เริ่มจากออกแบบงาน ไม่ใช่แค่เขียนพรอมป์ต์
AI Agent คือระบบที่ใช้โมเดลภาษาเพื่อวางแผน ตัดสินใจ และเรียกใช้เครื่องมือเพื่อทำงานตามเป้าหมาย ไม่ได้หยุดอยู่แค่การตอบคำถาม จึงต้องมีขอบเขตงาน วิธีตรวจสอบ และการกำกับดูแลที่ชัดเจนตั้งแต่เริ่มต้น ถ้าคุณกำลังจะให้ AI แก้โค้ด เปิดคำขอรวมโค้ด หรือเชื่อมต่อบริการอื่น อย่าคิดว่าโมเดลที่เก่งขึ้นจะแก้ปัญหาได้ทั้งหมด ความท้าทายหลักคือทำให้ AI ทำงานถูกตามข้อกำหนด ตรวจพบข้อผิดพลาด และไม่สร้างความเสี่ยงให้ระบบก่อนนำขึ้นใช้งานจริง ประสบการณ์ของ LINE MAN Wongnai แสดงให้เห็นศักยภาพของการเขียนโค้ดด้วย AI: เริ่มทดลองกับนักพัฒนา 36 คน ก่อนขยายเป็นกว่า 400 คน และปัจจุบัน AI ช่วยเขียนโค้ดในการพัฒนาซอฟต์แวร์ได้ถึง 80% ตัวเลขนี้ไม่ใช่เหตุผลให้ปล่อย Agent ทำงานโดยไม่มีคนดู แต่เป็นสัญญาณว่าทีมต้องเตรียมมาตรฐานและจุดตรวจให้พร้อมก่อนเพิ่มปริมาณงาน

เตรียมกรอบงาน แล้วค่อยให้ Agent ลงมือ
ก่อนเริ่ม ควรมี Architecture และ Guardrails ที่บอกขอบเขตงาน พร้อม Context ที่จำเป็น ไฟล์ AGENTS.md ควรสั้นและชัด ส่วนเหตุผลเบื้องหลังการตัดสินใจทางเทคนิคให้บันทึกไว้ใน ADR และกำหนด Contract กับระบบ Types เพื่อให้ Agent รู้ว่าต้องรับอะไรและส่งผลลัพธ์แบบใด จากนั้นทำตามลำดับนี้ โดยแยกการสร้างงานออกจากการตรวจสอบ
- เขียนข้อกำหนดและเกณฑ์ยอมรับงานให้ตรวจได้ ก่อนอนุญาตให้ Agent แก้โค้ด
- ให้ Agent ทำงานตามขอบเขตและเครื่องมือที่กำหนด โดยไม่เพิ่มสิทธิ์เกินความจำเป็น
- รันการทดสอบแบบแยกวงจร อย่าให้ Agent แก้ทั้งโค้ดและชุดทดสอบเพื่อทำให้ผลผ่าน
- ตรวจแบบ Fail-Fast โดยเริ่มจากเช็กที่เร็วและพบปัญหาได้ง่าย แล้วค่อยไปสู่การทดสอบที่ใช้เวลามาก
- ให้ SubAgent ที่มี Context แยกช่วยรีวิว ก่อนส่งให้มนุษย์ตรวจตามระดับความเสี่ยง
จุดพลาดที่เจอบ่อยคือสั่งงานกำกวมจน AI ตีความเกินโจทย์ และยัด Skills มากเกินไปจนคำสั่งซ้ำหรือขัดกัน ซึ่งกลายเป็น Skill Hell หากงานเกี่ยวข้องกับการชำระเงินหรือการยืนยันตัวตน อย่าข้ามการรีวิวโดยผู้เชี่ยวชาญ แม้ระบบทดสอบอัตโนมัติจะผ่านก็ตาม

หกเรื่องที่ช่วยให้ใช้งานจริงได้
การปรับปรุงความแม่นยำ AI เริ่มจากทำโจทย์ให้ชัดและใช้ชุดทดสอบที่มีคำตอบอ้างอิง เช่น Golden Set เพื่อตรวจว่าผลลัพธ์คลาดเคลื่อนหรือไม่ เมื่อนำแนวทางไปใช้จริง ให้คิดเป็นหกเรื่องที่ต่อกัน: วิศวกรรม Agent และกรอบการทำงาน, การทดสอบความถูกต้อง, การควบคุมความปลอดภัย, โครงสร้างพื้นฐาน AI สำหรับหลายโมเดล, การจัดระเบียบข้อมูลและซอร์สโค้ดให้ค้นคืนได้ และการเชื่อมเครื่องมือกับข้อมูลปัจจุบันผ่าน MCP ด้านความเร็ว ไม่จำเป็นต้องใช้โมเดลขนาดใหญ่กับทุกงาน งานซ้ำที่มีขั้นตอนแน่นอนอาจให้โมเดลใหญ่ช่วยร่าง Skills และจุดตรวจ แล้วมอบให้โมเดลเล็กทำตาม ลดเวลารอและภาระตรวจซ้ำ แต่เลือกเฉพาะคำสั่งที่จำเป็น อย่าเพิ่มคู่มือจนขัดกัน ส่วนความปลอดภัย AI Agent ให้จำกัดการเชื่อมต่อผ่าน Envoy ซึ่งทำหน้าที่เป็นเกตเวย์ และอนุญาตเฉพาะเว็บไซต์หรือ API ในรายการที่กำหนด

วัดผลที่คุณภาพ ไม่ใช่จำนวนโค้ด
หลังตั้งระบบแล้ว ให้ดูทั้งความถูกต้องของงาน อัตราข้อผิดพลาด เวลาที่ใช้ตั้งแต่เริ่มจนส่งมอบ และจำนวนครั้งที่ต้องแก้หลังตรวจ อย่าใช้ปริมาณโค้ดที่ AI สร้างเป็นตัวแทนความสำเร็จ เพราะการเขียนเร็วขึ้นไม่ได้ทำให้การตรวจ การตัดสินใจ และการประสานงานหายไป แนวทาง Harness และ Loop Engineering ช่วยให้ Agent อ่านกฎทีม ใช้ข้อมูลจากระบบที่เกี่ยวข้อง และวนตรวจแก้ก่อนส่งงานได้ โดยมีมนุษย์กำกับจุดเสี่ยง ผลลัพธ์ที่มีรายงานคือทีมพัฒนาระบบขนาดใหญ่ 23 บริการได้ใน 3 เดือน จากเดิมที่ใช้เวลา 6–8 เดือน ตัวเลขนี้เป็นตัวอย่างของการจัดระบบ ไม่ใช่คำรับประกันว่าจะได้ผลเท่ากันทุกทีม ถ้าจะเริ่ม ให้ทดลองกับงานขอบเขตเล็ก เก็บผลทดสอบและข้อผิดพลาด แล้วค่อยเพิ่มสิทธิ์หรือขยายงาน ความคุ้มค่าอยู่ที่ส่งมอบงานที่เชื่อถือได้เร็วขึ้น ส่วนสิ่งที่ต้องเฝ้าระวังคือข้อมูลที่ Agent เข้าถึงและการตรวจโดยคนในงานสำคัญ







