ไม่ว่าคุณจะกำลังสร้างแอปพลิเคชัน AI หรือทำงานที่ซับซ้อนแบบอัตโนมัติ การทำให้ AI agent ทำงานร่วมกับข้อมูลและเครื่องมือที่ถูกต้องอาจเป็นเรื่องท้าทาย ระบบ AI แบบง่ายมักประสบปัญหาเมื่อต้องให้เหตุผล ดึงข้อมูล หรือจัดการงานจากแหล่งข้อมูลที่แตกต่างกัน LlamaIndex agent ช่วยให้เรื่องนี้ง่ายขึ้น โดยเชื่อมต่อโมเดล AI กับเครื่องมือ ข้อมูล และระบบดึงข้อมูล เพื่อจัดการงานได้อย่างมีประสิทธิภาพมากขึ้น อ่านบทความนี้เพื่อเรียนรู้วิธีสร้างและ deploy เวิร์กโฟลว์ LlamaIndex agent สำหรับแอปพลิเคชัน AI ที่ฉลาดและยืดหยุ่นมากขึ้น
LlamaIndex agent คืออะไร
LlamaIndex agent คือระบบ AI ที่สามารถให้เหตุผลเกี่ยวกับงานและตัดสินใจว่าต้องทำขั้นตอนใดบ้างเพื่อให้งานนั้นเสร็จสมบูรณ์ มันสามารถแยกคำขอที่ซับซ้อนออกเป็นงานย่อย เลือกเครื่องมือ และใช้ข้อมูลจากภายนอกเมื่อจำเป็น agent ยังสามารถจดจำขั้นตอนก่อนหน้าและใช้ข้อมูลที่ดึงมาเพื่อปรับปรุงคำตอบของมันได้ สิ่งนี้ทำให้ agent จัดการงานที่ต้องการมากกว่าการตอบคำถามแบบง่ายๆได้
LlamaIndex agent ทำงานอย่างไร
LlamaIndex agent ช่วยให้แอปพลิเคชัน LLM ก้าวข้ามการตอบคำถามแบบง่ายๆ โดยให้โมเดลสามารถให้เหตุผลเกี่ยวกับงาน เลือกเครื่องมือ และทำเวิร์กโฟลว์แบบหลายขั้นตอนให้เสร็จสมบูรณ์ได้ แทนที่จะทำตามไปป์ไลน์ที่กำหนดไว้ตายตัว agent จะตัดสินใจแบบไดนามิกว่าต้องทำการกระทำใดบ้าง โดยพิจารณาจากเป้าหมายของผู้ใช้และความสามารถที่มีอยู่
เวิร์กโฟลว์ LlamaIndex agent ทั่วไปมีขั้นตอนดังนี้:
User request
↓
Understand the task
↓
Select tools
↓
Execute actions
↓
Process results
↓
Return final responseเข้าใจเป้าหมายของผู้ใช้
เมื่อ agent ได้รับคำขอ LLM ที่อยู่เบื้องหลังจะวิเคราะห์งาน context ที่มีอยู่ และเครื่องมือที่เชื่อมต่อไว้ เพื่อกำหนดแนวทางที่ดีที่สุด
สำหรับคำถามแบบง่าย agent อาจสร้างคำตอบได้โดยตรง สำหรับงานที่ซับซ้อน agent สามารถแยกคำขอออกเป็นขั้นตอนย่อย และตัดสินใจว่าต้องดำเนินการอะไรบ้าง
เลือกและใช้เครื่องมือ
เครื่องมือช่วยขยายความสามารถของ agent ให้เกินกว่าตัว LLM เอง LlamaIndex agent สามารถเชื่อมต่อกับฟังก์ชัน Python ที่กำหนดเอง query engine, API, ฐานข้อมูล และระบบดึงข้อมูล ผ่านเครื่องมือ เช่น FunctionTool และ QueryEngineTool
ตัวอย่างเช่น agent สามารถใช้เครื่องมือค้นหาเพื่อรวบรวมข้อมูล เครื่องมือฐานข้อมูลเพื่อดึงข้อมูล หรือฟังก์ชันที่กำหนดเองเพื่อทำการคำนวณ
ดำเนินงานผ่าน agent loop
หลังจากเลือกเครื่องมือแล้ว agent จะดำเนินการ สังเกตผลลัพธ์ และตัดสินใจว่าจะทำอะไรต่อไป การทำงานแบบวนซ้ำระหว่างการคิดเหตุผลและการลงมือทำนี้ช่วยให้ agent สามารถจัดการกับเวิร์กโฟลว์ที่ซับซ้อนซึ่งต้องใช้การดำเนินการหลายขั้นตอนได้
Reason → Act → Observe → Repeatหากงานยังไม่เสร็จสมบูรณ์ agent จะสามารถเรียกใช้เครื่องมือต่อไปหรือปรับปรุงวิธีการของตนเอง จนกว่าจะสร้างคำตอบสุดท้ายขึ้นมาได้
การจัดการบริบทและเวิร์กโฟลว์
agent ของ LlamaIndex จะเก็บบริบทที่เกี่ยวข้องไว้ตลอดกระบวนการทำงาน ซึ่งช่วยให้จัดการงานที่มีหลายขั้นตอนและนำผลลัพธ์จากขั้นตอนก่อนหน้ามาใช้ได้ สำหรับแอปพลิเคชันที่ซับซ้อนมากขึ้น นักพัฒนาสามารถใช้เวิร์กโฟลว์และสถาปัตยกรรมแบบ multi-agent เพื่อประสาน agent หลายตัวเข้าด้วยกัน โดยให้แต่ละ agent รับผิดชอบบทบาทหรือหน้าที่ที่ต่างกัน
ตัวอย่างเช่น:
Research Agent
↓
Analysis Agent
↓
Writing Agentด้วยเหตุนี้ LlamaIndex react agent จึงเหมาะสำหรับแอปพลิเคชันอย่างเช่น ผู้ช่วยวิจัย AI ระบบความรู้ขององค์กร และเวิร์กโฟลว์ข้อมูลอัตโนมัติ
องค์ประกอบหลักของ LlamaIndex agent
LlamaIndex multi-agent รวมองค์ประกอบหลายส่วนเข้าด้วยกันเพื่อเปลี่ยน LLM ให้กลายเป็นระบบที่สามารถคิดเหตุผล ใช้ฟังก์ชันภายนอก และรักษาบริบทได้ แต่ละองค์ประกอบมีบทบาทต่างกัน แต่ทำงานร่วมกันเพื่อช่วยให้ agent จัดการงานได้อย่างมีประสิทธิภาพมากขึ้น ต่อไปนี้คือองค์ประกอบหลักบางส่วน:
LLM: เครื่องยนต์ในการคิดเหตุผลของ agent
LLM ทำหน้าที่เป็นเครื่องยนต์หลักในการคิดเหตุผล ตีความคำขอของผู้ใช้ และตัดสินใจว่าจะทำอะไรต่อไป โดยสามารถวิเคราะห์บริบทที่มีอยู่และตัดสินใจว่าจะตอบโดยตรงหรือใช้เครื่องมือ LlamaIndex รองรับผู้ให้บริการ LLM หลายรายให้นักพัฒนาเลือกโมเดลตามความต้องการของแอปพลิเคชันได้ ดังนั้น LLM จึงเป็นตัวควบคุมการตัดสินใจและการสร้างคำตอบของ agent
เครื่องมือ: การเพิ่มขีดความสามารถของ agent
เครื่องมือช่วยให้ agent สามารถทำงานที่มากกว่าการสร้างข้อความได้ เครื่องมือเหล่านี้อาจเป็นฟังก์ชัน Python ธรรมดา หรือเครื่องมือเฉพาะทางสำหรับทำงานกับ API, query engine และบริการภายนอกอื่น ๆ agent จะตัดสินใจว่าจะใช้เครื่องมือใดและระบุอินพุตที่จำเป็นตามคำขอของผู้ใช้ จากนั้นผลลัพธ์จากเครื่องมือจะถูกเพิ่มเข้าไปในบทสนทนา เพื่อให้ agent นำไปใช้ในขั้นตอนถัดไปได้
หน่วยความจำ: การรักษาบริบท
หน่วยความจำช่วยให้ agent ของ LlamaIndex เก็บข้อมูลที่เกี่ยวข้องไว้ได้ในระหว่างที่ทำงานให้เสร็จสมบูรณ์ โดยค่าเริ่มต้น agent จะใช้ ChatMemoryBuffer ซึ่งเก็บประวัติการสนทนาไว้ใช้งานตลอดการทำงาน นักพัฒนายังสามารถปรับแต่งการตั้งค่าหน่วยความจำได้ เช่น กำหนดขีดจำกัด token ตามความเหมาะสมของแอปพลิเคชัน สิ่งนี้ช่วยให้ agent รักษาบริบทและจัดการงานที่ต้องใช้หลายขั้นตอนได้
ประเภทของ LlamaIndex agent
LlamaIndex มี agent หลายประเภทสำหรับจัดการงานตามระดับการคิดเหตุผล การใช้เครื่องมือ และระดับการควบคุมที่ต้องการ มาดูประเภทหลัก ๆ และความแตกต่างระหว่างกัน:
| ประเภท Agent | วิธีการทำงาน | คุณสมบัติเด่น | กรณีการใช้งานที่เหมาะสม |
|---|---|---|---|
| FunctionAgent | ใช้ความสามารถในการเรียกใช้ฟังก์ชัน (function-calling) ของ LLM สมัยใหม่ เพื่อเลือกและรันเครื่องมือที่กำหนดไว้ล่วงหน้าตามคำขอของผู้ใช้ | การเรียกใช้เครื่องมือแบบเนทีฟ อินพุตและเอาต์พุตที่มีโครงสร้าง การรันเครื่องมือที่น่าเชื่อถือ การนำไปใช้งานที่เรียบง่าย | ผู้ช่วย AI เวิร์กโฟลว์อัตโนมัติทางธุรกิจ แอปพลิเคชันที่อิงกับ API agent ที่มุ่งเป้าไปที่งานเฉพาะ |
| ReActAgent | ใช้แนวทาง Reasoning + Acting โดย agent จะให้เหตุผลเกี่ยวกับงานที่ได้รับ ดำเนินการ สังเกตผลลัพธ์ และทำซ้ำไปเรื่อย ๆ จนกว่างานจะเสร็จสมบูรณ์ | การให้เหตุผลทีละขั้นตอน การเลือกเครื่องมือแบบไดนามิก รองรับงานที่มีหลายขั้นตอน การแก้ปัญหาที่ยืดหยุ่น | ผู้ช่วยด้านการวิจัย การตอบคำถามที่ซับซ้อน การสำรวจข้อมูล เวิร์กโฟลว์แบบเปิดกว้าง |
| CodeActAgent | ช่วยให้ agent แก้ปัญหาได้โดยการสร้างและรันโค้ด ในกรณีที่การให้เหตุผลผ่านโค้ดมีประสิทธิภาพมากกว่า | การสร้างและรันโค้ด การแก้ปัญหาด้วยการเขียนโปรแกรม เหมาะกับงานที่ต้องใช้การคำนวณ | การวิเคราะห์ข้อมูล เวิร์กโฟลว์ทางวิทยาศาสตร์ ผู้ช่วยด้านการเขียนโปรแกรม |
| ระบบ multi-agent | ใช้ agent ที่มีความเชี่ยวชาญเฉพาะทางหลายตัวทำงานร่วมกัน มอบหมายงานให้กันและกัน และร่วมกันทำเวิร์กโฟลว์ที่ซับซ้อนให้สำเร็จ | การทำงานร่วมกันของ agent การมอบหมายงาน ความเชี่ยวชาญตามบทบาท เวิร์กโฟลว์ที่ปรับขนาดได้ | ไปป์ไลน์งานวิจัยอัตโนมัติ เวิร์กโฟลว์ระดับองค์กร กระบวนการทางธุรกิจที่ซับซ้อน |
agent เหล่านี้ให้ความยืดหยุ่นแก่นักพัฒนาในการเลือกวิธีที่เหมาะสมสำหรับงานและเวิร์กโฟลว์ที่แตกต่างกัน เมื่อเลือกประเภทของ agent ได้แล้ว ขั้นตอนต่อไปคือการเชื่อมต่อ agent เข้ากับ LLM backend ที่มีความสามารถเพียงพอในการขับเคลื่อนการคิดเหตุผลและการใช้เครื่องมือ มาดูกันว่าจะสร้าง AI agent ด้วย LlamaIndex และ Kimi API ได้อย่างไร
วิธีสร้าง AI Agent ด้วย LlamaIndex และ Kimi API
การเชื่อมต่อ LlamaIndex เข้ากับ LLM API จะให้พลังในการคิดเหตุผลที่ agent ต้องการเพื่อทำความเข้าใจคำขอและเลือกการดำเนินการที่เหมาะสม ขั้นตอนต่อไปนี้แสดงวิธีตั้งค่า AI agent ด้วย LlamaIndex และ Kimi API ตั้งแต่การตั้งค่าโมเดลไปจนถึงการรัน agent:
ขั้นตอนที่ 1: สิ่งที่ต้องเตรียมไว้ก่อน
ก่อนเริ่มต้น ตรวจสอบให้แน่ใจว่าคุณมีสิ่งต่อไปนี้:
ติดตั้ง Python 3.9+ แล้ว
Kimi API Key ที่ใช้งานได้จาก Moonshot AI Platform
ความคุ้นเคยพื้นฐานกับ LlamaIndex agent และแนวคิด RAG
ขั้นตอนที่ 2: ติดตั้ง dependencies
ตัวอย่างเดิมใช้ llama-index-llms-ollama ให้เปลี่ยนเป็น llama-index-llms-openai เพื่อเชื่อมต่อกับ API ของ Kimi ที่รองรับรูปแบบ OpenAI คงแพ็กเกจ embedding ของ HuggingFace ไว้เพื่อใช้ embedding แบบโลคัลและไม่มีค่าใช้จ่าย
pip install llama-index llama-index-llms-openai llama-index-embeddings-huggingfaceขั้นตอนที่ 3: ตั้งค่าตัวแปรสภาพแวดล้อม
เก็บ Kimi API key ของคุณอย่างปลอดภัยโดยใช้ตัวแปรสภาพแวดล้อม อย่าเขียนค่านี้ตายตัวไว้ในสคริปต์ของคุณ
export KIMI_API_KEY = "your-kimi-api-key-here"บน Windows (PowerShell):
$env:KIMI_API_KEY = "your-kimi-api-key-here"ขั้นตอนที่ 4: สร้าง agent พื้นฐานด้วย Kimi API
สร้างไฟล์ชื่อ starter_kimi.py โดยไฟล์นี้จะแทนที่ LLM ของ Ollama ด้วย Kimi ในขณะที่ยังคงตรรกะของ agent และการนิยามเครื่องมือเดิมไว้
from llama_index.core.agent.workflow import FunctionAgent; import os
from llama_index.llms.openai import OpenAI; import asyncio
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.core import Settings
# Configure global settings
Settings.llm = OpenAI(
model="kimi-latest", # Or: kimi-k2, kimi-k2.5, etc.
api_key=os.getenv("KIMI_API_KEY"),
api_base="https://api.moonshot.ai/v1",
temperature=0.3,
request_timeout=120.0,
)
Settings.embed_model = HuggingFaceEmbedding(
model_name="BAAI/bge-base-en-v1.5"
)
# Define a calculator tool
def multiply(a: float, b: float) -> float:
"""Useful for multiplying two numbers."""
return a * b
# Create the agent
agent = FunctionAgent(
tools=[multiply],
llm=Settings.llm,
system_prompt="You are a helpful assistant that can multiply two numbers.",
)
async def main():
response = await agent.run("What is 1234 * 4567?")
print(str(response))
if __name__ == "__main__":
asyncio.run(main())รันสคริปต์:
python starter_kimi.pyผลลัพธ์ที่คาดหวัง:
The answer to 1234 * 4567 is 5635678.ขั้นตอนที่ 5: เพิ่มประวัติการสนทนา (context)
เพื่อเปิดใช้งานการสนทนาแบบหลายรอบ ให้ส่งอ็อบเจกต์ Context เข้าไป ซึ่ง agent จะจดจำข้อมูลไว้ในการเรียกใช้แต่ละครั้งได้
from llama_index.core.workflow import Context
# Create context
ctx = Context(agent)
# Run agent with context
response = await agent.run("My name is Logan", ctx=ctx)
print(response)
response = await agent.run("What is my name?", ctx=ctx)
print(response)ขั้นตอนที่ 6: เพิ่มความสามารถ RAG ด้วย Kimi API
เพิ่มความสามารถให้ agent ด้วยการค้นคืนเอกสาร โดยขั้นตอนการทำ embedding ยังคงทำงานแบบโลคัล ในขณะที่การสร้างคำตอบจะส่งผ่าน Kimi
เตรียมข้อมูลตัวอย่าง
mkdir data
wget https://raw.githubusercontent.com/run-llama/llama_index/main/docs/examples/data/paul_graham/paul_graham_essay.txt -O data/paul_graham_essay.txtสคริปต์ agent ที่รองรับ RAG แบบเต็ม
สร้างไฟล์ starter_kimi_rag.py:
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings; import os
from llama_index.core.agent.workflow import AgentWorkflow; import asyncio
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
# Global settings
Settings.embed_model = HuggingFaceEmbedding(model_name="BAAI/bge-base-en-v1.5")
Settings.llm = OpenAI(
model="kimi-k3",
api_key=os.getenv("KIMI_API_KEY"),
api_base="https://api.moonshot.ai/v1",
temperature=0.3,
)
# Load documents and build index
documents = SimpleDirectoryReader("data").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
# Define tools
def multiply(a: float, b: float) -> float:
"""Useful for multiplying two numbers."""
return a * b
async def search_documents(query: str) -> str:
"""Useful for answering natural language questions about Paul Graham's essay."""
response = await query_engine.aquery(query)
return str(response)
# Create enhanced agent
agent = AgentWorkflow.from_tools_or_functions(
[multiply, search_documents],
llm=Settings.llm,
system_prompt="""You are a helpful assistant that can perform calculations
and search through documents to answer questions.""",
)
async def main():
response = await agent.run(
"What did the author do in college? Also, what's 7 * 8?"
)
print(response)
if __name__ == "__main__":
asyncio.run(main())รันสคริปต์:
python starter_kimi_rag.pypython starter_kimi_rag.pyขั้นตอนที่ 7: บันทึกดัชนี RAG ให้คงอยู่
เพื่อหลีกเลี่ยงการประมวลผลเอกสารซ้ำทุกครั้งที่รัน ให้บันทึกดัชนีเวกเตอร์ไว้ในดิสก์
# Save the index
index.storage_context.persist("storage")
# Later, load the index
from llama_index.core import StorageContext, load_index_from_storage
storage_context = StorageContext.from_defaults(persist_dir="storage")
index = load_index_from_storage(storage_context)
query_engine = index.as_query_engine()# Save the index
index.storage_context.persist("storage")
# Later, load the index
from llama_index.core import StorageContext, load_index_from_storage
storage_context = StorageContext.from_defaults(persist_dir="storage")
index = load_index_from_storage(storage_context)
query_engine = index.as_query_engine()การแก้ไขปัญหา
หากคุณพบปัญหาระหว่างตั้งค่า agent ปัญหาที่พบได้บ่อยอาจส่งผลต่อการยืนยันตัวตน การเชื่อมต่อ การติดตั้งแพ็กเกจ หรือความเร็วในการทำ embedding ตารางด้านล่างนี้รวบรวมข้อผิดพลาดที่พบบ่อยที่สุดพร้อมวิธีแก้ไข เพื่อให้คุณสามารถแก้ปัญหาการตั้งค่าได้อย่างรวดเร็ว:
| ปัญหา | สาเหตุ | วิธีแก้ไข |
|---|---|---|
AuthenticationError | API key ไม่ถูกต้องหรือไม่ได้ระบุ | ตรวจสอบว่า KIMI_API_KEY ถูก export อย่างถูกต้อง |
Connection timeout | ความหน่วงของเครือข่ายไปยัง api.moonshot.ai | เพิ่มค่า request_timeout เป็น 300.0 หรือมากกว่า |
ModuleNotFoundError | แพ็กเกจหายไป | รันคำสั่ง pip install llama-index-llms-openai อีกครั้ง |
| การทำ Embedding ช้าบน CPU | โมเดล Hugging Face ทำงานบน CPU | ใช้โมเดลที่มีขนาดเล็กลงหรือเปิดใช้การเร่งความเร็วด้วย GPU |
ประโยชน์ของการใช้ Kimi API
เมื่อ agent เชื่อมต่อและทำงานได้แล้ว การผสมผสาน LlamaIndex กับ Kimi API จะมอบข้อได้เปรียบในทางปฏิบัติหลายประการสำหรับการสร้างแอปพลิเคชัน AI ที่มีความสามารถ ต่อไปนี้คือประโยชน์สำคัญบางส่วนของการใช้ Kimi API ร่วมกับ LlamaIndex agent:
สร้าง AI agent ที่ฉลาดขึ้น: Kimi API ช่วยเสริมความสามารถของ LlamaIndex agent ด้วยความเข้าใจภาษาและการให้เหตุผลที่แข็งแกร่ง ช่วยให้ agent เลือกใช้เครื่องมือ ประมวลผลข้อมูล และทำงานให้เสร็จสมบูรณ์ได้อย่างมีประสิทธิภาพมากขึ้น
ปรับปรุงการค้นคืนและวิเคราะห์ข้อมูล: เมื่อผสมผสานกับกรอบงานข้อมูลของ LlamaIndex, Kimi สามารถทำงานกับเอกสารส่วนตัวและฐานความรู้เพื่อสร้างคำตอบที่แม่นยำและเข้าใจบริบทมากขึ้น
เปิดทางให้ workflow AI ที่ยืดหยุ่น: LlamaIndex เชื่อมต่อ agent กับเครื่องมือ API และ query engine ต่างๆ ในขณะที่ Kimi ให้ความสามารถด้านการคิดวิเคราะห์ที่จำเป็นสำหรับการตัดสินใจว่าจะใช้ความสามารถเหล่านี้เมื่อใดและอย่างไร
รองรับแอปพลิเคชัน AI ที่ซับซ้อน: ด้วยความเข้าใจบริบทที่ยาวและความสามารถของ agent, Kimi API ที่ใช้ร่วมกับ LlamaIndex เหมาะสำหรับการสร้างผู้ช่วยวิจัย knowledge agent และแอปพลิเคชันวิเคราะห์เอกสาร
การใช้งาน LlamaIndex agent ในโลกจริง
LlamaIndex agent สามารถนำไปใช้ในงานที่หลากหลาย ซึ่ง AI จำเป็นต้องให้เหตุผล เข้าถึงข้อมูล และดำเนินการต่างๆ ความสามารถในการเชื่อมต่อ LLM กับเครื่องมือและข้อมูลทำให้เป็นประโยชน์ในงานวิจัย ธุรกิจ การวิเคราะห์ข้อมูล และการสนับสนุนลูกค้า ต่อไปนี้คือแอปพลิเคชันที่ใช้งานได้จริง:
ผู้ช่วยวิจัย AI
ผู้ช่วยวิจัย AI สามารถค้นหาในเอกสาร ค้นคืนข้อมูลที่เกี่ยวข้อง และช่วยตอบคำถามที่ซับซ้อน สามารถแบ่งงานวิจัยออกเป็นขั้นตอนย่อยและใช้เครื่องมือต่างๆ เมื่อจำเป็น ทำให้ง่ายต่อการวิเคราะห์ข้อมูลจำนวนมากและเตรียมคำตอบที่ละเอียด
Knowledge agent ระดับองค์กร
knowledge agent ระดับองค์กรสามารถเชื่อมต่อพนักงานกับเอกสารภายใน ฐานข้อมูล และฐานความรู้ โดยสามารถค้นคืนข้อมูลบริษัทที่เกี่ยวข้องและให้คำตอบตามข้อมูลทางธุรกิจที่มีอยู่ ช่วยให้พนักงานค้นหาข้อมูลได้เร็วขึ้นโดยไม่ต้องค้นหาผ่านหลายระบบด้วยตนเอง
Agent วิเคราะห์ข้อมูล
agent วิเคราะห์ข้อมูลสามารถทำงานกับชุดข้อมูลและใช้เครื่องมือในการประมวลผล วิเคราะห์ และตีความข้อมูล สามารถคำนวณ ระบุรูปแบบ และช่วยอธิบายผลลัพธ์ในรูปแบบที่เข้าใจง่าย ทำให้เป็นประโยชน์สำหรับงานอย่างการรายงาน การสำรวจข้อมูล และการวิเคราะห์ธุรกิจ
Agent บริการลูกค้า
เอเจนต์บริการลูกค้าสามารถเข้าถึงข้อมูลผลิตภัณฑ์ คำถามที่พบบ่อย และแหล่งข้อมูลสนับสนุนเพื่อตอบคำถามของลูกค้า โดยสามารถใช้เครื่องมือในการดึงรายละเอียดที่เกี่ยวข้องและจัดการคำขอตามข้อมูลบริบทที่มีอยู่ ซึ่งช่วยให้งานสนับสนุนที่เป็นงานประจำทำงานได้แบบอัตโนมัติ พร้อมทั้งให้การตอบกลับที่รวดเร็วและสม่ำเสมอมากขึ้น
บทสรุป
เอเจนต์ของ LlamaIndex เป็นแนวทางที่ใช้งานได้จริงในการสร้างระบบ AI ที่สามารถให้เหตุผล ใช้เครื่องมือ และทำงานร่วมกับข้อมูลที่เกี่ยวข้อง ความยืดหยุ่นของเอเจนต์เหล่านี้ทำให้เหมาะสำหรับการสร้างแอปพลิเคชันที่มากกว่าแค่การสนทนาทั่วไป และเมื่อใช้ร่วมกับ LLM backend ที่เหมาะสม เอเจนต์เหล่านี้ก็สามารถปรับใช้กับงานและเวิร์กโฟลว์ที่แตกต่างกันได้ ลองใช้ Kimi API ร่วมกับ LlamaIndex เพื่อสร้างและทดสอบเอเจนต์ AI ของคุณเอง มาสำรวจ Kimi และดูว่าคุณสามารถสร้างอะไรได้บ้างด้วยมัน