สร้าง Agentic AI ด้วย Python, Langchain และ Ollama สำหรับระบบอีคอมเมิร์ซและโรงงานอัตโนมัติ

ยุคใหม่ของ AI ไม่ได้หยุดแค่การตอบคำถามแล้วจบไป — Agentic AI คือการพัฒนาไปอีกขั้น ที่ AI มีความสามารถในการ "คิด วางแผน และดำเนินการ" โดยอัตโนมัติ เราจะพาคุณสร้างระบบ Agentic AI จริง โดยใช้:

🧠 Langchain: โครงสร้างสำหรับ Agent ที่มีการใช้เครื่องมือและหน่วยความจำ
🔓 Ollama: รัน LLM โอเพ่นซอร์ส (เช่น LLaMA3, Mistral) บนเครื่องคุณ
🛒 เครื่องมือจำลองสำหรับธุรกิจ อีคอมเมิร์ซ และ โรงงานอุตสาหกรรม

🤔 Agentic AI คืออะไร?

Agentic AI คือระบบที่สามารถ:

จดจำบทสนทนาและการกระทำที่ผ่านมา (หน่วยความจำ)
คิดวิเคราะห์และวางแผนเพื่อให้บรรลุเป้าหมาย (Planning)
เรียกใช้งาน API หรือเครื่องมือต่างๆ (Tool Use)
ทำงานแบบต่อเนื่อง โดยไม่ต้องมีมนุษย์สั่งทุกขั้นตอน (Autonomy)

🧰 เทคโนโลยีที่ใช้

เครื่องมือ	หน้าที่
Python	ภาษาโปรแกรมหลัก
Langchain	โครงสร้าง Agent และการจัดการเครื่องมือ
Ollama	รันโมเดล LLM แบบโอเพ่นซอร์สในเครื่อง
ฟังก์ชันจำลอง	เครื่องมือจำลองสำหรับอีคอมเมิร์ซและโรงงาน

🧠 สถาปัตยกรรมของ Agent

graph TD
    A["คำสั่งจากผู้ใช้"] --> B["Langchain Agent"]
    B --> C["LLM จาก Ollama (เช่น LLaMA3)"]
    B --> D["หน่วยความจำ (ConversationBuffer)"]
    B --> E["ตัวเลือกเครื่องมือ"]

    E --> F["search_products()"]
    E --> G["track_order()"]
    E --> H["check_production_status()"]
    E --> I["log_factory_issue()"]

    F --> J["ระบบสินค้าคงคลัง"]
    G --> K["ระบบติดตามคำสั่งซื้อ"]
    H --> L["ฐานข้อมูลเครื่องจักรโรงงาน"]
    I --> M["ระบบแจ้งซ่อม"]

    C -->|"วางแผนและให้เหตุผล"| B
    D -->|"บริบทสนทนา"| B

📦 ขั้นตอนที่ 1: สร้างฟังก์ชันจำลองเครื่องมือ

# tools.py
from langchain.tools import tool

@tool
def search_products(keyword: str) -> str:
    return f"พบสินค้า 3 รายการที่ตรงกับคำค้น '{keyword}' คือ A, B, C"

@tool
def track_order(order_id: str) -> str:
    return f"คำสั่งซื้อ {order_id} อยู่ระหว่างจัดส่ง"

@tool
def check_production_status(machine_id: str) -> str:
    return f"เครื่องจักร {machine_id} ผลิตเสร็จแล้ว 87% สำหรับล็อตที่ 42"

@tool
def log_factory_issue(issue: str) -> str:
    return f"ปัญหา '{issue}' ถูกบันทึกและส่งต่อให้ช่างเทคนิคแล้ว"

🤖 ขั้นตอนที่ 2: สร้าง Agent ด้วย Langchain + Ollama

# agent.py
from langchain_community.chat_models import ChatOllama
from langchain.agents import initialize_agent, AgentType
from langchain.memory import ConversationBufferMemory
from tools import search_products, track_order, check_production_status, log_factory_issue

llm = ChatOllama(model="llama3")  # ใช้กับ Ollama ที่รันอยู่

memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

agent = initialize_agent(
    tools=[search_products, track_order, check_production_status, log_factory_issue],
    llm=llm,
    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True
)

💬 ขั้นตอนที่ 3: เรียกใช้ Agent

# main.py
from agent import agent

print("=== Agentic AI สำหรับอีคอมเมิร์ซและโรงงาน ===")
while True:
    query = input("คุณ: ")
    if query.lower() in ['exit', 'quit']:
        break
    result = agent.run(query)
    print("Agent:", result)

🧪 ตัวอย่างการใช้งาน

คุณ: ค้นหาลำโพงบลูทูธ
Agent: พบสินค้า 3 รายการที่ตรงกับคำค้น 'ลำโพงบลูทูธ': A, B, C

คุณ: ตรวจสอบคำสั่งซื้อ #99123
Agent: คำสั่งซื้อ #99123 อยู่ระหว่างจัดส่ง

คุณ: เครื่องจักร A7 อยู่ในสถานะใด
Agent: เครื่องจักร A7 ผลิตเสร็จแล้ว 87% สำหรับล็อตที่ 42

คุณ: บันทึกปัญหา: เครื่องจักร A7 ร้อนเกินไป
Agent: ปัญหา 'เครื่องจักร A7 ร้อนเกินไป' ถูกบันทึกและส่งต่อให้ช่างเทคนิคแล้ว