รวมพลัง Claude Fable 5.1 และ Gemini 3.8 Flash ให้ทำงานร่วมกัน

เพื่อนร่วมงานคนหนึ่งถามคำถามที่ไม่สำคัญนักในที่ทำงาน ผมเลยให้เอเจนต์ไปค้นคว้าจากแชทและเอกสารล่าสุดของผม แล้วมันก็ได้คำตอบที่ถูกต้อง แต่กลับทำให้ผมเสียเงินไป $38!!! นั่นคือ ROI ที่แย่มาก แน่นอนว่าเวลาของผมมีค่า แต่ถ้าต้องใช้เวลาทำเองจริงๆ ผมคงไม่ยอมเสียเวลาขนาดนั้น และงานนี้ก็ไม่จำเป็นต้องใช้ความสามารถในการวางแผนระดับสูงที่มีราคาแพง

เราทำได้ดีกว่านี้

Google Cloud's Gemini Enterprise Agent Platform นำเสนอ Model Garden ซึ่งมีการเข้าถึง API อย่างสะดวกสำหรับโมเดลชั้นนำมากมาย รวมถึงโมเดลของ Google, Anthropic และแม้แต่ xAI ในความเป็นจริงแล้ว โมเดลทุกตัวบน Huggingface สามารถนำไปปรับใช้ด้วยตัวเองได้ แต่สำหรับบทความนี้ เราจะโฟกัสไปที่ Claude Fable 5.1 ตัวใหม่ของ Anthropic และ Gemini 3.8 Flash ตัวใหม่ของ Google ตอนนี้ นักพัฒนาสามารถเข้าถึง Frontier Models สองรูปแบบที่แตกต่างกันผ่าน Enterprise API Surface เดียวกัน

Fable 5.1 มาพร้อมกับการวางแผนอัตโนมัติระดับ Mythos-class, Context Window ขนาด 1 ล้านโทเคน และการตรวจสอบหลายขั้นตอนอย่างละเอียด ส่วน Gemini 3.8 Flash มาพร้อมเหตุผลใกล้เคียงกับ Frontier Models ความเร็วในการประมวลผลโทเคนที่น่าทึ่งในราคาแบบ Flash ($0.75 ต่อล้าน Input Tokens, $3.75 ต่อล้าน Output Tokens) พร้อมการควบคุมความคิด (Thinking Controls) ที่ปรับแต่งได้

อาจดูเหมือนง่ายที่จะเลือกโมเดลใดโมเดลหนึ่งแล้วส่งทุกอย่างผ่านมัน แต่นั่นคือความผิดพลาด

หากคุณรันงานพัฒนาทั่วไปผ่าน Planner แบบลึก คุณกำลังจ่ายอัตราค่าโทเคนระดับ Frontier เพียงเพื่อวิเคราะห์ Git Diffs หากบังคับให้โมเดลเร็วจัดการกับการย้ายฐานข้อมูลที่ไม่สามารถย้อนกลับได้โดยไม่มีแผนอย่างเป็นทางการ มันจะพุ่งไปข้างหน้าและทำลายสถานะก่อนที่คุณจะดื่มกาแฟหมดแก้ว

เราสามารถปรับปรุง "Tokenomics" ให้ดีขึ้นอย่างมากได้อย่างง่ายดาย โดยใช้โมเดล 2 ตัวและกำหนดเส้นทางงาน

โดย Alan Blount (@zeroasterisk

นี่คือคู่มือฉบับเต็มที่จะพาคุณไปถึงจุดนั้น:

1. กำหนดค่าทั้งสองโมเดลให้อยู่ภายใต้ Governance Plane แบบรวมศูนย์เพียงชุดเดียว
2. ทำ Benchmark งานประจำก่อนเลือกค่าเริ่มต้น
3. ใช้โมเดลเร็วเป็น Frontline Coordinator และใช้ Deep Planner เมื่อคุณรู้ว่าคุณต้องการพลังมากขึ้น หรือเมื่อโมเดลเร็วต้องการยกระดับปัญหา
4. สร้าง Mental Model เกี่ยวกับ Task ROI และคุณค่า (ไม่ใช่แค่ต้นทุน) ของโทเคนของคุณ

1. กำหนดค่าทั้งสองโมเดลให้อยู่ภายใต้ Governance Plane แบบรวมศูนย์เพียงชุดเดียว

การเลือกแพลตฟอร์ม Inference สำหรับ LLM ต้องพิจารณาทางเลือกด้านการออกแบบหลายประการ ทั้งต้นทุน ความจุ ความปลอดภัย ตัวเลือกโมเดล คุณสมบัติการให้บริการ ความยุ่งยากสำหรับผู้พัฒนา และ ความปลอดภัยเพิ่มเติม (API Keys มีความเสี่ยง) Gemini Enterprise Agent Platform (เดิมชื่อ Vertex AI) เป็นตัวเลือกที่ครอบคลุมพร้อมความสามารถเฉพาะตัว และเนื่องจากมันเปิดให้เข้าถึงทั้งโมเดล Gemini และ Anthropic ผ่าน Managed APIs การยืนยันตัวตนแบบปลอดภัยเพียงครั้งเดียวจึงครอบคลุมทั้งสอง Workload

แต่พูดตรงๆ นะ บางกระบวนการมีความยุ่งยากมากกว่าที่ผมชอบ ผมมักล้อเล่นว่า "เรื่องที่เป็นไปได้นั้นง่าย แต่เรื่องง่ายๆ นั้นยาก" นั่นเป็นส่วนหนึ่งของเหตุผลที่ผมเขียนโพสต์นี้

ก่อนที่คุณจะจัดการกับโมเดล ให้เข้าสู่ระบบ gcloud และ อ่านเอกสาร สำหรับรูปแบบต่างๆ

1gcloud auth application-default login

เพื่อให้เข้าถึง Claude Fable 5.1 ได้ คุณต้องเปิดใช้งาน API จากนั้น เปิดใช้งาน Claude Fable 5.1 และกรอกแบบฟอร์มสั้นๆ เกี่ยวกับกรณีการใช้งานของคุณ แต่ยังไม่จบแค่นั้น

ตอนนี้ Fable อยู่ภายใต้ Advanced AI Safety Addendum ของ Google Cloud ก่อนที่คุณจะส่ง Prompt ไปยัง aiplatform.googleapis.com แม้แต่เพียงครั้งเดียว คุณต้องกำหนดค่าการแชร์ Prompt-Response อย่างชัดเจนและยอมรับข้อกำหนดของผู้เผยแพร่ในระดับโปรเจกต์

นี่คือคำแนะนำที่ใช้งานได้จริงสำหรับ Global Endpoint โปรด อ่านเอกสาร สำหรับรูปแบบอื่นๆ

ก่อนอื่น เรามาตั้งค่าตัวแปรบางตัวที่จะช่วยให้เราทำงานได้ง่ายขึ้น สังเกตว่าชื่อโมเดลใน URL Path คือ claude-fable-5-1 โดยใช้ขีดกลาง ไม่ใช่จุด และตรวจสอบให้แน่ใจว่าคุณใส่ Project ID และ Location ของคุณ จากนั้นอาจเปลี่ยน Endpoint ตามภูมิภาคของคุณ:

1export PROJECT_ID="YOUR_PROJECT_ID"
2export LOCATION="global"
3export MODEL="claude-fable-5-1"
4
5# Global endpoint: aiplatform.googleapis.com (recommended)
6# Multi-Regional endpoints: aiplatform.eu.rep.googleapis.com
7# Regional endpoints: us-central1-aiplatform.googleapis.com
8export ENDPOINT="https://aiplatform.googleapis.com"

ถัดไป เรียกใช้ setPublisherModelConfig API โดยตั้งค่า dataSharingEnabledProvider เป็น ANTHROPIC - สังเกตว่าตัวอักษรทั้งหมดเป็นตัวพิมพ์ใหญ่:

1curl -X POST \
2  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
3  -H "Content-Type: application/json; charset=utf-8" \
4  -d '{ "publisherModelConfig": { "dataSharingEnabledProvider": "ANTHROPIC" } }' \
5"${ENDPOINT}/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/publishers/anthropic/models/${MODEL}:setPublisherModelConfig"

การเรียกครั้งแรกจะส่งคืน Operation Object ที่เสร็จสมบูรณ์เพื่อยืนยันว่าการแชร์ข้อมูลเปิดใช้งานแล้ว:

1{
2  "name": "projects/YOUR_PROJECT_NUMBER/locations/global/operations/1234567",
3  "metadata": {
4    "@type": "type.googleapis.com/google.cloud.aiplatform.v1beta1.SetPublisherModelConfigOperationMetadata",
5    "genericMetadata": {
6      "createTime": "...",
7      "updateTime": "..."
8    }
9  },
10  "done": true,
11  "response": {
12    "@type": "type.googleapis.com/google.cloud.aiplatform.v1beta1.PublisherModelConfig",
13    "loggingConfig": {},
14    "dataSharingEnabledProvider": "ANTHROPIC"
15  }
16}

หากคุณเคยทำขั้นตอนนี้ไปแล้ว คุณจะพบข้อผิดพลาด HTTP 409 ว่าการตั้งค่านี้มีอยู่แล้ว:

1409 ALREADY_EXISTS: The same PublisherModelConfig already exists.

ข้อผิดพลาด 409 นี้ไม่ใช่ปัญหาเลย

ทดสอบการเข้าถึงโมเดลของคุณ และคุณควรได้รับคำตอบ:

1curl -X POST \
2  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
3  -H "Content-Type: application/json; charset=utf-8" \
4  -d '{"anthropic_version": "vertex-2023-10-16","messages": [{"role": "user", "content": "Hello world."}], "max_tokens": 1024, "stream": true}' \
5"${ENDPOINT}/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/publishers/anthropic/models/${MODEL}:streamRawPredict"

หากคุณไม่ได้ทำขั้นตอนนี้ถูกต้อง คุณจะพบข้อผิดพลาด HTTP 403 ที่มีลักษณะดังนี้:

1403 PERMISSION_DENIED: Access to this model requires data sharing to be enabled for publisher 'anthropic'. Please set `PublisherModelConfig.data_sharing_enabled_provider`
2to 'anthropic' via the setPublisherModelConfig API to use this model.

เพื่อให้เข้าถึง Gemini 3.8 Flash ได้ ตรวจสอบให้แน่ใจว่าคุณเห็นมันอยู่ในสถานะ Enabled บน Model Card แล้วมันควรจะทำงานได้เลย:

1curl -X POST \
2  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
3  -H "Content-Type: application/json; charset=utf-8" \
4  -d '{"contents": [{"role": "user", "parts": [{"text": "Hello world"}]}],"generationConfig": {"thinkingConfig": {"thinkingLevel": "LOW"}}}' \
5"${ENDPOINT}/v1beta1/projects/${PROJECT_ID}/locations/${LOCATION}/publishers/google/models/gemini-3.8-flash:streamGenerateContent"

… ฟู่หืด เราทำสำเร็จแล้ว 🎉!

ต้องการ Quota เพิ่มเติมไหม? คุณสามารถ จัดการ Quotas สำหรับโมเดลใดๆ และชำระเงินสำหรับ Provisioned Throughput สำหรับบางโมเดล

2. อย่าเชื่อ Benchmark จงรันของคุณเอง

หากคุณถามวิศวกรห้าคนว่าควรใช้โมเดลไหนสำหรับการตั้งค่าเอเจนต์ คุณจะได้ความคิดเห็นที่ขัดแย้งกันมากกว่าห้าความเห็น โดยอิงจากบรรยากาศบน Twitter และ Synthetic Leaderboards

Public Benchmarks เป็นทรัพยากรที่ยอดเยี่ยม แต่มันทดสอบ Prompts ที่แยกส่วนหรืองานในสุญญากาศ กรณีการใช้งานจริง หรือ Agentic SDLC Agents ในเครื่องของคุณ ไม่เคยตรงกับ Public Benchmarks อย่างสมบูรณ์แบบ งานของคุณมีลักษณะแตกต่างจาก Benchmark ใดๆ ในปัจจุบัน

ดังนั้น คุณ อาจ สร้าง Benchmarks ของตัวเอง (Agent Ops and Evals FTW!) และทำให้เป็นอัตโนมัติในระดับใหญ่ หรือคุณสามารถทำ งานง่ายๆ ของตัวเองเปรียบเทียบกันโดยตรง ตราบใดที่คุณไม่เปลี่ยนไฟล์ในงานของคุณ คุณก็น่าจะโอเค และด้วยความพยายามน้อยมาก คุณจะได้ความรู้สึกต่องานเหล่านั้น

นี่คือตัวอย่างการใช้ promptfoo เพื่อสั่งให้ opencode ทำงานเดียวกัน 2 งานกับแต่ละโมเดล คุณอาจต้องเปลี่ยนคำอธิบายงานและตั้งค่าสภาพแวดล้อมของคุณเพื่อให้สิ่งนี้ทำงานได้ แต่มันไม่ควรจะยากเกินไป

GIF

1# opencode.json
2{
3  "$schema": "https://opencode.ai/config.json",
4  "provider": {
5    "google-vertex": {
6      "options": { "project": "alanblount-demo", "location": "global" },
7      "models": {
8        "gemini-3.8-flash": { "id": "gemini-3.8-flash", "name": "Gemini 3.8 Flash" }
9      }
10    },
11    "google-vertex-anthropic": {
12      "options": { "project": "alanblount-demo", "location": "global" },
13      "models": {
14        "claude-fable-5-1": { "id": "claude-fable-5-1", "name": "Claude Fable 5.1" }
15      }
16    }
17  },
18...

กำหนดค่า Promptfoo เพื่อเปรียบเทียบการดำเนินงานของ OpenCode Agentic Tasks ไม่ใช่แค่ Single Prompts และ Models

1# promptfooconfig.yaml
2description: "Benchmarking OpenCode Agent Harness: Gemini 3.8 Flash vs. Claude Fable 5.1"
3
4prompts:
5  - "Summarize git branch status in one sentence."
6  - "Design a zero-downtime database migration strategy from Postgres to Spanner."
7
8providers:
9  - id: "exec:opencode run --auto -m google-vertex/gemini-3.8-flash"
10    label: "Gemini 3.8 Flash (OpenCode Agent)"
11  - id: "exec:opencode run --auto -m google-vertex-anthropic/claude-fable-5-1"
12    label: "Claude Fable 5.1 (OpenCode Agent)"
13
14defaultTest:
15  options:
16    timeoutMs: 60000

รันการเปรียบเทียบ Side-by-Side ของคุณเองโดยใช้ Promptfoo:

promptfoo eval -c promptfooconfig.yaml --no-cache

นี่คือผลลัพธ์ของผมจากการรันการประเมินผลนี้ใน Cleanroom Dev Container:

เมื่อตรวจสอบ PR Branch, Claude Fable 5.1 ดำเนินการ Meta-reflection หลายรอบ โดยตรวจสอบ Tree Hashes ที่ไม่ได้เปลี่ยนแปลงใหม่ มันใช้เวลาเกือบ 6 วินาทีและมีค่าใช้จ่ายสูงกว่า 23 เท่า ส่วน Gemini 3.8 Flash รับรู้เจตนาทันที เรียกใช้เครื่องมือ Git และตอบกลับภายใน 1.1 วินาทีด้วยต้นทุนไม่ถึงหนึ่งในสิบเซนต์

สำหรับการย้ายฐานข้อมูลที่ซับซ้อน ภาพกลับด้านกัน Gemini 3.8 Flash สร้างลำดับเชิงเส้นที่สะอาดและดีเยี่ยมภายใน 3 วินาที แต่ Fable 5.1 ใช้เวลา 12 วินาทีในการสร้าง Directed Acyclic Graph (DAG) ที่เป็นทางการและสมบูรณ์ มันระบุความเสี่ยงจาก Clock Skew ในการเขียนสองทาง สร้างข้อกำหนด Idempotency Key และกำหนด Rollback Gate ที่สามารถย้อนกลับได้

นี่เป็นเพียงตัวอย่างประกอบหนึ่งเท่านั้น คุณควรเปรียบเทียบด้วยงานของคุณเอง

3. การใช้งานจริงในชีวิตประจำวันและ Production

ไม่ว่าคุณจะใช้อุปกรณ์ Coding สำเร็จรูปหรือสร้างบริการเอเจนต์แบบกำหนดเอง รูปแบบที่ชนะคือการประสานงานแบบอสมมาตร (Asymmetric Coordination): ความเร็วราคาถูกสำหรับการปฏิบัติงานแนวหน้า จับคู่กับความลึกที่จงใจสำหรับจุดตรวจสอบสถาปัตยกรรม ใช้โทเคนที่แพงสำหรับปัญหาที่ยากหรืองานวางแผน แต่ใช้โทเคนที่ถูกกว่าเป็นค่าเริ่มต้นสำหรับงานที่ง่ายกว่า

Coding Agent Harnesses (OpenCode, Aider ฯลฯ)

อย่าบังคับให้โมเดลเดียวเป็นค่าเริ่มต้นสากลของคุณ กำหนดค่า Subagents เฉพาะทางที่จับคู่กับโมเดลที่แตกต่างกัน การใช้ Unified Provider ชุดเดียวกันมาพร้อมกับประโยชน์ด้านความปลอดภัยและต้นทุน การใช้ตระกูลโมเดลที่แตกต่างกันอาจมีประโยชน์ในการตรวจสอบซึ่งกันและกัน

ใช้เอเจนต์นักคิดลึก (Deep Thinker) เพื่อระบุสาเหตุรากเหง้าและวางแผนวิธีแก้ปัญหาสำหรับปัญหานี้ จากนั้นใช้เอเจนต์คนงาน (Worker) เพื่อดำเนินการตามงานแต่ละรายการและรายงานสถานะ นักวางแผนลึกจะตรวจสอบผลงานของพวกเขาและยืนยันความสำเร็จหรือมอบหมายงานใหม่

1# opencode.json
2{
3  "$schema": "https://opencode.ai/config.json",
4  "model": "google-vertex/gemini-flash-latest",
5  "agent": {
6    "plan": {
7      "model": "google-vertex/gemini-flash-latest"
8    },
9    "build": {
10      "model": "google-vertex/gemini-flash-latest"
11    },
12    "worker": {
13      "model": "google-vertex/gemini-3.8-flash",
14      "mode": "primary",
15      "description": "General worker agent using gemini-3.8-flash"
16    },
17    "deep-thinker": {
18      "model": "google-vertex-anthropic/claude-fable-5-1@default",
19      "mode": "primary",
20      "description": "Deep thinking agent using Claude Fable 5.1"
21    }
22  },
23...

Custom Agents "as a Service" (Google ADK, LangGraph, โค้ดที่กำหนดเอง ฯลฯ)

เมื่อคุณสร้าง Agent Harnesses ของตัวเองและบริการเอเจนต์ของตัวเอง คุณมีอิสระทางสถาปัตยกรรมอย่างเต็มที่

• ปรับแต่ง Harness ให้เหมาะกับโมเดล: ให้ Gemini 3.8 Flash มีเครื่องมือเฉพาะทาง 3 ถึง 5 ชิ้น (read_file, write_file, run_tests) พร้อม JSON Schemas ที่เข้มงวด โมเดลเร็วเก่งเรื่องการปฏิบัติงานที่เน้นเฉพาะ แต่ Catalog เครื่องมือ 50 ชิ้นทำให้เกิดความสับสนในพารามิเตอร์และการสูญเสีย Context อย่างเปล่าประโยชน์ ให้เอกสารสถาปัตยกรรม Schema และแนวทางปฏิบัติแก่ Claude Fable 5.1 แต่ตัดสิทธิ์การเขียนไฟล์โดยตรงออก
• ยึดมั่นใน Evals: อย่าเดาว่าโมเดลไหนเหมาะโหนดไหน รันชุดการประเมินผลอัตโนมัติด้วยการตรวจสอบแบบ Deterministic Assertion Checks บนงานใน Repo ของคุณ เพื่อค้นหาจุดที่โมเดลขนาดเล็กส่งมอบคุณภาพ 95% ด้วยต้นทุน 10% สิ่งนี้พูดง่ายแต่ทำยาก เพราะยากที่จะรู้ว่าสถานการณ์ใดที่คุณต้องการประเมินผล ลองดูคอร์ส Kaggle 5 วันของเรา (agents, videcoding) สำหรับข้อมูลเพิ่มเติม
• ใช้รูปแบบการยกระดับ "Ask for Help": เริ่มคำขอขาเข้าทุกชิ้นด้วย Worker แบบเร็ว ให้ Worker มีเครื่องมือชัดเจน: ask_for_help(reason, failed_attempts, context) Worker จะจัดการคำขอ 85% ถึง 90% ได้โดยตรง มันจะยกระดับเฉพาะเมื่อมีความคลุมเครือ การกระทำที่ไม่สามารถย้อนกลับได้ หรือความล้มเหลวของเครื่องมือติดต่อกันสองครั้ง

การตรวจสอบความจริงเกี่ยวกับ Smart Model Routers อัตโนมัติ

Smart Routers มีประวัติยาวนานใน Predictive ML (Ad Tech, Fraud Detection) Multi-armed Bandits และ Cost-Quality Routers เติบโตเต็มที่เพราะฟีเจอร์เป็นตาราง ข้อมูลนำเข้ามีขอบเขตจำกัด และ Feedback (Clicks, Chargebacks) เป็นทั้งแบบทันทีและวัดผลได้ในระยะยาว

ใน Generative AI, Multi-turn Agents เป็นอีกเรื่องราวหนึ่ง Dynamic Routers อาจดิ้นรนกับความเป็นจริงใน Production สามประการ:

• Context ของ Turn เดียวอาจไม่มีสัญญาณเพียงพอเกี่ยวกับงาน เพื่อใช้ในการตัดสินใจ
• ตัวชี้วัดความสำเร็จไม่ได้ถูก Extrapolate ไปยังฟีเจอร์อย่างชัดเจน ดังนั้น Router จึงไม่สามารถ "เรียนรู้" ได้อย่างรวดเร็ว
• ตัวเลือกที่ผิดจะถูก Run ใหม่ในอีกเส้นทางหนึ่ง ทำให้กินส่วนประหยัดที่อาจเกิดขึ้นและเพิ่ม Latency

คำตัดสิน: ทำให้เรียบง่ายที่สุด ประกอบเอเจนต์ของคุณอย่างชัดเจนและกำหนดเส้นทางตามขอบเขตงาน กำหนดบทบาทที่ชัดเจน และปล่อยให้ Code Assertions ที่เป็นรูปธรรมหรือเจตนาของมนุษย์ควบคุมการส่งต่อ

4. สมการ Token ROI: คุณกำลังจ่ายเพื่ออะไรจริงๆ?

แผ่นราคาดิบ ($/1M Tokens) ไม่ใช่แผนที่ที่ดีสำหรับคุณค่าใน Production การคำนวณต้นทุนเป็นเพียงส่วนหนึ่งของสมการ มันเป็นไปไม่ได้ที่จะให้การคำนวณที่ใช้ได้เสมอไป สำหรับ Coding, Product, Manufacturing และ Job-to-be-done อื่นๆ ทั้งหมด

จุดเริ่มต้นอาจเป็นการคิดถึงคุณค่าทางธุรกิจที่คุณได้รับ

• ต้นทุนของเวลาที่มนุษย์ประหยัดได้ พนักงานทำงานเสร็จมากขึ้น และใช้เวลาน้อยลงกับงานซ้ำซากและงานอัตโนมัติ
• คุณค่าของการส่งฟีเจอร์สู่ Production ได้เร็วขึ้น ในขณะที่เพิ่มความพึงพอใจและความผูกพันของลูกค้าเนื่องจากฟีเจอร์เหล่านั้น
• ข้อผิดพลาดที่บรรเทาเบาบางลงและเหตุการณ์หยุดชะงักของ Production ที่หลีกเลี่ยงได้เนื่องจากการปรับปรุง Safeguards และแนวปฏิบัติทางวิศวกรรม

หักลบต้นทุนโทเคน และต้นทุนในการ Up-skilling ทีมของคุณเพื่อสร้างและจัดการเอเจนต์ของพวกเขา แล้วคุณจะได้การคำนวณ ROI โดยประมาณ

คุณสามารถมีอิทธิพลต่อการคำนวณเหล่านี้โดยใช้โทเคนน้อยลงและถูกลง แต่คุณอาจมีอิทธิพลต่อมันมากที่สุดโดยการส่งมอบงานได้มากขึ้นและเร็วขึ้น เลือกงานที่มี Leverage สูง เลือกงานที่ส่งผลให้เกิดการประหยัด Overhead หรือเพิ่มรายได้ ซึ่งสามารถตรวจสอบได้ และคุ้มค่าที่จะทำให้อัตโนมัติ และเมื่อคุณแยกย่อยงานเหล่านั้น บางทีคุณอาจต้องการคิดอย่างลึกซึ้ง วางแผน และยินดีที่จะจ่ายมากขึ้นและรอคอย หรือบางทีคุณอาจต้องการปฏิบัติงานอย่างรวดเร็วและเชื่อถือได้ คุณต้องการทั้งสองอย่าง

Tokenomics เป็นหัวข้อร้อนในปัจจุบัน และมีตัวเลือกมากมายในการลดต้นทุนและเพิ่มมูลค่า ประเด็นหลักของบทความนี้คือ มันง่ายมากที่จะตั้งค่าเอเจนต์หลายตัวบนโมเดล 2 ตัวที่มีโปรไฟล์แตกต่างกันและกำหนดเส้นทางงานด้วยตัวเอง นั่นคือจุดเริ่มต้นที่ง่ายที่สุด

หากคุณพบว่าบทวิเคราะห์นี้มีประโยชน์ ลองดูบทความก่อนหน้าของเราเรื่อง 5 สิ่งที่วิศวกร AI ทุกคนควรรู้เกี่ยวกับ Agent Sandboxes ติดตาม @GoogleCloudTech และ @zeroasterisk สำหรับเนื้อหาเจาะลึกเพิ่มเติมจากสนามรบของผู้พัฒนา