ระหว่างการประเมินและนำเครื่องมือ AI อัตโนมัติมาใช้ในองค์กร หลายทีมพบปัญหาเดียวกันคือ ยิ่งเขียนชุดทักษะ AI อย่างละเอียด การสนทนาก็ยิ่งใช้โทเคนมากขึ้น ทำให้ต้นทุนการประมวลผลและความหน่วงในการตอบสนองเพิ่มสูงขึ้นตามไปด้วย
เมื่อรวมทักษะเฉพาะทาง กฎเกณฑ์ และแม่แบบตั้งแต่สองชุดขึ้นไปไว้ในพรอมป์ต์เดียวหรือไฟล์แบบคงที่ การโต้ตอบทุกครั้งจะสิ้นเปลืองหน้าต่างบริบท การแยกและปรับโครงสร้างชุดทักษะขนาดใหญ่เป็น เวิร์กโฟลว์ (Workflow / Agentic Multi-step Pattern) สามารถช่วยองค์กรประหยัดโทเคนได้สูงถึง 80–90%
1. ภัยที่ซ่อนอยู่ในชุดทักษะขนาดใหญ่: โทเคนสิ้นเปลืองและประสิทธิภาพลดลง
ผู้ออกแบบโมดูลมักใช้แนวทางแบบรวมทุกอย่าง (Monolithic) โดยนำความรู้พื้นฐาน เกณฑ์ตรวจสอบ การจัดการข้อยกเว้น และรูปแบบผลลัพธ์มาไว้ด้วยกัน จึงเกิดคอขวดสามประการ:
- ต้นทุนคงที่สูง: แม้ผู้ใช้ถามเพียงเรื่องเล็กน้อย ระบบก็ยังต้องอ่านคำอธิบายทักษะขนาดใหญ่ทั้งหมดใหม่ทุกครั้งที่ตอบ
- สัญญาณรบกวนในบริบท: ข้อมูลที่มากเกินไปกระจายความสนใจของโมเดล ทำให้พลาดรายละเอียดหรือไม่ปฏิบัติตามกฎบางข้อ
- ข้อมูลที่ไม่จำเป็นสะสม: ในการสนทนาที่ยาวนาน กระบวนการระหว่างทางจากขั้นตอนก่อนหน้ายังคงอยู่ในบริบท ทำให้ใช้ทรัพยากรและโทเคนโดยไม่จำเป็น
2. เวิร์กโฟลว์ช่วยประหยัดโทเคน 80–90% ได้อย่างไร?
แนวคิดหลักคือแยกงานซับซ้อนออกเป็นโหนดอิสระ แต่ละโหนดรับผิดชอบเพียงงานเดียว และประสานการทำงานผ่านการจัดการสถานะ
1. โหลดเมื่อจำเป็นและกำหนดเส้นทางแบบไดนามิก
เวิร์กโฟลว์เริ่มด้วยตัวกำหนดเส้นทาง (Router) ขนาดเล็กมาก เมื่อผู้ใช้ส่งความต้องการเข้ามา ตัวกำหนดเส้นทางจะเรียกใช้ เฉพาะโมดูลทักษะขั้นต่ำที่โหนดปัจจุบันต้องการ แทนการโหลดข้อมูลทั้งหมดเข้าไปในหน่วยความจำพร้อมกัน
2. ส่งต่อสถานะแทนการเก็บข้อความทั้งหมด
การสนทนาแบบเดิมนำประวัติข้อความทั้งหมดไปใช้ในการคำนวณครั้งถัดไป แต่เมื่อเปลี่ยนขั้นตอน เวิร์กโฟลว์จะ ส่งต่อเฉพาะสถานะสำคัญที่มีโครงสร้าง เช่น ข้อมูล JSON หรือบทสรุปสั้น ๆ การกรองรายละเอียดการสนทนาที่ไม่จำเป็นออกมากกว่า 90% ช่วยลดขนาดหน้าต่างบริบทได้อย่างมาก
3. แบ่งเป็นโมดูลและนำส่วนประกอบกลับมาใช้ซ้ำ
แยกชุดทักษะขนาดใหญ่เป็นส่วนประกอบอิสระ เช่น การดึงข้อมูล การวิเคราะห์เชิงตรรกะ และการสร้างรูปแบบผลลัพธ์ ส่วนประกอบเฉพาะทางทำงานเฉพาะเมื่อเข้าเงื่อนไขที่กำหนด จึงใช้ทรัพยากรกับงานที่จำเป็น
3. เปรียบเทียบวิธีดั้งเดิมกับเวิร์กโฟลว์
| เกณฑ์ประเมิน | พรอมป์ต์แบบรวมทุกอย่าง | สถาปัตยกรรมเวิร์กโฟลว์ |
|---|---|---|
| การใช้โทเคน | โหลดบริบททั้งหมดทุกครั้ง ใช้โทเคนสูงมาก | โหลดตามขั้นตอนแบบไดนามิก ประหยัดโทเคน 80–90% |
| ความเร็วตอบสนอง | อินพุตขนาดใหญ่เพิ่มเวลาถึงโทเคนแรก (TTFT) | โหนดขนาดเล็กช่วยให้ตอบและดำเนินงานเร็วขึ้น |
| การปฏิบัติตามคำสั่ง | ข้อมูลมากเกินไปทำให้พลาดกฎสำคัญ | แต่ละโหนดเน้นงานเดียว ความแม่นยำเกือบ 100% |
| การดูแลและขยายระบบ | เปลี่ยนกฎข้อเดียวอาจกระทบการสนทนาทั้งหมด | โมดูลอิสระช่วยให้ปรับและขยายแต่ละขั้นตอนได้ง่าย |
บทสรุป: จาก Prompt Engineering สู่ Agentic Workflow
เมื่อการประยุกต์ใช้ AI เติบโตเต็มที่ การควบคุมต้นทุนและความเสถียรของระบบเป็นสองปัจจัยสำคัญในการนำ AI มาใช้ในองค์กรในวงกว้าง
การเปลี่ยนจากการรวมความรู้ทั้งหมดไว้ในพรอมป์ต์ขนาดใหญ่ มาเป็น เวิร์กโฟลว์แบบโมดูล ช่วยสร้างความได้เปรียบด้านต้นทุนได้หลายเท่า พร้อมพัฒนาระบบ AI ที่ตอบสนองเร็วและมีตรรกะที่รัดกุมขึ้น