AI coding agents และภาษีบริบทคืออะไร
AI coding agents คือระบบปัญญาประดิษฐ์ที่ช่วยเขียนโค้ด แก้บั๊ก และจัดการงานในรีโปขนาดใหญ่ โดยอาศัยการอ่านบริบทของไฟล์ต่างๆ ทีละรอบผ่านหน้าต่างบริบทของโมเดล การทำงานผิดพลาดในการจัดการบริบททำให้เอเจนต์ต้องอ่านไฟล์เดิมซ้ำหลายร้อยครั้ง ส่งผลให้เสียทั้งเวลาและทรัพยากรคอมพิวต์โดยไม่จำเป็น สองปีที่ผ่านมา แรงเสียดทานของการเขียน syntax ลดลงอย่างชัดเจน เอเจนต์อย่าง Cursor หรือ Claude Code ถูกฝังอยู่ใน IDE และคอนเทนเนอร์ ทำให้การสร้างเวอร์ชันแรกของ pipeline แบบ distributed หรือการเชื่อมต่อ API ซับซ้อนไม่ใช่คอขวดหลักอีกต่อไป เอเจนต์สามารถสำรวจ repository เขียนเทสต์ อ่าน stack trace และเสนอ refactor ได้เอง แต่เบื้องหลังความเก่งนี้คือภาษีบริบทที่กำลังกัดกินประสิทธิภาพแบบที่วิศวกรจำนวนมากมองไม่เห็น
เมื่อเอเจนต์อ่านโค้ด 600 บรรทัดซ้ำเกือบ 400 รอบ
ปัญหาใหญ่ของ AI coding agents วันนี้ไม่ใช่เขียนโค้ดไม่เก่ง แต่คือการจัดการบริบทโค้ดได้แย่ เอเจนต์ที่ทำงานบน codebase ใหญ่กว่าหน้าต่างบริบทต้องใช้วิธีแบบเชลล์ คือ grep แล้วเปิดไฟล์ แล้วอ่านช่วงกว้างขึ้นไปเรื่อยๆ สิ่งที่อ่านทั้งหมดจะถูกเก็บในบทสนทนาและถูกส่งซ้ำทุกครั้งในแต่ละรอบของเอเจนต์ ในหนึ่ง PR ประมาณ 800 บรรทัดที่เพิ่มความสามารถ call-site resolution ในโปรเจกต์ SemSitter ทีมงานเก็บ trace เต็ม ทำให้วัดภาษีบริบทได้ชัดเจน เอเจนต์อ่านไฟล์ยาว 618 บรรทัดเพียงเพื่อทำความเข้าใจฟังก์ชันยาว 67 บรรทัด ผลคือโทเคนเกินกว่าที่จำเป็นหลายเท่า ที่แย่กว่านั้นคือไฟล์ 600 บรรทัดที่อ่านในรอบที่ 40 ของ session 512 รอบ ไม่ได้ถูกคิดค่าเพียงหนึ่งครั้ง แต่เทียบเท่าการอ่านซ้ำประมาณ 470 รอบ นี่คือภาพเชิงตัวเลขของการอ่านโค้ดเดิมซ้ำๆ จนกลายเป็นภาษีบริบท
คำถามคือ ทำไมมันแพงขนาดนี้ คำตอบคือกลไกของ context window โมเดลจะถูกป้อนบทสนทนาทั้งหมดในทุกเทิร์น เอเจนต์จึงไม่ได้อ่านไฟล์ครั้งเดียว แต่จ่ายค่าบริบทตามจำนวนรอบที่ข้อความนั้นยังอยู่ในบทสนทนา แม้จะมี prompt caching ที่ทำให้โทเคนที่ซ้ำมีราคาต่อหน่วยต่ำลง แต่ก็ยังถูกคิดทุกครั้ง ดังนั้นต้นทุนที่แท้จริงของโทเคนไม่ใช่ขนาดเท่าไร แต่คือขนาดคูณจำนวนรอบที่มันยังถูกส่งอยู่ นี่คือภาษีบริบทที่แฝงอยู่หลังคำสั่งทุกครั้งที่เราให้เอเจนต์ทำงานบนรีโปใหญ่
จากภาษีบริบทสู่ code context optimization ด้วยกราฟโค้ด
ถ้าเอเจนต์ยังต้อง grep แล้วอ่านไฟล์ทีละชิ้น ภาษีบริบทจะไม่หายไป เป้าหมายใหม่คือ code context optimization หรือการลดบริบทเกินจำเป็นโดยไม่ลดความเข้าใจของเอเจนต์ แนวทางที่กำลังพิสูจน์ตัวเองคือ codebase graph technology ซึ่งเปลี่ยนจากการอ่านไฟล์ดิบๆ มาเป็นการถามกราฟของรีโปแทน ในระบบอย่าง Sonar Vortex โค้ดถูกทำดัชนีเป็นกราฟ แล้วเอเจนต์ถามคำถามเชิงโครงสร้าง เช่น ฟังก์ชันนี้ถูกเรียกจากไหน แทนการอ่านไฟล์ทั้งไฟล์ เครื่องยนต์ด้านล่างคือ SemSitter ที่สร้าง Unified Dependency Graph หรือ UDG ของ codebase โดยทำให้ทุกฟังก์ชัน เมธอด คลาส ฟิลด์ และพารามิเตอร์กลายเป็น node พร้อมด้วยความสัมพันธ์แบบมีชนิด เช่น calls references returns has param is type contains และ extends ผลที่วัดได้จริงคือบริบทที่ต้องพกในแต่ละงานลดลง รอบการเรียกโมเดลน้อยลง และในรีโปที่ใหญ่กว่าหน้าต่างบริบท เอเจนต์ยังหา call site ที่ regex ธรรมดาไม่เจอ
จุดสำคัญคือกราฟโค้ดไม่ได้เชื่อมแค่โครงสร้างโค้ดกับโค้ด แต่ยังผูกโค้ดกับเอกสาร และเชื่อมข้ามภาษาโปรแกรมได้ในกราฟเดียว SemSitter ทำให้ node โค้ดทุกตัวเชื่อมกับเอกสารที่อธิบายมัน เช่น ย่อหน้าหนึ่งใน design doc หรือส่วนหนึ่งของ README ผ่านความสัมพันธ์ documented by นอกจากนี้แนวคิดเดียวกันที่เขียนคนละภาษา เช่น Python กับ C ก็ถูกลิงก์กัน แม้ชื่อจะไม่เหมือนกัน เมื่อเอเจนต์สามารถถามกราฟและได้ทั้งโครงสร้างโค้ด สเปกจากเอกสาร และ pattern ตามภาษาต่างๆ ในครั้งเดียว การอ่านไฟล์ 600 บรรทัดซ้ำหลายร้อยครั้งจึงกลายเป็นความสิ้นเปลืองที่ไม่มีเหตุผล
กราฟโค้ดทำให้ agent efficiency เปลี่ยนเกมงานจริงอย่างไร
SemSitter และ Sonar Vortex ไม่ได้เป็นแค่ของเล่นวิจัย แต่เกิดจากการใช้ AI coding agents พัฒนาระบบเอง ทีมงานสอนให้ตัววิเคราะห์ภาษา Python ทำ call site resolution โดยบันทึกว่าคอลนั้นเป็นของชนิดใดและคืนค่าอะไร ซึ่งเป็นฟีเจอร์ที่ในภาษา C# เคยมีแล้ว การเปลี่ยนมาใช้กราฟทำให้เอเจนต์ไม่ต้องเดาจาก grep ว่า ctx.method index เป็นชนิดใด หรือ resolve return type อยู่ไฟล์ไหน เพราะ UDG บอกทุกอย่างในครั้งเดียว ตัวอย่างเช่น node ของ ctx.method index ถูกแท็กว่าเป็น MethodIndex เมธอด resolve return type ถูกผูกกับไฟล์ method index.rs และข้อมูลว่ารีเทิร์น Option<&str> ในภาพเชิงงานจริง นี่แปลว่า agent efficiency ดีขึ้นแบบจับต้องได้ งาน refactor ที่ควรปลอดภัยก็ปลอดภัยจริง เพราะเอเจนต์เข้าใจ dependency ที่แท้จริง ไม่ใช่เสี่ยงจากการอ่านไฟล์ผิดหรือเมตช์ regex ผิดไฟล์ ที่สำคัญคือบริบทที่ส่งในแต่ละเทิร์นถูกหั่นให้สั้นลง ทำให้รันเร็วขึ้นและภาระคอมพิวต์เบาลงโดยตรง
เมื่อการเขียนโค้ดระดับไมโครถูกเอเจนต์ทำได้เร็วขึ้น บทบาทของวิศวกรไม่ได้หายไป แต่เปลี่ยนเป็นคนออกแบบขอบเขตที่เอเจนต์จะทำงานอยู่ วิศวกรต้องสร้าง semantic layer ที่เข้มงวด event log แบบ immutable data contract API แบบ idempotent และ state machine แบบ deterministic เพื่อให้เอเจนต์ต้องตั้งสมมติฐานน้อยลง ปัญหาซับซ้อนแบบเชื่อมโยงจึงถูกแปลงเป็นโดเมนที่มีอินพุตชัด กติกาแน่น และมี feedback ที่เชื่อถือได้ การเปลี่ยนนี้ทำให้คุณค่าของงานวิศวกรรมไม่ได้หายไปเมื่อการสร้างโค้ดถูกอัตโนมัติ แต่กลับมองเห็นชัดขึ้น ว่าใครออกแบบสัญญาและวงจร feedback ให้เอเจนต์ทำงานได้อย่างไม่ล่ม
อนาคตของเอเจนต์คือระบบอัตโนมัติ วิศวกรคือคนออกแบบขอบเขต
หากปล่อยให้ AI coding agents ทำงานบนรีโปใหญ่โดยไม่คิดเรื่อง code context optimization เรากำลังยอมจ่ายภาษีบริบทมหาศาลไปกับการอ่านโค้ดเดิมซ้ำครั้งแล้วครั้งเล่า แต่เมื่อยอมลงทุนกับ codebase graph technology อย่าง Unified Dependency Graph ที่ SemSitter พัฒนา และผูกมันกับวงจรทำงานของเอเจนต์ผ่านแพลตฟอร์มอย่าง Sonar Vortex เรากำลังเปลี่ยนเอเจนต์จากเครื่องยนต์ที่สูญเสียพลังงานไปกับบริบทส่วนเกิน ให้กลายเป็นเครื่องมือที่ทำงานได้อย่างมีประสิทธิภาพในระดับโปรดักชัน ระบบอัตโนมัติจะยิ่งสร้างซอฟต์แวร์มากขึ้น แต่สัญญา วงจร feedback และขอบเขตที่ตัดสินว่าโค้ดนั้นจะสำเร็จหรือกลายเป็นความโกลาหลยังต้องถูกออกแบบโดยวิศวกร ทางเลือกของทีมพัฒนาวันนี้คือ จะปล่อยให้เอเจนต์กลายเป็นลิงหน้าคีย์บอร์ดที่อ่านไฟล์เดิมซ้ำ 400 ครั้ง หรือจะสร้างกราฟโค้ดและขอบเขตที่ชัดเจน เพื่อให้ทุกโทเคนที่จ่ายไปแปลงเป็นงานที่มีคุณค่าจริง
