เจาะลึกระบบ Memory Agent ของ LinkedIn: ทำไม AI ต้องมีความจำและวิธีออกแบบให้ฉลาดขึ้น

ทำไม AI ต้องมีหน่วยความจำ (Memory Agent)?

เวลาเราคุยกับเพื่อน ถ้าเราต้องแนะนำตัวใหม่ทุกครั้งที่เจอหน้ากัน เพื่อนคงรำคาญแย่ใช่ไหมครับ? Agentic Memory (ระบบความจำของปัญญาประดิษฐ์) ก็เหมือนกัน มันคือเทคโนโลยีที่ทำให้ AI จำสิ่งที่เราเคยคุยหรือเคยทำได้ เพื่อให้การทำงานครั้งต่อไปมันรู้ใจเรามากขึ้น ไม่ต้องถามซ้ำซาก

ที่ LinkedIn เขาทำ Hiring Assistant (ผู้ช่วยอัจฉริยะสำหรับคนสรรหาพนักงาน) ขึ้นมาเพื่อให้ช่วยคัดเลือกคนเข้าทำงาน แต่ปัญหาคือ Recruiter (คนสรรหาพนักงาน) แต่ละคนมีความชอบไม่เหมือนกัน บางคนเน้นประสบการณ์ บางคนเน้นทักษะเฉพาะด้าน ถ้า AI ไม่มีหน่วยความจำ มันจะทำงานแบบ "หว่านแห" เหมือนกันหมดทุกคน

การสร้างระบบนี้จึงไม่ใช่แค่การเก็บข้อความ แต่คือการสร้าง Persistent State (สถานะคงค้างที่บันทึกไว้ตลอดเวลา) เพื่อให้ AI สามารถนำความชอบหรือคำสั่งเก่าๆ มาปรับใช้กับงานใหม่ได้ทันที ทำให้มันดู "ฉลาด" และ "รู้ใจ" เหมือนมีผู้ช่วยส่วนตัวจริงๆ

โครงสร้างหน่วยความจำ 4 ชั้นแบบ LinkedIn

ทีมงาน LinkedIn ออกแบบระบบความจำให้เหมือน "เค้ก 4 ชั้น" เพื่อจัดการข้อมูลที่มีความสำคัญต่างกัน โดยแบ่งเป็นชั้นๆ เพื่อให้ AI ดึงข้อมูลมาใช้ได้แม่นยำและรวดเร็วที่สุด ดังนี้ครับ

1. Conversation Memory (ความจำระยะสั้นจากการสนทนา): เก็บสิ่งที่เพิ่งคุยกันสดๆ ร้อนๆ เพื่อให้ AI เข้าใจบริบทปัจจุบัน
2. Episodic Store (ความจำแบบเหตุการณ์): เก็บประวัติกิจกรรมที่เคยทำ เพื่อใช้อ้างอิงว่าทำไม AI ถึงตัดสินใจแบบนั้น
3. Semantic Memory (ความจำเชิงความหมาย): เก็บภาพรวมความชอบส่วนตัวของผู้ใช้จากหลายๆ แพลตฟอร์ม เพื่อปรับแต่งผลลัพธ์ให้ตรงใจ
4. Procedural Memory (ความจำเชิงวิธีการ): เก็บขั้นตอนหรือวิธีที่ผู้ใช้ชอบทำงาน เพื่อให้ AI ทำงานตามสไตล์ของผู้ใช้ได้

การแยกข้อมูลแบบนี้ช่วยให้ AI ไม่ต้องค้นหาข้อมูลทั้งหมดในครั้งเดียว แต่มันรู้ว่าต้องไปหยิบ "ความจำ" จากชั้นไหนมาใช้ ทำให้ประหยัดเวลาและทำงานได้ลื่นไหลเหมือนสมองมนุษย์ที่เลือกหยิบความทรงจำมาใช้ตามสถานการณ์

เปลี่ยนจากกราฟมาเป็นต้นไม้เพื่อความไว

ก่อนหน้านี้ทีมงานเคยใช้ GraphRAG (วิธีดึงข้อมูลโดยดูความสัมพันธ์โยงใยแบบโครงข่าย) แต่เขาก็พบว่ามันช้าเกินไปเวลาข้อมูลมีเยอะมากครับ การค้นหาข้อมูลในโครงข่ายที่ซับซ้อนทำให้ระบบตอบสนองไม่ทันใจผู้ใช้งาน

เขาเลยเปลี่ยนมาใช้โครงสร้างแบบ Tree-structured memory (หน่วยความจำแบบโครงสร้างต้นไม้) แทน ซึ่งเปรียบเหมือนการจัดหมวดหมู่แฟ้มงานในคอมพิวเตอร์ครับ การหาข้อมูลในโฟลเดอร์ต้นไม้จะเร็วกว่าการไล่เช็คความสัมพันธ์ของทุกจุดในโครงข่ายมหาศาล

// ตัวอย่างการเก็บข้อมูลแบบโครงสร้างต้นไม้ (Tree structure)
const userMemory = {
  preferences: {
    skills: ["React", "Node.js"], // ทักษะที่ชอบ
    experience: "Senior"         // ระดับประสบการณ์
  },
  history: {
    lastSearch: "Frontend Dev",  // คำค้นหาล่าสุด
    feedback: "Positive"         // ผลตอบรับครั้งก่อน
  }
};
// โครงสร้างแบบนี้ทำให้ AI เข้าถึงข้อมูลได้รวดเร็ว (Fast incremental updates)

ด้วยโครงสร้างนี้ ระบบสามารถอัปเดตข้อมูลใหม่ๆ เข้าไปในต้นไม้ได้ง่ายและไวขึ้น ทำให้ AI ของ LinkedIn อัปเดตความจำตัวเองได้เกือบเรียลไทม์ โดยไม่กินทรัพยากรเครื่องจนเกินไป

สรุป: การนำความจำ AI ไปใช้ในโปรเจกต์ของคุณ

การทำระบบความจำให้ AI ไม่ใช่เรื่องไกลตัวสำหรับมือใหม่ครับ แม้โปรเจกต์เราจะไม่ได้ใหญ่เท่า LinkedIn แต่เราก็สามารถนำแนวคิดเรื่อง "การเก็บสถานะ" มาประยุกต์ใช้ในการฝึกเขียนโค้ดได้ เช่น การทำ Portfolio (แฟ้มสะสมผลงาน) ที่โชว์ประวัติการเรียนรู้ของเรา

หัวใจสำคัญคือการเก็บข้อมูลให้เป็นหมวดหมู่ อย่าเก็บทุกอย่างรวมกันเป็นกองขยะ ถ้าคุณกำลังทำแอปฯ แชท ลองเริ่มจากเก็บ "ประวัติการสนทนา" (Conversation Memory) ลงในฐานข้อมูลเล็กๆ อย่าง localStorage (ที่เก็บข้อมูลในเบราว์เซอร์) ดูก่อนครับ

เมื่อคุณเริ่มเข้าใจว่า AI ดึงข้อมูลจากไหนมาตอบ คุณจะเริ่มเขียนโค้ดที่ "ฉลาด" ขึ้น เพราะคุณจะรู้จักวางแผนการเก็บข้อมูล (Data structure) ตั้งแต่ต้น ไม่ว่าคุณจะเป็นมือใหม่แค่ไหน การฝึกคิดแบบเป็นระบบเหมือนที่วิศวกรที่ LinkedIn ทำ จะช่วยให้คุณเก่งขึ้นได้เร็วกว่าคนอื่นแน่นอนครับ

ที่มา: Inside LinkedIn's cognitive memory agent for agentic personalization — Stack Overflow Blog