hspotlight

สร้างระบบ AI ที่น่าเชื่อถือ: จากโค้ดดีถึง AI Agents

· 2 min read
สร้างระบบ AI ที่น่าเชื่อถือ: จากโค้ดดีถึง AI Agents

มันเป็นไปได้จริงหรอ??? 3000 งานต่อเดือน 🫢 วันละ 100 เลยนะ ปกติวันละ 1-2 เองนะ แค่งานเล็กๆ เน้นจำนวน เพื่อเอามาอวด หรือป่าว? 🤔

ฮงเองก็เคยคิดแบบนี้ ถ้าคุณสงสัยเหมือนกัน เดี๋ยวฮงเล่าให้ฟังครับ 🚀

Lauren Tan หรือ Poteto คือใคร

วิศวกรที่ SpaceX SI (Super Intelligence) ผู้พัฒนาระบบ Cursor AI และ Grok Bot ตำแหน่งคือ Principal AI Engineer (ถ้าถามว่าตำแหน่งสูงแค่ไหน บอกเลยว่า ตำแหน่งบนๆของบริษัท แปลว่าเรื่องนี้ที่เขาพูด “มีน้ำหนัก” เพราะเธอเก่งมาก)

ระบบนี้ไม่ได้สร้างในวันเดียว แต่ใช้เวลาถึง 6 เดือน

ถ้าเพื่อนๆคิดว่า 3000 งาน / เดือนมันเกินจริง แปลว่าเรากำลังเทียบ ระบบของตัวเองในปัจจุบัน กับ ระบบนี้ โดยไม่เห็นขั้นบันได ที่พาไปถึงจุดหมาย (และมันไม่ใช่บันไดขั้นเดียวแน่ๆ)

ก่อนที่ Lauren Tan และทีมของเธอจะทำได้ ยังต้องใช้เวลาตั้ง 6 เดือน ถ้าเราอยากไปให้ถึงจุดนั้น เราเองก็ต้องใช้เวลาสร้างเหมือนกัน

หลายคน “โฟกัส” ผิดจุด มองแค่ 3000 งานต่อเดือน ซึ่งเป็น Output ของระบบ สิ่งที่สำคัญจริงๆ คือตัวระบบ ที่ทำให้เกิดงานนี้ต่างหาก

ระบบของคุณ “เชื่อถือ” ได้แค่ไหน ??

Trust is the new currency ความเชื่อใจเป็นสิ่งสำคัญ

เรารู้ว่า AI ฉลาด แต่ AI ก็มั่วได้ และมันเก่งมากกกกในการทำซ้ำ pattern เดิมที่มีอยู่แล้ว

ถ้าเรามีโค้ดที่ไม่ดี มันก็ copy โค้ดชุดนั้น ทำซ้ำไปเรื่อยๆ (เพราะมันคิดว่าเราโอเคที่จะให้มี code ไม่ดีแบบนี้ในระบบ)

ในปัจจุบัน หลายองค์กร ยังต้องให้ “มนุษย์” ตรวจสอบความถูกต้องของการทำงาน แต่มันจะดีแค่ไหน ถ้า AI agent สามารถทำงานตรงนั้นได้

Key Point ที่เรามักยึดติดผิดจุดคือ เราต้องให้ “มนุษย์” เป็นตรวจสอบ แต่สิ่งสำคัญคือตัว “Process การตรวจสอบ” เองต่างหาก

มนุษย์ยังต้องการ Checklist เพื่อทดสอบ เราก็ให้ AI agent ทำสิ่งเดียวกัน

ถ้าตอนนี้มันเริ่มน่าสนใจ เราไปกันต่อครับ 🚀

เราจะเชื่อใจ AI agents มากขึ้นได้ยังไง ?

ถ้า AI มันมั่วได้ เราต้องพัฒนาระบบ เพื่อตรวจสอบการทำงานของมัน 💪

แบ่งเป็น 5 ขั้น เรียงตาม cost ถูกไปแพง

  1. codebase - โค้ดที่ดีมีชัยไปกว่าครึ่ง, โค้ดดี วางระบบดี มี tech document ที่ดี
  2. static code analysis - lint, type check, tests. เขียน test ตรวจสอบระบบ
  3. verification - ตรวจสอบการทำงานของระบบ ต้องเข้าใจความต้องการ และเป้าหมาย
  4. prose - rules, skills, AGENTs.md ที่ใช้ควบคุมการทำงานของ AI
  5. human review - คือส่วนที่เราจะให้ มนุษย์ทำ

ส่วนที่ 3 คือส่วนที่สำคัญที่สุด ซึ่งเราอยากมอบหมายงานนี้ให้ AI ทำ แต่จะไปถึงจุดนั้นได้ 2 ขั้นแรกต้องทำได้ดีก่อน

Lauren Tan หรือ Poteto เปรียบเทียบการทำ Software เป็นการทำสวน (Garden) โค้ดก็เหมือนสิ่งมีชีวิต ต้นไม้ หญ้า มันเติบโตแบบไม่มีทิศทาง

เราในฐานะผู้ดูแลสวน ต้องสร้างกฏเกณฑ์ในสวน เพื่อให้สวน สวยงามตลอด

กำจัดสิ่งไม่พึงประสงค์ เช่น โค้ดที่ไม่ดี ข้ออ้างที่ AI ใช้เพื่อจะไม่ทำให้ดี

เริ่มต้นวันนี้ ด้วย Framework 3 Step

Framework นี้คือวิธีคิดในการใช้งาน AI เพื่อพัฒนา Software

โดยมี 3 Step

  1. one folder per feature - งานที่เกี่ยวข้องกันเก็บด้วยกัน ไม่ปน (เพื่อไม่ปน context)
  2. strict import bans - ห้าม import ข้าม feature folder เพื่อไม่ให้ context ปนกัน
  3. no comment in code - ไม่มีข้ออ้างในโค้ด

AI ชอบใช้ comment เป็นข้ออ้างที่จะไม่ทำ สิ่งที่ถูกต้อง มันเหมือนจะมีเหตุผล แต่จริงๆแล้วไม่ ถ้าเราปล่อยให้มันทำ โค้ดเราจะเละ

ทีม SpaceX SI แบน comment มากกว่า 99% ซึ่งผลลัพธ์มันดีขึ้นมาก

สรุปโดยหัวหน้าฮง

เมื่อเรามีระบบที่ดี น่าเชื่อถือ ตรวจสอบความถูกต้องเองได้ เราจะพร้อมที่จะเพิ่มความเร็วให้มากขึ้น

ถ้าคุณภาพยังไม่ดี เร่งความเร็วก็มีแต่จะสร้างปัญหาให้มากขึ้น ขอบคุณครับ

ถ้าชอบบทความนี้ ฝากคอมเม้นเป็นกำลังใจให้ด้วยนะครับ