รุ่งอรุณแห่ง MCP และ A2A: การเปลี่ยนแปลงกระบวนทัศน์
การเกิดขึ้นของ Model Context Protocol (MCP) และ Agent2Agent (A2A) ในปี 2025 ถือเป็นช่วงเวลาสำคัญในการพัฒนาแอปพลิเคชัน AI MCP มีเป้าหมายเพื่อสร้างมาตรฐานอินเทอร์เฟซเพื่อทำลายไซโลข้อมูล ช่วยให้ LLM เข้าถึงทรัพยากรภายนอกได้อย่างมีประสิทธิภาพ และอำนวยความสะดวกในการไหลเวียนของข้อมูลระหว่างระบบและแพลตฟอร์มได้อย่างราบรื่น A2A ส่งเสริมปฏิสัมพันธ์ที่ราบรื่นระหว่างเอเจนต์ ส่งเสริมการทำงานร่วมกันและการสื่อสารเพื่อสร้างระบบที่เหนียวแน่นและบูรณาการ
การเปลี่ยนจาก MCP เป็น A2A ตอกย้ำถึงการให้ความสำคัญกับ ‘การเปิดกว้าง’ ที่เพิ่มขึ้นในฐานะตัวขับเคลื่อนหลักในระบบนิเวศแอปพลิเคชัน AI การเปิดกว้างนี้ครอบคลุมทั้งการทำงานร่วมกันทางเทคนิคและจิตวิญญาณแห่งการทำงานร่วมกัน จากมุมมองที่กว้างขึ้น การเปลี่ยนแปลงนี้สะท้อนถึงความก้าวหน้าตามธรรมชาติในการพัฒนาเทคโนโลยี: การเปลี่ยนจากความตื่นเต้นเริ่มต้นไปสู่การนำไปปฏิบัติจริง และจากการคิดค้นนวัตกรรมที่โดดเดี่ยวไปสู่การพัฒนาระบบนิเวศแบบร่วมมือ
ในอดีต คุณค่าของ LLM ได้รับการจัดสรรอย่างไม่สมส่วนให้กับขนาดพารามิเตอร์และความสามารถแบบสแตนด์อโลน วันนี้ MCP และ A2A แก้ไขปัญหาสำคัญของการเชื่อมต่อระหว่างแอปพลิเคชัน AI และปรับรูปร่างพลวัตการแข่งขันของระบบนิเวศ LLM การพัฒนาแอปพลิเคชัน AI กำลังพัฒนาจากการทำงานแบบ ‘หมาป่าเดียวดาย’ ไปสู่รูปแบบของการเชื่อมต่อถึงกัน สิ่งนี้จำเป็นต้องมีการประเมินคุณค่า AI สำหรับ CTO ใหม่ โดยเปลี่ยนโฟกัสจากการไล่ตามขนาดโมเดลและกลยุทธ์ ‘ทั้งหมด’ เพียงอย่างเดียว ไปเป็นการใช้ประโยชน์จากแพลตฟอร์มที่เชื่อมต่อความสามารถ AI ที่หลากหลาย เป้าหมายคือการฝัง AI ในกระบวนการทางธุรกิจและระบบการผลิตที่มีอยู่ ปรับปรุงประสิทธิภาพโดยรวมผ่านการทำงานร่วมกันและมาตรฐาน แก้ปัญหาที่สำคัญด้วยทรัพยากรการคำนวณขั้นต่ำ และเอาชนะ ‘ภาวะที่กลืนไม่เข้าคายไม่ออกของ ROI’
ภัยพิบัติจากการคำนวณที่สูญเปล่าและสถานการณ์ที่ไม่สอดคล้องกัน
การไม่สามารถเอาชนะปัญหาคอขวดของการลงทุนสูง ผลผลิตต่ำ ได้รบกวนการนำ LLM ไปใช้มานานแล้ว ปรากฏการณ์นี้สะท้อนถึงความขัดแย้งที่ฝังรากลึกในการพัฒนา AI ประการแรก มีของเสียจำนวนมากในการคำนวณ ข้อมูลบ่งชี้ว่าศูนย์คอมพิวเตอร์เอนกประสงค์ระดับองค์กรทำงานโดยมีการใช้งานเพียง 10-15% ทำให้ทรัพยากรคอมพิวเตอร์จำนวนมหาศาลไม่ได้ใช้งาน ประการที่สอง มีความไม่สอดคล้องกันของสถานการณ์ที่ประสิทธิภาพของโมเดลไม่ตรงกับความต้องการที่แท้จริงของสถานการณ์ทางธุรกิจ
ปัญหาทั่วไปประการหนึ่งคือ ‘การใช้เกินความจำเป็น’ ในการใช้โมเดลขนาดใหญ่สำหรับงานเบา บางธุรกิจพึ่งพา LLM อเนกประสงค์มากเกินไปสำหรับแอปพลิเคชันง่ายๆ นอกจากนี้ ลักษณะเฉพาะของสถานการณ์ทางธุรกิจยังสร้างภาวะที่กลืนไม่เข้าคายไม่ออก การใช้โมเดลขนาดใหญ่ทำให้เกิดต้นทุนการคำนวณสูงและเวลาในการอนุมานยาวนาน การเลือกใช้โมเดลขนาดเล็กอาจไม่เป็นไปตามข้อกำหนดทางธุรกิจ ความขัดแย้งนี้เห็นได้ชัดเจนโดยเฉพาะอย่างยิ่งในสถานการณ์ทางธุรกิจที่ต้องใช้ความรู้เฉพาะทาง
พิจารณาสถานการณ์การจับคู่งานพรสวรรค์ในอุตสาหกรรมการสรรหาบุคลากร บริษัทต่างๆ ต้องการโมเดลที่มีความสามารถในการให้เหตุผลเชิงลึกเพื่อทำความเข้าใจความสัมพันธ์ที่ซับซ้อนระหว่างเรซูเม่และรายละเอียดงาน ขณะเดียวกันก็ต้องการเวลาตอบสนองที่รวดเร็ว เวลาในการอนุมานที่ยาวนานของ LLM อเนกประสงค์สามารถลดประสบการณ์ผู้ใช้ได้อย่างมาก โดยเฉพาะอย่างยิ่งภายใต้ความต้องการของผู้ใช้ที่มีความพร้อมกันสูง
เพื่อให้เกิดความสมดุลระหว่างประสิทธิภาพและประสิทธิผล การกลั่นโมเดลได้รับแรงฉุดในช่วงไม่กี่ปีที่ผ่านมา การเปิดตัว DeepSeek-R1 เมื่อต้นปีนี้ได้เน้นย้ำถึงคุณค่าของเทคนิคนี้เพิ่มเติม ในการจัดการกับงานให้เหตุผลที่ซับซ้อน การกลั่นโมเดลจะจับรูปแบบ ‘ห่วงโซ่ความคิด’ ของ DeepSeek-R1 ทำให้โมเดลนักเรียนน้ำหนักเบาสามารถสืบทอดความสามารถในการให้เหตุผลแทนที่จะเลียนแบบผลลัพธ์เอาท์พุตเพียงอย่างเดียว
ตัวอย่างเช่น Zhaopin ซึ่งเป็นแพลตฟอร์มการสรรหาบุคลากรชั้นนำ ได้ใช้ DeepSeek-R1 (พารามิเตอร์ 600+ พันล้าน) เป็นโมเดลครูเพื่อกลั่นห่วงโซ่ความคิดและตรรกะในการตัดสินใจที่ใช้ในงานจับคู่งานพรสวรรค์ พวกเขาใช้แพลตฟอร์มการพัฒนาโมเดล Qianfan ของ Baidu AI Cloud เพื่อกลั่นโมเดลครูและถ่ายโอนไปยังโมเดล ERNIE Speed (พารามิเตอร์ 10+ พันล้าน) ซึ่งเป็นโมเดลนักเรียน แนวทางนี้บรรลุประสิทธิภาพที่เทียบเคียงได้กับโมเดลครู (DeepSeek-R1 มีความแม่นยำ 85% ในผลลัพธ์ลิงก์การให้เหตุผล ในขณะที่โมเดลนักเรียนบรรลุมากกว่า 81%) ปรับปรุงความเร็วในการอนุมานให้อยู่ในระดับที่ยอมรับได้ และลดต้นทุนลงเหลือ 30% ของเดิม ในขณะที่บรรลุความเร็วเร็วกว่า DeepSeek-R1 ที่สมบูรณ์ 1 เท่า
ปัจจุบัน ธุรกิจต่างๆ โดยทั่วไปใช้สองแนวทางในการกลั่นโมเดล: การสร้างระบบทางเทคนิคที่สมบูรณ์ตั้งแต่โครงสร้างพื้นฐานและ GPU ไปจนถึงเฟรมเวิร์กการฝึกอบรม หรือการใช้โซลูชันบนแพลตฟอร์ม เช่น แพลตฟอร์มการพัฒนาโมเดล Qianfan หรือผู้จำหน่ายรายอื่นๆ Yao Sijia ผู้เชี่ยวชาญด้านแอปพลิเคชัน AI ที่ Zhaopin กล่าวว่าในขณะที่ Zhaopin มีเฟรมเวิร์กการฝึกอบรมของตนเอง พวกเขาเลือกแพลตฟอร์มการพัฒนาโมเดล Qianfan สำหรับการกลั่นโมเดลเนื่องจากข้อควรพิจารณาหลักสามประการ:
- การสนับสนุนที่ครอบคลุม: แพลตฟอร์มการพัฒนาโมเดล Qianfan ให้การสนับสนุนชั้นนำของอุตสาหกรรมสำหรับการกลั่นโมเดล ปรับปรุงห่วงโซ่ทางเทคนิคทั้งหมดรอบสถานการณ์การกลั่นอย่างลึกซึ้ง
- การควบคุมต้นทุน: เมื่อเทียบกับการซื้อและบำรุงรักษาฮาร์ดแวร์อย่างอิสระ แพลตฟอร์มการพัฒนาโมเดล Qianfan มีข้อได้เปรียบอย่างมากในการควบคุมต้นทุนและการจัดสรรทรัพยากรที่ยืดหยุ่นมากขึ้น
- ความเข้าใจอย่างลึกซึ้งเกี่ยวกับสถานการณ์ทางธุรกิจ: ทีมโซลูชันมืออาชีพของ Baidu เข้าใจข้อกำหนดหลักอย่างลึกซึ้ง เช่น ‘การจับคู่ที่แม่นยำ’ และ ‘การตอบสนองที่มีความพร้อมกันสูง’ ในโดเมนการสรรหาบุคลากร และทำงานร่วมกับบริษัทต่างๆ เพื่อสำรวจโซลูชัน
Yao Sijia กล่าวเสริมว่า Zhaopin จะยังคงเป็นผู้บุกเบิกสถานการณ์ AI+ การสรรหาบุคลากร โดยใช้เทคโนโลยี Reinforcement Learning Fine-Tuning (RFT) ของ Qianfan เพื่อปรับปรุงประสิทธิภาพของโมเดลเพิ่มเติม พวกเขาวางแผนที่จะสำรวจว่าโมเดลครูสามารถปรับปรุงเพิ่มเติมได้หรือไม่ และกลไกการให้รางวัลที่ดีกว่าสามารถปรับโมเดลนักเรียนที่กลั่นแล้วเพื่อปรับปรุงความแม่นยำได้หรือไม่ Qianfan เป็นแพลตฟอร์มแรกในประเทศจีนที่นำวิธีการเสริมกำลังการเรียนรู้ชั้นนำ เช่น RFT และ GRPO ไปใช้ในผลิตภัณฑ์ ด้วยการเปลี่ยนวิธีการเสริมกำลังการเรียนรู้ที่ล้ำสมัยเหล่านี้ให้เป็นโซลูชันที่นำไปใช้ได้ Qianfan เสนอความเป็นไปได้เพิ่มเติมให้กับบริษัทต่างๆ เช่น Zhaopin ในการปรับประสิทธิภาพของโมเดลให้เหมาะสม
อย่างไรก็ตาม การกลั่นโมเดลจะปรับประสิทธิภาพของโมเดลเดียวให้เหมาะสมเท่านั้น ในสถานการณ์ทางธุรกิจที่ซับซ้อน จำเป็นต้องจับคู่ความสามารถ AI ที่หลากหลายกับสถานการณ์อย่างแม่นยำ
ลองนึกถึงสมาร์ทโฟน ในสถานการณ์การจดจำความตั้งใจ เช่น ผู้ช่วยการโทร โดยทั่วไปจะใช้โมเดลน้ำหนักเบาเพื่อระบุปัญหาของผู้ใช้อย่างรวดเร็ว สำหรับสถานการณ์ Q&A ความรู้ทั่วไป เช่น การค้นหาสภาพอากาศและการดึงข้อมูลข่าวสาร โดยทั่วไปจะใช้โมเดลขนาดกลางเพื่อให้คำตอบที่ถูกต้องและให้ข้อมูลได้อย่างรวดเร็ว ในสถานการณ์การวิเคราะห์ข้อมูลและการให้เหตุผลเชิงตรรกะที่ต้องใช้ความคิดเชิงลึก โดยทั่วไปจะใช้โมเดลขนาดใหญ่
ซึ่งหมายความว่าสมาร์ทโฟนต้องเรียกใช้ LLM หลายตัวได้อย่างยืดหยุ่นในสถานการณ์ความต้องการของผู้ใช้ที่แตกต่างกัน สำหรับผู้ผลิตโทรศัพท์ สิ่งนี้ก่อให้เกิดความท้าทาย เช่น ต้นทุนการเลือกโมเดลที่สูงและกระบวนการเรียกใช้ที่ซับซ้อนเนื่องจากโปรโตคอลอินเทอร์เฟซโมเดลที่แตกต่างกัน
เพื่อแก้ไขปัญหาที่เจ็บปวดในอุตสาหกรรมเหล่านี้ แพลตฟอร์มการพัฒนาโมเดล Qianfan ได้นำอินเทอร์เฟซการกำหนดเส้นทางโมเดลไปใช้ในผลิตภัณฑ์ เมื่อเทียบกับการใช้โมเดลโรงงานเดิมโดยตรง จะมอบความสามารถในการพัฒนาแบบกำหนดเองและ API ที่ใช้งานได้ทันที ช่วยให้บริษัทต่างๆ ประหยัดปริมาณงานด้านวิศวกรรมและเวลาในการพัฒนา ในขณะที่ลดต้นทุน นอกจากนี้ แพลตฟอร์มการพัฒนาโมเดล Qianfan ยังรองรับการเรียกใช้ที่ยืดหยุ่นสำหรับผู้ใช้ขนาดใหญ่ ทำให้มั่นใจได้ถึงความเร็วและความเสถียรแม้ภายใต้ความต้องการในการเรียกใช้ที่มีความถี่สูงและความพร้อมกันสูง
ในระดับโมเดล ความสามารถทางเทคนิค เช่น การกลั่นโมเดลและการเรียกใช้หลายโมเดล กำลังช่วยให้บริษัทต่างๆ มากขึ้นเรื่อยๆ เพิ่มประสิทธิภาพการจัดสรรทรัพยากร ทำให้ความสามารถ AI สามารถจับคู่กับสถานการณ์ทางธุรกิจได้อย่างแม่นยำ ในขณะที่ลดต้นทุน ในระดับแอปพลิเคชัน MCP และ A2A ซึ่งได้รับความสนใจอย่างมากจากอุตสาหกรรม ช่วยลดต้นทุนการลองผิดลองถูกของ AI เพิ่มเติม ช่วยให้บริษัทต่างๆ เพิ่มประสิทธิภาพกระบวนทัศน์การทำงานร่วมกันของแอปพลิเคชัน และเปลี่ยนรูปแบบ ‘การประดิษฐ์ล้อใหม่’ ที่ไม่มีประสิทธิภาพในการพัฒนาเอเจนต์แบบดั้งเดิม
‘หมัดชุด’ จากโมเดลไปยังแอปพลิเคชันคือคำตอบที่สมบูรณ์แบบเพื่อช่วยให้ LLM เอาชนะ ‘ภาวะที่กลืนไม่เข้าคายไม่ออกของ ROI’
จากปิดสู่เปิด: ลดอุปสรรคในการทดลอง AI
ตั้งแต่ปี 2023 คำหลักสำหรับการนำแอปพลิเคชัน AI ไปใช้ได้ค่อยๆ เปลี่ยนไปเป็น Agent ภายในปี 2024 เกือบทุกบริษัทกำลังพูดถึงแอปพลิเคชันและการพัฒนา Agent อย่างไรก็ตาม ในเวลานั้น Agent ขาดความสามารถในการวางแผนที่แท้จริง และส่วนใหญ่จะอิงตามมุมมองของเวิร์กโฟลว์ โดยเชื่อมต่อ LLM กับแอปพลิเคชันพื้นฐานด้วยการเย็บหรือกำหนดขั้นตอนส่วนประกอบผ่านกฎที่ขับเคลื่อนโดยผู้เชี่ยวชาญ
ด้วยการเพิ่มขึ้นของโปรโตคอล MCP และ A2A เมื่อเร็วๆ นี้ ปี 2025 จึงกลายเป็น ‘Agent Year Zero’ ที่แท้จริง โดยเฉพาะอย่างยิ่ง ผลกระทบของ MCP ต่อสาขา AI เทียบได้กับโปรโตคอล TCP/IP บนอินเทอร์เน็ต
Zhou Ze’an ซีอีโอของ Biyao Technology กล่าวในการสัมภาษณ์กับ InfoQ ว่าคุณค่าหลักของ MCP สำหรับสาขา AI สะท้อนให้เห็นในสามมิติ:
- การสร้างมาตรฐานการเรียกใช้เครื่องมือ LLM: ในอดีต แต่ละบริษัทมีการใช้งาน Function Call ของตัวเอง โดยมีความแตกต่างอย่างมีนัยสำคัญระหว่างกัน MCP สร้างมาตรฐานการเข้าถึงแบบรวม ทำให้สามารถสร้างมาตรฐานที่แท้จริงของรูปแบบการกำหนดเวลาแอปพลิเคชันระหว่างไคลเอนต์และเซิร์ฟเวอร์ นอกจากนี้ MCP ยังช่วยให้สามารถโต้ตอบได้ไม่เพียงแต่ระหว่าง LLM ที่รองรับ Function Call เท่านั้น แต่ยังรวมถึง LLM ที่ไม่มีคุณสมบัตินี้ด้วย
- การแก้ปัญหาความท้าทายในการทำงานร่วมกันของเครื่องมือ: มาตรฐานที่เป็นหนึ่งเดียวของโปรโตคอล MCP ทำให้การสร้างบริการ Agent มีความหลากหลายมากขึ้น นักพัฒนาจำเป็นต้องพิจารณาไม่เพียงแต่ Agent และบริการ MCP ของตนเองเท่านั้น แต่ยังรวมถึงวิธีการรวมความสามารถภายนอกเพื่อให้บรรลุฟังก์ชัน Agent ที่ทรงพลังยิ่งขึ้น
- การควบคุมบริบททั้งหมดผ่าน LLM ส่งผลให้เกิดการโต้ตอบที่เป็นมิตรต่อผู้ใช้มากขึ้น: เมื่อสร้างกระบวนการ จะสามารถใช้แหล่งข้อมูลที่หลากหลายมากขึ้นเพื่อแก้ปัญหางานที่ซับซ้อนซึ่งก่อนหน้านี้เป็นไปไม่ได้
‘โดยทั่วไป โปรโตคอล MCP ช่วยลดอุปสรรคสำหรับบริษัทต่างๆ ในการนำเทคโนโลยี AI ไปใช้ได้อย่างมาก ในอดีต กระบวนการบูรณาการทางเทคนิคสำหรับการเข้าถึง Agent นั้นซับซ้อน ขณะนี้ บริษัทต่างๆ ไม่จำเป็นต้องทำความเข้าใจรายละเอียดการใช้งานทางเทคนิคที่ซับซ้อนอย่างลึกซึ้ง แต่จำเป็นต้องชี้แจงความต้องการทางธุรกิจของตนเท่านั้น’ Zhou Ze’an กล่าว Biyao Technology ได้เปิดความสามารถในการประมวลผลเอกสารของ LLM แนวตั้งอุตสาหกรรมทรัพยากรบุคคลที่พัฒนาขึ้นเอง ‘Bole’ ผ่านโปรโตคอล MCP อย่างเต็มที่ รวมถึงสัญญา เรซูเม่ และ PPT และกลายเป็นหนึ่งในนักพัฒนาองค์กรรายแรกที่เปิดตัวส่วนประกอบ MCP บนแพลตฟอร์มการพัฒนาแอปพลิเคชัน Qianfan ปัจจุบัน องค์กรหรือนักพัฒนาแต่ละรายสามารถเรียกใช้ความสามารถระดับมืออาชีพได้โดยตรงบนแพลตฟอร์ม Qianfan
‘Baidu จะช่วยให้นักพัฒนาใช้ MCP อย่างแข็งขันและครอบคลุม’ ในการประชุมนักพัฒนา AI Baidu Create2025 ที่จัดขึ้นเมื่อวันที่ 25 เมษายน แพลตฟอร์ม Qianfan ได้เปิดตัวบริการ MCP ระดับองค์กรอย่างเป็นทางการ Li Yanhong ผู้ก่อตั้ง Baidu ได้สาธิตกรณีที่แพลตฟอร์ม Qianfan ใช้ MCP ช่วยให้นักพัฒนาสามารถเข้าถึง MCP Server 1000 รายได้อย่างยืดหยุ่น รวมถึง Baidu AI search แผนที่ และ Wenku เมื่อสร้าง Agent นอกจากนี้ Qianfan ยังเปิดตัวเครื่องมือ low-code สำหรับการสร้าง MCP Server ช่วยให้นักพัฒนาสามารถพัฒนา MCP Server ของตนเองบน Qianfan ได้อย่างง่ายดาย และเผยแพร่ไปยัง Qianfan MCP Square ได้ด้วยคลิกเดียว MCP Server เหล่านี้จะถูกจัดทำดัชนีโดย Baidu search อย่างรวดเร็ว ช่วยให้ค้นพบและใช้งานได้โดยนักพัฒนามากขึ้น
ในความเป็นจริง Qianfan ได้แก้ไขปัญหาไมล์สุดท้ายของการใช้งาน AI อย่างต่อเนื่องก่อนการเพิ่มขึ้นของโปรโตคอล MCP ช่วยให้บริษัทต่างๆ ได้รับประโยชน์จากเทคโนโลยี AI อย่างมีประสิทธิภาพและมีอุปสรรคน้อย และจัดหาโซลูชันที่เป็นผู้ใหญ่สำหรับหลายอุตสาหกรรม
ตัวอย่างเช่น ในอุตสาหกรรมบ้านอัจฉริยะ โดยทั่วไปบริษัทต่างๆ จะเผชิญกับปัญหาทั่วไป: จะให้บริการอัจฉริยะที่ถูกต้องแม่นยำสำหรับโมเดลผลิตภัณฑ์จำนวนมากได้อย่างไร ด้วยการเร่งการใช้งาน LLM บริษัทต่างๆ มากขึ้นเรื่อยๆ กำลังใช้ Agent เพื่อให้ผู้ใช้ได้รับคำตอบที่ถูกต้องและเป็นส่วนตัวอย่างรวดเร็ว อย่างไรก็ตาม สิ่งนี้ยังนำมาซึ่งความท้าทายใหม่: จะพัฒนาและจัดการ Agent จำนวนมากได้อย่างไร แบรนด์บ้านอัจฉริยะโดยทั่วไปมีประเภทผลิตภัณฑ์และโมเดลที่แตกต่างกันมากมาย การสร้าง Agent สำหรับแต่ละผลิตภัณฑ์แยกกันจะไม่เพียงส่งผลให้ต้นทุนการพัฒนาสูงเท่านั้น แต่ยังรวมถึงต้นทุนการจัดการและการบำรุงรักษาจำนวนมากในระยะหลังด้วย
ตัวอย่างเช่น แบรนด์บ้านอัจฉริยะชั้นนำได้ใช้แพลตฟอร์มการพัฒนาแอปพลิเคชัน Baidu AI Cloud Qianfan เพื่อถือว่าชื่อไฟล์เป็นชิ้นส่วนอิสระ และฝังข้อมูลชิ้นส่วนชื่อไฟล์ลงในแต่ละชิ้นส่วนย่อย แทนที่จะสร้าง Agent สำหรับแต่ละผลิตภัณฑ์แยกกัน พวกเขาจำเป็นต้องจัดเรียงฐานความรู้ที่เกี่ยวข้องและกำหนดชื่อรุ่นผลิตภัณฑ์ จากนั้น พวกเขาสามารถใช้กลยุทธ์การแยกวิเคราะห์อัตโนมัติของเฟรมเวิร์ก RAG ของแพลตฟอร์ม Qianfan เพื่อให้บรรลุการจับคู่ที่แม่นยำของรุ่นผลิตภัณฑ์และจุดความรู้
แพลตฟอร์มการพัฒนาแอปพลิเคชัน Qianfan ยังมอบชุดเครื่องมือปฏิบัติการให้กับแบรนด์เพื่อสร้างฮับอัจฉริยะที่พัฒนาอย่างต่อเนื่อง ผ่านฟังก์ชันข้อมูล backflow บันทึกการโต้ตอบของผู้ใช้ทั้งหมดจะถูกแปลงเป็นวัสดุเพิ่มประสิทธิภาพ บุคลากรฝ่ายปฏิบัติการสามารถดูปัญหาความถี่สูงได้แบบเรียลไทม์และแทรกแซงในจุดความรู้ที่ไม่เปิดเผยทันที สร้างวงจรปิด ‘การดำเนินการ - ข้อเสนอแนะ - การเพิ่มประสิทธิภาพ’ นอกจากนี้ แพลตฟอร์มการพัฒนาแอปพลิเคชัน Qianfan และ Xiaodu AI Assistant ยังร่วมกันสร้างเฟรมเวิร์กการโต้ตอบด้วยเสียง ด้วยการพึ่งพาเฟรมเวิร์กนี้ แบรนด์สามารถเปิดใช้งานฮาร์ดแวร์ให้ ‘พูดคุย’ กับผู้ใช้ได้โดยตรง บรรลุประสบการณ์การโต้ตอบที่เป็นธรรมชาติ มีประสิทธิภาพ และเป็นส่วนตัวมากขึ้น
ตั้งแต่ MCP ถึง A2A การเปิดกว้างได้กลายเป็นคำหลักใหม่ในระบบนิเวศแอปพลิเคชัน LLM การเปิดกว้างยังเป็นความตั้งใจเดิมของแพลตฟอร์ม Qianfan ตั้งแต่วันแรกที่เปิดตัวในปี 2023 Qianfan ได้นำท่าทีที่เปิดกว้างที่สุดในการเข้าถึง LLM ของบุคคลที่สามที่หลากหลาย ปัจจุบัน Qianfan มีสิทธิ์เข้าถึงโมเดลมากกว่า 100 รายการจากผู้จำหน่ายโมเดลกว่า 30 ราย ครอบคลุมความสามารถ 11 ประเภท เช่น ข้อความ รูปภาพ และการให้เหตุผลเชิงลึก รวมถึงโมเดลของบุคคลที่สาม เช่น DeepSeek, LLaMA, Tongyi และ Vidu นอกจากนี้ยังให้ LLM Wenxin ครบวงจร รวมถึงโมเดลมัลติโมดัลดั้งเดิม Wenxin 4.5 Turbo ที่เพิ่งเปิดตัวใหม่ และโมเดลความคิดเชิงลึก Wenxin X1 Turbo รวมถึงโมเดลความคิดเชิงลึก Wenxin X1 ที่เปิดตัวก่อนหน้านี้
สำหรับบริษัทที่ต้องการใช้เทคโนโลยี AI อย่างรวดเร็ว Baidu AI Cloud ค่อยๆ กลายเป็นตัวเลือกแรก ข้อมูลตลาดเป็นเครื่องพิสูจน์ที่ดีที่สุด ปัจจุบัน แพลตฟอร์ม Qianfan ให้บริการลูกค้ามากกว่า 400,000 ราย โดยมีอัตราการเจาะตลาดมากกว่า 60% ในองค์กรกลาง ตามรายงานการตรวจสอบและข้อมูลเชิงลึกของโครงการประมูลโมเดลขนาดใหญ่ของจีน (2025Q1) Baidu บรรลุความเป็นอันดับหนึ่งสองครั้งในจำนวนโครงการประมูลโมเดลขนาดใหญ่และจำนวนการประมูลที่ชนะในไตรมาสแรก: ชนะโครงการประมูลโมเดลขนาดใหญ่ 19 โครงการ โดยมีจำนวนโครงการที่เปิดเผยมากกว่า 450 ล้านหยวน และโครงการโมเดลขนาดใหญ่ที่ชนะเกือบทั้งหมดมาจากลูกค้ารัฐวิสาหกิจส่วนกลางในอุตสาหกรรมต่างๆ เช่น พลังงานและการเงิน
บัตรรายงานของ Baidu AI Cloud ยังส่งสัญญาณไปยังภายนอก: ในการต่อสู้ระยะยาวเพื่อการใช้งานเทคโนโลยี AI โซลูชันที่เข้าใจปัญหาที่เจ็บปวดในอุตสาหกรรมอย่างแท้จริง และสามารถช่วยให้บริษัทต่างๆ ลดต้นทุนการลองผิดลองถูกได้เท่านั้นที่สำคัญที่สุด