ระบบ AgentRadio ทำให้เอเจนต์ AI สี่ตัวร่วมงานได้ผลลัพธ์เกือบสองเท่าของ Claude Opus 4.8 ในงานเขียนโค้ดระดับองค์กร

Lead paragraph ทีมวิจัยจาก Coral AI Labs ร่วมกับมหาวิทยาลัยหลายแห่งเปิดตัว AgentRadio ซึ่งเป็นชั้นการสื่อสารแบบอะซิงโครนัสสำหรับเอเจนต์ AI ด้านการเขียนโค้ด ระบบนี้ทำให้เอเจนต์หลายตัวสามารถประสานงานกันแบบเรียลไทม์โดยไม่ต้องหยุดทำงานหลักได้ ผลการทดลองบนชุดข้อมูล SWE‑Atlas QnA แสดงว่าการใช้ทีมเอเจนต์สี่ตัวร่วมกันทำสำเร็จได้เกือบสองเท่าของโมเดล Claude Opus 4.8 เพียงหนึ่งตัว ซึ่งเป็นสัญญาณสำคัญต่อการพัฒนาเครื่องมือ AI สำหรับโค้ดฐานขนาดใหญ่ขององค์กร.

Overview

ในหลายปีที่ผ่านมา โมเดลภาษา (LLM) ได้รับการฝึกเพื่อทำงานกับโค้ดที่มีความซับซ้อนเพิ่มขึ้น แต่เมื่อเจอ “งานระยะยาว” ที่ต้องสำรวจไฟล์หลายพันไฟล์และรันโปรแกรมจริง ๆ เอเจนต์แบบตัวเดียวมักจะพบปัญหา coverage problem ซึ่งหมายถึงการพลาดข้อมูลสำคัญหรือไม่สามารถปรับแผนตามผลลัพธ์ใหม่ได้อย่างทันท่วงที

นักวิจัย Xinxing Ren, Caelum Forder และ Peter Carroll ระบุว่า “เอเจนต์ตัวเดียวเดินเส้นทางต่อเนื่องผ่านรีโพซิทอรีโดยไม่มีการสื่อสารระหว่างขั้นตอน ทำให้แผนเริ่มต้นยากต่อการแก้ไขเมื่อตัวแปรใหม่ ๆ ปรากฏ” (ตามรายงานของ VentureBeat) ดังนั้น ความต้องการระบบที่สามารถแบ่งภาระและประสานข้อมูลแบบเรียลไทม์จึงเป็นหัวข้อสำคัญในการพัฒนา AI ด้านโค้ด

The Challenge of Single‑Agent Approaches

เมื่อเอเจนต์เดียวทำงานบนรีโพซิทอรีขนาดใหญ่ การจัดการบริบท (context) ที่เพิ่มขึ้นอย่างต่อเนื่องทำให้ความแม่นยำลดลงอย่างชัดเจน ตัวอย่างจากการทดลองระบุว่า Claude Code รุ่น Opus 4.6 สามารถแก้ไขงานได้เพียง 32.3 % ของคำถามใน SWE‑Atlas QnA ส่วนรุ่นใหม่กว่า Opus 4.8 เพียงเพิ่มอัตราเป็น 57.2 % แม้ว่าจะมีโมเดลที่ใหญ่กว่าและทรัพยากรคำนวณมากขึ้น แต่การปรับแผนกลางงานยังคงเป็นข้อจำกัดสำคัญ

เหตุผลหลักคือเอเจนต์ต้องเก็บ “ภาระหน้าที่, การพึ่งพา และข้อมูลขัดแย้ง” ไว้ตลอดกระบวนการ ซึ่งในสภาพแวดล้อมที่ต้องรันโค้ดและตรวจสอบผลลัพธ์หลายขั้นตอน ความซับซ้อนของความสัมพันธ์ระหว่างไฟล์ทำให้เอเจนต์เดียวไม่สามารถอัปเดตข้อมูลได้ทันท่วงที

AgentRadio Architecture

AgentRadio ถูกออกแบบเป็นชั้นการส่งข้อความแบบอะซิงโครนัสที่เชื่อมต่อโดยตรงกับชุดเครื่องมือของเอเจนต์ (เช่น Claude Code หรือ Codex CLI) โดยไม่ต้องแก้ไขโค้ดหลักของเอเจนต์เลย มีฟังก์ชันพื้นฐานสามอย่างคือ

• create_thread – สร้าง “เธรด” การสนทนาเพื่อให้เอเจนต์หลายตัวสามารถแลกเปลี่ยนข้อมูลได้
• send_message – ส่งข้อความเข้าเธรดโดยไม่บล็อกการทำงานของผู้ส่ง ทำให้เอเจนต์ยังคงดำเนินการต่อไปได้
• wait_for_mention – หยุดชั่วคราวจนกระทั่งมีข้อความที่กล่าวถึงตัวเองปรากฏ พร้อมสแนปช็อตของเธรดทั้งหมดเพื่อให้บริบทครบถ้วน

ด้วยหลักการ “passive awareness” นี้ เอเจนต์สามารถทำงานต่อไปในภาระหลักได้พร้อมกับรับข้อมูลอัปเดตจากเพื่อนร่วมทีมแบบเรียลไทม์ ทำให้การแก้ไขแผนหรือการปฏิเสธสมมติฐานเก่าเป็นไปโดยไม่ต้องรอขั้นตอนสังเคราะห์ผลลัพธ์สุดท้าย

Benchmark Results

ในการทดสอบบน SWE‑Atlas QnA ทีมวิจัยให้เอเจนต์สี่ตัวที่ใช้ Claude Code ทำงานร่วมกับ AgentRadio พบว่าอัตราความสำเร็จของทีมเกือบสองเท่าของการใช้โมเดลเดียวแม้จะเป็นรุ่น Opus 4.8 ที่คาดว่ามีประสิทธิภาพสูงสุด ตัวอย่างผลสถิติที่ระบุคือ

• เอเจนต์คนละตัวทำงานแยกกันโดยไม่มีการประสานงานให้ได้อัตราประมาณ **57 % (ระดับเดียวกับ Opus 4.8)
• เมื่อใช้ AgentRadio เชื่อมต่อเอเจนต์สี่ตัว ผลลัพธ์เพิ่มขึ้นเป็นราว **110 % ของอัตราตัวเดี่ยว ซึ่งแปลว่า “เกือบสองเท่า”

การทดสอบนี้ชี้ให้เห็นว่าการออกแบบโครงสร้างการประสานงานที่เหมาะสม สามารถทำให้ผลลัพธ์ดีกว่าการเพิ่มขนาดโมเดลหรือกำลังคอมพิวเตอร์อย่างเดียวได้

Implications for Enterprise AI

สำหรับองค์กรที่มีฐานโค้ดขนาดมหาศาล การนำ AgentRadio ไปใช้หมายความว่าจะสามารถลดเวลาและค่าใช้จ่ายในการตรวจสอบบั๊ก หรือทำการวิเคราะห์ความปลอดภัยโดยอัตโนมัติได้อย่างมีประสิทธิภาพมากขึ้น ระบบแบบหลายเอเจนต์ที่สื่อสารกันแบบเรียลไทม์ช่วยให้ข้อมูลสำคัญไม่พลาดระหว่างขั้นตอน และลดโอกาสที่ทีมวิศวกรต้องทำการตรวจสอบซ้ำหลายรอบ

นักพัฒนา AI ยังสามารถนำ AgentRadio ไปต่อยอดกับโมเดลอื่น ๆ หรือรวมเข้ากับระบบอัตโนมัติของ DevOps ได้ เนื่องจากโค้ดของ AgentRadio เปิดเผยภายใต้ Apache 2.0 บน GitHub ทำให้การปรับใช้ในสภาพแวดล้อมที่มีข้อจำกัดด้านความปลอดภัยหรือคอมพิวเตอร์สูงเป็นไปได้โดยไม่ต้องเสียค่าใช้จ่ายเพิ่มเติม

Future Directions

แม้ AgentRadio จะแก้ไขปัญหาการประสานงานแบบอะซิงโครนัสอย่างมีประสิทธิภาพ แต่การวิจัยต่อเนื่องยังจำเป็นต้องสำรวจหัวข้อหลายด้าน ได้แก่ การจัดการความขัดแย้งระหว่างข้อมูลที่ส่งมาจากเอเจนต์หลายตัว, การเพิ่มกลไกการให้คะแนนหรือคัดกรองข้อความเพื่อป้องกัน “สัญญาณรบกวน” (noise) ที่อาจทำให้กระบวนการช้าลง และการทดสอบในบริบทอื่น ๆ เช่น ระบบ AI สำหรับการออกแบบฮาร์ดแวร์หรือการจัดการข้อมูลขนาดใหญ่

นักวิจัยหลายกลุ่มได้เริ่มทดลองผสาน AgentRadio กับโมเดลที่ใช้ retrieval‑augmented generation (RAG) เพื่อให้เอเจนต์สามารถค้นหาข้อมูลจากฐานความรู้ภายนอกพร้อมกับประสานงานกันแบบเรียลไทม์ ซึ่งอาจเปิดทางสู่ระบบ AI ที่มีการตัดสินใจอย่างเป็นองค์รวมมากยิ่งขึ้นในอนาคต

Summary

AgentRadio แสดงให้เห็นว่าการออกแบบโครงสร้างการสื่อสารหลายเอเจนต์ที่ทำงานพร้อมกันโดยไม่ต้องหยุดทำงานหลัก สามารถเพิ่มประสิทธิภาพของระบบ AI ด้านการเขียนโค้ดได้อย่างมีนัยสำคัญ การทดลองบนชุดข้อมูล SWE‑Atlas QnA ยืนยันว่าการประสานงานแบบเรียลไทม์ช่วยให้ผลลัพธ์เกือบสองเท่าของโมเดลที่ใหญ่กว่าและทรงพลังที่สุดในปัจจุบัน ทำให้เป็นแนวทางสำคัญสำหรับองค์กรที่ต้องการเพิ่มความแม่นยำในการจัดการโค้ดฐานขนาดใหญ่.