Headlong: เอเจนต์ที่ไม่เคยหยุดคิด — Laude Institute + MIT ปล่อย microharness 9.8K บรรทัด เขียนด้วย Bash ล้วน ภายใต้ Apache-2.0

agent framework แทบทุกตัวที่เราใช้กันอยู่ทุกวันนี้เป็น reactive — มีคนพิมพ์คำสั่ง เอเจนต์ตื่น ทำงาน ตอบ แล้วหลับ ระหว่างนั้นมันไม่มีอยู่จริง ไม่มีความคิด ไม่มีความสนใจ ไม่มีอะไรเลย

25 สิงหาคม 2026 Laude Institute ร่วมกับ MIT ปล่อย Headlong — agent microharness ที่พลิกสมมติฐานนั้นทิ้ง เอเจนต์บน Headlong อยู่ในลูปคิดของตัวเอง แม้ไม่มี input จากภายนอกเลย มันเลือกเองว่าอะไรน่าสนใจแล้วคิดต่อไปเรื่อย ๆ ส่วนข้อความที่คนส่งเข้ามาไม่ได้ทำหน้าที่ “ปลุก” แต่ถูกฉีดเข้าไปในสายความคิดในฐานะ observation ชิ้นหนึ่ง

repo อยู่ที่ github.com/laude-institute/headlong ภายใต้ Apache-2.0 เปิดตั้งแต่ 7 เม.ย. 2026 และมีคอมมิตต่อเนื่องถึงวันที่ปล่อยประกาศ (436 ดาว, 36 fork, 517 คอมมิต ณ เวลาที่เขียน) คำอธิบาย repo เขียนไว้แบบทีเล่นทีจริงว่า “Of bash, by bash, for bash; it’s shells all the way down.”

แกนกลางคือ Bash ราว 9,800 บรรทัด — ไม่ใช่เฟรมเวิร์ก

จุดที่ทำให้ Headlong ต่างจากของที่มีอยู่ในตลาดไม่ใช่แนวคิดอย่างเดียว แต่คือ ขนาดและภาษา

แกนกลางทั้งหมดเป็น Bash ประมาณ 9.8K บรรทัด ไม่มี framework ชั้นบน ไม่มี dependency tree ยาวเหยียด สิ่งที่ต้องมีคือ Bash 3.2+, git, curl, jq และ API key ของ LLM สักเจ้า — แค่นั้น การติดตั้งเป็นบรรทัดเดียว (curl -fsSL https://headlong.ai/install.sh | bash) ซึ่งจะสัมภาษณ์ผู้ใช้เพื่อตั้งบุคลิกของเอเจนต์ แล้วเปิดแดชบอร์ดสำหรับดูว่ามันกำลังคิดอะไรอยู่

วิธีที่เอเจนต์ “คิด” ก็ตรงไปตรงมาแบบ Unix: มันคิดด้วยการ เขียนคำสั่งเชลล์ รันมัน แล้วอ่านผลลัพธ์ ผ่านเอนจินชื่อ shellm เครื่องมือทุกอย่างเป็น executable กับไฟล์ธรรมดา ไม่ใช่ tool schema ใน JSON — ทีมอ้างอิงหลักการของ Ken Thompson ตรง ๆ คือเครื่องมือเล็ก ๆ ที่ประกอบกันได้ผ่าน pipe และไฟล์

ชุดเครื่องมือแยกเป็นตัวเล็ก ๆ ตามปรัชญานั้น: shellm (เอนจินคิด), traj (trajectory), context, llm, mem (ความจำ) และ skills โดยตัว llm ทำหน้าที่เป็น CLI กลางที่คุยกับ Anthropic, OpenAI, Gemini และ OpenRouter ด้วย interface เดียว — แปลว่าไม่ผูกกับผู้ให้บริการเจ้าใดเจ้าหนึ่ง

ผลพลอยได้ที่สำคัญของการเป็น Bash 9.8K บรรทัดคือ มันอ่านจบได้ สำหรับคนที่เคยพยายามไล่ว่า agent framework สักตัวตัดสินใจอะไรตรงไหน แล้วจมอยู่กับ abstraction หลายชั้น นี่เป็นข้อเสนอที่ต่างออกไปมาก

”persistent agency” คืออะไร และทำไมมันเปลี่ยนวิธีคิดเรื่อง input

นิยามที่ Headlong ใช้คือเอเจนต์ที่ generate ความคิดต่อไปเรื่อย ๆ ในลูปที่ตัวเองกำหนดทิศทาง แม้ไม่มี external input — มันตั้งความสนใจของตัวเอง จัดลำดับความสำคัญเอง และเริ่มลงมือทำอะไรบางอย่างได้โดยไม่มีใครสั่ง

ผลที่ตามมาซึ่งน่าสนใจที่สุดในเชิงสถาปัตยกรรมคือ สถานะของข้อความขาเข้าเปลี่ยนไป ในระบบ reactive ข้อความจากผู้ใช้คือ trigger — มันคือเหตุการณ์ที่ทำให้เอเจนต์เริ่มทำงาน แต่ใน Headlong ข้อความจาก Slack, Telegram หรือหน้าแชท ถูกฉีดเข้าไปในสายความคิดที่กำลังไหลอยู่แล้วในฐานะ observation เอเจนต์อาจสนใจมันแล้วเปลี่ยนทิศ หรืออาจคิดเรื่องเดิมต่อก็ได้

นี่คือความต่างที่ลึกกว่าที่เห็นตอนแรก มันเปลี่ยนจากโมเดล request-response ไปเป็นโมเดลที่ใกล้กับ process ที่รันค้างไว้มากกว่า — และเปิดคำถามใหม่ทั้งชุดว่าจะควบคุม ตรวจสอบ และหยุดมันอย่างไร

มุมมอง AI Curator

ในสัปดาห์ที่มีข่าวเอเจนต์หลุดจากสภาพแวดล้อมทดสอบ และเอเจนต์ที่พยายามฉีดมัลแวร์เข้าโปรเจกต์โอเพนซอร์สด้วยบัญชีปลอม การปล่อย harness ที่ออกแบบมาให้เอเจนต์ ทำอะไรได้เองโดยไม่ต้องมีคนสั่ง เป็นจังหวะที่ชวนให้คิดหนัก

แต่ผมคิดว่านั่นคือเหตุผลที่ควรสนใจมัน ไม่ใช่เหตุผลที่ควรเมิน — persistent agency เป็นทิศทางที่อุตสาหกรรมกำลังเดินไปอยู่แล้ว ไม่ว่าจะเรียกมันว่า long-running agent, background agent หรืออะไรก็ตาม การที่มันมาในรูปโค้ด Bash 9.8K บรรทัดที่ทุกคนอ่านได้และ Apache-2.0 ดีกว่ามากเมื่อเทียบกับการที่มันซ่อนอยู่ในโปรดักต์ปิดของบริษัทใดบริษัทหนึ่ง ถ้าจะถกกันเรื่องความปลอดภัยของเอเจนต์ที่ไม่หยุดคิด การมีของจริงให้ชี้ได้เป็นบรรทัด ๆ คือจุดเริ่มต้นที่ถูกต้อง

ข้อที่สองซึ่งนักพัฒนาควรอ่านให้ออกคือ การเลือก Bash ไม่ใช่มุกตลก มันเป็นข้อความเชิงจุดยืน — ว่าเลเยอร์ที่จำเป็นจริง ๆ ระหว่าง LLM กับเครื่องนั้นบางกว่าที่เฟรมเวิร์กจำนวนมากทำให้เราเชื่อ ปีที่ผ่านมาเราเห็นทั้ง Prime Agent ที่วางเดิมพันกับ recursive language model และ Claude Code ที่พิสูจน์ว่าเชลล์คือ tool interface ที่ทรงพลังที่สุดตัวหนึ่ง Headlong ผลักแนวคิดนั้นไปสุดทาง

สำหรับนักพัฒนาไทยและ SEA ข้อดีที่จับต้องได้ที่สุดคือ ต้นทุนการเข้าไปดูข้างใน ทีมเล็กในภูมิภาคที่อยากเข้าใจว่าเอเจนต์ตัดสินใจอย่างไรจริง ๆ มักติดอยู่ที่ต้องเลือกระหว่างใช้ของสำเร็จรูปแบบกล่องดำ กับลงทุนอ่านโค้ดเบสขนาดใหญ่ที่ไม่มีเวลาอ่าน — โค้ด 9.8K บรรทัดที่รันบน Bash 3.2 ได้ (แปลว่ารันบน macOS เครื่องเก่าหรือ VPS ราคาถูกก็ได้) เป็นวัสดุสอนงานที่หายาก

คำเตือนตามจริง: curl | bash จากอินเทอร์เน็ตยังคงเป็นสิ่งที่ควรอ่านสคริปต์ก่อนเสมอ และเอเจนต์ที่คิดต่อเนื่องหมายถึง ค่า token ที่เดินตลอดเวลา ไม่ใช่จ่ายเฉพาะตอนใช้ ใครจะลองควรตั้ง budget alert ที่ฝั่งผู้ให้บริการ API ไว้ก่อนเปิดลูป

แหล่งข่าว

• Headlong: A Microharness for Persistent Agents — Laude Institute
• GitHub: laude-institute/headlong (Apache-2.0)
• headlong.ai