ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
TrueFoundry บริษัทพัฒนาเครื่องมือ AI เปิดตัว TrueForge ซึ่งเป็น 'เอเจนต์ฮาร์เนส' (agent harness) แบบโอเพนซอร์ส พร้อมระบุว่าช่วยลดต้นทุนการทำงานของเอเจนต์ AI ระดับองค์กรได้ประมาณ 30% เมื่อใช้โมเดลตัวเดียวกัน และลดได้สูงสุดราว 75% เมื่อเปลี่ยนไปใช้โมเดลโอเพนซอร์ส
TrueFoundry เปิดตัว TrueForge เมื่อวันที่ 19 (เวลาท้องถิ่น) โดยชูจุดเด่นว่าเป็น 'เลเยอร์การทำงาน' (execution layer) ที่เป็นกลางต่อผู้ให้บริการโมเดล ไม่ผูกติดกับค่ายใดค่ายหนึ่ง บริษัทอธิบายว่า TrueForge คือรันไทม์ที่รวมการเรียกใช้โมเดลภาษาขนาดใหญ่ (LLM) การเชื่อมต่อเครื่องมือ การรันงานในแซนด์บ็อกซ์ ขั้นตอนขออนุมัติ การจัดการบริบท และสถานะของเซสชันเข้าไว้ด้วยกัน เพื่อให้ LLM ลงมือทำงานจริงได้ ไม่ใช่แค่ตอบแชท
TrueForge ให้บริการผ่านหน้าแชท UI, HTTP API, ชุดพัฒนาซอฟต์แวร์ (SDK) ภาษา TypeScript และ UI SDK แบบฝังในแอปพลิเคชันอื่น ส่วนที่เก็บโค้ดต้นทางมีโฟลเดอร์ benchmark และระบุสัญญาอนุญาตแบบ MIT
ผลทดสอบละเอียดของ TrueFoundry เปรียบเทียบ TrueForge กับ Claude Managed Agents ใน 14 งานระดับองค์กร โดยใช้โมเดล Opus 4.8 ตัวเดียวกันทั้งสองฝั่ง ผลระบุว่า Claude Managed Agents แก้โจทย์ได้เฉลี่ย 10.7 งาน คิดเป็นต้นทุนการรันครั้งละ 11.8 ดอลลาร์
ส่วน TrueForge ที่ใช้โมเดล Opus 4.8 เดียวกัน แก้โจทย์ได้เฉลี่ย 10.7 งานเท่ากัน แต่ต้นทุนการรันครั้งละอยู่ที่ 8.6 ดอลลาร์ และเมื่อเปลี่ยนไปใช้โมเดล GLM-5.2 TrueForge แก้โจทย์ได้เฉลี่ย 11.7 งาน ต้นทุนการรันครั้งละลดเหลือ 3.0 ดอลลาร์
TrueFoundry ระบุว่าใช้เครื่องมือชุดเดียวกัน พรอมป์ระบบ (system prompt) เดียวกัน และเริ่มเซสชันใหม่ทุกครั้ง พร้อมทดสอบซ้ำ 3 รอบ (n=3) แล้วหาค่าเฉลี่ย ผลคะแนนตัดสินโดยโมเดล LLM อิสระที่ทำหน้าที่กรรมการ
ตัวเลขต้นทุนที่ต่างกันแม้ใช้โมเดลตัวเดียวกัน ชี้ว่าปัจจัยด้านราคาของโมเดลอย่างเดียวไม่ใช่คำตอบทั้งหมด 'ความคิดเห็น' มองว่าวิธีออกแบบ 'ลูปการทำงาน' ของเอเจนต์ ให้รันน้อยรอบและเบาที่สุดเท่าที่จะทำได้ ก็มีผลต่อโครงสร้างต้นทุนไม่น้อยไปกว่าราคาโมเดล
เอเจนต์ฮาร์เนสแตกต่างจากเครื่องมือที่นักพัฒนาป้อนพรอมป์แล้วรอคำตอบเฉยๆ เพราะเป็นเลเยอร์ที่อ่านไฟล์ เรียกใช้เครื่องมือภายนอก รอการอนุมัติจากมนุษย์เมื่อจำเป็น และรักษาสถานะของงานที่ใช้เวลานานเอาไว้ได้
ทิศทางนี้สอดคล้องกับกระแสที่จุดสนใจในวงการเปลี่ยนจากการแข่งขันด้านโมเดลพื้นฐาน ไปสู่เลเยอร์การทำงานจริงมากขึ้น สำหรับเอเจนต์ AI ระดับองค์กร นอกจากประสิทธิภาพของโมเดลแล้ว ขอบเขตการเปิดใช้เครื่องมือ การจัดบริบท วิธีสั่งรันซ้ำ และขั้นตอนขออนุมัติ ล้วนมีผลต่อทั้งต้นทุนดำเนินงานและระดับการควบคุม
ก่อนหน้านี้ TokenPost เคยรายงานกรณีที่โครงสร้างการทำงานของเอเจนต์ AI ระดับองค์กรส่งผลต่อต้นทุนต่องานเช่นกัน โดยครั้งนั้น Writer ระบุว่าโมเดล Palmyra X6 ของบริษัทช่วยลดต้นทุนต่องานได้ถึง 52%
หน้าเว็บของ TrueFoundry สรุปจุดขายของ TrueForge ไว้สั้นๆ ว่าลดต้นทุนได้ '50% lower cost' แต่ผลทดสอบละเอียดกลับแยกตัวเลขตามเงื่อนไข คือประมาณ 30% เมื่อเทียบโมเดลตัวเดียวกัน และสูงสุดราว 75% เมื่อเทียบกับกรณีใช้ GLM-5.2
หากอ่านตัวเลขตัวเดียวโดยไม่ดูเงื่อนไข อาจพลาดบริบทสำคัญ เพราะสัดส่วนการลดต้นทุนจะเปลี่ยนไปตามว่าใช้โมเดลตัวเดียวกันหรือสลับไปใช้โมเดลโอเพนซอร์ส รวมถึงจำนวนครั้งที่เรียกใช้เครื่องมือและความยาวของบริบทในแต่ละงาน
หลังเปิดตัวได้ไม่นาน ที่เก็บโค้ดของ TrueForge บน GitHub มียอดดาวราว 1,900 ดวง และถูกฟอร์กไปแล้ว 129 ครั้ง สะท้อนความสนใจเบื้องต้นจากกลุ่มนักพัฒนา แต่ตัวเลขนี้ยังไม่ได้บ่งชี้ว่าจะแปลงเป็นยอดขายจริงหรือการนำไปใช้งานในองค์กรได้มากน้อยแค่ไหน
ชุดข้อมูลที่ใช้ทดสอบมาจาก Enterprise-Bench L1-L2 ของ DevRev ซึ่งเป็นชุดทดสอบงานเอเจนต์ AI ระดับองค์กรจำนวน 14 งาน เผยแพร่แบบเปิดเมื่อเดือนกรกฎาคม 2026
ตัวเลขลดต้นทุนที่เปิดเผยอยู่นี้มาจากผลทดสอบที่ TrueFoundry จัดทำและเผยแพร่เอง ในสภาพแวดล้อมใช้งานจริงของลูกค้าแต่ละราย ต้นทุนอาจแตกต่างออกไปตามโมเดลที่เลือกใช้ ความยาวของบริบท จำนวนครั้งที่เรียกใช้เครื่องมือ การใช้แซนด์บ็อกซ์ และรูปแบบการใช้งานจริง
ความคิดเห็น 0