Microsoft อัปเดต Agent Framework ที่ Build 2026 — 'Agent Harness' สำเร็จรูป, Hosted Agents บน Foundry และ CodeAct ที่ลดเวลา/token ลงกว่าครึ่ง
ในงาน Microsoft Build 2026 ทีม Microsoft Agent Framework (MAF) ประกาศชุดความสามารถใหม่ก้อนใหญ่ผ่าน Microsoft Dev Blogs เมื่อวันที่ 3 มิถุนายน 2026 — MAF คือ SDK และ runtime แบบโอเพนซอร์สสำหรับสร้าง AI agent และ multi-agent workflow ที่ใช้แนวคิดและ API เดียวกันทั้งบน .NET และ Python ทั้งหมดต่อยอดจากการที่ MAF ขึ้นเวอร์ชัน 1.0 GA เมื่อ 2 เมษายน 2026 ซึ่งหลอมรวม AutoGen กับ Semantic Kernel เข้ามาเป็นแพลตฟอร์มเดียวที่ Microsoft รองรับอย่างเป็นทางการ
ของใหม่รอบนี้มีสามชิ้นหลักที่น่าจับตา คือ Agent Harness, Foundry Hosted Agents และ CodeAct รวมถึงฟีเจอร์ที่จบ preview ขึ้น 1.0 อีกหลายตัว
Agent Harness — pattern ระดับ production แถมมาให้ในตัว
จุดที่นักพัฒนา agent มักเจ็บปวดคือ “ชั้นกลาง” ระหว่างการให้เหตุผลของโมเดลกับการลงมือทำจริง เช่น การเข้าถึง shell/filesystem, flow ขออนุมัติจากมนุษย์ (human-in-the-loop) และการจัดการ context ในเซสชันยาว ๆ MAF ยกของพวกนี้ขึ้นมาเป็น first-class ในชื่อ Agent Harness เปลี่ยน chat client ธรรมดาให้เป็น agent เต็มรูปแบบได้ด้วยเมธอดเดียว
ในตัว harness มาพร้อมของสำเร็จหลายอย่าง: context compaction อัตโนมัติ ที่คอยบีบอัดประวัติแชตกลางลูปกัน context ล้นระหว่างเรียก tool ต่อกันยาว ๆ, ชุด provider อย่าง FileMemoryProvider (จำข้ามเทิร์น), TodoProvider (ติดตามงานหลายขั้น), AgentModeProvider (แยกโหมด “วางแผน” กับ “ลงมือ”), AgentSkillsProvider (ค้นและเรียกใช้ skill จากไฟล์ระบบแบบ modular), BackgroundAgentsProvider (กระจายงานย่อยให้ agent ลูกทำขนาน) และ middleware อย่าง ToolApprovalAgent กับ OpenTelemetry tracing แบบติดมาเลย — สังเกตว่าแนวคิดเหล่านี้ (skill, subagent, todo, plan/execute) เริ่มกลายเป็น “มาตรฐานกลาง” ที่ทุกค่ายลอกแบบกันแล้ว
Foundry Hosted Agents และ CodeAct
เมื่อ agent รันบนเครื่องได้แล้ว คำถามถัดไปคือ deploy/monitor/version อย่างไร Hosted Agents ใน Foundry Agent Service คือคำตอบ — แพ็กโค้ดเป็น container แล้ว deploy บน infra ที่ Foundry จัดการให้ พร้อม identity, auto-scaling, managed session state และ observability จุดเด่นคือ scale-to-zero (ไม่มีงานก็ไม่จ่าย แล้วค่อยปลุกขึ้นมาเมื่อมี request), resume แบบ filesystem ครบ (ไฟล์และ state ค้างไว้ข้ามการ scale-to-zero), และ per-session isolation ที่แต่ละเซสชันได้ sandbox แยก VM ของตัวเอง โดยแปลง agent local เป็น hosted ใช้โค้ดเพิ่มแค่ไม่กี่บรรทัด
ส่วนที่น่าตื่นเต้นสุดในมุมประสิทธิภาพคือ CodeAct — แทนที่ agent จะเลือก tool ทีละตัว รอผล แล้วเลือกตัวถัดไป (ซึ่งแต่ละขั้นคือ “model turn” หนึ่งครั้ง กินทั้งเวลาและ token) CodeAct ให้โมเดล เขียนโปรแกรม Python สั้น ๆ ที่เรียก tool ทั้งหมดในครั้งเดียว แล้วรันใน sandbox จบในรอบเดียว โค้ดที่โมเดลสร้างถูกรันใน micro-VM แบบ Hyperlight ที่แยกตัวต่อการเรียกหนึ่งครั้ง บนโหลดทดสอบแบบหลายขั้น (คำนวณยอดรวมข้าม user หลายสิบ tool call) ตัวเลขต่างกันชัด: เวลา ลดจาก 27.81 วินาที เหลือ 13.23 วินาที (เร็วขึ้น 52.4%) และ token ลดจาก 6,890 เหลือ 2,489 (ประหยัด 63.9%)
นอกจากนี้ยังมีของที่จบ preview ขึ้น 1.0 เช่น การเชื่อม GitHub Copilot SDK เป็น backend ของ MAF และ pattern Handoff orchestration สำหรับ multi-agent ที่ให้นักพัฒนากำหนด topology ส่วนการตัดสินใจส่งต่องานเป็นหน้าที่ของ agent เอง
มุมมอง AI Curator
สิ่งที่น่าสนใจที่สุดไม่ใช่ฟีเจอร์ตัวใดตัวหนึ่ง แต่คือ “การบรรจบกัน” ของแนวคิดข้ามค่าย — Agent Harness ของ Microsoft มี skill, subagent, todo, plan/execute และ shell execution ซึ่งแทบจะเป็นคำศัพท์ชุดเดียวกับ Claude Agent Skills และ agent framework ของฝั่ง Google ทั้งหมดนี้บอกว่าวงการ agent กำลังตกผลึกสู่ “สถาปัตยกรรมร่วม” ที่ใครก็ตามที่เคยสร้าง agent บนเฟรมเวิร์กหนึ่ง จะย้ายไปอีกเฟรมเวิร์กได้ไม่ยาก การแข่งขันจึงจะย้ายจาก “ใครมีฟีเจอร์” ไปเป็น “ใครรันถูกและเร็วกว่า” — ซึ่ง CodeAct กับ scale-to-zero คือหมัดในเลนนั้นโดยตรง
สำหรับทีมพัฒนาในไทยและ SEA ที่งบ compute จำกัด CodeAct น่าจะเป็นของที่ควรลองเร็ว ๆ — การลด token ลง 64% บน workflow ที่มี tool call เยอะ ๆ แปลงตรงเป็นบิลค่า API ที่ถูกลงครึ่งหนึ่ง ส่วน scale-to-zero ของ Foundry ก็เหมาะกับ agent ที่ traffic ไม่สม่ำเสมอ (เช่น bot ภายในองค์กรที่ใช้เป็นช่วง ๆ) เพราะจ่ายเฉพาะตอนทำงานจริง แต่ข้อควรระวังคืออย่าให้ “ของฟรีในเฟรมเวิร์ก” ลากเราเข้า lock-in กับ Foundry โดยไม่รู้ตัว — โชคดีที่ MAF เป็นโอเพนซอร์สและรองรับ MCP รวมถึง backend หลายตัว การออกแบบให้ย้ายค่ายได้ตั้งแต่วันแรกยังเป็นเกมที่คุ้มกว่าเสมอ
แหล่งข่าว:
อ่านเพิ่มในหมวด เครื่องมือนักพัฒนา
Betelgeuse รัน Qwen3.8 Flash Next ขนาด 68GB บน RTX 3060 กับแรม 16GB ส่วน Basalt วัดให้เห็นว่าเอนจินที่เร่งด้วยแฟล็กลัดทำให้โมเดลลืมของ
Betelgeuse ฟอร์ก llama.cpp ที่เปิดเมื่อ 31 ต.ค. ดึง expert จาก NVMe เข้า VRAM ตามต้องการ อ้าง 22 tok/s แบบไม่ทิ้ง expert แต่ README เตือนเองว่ายังทดลองและตัวเลขมาจากคนละรอบ วันเดียวกันผู้พัฒนา Basalt เผยผลวัดว่าแฟล็กเร่งความเร็วทำคุณภาพ Q8 ตกไปใกล้ Q2
กฎห้ามโคลนเกมของ Claude Code เริ่มกระทบงานจริง บริษัทรับทำเกมกระดานร้องงานลูกค้าหยุด แต่รายงานหลายชิ้นปนกับตัวกรองไซเบอร์คนละเรื่อง
ต่อจากที่เราพบกฎนี้ในไบนารี Claude Code ผู้ใช้เริ่มรายงานว่างานเชิงพาณิชย์ถูกปฏิเสธ และ Tom's Hardware กับ Mashable หยิบไปรายงาน แต่เมื่อไล่ issue ที่อ้างถึง พบว่าหลายรายการเกิดก่อนกฎจะมา จึงน่าจะเป็นตัวกรองด้านไซเบอร์ ส่วน Anthropic ยังไม่ชี้แจง
Claude Code ส่ง transcript ของ background agent ให้โมเดลทุก ~30 วินาทีเพื่อเขียนสถานะ 3–5 คำ ผู้วัดรายงานกินราว 16% และยังปิดแบบทางการไม่ได้
รายงานอิสระพบว่าฟีเจอร์ agent_summary ของ Claude Code ส่ง transcript เต็มของ background agent ไปถามสถานะทุก ~30 วินาที คิดเป็น 16.4% ของค่าใช้จ่ายในระบบของผู้วัด Issue เปิดมาตั้งแต่ ส.ค. ยังไม่มีสวิตช์ปิดที่รองรับ เราตรวจพบโค้ดนี้ใน 2.1.314 และพบกฎใหม่เรื่องเกมที่ไม่อยู่ใน changelog