AI & MACHINE LEARNING

PACT: โปรโตคอลลดการใช้ Token สำหรับระบบ Multi-Agent ด้วยการส่งข้อมูลเฉพาะสถานะสำคัญ

arXiv06 Jun 2026
1 min read
Key Takeaways
  • การเปลี่ยนจากการสื่อสารด้วยภาษาธรรมชาติที่ไม่มีโครงสร้างมาเป็น Action-state Record ช่วยลดการใช้ Token ได้อย่างมหาศาลในระบบ Multi-agent

ทำไมเรื่องนี้ถึงสำคัญ

ต้นทุนการประมวลผล (Inference Cost) เป็นอุปสรรคสำคัญในการขยายขนาดระบบ Agentic Workflows โปรโตคอลนี้จะช่วยให้นักพัฒนาสามารถสร้างระบบที่ซับซ้อนขึ้นได้ในราคาที่ถูกลง

ระบบ Multi-Agent ที่สร้างจากโมเดลภาษาขนาดใหญ่ (LLM) มักมีปัญหาเรื่องการสื่อสารที่ฟุ่มเฟือยเกินจำเป็น เนื่องจากการส่งข้อความแบบภาษาธรรมชาติแบบอิสระทำให้สูญเสีย Token และพื้นที่ใน Context Window ไปอย่างรวดเร็ว งานวิจัยนี้จึงเสนอ PACT (Protocolized Action-state Communication and Transmission) ซึ่งเปลี่ยนแนวคิดการสื่อสารจากการส่งข้อความดิบ เป็นการส่งเฉพาะบันทึก 'สถานะและการกระทำ' (Action-state) ที่กระชับ

จากการทดสอบในระบบต่างๆ พบว่า PACT สามารถเพิ่มประสิทธิภาพการทำงานต่อราคา (Performance-cost trade-off) ได้อย่างดีเยี่ยม เช่น ในระบบ OpenHands สามารถแก้ไขปัญหาโค้ดได้เท่าเดิมแต่ใช้ Token น้อยลง 10% และในระบบ SWE-Agent สามารถลดจำนวน Token ขาเข้าได้ถึงครึ่งหนึ่งโดยที่ประสิทธิภาพไม่ลดลง

สรุปประเด็นหลัก

ลดการใช้ Token ได้สูงสุดถึง 50% ในบางกรณีทดสอบ

รักษาประสิทธิภาพการทำงาน (Resolve rate) ให้คงที่หรือดีขึ้น

รองรับการใช้งานร่วมกับเฟรมเวิร์กยอดนิยมอย่าง OpenHands และ SWE-agent

นวัตกรรมและเทคโนโลยี

developer tools

PACT Protocol

โปรโตคอลสื่อสารที่เน้นการส่งสถานะและการกระทำแทนข้อความเต็มรูปแบบเพื่อความประหยัด

Developer Impact
วิศวกรซอฟต์แวร์ที่สร้าง AI Agents สามารถนำโปรโตคอลนี้ไปปรับใช้เพื่อลด Token Usage และลดปัญหา Context Window เต็มในระบบขนาดใหญ่
Keywords
#multi-agent systems #token optimization #llm efficiency #pact protocol #agentic workflows
Original Source

อ่านข้อมูลเพิ่มเติมจากแหล่งข่าวหลัก

arXiv