Project Atlas: การสร้างเอเจนต์การค้าสำหรับทำให้ร้านคุณเดินเองในขณะที่คุณหลับ
ใน Project Atlas ทีมวิจัยของ Tanqory กำลังพัฒนาผู้ช่วยค้าอัจฉริยะที่ทำงานได้เองตลอดเวลา ติดตามการเดินทางของเราในการสร้างระบบ AI ที่จัดการสินค้าคงคลัง ปรับราคา ดูแลลูกค้า และขยายธุรกิจให้เติบโตทุกวันตลอด 24 ชั่วโมงโดยไม่ต้องพึ่งมนุษย์
Project Atlas: การค้นหาการค้าที่ขับเคลื่อนด้วยตัวเองอย่างแท้จริง
โดย Tanqory Research Labs
ลองนึกภาพว่าแพลตฟอร์มร้านค้าออนไลน์ของคุณสามารถดูแลตัวเองได้ ไม่ใช่แค่ทำงานอัตโนมัติบางส่วน แต่สามารถตัดสินใจอย่างชาญฉลาด ปรับตัวต่อการเปลี่ยนแปลงของตลาด ตอบคำถามลูกค้า และเพิ่มรายได้ในขณะที่คุณวางแผนกลยุทธ์หรือพักผ่อนหลับสบาย
นี่คือวิสัยทัศน์ของ Project Atlas โครงการวิจัยและพัฒนาหลักของ Tanqory ที่ตั้งใจจะสร้างแพลตฟอร์มการค้าอัตโนมัติเต็มรูปแบบรายแรกของโลก ในรายงานความคืบหน้านี้เราจะแชร์ความก้าวหน้า ความสำเร็จด้านเทคนิค ปัญหาที่เอาชนะ และเส้นทางต่อไป
ภาพรวมโปรเจกต์
พันธกิจ
Project Atlas ตั้งเป้าสร้างระบบเอเจนต์ AI ที่สามารถบริหารส่วนต่างๆ ของธุรกิจการค้า—ตั้งแต่คลังสินค้าและการตั้งราคาไปจนถึงการตลาดและบริการลูกค้า—ได้ด้วยตัวเอง โดยยังคงการตัดสินใจในระดับมนุษย์พร้อมประสิทธิภาพที่เหนือกว่า
ไทม์ไลน์โครงการ
| เฟส | สถานะ | ช่วงเวลา | โฟกัส |
|---|---|---|---|
| เฟส 1: พื้นฐาน | ✅ เสร็จสิ้น | Q1-Q2 2025 | สถาปัตยกรรมแกนหลักของเอเจนต์ |
| เฟส 2: ความเชี่ยวชาญ | ✅ เสร็จสิ้น | Q3 2025 | เอเจนต์เฉพาะโดเมน |
| เฟส 3: การประสานงาน | 🔄 กำลังดำเนินการ | Q4 2025 | การทำงานร่วมกันของหลายเอเจนต์ |
| เฟส 4: ความเป็นอิสระ | 📋 กำลังวางแผน | Q1-Q2 2026 | ปฏิบัติการอัตโนมัติเต็มรูปแบบ |
| เฟส 5: การขยาย | 📋 กำลังวางแผน | Q3-Q4 2026 | การใช้งานระดับโลก |
ตัวชี้วัดสำคัญ (ปัจจุบัน)
| ตัวชี้วัด | เป้าหมาย | ปัจจุบัน | ความก้าวหน้า |
|---|---|---|---|
| งานที่อัตโนมัติ | 95% | 78% | 82% |
| ความแม่นยำในการตัดสินใจ | 99% | 96.4% | 97% |
| อัตราการแทรกแซงของมนุษย์ | <5% | 12% | 60% |
| การลดต้นทุน | 80% | 67% | 84% |
| ความพึงพอใจของผู้ค้า | 4.8/5 | 4.6/5 | 96% |
โครงสร้างเอเจนต์
ปรัชญาการออกแบบหลัก
การอัตโนมัติแบบเดิมถูกผูกมัดด้วยกฎที่แข็งตัว เอเจนต์ของเราจึงแตกต่าง พวกเขาจะประมวลผล วางแผน และปรับตัวได้
┌─────────────────────────────────────────────────────────────────────┐
│ สถาปัตยกรรมเอเจนต์ Atlas │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ แกนการให้เหตุผล (LLM) │ │
│ │ เข้าใจบริบทและเจตนา │ │
│ │ วางแผนหลายขั้นตอน │ │
│ │ ปรับตัวสู่สถานการณ์ไม่คาดคิด │ │
│ │ เรียนรู้จากผลลัพธ์ │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │ │
│ ┌───────────────┼───────────────┐ │
│ ▼ ▼ ▼ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ ระบบหน่วยความจำ│ │ ห้องสมุดเครื่องมือ │ │ เฟรมเวิร์กการควบคุม │ │
│ │ │ │ │ │ │ │
│ │ ระยะสั้น │ │ การค้า │ │ ความปลอดภัย │ │
│ │ ระยะยาว │ │ การวิเคราะห์ │ │ การปฏิบัติตาม │ │
│ │ แบบตอน │ │ ภายนอก │ │ จริยธรรม │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ ชั้นการดำเนินการของการกระทำ │ │
│ │ การดำเนินการพื้นฐานพร้อมการย้อนกลับ │ │
│ │ การยกระดับตามความมั่นใจ │ │
│ │ การบันทึกตรวจสอบทุกการตัดสินใจ │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────────┘
จุดเด่นของเอเจนต์ Atlas
1. เหตุผลแท้จริง ไม่ใช่การจับคู่รูปแบบ
ระบบแบบเก่าจับคู่คำสั่งกับคำตอบ Atlas เอเจนต์จะวิเคราะห์ปัญหาอย่างเป็นระบบ:
ตัวอย่าง: ปริมาณการคืนสินค้าเพิ่มขึ้นอย่างฉับพลันสำหรับสินค้า X
ระบบเดิม:
→ ตรวจจับความผิดปกติ → แจ้งคน → รอคำตอบ
เอเจนต์ Atlas:
→ ตรวจจับความผิดปกติ
→ วิเคราะห์: มีอะไรเปลี่ยนไป? (รีวิวกล่าวถึงปัญหาขนาด)
→ เทียบเคียง: สินค้าคล้ายกันได้รับผลกระทบ?
→ สมมติฐาน: ล็อตล่าสุดมีปัญหาในการผลิต
→ แผนการกระทำ:
1. หยุดโฆษณา SKU ที่ได้รับผลกระทบ
2. เพิ่มคำแนะนำขนาดในหน้าสินค้า
3. ส่งอีเมลต์เชิงรุกให้ผู้ซื้อเมื่อเร็วๆ นี้
4. ส่งต่อทีมคุณภาพเพื่อตรวจสอบ
→ ดำเนินการด้วยระดับความมั่นใจที่เหมาะสม
→ เฝ้าติดตามผลแล้วปรับปรุง
2. ระบบหลายเอเจนต์แบบร่วมมือ
การค้าสมัยใหม่ต้องการความเชี่ยวชาญเฉพาะ Atlas ใช้เอเจนต์หลากชนิดร่วมกัน
- เอเจนต์จัดการคลัง: ควบคุมสต็อก ทำนายอุปสงค์ จัดซื้อใหม่
- เอเจนต์ด้านราคา: ปรับราคาโดยพิจารณาคู่แข่ง อุปสงค์ และกำไร
- เอเจนต์การตลาด: ดูแลแคมเปญ จัดสรรงบ สร้างคอนเทนต์
- เอเจนต์บริการลูกค้า: ตอบคำถามแก้ปัญหา สร้างความสัมพันธ์
- เอเจนต์วิเคราะห์: ตรวจสอบความสามารถ ค้นหาโอกาสให้ข้อมูลเชิงลึก
- เอเจนต์ผู้ประสาน: ประสานงานทุกเอเจนต์ แก้ปัญหาให้สอดคล้อง
3. คนในลูปเมื่อจำเป็น
แม้อัตโนมัติสูง แต่ไม่ปล่อยให้ไร้การควบคุม
| ระดับความมั่นใจ | การดำเนินการ |
|---|---|
| >95% | ดำเนินการอัตโนมัติ |
| 80-95% | ดำเนินการพร้อมแจ้งเตือน |
| 60-80% | แนะนำและรออนุมัติ |
| <60% | ยกระดับให้ผู้เชี่ยวชาญดูแล |
การเจาะลึกเอเจนต์เฉพาะด้าน
1. เอเจนต์ความชาญฉลาดคลัง (Project Hermes)
สถานะ: พร้อมใช้งาน (Beta)
ความสามารถ:
- ทำนายอุปสงค์แม่นยำ 94%
- ปรับจุดสั่งซื้ออัตโนมัติ
- สมดุลคลังหลายแห่ง
- จัดการความสัมพันธ์ผู้ขาย
- ป้องกันสินค้าหมด ลดสินค้าคงคลังส่วนเกิน
ผลงานด้านเทคนิค:
| เมตริก | ก่อน Atlas | กับ Hermes | พัฒนา |
|---|---|---|---|
| อัตราหมดสต็อก | 8.2% | 1.4% | -83% |
| ค่าใช้จ่ายสต็อกเกิน | $142K/เดือน | $31K/เดือน | -78% |
| ความแม่นยำในการสั่ง | 71% | 96% | +35% |
| ระยะเวลาทำนาย | 2 สัปดาห์ | 12 สัปดาห์ | +6 เท่า |
ตัวอย่างการคิด:
บริบท: ใกล้วันหยุดหมวดอิเล็กทรอนิกส์
การวิเคราะห์:
1. ข้อมูลประวัติ: อุปสงค์เพิ่ม 340% ใน Q4 ก่อนหน้า
2. คลังปัจจุบัน: 2,400 ชิ้น
3. ระยะเวลาผู้ขาย: 6 สัปดาห์
4. ราคาแข่งขัน: ลดลง 5%
การตัดสินใจ:
- เพิ่มสต็อกสำรองเป็น 3,800 (+58%)
- สั่งจากผู้ขาย A (เร็วกว่า ราคาเพิ่มเล็กน้อย)
- แนะนำรักษาราคาไว้ (คุ้มครองกำไร)
- แจ้งเอเจนต์การตลาด: เตรียมแคมเปญสัปดาห์ 47-52
ความมั่นใจ: 94% | ดำเนินการอัตโนมัติ
2. เอเจนต์ตั้งค่าราคายืดหยุ่น (Project Mercury)
สถานะ: พัฒนาอยู่ (Alpha)
ความสามารถ:
- ตรวจสอบราคาคู่แข่งแบบเรียลไทม์
- สร้างแบบจำลองยืดหยุ่นราคา
- ปรับกำไรทั้งพอร์ต
- อัตโนมัติราคาส่งเสริมการขาย
- แบ่งราคาแบบภูมิภาคและกลุ่มลูกค้า
การวิจัยตอนนี้:
เรากำลังแก้ปริศนาการตั้งราคา—หาจุดสมดุลระหว่างรายได้ระยะสั้นและภาพลักษณ์ระยะยาว:
┌─────────────────────────────────────────────────────────────┐
│ อัตตา Multi-Objective Pricing Optimization │
├─────────────────────────────────────────────────────────────┤
│ │
│ Objective 1: Maximize Revenue │
│ ├── แบบจำลองความยืดหยุ่นของราคา │
│ ├── ตำแหน่งการแข่งขัน │
│ └── การพยากรณ์อุปสงค์ │
│ │
│ Objective 2: Protect Brand Value │
│ ├── การรับรู้ราคาให้สม่ำเสมอ │
│ ├── รักษาสัญญาณความมีคุณภาพ │
│ └── ปกป้องความเชื่อมั่นลูกค้า │
│ │
│ Objective 3: Optimize Inventory │
│ ├── ขจัดสินค้าช้า │
│ ├── ป้องกันสินค้าหมดของสินค้าขายดี │
│ └── สมดุลความจุคลังสินค้า │
│ │
│ Resolution: Pareto-optimal pricing with constraints │
│ │
└─────────────────────────────────────────────────────────────┘
ผลแรก:
| เมตริก | ราคาคงที่ | Mercury Agent | เปลี่ยนแปลง |
|---|---|---|---|
| กำไรขั้นต้น | 32.4% | 36.8% | +13.6% |
| รายได้ต่อผู้เข้าชม | $4.21 | $4.89 | +16.2% |
| ค่าคะแนนความรู้สึกราคา | 7.2/10 | 7.4/10 | +2.8% |
| อัตราชนะการแข่งขัน | 34% | 52% | +52.9% |
3. เอเจนต์ประสบการณ์ลูกค้า (Project Apollo)
สถานะ: พร้อมใช้งาน (ปล่อยจำกัด)
ความสามารถ:
- ซัพพอร์ตด้วยภาษาธรรมชาติ
- ตรวจจับและแก้ปัญหาเชิงรุก
- แนะนำสินค้าเฉพาะบุคคล
- จัดการสถานะและการเปลี่ยนคำสั่ง
- ดำเนินการคืนสินค้าและเงินคืน
ความก้าวหน้า: ชั้นความฉลาดทางอารมณ์
Apollo ไม่ได้ตอบเพียงอย่างเดียว—เข้าใจอารมณ์ลูกค้าแล้วปรับเปลี่ยน:
ข้อความลูกค้า: “นี่เป็นครั้งที่สามแล้วที่คำสั่งซื้อของฉันยังไม่มา ฉันต้องการมันสำหรับวันเกิดลูกสาวพรุ่งนี้ ฉันเหนื่อยกับคุณแล้ว"
ตอบแบบบอทรูปแบบเดิม:
“ขออภัยในความไม่สะดวก คำสั่งซื้อ #12345 คาดว่าจะถึงภายใน 2-3 วันทำการ มีอะไรให้ช่วยอีกไหม"
ตอบจาก Apollo:
“ผมเข้าใจความรู้สึกของคุณและขอโทษจริงๆ ที่เราไม่ได้ตามที่คุณคาดหวัง—โดยเฉพาะอย่างยิ่งในเรื่องสำคัญอย่างวันเกิดลูกสาวของคุณ มันไม่ใช่ประสบการณ์ที่คุณควรได้รับ
ผมเพิ่งทำสามเรื่อง:
1. อัปเกรดการจัดส่งเป็นวันเดียวกันโดยไม่เสียเงิน
2. เติมเครดิต $25 เข้าบัญชีของคุณเพื่อทดแทน
3. ทำเครื่องหมายบัญชีของคุณเป็น VIP สำหรับคำสั่งถัดไป
พัสดุจะถึงภายใน 18:00 วันนี้ ผมยังได้แนบของขวัญเล็กๆ สำหรับลูกสาวของคุณจากทีมของเรา—หวังว่าจะช่วยให้วันพิเศษของเธอสมบูรณ์ยิ่งขึ้น
มีอะไรอีกไหมที่ผมพอช่วยทำให้คุณพอใจได้"
ตัวชี้วัด:
| เมตริก | เอเจนต์มนุษย์ | Apollo | เปรียบเทียบ |
|---|---|---|---|
| เวลาเริ่มตอบ | 4.2 ชั่วโมง | 8 วินาที | เร็วกว่า 1,890 เท่า |
| อัตราการแก้ปัญหา | 78% | 89% | +14% |
| ความพึงพอใจของลูกค้า | 4.1/5 | 4.5/5 | +10% |
| ต้นทุนต่อการมีปฏิสัมพันธ์ | $8.50 | $0.12 | -99% |
| ชั่วโมงที่พร้อมให้บริการ | 12/วัน | 24/7 | +100% |
4. เอเจนต์เพิ่มประสิทธิภาพการตลาด (Project Artemis)
สถานะ: กำลังพัฒนา (Alpha)
ความสามารถ:
- เพิ่มประสิทธิภาพแคมเปญ
- แบ่งงบประมาณข้ามช่องทาง
- อัตโนมัติการทดสอบ A/B เชิงสร้างสรรค์
- แบ่งกลุ่มผู้ชมและกำหนดเป้าหมาย
- สร้างและจัดตารางเนื้อหา
การทดลองปัจจุบัน: การจัดการแคมเปญแบบอัตโนมัติ
เราทดลองแคมเปญที่ทำงานเองโดยไม่มีมนุษย์:
พารามิเตอร์ทดสอบ:
- งบประมาณ: $50,000 ใน 30 วัน
- ช่องทาง: Google Meta TikTok Email
- สินค้า: วางขายใหม่ (แฟชั่น)
- ข้อจำกัด: รักษา ROAS > 3.0
ผล (สัปดาห์ที่ 3/4):
| เมตริก | มาตรฐานมนุษย์ | Artemis อัตโนมัติ | ความต่าง |
|---|---|---|---|
| ROAS | 2.8 | 3.4 | +21% |
| CPA | $24.50 | $18.20 | -26% |
| จำนวนการแสดงผล | 2.1M | 3.8M | +81% |
| การแปลง | 2,041 | 2,747 | +35% |
บทเรียนหลัก: Artemis ปรับงบประมาณถึง 47 ครั้ง ระหว่างแคมเปญ—เรื่องที่ทีมมนุษย์ทำได้แค่สัปดาห์ละครั้ง
การประสานงานหลายเอเจนต์
ความท้าทายในการประสานงาน
แม้แต่เอเจนต์เดี่ยวก็ทรงพลัง แต่การค้าต้องการความประสานงาน เอเจนต์ประสานงานจัดการ:
การแก้ปัญหาความขัดแย้ง:
สถานการณ์: วางแผนโปรโมชั่นแปล้ช
เอเจนต์คลัง: “เรามีสินค้าสะสมของ Product A แนะนำส่วนลด 40%”
เอเจนต์ราคา: “40% จะทำลายภาพลักษณ์แบรนด์ จำกัดที่ 25%”
เอเจนต์การตลาด: “ต้องมีส่วนลดอย่างน้อย 35% เพื่อให้แคมเปญทำงานได้”
ผลลัพธ์ orkestrator:
→ วิเคราะห์ผลกระทบแบรนด์ vs. ต้นทุน vs. ประสิทธิภาพ
→ ตัดสินใจ: ลด 30% + ส่งฟรี (คุณค่าที่รับรู้ 38%)
→ เหตุผล: รักษาความรู้สึกราคา และเร่งยอดคลัง
→ ทุกเอเจนต์ยอมรับและจัดการให้สอดคล้อง
การจัดสรรทรัพยากร:
- งบการตลาดร่วมแบบหลายช่องทาง
- การกระจายสินค้าคงคลังระหว่างคลัง
- การวางแผนความจุฝ่ายบริการลูกค้า
- การจัดสรรทรัพยากรด้านคอมพิวเตอร์
การปรับกลยุทธ์:
- สร้างสมดุลระหว่างแผนระยะสั้นและระยะยาว
- รักษาความสอดคล้องของแบรนด์ทุกจุดสัมผัส
- สมดุลความสำคัญที่ขัดแย้งกับคุณค่าของผู้ค้า
- ปรับให้ตรงกับความชอบแต่ละร้านค้า
โปรโตคอลการสื่อสาร
เอเจนต์สื่อสารผ่านข้อความที่จัดไว้:
{
"from": "inventory_agent",
"to": "orchestrator",
"priority": "high",
"type": "recommendation",
"content": {
"action": "emergency_reorder",
"product_id": "SKU-7842",
"reason": "Unexpected viral TikTok mention",
"current_stock": 124,
"projected_demand_7d": 2800,
"recommended_order": 3000,
"supplier": "supplier_a",
"confidence": 0.91
},
"requires_approval": false,
"related_agents": ["marketing_agent", "pricing_agent"]
}
ความปลอดภัยและแนวป้องกัน
ปริศนาความเป็นอิสระ
ความเป็นอิสระมากขึ้นมักมาพร้อมความเสี่ยงมากขึ้น Project Atlas จัดการด้านความปลอดภัยอย่างเข้มงวด:
ชั้นที่ 1: ข้อจำกัดการกระทำ
- ตั้งขอบเขตการตัดสินใจทางการเงิน (ส่วนลดสูงสุด ค่าใช้จ่ายสูงสุด)
- ห้ามทำการ (ลบสินค้า เปลี่ยนข้อมูลธนาคาร)
- จำกัดความถี่ (จำนวนการเปลี่ยนแปลงต่อชั่วโมง)
- ต้องสามารถย้อนกลับ (ทุกการกระทำย้อนกลับได้)
ชั้นที่ 2: แนวป้องกันพฤติกรรม
- หลักจริยธรรม (ห้ามหลอกลวง)
- ตรวจสอบความสอดคล้องกับแบรนด์
- การยืนยันการปฏิบัติตามกฎระเบียบ
- ตรวจสอบความเป็นธรรมในกลุ่มลูกค้า
ชั้นที่ 3: การตรวจสอบและการแทรกแซง
- ตรวจจับความผิดปกติแบบเรียลไทม์
- ทริกเกอร์ขั้นตอนส่งต่อให้คน
- หยุดฉุกเฉิน
- ระบุการตรวจสอบอย่างครบถ้วน
กรอบการตอบสนองต่อเหตุการณ์
เมื่อเกิดข้อผิดพลาด (และมันจะมีวันนั้น) เราพร้อม:
ระดับความรุนแรง:
ระดับ 1 (ต่ำ): เอเจนต์ตัดสินใจไม่ดี
→ บันทึกเพื่อวิเคราะห์ ไม่มีการดำเนินการทันที
ระดับ 2 (ปานกลาง): การกระทำสร้างผลกระทบเชิงลบที่วัดได้
→ หยุดเอเจนต์ แจ้งทีม ตรวจสอบและปรับปรุง
ระดับ 3 (สูง): การกระทำก่อให้เกิดความเสียหายมาก
→ หยุดทันที ย้อนกลับการกระทำ ตรวจสอบเหตุการณ์
ระดับ 4 (วิกฤติ): ระบบล่มหรือเกิดเหตุการณ์ด้านความปลอดภัย
→ หยุดระบบทั้งหมด จัดการทีมเต็มรูปแบบ แจ้งภายนอก
การทดลองด้าน R&D ที่กำลังดำเนินอยู่
การทดลอง 1: ตั้งร้านแบบ Zero-Shot
คำถาม: เอเจนต์สามารถจัดตั้งร้านค้าครบชุดจากรายการสินค้าและแนวทางแบรนด์ได้หรือไม่?
แนวทาง:
- ให้เอเจนต์ข้อมูลสินค้า แนวทางแบรนด์ และตลาดเป้าหมาย
- สร้างโครงสร้างร้าน รายละเอียดสินค้า ราคา และแผนการตลาดเบื้องต้น
- วัดเวลาสู่การเปิด แรงประเมินคุณภาพ และผลลัพธ์เริ่มต้น
ผลเริ่มต้น:
- เวลาในการตั้งร้าน: 4 ชั่วโมง (เทียบกับ 2–3 สัปดาห์คนทำ)
- คะแนนคุณภาพ: 87% ของร้านที่ทำโดยมนุษย์
- รายได้ 30 วัน: 94% ของมาตรฐานมนุษย์
การทดลอง 2: เอเจนต์ขยายไปตลาดใหม่
คำถาม: ระบบสามารถขยายร้านสำเร็จไปยังตลาดอื่นโดยอัตโนมัติไหม?
แนวทาง:
- วิเคราะห์ประสิทธิภาพและโอกาส
- ดำเนินการท้องถิ่น ปรับราคา และแผนการตลาด
- ควบคุมการปรับปรุงอย่างต่อเนื่องในตลาดใหม่
สถานะ: ทดสอบกับผู้ค้าสามรายที่ขยายจากสหรัฐอเมริกาสู่สหราชอาณาจักร/สหภาพยุโรป
การทดลอง 3: การแทรกแซงเชิงคาดการณ์
คำถาม: เอเจนต์สามารถป้องกันปัญหาก่อนเกิดขึ้นได้หรือไม่?
ตัวอย่างในการทดลอง:
- คาดการณ์และป้องกันการเสียลูกค้า
- หา สินค้าเสี่ยงปัญหาคุณภาพ
- ทำนายปัญหาเงินสดและเสนอวิธีแก้
- ตรวจจับภัยคุกคามคู่แข่งใหม่ล่วงหน้า
ความท้าทายและบทเรียน
ความท้าทายด้านเทคนิคที่แก้ไขแล้ว
1. ความหน่วงในการสื่อสาร multi-agent
- ปัญหา: เอเจนต์รอคิวกันเองทำให้ติดขัด
- วิธีแก้: สื่อสารอซิงโครนัสพร้อมคิวลำดับความสำคัญ
2. ข้อจำกัดของหน้าต่างบริบท
- ปัญหา: ระหว่างงานยาวเอเจนต์สูญเสียบริบทสำคัญ
- วิธีแก้: ระบบหน่วยความจำแบบลำดับชั้น พร้อมสรุปอัจฉริยะ
3. ความเพ้อฝันในทางการเงิน
- ปัญหา: LLM ให้เลขผิดเป็นบางครั้ง
- วิธีแก้: ใช้เอนจินคำนวณแยก และให้ LLM รับผิดชอบเฉพาะการให้เหตุผล
ความท้าทายที่ยังดำเนินอยู่
1. กรณีพิเศษในการสื่อสารกับลูกค้า
- บางสถานการณ์ที่คำตอบของเอเจนต์ดูผิดปกติ
- ลงทุนในสถานการณ์ฝึกฝนที่หลากหลายมากขึ้น
2. ปัญหาติดขัด multi-agent
- บางครั้งเอเจนต์ไม่สามารถตกลงกันได้
- พัฒนากลไกตัดสินที่ดีกว่า
3. การสร้างความเชื่อมั่นกับผู้ค้า
- บางผู้ค้ายังลังเลให้ระบบทำงานเองทั้งหมด
- สร้างระดับความเป็นอิสระทีละขั้น พร้อมหลักฐาน
แผนงานและขั้นตอนถัดไป
Q4 2025 (ปัจจุบัน)
- เสร็จสิ้นโครงสร้างการประสานงาน multi-agent
- เปิดตัวเอเจนต์จัดการคลังให้ผู้ค้าทุกคน
- เริ่มปล่อย Customer Agent แบบจำกัด
- บรรลุอัตราการแทรกแซงมนุษย์ 15% (จาก 24%)
Q1 2026
- ปล่อย Customer Agent เต็มรูปแบบ
- เปิดตัว Beta ของ Pricing Agent
- ทดสอบ Artemis แบบจำกัด
- ตั้งเป้าอัตราการแทรกแซงมนุษย์ 10%
Q2 2026
- กระจายชุดเอเจนต์ครบวงจร
- เปิดให้บริการระดับ “Fully Autonomous”
- ผู้ค้ารายแรกทำงานภายใต้การดูแลขั้นต่ำ
- เป้าหมาย 5% การแทรกแซงมนุษย์
2027 และหลังจากนั้น
- การประสานงานข้ามแพลตฟอร์ม
- ความชำนาญเฉพาะอุตสาหกรรม
- เฟรมเวิร์กเปิดให้ผู้พัฒนา
- ตลาดสำหรับความสามารถจากบุคคลที่สาม
เข้าร่วมกับเรา
โครงการเบต้า
เรารับผู้ค้าที่สนใจเข้าร่วมเบต้าความเป็นอิสระ:
ข้อกำหนด:
- มีร้านค้ามีประวัติอย่างน้อย 6 เดือน
- คำสั่งซื้อขั้นต่ำ 1,000 ต่อเดือน
- พร้อมแบ่งปันข้อมูลผลงานที่นิญม
- สัญญาว่าจะให้คำติชม
ข้อดี:
- รับความสามารถก่อนใคร
- มีอิทธิพลต่อการพัฒนาฟีเจอร์
- ได้รับการสนับสนุนเฉพาะทางขณะเปลี่ยนระบบ
- รับส่วนลดพิเศษเมื่อเปิดตัว
ความร่วมมือด้านการวิจัย
เราร่วมมือกับสถาบันการศึกษาในเรื่อง:
- ทฤษฎีการประสาน multi-agent
- ความปลอดภัยและการปรับให้ตรงกับ LLM
- การประเมิน AI ที่เน้นการค้า
- ผลกระทบทางเศรษฐกิจของระบบอัตโนมัติ
นักวิจัยที่สนใจสามารถติดต่อเพื่อหารือโอกาสร่วมมือ
ข้อคิดสำคัญ
| มุมมอง | การอัตโนมัติแบบเดิม | เอเจนต์ Project Atlas |
|---|---|---|
| การตัดสินใจ | ตามกฎ | ตามการให้เหตุผล |
| ปรับตัว | ยึดติด | ยืดหยุ่น |
| ขอบเขต | งานเดี่ยว | การดำเนินงานครบวงจร |
| การดูแลของมนุษย์ | ตลอด | เฉพาะข้อยกเว้น |
| การเรียนรู้ | คงที่ | ต่อเนื่อง |
| การประสานงาน | ด้วยมือ | อัตโนมัติ |
บทสรุป
Project Atlas เป็นความพยายามที่ทะเยอทะยานที่สุดของ Tanqory ในการสร้างเอเจนต์ AI ที่สามารถจัดการกิจการค้าได้เองจริงๆ เราอาจยังไม่ถึงจุดสุดยอด แต่เราใกล้กว่าที่เคยเป็น
เอเจนต์ที่เราสร้างไม่ได้แค่ทำงานแทนมนุษย์ พวกเขาคิด วางแผน ประสานงาน และพัฒนาเอง พวกเขารับมือความซับซ้อนของการค้าสมัยใหม่ให้ผู้ค้ามุ่งเน้นสิ่งที่มนุษย์ถนัดอย่างสร้างสรรค์ กลยุทธ์ และความสัมพันธ์ที่มีความหมายกับลูกค้า
อนาคตของการค้าไม่ได้เป็นแค่แบบอัตโนมัติ—แต่เป็นอิสระ และ Project Atlas กำลังก่อร่างอานาคตนั้น ทีละเอเจนต์
อัปเดตโครงการนี้เป็นส่วนหนึ่งของชุดผลงานวิจัยของ Tanqory Research Labs สำหรับคำถามเกี่ยวกับโครงการเบต้า ความร่วมมือด้านวิจัย หรือด้านเทคนิค กรุณาติดต่อ info@tanq.com.sg
เผยแพร่โดย Tanqory Research Labs | ธันวาคม 2025
