Asana ลดต้นทุน Browser Agent 76 เท่า ด้วยการแก้จุดเล็ก ๆ ในระบบ

ถ้าคุณใช้ AI Agent ให้เปิดเว็บไซต์ กรอกแบบฟอร์ม หรือเก็บข้อมูล ต้นทุนอาจไม่ได้แพงเพราะเลือกโมเดลผิดอย่างเดียว แต่อาจเกิดจากการส่งข้อมูลเดิมซ้ำ ๆ โดยไม่จำเป็น กรณีของ Asana แสดงให้เห็นว่า การปรับวิธีจัดการ History และ Screenshots ช่วยลดต้นทุนลงได้ถึง 76 เท่า พร้อมทำงานเร็วขึ้น 5 เท่า

Asana ใช้ GPT-6 Astra ไล่หาคอขวดในระบบ

Asana นำ GPT-6 Astra ใน Codex มาช่วยตรวจสอบระบบของ StackAI แพลตฟอร์มที่บริษัทเข้าซื้อกิจการมา เพื่อสร้าง No-code workflow สำหรับนำทางเว็บไซต์ กรอกข้อมูล และรวบรวมรายละเอียดจากหน้าเว็บ

ทีมงานใช้ AI ตรวจโค้ด ทำความเข้าใจวิธีส่งคำขอไปยังโมเดล เสนอแนวทางปรับปรุง และช่วยรันการทดลองเปรียบเทียบผลลัพธ์ งานที่ประเมินว่าอาจใช้เวลาหนึ่งถึงสองเดือน หากทำด้วยตัวเอง ใช้เวลาประมาณหนึ่งสัปดาห์เมื่อมี GPT-6 Astra ช่วย

ปัญหาไม่ได้อยู่ที่โมเดล แต่อยู่ที่ข้อมูลที่ส่งซ้ำ

การตรวจสอบพบว่า Agent Cache คำสั่งประจำและคำจำกัดความของเครื่องมือไว้แล้ว แต่ยังส่งประวัติข้อความจากหน้าเว็บและ Screenshots ที่เพิ่มขึ้นเรื่อย ๆ ซ้ำเต็มราคาในทุกขั้นตอน ต้นทุนจึงสะสมอย่างรวดเร็ว

ระบบยังลบ Screenshots เก่าและย่อข้อความแทบทุกครั้งที่เดินหน้า ทำให้ History เปลี่ยนตลอดเวลาและลดประโยชน์ของการ Cache ทีมงานจึงเลือกทดสอบ 3 แนวทางหลัก ได้แก่ ขยายการ Cache ไปยังประวัติการท่องเว็บ เพิ่มพื้นที่ให้ Agent เก็บข้อความ และเปลี่ยนจากการลบภาพทุกขั้นเป็นการลบทีละชุด

• ทดสอบ History limit ที่ 120,000 และ 480,000 ตัวอักษร
• เปรียบเทียบ Cache และนโยบายจัดการ Screenshots 6 รูปแบบ
• รันแต่ละการตั้งค่า 3 ครั้งบน 4 โมเดล

ผลลัพธ์: ถูกลง เร็วขึ้น และตอบถูกต้องกว่าเดิม

งานทดลองให้ Agent เก็บข้อมูล 6 ช่องจากหนังสือ 32 เล่มในแคตตาล็อกสาธิต ผลลัพธ์ดีที่สุดมาจากการปล่อยให้ Screenshots สะสมถึง 20 ภาพ ก่อนเก็บไว้เฉพาะภาพล่าสุด และใช้ History limit ที่ใหญ่ขึ้น

Workflow ที่ปรับแล้วบน GPT-6.1 Sol มีต้นทุนโมเดลเฉลี่ยประมาณ 0.47 ดอลลาร์ต่อรอบ และใช้เวลาราว 4 นาที เมื่อเทียบกับระบบ Production เดิมที่ใช้ Model B ต้นทุนลดลง 76 เท่า และทำงานเร็วขึ้น 5 เท่า

สำหรับ Model B โดยเฉพาะ ต้นทุนลดจากอย่างน้อย 36.21 ดอลลาร์ เหลือ 1.24 ดอลลาร์ต่อรอบ หรือลดลง 29 เท่า ส่วน GPT-6.1 Sol เองลดจาก 1.97 ดอลลาร์เหลือ 0.47 ดอลลาร์ หรือถูกลง 4 เท่า โดยประมาณ 89% ของ Input มาจากข้อมูลที่ถูก Cache และคิดราคาเพียง 5% ของอัตราแบบไม่ Cache

การเพิ่มพื้นที่ History ยังช่วยเรื่องความแม่นยำด้วย GPT-6.1 Sol ให้คำตอบถูกต้องเพียง 3 จาก 18 รอบเมื่อใช้ Limit ขนาดเล็ก แต่ทำได้ถูกต้อง 18 จาก 18 รอบเมื่อเพิ่ม Limit

เรื่องนี้เกี่ยวกับคุณยังไง

สำหรับคนทำธุรกิจออนไลน์ ตัวอย่างนี้มีบทเรียนสำคัญว่า การลดค่าใช้จ่าย AI ไม่จำเป็นต้องเริ่มจากการเปลี่ยนไปใช้โมเดลที่ถูกที่สุดเสมอไป คุณอาจลดต้นทุนได้มากกว่าด้วยการออกแบบ Context, Cache และการเก็บภาพให้เหมาะกับงาน

• ตรวจว่าระบบส่งคำสั่งหรือข้อมูลเดิมซ้ำทุกขั้นตอนหรือไม่
• แยกข้อมูลที่ไม่เปลี่ยนแปลงออกมา Cache ให้ได้มากที่สุด
• ทดลอง History limit หลายระดับ เพราะ Context ที่สั้นเกินไปอาจทำให้ความแม่นยำลดลง
• อย่าลบ Screenshots ถี่เกินจำเป็น หากภาพยังช่วยให้ Agent เข้าใจหน้าเว็บ
• วัดทั้งต้นทุน เวลา และอัตราคำตอบถูกต้อง ก่อนตัดสินใจเลือก Workflow

Asana เปิดตัวการปรับปรุงด้าน Browser Navigation ใน StackAI แล้ว และมีแผนนำการทดสอบลักษณะเดียวกันมาใช้ในการประเมินระบบก่อนปล่อยฟีเจอร์ โดยให้ AI ทดลองใช้งานและรายงาน Bug ให้ทีม QA ตรวจสอบต่อ