# Agentic Workflow

Recap Agentic Workflow Workshop 

ตอนนี้เรามาถึงยุค Agentic AI แบบเต็มๆ แล้ว ซึ่งก่อนหน้านี้ AI หรือ “ปัญญาประดิษฐ์” นั้นก็มีมานานนมหลายยุตหลายสมัยแล้ว แต่ตอนนี้มันมาถึงผู้ใช้ทั่วไปแล้ว เราสามารถหยิบมันมาช่วยงานต่างๆ ได้โดยที่ไม่จำเป็นต้องเขียน Code อีกต่อไป

มันวางแผน ลงมือทำ และตรวจงานตัวเองได้ บทความนี้ recap มาจาก Agentic Workflow Workshop ที่จัดไป สำหรับใครที่อยากเข้าใจว่า Agentic AI คืออะไร ทำงานยังไง และจะออกแบบ Workflow ให้ AI ทำงานแทนเราได้

Artificial Intelligence

Language

Vision

Audio

Generation

Code

Reasoning

Action

Memory

Traditional AI

แนะนำสินค้า
ตรวจจับใบหน้า
กรอง spam

Generative AI
LLM

คุย / เขียน / สรุป
เขียนโค้ด
ChatGPT, Claude

Agentic AI

วางแผน + ลงมือ
ใช้ tools ได้
ทำงานหลาย step

Physical AI /
Robotics AI

รถไร้คนขับ
โรงงานอัตโนมัติ
AI มีร่างกาย

ก่อนอื่นขอท้าวความก่อนว่า AI (Agentic AI) ตอนนี้ ทำอะไรได้บ้าง จาก Diagram Chart ด้านบนนะครับ

Language

สรุป, แปล, เขียน, ถาม-ตอบ

Extract ข้อมูลจาก text

จัดหมวดหมู่, Label ข้อความ

Sentiment Analysis

Vision

อ่านข้อความจากภาพ (OCR)

วิเคราะห์รูปภาพ, กราฟ, เอกสาร

Object Detection / Face Recognition

อ่าน screenshot แล้วตีความ

Audio

Speech-to-Text (STT) — ถอดเสียงเป็นข้อความ

Text-to-Speech (TTS) — อ่านออกเสียง

Voice Cloning, Music Generation

Generation

Image Gen

Video Gen

3D, Music, Avatar

Code

Generate, Review, Debug, Refactor

Run code จริง (Code Execution)

Agentic Coding เช่น Claude Code

Reasoning

คณิตศาสตร์, Logic, Multi-step Planning

Chain-of-Thought Reasoning

ตัดสินใจ, ประเมินความเสี่ยง

Action / Tool Use

Web Search / Web Browsing

เรียก API, MCP Tools

Computer Use (คลิก/พิมพ์แทนคน)

Multi-agent Orchestration

Memory / Context

Long Context Window (อ่านเอกสารยาว)

RAG (ดึงข้อมูลจาก Knowledge Base)

Memory ข้ามการสนทนา

ทั้งหมดนี้คือความสามารถของ AI ณ ตอนนี้ อาจจะตกหล่นไปบ้าง ในรายละเอียดนะครับ แต่หลักๆ แล้วประมาณนี้แหละ (ขอไม่รวม prediction)

ซึ่ง Agentic AI ต่างจาก LLM (Large Language Model) ยังไง..
คือ.. AI LLM ยุคแรกๆ เนี่ย มันได้แค่ถามตอบ เราถามไป มันตอบ จบแค่นั้น

แต่พอมายุคหลัง AI สามารถใช้ Tools ได้ เช่น Search web มันหาหรือเซิส google แทนเรา ได้แล้ว ทำให้ข้อมูล แม่นขึ้นลดความหลอน (Hallucination) ไปได้บ้าง

นั่นคือ AI ยุคก่อนๆ … พูดเหมือนนาน แต่จริงๆ แล้วเกิดขึ้นเพียงแค่ไม่กี่เดือนเท่านั้น..

ตอนนี้เรามาถึง Agentic AI ที่สามารถมาช่วยเราทำงานได้จริงๆ สามารถเข้าถึงไฟล์งานบนเครื่อง บนระบบ ได้เลย

Agentic AI

เราสั่ง

agent วางแผน

ลงมือทำ

Tools
Web search, etc.

เช็คงานที่ทำ

ทำซ้ำ

re-plan

ส่งงาน

ทำซ้ำ (retry)

re-plan (แผนผิด → วางแผนใหม่)

จาก Diagram ด้านบน จะเห็นว่า Agentic AI สามารถทำงานเป็นขั้นตอนได้ มีการวางแผนจาก Prompt หรือ คำสั่งของเรา และเลือก Tools ที่ใช้ในการทำงาน จากนั้นตรวจทาน ว่างานที่ทำ ครบหรือไม่ ถ้าไม่ครับ กลับไปทำใหม่ เมื่อครบแล้วถึงจะส่งงานให้เรา

แต่ถ้าพูดถึง Workflow ของการทำงาน เราควรตั้งต้นยังไง? ออกแบบยังไง?
สำหรับหลายๆ คนแล้ว คงจะคิดไม่ออก เพราะ เราทำงานในสิ่งที่ตัวเองทำมาตลอด ไม่เคยมองภาพรวมทั้งระบบมาก่อน มีหน้าที่ Research ก็ทำไป มีหน้าที่ทำ Content มีหน้าที่ เขียนบทความก็ทำไปตามแต่ที่เราได้รับงานมา

ซึ่งต่างจากการทำ Agentic Workflow เพราะเราต้องมองภาพรวมของงานทั้งหมดให้ออกก่อน ว่า Workflow ของงานทั้งระบบมันมีอะไรบ้าง

Workflow

USER

เป้าหมาย

Context

System prompt

Agentic

วางแผน

search web

ทำ

อ่าน / เขียน

เช็ค

ใช้ tools อื่นๆ

USER

รับงาน

ตรวจสอบ

ปรับปรุง / approve

re-run

user ปรับแล้วส่ง Agentic ทำใหม่

จาก Workflow นี้แสดงให้เห็นว่า Agentic AI ทำงานร่วมกับเราอย่างไร
ฝั่ง USER (บน) คือสิ่งที่เราต้องเตรียมให้ AI เช่น เป้าหมายที่ชัดเจน, Context หรือข้อมูลพื้นหลัง, และ System prompt ที่กำหนด Persona และขอบเขตการทำงานของ AI

จากนั้น Agentic จะรับงานไปทำเองอัตโนมัติ โดยไม่ต้องสั่งทีละขั้น… วางแผน, ลงมือทำ, ใช้ tools เช่น search web หรืออ่าน/เขียนไฟล์, แล้วเช็คตัวเองว่าผลลัพธ์ถูกต้องหรือยัง loop นี้จะวนซ้ำอยู่ข้างในจนกว่างานจะเสร็จ
เมื่อ Agentic ส่งงานออกมา

ฝั่ง USER (ล่าง) จะรับงาน, ตรวจสอบคุณภาพ, และตัดสินใจว่า approve หรือต้องปรับปรุง — ถ้าปรับปรุง งานจะวนกลับเข้า Agentic ใหม่ทันที (เส้นสีน้ำเงิน re-run)

จุดสำคัญของ workflow นี้คือ “USER” ไม่ได้หายไป แค่ย้ายบทบาทจาก “คนทำ” มาเป็น “คนตรวจและ approve” แทน ซึ่งเป็นแนวคิดของ Human-in-the-loop ที่ทำให้ Agentic AI ใช้งานได้จริงในองค์กรครับ

ตัวอย่าง Marketing Workflow

Marketing Workflow

USER
Agentic
USER

Research

AI research analyst

Insight report

Strategy

AI strategy

Campaign brief

Content

AI Content

Contents

Publish

AI monitor

Performance data

Optimize

AI analyst and suggest

Action list

Action list → Optimize ใหม่

Marketing Workflow อันนี้แสดงให้เห็นว่า AI เข้ามาช่วยทีม Marketing ได้ในทุกขั้นตอน โดยที่เรา ยังคุมทิศทางอยู่ตลอด

เริ่มจาก Research — ทีมกำหนดโจทย์และ context ให้ AI research analyst ไปวิเคราะห์ตลาด คู่แข่ง และกลุ่มเป้าหมาย ผลลัพธ์ที่ได้คือ Insight report ซึ่งเป็นฐานของทุกอย่างที่ตามมา

Insight นั้นถูกส่งต่อสู่ขั้น Strategy — AI strategy นำข้อมูลมาแปลงเป็นแผน campaign ออกมาเป็น Campaign brief ที่ชัดเจนพอให้ทีม content นำไปใช้ได้ทันที

Campaign brief ไหลลงสู่ Content — AI Content สร้างเนื้อหาตาม brief ไม่ว่าจะเป็น copy, บทความ, หรือ script ผลลัพธ์คือ Contents ที่พร้อม publish

เมื่อ publish แล้ว AI monitor เข้ามาในขั้น Publish — ติดตาม performance แบบ real-time วัด engagement, reach, conversion และรวบรวมออกมาเป็น Performance data

ข้อมูลนั้นไหลเข้าสู่ขั้นสุดท้าย Optimize — AI analyst วิเคราะห์ว่าอะไรได้ผล อะไรไม่ได้ผล แล้วสร้าง Action list ให้ทีมนำไปตัดสินใจ

จุดสำคัญของ workflow นี้คือ loop ที่ด้านล่าง — Action list ไม่ได้จบแค่นั้น แต่วนกลับเข้า Optimize ใหม่ ทำให้ campaign ดีขึ้นเรื่อยๆ แบบ continuous improvement โดยที่เราทำหน้าที่ตัดสินใจและ approve ในแต่ละขั้น ไม่ใช่นั่งทำงาน manual ทุกอย่างเองครับ

ตัวอย่าง โครงสร้าง file และ folder ของ marketing workflow

Project Structure

CLAUDE.md

Scaffold

agents

workflows

template

outputs

01-research-analyst.md

run-research.sh

insight-report
-template.md

insight-report/

02-strategy.md

run-strategy.sh

campaign-brief
-template.md

campaign-brief/

03-content.md

run-content.sh

contents/

04-monitor.md

run-monitor.sh

performance-data/

05-optimizer.md

run-optimize.sh

action-list
-template.md

action-list/

06-exporter.md

run-export.sh

csv-schemas.md

export/

sh = Shell Script

โครงสร้างนี้คือ Multi-Agent Marketing System ที่ออกแบบมาให้ AI ทำงานเป็นทีม กึ่งๆ automation

ทุกอย่างเริ่มจาก CLAUDE.md ที่อยู่บนสุด.. ไฟล์นี้เหมือนคู่มือ ที่ (CLAUDE) agent ทุกตัวต้องอ่านก่อนทำงาน บอกว่า project นี้คืออะไร มี context อะไร และแต่ละ agent มีหน้าที่อะไร

จาก CLAUDE.md แตกออกเป็น 4 Folders ที่ทำงานต่อเนื่องกัน:

agents/ คือวิธีการทำงานของแต่ละขั้นตอน — มี 6 ตัว เรียงตาม order ชัดเจน ตั้งแต่ 01-research-analyst ไปจนถึง 06-exporter แต่ละไฟล์เป็น markdown ที่บอก AI ว่าต้องทำอะไร รับอะไร และส่งออกอะไร

workflows/ คือตัว “กดปุ่มเริ่ม” — shell script (.sh) แต่ละไฟล์เรียก agent ที่ตรงกันขึ้นมาทำงาน เช่น run-research.sh เรียก 01-research-analyst.md ข้อดีคือ automate ได้ง่าย แค่รัน script เดียวก็จบ

template/ คือ “ต้นแบบ output” — กำหนดว่าผลลัพธ์ต้องออกมาหน้าตาแบบไหน เช่น insight-report-template.md บอกว่า report ต้องมี section อะไรบ้าง ทำให้ output สม่ำเสมอทุกครั้งที่รัน สังเกตว่า ช่วงที่เป็น content และการ monitor ไม่มี template… หมายความว่า output สองตัวนี้ยืดหยุ่นตาม brief ที่ได้รับ

outputs/ คือผลลัพธ์จริงที่ได้ — เก็บเป็น folder แยกตามประเภท ไม่ว่าจะเป็น insight-report/, campaign-brief/, contents/, performance-data/, action-list/, และ export/ พร้อมนำไปใช้ต่อหรือส่งให้ทีมได้ทันที

สิ่งที่ทำให้โครงสร้างนี้ดีคือ separation of concerns — agent รู้แค่ว่าต้องทำอะไร, workflow รู้แค่ว่าต้องรันอะไร, template รู้แค่ว่า output ต้องหน้าตาแบบไหน แยกกันชัดเจน แก้ไขส่วนใดส่วนหนึ่งโดยไม่กระทบส่วนอื่นได้เลย

Agentic Workflow ไม่ใช่เรื่องของนักพัฒนา หรือ Dev อีกต่อไปแล้ว ใครก็ตามที่เข้าใจ workflow ของงานตัวเอง สามารถออกแบบให้ AI ทำงานแทนได้เลย สิ่งที่ต้องเริ่มคือ มองงานของตัวเองให้ออกก่อนว่ามีขั้นตอนอะไรบ้าง input คืออะไร output คืออะไร แค่นั้นก็พอเป็นจุดเริ่มต้นของ Agentic Workflow

สำหรับใครที่อ่านมาถึงตรงนี้ ด้านบนสุดจะมีปุ่มที่เขียนว่า Markdown for AI กดปุ่มนั้น หรือ Download หรือ copy Link ไปให้ AI ได้เลยครับ และลองถาม AI เกี่ยวกับ Workflow ของตัวเองดู