🚨 Agent จำได้เยอะ ไม่ได้แปลว่า Memory ดี

🚨 Agent จำได้เยอะ ไม่ได้แปลว่า Memory ดี

เวลา Agent เริ่ม “ลืม” หลายคนแก้ด้วยวิธีตรงที่สุดคือ เพิ่ม Context Window หรือเอา Chat History เก่า ๆ ยัดกลับเข้า Prompt ให้มากขึ้น

แต่ปัญหาจริงอาจไม่ใช่ว่า Agent “เห็นข้อมูลน้อยเกินไป”

ปัญหาคือระบบไม่รู้ว่า อะไรควรจำ อะไรควรลืม และเมื่อไหร่ควรหยิบความจำนั้นกลับมาใช้

พูดง่าย ๆ คือ Agent Memory ที่ดีควรมีทั้งฝั่ง “เขียน” และ “อ่าน”

ลองนึกถึง AI Agent ที่ช่วยเราทำงานทุกวัน

วันนี้เราบอกว่า: “เวลาสรุปข่าวให้เพจ ใช้ภาษาไทย อ่านง่าย และอย่าเขียนเหมือนข่าวประชาสัมพันธ์”

ข้อมูลแบบนี้มีโอกาสใช้ซ้ำอีกหลายครั้ง → ควรจำ

แต่ถ้าระบบบันทึกว่า: “ตอนนี้กำลังโหลดหน้าเว็บ…” “API ตอบกลับ 429” “ข่าวนี้มี 327 likes ตอน 14:03”

ข้อมูลพวกนี้อาจจริงตอนเกิดเหตุการณ์ แต่ไม่ได้หมายความว่าควรกลายเป็น Memory ระยะยาว

นี่คือจุดที่ระบบ Agent Memory จำนวนมากพลาด

เราไปโฟกัสที่ Retrieval ว่า “ค้น Memory ยังไงให้แม่น” แต่ไม่ค่อยถามว่า ตอนเขียน Memory เข้าไป ใครเป็นคนกรอง?

ถ้าไม่มี Write Gate ระบบจะจำทุกอย่าง

พอผ่านไปเป็นเดือน Memory Store ก็เต็มไปด้วย status, temporary state, ข้อมูลหมดอายุ และรายละเอียดที่ไม่เคยต้องใช้ซ้ำ

แล้ว Retrieval ต่อให้เก่งแค่ไหน ก็ต้องไปค้นอยู่ในกองข้อมูลที่คุณภาพต่ำ

ปัญหาที่ดูเหมือน “Agent จำไม่แม่น” ในเดือนที่ 3 จึงอาจเริ่มตั้งแต่วันที่ 1 ตอนที่เราอนุญาตให้มันจำทุกอย่าง

ในระบบจริง Memory ควรถูกแยกตามหน้าที่ เช่น

🧠 Working Memory — งานที่กำลังทำอยู่ตอนนี้ 📚 Episodic Memory — สิ่งที่เคยเกิดขึ้นจากงานก่อนหน้า 💡 Semantic Memory — preference หรือข้อเท็จจริงที่ใช้ซ้ำได้ ⚙️ Procedural Memory — วิธีทำงาน กฎ workflow และข้อจำกัดของระบบ

เวลา Agent ทำงาน มันไม่จำเป็นต้องเอาทุกอย่างกลับเข้า Context

ถ้าเราสั่งว่า: “เขียนโพสต์ GitHub repo นี้ในสไตล์เดิม”

Agent อาจต้องรู้แค่ 3 อย่าง:

• เพจเขียนให้ใครอ่าน
• สไตล์โพสต์ที่ต้องใช้
• กฎเรื่อง source / hashtag

มันไม่จำเป็นต้องโหลดบทสนทนาเก่าอีกหลายร้อยข้อความกลับมาทั้งหมด

นี่คือความต่างระหว่าง Memory System กับ Long Chat History

Long Context ช่วยให้โมเดล “เห็นของเยอะขึ้น”

แต่ Memory System ที่ดีช่วยให้ Agent เห็นเฉพาะของที่ควรเห็นในเวลาที่ต้องใช้

และอีกครึ่งหนึ่งที่สำคัญไม่แพ้ Retrieval คือ

ก่อนจะจำอะไร ต้องถามก่อนว่า “ข้อมูลนี้สมควรมีชีวิตอยู่ถึงงานครั้งหน้าหรือเปล่า?”

ถ้าไม่ผ่าน ก็ไม่ควรถูกเขียนลง Memory ตั้งแต่แรก

สำหรับผม Agent Memory ที่ดีจึงไม่ได้วัดจากจำนวน token ที่เก็บได้ แต่วัดจากคุณภาพของสองด่าน:

Write → เลือกว่าอะไรควรจำ Read → เลือกว่าอะไรควรถูกหยิบกลับมาใช้

ผ่านสองด่านนี้ได้ Memory ถึงจะมีประโยชน์จริง

สรุปสั้น ๆ: ถ้า Agent ของเราต้องยัด transcript ทั้งหมดกลับเข้า Prompt ทุกครั้งเพื่อให้มัน “จำได้” นั่นอาจยังไม่ใช่ Memory System

มันอาจเป็นแค่ Context Window ที่แพงขึ้นเท่านั้น 😅

#SynapTechAI #AIAgent #AgentMemory #ContextEngineering #AIEngineering

---

📖 อ่านบทความเต็มบน Facebook | 🔔 ติดตาม SynapTech