สามสัปดาห์ที่แล้ว ผมเขียนแนะนำ Kimi K2.6 และบอกว่ามันคือโมเดลที่คนส่วนใหญ่ยังมองข้ามอยู่
บทความนั้นออกไป ผู้คนลองใช้ ครึ่งหนึ่งกลับมาถามคำถามเดียวกัน
"โอเค แต่ฉันจะใช้สิ่งนี้ทำงานจริง ๆ ได้ยังไง?"
นี่คือคำตอบ ลึกกว่าบทนำ มีพื้นผิวน้อยลง มีกลยุทธ์มากขึ้น
ฟีเจอร์ใหม่ สี่โหมดที่โอเปอเรเตอร์ส่วนใหญ่ไม่รู้ว่ามีอยู่ พร้อมท์ให้คัดลอกและทดสอบวันนี้ และกรณีการใช้งานที่ยังไม่มีใครเขียนถึง
ถ้าคุณอ่านบทความแรก นี่คือภาคต่อที่คุณต้องการ ถ้าคุณยังไม่ได้อ่าน คุณจะตามทันเร็ว ๆ นี้
ข้อมูลสรุปฉบับย่อ...
Kimi K2.6 คือโมเดลโอเพนซอร์สของ Moonshot AI เปิดตัวเมื่อวันที่ 20 เมษายน 2026 ใช้งานฟรี และราคาประมาณ $0.55-0.80 ต่อล้านโทเคนอินพุตผ่าน API ซึ่งถูกกว่า Claude ประมาณ 7-10 เท่า สำหรับงานเดียวกัน ขึ้นอยู่กับปริมาณเอาต์พุต
ไฮไลท์ทางเทคนิคคือซับเอเยนต์ 300 ตัวที่ประสานงานกัน 4,000 ขั้นตอนพร้อมกัน
นั่นคือ Agent Swarm หนึ่งพร้อมท์ -> เอเยนต์หลายร้อยตัวทำงานพร้อมกัน ตัวประสานงานหนึ่งตัวรวมผลลัพธ์
ตัวเลขไฮไลท์นั้นคือจุดที่บทความส่วนใหญ่หยุด เรื่องจริงคือเหตุผลที่สถาปัตยกรรมนี้มีอยู่ตั้งแต่แรก
ทำไม Single-Agent AI ถึงชนเพดานโครงสร้าง
นี่คือกรอบความคิดของ Moonshot ไม่ใช่ของผม และมันทรงพลังกว่าบทแนะนำใด ๆ
ตลอดสามปีที่ผ่านมา อุตสาหกรรม AI ปรับปรุงค้อนให้ดีขึ้นเรื่อย ๆ การอนุมานที่เร็วขึ้น บริบทที่ยาวขึ้น โทเคนที่ถูกลง ทุกการเปิดตัวเกี่ยวกับการทำให้เครื่องมือดีขึ้นเล็กน้อย
ปัญหาคือช่างไม้ยังคงมีสองมือและยี่สิบสี่ชั่วโมงในหนึ่งวัน ค้อนที่ดีกว่าไม่ได้ช่วยอะไรถ้าคอขวดไม่เคยเป็นที่ค้อน
นี่คือส่วนที่คนส่วนใหญ่ข้ามไป ถามเครื่องมือวิจัยเชิงลึกแบบ single-agent ให้สำรวจบริษัทเป็นร้อยหรือสังเคราะห์เอกสารหลายสิบชิ้น
เมื่องานดำเนินต่อไป หน้าต่างบริบทจะเต็ม ระบบจะถอยกลับไปใช้การพับประวัติหรือการสรุปเพื่อให้มีที่ว่างสำหรับโทเคนใหม่
การบีบอัดนั้นสูญเสียข้อมูล และทุกขั้นตอนการใช้เหตุผลที่ตามมาจะแย่ลง
นี่ไม่ใช่ข้อบกพร่องหรือข้อจำกัดชั่วคราว มันคือเพดานโครงสร้างที่กำหนดโดยโมเดลการดำเนินการแบบ sequential แบบ single-agent เอง คุณไม่สามารถแก้ไขได้ด้วยโมเดลที่ฉลาดขึ้น คุณสามารถแก้ไขได้โดยการละทิ้งสถาปัตยกรรมนั้นเท่านั้น
นั่นคือสิ่งที่ Agent Swarm เป็น ไม่ใช่ single-agent ที่ดีกว่า แต่เป็นการสร้างโรงงานใหม่ทั้งหมด
K2.5 มีซับเอเยนต์ 100 ตัว และขั้นตอนที่ประสานงาน 1,500 ขั้นตอน K2.6 มีซับเอเยนต์ 300 ตัว และ 4,000 ขั้นตอน
ผลลัพธ์ในโลกจริงสำหรับงานระยะยาวให้ประสิทธิภาพที่เร็วกว่าเอเยนต์ sequential ถึง 4.5 เท่า สำหรับงานเดียวกัน โดยมีคุณภาพสุดท้ายสูงกว่า เพราะ swarm หลีกเลี่ยงการล่มสลายของบริบทที่ทำลาย single-agent ได้อย่างมีโครงสร้าง
ตัวเลขไฮไลท์เป็นจริง และเหตุผลที่มันสำคัญคือคอขวดได้ขยับไปแล้ว
Agent Swarm คือองค์กรที่ออกแบบตัวเอง
ประโยคจากโพสต์วิจัยของ Moonshot ที่แทบไม่มีใครอ้างถึง:
"นี่ไม่ใช่เรื่องราวของ AI เอเยนต์หลายตัวที่ทำงานร่วมกัน สิ่งที่เรากำลังสร้างคือโครงสร้างองค์กรที่มีเจ้านาย พนักงาน และการแบ่งงาน ยกเว้นว่าองค์กรนี้ไม่ได้ถูกออกแบบโดยมนุษย์ มันออกแบบตัวเอง"
เมื่อคุณกำหนดเป้าหมายให้ Agent Swarm คุณไม่ได้สั่งผู้ช่วย คุณกำลังจ้าง CEO CEO นั้นจะหานักวิจัย นักวิเคราะห์ ผู้ตรวจสอบข้อเท็จจริงทั้งหมดด้วยตัวเอง
คุณไม่ต้องบริหารจัดการรายละเอียด คุณไม่ต้องเลือกทีม คุณกำหนดผลงานที่ส่งมอบ และ swarm จะสร้างองค์กรที่จำเป็นเพื่อส่งมอบมัน
🚨 โอเค นี่คือสิ่งที่ Agent Swarm ให้ผมเป็นคำตอบสำหรับคำถามง่าย ๆ "แสดงให้ฉันดูว่าคุณทำอะไรได้บ้าง"
การจัดระเบียบตัวเองนั้นคือการปลดล็อคที่แท้จริง ทุกระบบ "multi-agent" อื่นในตลาดคือ LLM A เรียก LLM B ในลูปคงที่ที่คุณต้องออกแบบ
swarm ของ Kimi สร้างผังองค์กรใหม่ทุกครั้ง ตามขนาดของงานที่อยู่ตรงหน้า
วิธีการทำงานของ Swarm จริง ๆ
มีห้าสิ่งที่เกิดขึ้นภายใต้ฝาครอบเมื่อคุณส่งงานประเภท swarm
การแยกย่อย ตัวประสานงานจะแบ่งเป้าหมายของคุณออกเป็นงานย่อยที่เชี่ยวชาญเฉพาะด้าน งานวิจัยไปยังเอเยนต์วิจัย การสังเคราะห์ไปยังเอเยนต์สังเคราะห์ การเขียนไปยังเอเยนต์เขียน
การจับคู่เอเยนต์ งานย่อยแต่ละงานจะถูกส่งไปยังซับเอเยนต์ที่เหมาะสมที่สุดตามทักษะและเครื่องมือ การกำหนดเส้นทางนี้คือสาเหตุที่ K2.6 ทำคะแนน 86.3% บน BrowseComp ในโหมด Swarm เทียบกับ 78.4% ของ K2.5 คนงานเท่าเดิม การจัดส่งที่ชาญฉลาดกว่า
การดำเนินการแบบขนาน ซับเอเยนต์ทั้งหมดทำงานพร้อมกันโดยมีหน้าต่างบริบทของตัวเอง ซึ่งเป็นการกำจัดปัญหาการล่มสลายของบริบทที่ทำลายการทำงานแบบ single-agent
การกู้คืนจากความล้มเหลว เมื่อซับเอเยนต์หยุดทำงาน ตัวประสานงานจะเปลี่ยนเส้นทางและกำหนดใหม่ swarm รักษาตัวเองระหว่างการทำงาน
การสังเคราะห์ ผลลัพธ์รวมกันเป็นผลงานที่สอดคล้องกันชิ้นเดียว โดยข้อขัดแย้งได้รับการแก้ไข
มีสิ่งที่หกที่ไม่มีใครพูดถึง: ความขัดแย้งเชิงโครงสร้าง เอเยนต์อิสระย่อมได้ข้อสรุปที่แตกต่างกันสำหรับคำถามที่ทับซ้อนกัน ตัวประสานงานบังคับให้มีการประนีประนอม และนั่นหลีกเลี่ยงการคิดตามกลุ่มได้อย่างมีโครงสร้าง นี่คือสาเหตุที่ผลลัพธ์ของ swarm มักจะคมชัดกว่าสิ่งที่โมเดลเดียวผลิต
ตัวอย่างของ Moonshot ที่พิสูจน์: swarm ดึงบทความของ Paul Graham กว่า 200 ชิ้นที่กระจายอยู่ตามเว็บไซต์ส่วนตัวและคลังข้อมูลมาใส่ในโฟลเดอร์ 6 โฟลเดอร์ตามหัวข้อ พร้อมรายงานสรุปสมบูรณ์ เพียงหนึ่งพร้อมท์
อีกการทำงานพบผู้สร้าง 3 อันดับแรกในโดเมน YouTube เฉพาะทาง 100 โดเมน โดยกำหนดเฉพาะทางแต่ละโดเมนด้วยตัวเอง ก่อนส่งซับเอเยนต์ขนาน 100 ตัว
รูปแบบเหมือนกันทั้งสองกรณี: ภูเขาสิ่งของที่ต้องค้นหาหรือประมวลผล โดยแต่ละรายการเป็นอิสระต่อกัน นั่นคือจุดที่เหมาะสมที่สุด สำหรับงานตามลำดับที่ขั้นตอน N ขึ้นอยู่กับขั้นตอน N-1 ให้ใช้โหมด single-agent ต่อไป
วิธีการทำงานของ swarm จริง ๆ สี่แบบ Instant สำหรับการค้นหาด่วน Thinking สำหรับการวิเคราะห์และโค้ดที่ซับซ้อน Agent สำหรับงานอัตโนมัติขนาดกลาง เช่น รายงาน 10 หน้า Agent Swarm เฉพาะเมื่องานสามารถทำแบบขนานได้จริง โอเปอเรเตอร์ส่วนใหญ่ใช้ Swarm เป็นค่าเริ่มต้นและจ่ายค่าความขนานที่พวกเขาไม่เคยใช้ จับคู่โหมดกับขนาดงาน
สามฟีเจอร์ที่ถูกใช้น้อยและสิ่งที่ควรสร้างด้วยมัน
เรียกใช้ /plan ก่อน /swarm แทบไม่มีใครสอนเรื่องนี้
/plan แสดงให้คุณเห็นว่า Kimi จะแยกย่อยงานของคุณเป็นซับเอเยนต์และขั้นตอนอย่างไรก่อนที่จะเริ่มทำงานใด ๆ
คุณเห็นแผน ปรับเปลี่ยนถ้าเอเยนต์ผิด แล้วยืนยัน
ไม่เสียค่าใช้จ่ายอะไร swarm 200 เอเยนต์ที่แยกย่อยผิดต้องเสียเงินจริง
Document to Skills: อัปโหลดผลงานที่ดีที่สุดของคุณ รายงานที่ polished แลนดิ้งเพจ เด็คที่ปิดดีลได้ Kimi จะจับลายนิ้วมือเชิงโครงสร้างและโวหารเป็นสกิลที่นำกลับมาใช้ใหม่ได้ ซึ่งทุก swarm ในอนาคตจะนำไปใช้โดยอัตโนมัติ อยู่ในเมนู แทบไม่มีใครใช้
Coding-driven design: พร้อมท์เดียวกัน ผลลัพธ์ต่างกันสองแบบ Claude จะใช้เทมเพลตเลย์เอาต์ที่สะอาดตาตามค่าเริ่มต้น Kimi มอง UI เป็นปัญหาเรื่องโค้ดก่อน จับคู่กับ MoonVIT encoder และสร้างเลย์เอาต์บรรณาธิการที่ให้ความรู้สึกตั้งใจออกแบบ
พร้อมท์ทั้งสองด้วย "design a landing page for The J Hotel" Claude จะคืนแบบฟอร์มจองตรงกลางบนสีน้ำเงินเข้มพร้อมลวดลายสีทอง ดูเหมือนหน้าโรงแรม AI ทั่วไป
Kimi จะคืนเลย์เอาต์บรรณาธิการชิดซ้ายพร้อมรูปฮีโร่อบอุ่น "Book a Stay" ลอยอยู่บนภาพ ตัวพิมพ์ให้ความรู้สึกว่าได้รับการออกแบบ
ถ้าคุณส่งมอบงาน front-end ในปริมาณมาก ให้เปลี่ยนมาใช้ Kimi สำหรับส่วนนั้นของเวิร์กโฟลว์
หกสิ่งที่ควรสร้างวันนี้:
กลยุทธ์การเข้าสู่ตลาดแบบหลายเฟสที่สร้าง PDF, Excel และ PowerPoint ในรันเดียว
การเจาะลึกเชิงวิชาการเชิงเปรียบเทียบที่ดึงเอกสารที่เกี่ยวข้อง 24 เดือนมาวิเคราะห์ 40 หน้า
แดชบอร์ดการเงินจาก CSV ดิบพร้อมการรวมข้อมูลมหภาค
การตรวจสอบคลังเนื้อหาที่เขียนบทความเก่า 50 ชิ้นใหม่ด้วยลายนิ้วมือที่สอดคล้องกัน
การติดต่อในระดับ 300 ผู้มีโอกาสเป็นลูกค้า แทนที่จะเป็น 30 รายตามลำดับ
การรีแฟกเตอร์โค้ดระยะยาวที่แยกโค้ดเบสเก่า 50,000 บรรทัดตามโมดูล ทำงานอัตโนมัติเป็นเวลา 24-36 ชั่วโมง
สามพร้อมท์จริงให้ทดสอบวันนี้:
เหล่านี้เป็นระดับโอเปอเรเตอร์ การล็อกขอบเขต กฎแหล่งที่มา การจัดการข้อผิดพลาด และเงื่อนไขขีดจำกัด ไม่ใช่พร้อมท์ทั่วไปที่ท่วมไทม์ไลน์
ทดสอบ 1: Agent Swarm การวิจัยขนาน
สลับ Kimi เป็นโหมด Agent Swarm แล้ววางสิ่งนี้
สิ่งที่คุณควรเห็น: swarm แบ่งงานวิจัยข้ามเอเยนต์หลายตัว แต่ละตัวดึงข้อมูลจากแหล่งต่าง ๆ แบบขนาน แล้วรวมเป็นผลงานเดียวที่สะอาด จับเวลามันเทียบกับการทำด้วยตนเอง
ทดสอบ 2: Document to Skills
หาผลงานมืออาชีพที่ดีที่สุดของคุณ รายงาน ข้อเสนอ เด็ค อะไรก็ตามที่คุณภูมิใจ อัปโหลดมันแล้ววางสิ่งนี้
สิ่งที่คุณควรเห็น: เอกสารใหม่ในหัวข้อที่แตกต่างอย่างสิ้นเชิงที่ให้ความรู้สึกเหมือนผู้เขียนคนเดียวกันเขียน นี่คือการปลดล็อคสำหรับการผลิตผลงานพรีเมียมในปริมาณมาก
ทดสอบ 3: โหมดวางแผนสำหรับการตรวจสอบ swarm
ก่อนการรัน swarm ที่มีค่าใช้จ่ายสูง ให้ทดสอบการแยกย่อย
สิ่งที่คุณควรเห็น: Kimi วางแผนว่าจะโจมตีงานอย่างไรก่อนที่จะยืนยัน ประกันที่ถูกที่สุดที่คุณสามารถซื้อได้ก่อนจะเปิดใช้งาน swarm 200 เอเยนต์
และหนึ่งในส่วนที่สำคัญที่สุด | ภาพต้นทุน สุจริต
ตัวเลขคร่าว ๆ เพื่อให้คุณปรับเทียบ:
ฟรีบน kimi ให้คุณใช้โหมด Instant และ Thinking ได้ทันที Agent และ Agent Swarm ต้องใช้แผน Allegretto ถึงจะตรงไปตรงมาผมว่า มันคุ้มค่า
ราคา API อยู่ที่ประมาณ $0.55-0.80 ต่อล้านโทเคนอินพุต และ $2.65-3.60 ต่อล้านโทเคนเอาต์พุต ขึ้นอยู่กับ endpoint และการกำหนดเส้นทาง
ถูกกว่า Claude Opus ประมาณ 7-10 เท่าสำหรับปริมาณงานเดียวกัน
การรันวิจัย 100 เอเยนต์ที่ผลิตรายงาน 40 หน้าพร้อมการอ้างอิงและชุดข้อมูลที่มีโครงสร้าง มักใช้โทเคนมูลค่า $2-6
งานเดียวกันผ่าน Claude Code ด้วยการประสานงานด้วยตนเองมีค่าใช้จ่าย $30-80 และใช้เวลานานกว่าสามเท่า
การโฮสต์เองฟรีถ้าคุณมีฮาร์ดแวร์ น้ำหนักอยู่บน Hugging Face ภายใต้ Modified MIT License
- Leo
