สร้าง AI Agent ด้วย Python: คู่มือฉบับละเอียด (2026) - ไม่ใช้ LangChain

byBoonyadol Morruchai (Senior Full-stack Developer) •08:16

0

เขียน AI Agent ด้วย Python ตั้งแต่ศูนย์โดยไม่ใช้ LangChain: เข้าใจจริง ควบคุมได้จริง anti-LangChain movement

ผมเคยเจอปัญหาแบบนี้มาแล้วหลายครั้ง ตอนที่ทีมพัฒนาแอปพลิเคชันจัดการคิวลูกค้าในปี 2026 เราอยากให้ระบบตอบคำถามเบื้องต้นและแนะนำทางเลือกให้ลูกค้าโดยอัตโนมัติ ทีมเราเลยลองใช้ LangChain แต่พบว่ามันซับซ้อนเกินไป การปรับแต่งมันแทบจะเป็นไปไม่ได้ แถมยังกินทรัพยากรเครื่องมากเกินไปด้วย สุดท้ายเราก็ต้องกลับไปเขียนระบบเองทั้งหมด แต่ด้วยการวางแผนที่ดีและใช้เครื่องมือที่เหมาะสม เราก็สามารถสร้าง AI Agent ที่ตอบโจทย์ได้ดีกว่าและควบคุมได้ง่ายกว่าเยอะ

บทความนี้จะช่วยให้คุณเข้าใจหลักการทำงานของ AI Agent แบบพื้นฐาน และเรียนรู้วิธีสร้าง AI Agent ด้วย Python ตั้งแต่ศูนย์ โดยไม่ต้องพึ่งพา Framework ยักษ์ใหญ่อย่าง LangChain ผมจะเน้นที่การควบคุมและทำความเข้าใจจริงๆ ไม่ใช่แค่การใช้เครื่องมือสำเร็จรูป ผมเชื่อว่าการทำแบบนี้จะช่วยให้คุณสร้าง AI Agent ที่มีประสิทธิภาพและตอบโจทย์ความต้องการของคุณได้อย่างแท้จริง เหมาะสำหรับนักพัฒนาที่ต้องการความยืดหยุ่นและควบคุมระบบได้อย่างเต็มที่ รวมถึงผู้ที่ต้องการลดการพึ่งพา Framework ที่อาจมีข้อจำกัดในอนาคต

ก่อนที่จะเริ่ม เราจะขอแนะนำ prerequsites ที่จำเป็นครับ:

Python 3.11 หรือสูงกว่า
ความรู้พื้นฐานเกี่ยวกับ Python และ Object-Oriented Programming (OOP)
ความคุ้นเคยกับการใช้งาน Command Line Interface (CLI)
ความเข้าใจเบื้องต้นเกี่ยวกับแนวคิดของ Intent และ Entities

1. พื้นฐาน AI Agent: Intent, Entities และ Workflow

text — Photo by Markus Spiske on Unsplash

AI Agent ของเราจะประกอบด้วยส่วนหลักๆ คือ Intent (ความตั้งใจของผู้ใช้), Entities (ข้อมูลที่เกี่ยวข้องกับ Intent) และ Workflow (ขั้นตอนการทำงานของ Agent) เราจะสร้าง Agent ที่สามารถเข้าใจคำถามของผู้ใช้, ดึงข้อมูลที่เกี่ยวข้อง, และตอบคำถามนั้นให้ได้


import json

class Intent:
    def __init__(self, name, description):
        self.name = name
        self.description = description

class Entity:
    def __init__(self, name, type, value):
        self.name = name
        self.type = type  # เช่น "number", "date", "string"
        self.value = value

    def __str__(self):
        return f"Entity: {self.name} ({self.type}) - {self.value}"

class Agent:
    def __init__(self, intents, entities):
        self.intents = intents
        self.entities = entities

    def process_query(self, query):
        # (Implement query processing logic here - for simplicity, just returns a generic response)
        return "I received your query: " + query

# Example usage
intents = [
    Intent("get_weather", "Retrieve weather information"),
    Intent("book_flight", "Book a flight")
]

entities = [
    Entity("city", "string", "Bangkok"),
    Entity("date", "date", "2026-12-25")
]

agent = Agent(intents, entities)
print(agent.process_query("What is the weather in Bangkok?"))
print(agent.process_query("Book a flight to London"))

Output ที่ควรได้:


I received your query: What is the weather in Bangkok?
I received your query: Book a flight to London

Error ที่มักเจอและวิธีแก้: ในตัวอย่างนี้เราใช้แค่ `process_query` เพื่อความง่าย แต่ในโลกจริง เราต้องมีการจัดการกับ Intent และ Entities อย่างละเอียด เช่น การใช้ Regular Expressions (Regex) เพื่อดึง Entities จาก Query, การตรวจสอบความถูกต้องของ Entities, และการสร้าง Workflow ที่เหมาะสมกับ Intent แต่ละอย่าง ถ้าไม่เจอ error ก็ไม่แปลว่าจะดีเสมอไป ลองเพิ่ม Logging เพื่อตรวจสอบ flow ของ Agent และตรวจสอบว่า Entities ถูกดึงออกมาได้ถูกต้องหรือไม่

2. การใช้ Ollama AI Locally

ผมไม่ค่อยชอบวิธีใช้ OpenAI API โดยตรง เพราะมันมีค่าใช้จ่าย และเราควบคุมได้ไม่มากนัก การใช้ Ollama AI Locally เป็นทางเลือกที่ดีกว่ามาก Ollama เป็น AI Model ที่สามารถ Run ได้บนเครื่องของเราเอง มันใช้งานง่าย และสามารถปรับแต่งได้


# Install Ollama (https://ollama.ai/)
# Follow the installation instructions for your operating system

# Run an AI model (e.g., llama2)
ollama run llama2

# Interact with the model
# You can now chat with the model through the terminal

เราสามารถ Integrate Ollama AI เข้ากับ Python Script ของเราได้ง่ายๆ โดยใช้ Library อย่าง `ollama` (ดู Run Ollama AI Locally with PHP - No OpenAI Needed! สำหรับตัวอย่าง PHP) ผมแนะนำให้ใช้ Ollama AI เป็น backend ของ Agent ของเรา เพราะมันทำให้เราสามารถควบคุมการตอบสนองของ Agent ได้อย่างเต็มที่

3. การสร้าง Workflow ด้วย AsyncIO และ Multiprocessing

การตอบสนองต่อคำถามของผู้ใช้ต้องรวดเร็ว ดังนั้นเราจึงต้องใช้เทคนิค AsyncIO และ Multiprocessing เพื่อให้ Agent ของเราทำงานได้อย่างมีประสิทธิภาพ AsyncIO ช่วยให้เราสามารถจัดการกับหลายคำถามพร้อมกันได้ โดยไม่ต้องรอให้คำถามหนึ่งเสร็จสิ้นก่อน Multiprocessing ช่วยให้เราสามารถแบ่งงานให้กับหลาย Process ได้ ทำให้การทำงานเร็วขึ้น เราสามารถใช้ AsyncIO เพื่อจัดการกับคำขอจากผู้ใช้ และใช้ Multiprocessing เพื่อ Run AI Model (เช่น Ollama AI) พร้อมกัน


import asyncio
import multiprocessing
import ollama

async def run_ollama_query(prompt):
    # Use ollama library to run the prompt
    response = await ollama.generate(prompt)
    return response

async def main():
    prompt = "What is the capital of France?"
    task = asyncio.create_task(run_ollama_query(prompt))
    response = await task
    print(response)

if __name__ == "__main__":
    asyncio.run(main())

Output ที่ควรได้: (ขึ้นอยู่กับ response ของ Ollama AI)


Paris

Error ที่มักเจอและวิธีแก้: การใช้ AsyncIO และ Multiprocessing อาจจะซับซ้อน ดังนั้นเราควรเริ่มต้นด้วยการทำความเข้าใจพื้นฐานของทั้งสองเทคนิคก่อน การจัดการกับ Exceptions ก็เป็นสิ่งสำคัญ ควรมีการจัดการกับ Exceptions ที่อาจเกิดขึ้นในการ Run AI Model และควรมีการ Logging เพื่อตรวจสอบการทำงานของ Agent

4. สิ่งที่ควรระวัง / ข้อผิดพลาดที่เจอบ่อย

ผมเจอปัญหาหลายอย่างในการสร้าง AI Agent ข้อผิดพลาดที่พบบ่อยที่สุดคือการจัดการกับ Intents และ Entities ไม่ดีพอ ทำให้ Agent ไม่เข้าใจคำถามของผู้ใช้ อีกประการหนึ่งคือการไม่พิจารณาถึงประสิทธิภาพของ Agent ทำให้ Agent ตอบสนองช้า หรือใช้ทรัพยากรเครื่องมากเกินไป สุดท้ายคือการไม่ทำการทดสอบ Agent อย่างละเอียด ทำให้ Agent มีข้อผิดพลาดในสถานการณ์จริง

นอกจากนี้ เรายังต้องระวังเรื่องความปลอดภัยของ Agent ด้วย Agent อาจถูกใช้เพื่อสร้างเนื้อหาที่เป็นอันตราย หรือเพื่อหลอกลวงผู้ใช้ ดังนั้นเราควรมีการควบคุมการเข้าถึงของ Agent และควรมีการตรวจสอบเนื้อหาที่ Agent สร้างขึ้น

สรุปและคำแนะนำ

ผมเชื่อว่าการสร้าง AI Agent ด้วย Python ตั้งแต่ศูนย์โดยไม่ใช้ LangChain เป็นทางเลือกที่ดีสำหรับนักพัฒนาที่ต้องการความยืดหยุ่นและควบคุมระบบได้อย่างเต็มที่ การทำความเข้าใจหลักการทำงานของ AI Agent, การใช้เครื่องมือที่เหมาะสม, และการทดสอบ Agent อย่างละเอียด จะช่วยให้คุณสร้าง AI Agent ที่มีประสิทธิภาพและตอบโจทย์ความต้องการของคุณได้อย่างแท้จริง ผมแนะนำให้เริ่มจาก Agent ที่มี Intent และ Entities ที่ง่ายที่สุดก่อน ค่อยๆ เพิ่มความซับซ้อนขึ้นเมื่อคุณมีความเข้าใจมากขึ้น

ผมเริ่มต้นด้วยการสร้าง Agent ที่สามารถตอบคำถามเกี่ยวกับสภาพอากาศ และหลังจากนั้นผมค่อยๆ เพิ่มความสามารถให้กับ Agent จนสามารถตอบคำถามเกี่ยวกับเรื่องอื่นๆ ได้ ผมใช้ Ollama AI เป็น backend ของ Agent เพราะมันทำให้ผมสามารถควบคุมการตอบสนองของ Agent ได้อย่างเต็มที่ ผมใช้ AsyncIO และ Multiprocessing เพื่อให้ Agent ของผมทำงานได้อย่างมีประสิทธิภาพ และผมทำการทดสอบ Agent อย่างละเอียด เพื่อให้แน่ใจว่า Agent มีข้อผิดพลาดในสถานการณ์จริง

Next step ที่ผมแนะนำคือการสร้าง Agent ที่สามารถทำงานกับข้อมูลจากแหล่งต่างๆ เช่น ฐานข้อมูล หรือ API การทำเช่นนี้จะช่วยให้ Agent ของคุณมีความสามารถที่หลากหลายมากขึ้น

คำถาม

คำถาม: LangChain มีข้อดีอะไรบ้าง?

คำตอบ: LangChain มีข้อดีหลายอย่าง เช่น ความสะดวกในการใช้งาน, การมี Community ที่แข็งแกร่ง, และการมีเครื่องมือที่หลากหลาย แต่ก็มีข้อเสียคือความซับซ้อน, การกินทรัพยากร, และการขาดการควบคุม

คำถาม: ผมควรใช้เครื่องมืออะไรในการสร้าง AI Agent?

คำตอบ: คุณสามารถใช้เครื่องมือต่างๆ เช่น Ollama AI, Python, AsyncIO, Multiprocessing, Regex, และฐานข้อมูล การเลือกเครื่องมือขึ้นอยู่กับความต้องการและข้อจำกัดของคุณ

คำถาม: ผมควรทดสอบ AI Agent ของผมอย่างไร?

คำตอบ: คุณควรทดสอบ AI Agent ของคุณด้วยชุดข้อมูลที่หลากหลาย และควรทำการทดสอบในสถานการณ์ที่แตกต่างกัน เช่น สถานการณ์ปกติ, สถานการณ์ผิดปกติ, และสถานการณ์ที่มีความซับซ้อน

คำถาม: (keyword) AI Agent development, Python AI, LangChain alternative, local AI model, asyncIO, multiprocessing