AI agent context management คืออะไร และปัญหาที่ทุกทีมกำลังเจอ
AI agent context management คือแนวทางจัดการข้อมูลทั้งหมดที่ส่งเข้าไปใน AI coding agent ระหว่างทำงานกับโค้ดทั้งรีเควส เครื่องมือ และผลลัพธ์ต่างๆ เพื่อให้เอเจนต์เข้าใจระบบได้พอโดยไม่ต้องอ่านไฟล์เดิมซ้ำไปซ้ำมา และลดความสับสนจากสมมติฐานเก่าที่สะสมในวงรอบการทำงานของเอเจนต์ลงให้มากที่สุด ถ้าดูการทำงานของเอเจนต์อย่าง Claude Code ในรีโปขนาดใหญ่ เราจะเห็นว่ามันอ่านไฟล์ 600 บรรทัดซ้ำหลายร้อยครั้ง เพราะทุกครั้งที่คิดต่อจะถูกส่งประวัติบทสนทนาทั้งหมดกลับเข้าโมเดลใหม่ทุกเทิร์น ทุกไฟล์ที่เคยเปิด ทุกผลเครื่องมือที่เคยเรียกจะกลายเป็นภาระ context ที่ต้องแบกไปเรื่อยๆ ภาษี context นี้ไม่ได้สิ้นเปลืองแค่เวลา แต่ยังเปิดช่องให้เกิดความสับสน เอเจนต์เริ่มทำงานบนสมมติฐานเก่า แก้อาการแทนแก้เหตุ และสะสมความไม่แน่นอนไปเรื่อยๆ จนเกิดสิ่งที่เรียกว่า operational entropy ในลูปของเอเจนต์
เมื่อเอเจนต์อ่านโค้ดเหมือนใช้เชลล์ ภาษี context ก็พุ่งไม่หยุด
หัวใจของปัญหาคือเอเจนต์ส่วนใหญ่ยังคิดแบบเชลล์ เมื่อโค้ดเบสใหญ่เกินหน้าต่าง context สิ่งที่ทำได้คือ grep หา แล้วเปิดไฟล์ อ่านส่วนหนึ่ง แล้วขยายส่วนให้กว้างขึ้น ทุกครั้งที่อ่านแบบนี้ เนื้อหาจะติดอยู่ในบทสนทนาและถูกคิดค่าประมวลผลใหม่ทุกเทิร์นที่เหลือ ทำให้ภาษี context สะสมอย่างรวดเร็ว มีเคสจริงจากรีโปที่เปลี่ยนแปลงประมาณ 800 บรรทัดซึ่งเอเจนต์ใช้รอบโมเดลถึง 512 ครั้ง ขนาดหน้าต่าง context พุ่งขึ้นไปถึงราว 458700 โทเคน และมี cache read token มากกว่า 152.8 ล้านโทเคน ประโยคที่ควรจดจำคือ "ภาษี context ที่แท้จริงไม่ใช่แค่ขนาดโทเคน แต่คือขนาดโทเคนคูณจำนวนเทิร์นที่มันมีชีวิตอยู่" ยิ่งเอเจนต์อ่านไฟล์ใหญ่ในเทิร์นหลังๆ ภาระจะยิ่งทวีคูณ ซึ่งแปลตรงตัวว่า coding agent efficiency พังลงอย่างไม่น่าเชื่อสำหรับงานที่คนอ่าน diff จบได้ภายในไม่กี่นาที
codebase graph technology แทน grep ด้วยความเข้าใจจริงของโค้ด
ถ้าเรายังปล่อยให้เอเจนต์ใช้ grep เป็นเข็มทิศ ก็ต้องยอมรับว่าภาษี context จะสูงเสมอ ทางออกคือเปลี่ยนจากการอ่านไฟล์ดิบไปใช้ codebase graph technology อย่าง SemSitter และ Sonar Vortex ที่สร้างกราฟsemanticของโค้ดเบสขึ้นมาให้เอเจนต์ถามแทนการเปิดไฟล์ทีละก้อน SemSitter สร้าง Unified Dependency Graph หรือ UDG ของรีโป โดยทำให้ทุกฟังก์ชัน เมทอด คลาส ฟิลด์ และพารามิเตอร์กลายเป็น node และใช้ขอบแบบมีชนิดบอกความสัมพันธ์ เช่น calls references returns has param is type contains extends นั่นหมายความว่าเวลาต้องตอบคำถามพื้นฐานอย่าง "เมทอดนี้มาจากชนิดไหน คืนค่าอะไร" เอเจนต์ไม่ต้อง grep ทั่วรีโปอีกต่อไป แต่ยิงคำถามไปที่กราฟแล้วรับ node ที่เกี่ยวข้องพร้อมความสัมพันธ์กลับมา ผลลัพธ์ที่เห็นได้ชัดคือ ลดโทเคน context ต่อหนึ่งงาน ลดจำนวนรอบไปกลับ และที่สำคัญคือเอเจนต์เริ่มมองเห็น call site ที่ regex มองไม่เห็นในรีโปที่ใหญ่เกินหน้าต่าง context นี่คือ AI agent context management แบบมีโครงสร้างแทนการท่วมไปด้วยข้อความ
AI context optimization ด้วยกราฟเดียวที่เชื่อมโค้ด เอกสาร และหลายภาษา
จุดเด่นที่ทำให้ codebase graph technology แตกต่างคือความสามารถในการให้ context ที่แม่นยำข้ามไฟล์ ข้ามภาษา และเชื่อมกับเอกสารในกราฟเดียวกัน เอเจนต์ไม่ต้องเก็บไฟล์ทั้งก้อนไว้ในบทสนทนา แต่เก็บเฉพาะ node ที่เกี่ยวข้องจริงกับงานตรงหน้า ทำให้ AI context optimization เป็นเรื่องที่วัดผลได้ ไม่ใช่แค่คำสวยงาม กราฟเดียวกันนี้ยังพกความสัมพันธ์เพิ่มที่สำคัญต่อภาษี context เช่นขอบแบบ documented by ที่ผูก node โค้ดเข้ากับย่อหน้าของ design doc ส่วน ADR หรือ section ของ README ที่อธิบายสัญญาพฤติกรรมของโค้ด เมื่อเอเจนต์ต้องการคำอธิบาย จะดึงเฉพาะย่อหน้าที่ควบคุมชิ้นโค้ดนั้น ไม่ใช่เปิดทั้งไฟล์เอกสารยาวๆ ส่งเข้าโมเดล ตัวอย่างที่ชัดคือการแทนการ grep แล้วอ่านไฟล์ด้วยการ lookup ผ่านกราฟ โหลดโทเคนประมาณหนึ่งในเก้าเท่านั้น และเพราะโทเคนเหล่านี้อยู่ในบทสนทนามากถึงราว 470 เทิร์น การลดโทเคนต่อหนึ่งอ่านจึงลด cache read token จากระดับประมาณ 2.7 ล้านเหลือราว 0.33 ล้าน coding agent efficiency จึงดีขึ้นทุกครั้งที่ตัดการอ่านเกินความจำเป็นออกไป
บทบาทใหม่ของวิศวกรซอฟต์แวร์ ออกแบบขอบเขตและลูป feedback ให้เอเจนต์เชื่อถือได้
เมื่อ syntax ไม่ใช่คอขวดอีกต่อไป งานของวิศวกรซอฟต์แวร์เริ่มเปลี่ยนจากการเขียนทุกบรรทัดไปเป็นการออกแบบขอบเขตและ feedback loop ที่ทำให้ AI agent เชื่อถือได้ เอเจนต์สามารถเดินรีโป เขียนเทสต์ ดู stack trace และเสนอ refactor ได้เอง แต่ทุกลูปของเอเจนต์มี loss และ operational entropy สะสมอยู่เสมอ บทบาทใหม่จึงไม่ใช่การเป็นคนตรวจโค้ดแบบยางลบ แต่คือการออกแบบ equilibrium ของระบบ ให้ generated logic ที่เอเจนต์เขียนสามารถถูกตรวจสอบและแก้ไขได้อย่างเฉพาะเจาะจง หน้าที่หลักคือการสร้าง data contract เทสต์ที่แม่นเครื่องมือที่ให้ผลแน่นอน และวงจรประเมินที่บอกเอเจนต์ได้ว่ามันผิดตรงไหน มีประโยคที่สะท้อนภาพนี้ชัดเจนคือ "งานของวิศวกรซอฟต์แวร์ไม่ใช่การเขียน micro logic ทุกชิ้นอีกต่อไป เอเจนต์จะทำงานนั้นมากขึ้น เป้าหมายใหม่คือสร้างเงื่อนไขที่ทำให้โลจิกที่ถูกสร้างเชื่อถือได้" หรือพูดสั้นๆ ว่า คนออกแบบ boundary เอเจนต์เป็นคนเขียนโค้ด ระบบถึงจะเดินหน้าโดยไม่หลุดกรอบ
