การถกเถียงที่เพิ่มขึ้นในชุมชน AI มุ่งเน้นไปที่คำถามว่าระบบการค้นหาแบบดั้งเดิมกำลังขัดขวาง AI agent อยู่หรือไม่ ในขณะที่บริษัทส่วนใหญ่ลงทุนอย่างหนักในเครื่องมือค้นหาที่ซับซ้อนพร้อมอัลกอริทึมการจัดอันดับขั้นสูงและการเพิ่มประสิทธิภาพการมีส่วนร่วมของผู้ใช้ นักพัฒนาบางคนพบว่าแนวทางที่เรียบง่ายกว่าทำงานได้ดีกว่าเมื่อ AI agent เป็นผู้ทำการค้นหาแทนที่จะเป็นมนุษย์
 |
|---|
| กราฟิกโปรโมทสำหรับการบรรยายเกี่ยวกับเทคนิคการค้นหาขั้นสูง เน้นย้ำถึงความท้าทายที่ระบบการค้นหาแบบดั้งเดิมเผชิญ |
ปัญหาของระบบการค้นหาอัจฉริยะ
ระบบการค้นหาแบบดั้งเดิมถูกสร้างขึ้นเหมือนกล่องดำ พวกมันรับคำค้นหาและส่งคืนผลลัพธ์โดยใช้อัลกอริทึมที่ซับซ้อนซึ่งพิจารณาการมีส่วนร่วมของผู้ใช้ คำพ้องความหมาย และสัญญาณการจัดอันดับ แต่ AI agent มีปัญหากับระบบเหล่านี้เพราะพวกมันไม่สามารถเข้าใจว่าเครื่องมือค้นหาทำงานอย่างไร เมื่อ agent ได้รับผลลัพธ์ที่ไม่คาดคิด มันไม่มีทางปรับแนวทางของตัวเองได้อย่างมีประสิทธิภาพ
การอภิปรายในชุมชนเผยให้เห็นความขัดแย้งพื้นฐานระหว่างสิ่งที่มนุษย์ต้องการจากการค้นหาและสิ่งที่ AI agent ต้องการ ผู้ใช้หลายคนแสดงความไม่พอใจกับเครื่องมือค้นหาสมัยใหม่ที่พยายามฉลาดเกินไป โดยชอบการจับคู่คำหลักแบบง่ายๆ ที่ทำงานได้อย่างคาดเดาได้
การเปรียบเทียบ Traditional กับ Simple Search API
| คุณสมบัติ | Traditional "Thick" API | Simple "Dumb" API |
|---|---|---|
| การประมวลผลคำค้นหา | ซับซ้อนด้วยคำพ้องความหมาย การจัดอันดับ การเพิ่มประสิทธิภาพการมีส่วนร่วม | การจับคู่คำหลักแบบพื้นฐานด้วยการให้คะแนน BM25 |
| ความโปร่งใส | การทำงานแบบกล่องดำ | พฤติกรรมที่ชัดเจนและมีเอกสารประกอบ |
| การใช้เหตุผลของ Agent | ยาก - ผลลัพธ์ที่คาดเดาไม่ได้ | ง่าย - อินพุต/เอาต์พุตที่คาดการณ์ได้ |
| ข้อมูลการมีส่วนร่วมของผู้ใช้ | เพิ่มประสิทธิภาพสำหรับรูปแบบการคลิกของมนุษย์ | ไม่มีการเพิ่มประสิทธิภาพพฤติกรรมผู้ใช้ |
| ประสิทธิภาพ | เร็วและเพิ่มประสิทธิภาพแล้ว | ช้ากว่าแต่สามารถตีความได้มากกว่า |
 |
|---|
| แผนผังแสดงรายละเอียดกระบวนการของ "Agentic Search" อธิบายว่า AI agents สามารถค้นหาตัวเลือกที่เหมาะสมสำหรับ "nerdy kids" ได้อย่างมีประสิทธิภาพ ซึ่งสะท้อนถึงความจำเป็นในการใช้เครื่องมือค้นหาที่เรียบง่ายกว่าที่กล่าวถึงในบทความ |
เหตุใดเครื่องมือค้นหาแบบง่ายจึงทำงานได้ดีกว่าสำหรับ Agent
แทนที่จะใช้ API การค้นหาที่ซับซ้อน นักพัฒนาบางคนกำลังทดลองกับการค้นหาคำหลักพื้นฐานที่ agent สามารถเข้าใจและใช้เหตุผลได้ เครื่องมือง่ายๆ เหล่านี้บอก AI อย่างชัดเจนว่าพวกมันทำงานอย่างไร - เพียงแค่จับคู่คำหลักด้วยการให้คะแนนพื้นฐาน ความโปร่งใสนี้ช่วยให้ agent สร้างแบบจำลองทางความคิดของเครื่องมือและใช้มันได้อย่างมีประสิทธิภาพมากขึ้น
แนวทางนี้ดูขัดกับสัญชาตญาณ แต่ผลลัพธ์เบื้องต้นแสดงให้เห็นความหวัง Agent สามารถค้นหาผลิตภัณฑ์ที่เกี่ยวข้องได้สำเร็จโดยลองใช้คำหลักผสมผสานที่แตกต่างกันและเรียนรู้จากผลลัพธ์ของพวกมัน พวกมันยังสามารถจำสิ่งที่ได้ผลดีสำหรับคำค้นหาที่คล้ายกันในอดีต สร้างความรู้สะสมเมื่อเวลาผ่านไป
หมายเหตุ: การให้คะแนน BM25 เป็นฟังก์ชันการจัดอันดับที่ใช้โดยเครื่องมือค้นหาเพื่อประเมินความเกี่ยวข้องของเอกสารกับคำค้นหาที่กำหนดโดยอิงจากความถี่ของคำหลักและความยาวของเอกสาร
องค์ประกอบทางเทคนิคหลักของการค้นหาแบบง่ายสำหรับ AI Agents
- ฟังก์ชันการค้นหา: การค้นหาคำหลักโดยตรงโดยไม่มีคำพ้องความหมาย
- การให้คะแนน: อัลกอริทึม BM25 บนชื่อผลิตภัณฑ์และคำอธิบาย
- การแบ่งคำ: การแบ่งคำแบบ snowball พื้นฐาน
- ระบบหน่วยความจำ: Agents เก็บและเรียกคืนการประเมินคำค้นหาในอดีต
- การแคชเชิงความหมาย: การค้นหาเวกเตอร์ของคำค้นหาที่คล้ายกันในอดีต
- การประเมินตนเอง: " LLM-as-a-judge " สำหรับการประเมินคุณภาพผลลัพธ์
ส่วนที่ขาดหายไป: ข้อมูลพฤติกรรมผู้ใช้
อย่างไรก็ตาม ชุมชนระบุจุดอ่อนสำคัญในแนวทางนี้ AI agent ตัดสินใจโดยอิงจากการใช้เหตุผลเชิงตรรกะ แต่ผู้ใช้ที่เป็นมนุษย์มักจะมีพฤติกรรมที่คาดเดาไม่ได้ คนเราคลิกสีที่น่าเบื่อแทนที่จะเป็นสีที่น่าตื่นเต้น เลือกผลิตภัณฑ์ด้วยเหตุผลที่ไม่เกี่ยวข้องกับคำค้นหา หรือหาสิ่งที่ต้องการโดยไม่ต้องคลิกอะไรเลย
เราไม่สามารถคาดหวังให้ LLM มีความคิดเกี่ยวกับสิ่งบ้าๆ บอๆ ที่มนุษย์ทำเมื่อไม่มีใครดูอยู่
เครื่องมือค้นหาแบบดั้งเดิมใช้เวลาหลายปีในการเรียนรู้จากการโต้ตอบของผู้ใช้หลายล้านครั้งเพื่อเข้าใจรูปแบบเหล่านี้ AI agent ในปัจจุบันไม่มีการเข้าถึงข้อมูลป้อนกลับที่มีค่านี้ ทำให้อาจเป็นผู้พิพากษาที่ไม่ดีในสิ่งที่ผู้ใช้ต้องการจริงๆ
ข้อกังวลเรื่องความไว้วางใจและการควบคุม
การอภิปรายยังเผยให้เห็นข้อกังวลที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับ AI agent ที่ตัดสินใจแทนผู้ใช้ เนื่องจาก agent เหล่านี้มักจะทำงานบนเซิร์ฟเวอร์ของบริษัทมากกว่าอุปกรณ์ของผู้ใช้ จึงมีคำถามเกี่ยวกับว่าพวกมันจะยังคงสอดคล้องกับผลประโยชน์ของผู้ใช้เมื่อเวลาผ่านไปหรือไม่ ประวัติศาสตร์ของอุตสาหกรรมเทคโนโลยีที่บริการที่เป็นประโยชน์ในตอนแรกกลายเป็นไม่เป็นมิตรกับผู้ใช้เมื่อเติบโตขึ้นเพิ่มข้อกังวลเหล่านี้
สมาชิกชุมชนบางคนกังวลว่า AI agent ที่เพิ่มประสิทธิภาพสำหรับการใช้เหตุผลเชิงตรรกะอาจทิ้งผลการค้นหาที่ผู้ใช้จะพบว่าน่าสนใจ เพียงเพราะ agent ไม่เข้าใจความชอบของมนุษย์
มองไปข้างหน้า
ในขณะที่แนวทางการค้นหาแบบง่ายแสดงให้เห็นความหวังสำหรับ AI agent แต่มันเป็นเพียงจุดเริ่มต้นของการแก้ปัญหาการค้นหาในโลกที่ขับเคลื่อนด้วย AI ความท้าทายอยู่ที่การรวมความโปร่งใสที่ agent ต้องการเข้ากับข้อมูลเชิงลึกเกี่ยวกับพฤติกรรมผู้ใช้ที่ทำให้การค้นหามีประโยชน์อย่างแท้จริง เมื่อ AI agent กลายเป็นเรื่องธรรมดามากขึ้น ระบบการค้นหาอาจต้องการการออกแบบใหม่ขั้นพื้นฐานเพื่อให้บริการทั้งผู้ใช้ที่เป็นมนุษย์และปัญญาประดิษฐ์ได้อย่างมีประสิทธิภาพ
การถกเถียงนี้เน้นย้ำคำถามที่กว้างขึ้นเกี่ยวกับระบบ AI: เราควรสร้างเครื่องมือที่ทำงานได้ดีกับการใช้เหตุผลของ AI หรือเราควรมุ่งเน้นไปที่การจับภาพความเป็นจริงที่ยุ่งเหยิงของพฤติกรรมมนุษย์? คำตอบอาจเป็นตัวกำหนดวิธีที่เราโต้ตอบกับข้อมูลในปีข้างหน้า
อ้างอิง: Agents turn simple keyword search into compelling search experiences