สี่ชั้นของ agent system คือ loop, graph, harness และ meta-harness เมื่อ agent ใช้โทเค็น, ประกาศว่างานเสร็จสมบูรณ์, แล้วล้มเหลวในการทดสอบ นั่นมักเป็นปัญหาด้านสถาปัตยกรรม ไม่ใช่ปัญหาด้านการ Prompt loop ทำการตรวจสอบงานเทียบกับหลักฐานภายนอก graph ตัดสินใจว่าการดำเนินการต่อไปจะไปที่ใด harness คือสภาพแวดล้อมการทำงานของโมเดล — เครื่องมือ, สิทธิ์, หน่วยความจำ, บริบท, การบันทึก meta-harness ควบคุม harness หลายตัวเพื่อให้บริบทและนโยบายสามารถเคลื่อนย้ายระหว่าง agent ได้ Mercury Core ถูกสร้างขึ้นเป็น harness และ meta-harness นี้ loop ไม่ใช่ Mercury Loop ซึ่งเป็นบริการที่จัดการแล้ว
Agent architecture, verification loops, workflow graphs, agent harnesses, meta-harness governance, human-agent operating systems, prompt engineering limits, Mercury Core, Booster Packs, OpenClaw memory
Mercury Technology Solutions, Mercury Core, Mercury Flux, Mercury Loop, OpenClaw, Booster Pack, Unified Bus, Agent-native infrastructure
[ SYS: MERCURY_CORE // FIELD_NOTES ]
บันทึกภาคสนามเกี่ยวกับระบบ Agenticสี่ชั้นของ
Agent System
Agent ใช้โทเค็น, ประกาศว่างานเสร็จสมบูรณ์, แล้วล้มเหลวในการทดสอบ นั่นมักเป็นปัญหาด้านสถาปัตยกรรม ไม่ใช่ปัญหาด้านการ Prompt นี่คือสแต็ก — และวิธีค้นหาว่าชั้นใดล้มเหลว
สี่ชั้นการทำงาน สร้างจาก loop ขึ้นไป
สี่ชั้นของระบบ agent คืออะไร
- AI agents มักล้มเหลวจากสถาปัตยกรรม ไม่ใช่จากการ prompt: prompt ที่ดีกว่าไม่สามารถสร้าง tool, gate, route หรือ policy ที่ขาดหายไปได้
- สี่เลเยอร์รันไทม์คือ loop (ตรวจสอบงาน), graph (กำหนดเส้นทางงาน), harness (เปิดเผยความสามารถ), และ meta-harness (ควบคุมหลาย harness).
- loop ที่เชื่อถือได้จะหยุดเมื่อมีหลักฐานภายนอก — การทดสอบที่ผ่าน, การ build ที่สำเร็จ, หรือผลลัพธ์ที่ผ่านการตรวจสอบ — ไม่ใช่จากการประเมินตนเองของโมเดล.
- Mercury Core คือระบบปฏิบัติการที่สร้างขึ้นเป็น harness และ meta-harness: หน่วยความจำเดียว, อินเทอร์เฟซเดียว, เลเยอร์นโยบายเดียว.
- loop ในหน้านี้เป็นรูปแบบรันไทม์ Mercury Loop เป็นผลิตภัณฑ์ที่แตกต่างออกไป: บริการที่มีการจัดการที่ป้องกันไม่ให้ OS เคลื่อนออกไปจากแนวทาง.
สี่เลเยอร์ในภาพรวม
| เลเยอร์ | งาน | ความล้มเหลว | แก้ไขก่อน |
|---|---|---|---|
| Loop | ตรวจสอบงานจนกว่าหลักฐานจะบอกให้หยุด | Agent “เสร็จสมบูรณ์” โดยไม่มีการทดสอบ, build, หรือเกตการตรวจสอบ | เพิ่มเงื่อนไขการหยุดที่วัดผลได้ |
| Graph | ตัดสินใจว่าการดำเนินการจะไปที่ใดต่อไป | เส้นทางผิด, ไม่มีทางสำรอง, การส่งต่อแบบด้นสด | ทำให้สาขา, การลองใหม่, และผู้เชี่ยวชาญชัดเจน |
| Harness | เปิดเผยเครื่องมือ, หน่วยความจำ, สิทธิ์, บริบท, การบันทึก | โมเดลเข้าใจงานแต่ไม่สามารถเข้าถึงสิ่งที่จำเป็นได้ | เปิดเผยความสามารถที่ขาดหายไป — Booster Pack บน Mercury Core |
| Meta-harness | กำกับดูแลหลาย harnesses; ย้ายบริบทภายใต้นโยบายเดียว | Claude Code, Codex และ agent ภายในที่ทำงานแบบไซโลที่ไม่มีการประสานงาน | นโยบายที่ใช้ร่วมกัน, การแยกส่วน, และบริบทที่พกพาได้ — พื้นฐานของ Core |
Agent loop คืออะไร?
Agent loop คือหน่วยที่เล็กที่สุดของความเป็นตัวแทน: ดำเนินการ ตรวจสอบผลลัพธ์ จากนั้นหยุดหรือลองอีกครั้ง
Agent ที่เชื่อถือได้จะไม่หยุดทำงานเพราะโมเดลเชื่อว่างานดูถูกต้อง มันจะหยุดเมื่อมีหลักฐานภายนอก — การทดสอบที่ผ่าน, การ build ที่สำเร็จ, หรือผลลัพธ์ที่ผ่านการตรวจสอบแล้ว
Act → check → (fix) → done
Watch the agent attempt the task twice. The first pass feels done — the check disagrees. Only the second pass passes the gate.
Loop อยู่ในสถานะว่างเปล่า เรียกใช้เพื่อดูการตรวจสอบที่ล้มเหลว จากนั้นเกตที่ผ่าน
กฎ
Stop on measurable conditions: tests pass, build succeeds, output validates — never on the model's self-assessment.
Without verification, an agent confidently declares success while the task is still incomplete.
agent graph คืออะไร?
agent graph จะตัดสินว่าการดำเนินการจะไปที่ใดต่อไป: สาขา การลองใหม่ การส่งต่อผู้เชี่ยวชาญ เส้นทางสำรอง และสถานะที่ใช้ร่วมกัน
Loop จะตัดสินว่าการดำเนินการจะดำเนินต่อไปหรือไม่ ส่วน Graph จะตัดสินว่ามันจะไปที่ไหน เมื่อเวิร์กโฟลว์มีเส้นทางหลายเส้นทาง Graph จะทำให้สิ่งเหล่านั้นชัดเจน ตรวจสอบได้ และควบคุมได้
Graph อยู่ในสถานะว่าง กำหนดเส้นทางงานเพื่อดูเส้นทางมาตรฐานล้มเหลวและเปลี่ยนไปใช้ผู้เชี่ยวชาญ
agent harness คืออะไร?
agent harness คือสภาพแวดล้อมการทำงานของ model ซึ่งประกอบด้วย tools, APIs, files, memory, permissions, context, และ logging
model ให้การให้เหตุผล ส่วน harness จะเป็นตัวกำหนดว่าการให้เหตุผลนั้นสามารถทำอะไรได้จริง ความสามารถของ model และความสามารถของ agent ไม่ใช่สิ่งเดียวกัน
model อาจเข้าใจวิธีการแก้ปัญหาอย่างถ่องแท้ แต่หาก tool, data source, หรือ permission ที่จำเป็นไม่ได้ถูกเปิดเผยผ่าน harness agent ก็ยังไม่สามารถทำได้
ความสามารถห้าประการทำให้ model สามารถทำงานได้ การขาดส่วนใดส่วนหนึ่งทำให้การทำงานทั้งหมดล้มเหลว ไม่ว่า prompt จะดีแค่ไหนก็ตาม
meta-harness คืออะไร?
meta-harness คือชั้นกลางที่อยู่เหนือ agent harnesses หลายตัว: การประสานงาน การกำกับดูแล การแยกส่วน นโยบายที่แชร์ และบริบทที่พกพาได้
ทีมงานจริงใช้ Claude Code, Codex, agent ภายใน และผู้เชี่ยวชาญเฉพาะโดเมนทำงานเคียงข้างกัน — แต่ละตัวมีเครื่องมือ เซสชัน นโยบาย และสภาพแวดล้อมการทำงานของตัวเอง หากไม่มี meta-harness มนุษย์ก็จะกลายเป็นชั้นของการคัดลอกและวางระหว่างระบบปิดต่างๆ
จุดที่เคลื่อนไหวคือบริบท: ผลลัพธ์ที่ผ่านการตรวจสอบแล้วหรือสถานะที่แชร์ซึ่งข้ามจาก harness หนึ่งไปยังอีก harness หนึ่งภายใต้ชั้นนโยบายเดียว — แทนที่จะถูกคัดลอกและวางระหว่างระบบปิด
การวินิจฉัยในบรรทัดเดียว
พรอมต์ที่ดีกว่า ไม่สามารถชดเชย สำหรับ ความสามารถที่ขาดหายไป.
— การใช้หลักการวินิจฉัย, สถาปัตยกรรม agent
หลักการวินิจฉัยเกี่ยวกับการจัดลำดับ ไม่ใช่การปัดทิ้ง วิศวกรรมพรอมต์เป็นเรื่องจริงและมีค่า — มันกำหนดว่าโมเดลจะใช้สิ่งที่ harness เปิดเผยได้ดีเพียงใด มันเพียงแค่ไม่สามารถสร้างสิ่งที่ harness ไม่เคยเปิดเผยได้
ลำดับที่ถูกต้อง: แก้ไขเลเยอร์ก่อน (เพิ่มเครื่องมือ, ประตู, เส้นทาง, นโยบาย) จากนั้นปรับแต่ง prompt เพื่อใช้ความสามารถนั้นให้เกิดประโยชน์สูงสุด การทำ prompt บน stack ที่มีปัญหาเปรียบเสมือนการขัดเงาบนรากฐานที่แตกร้าว
สี่คำถามก่อนที่คุณจะเขียน prompt ใหม่
ความล้มเหลวของ Loop
ความล้มเหลวของ Graph
ความล้มเหลวของ Harness
ความล้มเหลวของ Meta-harness
การวินิจฉัย จากนั้นคือพื้นฐาน
เลเยอร์รันไทม์ทั้งสี่นี้คือเหตุผลที่ prompt ที่ดีกว่ายังคงล้มเหลวเมื่อขาด harness ไป Mercury Core คือระบบปฏิบัติการที่สร้างขึ้นเป็น harness และ meta-harness เหนือกว่า — หน่วยความจำเดียว, อินเทอร์เฟซเดียว, เลเยอร์นโยบายเดียว
เลเยอร์หน่วยความจำห้าส่วนบน Core คือวิธีที่ OS จัดเก็บความจริง OpenClaw คือโครงสร้างนั้นสี่เลเยอร์บนหน้านี้คือวิธีการที่งานได้รับอนุญาตให้ทำงานได้
A Booster Packคือวิธีที่ Core เปิดเผยเครื่องมือ มุมมอง และสคีมาหน่วยความจำพร้อมกัน — คือการติดตั้ง harness
ลูปบนหน้านี้คือเกตไทม์รัน: ดำเนินการ ตรวจสอบ หยุดเมื่อมีหลักฐานMercury Loopผลิตภัณฑ์เป็นสิ่งที่แตกต่างออกไป: บริการที่มีการจัดการที่ป้องกันไม่ให้ OS เคลื่อนห่างจากธุรกิจ
เมื่อเกตเป็น model passMercury Fluxจะกำหนดเส้นทางโมเดลที่สามารถและมีราคาถูกที่สุดและหยุดเมื่อมีการทดสอบก่อนที่จะมีการส่งมอบสิ่งใดๆ
ขั้นตอนต่อไป
ติดตั้งเลเยอร์ อย่าขัดเกลา prompt
หากความล้มเหลวเกิดจากการขาดเครื่องมือ หน่วยความจำที่ใช้ร่วมกัน หรือนโยบายของกลุ่ม (fleet policy) หน้าถัดไปคือระบบปฏิบัติการ ไม่ใช่ชุด prompt อื่น
คำถามที่พบบ่อยเกี่ยวกับสถาปัตยกรรม Agent
สี่เลเยอร์ของระบบ Agent คืออะไร?
- Loop, graph, harness และ meta-harness ลูปจะตรวจสอบงานกับหลักฐานภายนอก กราฟจะตัดสินว่าการดำเนินการจะไปที่ใดต่อไป harness คือสภาพแวดล้อมการทำงานของโมเดล — เครื่องมือ สิทธิ์ หน่วยความจำ บริบท การบันทึกข้อมูล meta-harness ควบคุม harness หลายตัวเพื่อให้บริบทและนโยบายสามารถย้ายระหว่าง agent ได้แทนที่จะต้องคัดลอกและวาง
ทำไม AI agents ถึงล้มเหลวแม้จะมี prompt ที่ดี?
- เพราะการทำ prompt ไม่สามารถสร้างสิ่งที่ harness ไม่เคยเปิดเผยได้ หากเงื่อนไขการหยุด เส้นทาง เครื่องมือ หรือนโยบายที่ใช้ร่วมกันขาดหายไป โมเดลยังคงสามารถให้เหตุผลได้อย่างถูกต้องและการรันก็ยังล้มเหลว ให้วินิจฉัยเลเยอร์ก่อน แล้วจึงปรับแต่ง prompt
agent loop แตกต่างจาก Mercury Loop อย่างไร?
- ไม่ครับ agent loop เป็นรูปแบบการทำงาน (runtime pattern): กระทำ ตรวจสอบ หยุดเมื่อมีหลักฐาน Mercury Loop เป็นบริการที่จัดการ (managed service) ซึ่งปรับใช้ agent ประเภท Entry, Analyst และ Implementer เพื่อค้นหาและแก้ไขการเบี่ยงเบนของโครงสร้างพื้นฐาน (infrastructure drift) แม้คำจะเหมือนกัน แต่ผลิตภัณฑ์ต่างกันครับ
สิ่งนี้เกี่ยวข้องกับ Mercury Core และ OpenClaw อย่างไร?
- OpenClaw คือหน่วยความจำแบบลำดับชั้นห้าชั้นของ Mercury Core — คือวิธีที่ OS จัดเก็บความจริง ชั้นการทำงานทั้งสี่นี้คือวิธีที่อนุญาตให้งานทำงานได้ Core ถูกสร้างขึ้นเป็น harness และ meta-harness: มนุษย์และ agent จะแชร์หน่วยความจำ อินเทอร์เฟซ และนโยบาย Booster Pack จะรวมเครื่องมือ, dashboard, และ schema หน่วยความจำเข้ากับ harness นั้นครับ
ทำไม prompt ที่ดีกว่าถึงไม่สามารถแก้ไขเครื่องมือที่ขาดหายไปได้?
- Prompting กำหนดว่าโมเดลจะใช้สิ่งที่ harness เปิดเผยได้ดีเพียงใด มันไม่สามารถสร้างเครื่องมือ, สิทธิ์, แหล่งข้อมูล, หรือนโยบายที่สภาพแวดล้อมไม่เคยให้มาได้ แก้ไขชั้น (layer) ก่อน แล้วจึงปรับแต่ง prompt ครับ
meta-harness คืออะไร?
- เป็นชั้นที่อยู่เหนือสภาพแวดล้อม agent หลายตัว ทีมต่างๆ รัน Claude Code, Codex, agent ภายใน, และผู้เชี่ยวชาญเคียงข้างกันอยู่แล้ว หากไม่มี meta-harness แต่ละส่วนจะเป็นเหมือนสวนที่ถูกล้อมไว้ แต่ถ้ามี พวกเขาจะแชร์นโยบาย, การแยกส่วน, และบริบทที่พกพาได้ นั่นคือแนวคิดหลักของ Mercury Core: หยุดใช้มนุษย์เป็นชั้นการรวมระบบ (integration layer) ครับ
จะวินิจฉัยได้อย่างไรว่า agent layer ใดล้มเหลว?
- ถามสี่คำถามก่อนเขียน prompt ใหม่ Loop: มีการทดสอบที่ควบคุมการเสร็จสมบูรณ์หรือไม่? Graph: สาขาและการส่งต่อมีความชัดเจนหรือไม่? Harness: สภาพแวดล้อมเปิดเผยเครื่องมือ, ข้อมูล, หรือสิทธิ์ที่งานต้องการหรือไม่? Meta-harness: agent สามารถแชร์นโยบายและบริบทได้ หรือเป็นเพียงไซโลที่ไม่มีการประสานงานกัน?
คำศัพท์สถาปัตยกรรม Agent ที่ใช้ในหน้านี้
- Agent loop
- ดำเนินการ, ตรวจสอบ, หยุดเมื่อมีหลักฐานภายนอก ไม่ใช่ Mercury Loop ซึ่งเป็นบริการที่จัดการแล้ว
- Agent graph
- เส้นทางที่ชัดเจน, การลองใหม่, การส่งต่อผู้เชี่ยวชาญ, การสำรอง, และสถานะที่ใช้ร่วมกัน
- Agent harness
- สภาพแวดล้อมการทำงานของโมเดล: เครื่องมือ, สิทธิ์, หน่วยความจำ, บริบท, การบันทึก
- Meta-harness
- การกำกับดูแลหลาย harnesses — นโยบายที่ใช้ร่วมกันและบริบทที่พกพาได้ งานของ Mercury Core
Published 2 September 2026. Concept distilled from public discussion on agent architecture (Rishi, @RishiUvaach). Frame and implementation: Mercury Technology Solutions.
Related insights
โรงหล่อความคิด: การใช้ AI ที่ฉันชื่นชมเป็นการส่วนตัว
สำรวจว่า AI สามารถเปลี่ยนแปลงรูปแบบการคิดของคุณได้อย่างไร โดยก้าวข้ามคำตอบที่ง่ายไปสู่ความเข้าใจที่ลึกซึ้งและการมีส่วนร่วมทางปัญญา
GEOปัญหาการคลิก 1%: ทำไม GEO ถึงไม่เกี่ยวกับการเข้าชมอีกต่อไป
การศึกษาใหม่เผยให้เห็นว่าลิงก์อ้างอิง AI Overview ถูกคลิกเพียง ~1% ของเวลา นี่คือเหตุผลที่ว่าทำไมมันถึงเปลี่ยนทุกอย่างเกี่ยวกับการเพิ่มประสิทธิภาพ AI เชิงสร้างสรรค์ — และสิ่งที่ควรจะวัดแทน
Digital Marketingการเปลี่ยนแปลงของซูเปอร์ยูเซอร์: ทำไมงบประมาณ SEO ของคุณจึงกลายเป็นภาษี AI
การศึกษาของ Google ATLAS เปิดเผยว่า 21% ของชาวฮ่องกงเป็นซูเปอร์ยูเซอร์ AI พวกเขาไม่ค้นหาอีกต่อไป—แต่กำลังมอบหมายงาน นี่คือสิ่งที่หมายถึงสำหรับงบประมาณการตลาดของคุณ