4 กับดัก Agent Team (ที่มือใหม่ตกม้าตาย) + เทคนิคขั้นสูง | LeafBox Digest

หลังจากสร้างทีมเป็น, รู้จัก Roles แล้ว... คราวนี้มาดูเทคนิคขั้นสูง กับดักที่นิวเคยตก (และเสียตังค์ 555+) กันครับ

หลังจากทำทีม Agent มาซักพัก... มันจะมีจุดที่รู้สึกว่า... เอ๊ะ ทำไมมันช้า? ทำไมค่า API พุ่ง? วันนี้จะมาแชร์หลุมที่นิวเคยเหยียบครับ

4 กับดักที่ต้องระวัง (Pitfalls)

กับดัก #1: Context บวม (Memory Bloat)

อาการ: Agent เริ่มทำงานช้าลงเรื่อยๆ, API call แพงขึ้นโดยไม่จำเป็น
สาเหตุ: ไม่ได้จัดการ Memory ทุกครั้งที่ Agent เริ่มงาน มันจะโหลด context ทั้งหมดใน memory files มาอ่าน ซึ่งพอมีเยอะๆ เข้าก็บวมครับ
ทางแก้: ใช้ "Summarizer Agent" ที่เราคุยกันใน EP.3! ให้มันทำงานทุกคืนเพื่อย่อย daily logs ให้เหลือแต่ใจความสำคัญใน MEMORY.md

กับดัก #2: Loop นรก (Infinite Loops)

อาการ: ค่า API พุ่งกระฉูด! Agent ทำงานไม่เสร็จซักที
สาเหตุ: Agent เจอปัญหาที่แก้ไม่ได้ แล้วก็พยายามทำสิ่งเดิมๆ ซ้ำไปซ้ำมา
ทางแก้: "Guardian Agent" ครับ! ใส่ Anti-Loop Rules เข้าไปใน SOUL.md ให้ชัดเจน เช่น "ถ้า task เดิม fail ติดกัน 2 ครั้ง ให้หยุดแล้วรายงานทันที" อันนี้เจ็บจริงครับ

กับดัก #3: ความมั่นใจจอมปลอม (False Confidence)

อาการ: Agent บอกว่า "เสร็จแล้วครับ!" แต่พอไปดูงาน... อ้าว ยังไม่เสร็จ หรือทำผิด
สาเหตุ: Prompt ไม่ชัดเจนพอ หรือไม่มีขั้นตอนการตรวจสอบ
ทางแก้: เพิ่ม Agent อีกตัวเข้ามาในทีมชื่อ "Verifier" ครับ! ให้ Executor ทำงานเสร็จแล้วส่งต่อให้ Verifier ตรวจสอบคุณภาพงานก่อนส่งมอบให้เรา

กับดัก #4: One-Model-Fits-All

อาการ: ค่า API แพงเกินจำเป็น
สาเหตุ: ใช้ LLM รุ่นใหญ่สุด (เช่น Claude Opus) กับทุกงาน ตั้งแต่งานง่ายๆ อย่างการจัดหมวดหมู่อีเมล ไปจนถึงงานยากๆ อย่างการเขียนโค้ด
ทางแก้: ใช้เทคนิค Multi-Model Routing ครับ (ดูข้อต่อไป)

3 เทคนิคขั้นสูง (Advanced Techniques)

เทคนิค #1: Multi-Model Routing

คือการตั้งค่า bindings ใน openclaw.json ให้ฉลาดขึ้น โดยการส่ง task ไปให้ LLM ที่เหมาะสมกับงานนั้นๆ สร้าง rule ว่า... ถ้า prompt มีคำว่า "จัดหมวดหมู่", "สรุป" → ส่งไปที่ Agent ที่ใช้ Model เล็ก/เร็ว (เช่น Claude Haiku 4.5, Gemini 2.5 Flash หรือ Gemini 2.5 Flash-Lite ที่เพิ่งออกใหม่ — เร็วกว่า 2.0 Flash 1.5 เท่าในราคาที่ถูกกว่า) แต่ถ้ามีคำว่า "เขียนโค้ด", "วิเคราะห์" → ค่อยส่งไปที่ Agent ที่ใช้ Model ใหญ่ (เช่น Claude Opus 4.6 ที่รองรับ context window ถึง 1 ล้าน tokens, หรือ Gemini 2.5 Pro)

เทคนิค #2: Spawn Sub-Agents

สำหรับงานที่ต้องใช้เวลานาน (เช่น research, เขียน report ยาวๆ) เราไม่จำเป็นต้องให้ Agent หลักทำเองทั้งหมด สั่งให้ Agent หลัก "spawn" หรือสร้าง sub-agent ขึ้นมาเพื่อทำงานนั้นๆ โดยเฉพาะ แล้ว Agent หลักก็เป็นอิสระไปรับงานอื่นต่อได้เลย ทำให้ระบบไม่ถูก block

เทคนิค #3: Session Pruning

Feature ของ OpenClaw ที่ช่วยตัด tool results เก่าๆ ที่ไม่จำเป็นออกจาก context ก่อนที่จะส่ง prompt ไปให้ LLM ช่วยให้ prompt ที่ส่งไปกระชับและตรงประเด็นที่สุด

การทำ Agent Team ให้ดีคือศิลปะของการ "จัดการ" context, cost, และ workflow ครับ ไม่ใช่แค่การสร้าง Agent เยอะๆ แต่คือการสร้าง "ระบบ" ที่ทำงานร่วมกันได้อย่างลงตัว

จบแล้วครับสำหรับซีรีย์นี้! หวังว่าจะเป็นประโยชน์นะครับ ใครเอาไปลองทำแล้วเป็นยังไง มาแชร์กันได้เลย! ไปด้วยกันครับ

โพสต์ต้นฉบับ: Facebook