ชุมชนปัญญาประดิษฐ์กำลังทบทวนความเป็นจริงเกี่ยวกับสิ่งที่เป็น AI agent จริงๆ เมื่อเทียบกับฟังก์ชันการประมวลผลข้อมูลแบบดั้งเดิม การสำรวจล่าสุดเกี่ยวกับการสร้าง AI agent โดยใช้ streaming SQL queries ของ Apache Flink ได้จุดประกายการถกเถียงว่าอุตสาหกรรมกำลังทำให้งานอัตโนมัติง่ายๆ ซับซ้อนเกินไปหรือไม่
การอภิปรายมุ่งเน้นไปที่แนวทางเชิงทดลองที่ใช้ SQL queries เพื่อเรียกใช้ large language model (LLM) เมื่อมีข้อมูลใหม่เข้าสู่ระบบ ตัวอย่างเช่น เมื่อมีการอัปโหลดเอกสารงานวิจัยเข้าฐานข้อมูล SQL query จะสร้างสรุปโดยอัตโนมัติโดยใช้โมเดลของ OpenAI และส่งการแจ้งเตือนไปยังช่อง Slack แม้ว่าจะใช้งานได้ในทางเทคนิค แต่แนวทางนี้ได้เปิดเผยคำถามพื้นฐานเกี่ยวกับนิยาม AI agent และข้อจำกัดในทางปฏิบัติ
องค์ประกอบทางเทคนิคหลักที่กล่าวถึง:
- Apache Flink : แพลตฟอร์มประมวลผลสตรีมสำหรับการประมวลผลข้อมูลแบบเรียลไทม์
- FLIP-311 : ข้อเสนอการปรับปรุง Flink สำหรับการรวมโมเดล ML เข้ากับ SQL
- ฟังก์ชัน ML_PREDICT : ฟังก์ชัน SQL สำหรับเรียกใช้โมเดลแมชชีนเลิร์นนิง
- Process Table Functions (PTF) : ฟังก์ชันแบบกำหนดเองสำหรับการรวมตรรกะที่ซับซ้อน
- Model Connector Protocol (MCP) : มาตรฐานสำหรับการรวมเครื่องมือภายนอกเข้ากับเวิร์กโฟลว์ AI
ชุมชนตั้งคำถามเกี่ยวกับการจำแนกประเภท Agent
นักพัฒนามีความสงสัยมากขึ้นเกี่ยวกับการติดป้าย AI agent ให้กับระบบอัตโนมัติที่ขับเคลื่อนด้วย LLM ทุกตัว ชุมชนเทคนิคชี้ให้เห็นว่าระบบหลายตัวที่ตลาดเรียกว่า agent นั้นเป็นเพียงฟังก์ชันที่ซับซ้อนซึ่งมีพฤติกรรมที่คาดเดาได้น้อยกว่ากฎที่ใช้โค้ดแบบดั้งเดิม ความแตกต่างนี้มีความสำคัญเพราะส่งผลต่อการวางแผนและการจัดงบประมาณสำหรับการนำ AI มาใช้งานขององค์กร
แนวทาง streaming SQL ทำงานได้ดีสำหรับเวิร์กโฟลว์พื้นฐาน เช่น การประมวลผลเอกสารและการแจ้งเตือนอัตโนมัติ อย่างไรก็ตาม มันมีปัญหากับพฤติกรรม agent ที่ซับซ้อนมากขึ้น เช่น การเลือกเครื่องมือแบบไดนามิกและการจัดการหน่วยความจำตามบริบท ข้อจำกัดเหล่านี้ต้องการวิธีแก้ไขที่นักพัฒนาหลายคนพบว่าใช้งานยากและไม่เกิดประโยชน์
ข้อจำกัดทางเทคนิคเปิดเผยความท้าทายในการนำไปใช้
แนวทาง agent ที่ใช้ SQL เปิดเผยช่องว่างที่สำคัญเมื่อพยายามสร้างพฤติกรรมอัตโนมัติที่แท้จริง ในขณะที่ระบบสามารถจัดการการประมวลผลข้อมูลที่มีโครงสร้างและการรวม LLM พื้นฐานได้อย่างมีประสิทธิภาพ แต่มันไม่เพียงพอในด้านที่กำหนด AI agent ที่แท้จริง การจัดการหน่วยความจำต้องการฟังก์ชันที่กำหนดเอง และการรวมเครื่องมือต้องการโปรโตคอลภายนอกที่ไม่ได้รับการสนับสนุนโดยธรรมชาติ
สิ่งนี้รู้สึกเหมือนถูกบังคับ หากคุณอ่านทั้งหมด พวกเขาไม่สามารถสร้าง AI Agent ได้ พวกเขาเพียงแค่เรียกใช้ LLM API โดยใช้ SQL ของ Flink
ชุมชนเทคนิคระบุว่าการนำ SQL ไปใช้ในปัจจุบันขาดความยืดหยุ่นที่จำเป็นสำหรับการค้นพบงานแบบเรียกซ้ำและเวิร์กโฟลว์ที่พัฒนาตัวเอง พฤติกรรม agentic ที่แท้จริงต้องการการวนซ้ำแบบอะซิงโครนัสที่หลวมซึ่งให้ระบบมีความสามารถในการปรับตัวเช่นเดียวกับที่มนุษย์คาดหวังจากกระบวนการมอบหมายงาน
ความสามารถของ Agent ที่ใช้ SQL:
- ✅ การรวม LLM ผ่านฟังก์ชัน ML_PREDICT
- ✅ การประมวลผลสตรีมข้อมูลแบบเรียลไทม์
- ✅ การทำงานอัตโนมัติเบื้องต้น
- ✅ การเชื่อมต่อและเสริมข้อมูลที่มีโครงสร้าง
- ❌ การเลือกเครื่องมือแบบไดนามิกโดยไม่ต้องใช้ฟังก์ชันกำหนดเอง
- ❌ การจัดการหน่วยความจำของ agent แบบ native
- ❌ การรวมเครื่องมือภายนอกแบบ built-in
- ❌ ความสามารถในการพัฒนา workflow ด้วยตนเอง
อุตสาหกรรมเคลื่อนไปสู่โซลูชันที่สร้างขึ้นเพื่อจุดประสงค์เฉพาะ
การตระหนักถึงข้อจำกัดเหล่านี้ได้นำไปสู่การพัฒนา AI agent runtime เฉพาะแทนที่จะบังคับให้เครื่องมือที่มีอยู่ทำหน้าที่ที่ไม่เหมาะสม นักพัฒนา Apache Flink กำลังทำงานในโปรเจ็กต์ย่อย agent แยกต่างหาก (FLIP-331) ที่ละทิ้งข้อจำกัดของ SQL เพื่อสนับสนุนเฟรมเวิร์ก agent ที่สร้างขึ้นเพื่อจุดประสงค์เฉพาะพร้อมการสนับสนุน Python และการรวมเครื่องมือโดยธรรมชาติ
การเปลี่ยนแปลงนี้บ่งชี้ว่าอุตสาหกรรมกำลังเติบโตเกินความตื่นเต้นเริ่มแรกของการนำ AI ไปใช้กับทุกระบบที่มีอยู่ แทนที่จะปรับปรุงเครื่องมือประมวลผลข้อมูลแบบดั้งเดิม นักพัฒนากำลังสร้างแพลตฟอร์มเฉพาะที่ออกแบบมาโดยเฉพาะสำหรับพฤติกรรม agent เช่น ความทนทานต่อข้อผิดพลาด การจัดการสถานะ และการสื่อสารระหว่าง agent
การถกเถียงนี้เน้นแนวโน้มที่กว้างขึ้นในการพัฒนา AI ที่ความท้าทายในการนำไปใช้จริงกำลังลดความกระตือรือร้นเริ่มแรก เมื่อองค์กรได้รับประสบการณ์กับระบบ AI พวกเขากำลังกลายเป็นผู้ที่เลือกสรรมากขึ้นเกี่ยวกับแนวทางใดที่ให้คุณค่าที่แท้จริงเทียบกับแนวทางที่เพียงเพิ่มความซับซ้อนให้กับกระบวนการที่มีอยู่
อ้างอิง: This Al Agent Should Have Been a SQL Query
 |
|---|
| การอภิปรายที่ให้ข้อมูลเกี่ยวกับวิวัฒนาการของเทคโนโลยี AI agent ในอุตสาหกรรม |