วิธีสร้าง AI Agent ด้วย Gemini API

วิธีสร้าง AI Agent ด้วย Gemini API แบบเริ่มจากศูนย์ — Managed Agents ให้ Google รันวงจรคิดของเอเจนต์ให้เราทั้งหมด ในกล่องลินุกซ์ที่ปลอดภัยบนคลาวด์ เรียกครั้งเดียวก็ได้

Getting started with Managed Agents in the Gemini API — the cloud runs the whole agent loop for you in a secure, ephemeral Linux sandbox.

📑 ช่วงเวลา / Chapters

Getting started with Managed Agents in the Gemini API

เริ่มสร้าง AI Agent ด้วย Gemini API (Managed Agents)

จะเป็นยังไงคะ ถ้าเราสั่ง AI แค่ประโยคเดียว แล้วมันไปคิดเอง เขียนโค้ดเอง รันเอง ค้นเว็บเอง จนได้คำตอบกลับมา โดยที่เราไม่ต้องสร้างเซิร์ฟเวอร์ ไม่ต้องดูแลเครื่องอะไรเลยสักนิด วันนี้ครูนารีจะพาไปเริ่มต้นใช้ของใหม่ใน Gemini API ที่ชื่อว่า Managed Agents หรือ เอเจนต์สำเร็จรูป แบบทีละขั้น เริ่มจากศูนย์เลยค่ะ ไปดูกันเลย

ก่อนอื่น เอเจนต์ หรือ AI agent คืออะไรคะ ปกติเวลาเราถาม AI ธรรมดา มันก็ตอบกลับมาเป็นข้อความ จบในทีเดียว แต่เอเจนต์ต่างออกไปค่ะ มันจะคิดเป็นขั้นเป็นตอน ระหว่างทางมันหยิบเครื่องมือมาใช้ได้ เช่น เขียนโค้ดแล้วรัน เปิดเว็บไปอ่านข้อมูล หรือเปิดไฟล์มาดู แล้วเอาผลที่ได้มาคิดต่อ วนแบบนี้ไปเรื่อยๆ จนกว่างานจะเสร็จ พูดง่ายๆ คือ AI ธรรมดาเหมือนคนที่ตอบจากความจำ ส่วนเอเจนต์เหมือนผู้ช่วยที่ลงมือทำงานจริง ลองผิดลองถูก แล้วส่งงานให้เราค่ะ

ทีนี้ปัญหาคือ ปกติถ้าเราจะสร้างเอเจนต์เอง เราต้องเขียนวงจรให้มันคิดวนเอง ต้องเตรียมเครื่องที่ปลอดภัยไว้ให้มันรันโค้ด เพราะโค้ดที่ AI เขียนมา เราเอามารันบนเครื่องเราตรงๆ ไม่ได้ มันเสี่ยงมากค่ะ แถมต้องคอยจัดการไฟล์ คอยจำสถานะว่าทำถึงไหนแล้ว ยุ่งยากและกินแรงนักพัฒนาเยอะมาก Managed Agents เกิดมาเพื่อแก้ตรงนี้ค่ะ Google ยกวงจรคิดทั้งหมดนั้น ขึ้นไปไว้บนคลาวด์ให้เราเลย เราแค่บอกว่าอยากได้อะไร ที่เหลือมันจัดการให้หมด เราเลยมีเวลาไปโฟกัสกับงานของเราจริงๆ ค่ะ

หัวใจของมันคือ กล่องทดลองที่ปลอดภัย หรือที่เรียกว่า sandbox ค่ะ ทุกครั้งที่เราเรียกใช้ Google จะปั้นเครื่องลินุกซ์ส่วนตัวขึ้นมาให้หนึ่งเครื่อง เป็นอูบุนตูที่ลงไพทอน เวอร์ชันสามจุดสิบสอง กับ โหนดเจเอส เวอร์ชันยี่สิบสองมาให้พร้อม เอเจนต์จะเขียนโค้ดและรันอยู่ในกล่องนี้ แยกขาดจากระบบอื่นอย่างปลอดภัย ต่อให้โค้ดมันพลาด ก็ไม่กระทบใคร และที่สำคัญ กล่องนี้จำสถานะได้ค่ะ ไฟล์ที่มันสร้างไว้ยังอยู่ ครั้งหน้าเราเรียกต่อ มันทำงานต่อจากเดิมได้เลย ถ้าเราหยุดพักไปนานๆ เครื่องจะหลับเพื่อประหยัด พอเรากลับมามันก็ตื่นขึ้นมาทำงานต่อค่ะ

แล้วเริ่มยังไงคะ ข่าวดีคือง่ายมาก เราเรียกผ่านสิ่งที่เรียกว่า Interactions API ในไลบรารีของ Google ที่ชื่อ GenAI SDK ค่ะ ดูจากโค้ดบนจอนะคะ เราแค่บอกว่าจะใช้เอเจนต์ตัวไหน แล้วพิมพ์สิ่งที่อยากให้มันทำลงไป เป็นภาษาคนธรรมดาเลย เช่น ช่วยดึงตัวเลขจากไฟล์นี้มาสรุปให้หน่อย แค่นี้ค่ะ เราไม่ต้องไปสร้างเซิร์ฟเวอร์ ไม่ต้องลงทะเบียนอะไรยุ่งยากก่อนเลย ตัวฮาร์เนส หรือระบบเบื้องหลังของ Google จะรับช่วงต่อ จัดการการคิดหลายๆ รอบ การเรียกเครื่องมือ และส่งผลลัพธ์กลับมาให้เราแบบทีละนิดได้ด้วยค่ะ

ถ้าใครยังไม่อยากเขียนโค้ดเลย ก็เริ่มแบบกดๆ ดูก่อนได้ค่ะ เข้าไปที่ กูเกิล เอไอ สตูดิโอ จะมีหน้า Managed Agents ให้ลองเล่น มีเทมเพลตสำเร็จรูปให้เลือกหยิบมาปรับได้ทันที เห็นภาพว่าเอเจนต์ทำงานยังไง ส่วนใครที่จะลงมือเขียนจริง เอกสารทั้งหมดอยู่ที่เว็บนักพัฒนาของ Google คือ เอไอ ดอท กูเกิล ดอท เดฟ มีตัวอย่างโค้ดให้ก๊อปไปเริ่มได้เลยค่ะ ครูนารีแนะนำให้เริ่มจากเทมเพลตในสตูดิโอก่อน แล้วค่อยขยับมาเขียนโค้ดของเราเองนะคะ

ทีนี้ ถ้าอยากได้เอเจนต์เป็นของเราเอง มีบุคลิกและกฎของเราเอง เราทำได้ด้วยไฟล์ข้อความธรรมดาเลยค่ะ ไม่ต้องเขียนโปรแกรมยากๆ ไฟล์แรกชื่อว่า AGENTS.md วางไว้ในโฟลเดอร์ จุด เอเจนต์ส ค่ะ ไฟล์นี้คือคู่มือสั่งงานหลัก ที่ระบบจะอ่านทุกครั้งที่เอเจนต์เริ่มทำงาน เราเขียนลงไปได้เลยว่า ให้มันเป็นใคร พูดจาน้ำเสียงแบบไหน มีหน้าที่อะไร และมีกฎอะไรที่ห้ามทำบ้าง ยกตัวอย่างเช่น เป็นผู้ช่วยของโรงเรียน พูดสุภาพอ่อนโยน ตอบเฉพาะเรื่องในโรงเรียน และห้ามเดาข้อมูลที่ไม่รู้ เขียนเป็นภาษาคนได้เลยค่ะ

ไฟล์ที่สองชื่อ SKILL.md ค่ะ อันนี้ไว้สอนทักษะเฉพาะที่เราใช้ซ้ำๆ ให้เอเจนต์ วางไว้ในโฟลเดอร์ สกิลส์ แยกเป็นทักษะละโฟลเดอร์ เช่น ทักษะรวมยอดตัวเลขจากไฟล์ซีเอสวี หรือทักษะจัดรูปแบบรายงานแบบของเรา ในไฟล์เราก็อธิบายว่าทักษะนี้ทำอะไร ใช้ตอนไหน และมีขั้นตอนยังไง ที่เด็ดคือ ระบบจะค้นเจอและลงทะเบียนทักษะพวกนี้ให้เองอัตโนมัติ เวลาเอเจนต์เจองานที่ตรงกับทักษะ มันก็จะหยิบมาใช้เองโดยที่เราไม่ต้องสั่งเลยค่ะ และเพราะมันเป็นแค่ไฟล์ข้อความ เราเก็บเข้า กิต เวอร์ชันได้เหมือนโค้ดทั่วไปค่ะ

เรื่องความจำก็สำคัญค่ะ Managed Agents แยกความจำเป็นสามแบบ แบบแรกคือ session หรือความจำระยะสั้น เก็บบทสนทนาที่กำลังคุยกันอยู่ตอนนี้ ว่าพูดอะไรไปแล้วบ้าง พอจบงานก็ลบทิ้ง แบบที่สองคือ state เก็บค่าที่ใช้เฉพาะในขั้นตอนที่กำลังคิดอยู่ตอนนั้น และแบบที่สาม ตัวเด็ดเลยค่ะ คือ Memory Bank หรือคลังความจำระยะยาว มันจะคอยจดจำสิ่งที่สำคัญเกี่ยวกับเรา เช่น ความชอบ หรือข้อกำหนดที่เราเคยบอกไว้ แล้วจำข้ามบทสนทนาได้ วันหลังเรากลับมาคุยใหม่ มันยังจำเราได้ ไม่ต้องเริ่มอธิบายใหม่ทุกครั้งค่ะ

แล้วเอเจนต์มีเครื่องมืออะไรให้ใช้บ้างคะ มาในตัวเลยสามกลุ่มหลัก หนึ่ง การรันโค้ด มันเขียนแล้วรันไพทอน แบช หรือ โหนด ในกล่องได้เลย เอาไว้คำนวณ จัดการข้อมูล หรือทำกราฟ สอง การจัดการไฟล์ มันอ่าน เขียน แก้ไข และค้นไฟล์ในกล่องได้ และไฟล์อยู่ข้ามรอบการคุยด้วย สาม การต่อเว็บ มีตัวค้นหากูเกิลให้ดึงข้อมูลสดๆ จากอินเทอร์เน็ต กับตัวอ่านลิงก์ ที่เปิดหน้าเว็บไหนก็ได้มาอ่านและสรุปให้ ทั้งหมดนี้เราไม่ต้องไปต่อเองเลยค่ะ เอเจนต์เลือกหยิบมาใช้เองตามงานที่เจอ

ตอนเริ่มต้น Google มีเอเจนต์สำเร็จรูปให้เลือกใช้สองตัวค่ะ ตัวแรกชื่อ Antigravity เป็นเอเจนต์เอนกประสงค์ ขับเคลื่อนด้วยโมเดล จีมิไน สามจุดห้า แฟลช เก่งเรื่องประมวลผลข้อมูลเร็วๆ รันสคริปต์ และตอบคำถามที่ต้องเปิดเว็บดู เหมาะกับงานทั่วไปในชีวิตประจำวัน ส่วนตัวที่สองชื่อ Deep Research เป็นเอเจนต์นักวิจัย มันวางแผนและค้นข้อมูลหลายๆ ขั้นเองได้ เหมาะกับงานหนักๆ เช่น วิเคราะห์ตลาด หรือสรุปงานวิจัยยาวๆ ให้เรา เริ่มต้น ครูนารีแนะนำให้ลองตัว Antigravity ก่อน เพราะใช้ง่ายและครอบจักรวาลที่สุดค่ะ

มีเรื่องสำคัญที่ต้องรู้ก่อนใช้จริงค่ะ ตอนนี้ Managed Agents ยังเป็นช่วงพรีวิวสาธารณะ คือเปิดให้ทุกคนลอง แต่ยังอาจมีปรับเปลี่ยนได้ เรื่องค่าใช้จ่าย คิดแบบจ่ายตามที่ใช้จริง ตามจำนวนโทเคนของโมเดล บวกกับการใช้เครื่องมือต่างๆ ส่วนค่าเครื่องในกล่อง ช่วงพรีวิวนี้ยังไม่คิดเงินค่ะ แต่มีจุดที่ต้องระวัง เพราะเอเจนต์มันคิดวนหลายรอบ เขียนโค้ด รันโค้ด อ่านผล งานหนึ่งชิ้นจึงกินโทเคนตั้งแต่หลักแสน ไปจนถึงหลายล้านโทเคนได้เลย เพราะงั้นช่วงลองเล่น ควรเริ่มจากงานเล็กๆ ก่อน แล้วคอยดูยอดการใช้งานไว้ด้วยนะคะ

มาดูตัวอย่างจริงให้เห็นภาพค่ะ สมมติโรงเรียนเล็กๆ ที่เชียงใหม่ อยากได้ผู้ช่วยงานธุรการ เราก็เขียน AGENTS.md บอกว่าเป็นผู้ช่วยครู พูดสุภาพ ตอบเรื่องตารางเรียนและประกาศของโรงเรียน แล้วเพิ่ม SKILL.md ทักษะรวมคะแนนนักเรียนจากไฟล์ตาราง เสร็จแล้วเราถามมันว่า ช่วยรวมคะแนนสอบของห้อง ม สาม จากไฟล์นี้ แล้วทำเป็นตารางสรุปให้หน่อย เอเจนต์ก็จะเขียนโค้ดไพทอน รันในกล่อง อ่านไฟล์ คำนวณ แล้วส่งตารางกลับมาให้ ทั้งหมดเกิดบนคลาวด์ เราแทบไม่ต้องตั้งค่าอะไรเลยค่ะ

แล้วถ้าจะเริ่มเอง ต้องมีอะไรบ้างคะ หลักๆ มีสามอย่าง หนึ่ง บัญชีกูเกิล กับ คีย์ ของ Gemini API ไปขอได้ฟรีในเอไอ สตูดิโอ สอง เลือกว่าจะเริ่มแบบไหน กดเล่นเทมเพลตในสตูดิโอ หรือเขียนโค้ดด้วย GenAI SDK และสาม ถ้าอยากได้เอเจนต์เป็นของเราเอง ก็เตรียมไฟล์ AGENTS.md กับ SKILL.md ไว้บอกบุคลิกและทักษะของมัน เท่านี้ก็เริ่มได้แล้วค่ะ ครูนารีจะทำหน้าแล็บไว้ให้ ก๊อปโค้ดไปลองตามทีละขั้นได้เลยนะคะ

สรุปทั้งหมดนะคะ Managed Agents คือการให้ Gemini API รันวงจรการคิดของเอเจนต์ให้เราทั้งหมด ในกล่องลินุกซ์ที่ปลอดภัยบนคลาวด์ เราเริ่มได้ด้วยการเรียกครั้งเดียวผ่าน Interactions API อยากได้เอเจนต์เป็นของเราก็เขียน AGENTS.md กับ SKILL.md ซึ่งเป็นแค่ไฟล์ข้อความ มันมีความจำสามแบบ มีเครื่องมือรันโค้ด จัดการไฟล์ และค้นเว็บมาในตัว เลือกใช้เอเจนต์ Antigravity สำหรับงานทั่วไป และจำไว้ว่ายังเป็นพรีวิว ควรเริ่มจากงานเล็กๆ แล้วคอยดูยอดโทเคนค่ะ

ตอนหน้าในแล็บ Krueng AI ครูนารีจะลงมือสร้างเอเจนต์ผู้ช่วยตัวจริงให้ดู ทีละขั้น ตั้งแต่เขียน AGENTS.md ไปจนมันทำงานได้จริง ใครไม่อยากพลาด กดติดตามไว้ได้เลยนะคะ และใครอยากลองตามไปพร้อมๆ กัน แอดไลน์ครูนารีไว้ เดี๋ยวมีโค้ดและหน้าแล็บส่งให้ถึงมือเลยค่ะ เจอกันในแล็บต่อไปนะคะ