วางระบบก่อนให้ Agent ลงมือ
AI Agent คือระบบปัญญาประดิษฐ์ที่รับเป้าหมายแล้วทำงานหลายขั้นตอน เชื่อมต่อเครื่องมือหรือข้อมูล และตรวจสอบผลก่อนส่งต่อ โดยผู้พัฒนายังกำหนดขอบเขตและรับผิดชอบคุณภาพของผลลัพธ์ ถ้ากำลังพัฒนา AI Agent สำหรับงานซอฟต์แวร์ ให้เริ่มจากงานเล็กที่มีผลลัพธ์ตรวจได้ เช่น ช่วยแก้ข้อผิดพลาดหรือเพิ่มบริการย่อย แทนการปล่อยให้ระบบแก้ทุกอย่างเอง แนวทางจากการประชุมด้านนักพัฒนาของ LINE เน้นการทำให้ Agent ทำตามข้อกำหนด ตรวจสอบย้อนหลังได้ และพร้อมใช้จริง ไม่ใช่แค่สร้างโค้ดได้เร็วขึ้น ข้อควรระวังคือความเร็วในการเขียนโค้ดไม่เท่ากับความเร็วในการส่งมอบผลิตภัณฑ์ เพราะการตรวจสอบ การตัดสินใจ และการประสานงานยังเป็นคอขวดได้ ประสบการณ์ของ LINE MAN Wongnai ยังชี้ว่าการเปลี่ยนผ่านสู่องค์กรที่ขับเคลื่อนด้วย AI ต้องวัดคุณภาพผลิตภัณฑ์และคุณค่าทางธุรกิจ ไม่ใช่นับบรรทัดโค้ด

ทำตามลำดับ: กติกา โค้ด และวงจรทดสอบ
ลำดับต่อไปนี้ช่วยให้ทีมเริ่มจากขอบเขตที่ควบคุมได้ ก่อนเพิ่มความสามารถให้ Agent ทำงานต่อเนื่อง หลักสำคัญคือแยกสิ่งที่ระบบสร้างออกจากเกณฑ์ที่ใช้ตัดสินว่างานผ่านหรือไม่
- กำหนดมาตรฐานใน AGENTS.md ระบุรูปแบบงาน ขอบเขต และข้อกำหนดที่ Agent ต้องทำตาม พร้อมบันทึกเหตุผลการตัดสินใจทางสถาปัตยกรรมไว้ใน ADR
- แยกวงจรเขียนโค้ดออกจากวงจรทดสอบ เพื่อไม่ให้ Agent แก้โค้ดทดสอบเองเพียงเพื่อทำให้ผลผ่าน
- ให้โมเดลขนาดใหญ่ช่วยออกแบบ Skills และ Hooks แล้วมอบงานที่แบ่งขั้นตอนชัดเจนให้โมเดลขนาดเล็ก พร้อมระบุเกณฑ์รับงานก่อนเริ่ม
- เชื่อมข้อมูลจริงผ่าน MCP และจัดวงจรให้ Agent ทดสอบ แก้ไข แล้วทดสอบซ้ำก่อนส่งงาน โดยให้มนุษย์ตรวจผลในจุดสำคัญ
จุดพลาดที่พบบ่อยคือปล่อยให้ Agent เป็นทั้งผู้สร้างและผู้ตัดสินงานของตัวเอง หรือคิดว่าเมื่อเขียนโค้ดเร็วขึ้นแล้วผลิตภัณฑ์จะเสร็จเร็วขึ้นตามสัดส่วน การตรวจโค้ด AI จึงต้องมีเกณฑ์ภายนอกที่ชัด และผู้รับผิดชอบที่ยืนยันผลได้

จำกัดการเข้าถึงและติดตามต้นทุน
ก่อนให้ Agent แตะระบบจริง ให้วางแนวทางความปลอดภัย AI ที่จำกัดการเชื่อมต่อออกภายนอก แนวคิด Egress Proxy ใช้ Envoy เป็นด่านและอนุญาตเฉพาะเว็บไซต์หรือ API ในรายการที่กำหนด อีกทั้งบันทึก Audit Log เพื่อย้อนดูการเชื่อมต่อและตรวจจับพฤติกรรมผิดปกติได้ ถ้าองค์กรใช้หลายโมเดล ให้จัดการสิทธิ์และงบประมาณจากส่วนกลาง แต่ยังเปิดให้ทีมเลือกเครื่องมือที่เหมาะกับงานได้ ตัวอย่างแนวทางคือใช้ LiteLLM เชื่อมโมเดลและกำกับสิทธิ์ ส่วน Langfuse ช่วยติดตามการใช้โทเคน ต้นทุน เวลาประมวลผล และเวอร์ชันพรอมต์ ข้อมูลเหล่านี้ทำให้เห็นว่างานใดใช้ทรัพยากรมากและควรปรับตรงไหน การควบคุมต้นทุน AI ไม่ได้จบที่เลือกโมเดลราคาถูก แต่ต้องรู้ว่า Agent เรียกใช้บ่อยแค่ไหน ใช้เวลานานเท่าไร และมีสิทธิ์เข้าถึงอะไรบ้าง ควรตั้งขอบเขตและตรวจบันทึกเป็นกิจวัตร ไม่ใช่รอจนพบการใช้งานผิดปกติ

เปลี่ยน Source Code เป็นคลังความรู้และบริการ
เมื่อมีหลายคลังโค้ด การให้โมเดลอ่านทุกไฟล์ใหม่ทุกครั้งอาจทำให้ค้นคำตอบช้าและใช้ทรัพยากรมาก อีกทางคือสร้าง Product Second Brain หรือวิกิที่ใช้ LLM จัดโครงสร้างความรู้จาก Source Code หลาย Repository ให้คำตอบย้อนตรวจหลักฐานได้ และประเมินคุณภาพด้วย Golden Set จากนั้นจึงให้ Agent เสนอข้อผิดพลาดพร้อมหลักฐานและขั้นตอนทำซ้ำ ก่อนส่งให้ทีมประกันคุณภาพยืนยัน ผลทดสอบกรณีหนึ่งที่ใช้ร่วมกับ Sonnet 5.5 ลดเวลาค้นหาคำตอบได้ 38.4% และลดต้นทุนได้ 50.4% เมื่อเทียบกับการให้ AI อ่านโค้ดโดยตรง ตัวเลขนี้เป็นผลเฉพาะกรณีทดสอบ ไม่ควรถือเป็นผลที่จะเกิดกับทุกระบบ แนวทางเหล่านี้มีประโยชน์เมื่อสร้างบริการดิจิทัลจากของเดิม เช่น LINE MINI Eats ซึ่งต่อยอดแพลตฟอร์มที่มีอยู่และประสานระบบสั่งอาหาร การชำระเงิน ซีอาร์เอ็ม และระบบร้านค้า บทเรียนคือใช้ AI ลดความซับซ้อนและเวลาได้ แต่ต้องรักษาคุณภาพกับประสบการณ์ผู้ใช้ การเปลี่ยนสู่องค์กรที่ขับเคลื่อนด้วย AI จึงคุ้มเมื่อวัดผลจากบริการที่ดีขึ้นและส่งมอบคุณค่าได้ ไม่ใช่จากปริมาณโค้ดเพียงอย่างเดียว







