จดๆจากงาน Agile Thailand 2026

สำหรับงาน Agile จัดที่ธนาคารกรุงเทพ สำนักสีลม น่าจะเป็นครั้งแรก หรือป่าวที่ BBL จัด Public Tech Event โดยจัดเป็นปีที่ 15 แล้วรูปแบบงาน Open Conference รูปแบบงานบุญใครมีอะไรมาช่วยแชร์ + Open Space

BBL Journey towards AI-Drivem Delivery

Speaker Nol Rananand

📌 BBL Adopt Agile ตั้งแต่ปี 2019 โดยเริ่มต้นจาก m-banking จนทำให้ Release ขอภายใน 15 เดือน ซึ่งไวมาสำหรับระบบขนาดใหญ่ในยุคนั้น 90% Tx มาจากระบบนี้ มีการใช้ Scrum@Scale และยังคง Quality ตามมาตรฐาน BOT หลังจากนั้น Release NewVer 2 เดือน
📌 AI Readiness เน้น Educate ตั้งแต่ผู้บริหารลงไป

  • สาย IT ใช้ Coding Assistant มาประมาณ 3 ปี ตัวเลขที่เห็นชัดคือการใช้ AI ช่วยทำ Test Case ทำให้ Coverage 16% เพิ่มขึ้น 85% ในปีต่อมา
  • นอกจากนี้ทำ Tech Adoption Program ให้พนักงานทุกฝ่าย สร้าง idea คล้ายๆ bootcamp มาแก้ปัญหา/Pain Points ที่เจอทั่วไป หรือ การทำงาน โดยทำมา 6 ปี และ + AI มา 2 ปีแล้ว เน้นให้ทุกคน Increased digital literacy / new culture menorship learning / Process improvememt & Business Innovation

📌 AI in SDLC + Human In Loop

  • Requirement & Grooming ใช้ AI ช่วยสร้างเอกสาร Requirement และ User Story รวมถึงตรวจสอบความครบถ้วน เช่น dependency edge case ของ Functional และ Non-functional requirements
  • Spec-Driven Development (SDD) AI จะสร้าง Spec ขึ้นมาเพื่อให้ AI Agent ตัวอื่น ๆ นำไปทำงานต่อ ทั้ง Coding และสร้าง Test Case หากมีการเปลี่ยนแปลง ต้องกลับไปแก้ Spec แล้วจึงให้ AI Agent มา Update ตามใหม่ จะไม่มีการไปแก้ที่โค้ดโดยตรง,
  • Support & Production AI ช่วยตรวจจับปัญหาจาก Pattern ของข้อมูล และ Root Cause Analysis จาก Log จำนวนมาก ทำให้ทีม Support ทำงานได้เร็วขึ้น

บางอย่างที่มี pattern ทำเป็น skill hook / Knowledge Base (RAG) เอาความรู้ที่ใส่ เพื่อให้ AI เข้าใจบริบทสำคัญของบริการต่างๆ ของธนาคาร

📌 การเอา AI มาใช้ทำให้ Bank redesigning operating model เพื่อให้การทำงานมีประสิทธิภาพสูงสุด แต่ต้องอยู่ภายใต้ข้อกำหนดของ BOT(ธปท) ตัว AI Risk Management Guidelines (เน้นส่วน Governance ตาม responsible AI และ Development 3 ด้าน Data สะอาด ปลอดภัย / Model มี Harness การทำ Evaluation และ AI cyber Security

📌 Intelligence is free, judgememt is priceless - AI มันเก่งขึ้นจนมันกลาย Default ที่ควรมี และสิ่งสำคัญที่วัดสติในการเลือกใช้และตัดสินใจได้ถูกต้อง

When Agile Meet Agents: How Agile + AI redefine way of work

Speaker Thor Verapat Chantravannakul

📌 ในยุคแรกเราใช้ Generative AI ในการตอบคำถามหรือสรุปเอกสาร แต่ในปัจจุบันเข้าสู่ยุคของ Agentic AI ซึ่งมีความแตกต่างสำคัญคือ Take Action มองเหมือนยุคเปลี่ยนผ่านคล้ายจากีรถม้า > รถยนต์

  • Model ต่างๆ อาจจะไม่สำคัญ เพราะเก่งขึ้นเรื่อย ปีหน้า Model จีนอย่าง GLM ขึ้นนำก็ได้
  • แต่การ Operating Model(Wokflow สำคัญ)

📌 ในยุค Digital & Agile Transformation เราเน้น Delivery Quickly / Fast feedback loop / Continuous improvement แต่ AI Transformation - Humamnity & Value ไม่ได้แค่วิธีทำงาน แต่คนเราต้องปรับตัวด้วยเช่นกัน

📌 AI Agent change how work get executed

  • Flow เหมือน Agile แต่ต้องระวัง เรื่องของความถูกต้อง สิ่งที่ digital ตัว AI Agent ทำ Knowledge Work แทนเราได้ Human ต้อง
    - AI Led Research > Draft
    - AI + Human Test
    - Human Led Decide / Trust / Lead เพราะ Human Accountable for AI (คนรับผิดชอบ)
  • ถ้ามี Pattern Agent + skill ที่ดี มาช่วยงานได้
  • Key Human in the loop + Premium Value เราทำงานแบบเดิมไม่ได้ ต้องขยับมาในจุดที่สูงขึ้น Decide + Trust จากตัวเลือก AI และคนมา Lead ในตอนนี้ แต่ถ้า AI มันต้องรับผิดชอบผลเองในแง่กฏหมายอาจจะไม่แน่ในอนาคต

📌 Be quick but don't hurry

  • Without feedback - more waste / wrong thing
  • Without Customer Valuie - Motion without direction ออกทะเล
  • Without clear decision right - คนกลายเป็นตรายาง ทำแบบขอไปทีผ่านๆ หากไม่มีคนตรวจสอบ AI อาจจะสร้างความเสียหายได้ เพราะ AI ตรวจงานกันเองได้ แต่ไม่เข้าใจบริบท (Context) เช่น ด้านวัฒนธรรม เคสสรุปดราม่า Starbucks เกาหลีใต้

ต้อง Control Accelation + Disciplined Adaptor ยืดหยุ่น แต่รักษา Value + Responsible outcome

📌 The Core Equation คนกับ AI ทำงานร้วมกันได้ โดยเอามาเก่งของ แต่ละด้านมาร่วมกัน

  • AI - Execution เพราะ Scale / Speed / Consistency
  • Agile - Adoption Feedback / Response to Change
  • Human - Judgement โดยคนเราจากเดิมที่ทำ output ออกมาต้องขยับ Verify(ตรวจสอบ) > Frame (กำหนดปัญหา) > Decide (Trade Off ดีเท่ากัน แต่ต้องใช้อันไหนที่เหมาะกับบริบท + Emotional ที่ AI มันไม่เอีะ) > Accountability

แต่ Leader ต้อง Redesign Opeation Model (Worflow) โดยต้องมีส่วน Governance เบรก ทำ Guard เพื่อป้องกัน ข้อผิดพลาด รวมถึงการทำ Learning Path มาพัฒนาคนขึ้นมา Lead ได้

📌 Frame - Judge - Own

  • Frame: การตีกรอบปัญหาที่ถูกต้อง ในเวลาที่เหมาะสม
  • Judge: การใช้วิจารณญาณในสถานการณ์ที่ไม่แน่นอน หรือต้องตัดสินใจบนพื้นฐานของอารมณ์และความรู้สึก (Empathic/Emotional trade-off) ซึ่ง AI ยังทำไม่ได้
  • Own: Accountability เพราะ AI ตอนนี้ยังไม่รับผิดชอบในแง่กฏหมายได้

Discussion

🌟 Frame Judge Own ใช้กับใครบ้าง
Ans ใช้กับคนท้งหมด agent มันจะลามไปเรื่อยๆ ตาม context ต่างกัน แต่คนที่ไม่ได้ยุ่ง AI เยอะ อาจจะมี learning curve เยอะ หนีไม่พ้น

🌟 Agile อย่าง Daily Standup จะหายไปกับ AI ไหม
Ans Agile มันการช่วยจัดแนวความคิด ให้คนเราปรับตัวได้ไว เคส AI + Agile เข้ามาปรับตัวให้ไว และอาจจะมีการลดรูปบางทีอาจจะละ Daily Standup หรือ จัดการ Sprint Time box ที่อาจจะไม่จำเป็นต้อง 2 week ลด หรือ ใช้เวลาเดิมนี่แหละ แต่ให้ humam sync กันมากขึ้น มี feedback จาก Human คนเป็นผู้ใช้ ที่สำคัญ Value เดิมต้องไม่หายไป

🌟 ในชีวิตประจำ agile ช่วยยังไง
Ans Agile mindset ช่วยเรียนรู้ feedback ก่อน รู้ไว้ ลด waste มีส่วนช่วยให้ไวขึ้นได้พอใช้ไปในนาน จะเอ๊ะๆ ว่าอะไรควรทำก่อนหลัง และควรปรับตัวอย่าง Financial Plan 5 Year - เราเดาก่อนออกแรงทำ ปรับสมัยนี้ feedback ไวขึ้น

🌟 Transformation มันมี investment จัดการ Trade Off ยังไง
Ans ถ้าทั่วไป Reskiil หรือรอโอกาศ เพราะคน Expense ใหญ่ + scale ยากด้วย ทางผู้บริหารดู Growth + Risk กันส่วนใหญ่

🌟 SW Dev / HW Engineer ปรับตัวยังไง
Ans ใช้ AI มากขึ้น ทำตัวเป็น Team Lead ของ Agent แต่ตัวปรับตัวเสมอ

  • หลายๆอาชีพ AI เก่งมาอย่าง actuarial (นักคณิตศาสตร์ประกันภัย) มันวางแผนได้แล้ว หรือ งานด้านภาษา ต้องหา Value ของตัวเองให้เจอ ขยับมาเป็น AI Augmemted Staff
  • อนาคตอาจจะยุคของ subscription token
  • เด็กที่เพิ่งเกิดปีนี้ อาจจะปรับตัวยาก ต้อง Build Critical thinking
  • เด็กจบใหม่ลำบาก ทางแก้มา ลองฝึกงานตั้งแต่ปี 1-2 + ใช้ AI จะได้มีประสบการณ์ อนาคต AI มันรุกคืบมาเรื่อย ถ้าไม่ฟองสบู่แตกไปก่อนนะ

🌟 เราต้องรับผิดชอบของจาก AI แต่ปัญหาเรา Judge ไม่ได้ และเกินความรู้ของเรา กลายเป็นว่าเชื่อ AI เลย
Ans ถามกลับก่อน อ่าน และทำความเข้าใจหรือยัง ต้องมองตัวเอง เพราะงานเขียนมันช้า AI มาช่วยแล้ว งานอ่านเราเน้น judgement + context (Domain Specific) ปัญหา AI มันบอกอะไรที่ผิดด้วยความน่าเชื่อเถือ

🌟 AI + Agile ไวขึ้น waste เยอะ / Feedback User ไม่ตอบโจทย์เลือกบางกลุ่มแทน เช่น เลือก A แต่ B/C ไม่ชอบ
Ans waste เอา agent มาช่วย improve quality เรื่อง feedback เอา AI มาช่วยทำ Hyper-personalization ปรับความชอบของผู้ใช้งาน มุม Software เช่น netflix มันเลือกท่อนในหนังคิดว่าเหมาะสม ให้เรา redefine workflow เมื่อก่อนทำยาก ตอนนี้ ทำ segment of one

Multiple AI Teams Orchestration in Production

Speaker Boat

📌 llm base on stat การเดา คำถัดมา และต่อๆกันมาเรื่อยๆจนมา Gen Code / Image ได้
📌 พองานใหญ่ scale มันต้องใล้ Server หลายเครื่อง ระหว่างเราคุย อาจจะไม่ใช้ server เดวกันตลอดก็ได้ เลยจะเจออาหารเอ๋อ ตัวที่คงความ consistency พวก harness ทำให้ model มีสติมากขึ้น
📌 ตัวที่ทำงานจริงจัง พวก Claude Code คุม Env ของ Dev ได้มากขึ้น
📌 มุม Coding จาก 1 หลายเป็น agent หลายตัวมาทำงานโดยมีคนคุมและมาเป็ย orchestrator ai มาคุมทีม และ multi team orchestrator อันนี้
📌 สำหรับคนทั่วไป openclaw ที่ทำให้ AI Agent มันใกล้ตัวมากขึ้น จนมีหลาย Product ออกตามมา อย่าง cowork Codex for work

Challenge: fullstack dev ลองเอา AI มาแทนทุกจุด ปรากฏว่าทำได้

📌ทำอะไรบ้าง ทำภายใน 6 เดือนนะ เช่น

  • ทำ Zoom ใช้เอง เพราะ ถ้าซื้อ Subsdcription สำหรับ 3000 user แพง ใช้ server 8 เครื่อง + ทำ load test
  • ระบบร้านขายยา multi language
  • ระบบเวรพยาบาลฟอกไต มันต้องแยก คนป่วยตามความหนัก / skill พยาบาล / matching / แจ้งเตือนเข้า line
  • ระบบบัญชีของสหกรณ์

📌ทำได้อย่างไร

  • Human เข้าใจ context เนื้องานจริงๆ 1 2 3 4 ..... แต่ปัญหา ai กับคน เมื่อ 10 ปีก่อนเหมือนกันนะ scale ไม่ได้ / ทำไม่ตรงตามลูกค้า
  • Vibe Coding มีตั้งแต่ก่อนยุค AI โอ้วมีคนเข้าใจเราแล้ว //เจอปัญหา vibe ยุคคนเหมือยกัน ในมุมของ accountablility
  • ถัดมาเป็นตัว Spec Driven Development - เขียน spec ให้ละเอียดช่วยได้ระดับนึง อันนี้มีข้อจำกัด มันเป็น ทำแต่ละรอบไม่เหมือนเดิมนะ เพราะ ai เดา (chain of thought)
  • ดังนั้น Used Acceptance Test สำคัญนะ AI มันทำ
    - Unit Test ได้นะ run ผ่าน แต่พังตอน UI
    - และตอนนี้ เราเอา UAT Spec ให้ AI ช่วยทำ e2e อย่าง playwright มี mcp / access browser

Discussion

🌟 Dev แนะนำ Non Dev อย่างไรให้ vibe มี quality ยังไง
Ans Loop Engineering คิดbusiness ก่อน มี workflow(สิ่งที่ทำซ้ำๆ)ได้ value + outcome อย่างไร เอาให้ชัด ก่อน drill down มีอะไรย่อย ถ้าชัดเจนเราเอามา check list การตรวจได้
พอได้ Flow แล้ว เราสามารถให้ AI มาช่วยได้ แบบสมัยก่อน เราให้ freelance / sw house มาทำให้เรา

🌟ถ้าอยากมีความรู้ AI เริ่มยังไง
Ans เริ่มจากอันนี้ https://www.coursera.org/specializations/ai-essentials-google แลัวค่อยไปต่อยอด

🌟 ใข้ AI ตัวไหนบ้าง
Ans Clade Code ดีสุด

  • ต้องเลี้ยง build knowledge ต่อ product / project ให้มี context ชัดเจน
  • มี role ของ ai agent ที่ทำด้านในด้านหนึ่ง แบบคน ลด switching cost ลด context นอกจากนี้ เอา skill สำหรับมาช่วยเสนิม ให้ AI สร้าง และเราปรับแก้
  • Keyword fan-out sub agent (deep rearch)
  • อะไรที่มีการคำนวณแน่นอนให้ทำ script tools มาใช้ ผลลัพธ์จะแม่นยำกว่า

🌟 Vibe ยังไงไม่ให้แตก เคยเจอตั้งแต่สมัยคยและ
Ans Fusion plan ให้ ai หลาย ตัวมาสร้าง plan claude fan-out ให้ codex มาช่วย refine ถกกัน 2-3 รอบ หรือเพิ่ม model kimi3 มาเป็น Model ที่ 3 ข่วยได้

  • ได้ plan ที่ดีแล้ว อาจจะเอา model เล็กกว่า มาช่วยvibe
  • claude code มี native plugin codex /advisor มาช่วยได้
  • สุดท้ายอย่าลืม ลองเครื่องตัวเองให้จบ ใช้ container ลดปัญหาได้

🌟 Concern Cost / Token ไหม

Ans ตอนนี้ Claude Code / Codex Plan Max Cost มันถูกกว่าจ้างคน

🌟 ตอนนี้ Full Stack เป็นอย่างไร
Ans องค์ความรู้พื้นฐานยังเหมือนเดิม ต้องเข้าใจ Software Architecture / เลือก tools เหมาะกับงาน ซึ่งมันเปลี่ยนไปตามเวลา วิธีคิดยังเหมือนเดิม Stack เจ๋งแค่ไหน ถ้าๆม่ทำให้เกิด Business Outcome มันหมดคุณค่า

🌟 Agentic AI เข้ามาเปลี่ยน Development Team ได้ยังไง
Ans มองเหมือนคน และให้เค้าสื่อสารระหว่างทีม ค่อยให้คนมาคู่

🌟เด็กจบใหม่ ทำอย่างไร และอนาคตสาย Computer Science ยังอยู่ไหม
Ans

  • หาจุดแข็ง และสร้างคุณค่า เข้าใจ Business / มี fundamental
  • การสอน เอาเคสจริงจากข้างนอกมาเล่าให้ฟัง แต่ต้อง balance ไม่ให้ใจเสียด้วย โลกมันโหดร้าย เป็นลองแชร์ Case ให้น้องๆฟังบ่อยๆ
  • คนที่ใช้ AI เก่งๆ พลาดบ่อยเข้าใจ และปรับปรุงได้ ดีกว่าเด็กจบใหม่ที่ไม่เคยทำงาน (Insight - หางานไม่ได้มา 5-6 เดือน) อันนี้อาจจะต้อง Shift แบบตอน ปี 1-2 ลองไปหาที่ฝึกงาน จบมาจะได้มีประสบการณ์
  • mid level ทำจุดเดวในองค์กร อยู่ยาก + เห็นภาพรวม
  • เสริม softskill ทำกับคนได้เปรียบกว่า
  • Hardskill fundamemtal ต้องมี coding / ai literacy / security ถ้าไม่เข้าใจคนสร้าง sw ได้ไหม / critical thinkign

🌟ใช้ AI กับ codebase 10-15 ปี เจออะไรบ้าง
Ans Classic คน หรือ AI เป็น แก้จุดนึง แต่มีอีกจุดพังไปด้วย การมี automate test ถึงสำคัญ / Doc ถ้ามีก็ดี ถ้าพวกนี้ชัด AI ช่วยได้หมด

True Agility why AI Change Everything

Speaker Paul (Primo)

📌Agile ในยุค AI

  • Highly Collaborative: เลิกทำงานแบบ Silo ต้องคุยกัน
  • Customer First: รู้ว่างานของตัวเอง Trace กับไปที่ลูกค้าอย่างไร เพื่อให้ปรับตัวได้ทันที
  • Speed is Value: เน้นความเร็วและวางแผนรับมือกับความไม่แน่นอน (Plan for uncertainty)

มีตัวช่วย TDD / Spec Driven Developmemt หรือ อาจจะเอามาปรับใช้เป็น 5R จากหนังสือ Agility Shift อย่าง Resilient / Responsive / Reflective / Resorceful / Relevant และทาง Primo เอามาปรับใช้

📌การเข้ามาของ AI ทำให้คนเรา Collaborative มากขึ้น จากเมื่อก่อน dev ไม่อยากทำ Dev /Test / Peer Review หรือ แม้แต่การทำ Doc ส่งต่อ

  • แต่ AI Kill busywork / Remove fiction / แถมทำไว Execution at speed
  • free human สิ่งที่คนต้องมาสนใจมากขึ้น
    - complex empathy / critical thinking & judgememt
    - strategic oversight ทำให้คนเราขยับมามองภาพรวมมากขึ้น (broad picture)
    - agile by default งานเราจะเป็น AI Boss ไม่งั้นจะคอขวดที่เราเอง

📌องค์กร skill base-organization อนาคตตำแหน่งเบลอและบีบแคบลง

  • สร้าง DEV + product manager owener
  • เอาไปลง Test + DevOps + Support + Accout Manager

Behide The Scence AI Adoption + Extreme Programming

Speaker Apipol Sukgler

สำหรับหัวข้อนี้มาเล่าต่อ How we use AI and Agile Team (Charanchai Thongkham) อันนี้ผมไม่ได้เข้าฟังเหมือนกัน แต่มี Recap นิดนึงจาก Speaker ว่าแนวคิด Extreme Programming / A-Dapt ช่วยในเรื่องการสื่อสารยังไง และจนสุุดท้ายถึงได้ทำเป็น Intenal Tools ขึ้นมา

📌 Extreme Programming-XP เป็นอีก Implementation นึงของ Agile โดยที่เน้นไปที่การเขียน Code

  • Test First: ต้องคิดก่อนว่าจะเทสอย่างไร แล้วจึงเริ่มเขียนโค้ด
  • User Stories: ซึ่งจริง ๆ มีต้นกำเนิดมาจาก XP ก่อนที่ Scrum จะหยิบยืมไปใช้
  • Spec-driven Development (SDD): .ใช้ Spec เป็นเครื่องมือการสื่อสาร เป็นแนวคิดที่มีมานานกว่า 30 ปีแล้วและพิสูจน์มันใช้ได้จริง

📌 A-Dapt - เป็นแผนภาพที่ได้ Idea มาจาก Service Design Blueprint เพื่อมาแก้ปัญหาการสื่อสาร บอกตั้งแต่ต้นจนจบ ว่า workflow ทั้งหมด เช่น การซื้อกาแฟ ผ่าน UI > API Service ไหน มี Structure อย่างไร > ใช้ db อะไร

📌 การใช้งาน A-Dapt ใช้ Board Miro ในการสื่อสาร แต่มัน

  • Free Style เกินไป - แม้ว่าอนาคต AI เข้าถึงได้ แต่มันเดายากว่าอะไร Component ไหน
  • และต้องสลับไปมาหา App / Code / จอ เลย

ยุคของ AI Agent + เลยมี Idea ทำ Tools Visualize Workflow ขึ้นมา
และ AI Agent ไม่ได้มาปีนี้นะ หลายที เช่น Spotify ลอง AI Agent 2024 ลองใน sandbox ai-fleeship (Internal Image) ก่อนที่ Claude Code เปิดตัว

📌 Extreme Programming-XP เอามาทำเป็น Skills.md + Script สิ

📌 Canvas tools - A-Dapt จาก Miro มาทำ canvas internal tools

  • Tools โดยเอาแนวคิดของ Microservice Testing เอาภาพนี้มองไปเป็น Node พวก ui / controller / domain service layer / data store / external api เป็นต้น ที่นี้ลดปัญหา
    - Frontend + Mock API เอาไปใช้ Dev ได้เลย
    - backend + API Test (Bruno)
    - ER Diagram dbdiagram.io อนาคตไปทำ DB Versioning ด้วย
  • Tech Stack ใช้ react flows เอามาช่วยสร้าง Custom Node / Faker Zod (Gen Mock Data) / Bruno (API Collection) พวก diagram เก็บเป็น json //ตอนแรกคิดเก็บ xml เพราะ tools ส่วนตัวผมใช้ VueFlow ใช้ XML
  • การตรวจสอบ human-in-the-loop ตรวจ Workflow > UI > API
  • นอกจากนี้มี Tools คล้ายกัน https://www.builder.io/ / https://github.com/BuilderIO/skills

📌 อีกปัญหา เวลาเรามี Microservice เยอะ จะรู้ Diagram ปัจจุบันยังไง เลยเป็น Tools Shelob ซึ่งมันมีความเจ็บปวดตอน Dev

  • Ver1: Vibe Coding - เละ AI จับชนมั่ว
  • Ver2: Vibe Coding และกำหนด Structure Output (JSON) แต่มันมั่วเหมือนกัน
  • Ver3: Vibe + Spec Driven + Not AI in APP (Programming Way) เน้น Deterministic โดยให้ไปอ่านความสัมพันธ์จากใน GitOps Deployment File อย่าง yaml แล้วเอา พวก RegEx มาดึง จับ Pattern

ถ้าเราใช้ coding agent เอาไปฝากใน hook อย่างใน claude run test

ถ้าอยากลองหา Idea ทำ Tools Speaker ได้แนะนำ

ถ้าอยากรู้ว่าเราถึงขั้นไหนของ AI พวก DORA Metric ของ DevOps มีออกแบบ DORA AI Capabilities Model

Speaker มีเขียน Blog ด้วย

📌 Q&A

  • ตอน Dev Internal Tools ใช้ อะไรบ้าง
    Ans งานเล็กใช้ jules(gemini3) / งานใหญ่ opencode + glm 5.2

Build Creative Application with Claude Code Slop or Not

Speaker Oluf Andrews

สำหรับ Session นี้จะมาเล่าการใช้ Claude Code สร้าง App Ymir ซึ่งเป็น App ที่จัดการสร้าง World/Terrain สภาพแวดล้อม พวกพวกภูเขา น้ำ หมอก เป็น 3D Model อันนี้เป็น Open Source แกเน้นไปที่ Game Developer โดยตัวสามารถ Export เข้าไปที่ตัว Unreal Engine, Blender หรือ Unity ได้

📌 Tech Stack: Rust + GPU Support

📌 App ตัวนี้ใช้ AI Vibe ขึ้นมา โดยไม่เกิด AI Slop ซึ่ง Slop - Superficial competence (สวยแต่รูปใช้จริงไม่ได้) อันนี้ Speaker ว่าเค้าทำได้อย่างไร ?

  • Claude No Orchestration + claude.md มี Agent เดียวทำงานไป โดยมีไฟล์ claude.md ที่ทำหน้าทีา่กำหนดข้อตกลงในการทำงานในส่วนต่างๆ
  • กำหนด Definition Of Done ที่ชัดเจน
    - All Test / Clippy / fmt green
    - Spec come first จากนั้นจะนำ Spec มาย่อยเป็น Task และสร้างเป็น Issue ใน GitHub Project ถ้าไม่มี issue ให้ Claude "ปฏิเสธ" อันนี้กำหนดไว้ใน claude.md
    - Human Judge - ทุกขั้นตอน
  • Design
    - เน้น Deterministice ตัว App สร้างจาก AI แต่ไม่มีมี AI ในตัว มีแต่ Code ย่อยๆ เพื่อทำงานย่อยๆ แต่จะชิ้น เช่น การจัดการ Node
    - แยก Code Logic พวก ui / gpu รัน test แยกสะดวก
  • กำหนด Workflow เพื่อคุม Strategy
    - Incremental Step ทำละเล็กๆ และมีการ Commit และ Test เสมอ
    - ของเดิม Git อย่าง pre-commit hook
    - ใช้ Agent Hook เรียก Scipt มาตรวจสอบ
  • Testing Strategy
    - Test ทุก Node: มีการทดสอบแยกแต่ละ Node (30+ Nodes)
    - Golden Test: ใช้การทำ Hash ผลลัพธ์ เพื่อตรวจสอบการเปลี่ยนแปลงในระดับ Pixel ที่ตาเปล่ามองไม่เห็นหรือไม่
    - Property Test: สุ่ม Input จำนวนมาก เพื่อหา Edge cases
  • คุม Technical Debt - Rust Compiler, Clippy (Linter) และ FMT
  • Documentation as Input
    - Local ใน Chat Session / หรือใช้ Memory เพื่อ Sync Context
    - Remote เพื่อใช้ในเครื่องอื่น อันนี้ใช้ไฟล์ handoff.md เป็นตัวเชื่อมข้อมูล
    - นอกจากนี้ Commit จะถูกเชื่อมโยงกับ GitHub Issue - ผมสังเกตุ agent ตอนมันทำมันก็ read ถ้ามันอ่านเข้าใจข้าม ไม่เข้าใจ มันจะไปส่องไฟล์อีก
  • Agile AI Better together ยังไง
    - Agile ยังใช้งานได้ดี ไม่ต้องไปสร้าง methodology ใหม่แล้ว ช่วยป้องกัน AI Slop เราเอาไปทำ Flow ใน AI
    - คนกลายเป็น bottleneck

Source Code: https://github.com/liminalfield/ymir / slide

What not to do in AI adoption / AI Transformation

Speaker Chakrit Riddhagni

สำหรับวันนี้พี่คริสจะมาเล่าที่ผ่านมา เวลาไปทำ AI adoption / AI Transformation เจออะไรที่เข้าใจผิด

📌 Over-producing Artifacts

ปัญหาของหลายที่วัดกันที่จำนวน (Measure success by quantify amout / detail) พวกกลุ่ม no of story written / line of code / merge request ว่ามีจำนวนเยอะขึ้น แสดงว่า productivity ดีเหรอ ? //เอาจริงๆ ผมเอ๋ะตั้งแต่ตอนเรียน ป โท SE Line Of Code วัดทำไม 55 แต่ทว่า ขอ AI มันสร้างมา ไม่รู้ว่าทำไปเพื่ออะไร / เอาไปใช้จริงก็ลำบาก / หาไม่เจออีก

จริงๆ แล้วเราควรสนใจ Quality > Quantify เพราะ Artifacts มันต้องมี purpose ของมันอย่างตัว Spec

  • Immediate transfer
  • Collect as evidence
  • Audit check list มันต้องมองมากกว่า Check List เช่น ประโยชน์ด้านอื่นๆ

สิ่งที่ควรเอามาใช้วัด Productivity

  1. Feedback and misinderstanding count ดูจาก
    - rework due misunderstanding
    - ความเข้าใจของพนักงานใหม่ ที่มาใช้ของเหล่านั้นต่อ ว่าเริ่ม on board ได้ยากไหม
    ถ้าเอกสารมันซับซ้อนเกินไป อาจจะ Guide โดยการทำ Template ง่ายๆแบบปัญหา คือ อะไร มี Context แบบไหน และมี acceptancd criteria ยังไง
  2. Interactive requirement doc + การคำนวณ เพิ่อให้เข้าใจ req ทุกฝ่าย BA Dev AI ช่วย เราตรวจ
Interactive requirement
  1. Quiz ทำ Requirememt + AI สร้าง Quiz ให้คนเข้าใจ อัน Idea จาก Understanding is the new bottleneck — Geoffrey Litt, Notion

Tips for "transformation manager, advisory or manager"; SHOW BOTH SIDE willing vs. Practical สื่อสารให้ชัด
- ตัว amount/ count มันไม่ได้แย่นะ อันนี้เอามาวัด rate การ adaoption เอา ai มาใช้ได้
- จากนั้น ค่อยเอา metric อีกชุดมาวัด productivity

📌 Prompt with more detail is good

มันถูกบางส่วน แต่ถ้าเอาของยัดเข้า AI เยอะๆ หรือมาตู้มเดียว AI มันเหมือนคนจะเบลอๆ จำไม่ได้และ เบลอๆ เจอปัญหา Context rot ทางแก้มี 2 แนวทาง

  • Bottle-up ทำที่ละนิด และเพิ่มเรื่อยๆ
  • Eval ลองวัดผล

📌 Spec Driven Development ก่อนจะใช้ต้องเข้าใจก่อน

ตอนนี้ SDD มีหลายค่าย SpecKit / Kiro (AWS) / Tessl ซึ่งมันรูปแบบการทำงาน 3 แบบ

  • Spec First - ทำแล้วทิ้งเลย เชื่อที่ Code หลังจากนี้แล้ว
  • Spec Anchored แก้อะไรมา Update Sync ทั้ง Code / Doc
  • Spec as a source - เชื่อ Spec เป็นหลัก แก้ที่ gen code ใหม่ทุกรอบ อันนี้ token เยอะนะ และ ระบบใหญ่รื้อเยอะสภาพ Commit จะใหญ่

นอกจากเข้าใจแล้ว ต้องตอบคำถามว่าเรารับ Trade Off ได้ไหม

  1. delta (ส่วนต่าง) or recreate
    - delta ถ้ามากไปเจอ Over-producing Artifacts
    - recreate ถ้าแก้นิดเดียวปัญหา AI มันจะแก้แค่ไหน เติมนิดนึง หรือ Gen ใหม่ แล้ว FR/NFR หายไป หรือป่าว
  2. Who maintain detail spec (FR / NFR) มี 3 ทาง
    - BA SA PO มาสุมหัวร่วมกัน ทำได้จริงไหม ?
    - หรือ Assign Engineer มาดูแลเลย อันนี้ Silicon valley ใช้กัน เคส spotify google ใช้กัน
    - หรือ FR มาจาก Business แล้ว Detail Spec + NFR ให้ทีมมาจัดการ
  3. Source of Truth ?
    - ดูจาก Source Code
    - หรือ Deferministic Automate Test มี Test คุมพฤติกรรม เคสที่ชัดเจน bun ใช้ Claude ย้ายจาก zig มา bun และมั่นใจ Coverage ครบ เพราะมี Test เขียนดักไว้

เมื่อก่อนใช้ Code ยาก เพราะ Role อื่นไม่เข้าใจ แต่ Communicate ยาก อาจะเอา AI Revere Eng from code ทำ Spec + Test พวก BDD เห็นภาพเกิดเ information flow

📌 Adopt AI Automation before test automation

บ ใหญ่ๆ ที่เค้าเคลมอย่าง Spotify ว่าเอา AI Agent Coding มันช่วยลดงานเค้าได้จริง แต่เบื้่องหลังมี Automate Test + Test Coverage เยอะระดับนึงแล้ว

ปัญหาที่เจอส่วนใหญ่ เอา AI มาใช้่ แต่ของได้ได้ waste เยอะ QA ตรวจ Fail เสียเวลากลับมาแก้ เกิด Bottleneck อีก ถ้าจะวัดเอา DORA metric ช่วยได้นะ ที่สูงๆ

  • Change failure rate ในไทยสูง เพราะ req ไม่ชัด เลยทำให้ acceptance criteria UAT (Test Case) ไม่ชัด หรือ ไม่มี automate test หรือ หนักสุด ไม่เข้าใจ Product อันน้
  • Rework Rate

Time Idea to Prod ถ้า CRF ดีขึ้นมาวัดตัวนี้ได้

📌 Tokenmaxing - อย่าเลย มันวัดได้แต่ adoption เอามาวัด productivity ไม่ได้

📌 Encoroagement - Wrong Message What certain business or not

จริงๆ เหมือนคำว่า Agile ไม่ได้ทำให้เร็วขึ้น AI ก็เช่นเดียวกัน ลองอธิบายให้เห็นมุมมองอื่นๆ จะได้เสริม และลดการต่อต้านได้ เช่น เอา AI มาใช้ ชีวิตง่ายขี้นยังไง น่าจะดีกว่า หรือ Interactive requirement ลดการประชุมที่ซ้ำซ้อนลงได้

📌 Cost Comparision ราคา AI ตอนนี้ปรับไปเร็วมาก เอา AI Tools ดีพอกับทีม และเหมาะเข้ามือคนที่ใช้งานจริง อย่าง PI

Blog ท่านอื่น

สุดท้ายขอขอบคุณทีมงานทุกท่านที่ที่จัดการขึ้นมาแชร์ความรู้ และสร้าง Connection ส่งต่อพลังดีๆกันครับ ^__^

Reference

Discover more from naiwaen@DebuggingSoft

Subscribe to get the latest posts sent to your email.

Tags

Related Posts