สร้าง AI Agent ด้วย Python: คู่มือฉบับ DIY ไม่ใช้ LangChain

byBoonyadol Morruchai (Senior Full-stack Developer) •08:04

0

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

เมื่อต้นปี 2026 ผมเพิ่งได้รับมอบหมายงานให้สร้าง AI agent สำหรับทีมการตลาดของเรา เพื่อช่วยในการสร้างเคสสโตอรี่สำหรับผลิตภัณฑ์ใหม่ โดยที่ทีมงานมีความคาดหวังสูงว่าจะได้ AI ที่สามารถทำงานได้เหมือนคนจริงๆ แต่ปัญหาคือ เราอยากควบคุมทุกขั้นตอน และไม่อยากถูกผูกมัดกับ framework ที่ซับซ้อนอย่าง LangChain ผมเคยเจอสถานการณ์ที่ทีมงานลงทุนสร้างระบบ AI agent ที่ใช้ LangChain แล้วพบว่ามันซับซ้อนเกินไปในการแก้ไข ปรับเปลี่ยน และเข้าใจ ทำให้การพัฒนาช้ากว่าที่คิดมาก และในที่สุดก็ไม่สามารถตอบโจทย์ธุรกิจได้จริงๆ

บทความนี้จะช่วยให้คุณสร้าง AI agent ด้วย Python ตั้งแต่เริ่มต้น โดยไม่ต้องพึ่งพา framework ที่มีอยู่แล้ว เช่น LangChain เราจะเน้นการทำความเข้าใจพื้นฐาน และสร้างระบบที่สามารถควบคุมและปรับเปลี่ยนได้ง่าย เหมาะสำหรับผู้ที่ต้องการสร้าง AI agent ที่ตอบโจทย์ความต้องการเฉพาะของตัวเอง และกำลังมองหาทางเลือกที่เรียบง่ายกว่า

ทำความเข้าใจพื้นฐาน

person holding sticky note — Photo by Hitesh Choudhary on Unsplash

ก่อนจะเริ่มเขียนโค้ด เราต้องเข้าใจหลักการพื้นฐานของ AI agent ก่อน นั่นคือ การสร้างระบบที่สามารถ:

รับ input (เช่น คำถาม, คำสั่ง)
ประมวลผล input
สร้าง output (เช่น คำตอบ, ข้อเสนอ)

สำหรับตัวอย่างนี้ เราจะใช้ Python 3.11 และไลบรารีหลักคือ OpenAI API (เวอร์ชัน 2.1.0) และ Ollama (เวอร์ชัน 1.0.0) ซึ่งผมคิดว่า Ollama เป็นเครื่องมือที่ยอดเยี่ยมในการรันโมเดลภาษาขนาดใหญ่บน PC ของเราได้ง่ายๆ (Ollama คืออะไร? สร้าง AI บน PC ง่ายกว่าที่คิด!)

สร้าง AI agent พื้นฐาน


import openai
import ollama

# ตั้งค่า OpenAI API key
openai.api_key = "YOUR_OPENAI_API_KEY"

# รันโมเดลภาษาด้วย Ollama
ollama.run("llama2")

def generate_response(prompt):
  """สร้างคำตอบจาก prompt โดยใช้ OpenAI API"""
  response = openai.ChatCompletion.create(
      model="gpt-3.5-turbo",
      messages=[
          {"role": "system", "content": "คุณคือ AI agent ที่มีความรู้เกี่ยวกับตลาดและการสร้างเคสสโตอรี่"},
          {"role": "user", "content": prompt}
      ],
      temperature=0.7,
  )
  return response.choices[0].message.content

# ตัวอย่างการใช้งาน
prompt = "เขียนเคสสโตอรี่สำหรับผลิตภัณฑ์ใหม่เกี่ยวกับเครื่องสำอางที่เน้นการดูแลผิวแบบธรรมชาติ"
response = generate_response(prompt)
print(response)

Output ที่คุณควรได้คือ ข้อความที่ AI สร้างขึ้น ซึ่งในตัวอย่างนี้จะเป็นเคสสโตอรี่เกี่ยวกับผลิตภัณฑ์เครื่องสำอางที่เน้นการดูแลผิวแบบธรรมชาติ โดยมี temperature ที่ 0.7 จะทำให้ AI สร้างคำตอบที่หลากหลายและสร้างสรรค์

Error ที่มักเจอและวิธีแก้:

`openai.error.AuthenticationError`: ตรวจสอบว่า API key ถูกต้องหรือไม่
`openai.error.RateLimitError`: ลดค่า temperature หรือลองใช้โมเดลอื่นที่ใช้ทรัพยากรน้อยกว่า
`openai.error.APIConnectionError`: ตรวจสอบการเชื่อมต่ออินเทอร์เน็ต

เพิ่มความสามารถให้กับ AI agent

shallow focus photo of Python book — Photo by Christina @ wocintechchat.com M on Unsplash

หลังจากสร้าง AI agent พื้นฐานแล้ว เราสามารถเพิ่มความสามารถให้กับ AI agent ได้อีกมากมาย เช่น:

การใช้ Context Window: เก็บประวัติการสนทนาเพื่อให้ AI เข้าใจบริบทของการสนทนามากขึ้น (เราสามารถใช้ memory component แบบง่ายๆ เองได้)
การใช้ External Tools: ให้ AI สามารถเข้าถึงข้อมูลภายนอก เช่น Google Search หรือฐานข้อมูลภายใน
การใช้ Prompt Engineering: ออกแบบ prompt ที่ดีเพื่อให้ AI สร้างคำตอบที่ต้องการ


  # ตัวอย่างการใช้ context window (simplified)
  conversation_history = []

  def generate_response_with_context(prompt):
    global conversation_history
    prompt_text = prompt + "\n".join(conversation_history)
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "คุณคือ AI agent ที่มีความรู้เกี่ยวกับตลาดและการสร้างเคสสโตอรี่"},
            {"role": "user", "content": prompt_text}
        ],
        temperature=0.7,
    )
    response_text = response.choices[0].message.content
    conversation_history.append(f"User: {prompt_text}")
    conversation_history.append(f"AI: {response_text}")
    return response_text

  # ตัวอย่างการใช้งาน
  prompt = "เขียนเคสสโตอรี่สำหรับผลิตภัณฑ์ใหม่เกี่ยวกับเครื่องสำอางที่เน้นการดูแลผิวแบบธรรมชาติ"
  response = generate_response_with_context(prompt)
  print(response)

Output ที่คุณควรได้คือ ข้อความที่ AI สร้างขึ้น โดยมีประวัติการสนทนาถูกบันทึกไว้ ทำให้ AI สามารถตอบคำถามหรือสร้างเคสสโตอรี่ได้อย่างต่อเนื่อง

สิ่งที่ควรระวัง / ข้อผิดพลาดที่เจอบ่อย

จากการทำงานจริง ผมพบว่ามีข้อผิดพลาดที่พบบ่อยดังนี้:

การจัดการ Memory: การจัดการ context window ที่ไม่ดีจะทำให้ AI ลืมข้อมูลสำคัญ ทำให้คำตอบไม่สมเหตุสมผล
Prompt Engineering ที่ไม่ดี: Prompt ที่ไม่ชัดเจนหรือไม่ถูกต้องจะทำให้ AI สร้างคำตอบที่ไม่ตรงกับความต้องการ
การจัดการ Error: การไม่จัดการ error ที่อาจเกิดขึ้นจากการเรียกใช้ OpenAI API จะทำให้ระบบหยุดทำงาน

สรุปและคำแนะนำ

ผมเชื่อว่าการสร้าง AI agent ด้วย Python ตั้งแต่ศูนย์โดยไม่ใช้ framework ที่ซับซ้อนอย่าง LangChain เป็นแนวทางที่เหมาะสมสำหรับผู้ที่ต้องการควบคุมทุกขั้นตอน และต้องการสร้าง AI agent ที่ตอบโจทย์ความต้องการเฉพาะของตัวเอง ผมไม่ค่อยชอบวิธีที่ต้องพึ่งพา framework ที่มีอยู่ เพราะมันทำให้การพัฒนาช้าลง และทำให้เราไม่เข้าใจการทำงานภายในของระบบอย่างแท้จริง

Next Step: ลองสร้าง AI agent ที่สามารถสร้างเคสสโตอรี่สำหรับผลิตภัณฑ์ต่างๆ โดยใช้ข้อมูลจาก Google Search ลองปรับแต่ง prompt engineering เพื่อให้ AI สร้างเคสสโตอรี่ที่น่าสนใจและมีคุณภาพสูง และอย่าลืมจัดการ error ที่อาจเกิดขึ้นอย่างรอบคอบ

คำถาม

คำถาม: ทำไมผมถึงควรสร้าง AI agent ตั้งแต่ศูนย์?

คำตอบ: การสร้าง AI agent ตั้งแต่ศูนย์จะช่วยให้คุณควบคุมทุกขั้นตอนการพัฒนาได้อย่างเต็มที่ ทำให้คุณสามารถปรับเปลี่ยนและแก้ไขระบบได้อย่างรวดเร็ว และยังช่วยให้คุณเข้าใจการทำงานภายในของระบบอย่างแท้จริง

คำถาม: ผมควรใช้โมเดลภาษาอะไรในการสร้าง AI agent?

คำตอบ: คุณสามารถใช้โมเดลภาษาใดก็ได้ที่คุณต้องการ แต่ผมแนะนำให้ใช้ GPT-3.5-turbo หรือ GPT-4 ซึ่งเป็นโมเดลที่ได้รับการพัฒนามาอย่างดี และมีประสิทธิภาพสูง

คำถาม: ผมจะจัดการ context window ของ AI agent ได้อย่างไร?

คำตอบ: คุณสามารถจัดการ context window ของ AI agent ได้โดยการเก็บประวัติการสนทนา และส่งประวัติการสนทนาไปยัง OpenAI API ในแต่ละครั้ง

Keyword: AI Agent, Python, OpenAI, LangChain, Prompt Engineering, Chatbot, 2026