของ SearchAgent-X (ICLR 2026)

ประสิทธิภาพของ TinyFish

จากผลทดสอบบน OpenBenchmarks ในหมวด Search-only TinyFish ทำงานสำเร็จ 59.3% ในขณะที่ผู้นำตลาดอย่าง Perplexity อยู่ที่ 77.3% อย่างไรก็ตาม ในภาพรวมระดับโปรดักชัน TinyFish เน้นที่ความคุ้มค่าของต้นทุนและประสิทธิภาพในการดึงข้อมูลที่แม่นยำ

สรุปประเด็นสำคัญ:

• ควบคุมวงจรการทำงานทั้งหมด ไม่ใช่แค่ผลการค้นหา
• วางแผนและประเมินผลในวงจรการให้เหตุผลเดียว (Single Reasoning Loop)
• ใช้ tool calls แทน subagents เพื่อลดความซับซ้อน
• จัดลำดับข้อมูลตามเป้าหมายการวิจัย ไม่ใช่แค่คะแนนคุณภาพทั่วไป