ศึกสายฟ้าแลบ! Vercel เปิดตัว ‘Eve’ สู้ Databricks เปิดตัว ‘Omnigent’ เฟรมเวิร์ก AI Agent โอเพนซอร์สที่มาแตกต่างกันโดยสิ้นเชิง

ภายในช่วงเวลาเพียงไม่กี่วันของเดือนมิถุนายน 2026 บริษัทโครงสร้างพื้นฐานรายใหญ่สองแห่งของโลก คือ Vercel และ Databricks ต่างก็เปิดตัวเฟรมเวิร์ก AI Agent แบบโอเพนซอร์ส (Open Source) ออกมาพร้อมกัน ซึ่งการประกาศนี้ชี้ให้เห็นถึงกลยุทธ์ร่วมกันว่า ยุคต่อไปของวงการเทคโนโลยีจะถูกขับเคลื่อนโดย 'Agent' และวิธีที่จะชนะเกมนี้คือการเปิดเผยซอร์สโค้ดให้คนทั่วโลกได้ใช้ แต่ถึงแม้จะมีแนวคิดร่วมกัน เฟรมเวิร์กของทั้งสองบริษัทกลับมุ่งแก้ปัญหาคนละเรื่องกันอย่างสิ้นเชิง

ในขณะที่ eve จาก Vercel เป็นเฟรมเวิร์กที่ถูกออกแบบสำหรับนักพัฒนาโดยเฉพาะ มุ่งเน้นการสร้าง เรียกใช้ และขยายขนาด Agent แต่ละตัว Omnigent จาก Databricks กลับเป็นเมตา-ฮาร์เนส (Meta-Harness) สำหรับการ Orchestrate ระบบ Agent ที่มีหลายตัวร่วมกัน ซึ่งถูกออกแบบมาให้ทำงานอยู่เหนือเฟรมเวิร์ก Agent ใดๆ ก็ได้ เพื่อเป็นเลเยอร์ Governance และการทำงานร่วมกันแบบรวมศูนย์ แต่ละเฟรมเวิร์กสะท้อนให้เห็นถึงกลยุทธ์ที่แตกต่างกันว่า 'องค์กรต้องการอะไรที่สุดในตอนนี้'

Vercel — Eve: 'Next.js สำหรับ Agent'

สิ่งที่ถูกประกาศ

ในงานคอนเสิร์นซ์ Ship 2026 เมื่อวันที่ 17 มิถุนายนที่ผ่านมา Vercel ได้เปิดตัว eve เฟรมเวิร์ก Agent แบบโอเพนซอร์ส โดยเผยแพร่เป็นแพ็กเกจ npm ชื่อ eve ภายใต้สัญญาอนุญาต Apache-2.0 ที่น่าสนใจคือ เฟรมเวิร์กนี้ถูก 'สกัด' ออกมาจากสถาปัตยกรรมที่ Vercel พบเห็นหลังจากสร้าง Agent ภายในของตัวเอง 'เป็นร้อยๆ ตัว' และพบว่ามันมีโครงสร้างเหมือนกันหมด

คุณสมบัติเด่น

• Agent-as-a-directory — คุณแค่สร้าง Agent เป็นโฟลเดอร์เดียวที่มีไฟล์ agent.ts, instructions.md, tools/, skills/, subagents/, channels/ และ schedules/ ภายใน โครงสร้างโฟลเดอร์นี้เองคือตัวกำหนดความสามารถของ Agent
• Durable execution — มีการทำงานที่ทนทาน พร้อมการลองใหม่ (Retries) อัตโนมัติ และการจัดเก็บสถานะต่างๆ
• Sandboxed compute — Agent แต่ละตัวจะได้รับ MicroVM ที่แยกขาดจากระบบหลักเพื่อใช้รันโค้ดที่มันเขียน
• Human-in-the-loop approvals — การอนุมัติแบบมนุษย์ร่วมวงจร ใช้แค่การปิดแฟล็ก needsApproval ไว้ที่เครื่องมือ (Tool) ใดๆ ก็ตามเพื่อให้การทำงานที่แพงหรืออันตรายต้องผ่านการอนุมัติจากมนุษย์ก่อน
• Subagents — Agent สามารถมอบหมายงานให้กับ Agent ย่อย (Sub-agent) ซึ่งมีโครงสร้างโฟลเดอร์แบบเดียวกัน วางซ้อนอยู่ในโฟลเดอร์ subagents/
• Evals — ระบบประเมินผลและทดสอบพฤติกรรมของ Agent
• Vercel Connect Integration — Agent จะขอ Credentials แบบชั่วคราว (Scoped) แทนที่จะเก็บ Long-lived token ไว้เพื่อความปลอดภัย
• ออกแบบมาให้ให้ความรู้สึกเหมือนกับการสร้างโครงร่าง (Scaffolding) รันและดีพลอย (Deploy) แอป Next.js

ตัวชี้วัดการนำไปใช้ภายใน

Vercel ระบุว่าบริษัทสร้างและรัน Agent ของตัวเองบน eve และขณะนี้มี Agent มากกว่า 100 ตัวที่กำลังทำงานในระบบโปรดักชั่น (Production) ของ Vercel โดยใช้เฟรมเวิร์กนี้

เหตุผลเชิงกลยุทธ์

• สร้างมาตรฐานการพัฒนา Agent — Vercel ให้เหตุผลว่าการสร้าง Agent ในปัจจุบันนั้นก็เหมือนกับ 'โลกของเว็บก่อนที่จะมีเฟรมเวิร์ก' คือทุกคนต้องเขียนโครงสร้างพื้นฐานซ้ำแล้วซ้ำเล่า eve มีเป้าหมายที่จะเป็นเหมือนกับสิ่งที่ Next.js ทำกับเว็บแอป คือเปลี่ยนรูปแบบที่ต่างคนต่างทำ (Ad-hoc) ให้เป็นโครงสร้างเดียวที่ชัดเจน
• ทำให้ Agent Stack ลึกขึ้น — eve เป็นเฟรมเวิร์กชั้นบนสุดที่เชื่อมต่อโครงสร้างพื้นฐาน Agent ที่มีอยู่ของ Vercel ทั้งหมด (AI SDK, AI Gateway, Workflow SDK, Sandbox, Chat SDK, Connect) ให้กลายเป็นประสบการณ์นักพัฒนาแบบ End-to-End
• กระตุ้นการใช้งานแพลตฟอร์ม — ด้วยการทำให้การพัฒนา Agent ง่ายพอๆ กับการสร้างแอป Next.js Vercel จึงวางตำแหน่งตัวเองเป็นเป้าหมายดีฟอลต์สำหรับการ Deploy Agent เช่นเดียวกับที่เคยเป็นสำหรับ Front-End App

Databricks — Omnigent: 'Kubernetes สำหรับ Agent'

สิ่งที่ถูกประกาศ

ในช่วงตั้งแต่วันที่ 13 ถึง 18 มิถุนายน 2026 Databricks ได้เปิดตัว Omnigent ซึ่งเป็น 'เมตา-ฮาร์เนส (Meta-Harness) สำหรับ AI Agent' ที่ถูกปล่อยออกมาในเวอร์ชัน Alpha ภายใต้สัญญาอนุญาต Apache 2.0 โปรเจกต์นี้ถูกประกาศครั้งแรกโดย Matei Zaharia ผู้ร่วมก่อตั้ง Databricks ผ่านทาง X

คุณสมบัติเด่น

• การประกอบ Agent หลายตัว — Omnigent ทำงานอยู่เหนือระบบ Agent ที่มีอยู่แล้ว (เช่น Claude Code, OpenAI Codex, Pi หรือ Agent SDK อื่นๆ ที่สร้างเอง) และจัดหา Interface เดียวสำหรับการส่งต่องาน (Routing Tasks) ไปยังหลาย Agent
• Live Collaboration — ทีมงานสามารถแชร์เซสชัน Agent แบบสด ทบทวนผลลัพธ์ร่วมกัน และนำทางขั้นตอนการทำงานแบบเรียลไทม์
• Rich Control Policies — ระบบ Policy Engine ที่มีสถานะ (Stateful) ซึ่งสามารถติดตามการกระทำของ Agent และบังคับใช้กฎ (Guardrails) ที่นอกเหนือไปจากการควบคุมด้วย Prompt โดยครอบคลุมถึงเรื่องความปลอดภัย ต้นทุน และสิทธิ์การเข้าถึง
• Cloud Execution Environments — สภาพแวดล้อมการทำงานบนคลาวด์ที่มี Sandbox ระดับ OS
• Vendor-neutral orchestration — ออกแบบมาเพื่อป้องกันการล็อกอิน (Vendor Lock-in) กับผู้ให้บริการ Agent รายใดรายหนึ่ง ในขณะที่ยังคงมีการจัดการแบบรวมศูนย์

บริบทการนำไปใช้ภายใน

Databricks กล่าวว่า Omnigent ได้รับบทเรียนโดยตรงจากการปรับใช้ Agent AI ภายในบริษัทเอง และจากการสร้างผลิตภัณฑ์ที่ใช้ Agent เช่น Genie โดยรวมแล้ว แพลตฟอร์ม Databricks ให้บริการแก่องค์กร มากกว่า 20,000 แห่ง และ 70% ของบริษัทใน Fortune 500 นอกจากนี้ Databricks ยังมีบริการเวอร์ชันจัดการ (Managed Version) ของ Omnigent ซึ่งเป็นส่วนหนึ่งของแพลตฟอร์ม Agent Bricks เชิงพาณิชย์อีกด้วย

เหตุผลเชิงกลยุทธ์

• แก้ปัญหาการแตกกระจาย — องค์กรที่รันระบบ Agent หลายระบบ (เช่น Claude Code, Codex, Pi หรือที่สร้างเอง) จะเผชิญกับความซับซ้อนในการบูรณาการที่เพิ่มขึ้นแบบก้าวกระโดด (Non-linearly) Omnigent จึงเป็นเลเยอร์ Orchestration และ Governance ชั้นเดียวที่ทำงานเหนือ Agent ทั้งหมด
• เล่นเกมโอเพนซอร์สเหมือนเดิม — Databricks มีประวัติที่พิสูจน์แล้วในการปล่อยโครงสร้างพื้นฐานสำคัญเป็นโอเพนซอร์ส (เช่น Apache Spark, MLflow, Delta Lake) เพื่อขับเคลื่อนการใช้งานในระบบนิเวศ แล้วจึงสร้างรายได้จากเวอร์ชัน Enterprise ที่มีการจัดการ
• Governance คือจุดขาย — เมื่อ Agent เคลื่อนจากขั้นทดลองไปสู่โปรดักชั่น องค์กรจำเป็นต้องมีระบบตรวจสอบ (Auditability), การควบคุมต้นทุน และนโยบายความปลอดภัยที่ปรับตัวตามพฤติกรรมของ Agent ไม่ใช่แค่ใช้ Prompt แบบตายตัว
• วางตำแหน่งเป็น 'Kubernetes สำหรับ Agent' — หาก Omnigent ถูกนำไปใช้อย่างแพร่หลาย Abstractions ของ Databricks จะกลายเป็น 'โพรโทคอล' มาตรฐานสำหรับการประสานงานกองทัพ Agent หลายตัว ซึ่งเป็นทางลาดเข้าสู่แพลตฟอร์มเชิงพาณิชย์ของพวกเขาโดยอัตโนมัติ
• ตัวเสริมให้ Agent Bricks — Omnigent ขยายขีดความสามารถของแพลตฟอร์ม Agent Bricks ที่มีอยู่เดิมด้วยเลเยอร์ Orchestration แบบโอเพนซอร์ส ในขณะที่ฟีเจอร์อย่าง Supervisor Agent และ Unity Catalog Governance ยังคงเป็นส่วนหนึ่งของข้อเสนอเชิงพาณิชย์

สองกลยุทธ์ ภายใต้ความเชื่อเดียวกัน

เมื่อมองภาพรวมแล้ว Vercel's eve มุ่งเน้นที่การทำให้ Agent แต่ละตัวนั้นสร้าง ทดสอบ และ Deploy ได้ง่ายขึ้น โดยเป็นเครื่องมือแนวนอน (Horizontal Tool) สำหรับนักพัฒนาทั่วไปที่ต้องการสร้างฟีเจอร์แบบ Agentic ส่วน Databricks' Omnigent มุ่งเน้นที่การจัดการ 'ความอลหม่าน' ของ Agent หลายๆ ตัวที่ทำงานข้ามทีมและข้ามผู้ให้บริการ โดยเป็น Control Plane สำหรับการปรับใช้ในระดับองค์กร แม้จะมาในเวลาเดียวกัน แต่ทั้งสองบริษัทต่างก็เดิมพันว่าการเป็นโอเพนซอร์สจะช่วยผลักดันความต้องการใช้แพลตฟอร์มเชิงพาณิชย์ของตน นั่นคือ โครงสร้างพื้นฐานในการ Deploy ของ Vercel และแพลตฟอร์ม Managed Data and AI ของ Databricks

สำหรับนักพัฒนาที่กำลังประเมินเครื่องมือเหล่านี้ การเลือกใช้ขึ้นอยู่กับปัญหาที่ต้องการแก้: ใช้ eve เมื่อคุณต้องการสร้าง Agent ตัวเดียวให้เสร็จเร็วและ Deploy ได้ทันทีด้วยประสบการณ์นักพัฒนาที่คุ้นเคย; หรือประเมิน Omnigent เมื่อคุณต้องการ Orchestrate และควบคุมกองทัพ Agent ที่ทำงานข้ามเฟรมเวิร์กต่างๆ สองสิ่งนี้ไม่ได้แข่งขันกันโดยตรง ในทางกลับกัน มันสามารถทำงานเสริมกันได้ โดย Agent ที่สร้างจาก eve อาจถูกนำไป Orchestrate ด้วย Omnigent ในอนาคต