Prime Intellect ปล่อย Prime Agent — coding harness โอเพนซอร์สที่แก้ prompt, skill และ sub-agent ของตัวเองระหว่างทำงาน เคลม ARC-AGI 3 ที่ 95.5% แซงเส้นมนุษย์ผู้เชี่ยวชาญ

เมื่อ 5 สิงหาคม 2026 Prime Intellect ปล่อย Prime Agent — coding harness โอเพนซอร์สที่เรียกตัวเองว่า “a self-improving coding harness” ประเด็นของมันไม่ใช่โมเดลใหม่ เพราะ Prime Agent ไม่มีโมเดลเป็นของตัวเอง มันคือชั้นที่ครอบโมเดลของคนอื่น (Claude Opus 5, GPT-5.6 Sol, GLM-5.2) แล้วอ้างว่าชั้นนี้เองต่างหากที่ยังมีที่ให้ปรับปรุงอีกเยอะ

นี่เป็นทิศทางที่ต่อยอดจากงาน Verifiers v1 ที่ทีมเดียวกันปล่อยเมื่อกลางกรกฎาคม — แต่คราวนี้ย้ายจากฝั่งเทรนมาอยู่ฝั่งที่นักพัฒนาใช้งานจริงบนเครื่องตัวเอง โค้ดอยู่ที่ PrimeIntellect-ai/prime-agent ภายใต้ MIT license และมีดาวราว 4.8k แล้ว

RLM: มองบริบทเป็นตัวแปร ไม่ใช่กองข้อความ

แนวคิดแรกคือ RLM (Recursive Language Model) harness ทั่วไปจัดการบริบทด้วยการยัดข้อความเข้า context window แล้วสรุปทิ้งเมื่อเต็ม Prime Agent เปลี่ยนวิธีคิด: มันรัน เคอร์เนล IPython แบบ persistent เป็น REPL แล้วให้โมเดล เขียนโปรแกรมเพื่อเข้าถึงประวัติของตัวเอง แทนที่จะต้องอ่านประวัติทั้งก้อน

ผลที่ตามมาคือ agent เรียก rlm(...) เพื่อแตก sub-agent ออกไปทำงานย่อยได้ เรียก tool ได้ และเข้าถึง trajectory ของตัวเองในฐานะข้อมูลที่ query ได้ — ไม่ใช่ข้อความที่ต้องแบกไว้ในหน้าต่างบริบท นี่คือเหตุผลที่ Prime Intellect เคลมว่าโมเดลเดียวกันทำงาน long-context ได้ดีขึ้นโดย ใช้โทเคนน้อยลง บนชุดทดสอบอย่าง OOLONG, LongBenchv2 และ ManyIH

Continual Harness: agent แก้ตัวเองด้วยคำสั่ง /refine

แนวคิดที่สองคือส่วนที่แปลกกว่า Continual Harness ให้ agent ทำ CRUD กับ prompt, skill, memory และ sub-agent ของตัวเอง โดยอิงจาก trajectory ที่เพิ่งรันไป — คือเรียนรู้แบบออนไลน์โดยไม่ต้องรีเซ็ตหรือเทรนใหม่

กลไกอยู่ที่ไปป์ไลน์ /refine ซึ่งอ่าน trajectory แล้วแก้แบบเจาะจง หลักการที่ทีมเขียนไว้คือแก้ “the smallest relevant CRUD edit” โดยอิงหลักฐานจากสิ่งที่สำเร็จหรือล้มเหลวจริง ไม่ใช่เขียน harness ใหม่ทั้งก้อน และ /refine แบ่งเป็นสองเฟส — วางแผนเบื้องหลัง แล้วค่อยลงมือแก้อย่างรวดเร็ว — เพื่อไม่ให้ขัดจังหวะงานที่กำลังทำอยู่

ฝั่งเครื่องมือมี TUI พร้อม daemon เบื้องหลังที่ถือ session ไว้แม้ตัดการเชื่อมต่อ, “Agents View” สำหรับสลับดูหลาย session และ autonomous mode ที่ปล่อยรันยาวโดยตั้ง gate และ งบโทเคน กำกับไว้ได้

ติดตั้งบน macOS หรือ Linux ด้วยบรรทัดเดียว แล้วสั่ง prime-agent ในโฟลเดอร์โปรเจกต์ ครั้งแรกต้อง /login เพื่อเลือก provider:

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

ตัวเลขที่เคลม และวิธีอ่านมัน

ตัวเลขที่ถูกพูดถึงมากที่สุดคือ ARC-AGI 3: Prime Agent เมื่อรันบน Claude Opus 5 ทำได้ 95.5% RHAE Best@1 ซึ่งทีมระบุว่าแซงเส้นฐานมนุษย์ผู้เชี่ยวชาญที่ ARC รายงานไว้ที่ 95.4% โดยผลนิ่งอยู่ในช่วง 95.0–95.5% ข้ามรอบการรัน และ Best@3 อยู่ที่ 99.97%

ที่เหลือเป็นงานเฉพาะทาง: EmulatorBench — สร้าง emulator ของ SEGA Genesis และ Game Boy Color ที่ใช้งานได้จริงจากศูนย์; PMPP-Hard — เขียน GPU kernel; MazeBench — ทำได้ดีกว่า harness ดั้งเดิมของโมเดลระดับแนวหน้าในงานให้เหตุผลเชิงพื้นที่

สามข้อที่ต้องอ่านอย่างระวัง:

หนึ่ง — ตัวเลขทั้งหมดเป็นผลที่ผู้พัฒนารายงานเอง ยังไม่มีการวัดซ้ำโดยบุคคลที่สาม การแซงเส้นมนุษย์ 95.4% ด้วยระยะห่าง 0.1 จุดบนเบนช์มาร์กเดียวไม่ควรถูกอ่านว่า “AI เก่งกว่าคนแล้ว” — มันคือผลที่อยู่ในระยะความคลาดเคลื่อน

สอง — เครดิตอยู่ที่ harness หรือที่โมเดล แยกกันไม่ออกจากตัวเลขนี้ ผล ARC-AGI 3 ได้มาโดยมี Claude Opus 5 อยู่ข้างล่าง สิ่งที่จะพิสูจน์คุณค่าของ harness ได้จริงคือส่วนต่างเทียบกับการรันโมเดลเดียวกันบน harness ดั้งเดิม ซึ่งทีมรายงานไว้ชัดเจนกว่าในฝั่ง MazeBench และงาน long-context

สาม — ทีมพูดเองว่ายังไม่มีโมเดลไหนถูกเทรนมาเพื่อ Prime Agent ประโยค “currently no model has been trained around Prime Agent” เป็นทั้งข้อจำกัดและคำโฆษณาในตัวเดียวกัน — มันบอกว่าตัวเลขวันนี้ได้มาทั้งที่โมเดลยังไม่รู้จัก harness นี้เลย

มุมมอง AI Curator

แนวคิดที่ควรเก็บกลับบ้านจากงานนี้ไม่ใช่ตัวเลข ARC-AGI แต่คือข้อเสนอที่ว่า harness เป็นชิ้นส่วนที่ยังถูกปรับได้อีกมาก และควรถูกปรับโดยอัตโนมัติ ตลอดปีนี้ตลาดโฟกัสที่โมเดลเป็นหลัก ส่วน harness ถูกมองเป็นแค่ท่อ แต่ผลการวัดหลายชิ้นในช่วงหลัง — รวมถึงการทดสอบของ Composio ที่พบว่าเฟรมเวิร์กต่างกันทำให้ต้นทุนต่องานต่างกันเกือบสามเท่าบนโมเดลเดียวกัน — ชี้ไปทางเดียวกันว่าชั้นนี้มีผลจริงต่อทั้งราคาและคุณภาพ Prime Agent เพียงแค่ผลักข้อสังเกตนั้นไปสุดทาง: ถ้า harness สำคัญขนาดนี้ ทำไมต้องให้มนุษย์เป็นคนจูนมันด้วยมือ

ข้อที่ผมคิดว่าออกแบบได้ฉลาดคือกติกา “แก้ให้เล็กที่สุดเท่าที่เกี่ยวข้อง” ใครที่เคยปล่อยให้ agent เขียน config ของตัวเองจะรู้ว่าโหมดล้มเหลวปกติคือมันรื้อทุกอย่างทุกครั้งที่เจอปัญหา จนสุดท้ายไม่มีใครรู้ว่าตอนนี้ prompt หน้าตาเป็นยังไงและทำไม การบังคับให้แก้ทีละจุดโดยอ้างอิงหลักฐานจาก trajectory คือความพยายามทำให้การแก้ตัวเอง ตรวจสอบย้อนกลับได้ ซึ่งเป็นเงื่อนไขที่ขาดไม่ได้ถ้าจะเอาไปใช้จริงในทีม

แต่จุดที่ผมอยากให้ระวังมากที่สุดคือ autonomous mode บวกกับ harness ที่แก้สิทธิ์และ prompt ของตัวเองได้ ยิ่งเมื่ออ่านคู่กับผลสำรวจที่พบว่ามนุษย์ปล่อยคำสั่งอันตรายผ่านไป 1 ใน 3 ตอนกดอนุมัติให้ agent — ระบบที่แก้ prompt ของตัวเองได้คือระบบที่ขอบเขตความปลอดภัยของมันไม่คงที่ ถ้าจะลอง ให้เริ่มในคอนเทนเนอร์ที่แยกออกมา ตั้งงบโทเคนไว้ตั้งแต่แรก และ commit ไฟล์ harness เข้า git เพื่อให้เห็นว่า /refine แก้อะไรไปบ้าง — นั่นคือความต่างระหว่างการทดลองที่ควบคุมได้กับการปล่อยของที่ไม่มีใครอธิบายพฤติกรรมได้

สำหรับทีมไทยและ SEA มุมที่ใช้ได้ทันทีโดยไม่ต้องรับความเสี่ยงทั้งก้อนคือ แนวคิด /refine เอาไปทำเองได้ ไม่ต้องใช้ Prime Agent ก็ได้ — หลังจบงานใหญ่แต่ละครั้ง ให้ agent อ่าน log ของตัวเองแล้วเสนอแก้ AGENTS.md หรือไฟล์สกิลของทีมทีละจุด โดยมีคนรีวิว PR ก่อน merge สำหรับทีมที่มีบริบทเฉพาะทางเยอะ (ระบบภาษาไทย, การเชื่อม API ธนาคารในประเทศ, กฎ PDPA) ความรู้พวกนี้มักอยู่ในหัวคนไม่กี่คน การทำให้ agent ค่อย ๆ เขียนมันลงไฟล์จากงานจริงมีมูลค่ามากกว่าการไล่เก็บตัวเลขเบนช์มาร์ก

แหล่งข่าว

• Prime Agent: A self-improving RLM agent — Prime Intellect
• PrimeIntellect-ai/prime-agent — GitHub (MIT)
• โพสต์ก่อนหน้า: Prime Intellect เปิดตัว Verifiers v1