ENDEAVOR LOCAL AGENT TH ทำงานอย่างไร — เจาะลึกสถาปัตยกรรม

ภาพประกอบ: ENDEAVOR LOCAL AGENT TH ทำงานอย่างไร — เจาะลึกสถาปัตยกรรม

บทความ เริ่มต้นใช้งาน บอกวิธีติดตั้งและใช้งาน ส่วนบทความนี้อธิบายสถาปัตยกรรมของ ENDEAVOR LOCAL AGENT TH รุ่นปัจจุบัน ว่าทำไมระบบยังเป็น ReAct loop ที่เรียบง่าย แต่มี deterministic guard หลายชั้นคอยบังคับ invariant ที่สำคัญแทนการฝากทุกอย่างไว้กับโมเดล

แกนหลัก: LangGraph single-node ReAct

กราฟหลักมี node เดียว:

START → react → END

ไม่มี planner_node, execute_node, synthesize_node แยกเป็นหลาย node ตัว main agent จึงเห็น full message history + tool results อยู่ใน loop เดียว แล้วตัดสินใจต่อเองว่า:

  1. ต้องวางแผนหรือไม่
  2. ต้องเรียก tool ไหน
  3. ผลลัพธ์พอหรือยัง
  4. ต้องวนต่อหรือสรุปคำตอบ

โครงสร้างนี้ลดจุดที่ state/context หลุดระหว่าง node และทำให้ behavior ใกล้กับ ReAct ตรง ๆ มากที่สุด

Planner ยังมี แต่ไม่ใช่ planner node

planner.py ใช้ LLM call แยกเพื่อจัด query เป็น:

  • simple
  • complex พร้อม step list

จากนั้น graph.py มี deterministic intercept สำหรับคำสั่งค้นคว้า/research ที่ชัดเจน

ถ้า planner บอกว่า complex ระบบสามารถ seed create_plan เป็น tool call ใน code ได้โดยตรง แทนที่จะหวังให้โมเดล “นึกได้เอง” ว่าควรวางแผนก่อน จุดนี้ทำให้ขั้นตอนสำคัญถูกบังคับด้วย runtime logic แต่ execution หลังจากนั้นยังอยู่ใน ReAct node เดิม

เครื่องมือปกติ 20 ตัว

Agent TH bind เครื่องมือปกติ 20 ตัว โดยรวมความสามารถอ่านเว็บหลายแบบไว้ใน browse_url และใช้ generic MCP เมื่อต้องการต่อบริการภายนอก:

หมวด จำนวน Tools
Web & Research 4 web_search, browse_url, browser_use, recall_web
File & Code 6 bash, bash_bg, python_exec, plot, read_file, edit
Planning 1 create_plan
Vision & Computer 2 read_image, computer
Memory / Audio / Automation 3 remember, awake, speak
Generic MCP 4 mcp_list_tools, mcp_call_tool, mcp_add_server, mcp_remove_server
รวม 20

browse_url รองรับการอ่าน URL เดี่ยว/หลาย URL (ดึงพร้อมกัน), sitemap และตาราง; รายละเอียดอยู่ใน Tool: browse_url. ไม่มี native rag_search หรือ RAG server ที่ติดตั้งมาให้ หากต้องการค้นคลังเอกสารให้เชื่อม MCP server ที่ให้ capability นั้นเอง

MCP surface นี้เป็น generic client ไม่ใช่ backend เฉพาะตัว: public repo เริ่มด้วย config.MCP_SERVERS = {} และไม่ bundle default MCP/RAG server ใด ๆ ผู้ใช้สามารถเพิ่ม Streamable HTTP หรือ guarded local stdio server ระหว่างใช้งานได้ผ่าน registry ใต้ workspace/tool_mcp/

research_orchestrator เป็น skill-only tool และจะถูก bind เฉพาะเมื่อเข้า Research Skill ไม่ได้โผล่ให้โมเดลเห็นทุก turn

Parallel tools: ลดจำนวนรอบโดยไม่ทำให้ผลลัพธ์สลับลำดับ

Agent TH รุ่นปัจจุบันย้ายงานอ่านที่เป็นอิสระต่อกันให้ทำพร้อมกันใน tool call เดียว สองจุดหลัก:

  • read_file — path เป็น list ได้สูงสุด 4 ไฟล์ หรือใช้ requests 1–4 รายการเมื่อแต่ละไฟล์ต้องใช้ filter/range คนละแบบ ตัว worker ทำงานขนาน แต่ผลลัพธ์ถูกประกอบกลับตาม input order และ error ของไฟล์หนึ่งไม่ล้มทั้ง batch
  • read_image — source เป็น list ได้สูงสุด 10 ภาพ พร้อม ocr=true หรือ selector เช่น ocr=[1,3]; การ resolve/prepare/OCR ที่ทำได้จะรันขนาน แต่ progressive vision ยังคงบังคับ original-before-OCR สำหรับภาพใหม่

แนวทางนี้ลดจำนวน ReAct round-trip จาก “เรียก tool ทีละไฟล์/ภาพ” เป็น “หนึ่ง call ครอบคลุมชุดที่ independent” โดยไม่ย้าย reasoning เข้า worker thread และไม่ทำให้ main agent สูญเสียลำดับของ input

Repeated tool-call guard: hint รอบสอง, stop รอบสาม

นอกจาก recursion limit แล้ว ToolNode มี deterministic guard กลางที่ตรวจ tool name + arguments ของ call ที่ติดกันภายใน user turn เดียว

  1. ครั้งแรก — รัน tool ตามปกติ
  2. ครั้งที่สองด้วย fingerprint เดิม — ไม่รัน tool ซ้ำ แต่คืน [repeat_tool_hint] ให้ model เปลี่ยน query/arguments หรือเปลี่ยนเครื่องมือ
  3. ถ้ายังเรียกเดิมเป็นครั้งที่สาม — raise ToolLoopDetected และหยุด turn ที่ stream boundary พร้อมข้อความที่ผู้ใช้มองเห็น

สำหรับ web_search ระบบ normalize ตัวพิมพ์และ whitespace ของ query ก่อนสร้าง fingerprint (ถ้า query เป็นรายการ จะ normalize ทีละคำค้น) จึงใช้ "Same Query", "same query" หรือ spacing ต่างกันเพื่อหลบ guard ไม่ได้ จุดประสงค์คือหยุด loop ที่ไม่มีข้อมูลใหม่ โดยไม่ลดสิทธิ์ของ model ในการเรียก tool เดิมซ้ำเมื่อ arguments เปลี่ยนจริง

MCP: capability เพิ่มได้ แต่ไม่ขยาย sandbox ตามไปด้วย

MCP client แยก transport ออกเป็นสองแบบ:

  • Streamable HTTP — ใช้ URL + optional headers แล้วคุยผ่าน official MCP SDK
  • local stdio — command ต้องเป็น absolute executable, cwd ต้องอยู่ใน Agent workspace และ child process ถูกครอบด้วย macOS sandbox profile เดียวกับ bash

self-service registry เขียนแบบ atomic พร้อม cross-process lock และตั้ง permission 0600 เพื่อไม่ให้ config/HTTP headers เปิดกว้างในเครื่อง การเพิ่ม stdio server ไม่ได้ให้ write path พิเศษนอก workspace/ และ /tmp; public fork จงใจไม่เปิด write-capability พิเศษนอก sandbox และไม่ bundle default MCP server มาให้

mcp_list_tools ยัง inspect schema ของ tool เดียวได้ก่อน call ส่วน mcp_call_tool รับ arguments เป็น JSON object และ cap text result ก่อนคืนเข้า ReAct loop อ่านรายละเอียดที่ Tools: MCP client

Runtime model: ทุกตัวเลือกใช้ config กลางเดียวกัน

fresh install และ fresh runtime config เริ่มที่ mlx-community/Qwen3.5-9B-4bit (VLM ที่ใช้ได้บน Mac unified memory 16GB) ส่วน model list มี Qwen3-14B (text-only), mlx-community/Qwen3.8-27B-4bit (VLM) และ Qwen3.6-35B. รายการโมเดลและสัญญา APC ของแต่ละตัว (policy ของ template, เพดาน memory) อยู่ใน model_registry.json จึงเพิ่มโมเดลได้โดยไม่แก้ launcher. Electron Settings และ CLI menu → Model / Think Budget ใช้ config กลางเดียวกัน จึงเห็น model/budget ชุดเดียวกันข้ามสอง frontend

Built-in CLI commands ใช้ metadata แหล่งเดียว

รายการคำสั่ง built-in อยู่ใน skills/skill.json; runtime_common.py โหลด metadata แล้วกรองตาม frontend ให้ CLI และ Electron/server ใช้คำสั่งจาก registry เดียวกัน แทนการดูแลชื่อ/usage ซ้ำคนละชุด CLI เพิ่ม /help, /runtime, /attach, /pin และ /pdf_text; menu, /history, /compact และ /clear ยังคงเป็นคำสั่งเดิม Runtime Model, Think Budget, Server Mode และ Model Server Port ใช้ shared runtime config

โมเดลอื่นนอกจากค่าเริ่มต้นไม่ถูกดาวน์โหลดบังคับ แต่โหลดเมื่อผู้ใช้เลือกจริง. 9B เหมาะกับเครื่อง RAM จำกัดและรองรับ direct vision; 27B/35B เป็นตัวเลือกคุณภาพสูงสำหรับ reasoning/tool calling ที่ซับซ้อนกว่า. ระบบแสดง low-RAM confirmation ก่อน download/load เมื่อ RAM ต่ำกว่า 20GB (27B) หรือ 24GB (35B) ตามขนาดน้ำหนักจริงของแต่ละรุ่น

mlx-vlm 0.7.10 ขึ้นไป และ APC ใน memory

launcher ที่ Agent TH ใช้เปิด model server ปฏิเสธ mlx-vlm ที่เก่ากว่า 0.7.10 และเปิดทาง V2_MODEL_SERVER_PYTHON ให้ server รันใน env แยกจาก agent ได้. สองพฤติกรรมของ mlx-vlm 0.7 ที่ต้องจัดการ: (1) server เปิด APC disk tier เอง ซึ่งเก็บ cache ที่มาจากบทสนทนาจริงลงดิสก์ถาวร — TH ปิดและลบ snapshot ที่ค้างทุกครั้งที่เปิด server ให้ APC อยู่ใน memory เท่านั้น (2) server อ่านเพดานความยาวจากฟิลด์ max_tokens เท่านั้น แต่ langchain-openai ส่ง max_completion_tokens ทำให้เพดาน 8192 ของ TH ไม่เคยไปถึง server และถูกตัดที่ 2048 — TH ส่ง max_tokens ผ่าน extra_body และมี test ที่ตรวจ JSON body จริงที่ออกทางสาย

Vision architecture: behavior ขึ้นกับ capability ของ model

Qwen3.5-9B บน Mac 16GB: compact direct vision

9B option เป็น vision-language model ดังนั้น read_image สามารถส่ง original pixels ให้ main model และ computer ใช้ screenshot direct vision ได้เหมือน vision-capable path อื่น โดยแลกกับ reasoning/tool-calling headroom ที่ต่ำกว่า 35B

Qwen3-14B แบบ text-only

runtime probe capability ก่อนใช้งานภาพ:

  • read_image → fallback เป็น full OCR ของภาพต้นฉบับใน turn เดียว
  • computer → คืน [unsupported] ก่อน screenshot หรือ desktop action

จึงไม่เกิดกรณี model text-only พยายามเดา pixel ที่มองไม่เห็น และผู้ใช้ Mac 24GB ยังใช้ file/code/web/tool-calling หลักได้ตามปกติ; external RAG ต่อเพิ่มได้ผ่าน generic MCP

เมื่อเลือก vision-capable model เช่น Qwen3.5-9B หรือ Qwen3.6-35B

read_image ทำงานแบบ progressive direct vision กับทั้ง 9B VLM และ 35B:

  1. ครั้งแรกส่งภาพต้นฉบับทั้งภาพให้ main VLM
  2. Agent มอง pixels และตอบ/ตัดสินใจเอง
  3. ถ้าต้องการอ่านข้อความ ตาราง QR กราฟ หรือจุดเฉพาะ ค่อยเรียก sensor/detail เพิ่ม

ไม่มี semantic image prompt หรือ inner LLM ซ่อนอยู่ใน read_image — tool ทำหน้าที่เตรียมภาพ/sensor output แล้ว main agent เป็นคน reasoning

computer ใช้หลักเดียวกัน: screenshot ล่าสุดถูกส่งให้ main VLM พร้อม observation จาก Accessibility/OCR เพื่อช่วยยึดตำแหน่งและตรวจผลหลัง action

read_image เป็น progressive sensor ไม่ใช่ image chatbot ซ้อนอีกชั้น

จุดสำคัญของ design ปัจจุบันคือ original first

Agent ต้องเห็นภาพ overview ก่อน แล้วจึงขอรายละเอียด เช่น:

  • detail="text" — OCR/table/QR assist
  • detail="chart" / "slide"
  • find=...
  • region + zoom

การ crop/zoom ก่อน overview ถูก guard เพื่อไม่ให้ agent เริ่มจากชิ้นส่วนเล็ก ๆ แล้วตีความภาพรวมผิด

อ่านรายละเอียดเพิ่มที่ Tool: read_image

computer: screenshot → aim → action → re-observe

computer ไม่ได้ใช้ OCR เป็น “สายตาหลัก” อีกต่อไป และไม่มี vision model ตัวเล็กแยกอยู่ข้างใน

flow หลักคือ:

screenshot
   ↓
main VLM มองภาพ + [OBS] จาก AX/OCR
   ↓
เลือก target/action
   ↓
click/type/key/scroll/open...
   ↓
capture + observe ใหม่
   ↓
ตรวจ visible effect ก่อนทำต่อ

Accessibility และ OCR ยังสำคัญ แต่ทำหน้าที่เป็น structured assist เพื่อให้ model อ้าง element/text ได้แม่นขึ้น ไม่ใช่การแทน vision ทั้งหมด

อ่านรายละเอียดเพิ่มที่ Tool: computer

Context, history และ web cache

Agent TH แยก state หลายชนิดออกจากกัน:

  • Conversation history — LangGraph SqliteSaver ใน logs/history.db
  • Persistent memory — remember เขียนข้อมูลสำคัญลง memory store
  • Web cache — raw web results เก็บแยกใน process memory แล้วให้ Agent เรียก recall_web เมื่อจำเป็น; web_search และ browse_url ไม่ใช้ LLM สรุป Agent เห็นแต่ข้อความจริงที่โค้ดคัดมา และทั้งสอง tool ค้น/อ่านหลายคำค้นหรือหลาย URL พร้อมกันใน call เดียว
  • Context trimming — ตัด/สรุป history เมื่อ session ยาวเกิน threshold เพื่อกัน context overflow

จุดนี้ช่วยลดการยัด raw tool output จำนวนมากกลับเข้า prompt ทุก turn

Generation profile: จำกัด thinking + reuse prefix

ค่าหลักปัจจุบัน:

Parameter Default
Temperature 0.1
Thinking budget 1024 (High)
Repetition penalty 1.05
Recursion limit 60
APC enabled 1
APC exact cache entries 2
APC exact prefix guard 64 tokens

ทำไม APC exact cache ใช้ 2 slots

สำหรับ conversation เส้นตรง runtime exact APC เก็บ 2 state ต่อ request:

  1. guarded reusable checkpoint ก่อน variable tail
  2. full prompt snapshot

ถ้ามี slot เดียว full snapshot จะไล่ reusable checkpoint ออกเอง ทำให้ turn ถัดไปไม่ hit prefix

ดังนั้น Agent TH ใช้ 2 slots เป็นค่าต่ำสุดที่เหมาะกับ linear conversation และช่วยลด prefill/TTFT ของ system prompt + tool schema + history ก้อนเดิมได้มาก โดยไม่ต้องเก็บหลาย conversation branches ไว้พร้อมกัน

Security: capability ไม่ได้แปลว่าให้สิทธิ์ไม่จำกัด

Agent TH มี tools ที่แตะไฟล์ process และ desktop จริง จึงมี guard ระดับ code แยกจาก system prompt

File/process sandbox

  • write จำกัดใน workspace ตาม policy
  • path สำคัญ/credential ถูก block
  • resolve real path เพื่อกัน ../ และ symlink escape
  • bash, bash_bg, python_exec ถูกครอบด้วย macOS sandbox-exec ตาม policy ของโปรเจกต์

computer guard

สำหรับ desktop action:

  • capability probe ต้องยืนยัน vision ก่อน
  • destructive-looking action ถูกจำกัดตาม user intent
  • turn จาก awake เข้มกว่าปกติและจำกัด action สูงสุด
  • observation/screenshot state reset ตาม turn
  • หลัง mutation ต้อง re-observe และตรวจ visible effect แทนการสมมติว่าคลิกสำเร็จ

แนวคิดเหมือนกันทั้งระบบ: model ตัดสินใจงาน แต่ code เป็นเจ้าของ safety invariant

Standing trigger: awake

awake ให้ Agent ตั้ง trigger แล้วกลับมาทำงานเองภายใน process เดิม เช่น:

  • file — ไฟล์เปลี่ยน
  • every — ทุก N นาที
  • times / run_at — ตามเวลา
  • once — ครั้งเดียวหลัง delay
  • screen — ตรวจการเปลี่ยนแปลงบนหน้าจอ

turn ที่เกิดจาก standing trigger ใช้ agent loop เดิม แต่มี computer guard ที่เข้มกว่า interactive turn

Skill modes

รุ่นที่เผยแพร่ไม่ติด skill มาให้ — เพิ่มเองได้ด้วยไฟล์ skills/<ชื่อ>.md (## Role, ## Workflow, ## Tools allowed, ## Output format). /<ชื่อ> เปิด/ปิดเป็นโหมดถาวรที่เปลี่ยน prompt/toolset ให้เหมาะกับงานเฉพาะ ส่วน /<ชื่อ> <คำสั่ง> รันหนึ่ง turn ภายใต้ skill นั้นโดยไม่เปลี่ยนโหมด และใช้ร่วมกับ @ไฟล์ ใน Active Workspace ได้ในข้อความเดียว (เช่น /research สรุป @report.pdf). skill ที่มีเครื่องมือเฉพาะของตัวเองต้องเปิดเป็นโหมด เพราะ one-shot ผูกเครื่องมือเพิ่มไม่ได้โดยไม่ rebuild แอป

บังคับด้วยโค้ด: ถ้าเครื่องมือไม่ถูกเรียก โค้ดตามต่อให้

กฎใน prompt อย่างเดียวไม่พอสำหรับโมเดลในเครื่อง: บางรอบโมเดลตอบว่า “สร้างกราฟแล้ว” ทั้งที่ไม่เคยเรียก plot จึงมีกลไกสองส่วนที่ไม่ให้โมเดลเป็นผู้ตัดสิน (tool_claim_guard.py และ graph.py)

  1. Directive ก่อนรัน — ถ้าข้อความผู้ใช้เป็นคำขอกราฟ โค้ดแปะ [CHART DIRECTIVE] ไว้หัว turn ว่าต้องเรียก plot ไม่ตอบเป็นข้อความแทนกราฟ ข้อความนี้เป็นการแก้ชั่วคราวเฉพาะรอบนั้น ไม่ถูกบันทึกลงประวัติ และทำก่อนกฎค้นเว็บ
  2. Follow-up หลังรัน — ตาราง TOOL_CLAIM_RULES จับคู่ “สิ่งที่ผู้ใช้ขอ” กับ “เครื่องมือที่ทำสิ่งนั้น” ตอนนี้มี 2 แถว: ขอกราฟ → plot และ “หารูปบนเว็บแล้วอธิบาย” → read_image ถ้าเครื่องมือนั้นไม่เคยรันใน turn นี้ และคำตอบอ้างว่าได้ผลแล้ว โค้ดจะถอนร่างคำตอบ (UI ลบข้อความที่สตรีมไปแล้ว) แล้วให้ agent ทำต่อ 1 ครั้ง พร้อมบอกชื่อเครื่องมือ ถ้ายังไม่เรียกอีกจะต่อท้ายหมายเหตุตรง ๆ ว่าเครื่องมือไม่ได้รัน

ตารางนี้ระวังไม่ให้ถอนคำตอบที่ถูกต้อง: ข้อความที่ผู้ใช้ปฏิเสธ (“ไม่ต้องวาดกราฟ”) ไม่นับ, กราฟที่วาดด้วย python_exec หรือ bash นับว่ามีหลักฐาน, และแถวมีผลเฉพาะเมื่อเครื่องมือนั้นถูกผูกอยู่ในรอบนั้นจริง ในการทดสอบกับ Qwen3.5-9B-4bit คำขอกราฟ 6 ข้อความได้การเรียก plot ครบ 6/6 ทั้งตอนเปิดและปิดกลไกนี้ กลไกจึงไม่ได้ลงมือในชุดทดสอบนั้น และเรายังไม่ได้พิสูจน์ว่ามันเพิ่มอัตราสำเร็จกับโมเดลนี้ ส่วนตัวกลไกเองทดสอบด้วย agent จำลองที่ตอบอ้างผลโดยไม่เรียกเครื่องมือ

Settings ที่ผู้ใช้เลือก: Internet และ OCR

สวิตช์ Internet (Online/Offline) ถูกบันทึกลง user_settings.json และเป็นแหล่งเดียวที่กำหนดว่าเครื่องมือเว็บถูกผูกกับโมเดลหรือไม่ จุดสถานะ Internet บนหัวแอปเป็นการตรวจเครือข่ายแยกต่างหากทุก 30 วินาที (แสดงผลเท่านั้น) สวิตช์ OCR เลือก Apple Vision หรือ OpenThai ให้ทุกจุดที่ใช้ OCR พร้อมกัน โดยอ่านค่าใหม่ทุกครั้งที่เรียก ไม่ต้อง restart

Activity log, PDF to MD, TTS และ Translate (Electron)

แผง Activity เรียงจากล่าสุดไปเก่าสุดเป็นการ์ดต่อ turn: ทุก tool call แสดง arguments, สถานะ และตัวอย่างผลลัพธ์ ข้อความยาวย่อไว้พร้อมปุ่ม “มีต่อ” และระหว่างเรียก tool แชตแสดงสถานะเป็นข้อความ (กำลังใช้ bash) ไม่ใช่แอนิเมชัน. arguments/ผลลัพธ์ผ่าน activity_text.py ที่ redact token, password, private key, URL ที่มี credential และ base64 ก่อนเสมอ — redact ก่อนตัดความยาว เพราะ private key ที่ถูกตัดครึ่งยังรั่วส่วนหัวได้

tab Translate แปลเอกสารเป็นภาษาไทยด้วย model ปัจจุบันแบบ no-think นอก chat graph แล้วเขียน Markdown พร้อมเส้นแบ่งหน้า. งานแปลมี checkpoint จึงพัก/ทำต่อ/ยกเลิกได้และกู้งานที่ค้างหลัง server เริ่มใหม่ได้ โดย URL, ตัวเลข และโค้ดในเอกสารถูกคงไว้ไม่แปล

tab PDF to MD แปลง PDF เป็น Markdown นอก chat graph: หัวข้อหน้า เลขหน้า และเส้นแบ่งหน้าเขียนด้วยโค้ดเสมอ ตัวเลือก LLM ส่งภาพของหน้าพร้อมข้อความที่สกัดได้ทีละหน้าให้โมเดล (โมเดล text-only ได้เฉพาะข้อความ) และหน้าที่ request ล้มเหลว ว่าง หรือถูกตัด จะใช้ข้อความเดิมของหน้านั้น

tab TTS อ่านไฟล์ .txt / .md ออกเสียงด้วย OmniVoice ใน worker process ของตัวเอง: โค้ดของ TH ตัดย่อหน้าและต่อเสียงเอง (ไม่พึ่งโปรเจกต์อื่น) ตัวเลขในข้อความไทยถูกแปลงเป็นคำอ่านไทย ข้อความอังกฤษคงเดิม และงานพัก/ทำต่อ/ยกเลิกได้ ก่อนเปิดแท็บ แอปถามผู้ใช้ก่อนว่าจะให้โหลดโมเดลเสียงหรือไม่ โมเดลอยู่ใน RAM เฉพาะระหว่างอ่าน

สรุป

Agent TH รุ่นปัจจุบันไม่ได้พยายามเพิ่ม node หรือ agent ซ้อนหลายชั้น แต่เน้น:

  • main ReAct loop เดียว
  • deterministic planning/safety intercept เฉพาะจุดสำคัญ
  • repeated-tool guard ที่เตือนรอบสองและหยุดรอบสามเมื่อ call เดิมซ้ำติดกัน
  • เครื่องมือที่ต้องถูกเรียก (กราฟ, ดูรูปจากเว็บ) ถูกบังคับด้วยโค้ดก่อนรัน และตามต่อด้วยโค้ดเมื่อคำตอบอ้างผลที่เครื่องมือไม่เคยสร้าง
  • Internet/Offline เป็นค่าที่ผู้ใช้เลือก ไม่ใช่การ ping ครั้งเดียวตอนเริ่ม
  • read_file parallel สูงสุด 4 ไฟล์ และ read_image batch สูงสุด 10 ภาพ
  • 20 normal tools ที่มีหน้าที่ชัด รวม generic MCP client 4 tools; ไม่มี native RAG search tool
  • main-model direct vision แทน inner VLM
  • text-only fallback ที่ fail closed
  • bounded thinking
  • APC สำหรับ reuse prefix
  • local-first runtime บน MLX

ผลคือสถาปัตยกรรมยังค่อนข้างตรงไปตรงมา แต่มี guard มากพอสำหรับให้ model ใช้ไฟล์ เว็บ ภาพ และ desktop จริงได้อย่างควบคุมได้

อ่านเพิ่มเติม

ความคิดเห็น

กำลังโหลดความคิดเห็น...