# งานวิจัยและหลักฐาน | HelmLoop

> HelmLoop แยกอำนาจ หลักฐาน การเลื่อนขั้น และผลลัพธ์ของเวิร์กโฟลว์ AI ดูรุ่น 0.1 ที่รันได้และแผนโพรโทคอล 0.2

Source: https://helmloop.dev/th/research.html

0.1 มี 8 record schemas, reducer แบบ 6 แกน, CLI และ fixture adapters 2 ตัว ยังไม่ใช่แพ็กเกจสาธารณะหรือการรับรอง runtime จริง

0.2 วางแผนเพิ่มแกน assurance เหตุการณ์อำนาจ การสังเกตผลลัพธ์ และการรับหลักฐานตามเวอร์ชัน ทั้งหมดยังเป็นข้อเสนอ r3 / sync-4

Workflow เดินตาม code path ที่กำหนด ส่วน agent เลือก process / tool แบบไดนามิก และ autonomy แลกกับ predictability, latency และ cost

Runtime สมัยใหม่มี graph routing, persistence, interrupts, replay, handoffs, guardrails และ traces อยู่แล้ว

HelmLoop เสนอ portable contract boundary สำหรับ authority, evidence freshness, promotion และ observed outcomes เมื่อ graph completion ตัดสินเรื่องสำคัญไม่ได้

## ทางเลือกการออกแบบ

- เก็บ control ไว้ใน graph: เหมาะที่สุดเมื่อ runtime, team และ risk model เดียวเป็นเจ้าของ lifecycle ทั้งหมด และเป็นทางเลือกที่แข็งแรงที่สุด
- ใช้ durable workflow engine: เหมาะเมื่อ replay, queue, timer และความน่าเชื่อถือของงานระยะยาวเป็นปัญหาหลัก
- ใช้เฉพาะ assurance SOP: เหมาะเมื่อ validation และ release governance สำคัญ แต่ไม่ต้องเรียนรู้ outcome ข้ามรอบ
- ใช้ HelmLoop contract: อาจมีประโยชน์เมื่อหลาย runtime ใช้ accountable promotion และ outcome policy ร่วมกัน แต่ยังไม่พิสูจน์แบบ cross-runtime

## แหล่งข้อมูลปฐมภูมิ

- [Agent orchestration](https://openai.github.io/openai-agents-python/multi_agent/): อธิบายว่า specialist ที่ manager ควบคุมและ handoff เป็นตัวเลือก orchestration ที่ต่างกัน
- [Guardrails — OpenAI Agents SDK](https://openai.github.io/openai-agents-python/guardrails/): Guardrail ผูกกับ boundary ของ agent และ tool บางจุด ไม่ได้ครอบทุกเส้นทางอัตโนมัติ
- [Tracing — OpenAI Agents SDK](https://openai.github.io/openai-agents-python/tracing/): Trace บันทึก event ของ model, tool, handoff และ guardrail เพื่อ debugging และ monitoring
- [Building Effective AI Agents](https://www.anthropic.com/engineering/building-effective-agents): แยก workflow ออกจาก agent และแนะนำให้เพิ่ม complexity เมื่อ outcome คุ้มค่าเท่านั้น
- [LangGraph overview](https://docs.langchain.com/oss/python/langgraph/overview): อธิบาย durable stateful graph orchestration และ human-in-the-loop capability
- [LangGraph interrupts](https://docs.langchain.com/oss/python/langgraph/interrupts): Interrupt เก็บ state และรัน node ซ้ำ ทำให้ idempotency เป็นเรื่องสำคัญ
- [Temporal Workflow](https://docs.temporal.io/workflows): Event history และ deterministic replay แยก workflow code ออกจาก external activity
- [Template agent workflows — ADK](https://adk.dev/agents/workflow-agents/): บันทึกโครงสร้าง sequential, loop, parallel และ graph workflow
- [MCP Architecture](https://modelcontextprotocol.io/specification/2025-06-18/architecture): วาง consent, security policy และ authorization decision ไว้ที่ host boundary
- [MCP Authorization](https://modelcontextprotocol.io/specification/2025-11-25/basic/authorization): Bind access token กับ resource เป้าหมายและเน้น least privilege
- [AI Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework): จัดงาน lifecycle risk ด้วย Govern, Map, Measure และ Manage
- [ReAct: Synergizing Reasoning and Acting in Language Models](https://arxiv.org/abs/2210.03629): สลับ reasoning กับ action และใช้ observation ปรับ plan แต่ไม่พิสูจน์ business outcome

## อ่านหลักฐานตามขอบเขตจริง

fixture ไม่รับรอง runtime จริง portability ความพร้อม production หรือคุณค่าทางธุรกิจ