𝗙𝗿𝗼𝗺 𝗖𝗵𝗮𝘁𝗚𝗣𝗧 𝘁𝗼 𝗔𝗜 𝗔𝗴𝗲𝗻𝘁𝘀: 𝗧𝘄𝗼 𝗬𝗲𝗮𝗿𝘀 𝗮𝘀 𝗮𝗻 𝗘𝗻𝗴𝗶𝗻𝗲𝗲𝗿

เมื่อสองปีก่อน ผมใช้ AI เพียงเพื่อถามคำถามเท่านั้น

ทุกวันนี้ ผมจัดการการทำงานของ coding agents หลายตัวพร้อมกัน ผมเชื่อมต่อความรู้ของบริษัทผ่าน MCP ผมรัน local models ในแอป iOS และผมดูแลรักษา memory layer เพื่อให้ agents สามารถทำงานร่วมกันได้

ผมไม่ใช่ผู้วิจัย AI ผมเป็นเพียงวิศวกรธรรมดาคนหนึ่งที่หมั่นทดลองอยู่เสมอ

และนี่คือเส้นทางการเดินทางของผม จากการแชทสู่การสร้าง agents

𝗦𝘁𝗮𝗴𝗲 𝟭: 𝗧𝗵𝗲 𝗥𝗲𝗹𝗶𝗮𝗯𝗶𝗹𝗶𝘁𝘆 𝗚𝗮𝗽 ในตอนแรก AI ให้ความรู้สึกเหมือนเวทมนตร์ แต่หลังจากนั้น มันกลับดูไม่น่าเชื่อถือ โมเดลมักจะให้ข้อมูลที่ผิดพลาดด้วยความมั่นใจสูง ผมได้เรียนรู้บทเรียนราคาแพงว่า: คำตอบที่ดูสมเหตุสมผล ไม่ได้หมายความว่าเป็นผลลัพธ์ที่เชื่อถือได้เสมอไป

𝗦𝘁𝗮𝗴𝗲 𝟮: 𝗔𝗜 𝗮𝘀 𝗮 𝗣𝗮𝗿𝘁𝗻𝗲𝗿 เครื่องมืออย่าง Cursor เปลี่ยนทุกอย่าง AI ย้ายจากหน้าต่างแชทแยกต่างหากเข้ามาอยู่ใน code editor ของผม วงจรการตอบสนอง (feedback loop) สั้นลงอย่างเหลือเชื่อ: • อธิบายไอเดีย • สร้างโค้ด • รันและสังเกตข้อผิดพลาด • สั่งให้แก้ไข • ทำซ้ำ

สิ่งนี้ช่วยลดต้นทุนในการสร้างต้นแบบ (prototypes) ไอเดียเล็กๆ ไม่ต้องตายไปในขั้นตอนการตั้งค่าหรือการคอนฟิกอีกต่อไป แต่มันสามารถไปถึงเส้นชัยได้จริงๆ

𝗜 𝗹𝗲𝗮𝗿𝗻𝗲𝗱 𝘁𝗵𝗮𝘁 𝗖𝗼𝗻𝘁𝗲𝘅𝘁 𝗶𝘀 𝗞𝗲𝘆 ในช่วงแรกๆ agents มักจะลืมการตัดสินใจหรือทำลายโครงสร้างสถาปัตยกรรม (architecture) ผมจึงเลิกโฟกัสที่ "prompt engineering" และเริ่มหันมาทำ "context engineering" แทน ผมเริ่มเขียนกฎที่เข้มงวดให้กับ agents ของผม: • ทำตามสถาปัตยกรรมที่มีอยู่ • อธิบายแผนงานก่อนที่จะเปลี่ยนโค้ด • ห้ามลบไฟล์โดยไม่ขออนุญาต

เราไม่ได้แค่เขียนประโยคให้ดีขึ้น แต่เรากำลังสร้างสภาพแวดล้อมที่เสถียรให้กับระบบที่มีความน่าจะเป็น (probabilistic system)

𝗦𝘁𝗮𝗴𝗲 𝟯: 𝗕𝗲𝘆𝗼𝗻𝗱 𝘁𝗵𝗲 𝗖𝗵𝗮𝘁 𝗪𝗶𝗻𝗱𝗼𝘄 ผมเปลี่ยนจากการแชทผ่านเว็บมาเป็น APIs และ local models การรันโมเดลบนคอมพิวเตอร์ตั้งโต๊ะนั้นง่าย แต่การนำโมเดลไปใส่ไว้ในแอปมือถือ (mobile app) นั้นยาก ทันใดนั้น ผมก็ต้องแก้ปัญหาทางวิศวกรรมที่แท้จริง: • ขนาดของโมเดลและการใช้หน่วยความจำ • ความหน่วงในการเริ่มต้นทำงาน (startup latency) • การทำงานแบบออฟไลน์และความเข้ากันได้ของอุปกรณ์

𝗦𝘁𝗮𝗴𝗲 𝟰: 𝗔𝗴𝗲𝗻𝘁-𝗗𝗿𝗶𝘃𝗲𝗻 𝗪𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀 จุดโฟกัสเปลี่ยนจาก "เขียนฟังก์ชันนี้ให้หน่อย" เป็น "ทำความเข้าใจ repository นี้และบรรลุเป้าหมายนี้ให้สำเร็จ" ผมยังเริ่มใช้ Model Context Protocol (MCP) อีกด้วย ผมได้สร้างการเชื่อมต่อ MCP สำหรับแพลตฟอร์มความรู้ของบริษัท ตอนนี้ agent สามารถเข้าถึงข้อมูลของบริษัทย้อนหลังได้ถึงสิบปี ความท้าทายจึงเปลี่ยนจากการพัฒนาความฉลาดของโมเดล ไปสู่การออกแบบระบบ (system design) แทน

บทเรียนที่สำคัญที่สุดของผม: • การเขียนโค้ดนั้นง่ายกว่า แต่การทำวิศวกรรมนั้นยากกว่า • AI จัดการเรื่องการลงมือทำ แต่คุณต้องเป็นคนตัดสินใจ • คุณต้องกำหนดเป้าหมายให้ชัดเจนและตรวจสอบสมมติฐานต่างๆ • การทำงานแบบ Multi-agent จำเป็นต้องมี memory layer เพื่อให้เอเจนต์สามารถส่งต่องานกันได้โดยไม่ต้องเริ่มใหม่

AI ทำให้การลงมือทำมีต้นทุนที่ต่ำลง ซึ่งหมายความว่าการทดลองต่างๆ กลายเป็นเรื่องที่ทำได้ฟรี งานที่แท้จริงคือการตัดสินใจว่าไอเดียไหนที่คุ้มค่าแก่การสร้างขึ้นมาจริงๆ

แหล่งที่มา: https://dev.to/timetxt/from-prompting-chatgpt-to-orchestrating-ai-agents-two-years-as-an-ordinary-engineer-1li7

ชุมชนแห่งการเรียนรู้ (เลือกเข้าร่วมได้): https://t.me/GyaanSetuAi