LLM vs RAG vs Agentic AI vs MCP ต่างกันอย่างไร?
AI ไม่ได้มีแค่ LLM แต่ยังมี RAG, Agentic AI และ MCP ที่ทำงานร่วมกัน เพื่อให้ AI ไม่เพียงแค่ “ตอบคำถาม” แต่ยังสามารถ “ลงมือทำงาน” ได้จริง
1) LLM (Large Language Model)
เปรียบเสมือน สมองของ AI ทำหน้าที่เข้าใจภาษา ตอบคำถาม เขียนบทความ สรุปข้อมูล และสร้างโค้ด แต่ความรู้ของ LLM จะจำกัดอยู่ที่ข้อมูลที่ใช้ฝึก และไม่สามารถเข้าถึงข้อมูลภายในองค์กรได้โดยตรง
2) RAG (Retrieval-Augmented Generation)
ช่วยให้ AI สามารถค้นหาข้อมูลจากแหล่งภายนอก เช่น PDF, Word, Excel, Database หรือ Knowledge Base (ขององค์กร) ก่อนนำข้อมูลมาให้ LLM สร้างคำตอบ จึงตอบได้ถูกต้องและเป็นปัจจุบันมากขึ้น
3) Agentic AI
ไม่ได้แค่ตอบคำถาม แต่สามารถวางแผนและทำงานหลายขั้นตอนอัตโนมัติ เช่น วิเคราะห์ข้อมูล สร้างรายงาน ส่งอีเมล หรืออัปเดตระบบต่าง ๆ โดยไม่ต้องสั่งทีละขั้นตอน
4) MCP (Model Context Protocol)
คือ มาตรฐานกลางสำหรับเชื่อม AI เข้ากับไฟล์ ข้อมูล เครื่องมือ และบริการต่าง ๆ เช่น Google Drive, Slack, GitHub หรือ Database จึงถูกเรียกว่า “Universal Connector” หรือ “USB-C ของโลก AI”
ตัวอย่างการทำงานร่วมกัน
หากเราสั่งว่า
ช่วยสรุปรายงานยอดขายล่าสุด แล้วส่งให้ทีมผ่าน Slack
AI จะทำงานดังนี้
- LLM เข้าใจคำสั่ง
- RAG ค้นหารายงานที่เกี่ยวข้อง
- MCP เชื่อมต่อกับไฟล์และ Slack
- Agentic AI วิเคราะห์ สรุป และส่งรายงานให้โดยอัตโนมัติ
AI ในปัจจุบันจึงไม่ได้อาศัยเพียง LLM แต่เกิดจากการทำงานร่วมกันของทั้ง 4 เทคโนโลยี เพื่อให้ AI สามารถ คิด ค้นหา เชื่อมต่อ และลงมือทำงาน ได้เหมือนผู้ช่วยดิจิทัลตัวจริง
