จาก 0 ถึง AI Agent — บันทึกการเรียนรู้ผ่านโปรเจกต์จริง

ตอนที่ 4: Agent Loop — วนจนกว่าจะได้คำตอบ

ตอนที่แล้วเรานิยาม tool ไว้แล้ว ตอนนี้มาดูส่วนที่สำคัญที่สุดของโปรเจกต์ — Agent Loop หรือวงจรที่ทำให้ AI “คิดแล้วทำ แล้วคิดต่อ” ได้

run_tool(): ฝั่ง Python ทำงานจริง

เมื่อ Claude ตัดสินใจเรียก tool โปรแกรมของเราต้องรันฟังก์ชันจริงๆ แล้วส่งผลกลับไป หน้าที่นี้อยู่ใน run_tool():

def run_tool(name: str, inputs: dict) -> str:
    if name == "list_files":
        files = []
        for f in DOCS_FOLDER.iterdir():
            if f.is_file():
                first_line = f.read_text().split('\n')[0][:80]
                files.append({"filename": f.name, "preview": first_line})
        return json.dumps(files)

    if name == "read_file":
        path = DOCS_FOLDER / inputs["filename"]
        if not path.exists():
            return f"ERROR: {inputs['filename']} not found"
        return path.read_text()

    return f"ERROR: unknown tool {name}"

ดูแล้วเข้าใจง่ายมาก:

list_files: วนดูทุกไฟล์ในโฟลเดอร์ docs/ แล้วดึงบรรทัดแรกมาเป็น preview (80 ตัวอักษร) — Claude จะใช้ preview นี้ตัดสินใจว่าไฟล์ไหนน่าอ่าน

read_file: เปิดอ่านไฟล์ตามชื่อที่ Claude ส่งมา ถ้าไม่เจอก็บอก error กลับไป

💡 Preview บรรทัดแรก — เทคนิคเล็กๆ แต่ช่วยได้เยอะ Claude จะเลือกอ่านไฟล์ที่ “น่าจะตอบคำถามได้” โดยดูจากชื่อไฟล์ + preview แทนที่จะเปิดทุกไฟล์

Agent Loop: หัวใจของทุกอย่าง

นี่คือโค้ดที่ทำให้มันเป็น “Agent” จริงๆ:

def ask(question: str) -> str:
    messages = [{"role": "user", "content": question}]

    while True:
        response = client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=1024,
            tools=tools,
            system=SYSTEM_PROMPT,
            messages=messages
        )

        if response.stop_reason == "end_turn":
            return next(b.text for b in response.content if b.type == "text")

        if response.stop_reason == "tool_use":
            messages.append({"role": "assistant", "content": response.content})

            results = []
            for block in response.content:
                if block.type == "tool_use":
                    print(f"  → {block.name}({block.input})")

                    if block.name == "return_answer":
                        return DocAnswer(**block.input)

                    result = run_tool(block.name, block.input)
                    results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": result
                    })

            messages.append({"role": "user", "content": results})

ดูซับซ้อน แต่ถ้าแยกทีละส่วนจะเห็นว่าตรงไปตรงมามาก

แยกทีละขั้น

ขั้น 1: เริ่มต้นด้วยคำถาม

messages = [{"role": "user", "content": question}]

สร้าง “ประวัติการสนทนา” เริ่มต้นด้วยคำถามของเรา

ขั้น 2: ส่งให้ Claude คิด

response = client.messages.create(
    model="claude-sonnet-4-6",
    tools=tools,          # บอกว่ามี tool อะไรให้ใช้
    system=SYSTEM_PROMPT, # กฎของบ้าน
    messages=messages     # ประวัติการสนทนาทั้งหมด
)

ขั้น 3: ดูว่า Claude ตัดสินใจอะไร

Claude จะตอบกลับมาพร้อม stop_reason ซึ่งมีสองกรณี:

"end_turn" → Claude คิดว่าเสร็จแล้ว ตอบเป็นข้อความธรรมดา → จบ loop

"tool_use" → Claude อยากเรียก tool → เราต้องรัน tool แล้วส่งผลกลับ → วนซ้ำ

ขั้น 4: ถ้าเป็น tool_use — รัน tool แล้วส่งผลกลับ

# เพิ่ม response ของ Claude เข้าไปใน history
messages.append({"role": "assistant", "content": response.content})

# วนดู tool ที่ Claude อยากเรียก
for block in response.content:
    if block.type == "tool_use":
        # ถ้าเป็น return_answer — หยุดเลย!
        if block.name == "return_answer":
            return DocAnswer(**block.input)

        # ไม่งั้น รัน tool แล้วเก็บผล
        result = run_tool(block.name, block.input)
        results.append({...})

# ส่งผลของ tool กลับให้ Claude
messages.append({"role": "user", "content": results})
# → วนกลับไปขั้น 2

ทำไม return_answer ถึงพิเศษ?

สังเกตว่า return_answer ถูก intercept ก่อนจะถึง run_tool():

if block.name == "return_answer":
    return DocAnswer(**block.input)  # ← หยุด loop ทันที

เพราะ return_answer ไม่ใช่ tool จริง — มันคือ สัญญาณ ว่า Claude ได้คำตอบแล้ว

ถ้าเราส่งมันเข้า run_tool() โปรแกรมจะ error เพราะไม่มี case รองรับ แต่เราดักไว้ก่อน แล้วแปลง input ของมันเป็น DocAnswer object ทันที

ภาพรวม Loop ทั้งหมด

คำถาม → Claude → tool_use: list_files
                      ↓
              Python รัน list_files
                      ↓
              ส่งผลกลับ → Claude → tool_use: read_file
                                       ↓
                               Python รัน read_file
                                       ↓
                               ส่งผลกลับ → Claude → tool_use: return_answer
                                                         ↓
                                                   หยุด → ได้คำตอบ

สรุปตอนที่ 4

Agent Loop ทำงานด้วยหลักการง่ายๆ — ส่งคำถามให้ Claude ถ้าอยากเรียก tool เราก็รันให้แล้วส่งผลกลับ วนซ้ำจนกว่า Claude จะบอกว่าเสร็จ

ส่วนที่ elegant ที่สุดคือ return_answer — tool ปลอมที่ทำหน้าที่เป็นสัญญาณหยุด และบังคับให้ Claude ส่งคำตอบในรูปแบบที่เรากำหนด

ตอนหน้าเราจะมาดูว่า Pydantic ช่วยจัดการ structured output ยังไง

📚 Series: จาก 0 ถึง AI Agent — บันทึกการเรียนรู้ผ่านโปรเจกต์จริง

ตอนที่ 1: เริ่มต้นกับ Anthropic API
ตอนที่ 2: Tool Calling คืออะไร
ตอนที่ 3: นิยาม Tools ให้ Claude ใช้
ตอนที่ 4: Agent Loop — วนจนกว่าจะได้คำตอบ ← คุณอยู่ที่นี่
ตอนที่ 5: Pydantic กับ Structured Output
ตอนที่ 6: รันจริง และสิ่งที่ได้เรียนรู้

Source code ทั้งหมดอยู่ที่ github.com/nipitpongpan/ask-my-docs

Agent Loop — วนจนกว่าจะได้คำตอบ