นิยามปัญหา: เมื่อ AI coding agent เก่งขึ้นแต่ค่าโทเคนพุ่ง
AI coding agent optimization คือแนวคิดการออกแบบและปรับแต่งเอเยนต์ช่วยเขียนโค้ดให้ทำงานได้ตรงโจทย์ ใช้โทเคนน้อยที่สุด ลดรอบโต้ตอบ และไม่เพิ่มสกิลหรือคำสั่งเกินความจำเป็น เพื่อให้ได้ผลลัพธ์ด้านประสิทธิภาพเวลา ค่าใช้จ่าย และคุณภาพโค้ดที่ดีขึ้นพร้อมกันในสภาพแวดล้อมการพัฒนาแบบอัตโนมัติและกึ่งอัตโนมัติ มุมมองยอดฮิตช่วงนี้คือ “ยิ่งให้ AI มีสกิลมาก ยิ่งทำงานได้ดี” แต่กรณีศึกษาล่าสุดของ Claude Code กำลังพิสูจน์ตรงกันข้าม วิศวกรคนหนึ่งพบว่าเพียงเพิ่ม custom skills เข้าไปเรื่อยๆ ประสิทธิภาพกลับลดลงอย่างเห็นได้ชัด ทั้งจำนวนรอบสนทนาที่เพิ่มและ token consumption management ที่เสียการควบคุมจนโทเคนพุ่งเกือบเท่าตัว ขณะที่ในภาพใหญ่ ฝั่งองค์กรก็เริ่มเจอปัญหา tokenmaxxing ใช้งบ AI ทั้งปีหมดภายในไม่กี่เดือน คำถามจึงไม่ใช่จะเพิ่มอะไรให้เอเยนต์ แต่คือควรตัดอะไรทิ้งเพื่อให้เหลือแก่นที่คุ้มค่าจริง
เคส Claude Code: เพิ่มสกิลมากขึ้น แต่ได้แค่โทเคนที่ถูกเผา
กรณีของ Claude Code เริ่มจากวิศวกรซอฟต์แวร์ที่ใช้ Claude Desktop ทำงานหลาย session พร้อมกัน เขาสร้าง custom skill ชื่อ session-title เพื่อใส่ Emoji นำหน้าชื่อ workspace แก้ปัญหาหน้าต่างชื่อซ้ำสลับยาก เวอร์ชันแรกของสกิลมี 78 บรรทัดราว 4 KB ต่อมาพอย้ายไปทำงานบน cloud session จึงขยายสกิลให้รองรับทั้งเดสก์ท็อปและคลาวด์จนบวมเป็น 139 บรรทัดประมาณ 7.4 KB จุดหักมุมคือบนคลาวด์นั้นมี MCP tools สำหรับอ่านและแก้ไขชื่อ session อยู่แล้ว การยัดข้อความคำอธิบายสกิลเพิ่มเข้าไปจึงกลายเป็นภาระเกินจำเป็น วิศวกรรายนี้พบว่า custom skills performance ที่ขยายเกินเหตุทำให้ Claude Code ใช้โทเคนมากขึ้นระหว่าง reasoning loop โดยที่คุณภาพผลลัพธ์ไม่ดีขึ้นเลย แท้จริงแล้วเขาแค่สอนโมเดลซ้ำในสิ่งที่ระบบรู้ทำอยู่แล้ว
ตัวเลขที่น่าตกใจ: ภาระโทเคนเพิ่ม 50–85% โดยงานยังสำเร็จเท่าเดิม
เพื่อพิสูจน์ข้อสงสัย วิศวกรรายนี้รันการทดสอบอัตโนมัติบนคลาวด์สามกรณี ได้แก่ การเปลี่ยนชื่อ session การเติม Emoji นำหน้า และการอ่านชื่อเฉยๆ โดยเปรียบเทียบระหว่างใช้ custom skill กับใช้ความสามารถเดิมของระบบ เขาพบว่าในทุกกรณี Claude Code ทำงานสำเร็จ 100% อยู่แล้วไม่ว่าจะมีหรือไม่มีสกิลเพิ่ม แต่เมื่อเปิดใช้สกิล ค่าโทเคนกลับพุ่งสูงขึ้นอย่างหนัก การเปลี่ยนชื่อด้วยสกิลทำให้โทเคนเฉลี่ยสูงกว่าฐานถึง 85.7% ขณะที่งานเติม Emoji เพิ่มขึ้น 58.2% และการอ่านชื่อเพิ่ม 11.6% กล่าวอีกแบบคือ AI coding agent optimization ล้มเหลว เพราะสกิลไม่ได้ให้ความสามารถใหม่ แต่แย่งพื้นที่ context window กลายเป็น Context Rot และเผาโทเคนใน reasoning loop โดยที่ผู้ใช้ด้านหน้าแทบไม่รู้ตัว
จาก tokenmaxxing สู่ ROI: ลดสกิลแทนการลดการใช้ AI
บนฝั่งองค์กร ปรากฏการณ์คล้ายกันกำลังเกิดขึ้นในระดับงบประมาณ หลายธุรกิจใช้งบ AI ทั้งปีหมดภายในไม่กี่เดือน หรือเริ่มจำกัดพนักงานใช้ AI เพราะรับภาระโทเคนไม่ไหว แต่การตัดการใช้งานแบบเหวี่ยงแหทำให้โครงการที่มีคุณค่าถูกพับไปด้วย และยิ่งแย่ลงเมื่อกว่า 84% ของผู้นำการเงินยังวัด ROI ของโครงการ AI ไม่ได้ชัดเจน คำตอบจึงไม่ใช่สั่งห้าม AI แต่ต้องเลิกวัฒนธรรม tokenmaxxing ที่ให้รางวัลจากปริมาณโทเคนและฟีเจอร์ แล้วหันมาโฟกัสว่าฟังก์ชันไหนนำไปสู่ผลลัพธ์ธุรกิจจริง Real ROI เกิดเมื่อองค์กรเชื่อมค่าใช้จ่ายเข้ากับผลลัพธ์ที่วัดได้ เช่น เวลาออกผลิตภัณฑ์ใหม่ลดลง หรือจำนวนบั๊กในโปรดักชันลดลง ไม่ใช่จำนวนคำสั่งหรือสกิลในเอเยนต์
กลยุทธ์ Lean Skills: ทดสอบเชิงปริมาณ ตัดส่วนเกิน ออกแบบเอเยนต์ให้ผอมแต่แกร่ง
บทเรียนจาก Claude Code ชี้ชัดว่าการทำ AI coding agent optimization ที่ดีต้องเริ่มจาก “น้อยแต่จำเป็น” วิศวกรเจ้าของเคสจึงรื้อสกิลเดิมทิ้ง แล้วสร้างสกิลใหม่ชื่อ get-session-title ทำงานอย่างเดียวคืออ่านชื่อ session บนเดสก์ท็อป ซึ่งเป็นความสามารถที่โมเดลไม่มี โดยลดขนาดโค้ดจาก 139 บรรทัดเหลือเพียง 29 บรรทัดราว 1.3 KB ผลคือจำนวนรอบสนทนาและโทเคนลดลงมากและ Claude Code efficiency ดีขึ้นชัดเจน แนวทางที่เขาเสนอคือ หนึ่ง ใช้หลัก “ขั้นต่ำที่แทรกแซง” เติมสกิลเฉพาะความสามารถที่โมเดลขาด ห้ามสอนซ้ำสิ่งที่เครื่องมือเดิมทำได้แล้ว สอง แยกสกิลที่เพิ่มความสามารถจริงออกจากสกิลกำหนดสไตล์โค้ด เพื่อลดภาระ context สาม บังคับมีระบบทดสอบเชิงปริมาณ วัดรอบโต้ตอบและโทเคนทั้งก่อนและหลังใส่สกิล โดยเฉพาะสกิลที่ไปแตะสิทธิ์ข้อมูลภายใน สำหรับธุรกิจที่มองหา AI ROI กลยุทธ์จึงควรเปลี่ยนจากการสะสมฟีเจอร์ไปสู่ชุดสกิลที่ผ่านการทดสอบแล้วว่าทั้งเร็ว ประหยัด และผูกกับผลลัพธ์ธุรกิจเสมอ
