เจาะลึกการทำงานของ Agent และการควบคุม "หนี้ทางเทคนิค" เพื่อความยั่งยืน
AI ไม่ได้ "เข้าใจ" โค้ดเหมือนมนุษย์ แต่มันคือ "เครื่องจักรทำนายคำถัดไป" [1]
เปรียบเสมือนขนาดของโต๊ะทำงานที่ AI สามารถวางไฟล์โค้ดเพื่ออ่านพร้อมกันได้ [3]
สามารถอ่านโค้ดได้ทั้ง Repository ในครั้งเดียว (1M+ Tokens) [3]
ยิ่งให้อ่านเยอะ "คุณภาพของความใส่ใจ" (Attention Quality) จะลดลง [3]
วงจรการเสื่อมถอยของบริบทในระหว่างการสนทนา [4, 5]
เปลี่ยนจาก "แชทบอท" เป็น "ผู้ลงมือทำ" (Autonomous Agent) [6]
Agentic Coding: คือการใช้ AI Agent ที่มีความเป็นอิสระสูง สามารถวางแผน (Plan), เขียนโค้ด (Code), ทดสอบ (Test) และแก้ไข (Debug) ได้ด้วยตัวเองโดยมนุษย์เพียงแค่อนุมัติในจุดสำคัญ [6, 7]
"หยุด AI ไม่ให้มั่ว ด้วยแผนงานที่ชัดเจน"
ใน Antigravity ก่อนจะเขียนโค้ดบรรทัดแรก AI จะต้องสร้าง "แผนการดำเนินงาน" ให้คุณตรวจสอบก่อน [8]
AI ที่มี "ตา" และ "มือ" บนโลกอินเทอร์เน็ต [8]
ก้าวข้ามขีดจำกัดเรื่อง "ข้อมูลล้าสมัย" (Knowledge Cutoff) ของ AI แบบเดิมๆ [9]
≈ 1.3 Tokens
ทุก Token มีต้นทุน
Model มีลิมิตต่อครั้ง
การคำนวณ Token Budget คือการวางแผนว่าจะใช้ "งบประมาณ" นี้อย่างไรให้คุ้มค่าที่สุด [10]
"ลดรายจ่าย เพิ่มประสิทธิภาพด้วยการบริหาร Context" [10, 11]
Multi-Model Architecture: ใช้ Model เล็ก (ถูก) สำหรับงานคัดแยกประเภท และใช้ Model ใหญ่ (แพง) สำหรับงานเขียน Logic ซับซ้อน [11]
Strict Context Control: เลือกส่งเฉพาะไฟล์ที่เกี่ยวข้องให้ AI อ่าน ไม่ส่งทั้งโปรเจกต์โดยไม่จำเป็น [10, 12]
Caching: บันทึกคำตอบของ AI ไว้ใช้ซ้ำสำหรับคำถามที่เหมือนเดิม [10]
คือการเลือกทางลัดเพื่อให้งานเสร็จเร็วในวันนี้ แต่สร้างภาระในการดูแลรักษาในวันหน้า [13]
AI ช่วยให้เราสร้างโค้ดได้มหาศาลในเวลาอันสั้น...
แต่อาจเป็นการสร้าง "ขยะดิจิทัล" (AI Slop) ที่ไม่มีใครเข้าใจและซ่อมไม่ได้ [14, 15]
ผลการศึกษาจาก 6,000+ GitHub Repositories [16, 17]
ของปัญหาคือ Code Smells (โค้ดที่รันได้แต่ดูแลยาก) [17]
ของปัญหาเหล่านี้ จะคงอยู่ตลอดไป หากไม่รีบแก้ทันที [18]
AI มักจะแนะนำโค้ดที่ "สะดวก" แต่ "ไม่ปลอดภัย" [19]
การต่อ String ในฐานข้อมูลโดยตรง ทำให้ Hacker แฮกระบบได้ [20]
การใช้ `shell=True` ที่เปิดช่องให้รันคำสั่งอันตรายใน Server [21]
การใส่ Password หรือ API Key ลงในโค้ดตรงๆ [22]
การดัก Error แบบครอบจักรวาล ทำให้ไม่รู้สาเหตุที่แท้จริง [20]
"AI คือลูกน้องที่ขยันแต่ประมาท คุณคือหัวหน้างานที่ต้องตรวจทาน" [23, 24]
ความเร็วที่ได้จาก AI จะไร้ความหมายหากมันนำไปสู่หายนะใน Production นักพัฒนาต้องอ่านโค้ดทุกบรรทัดก่อนกด "Accept" [25, 26]
"โค้ดห่วยเกิดจากคำสั่งที่ไม่ชัดเจน" [27]
"สร้างรั้วกั้นเพื่อความปลอดภัยของโปรเจกต์" [30]
การกำหนดว่าใครมีสิทธิ์เข้าถึง AI รุ่นไหน และใช้ข้อมูลชุดไหนได้บ้าง [31]
ใช้เครื่องมืออัตโนมัติ (Static Analysis) ตรวจสอบโค้ด AI ก่อน Merge [30]
ไฟล์ที่บอกให้ AI รู้ว่า "ในบ้านหลังนี้ เรามีกฎอย่างไร" [32]
# .clinerules Example
- ต้องใช้ Django REST Framework เท่านั้น
- ห้ามใช้ Inline CSS ใน React
- ทุก Function ต้องมี Docstring อธิบายหน้าที่ [22]
- ต้องตรวจสอบ SQL Injection เสมอ [20]
*Antigravity จะอ่านไฟล์นี้ทุกครั้งเพื่อควบคุมพฤติกรรมของ Agent*
"อย่าคุยกับ AI จนล้า ให้เริ่ม Session ใหม่เสมอเมื่อเปลี่ยนงาน" [12, 33]
คุยยาว 200 ข้อความ จน AI เริ่มจำอะไรไม่ได้ (Context Dissolution) [5]
จบหนึ่งงาน ล้างแชท สรุปงานเดิม แล้วเริ่มใหม่ด้วยบริบทที่สะอาด (Handoff Pattern) [12, 34]
"แบ่งงานใหญ่ให้เป็นชิ้นเล็ก เพื่อการตรวจสอบที่แม่นยำ" [28]
"สร้างระบบจองโรงแรมให้ฉันหน่อย"
"สร้างฟังก์ชันตรวจสอบวันว่างของห้องพัก"
การรีวิวโค้ด 500 บรรทัดในครั้งเดียวเป็นเรื่องยาก แต่การรีวิว 50 บรรทัดให้ถูกต้อง 100% เป็นเรื่องง่าย [35]
ความสำเร็จไม่ได้วัดแค่ที่ "ความเร็ว" แต่วัดที่ "ผลลัพธ์ธุรกิจ" [36]
"ถ้าคุณวัดผลไม่ได้ คุณก็คุมมันไม่ได้" [42]
เวลาตั้งแต่เริ่มสั่งจน Deploy สำเร็จลดลงกี่ %? [43]
จำนวนบั๊กที่หลุดไปถึง Production ลดลงหรือไม่? [44]
ต้นทุน Token ต่อการสร้าง 1 ฟีเจอร์เป็นเท่าไหร่? [10]
มี Technical Spec 7 องค์ประกอบแล้วหรือยัง?
ไฟล์ .clinerules ตั้งค่าไว้ถูกต้องไหม?
ได้อ่านและรีวิวโค้ด AI ก่อนกด Accept หรือไม่?
ได้ตรวจสอบ SQL Injection และช่องโหว่อื่นๆ แล้ว?
พลังของการใช้ AI ในการปรับปรุงระบบเก่า (Modernization) [45]
4,500 ปีของการทำงาน
Amazon สามารถลดภาระงานของนักพัฒนาลงได้มหาศาลจากการใช้ AI มาช่วยอัปเกรดระบบ Java เก่าๆ ให้ทันสมัย โดยใช้เวลาเพียง 1 ปี แทนที่จะต้องใช้คนทำถึง 4,500 ปี [45, 46]
"นี่คือเหตุผลที่เราต้องเรียนรู้ที่จะเป็น Orchestrator ตั้งแต่วันนี้"
"AI ทำงาน แต่คุณรับผิดชอบผลลัพธ์ทางกฎหมาย" [30]
ห้ามใส่ข้อมูลลูกค้าหรือข้อมูลลับบริษัทลงใน Prompt [47, 48]
ตรวจสอบสิทธิ์ความเป็นเจ้าของในโค้ดที่ AI สร้างขึ้น [30, 49]
จากความต้องการ (Intent) สู่ซอฟต์แวร์ที่ตรวจสอบความถูกต้องได้จริง [2]
ในเวิร์กชอปนี้ เราจะไม่ได้สอนแค่ให้ AI "เขียนโค้ดที่รันได้" แต่จะสอนให้คุณคุม AI ให้สร้างระบบที่ **ปลอดภัย, ดูแลรักษาง่าย และพร้อมใช้งานบน Cloud จริงๆ**
ลำดับถัดไป: ภาคปฏิบัติ - การติดตั้งและรากฐาน MVP