สรุป Arise Tech Meetup #10: AI Agents in Action

Build an AI Knowledge Fabric for Your Organization

Speaker Surasuk Oakkharaamonphong / Nitchakran Chaipojjana

สำหรับมาอธิบายก่อน แล้วมาแชร์ Internal Tools ที่ใช้ภายในองค์กรครับ เพราะ AI ตอนนี้มันเก่ง แต่มันก็โ่งถ้าเราไม่สามารถให้ AI Agent มันอยู่ใน Context เดียวกับเราได้ แต่พื้นที่ของ Context ที่จำกัด เราทำยังไงไมให้ AI Agent Cognitive load แล้วมันหลอน

ตรงนี้ Gartner 2026 บอกเสนอการจัดการ Context โดยดูจาก 3 มุมมอง

📌 Semantic - Ubiquitous Language (ภาษากลาง Idea มาจาก DDD) เพื่อป้องกันไม่ให้ AI ตีความไปเองจนผิดบริบท โดย

• ตกลงนิยามคำศัพท์และ Terminology ต่างๆ ให้ตรงกันทั้งองค์กร
• ความสัมพันธ์จาก ontology/knowledge graph
• Rule ต่างๆ

📌 Operational State / System State: ข้อมูลและเอกสารต้อง Up To Date และ เข้าถึง Enrioment ล่าสุด / RAG
หาก AI ได้ข้อมูลที่เก่า จะทำให้ตอบคำถามผิดพลาด.

📌 Provenance - ตรวจสอบการทำงานย้อนหลัง (Audit trail) เพื่อดูว่า AI ตอบคำถาม ตัดสินใจ และทำงานอย่างไร เอาไปเป็น Feedback Loop เพื่อปรับปรุงแก้ไขบริบทให้ดีขึ้นในอนาคต

ถ้าจะเริ่ม เราต้องเตรียมความพร้อมยังไง อันนี้มี Share Usecase ของ Verizon ทำ Knowledge Maturity มา 5 Level เช่น

📌L1: Foundation Context - เริ่มต้นด้วย รวมข้อมูลที่กระจัดกระจายอยู่ตามแหล่งต่างๆ ในองค์กรมาไว้ในที่เดียวกันเพื่อให้ AI สามารถเข้าถึงและนำไปใช้งานได้ แม้ว่าข้อมูลในระยะแรกอาจจะยังไม่สมบูรณ์

📌L2: Rule-Based Automation - เลือกการทำงานที่รูปแบบที่แน่นนอน (Deterministic) ทำเป็นระบบอัตโนมัติ แล้วเริ่มนำ AI Agent เข้ามาทดลอง

📌L3: Semantic Consolidation - เน้นสร้างความสอดคล้องของข้อมูลที่รวบรวมมา สร้างความสีมพันธ์ ลดข้อมูลที่ขัดแย้งกันเอง และทำให้ข้อมูล มันมีความหมายขึ้น แล้ว AI Agent มีเส้่นทางหาที่ชัดเจน

📌L4: Agentic Goverance - องค์กรต้องมี Governance-ระบบกำกับดูแล เพื่อติดตามว่า AI ตัวไหน ทำอะไร (Action) บอกอธิบาย ที่มาได้ และเมื่อเกิดปัญหาจะสามารถตามรอย (Trace) กลับไปแก้ไขได้

📌L5: Enterpise Knowledge - ข้อมูลที่จัดเก็บมาเรียบร้อยแล้ว ต้องใช้งานทั้ง AI + คน เข้าถึงมาใช้งานได้

-Internal Tools Trace Studio

สำหรับใน Arise เอา Idea นี้มาทำ Internal Tools Trace Studio ที่ต้องการสร้าง Knowledge Base ของแต่ละ microservice ที่ AI ใช้ได้ คนก็ใช้ได้ด้วย เอามาตอบคำถามแนวๆ

• microservice ถ้าล่ม อะไรจะพังตามบ้าน ?
• req เรื่อง xx ผ่าน microservice ไหน ?
• DEV: อยากปรับระบบ แล้วเรามี Archtecture Diagram ล่าสุดไหม ?
• SRE: สามารถหาสาเหตุของปัญหาระบบล่มเบื้องต้นได้ไหม หรือ ต้องรอ Dev
• BA: สามารถทำ Impact Analysis โดยไม่ต้่องรอทีม
• Enterprise Architect (EA): เข้ามาตรวจสอบภาพรวมของ Architecture
• New Joiner (พนักงานใหม่): เรียนรู้โครงสร้างระบบและ User Journey ได้ด้วยตนเอง

Feature

📌Microservice Dependency: สแกน Repository / Code ใน Git เพื่อวิเคราะห์หาจุดเชื่อมโยง (Dependency) ระหว่าง Microservices ต่างๆ, เส้นทางของ API, External Services

📌User Journey & Figma Integration: เชื่อมต่อเข้ากับ Figma ผ่าน MCP เพื่อดึงข้อมูลหน้าจอและความสัมพันธ์มาวิเคราะห์ User Journey ว่าแต่ละหน้าจอเกี่ยวข้องกับ API ยังไง

📌Interactive ER Diagram: Upload DDL เพื่อให้ AI สร้างแผนภาพ ER Diagram จากนั้น AI มาวิเคราะห์ Index หรือ ถ้ามีการปรับ Field มี Impact กับใครบ้าง

📌MCP Server & Access Control: รองรับการเชื่อมต่อกับ MCP Client ที่มีการตรวจสอบสิทธิ์ของแต่ละ User

การทำงาน

📌Input แต่ละทีม เอา Git Repo -> อ่าน Code สร้าง Microservice Dependency / Figma สร้าง Sitemap / DDL -> ER Diagram

📌Process

• ใช้ Local LLM มาอ่านข้อมูลที่สำคัญอย่าง Source Code มาสร้างความสัมพันธ์ Figma - Microservice - ER Diagram ในรูปแบบ JSON อนาคตถ้าใหญ่ขึ้น Graph Database
• human in loop Owner Team Review Approve ความถูกต้อง /

📌Output WebApp ใช้ใช้งาน / MCP ให้ Agent ใช้่ ในที่นี้ Claude Enterpise ซึ่งจะเห็นข้อมูลสรุป ไม่สามารถเข้าถึงรายละเอียดลึกจาก Source Code / Figma

-Discussion + Q&A

📌ข้อมูลที่ป้อนเข้าระบบมีอะไร้บ้าง

Ans Git Repo / MCP Figma / DDL (ER) / Kustomize (ระบบมี Kafka เราตจะไม่รู้ปลายทาง ต้องให้ AI มาแกะ)

📌หากข้อมูลที่นำเข้าจากระบบต่างๆ เกิดขัดแย้งกันเอง (เช่น ข้อมูล API ขัดแย้งกัน) มีวิธีการทำ Data Cleaning อย่างไร?

Ans ระบบ Scoring ในการวิเคราะห์ และหากพบความขัดแย้งหรือความเสี่ยงที่ข้อมูลจะไม่ถูกต้อง ระบบจะแสดงผลแจ้งเตือนบนหน้าจอเพื่อให้ผู้ใช้ (Human in the Loop)

📌ข้อมูลที่เป็นความลับ (Confidential) อย่าง Source Code จัดการยังไง

Ans Local LLM (Qwen) จัดการข้อมูลลับ ส่วนข้อมูลผ่านการ Process แล้ว จะใช้ Claude Enterpise ไปใช้

📌ใช้เวลาพัฒนาเท่าไหร่
Ans 3 เดือน
📌ปัญหาที่ยากที่สุดในการพัฒนาระบบนี้คืออะไร?
Ans การเชื่อมต่อ Figma ข้อมูลกระจาย และไม่มี Pattern ชัด

มีหัวข้อที่คล้ายกันจากงาน AgileTH2026: Behind The Scene AI Adoption + Extreme Programming ลองไปอ่านกันได้

AI Agents Development and Application in Business

Speaker Panutat Tejasen

Gartner คาดการณ์ว่าในองค์กรนึง Agent อาจจะมีจำนวนถึง 150K ได้ เพราะ รูปแบบการพัฒนา Software + Agent ในปัจจุบันเปลี่ยนไป

• เดิมมาจาก Top > Down > IT มีคุมอยู่
• ตอนนี้ Bottom up ขึ้นไป พนักงานทำเองได้ โดยเริ่มจาก
  - RPA มีรูปแบบแน่นอน ลากวาง Flow
  - Chat คุยถามตอบ
  - Agent ทำงานเอง ตัดสินใจได้ ยุ่งกับ Enviroment ได้

หลายองค์เจอปัญหา

• DaVita บริษัทดูแลผู้ป่วยไต มี Agent 10k สร้างกันเอง
• FICO พนักงานสร้าง Agent มากกว่า 10 ตัวต่อคน
• Cloudfare เองพบตอน Traffic มาจาก Agent เป็นหลักแล้วนะ

ข้อดีของการใช้ AI Agent องค์ความรู้อยู่กับองค์กร แม้ว่าพนักงานจะลาออก แต่มีประเด็นแบบในจีนที่เอาพนักงานมาทำ Agent แล้วให้ออก นอกจากนี้

-การมี Agent เยอะ มันไม่ได้แปลว่าดีเสมอไปนะ เพราะ

• Agent มาทำงานที่ซ้ำซ้อนกัน เปลืองเงิน ต้องมาแยกกันก่อนว่า Agent ทำอะไรบ้าง เช่น
  - Personal: ช่วยงานส่วนตัว
  - Sub Task: ทำงานเจาะจง ตัวกลาางช่วยสรุปเอกสาร / Invoice
  - Customer: ช่วยเหลือลูกค้า แต่ละกลุ่ม
  - Data warehouse: จัดการข้อมูลขององค์กร เป็นต้น
• ไม่สามารถวัดผลได้ Agentว่าช่วยเพิ่มประสิทธิภาพยังไง
• สร้างมาแต่ดูแลไม่ได้ จากการสำรวจ Garther บอกว่า 13% ที่ดูแลได้ พวก IBM นอกนั้นมีความเจ็บปวด
  - Cursor Agent ลบ DB ทิ้ง
  - SAP เลือก Block Agent ภายนอกทั้งหมด เพราะไม่มั่นใจว่ามีผลไหม
  - Amazon/Perplexity มีประเด็น Identity Issue

-เรามีแนวทางการดูแล Agent ยังไง มีหลายแบบ

• Block - ยิ่งห้าม ยิ่งคุมยาก เพราะพนักงานไปใช้ Shadow AI แทน ข้อมูลหลุด
• ทีมกลางทำให้ - เกิดปัญหาคอขวด และอาจจะตอบกับ Business Change ไม่ทัน
• ซื้อสำเร็จรูป -ไม่Fitกับองค์กร ไม่เข้ากับข้อกำหนด

จะเห็นว่าแต่ละแบบมีข้อดี ของเสียต่างกันไป Speaker เลยเสนอ Idea กระจายหมด ยกเว้น 4 เรื่องที่ต้องคุม

• Identity:
  - แยกออกมาให้ชัดเจน จากของคน
  - ตอนทำงานต้องบอกด้วยว่า ทำเอง หรือทำในนามของบัญชีของผู้สร้าง (On behalf)
• Boundaries & Rank:
  - กำหนด Permission / Authorization ให้ชัดเจน มองแบบคน เข้าข้อมูล ระบบไหนบ้าง ตาม Role / Buiness Constrait / Regulator ของ Sector นั้นๆ
  - อะไรที่ตัดสินใจเองได้ก่อน
  - รวมถึง Kill Switch เพื่อให้มันหยุดทำงานเผา Token เช่น ลองไปแล้ว 2 รอบไม่สำเร็จ หยุดการทำงาน Noti แจ้งคนมาตรวจ
• Cost Control:
  - คุมภาพรวมตรงกลาง
  - การใช้ AI รูปแบบการคิดเงิน มันไม่ได้เหมาจ่ายแบบซื้อ License ขาด หรือ จ่าย Subscrioption รายปีแล้วจบ AI สำหรับองค์กรมันนับตามจำนวน Token ที่ใช้จริง ถึงแม้ว่าทำงานไม่สำเร็จ มันคิดเงิน อย่างเคส Uber ที่ต้องหยุดการใช้ AI เพราะเกินงบ 1 ปีใช้หมดภายใน 3 เดือน
• Audit Trail ต้องมีบันทึก ใครทำ อะไร ที่ไหน อย่างไร ใช้เงินเท่าไหร่ / มี Gateway ที่คุมการใช้งาน Agent ออกที ซึ่งอาจจะมีการกรองข้อมูลที่ไม่จำเป็น PII (PDPA)

นอกจากนี้ยังมาตรฐานของ Security ที่เกี่ยวข้อง OWASP Top 10 for Agentic Applications for 2026

-แล้วทำยังไงให้ Agent มันทำงานได้จริง ไม่ใช้สร้างขยะ

ตอนนี้บทบาทของ IT จะ Shift มาเป็น HR ของ Agent โดยคุม Identity / Boundaries / Cost / Audit รวมถึงแนะนำ How to เพื่อให้พนักงานสร้าง Agent ที่ใช้ได้จริง โดยมี Check List ตามนี้เหมือน Onboarding Junior

📌เตรียมของให้พร้อม

• Orientation - บอกบทบาท (Role) > มาตรฐาน (Working Standard / Convension) > Style & Tone > Scope ที่ได้รับ
• จัดเตรียมคู่มือ Standard Operation Procedure (SOP) - เพื่อให้ Agent มาอ้างอิงขั้นตอนการทำงาน
• จัดเตรียม Corporate Knowledge Base - เช่น ข้อตกลง สิทธิ์เงื่อนไข หรือ ข้อมูลเฉพาะตัวของลูกค้าแต่ละเจ้าให้ Agent มาใช้ เตรียมเป็น MCP ไว้ หาก SOP มาดูเพิ่มที่นี่ได้
• Provide Examples - สำหรับงานแต่ชิ้น ให้ดูตัวอย่างที่ดี และแย่ แล้วตั้งเป็น Rule Agent.md
• Fine-tuning: หากเป็นงานเฉพาะด้าน เช่น การแพทย์ IT ต้องร่วมมือกับ User เตรียมข้อมูล และ Fine-Tune Model

📌เข้าใจกันก่อนว่า AI Stateless ไม่จำอะไร ส่วนที่จำเป็น Memory แยกมาจาก LLM

1. Session Memory เมื่อจบการสนทนา แล้วระบบจะลืมข้อมูลทั้งหมดทันที
2. Global Instruction - บอกว่างานอะไร ทำภายใต้บริบทไหนขององค์กร Role อะไร และ Project Instruction งานที่ทำอยู่ตอนนี้ เช่น Coding ของระบบ XXX พวก SOP ที่ต้อง Up to Date
3. Cross-session Memory - ให้ Agent ใช้งานร่วมกันได้ ตรงนี้ช่วย Share กฏใหม่ๆจากการที่เราสอนเพิ่ม Examples - ที่ต้อง Up to Date
4. Scale KM - Corporate Knowledge Base - ที่ต้อง Up to Date

📌งานที่ควรเริ่มมาใช้ Agent

• ทำบ่อย มี SOP ที่แน่นอน มีความเสี่ยงต่ำ ทำให้วัดผลได้รวดเร็ว - หลีกเลี่ยงงานซับซ้อนที่นานๆ ทำที
• การกำหนด Kill Switch และจุดที่ Human In The Loop
• มีวิธีวัดผลของ Agent

-Discussion + Q&A

📌AI Agent ที่พนักงานสร้างขึ้นมาในเวลาทำงาน ถือเป็นสินทรัพย์ของใคร ระหว่างบริษัทกับตัวพนักงาน
Ans ขึ้นกับสัญญาจ้างงาน ปกติระบุไว้ว่าของบริษัท ถ้าไม่มีตามกฎหมายลิขสิทธิ์ซอฟต์แวร์ ลิขสิทธิ์จะตกเป็นของ "ผู้สร้างสรรค์"

📌หากพนักงานต้องการความสะดวกรวดเร็ว จนไปใช้ Shadow AI Agent ส่วนตัวโดยไม่รายงาน องค์กรควรจัดการอย่างไร?
Ans องค์กรควรสนับสนุนและจัด Training แต่เป็นการอบรมเพื่อสร้างความเข้าใจเรื่องกฎเกณฑ์การใช้งาน ขอบเขต และความปลอดภัยในการใช้งาน เพราะที่พนักงานแอบใช้ Shadow AI ส่วนมากเกิดจากการจัดหาที่ล่าช้า แต่งานเร็ว เป็นไปได้องค์กรควรเตรียม AI กลางให้ใช้ เพื่อบริษัทสามารถ Audit และควบคุมการรั่วไหลและความเป็นส่วนตัว (PDPA)

📌ในฐานะผู้บริหาร สิ่งที่ต้องให้ความสำคัญและบังคับ ในการกำกับดูแล AI คืออะไร?
Ans Agent ตัวไหนของใคร ระบบไหน ทำงานอะไร Kill Switch / Approval Rule รวมถึงการจัดการ Cost

📌เรามีเครื่องมือที่จะตรวจสอบได้หรือไม่ Traffic ที่มาในองค์กรมาจาก Agent หรือมนุษย์
Ans ทำได้ แต่แพงระดับนึง ถ้าเอาง่ายๆ เอา Domain ไปไว้หลัง Cloudflare มันมีส่วนป้องกับ AI Bot

📌เราจะป้องกันผลกระทบกรณี AI Agent ทำงานเกินหน้าที่ที่สั่ง
Ans คุมที่ Gateway กรองข้อมูล / Audit Trail / รวมถถึงตัดทอนข้อมูลสำคัญอย่าง PII ก่อนส่งต่อไป และต้องมีการ Review ด้วย Cybersecurity Team

📌Business Model ของการให้บริการ AI ในอนาคตจะเปลี่ยนแปลงไปอย่างไร
Ans ธุรกิจพัฒนา AI Model ด้านล่างสุดลำบาก เพราะ ต้นทุนสูงและการแข่งขันยังแรงไปอีก 2-3 ปี ส่วนได้เรียบน่าตจะเป็น Gateway อย่าง Open Rounter ที่มีการเก็บค่านายหน้าเล็กน้อย แต่สม่่ำเสมอ รวมถึงส่วน Harness / Agent เข้าเริ่มมามีบทบาทเป็นอีกช่องทาง แต่ตอนนี้ยังไม่มีเจ้าตลาดที่แท้จริง

AI Agents at Work: How AI Agents Are Changing Business

Speaker Poramate Minsiri

-ถ้าอยากเริ่มทำ AI Agent ในคอมส่วนตัว

📌ให้ลองจาก Pain Point เราเจอบ่อยๆ เพราะตัว Model เก่งขึ้นมากแล้ว ถ้า Inner กลับปัญหาช่วยให้ก้าวข้าวอุปสรรคต่างได้ด้วย อย่าง Speaker เองไม่ชอบ Terminal แต่ตอนนี้เป็นประจำและ

📌นอกนี้ ถ้าอยากเริ่มลองไปหางาน Hackatron ซึ่งอันนี้เป็นการเรียนรู้ที่ไว และได้สิทธิหลายอย่างฟรีด้วย อย่างตอนเปิดตัว Gemini 3.0 Hackatron ให้ลองด้วย ซึ่ง Speaker ก็ได้ไปร่วมด้วย แล้วสร้าง App ชื่อ War Room เอาสรุปทุกอย่างเป็น Slide รวมถึงทำ Demo ด้วย veo ถ้าอยากอ่านเต็มๆ https://www.kaggle.com/competitions/gemini-3/writeups/strategy-deck

📌แต่ Style การทำ Slide ของแต่ละที และบทบาทก็ต่างกันนะ ที่สิงคโปร์ ทางฝั่งผู้จัดงานต่างประเทศ ขอให้ส่ง Slide เต็มก่อน และมีขอปรับแก้ ต่างที่ไทยทำได้จนถึงวันสุดท้ายเลย ซึ่งงานที่ Spekaer ได้สรุปข้อมูลทางการแพทย์และลองไปนำเสนอ โดยไฟล์ต้นฉบับหลายร้อยหน้า และขนาดใหญ่ด้วย เอา AI มาช่วยยังไง เลยใช้ Agent ทำ Slide 4 หน้า

1. หน้าแรก: อธิบายว่าอาการตาแห้งคืออะไร
2. หน้าที่สอง: อธิบายกลไกการเกิดอาการในดวงตา
3. หน้าที่สาม: แนะนำวิธีการคัดเลือกและเปรียบเทียบการใช้ยาแต่ละสูตร
4. หน้าที่สี่: ปิดการขาย

📌Slide อันนี้ใช้ 3 Model - ChatGPT / Notebooklm / Gemma หลังจากหมอตรวจดูเลือกผลจาก ChatGPT นะ อันแสดงให้เห็นว่า

• เวลาให้ AI ทำอะไรต้องมี Domain Expert มาตรวจข้อมูลนะ + Visualize ส่วน ง
• พวก AI Agent ไม่ใช้ตัวอย่าง Prompt มาแปะ
• แต่การเตรียมข้อมูล + ความรู้ผ่าน SOP + การสอนจากตัวอย่าง จนได้ Prompt เหมาะสมขึ้นมา

-Local LLM กับ Image/Video Generation

📌จากเดิม Image/Video Generation มึต้นทุนที่สูง Request แต่ละรอบหลายร้อยบาท และอาจจะไม่ใช่สิ่งที่เราอยากได้ด้วย แต่หลังมี Open Source/Open Weight Models เกิดขึ้น อย่าง MiniMax / LTX ทำให้สามารถทั้ง Local LLM ขึ้นมาทำได้ Speaker ใช้ Nvidia RTX 5090

📌นอกจากนี้ หลังจาก Stack สำหรับ Image/Video Generation ผมเดาว่าเป็น ComfyUI นะ ยังสามารถเอามาเชื่อมกับ Agent ให้ทำงานได้ด้วยนะ อย่าง Hermes Agent 

-Frontier Model ก็เก่งขึ้นด้วย

📌นอกจาก 3 ค่ายอย่าง OpenAI / Claude / Gemini อย่างค่ายน่ากลัวฝั่ง US ตัว Grok ที่เปิดมา 3 ปี แต่สามารถตามทันเจ้าใหญ่ได้แล้ว ตอนนี้มีทั้ง

• Grok Build - Coding และยังสามารถแชร์ Appได้ด้วย
• Grok Imagine - สร้างภาพ + vdo ได้ด้วย
• Grok Bot - Agent

📌เบื่องหลัง Grok 4.6 แม้ว่าเราไม่ได้ Prompt ละเอียด เช่น เล่าเรื่องการไปเดินเที่ยววัดพระแก้ว กินข้าวต้มข้างทางในกรุงเทพฯ ไม่ต้องลง Detail ว่าไปที่อย่าง มีตัวละครอะไรบ้าง แสงสีไฟ เป็นต้น ตัว Agent พยายาม Break งานออกมาเป็นชิ้นเล็ก ทำที่ละส่วน แล้วงมาประกอบกัน ซึ่งมันข้อดีด้วย ตอนที่เราจะแก้ บอก Focus เฉพาะส่วนได้เลย

-ยุคอะไรก็ Agent

📌ตอนแรกใน Talk เอาตัว Hermes Agent > ComfyUI (RTX5090) Image/Video Generation
📌นอกจากนี้ตัวมาแรง AutoCraw ตอนนี้มีจุดเด่น สามารถเรียกใช้ Inapp-Browser และหลบหลีกการจับของ Platform อย่าง X / FB ไม่ให้ตีความเป็น BOT ได้ ทำให้เกิด Use Case ใหม่ๆ เช่น สรุปข่าวประเด็นร้อนบนหน้าฟีด X (Twitter) เป็นต้น ถ้าสนใจเพิ่มลงดูงานวันที่ 3 Sep ได้ https://luma.com/auto-claw?tk=GNoDjp
📌Multi-Agent จากเดิมมี Sub Agent ย่อยๆ แล้วเราคุมมัน คราวนี้ Agent มองเป็นองค์กรนึง มี CEO / DEV / Editor สิ่งที่เราทำไปคุย CEO ให้มันจัดการแบ่งงานสรุปผลมาให้เราแทน

-Discussion + Q&A

📌หากต้องการ Financial Transaction มีข้อแนะนำในการใช้ AI อย่างไรบ้าง?
Ans อย่าสั่งให้ AI (LLM) ไปยุ่งเกี่ยวกับข้อมูลดิบและคำนวณโดยตรง ให้ AI เขียน Code สร้าง Tools มาตอบน่าจะดีกว่า และเป็น Detemisitic ด้วย

📌 หากให้ AI ช่วยกรองและสรุปข่าวสาร เราจะมั่นใจได้อย่างไรว่าข้อมูลที่ส่งมาไม่เอนเอียง หรือส่งเฉพาะสิ่งที่ AI อยากให้เราเห็น?
Ans ลงทุนทำ Multi-Agent ให้แต่ละตัวยอย่าง Claude / GPT ไปทำงานมาถกแย้งกัน แล้วให้ Claude Fable เป็นประณธานตัดสินใจ แต่ข้อเสียเปลืองโควตา Token ค่อนข้างเยอะ

📌 Auto Claw Inapp-Browser อนาคตหลบหลีกการจับของ Platform อย่าง X / FB ได้ต่อไปไหม
Ans ไม่แน่ Platform อยากคุม Eco-System ตัวเอง ตอนนี้เราทำได้แค่ป่อนข้อมูลให้มันเรียนเยอะๆ รู้ส่วนประกอบ

📌 Auto Claw Inapp-Browser มันเก็บรหัสผ่านไหม กลัวหลุด
Ans Auto Claw ไม่ได้เก็บรหัสผ่าน มันแค่ไปเรียกใช้ Browser ที่เก็บไว้

📌 มีโมเดลประหยัดงบตัวไหนแนะนำให้ใช้งานบ้าง
Ans ก่อนหน้านี้ DeepSeek Flash แนวทางในการบริหารค่าใช้จ่ายคือ แนะนำให้ใช้ Model ผ่านตัว Subscription มันทำให้คุมค่าใช้จ่ายได้แน่นอนกว่าแบบ Token ล้วนๆที่ Enterpise ใช้กัน ถ้าต้องการคุมสิทธื ChatGPT Plus หรือ Business Plan

DON'T REPLACE THE HUMAN, REDESIGN THE TEAM

Speaker Ohm Samkoses / Nanont Noparat

-การเอา AI Agent ใช้ + Harness เราจัดวางยังไง

📌 Different Model / Difference Risk ปกติแล้วการจัดการมี 2+1 แบบ

• Outsource เอา Risk ออกไป
• In-House คุมเอง
• AI Agent ยุคนี้ที่มาเพิ่ม แต่เราต้องรับผิดชอบผลด้วยนะ คนใช้งานนี่แหละ การเอา AI มาใช้ ต้องมาดูรับ Risk ได้แต่ไหน

📌 ให้ AI ทำงาน Auto กับงานที่ผ่านการพิสูจน์แล้ว ว่าได้ผลเหมือนเดิม Deterministic
📌 วาง Human การตรวจรับ (Validation) อาจจะตาม Business Rule / Regulation ตาม Risk & Liability โดยมี Degree 3 แบบ **เราต้องมากำหนด Degree เอง

• Full Delegation(Maximizer) - Auto เลย - ยกให้มันทำเลย เหมาะพวกงาน Prototype / ใช้กันเอง หรือ งานที่ผ่านการพิสูจน์แล้ว ว่าได้ผลเหมือนเดิม
• Co-pilot - ให้มันเป็นแค่ผู้ช่วย
• Boundary Control ทางสายกลาง

📌 หลีกเลี่ยงการใช้ AI ในจุดที่ไม่จำเป็น ลดต้นทุน

-7 checklist Apply AI to team

1. Quality & Verification
2. Understanding เข้าใจสิ่งที่ AI ตอบไหมล
3. Consistency ทำซ้ำเหมือนกันทุกรอบไหม
4. Responsible AI & Security: ระวังไม่ให้ AI สร้าง Vulnerability เพิ่ม พวก Skill/Model ต้อง Verification กัน
   - Jailbreak
   - Supply Change Attck from skill มันมี Script
5. Cost Optimization -
   - Deterministic First: งานตัวเลข การคำนวณ หรือต้องการความแม่นยำสูง ควรเขียนเป็น Code ให API
   - Limit / Cost Control
   - Right Model for Right Task Generative AI not fit evert problem - บางอันไม่จำเป็นต้องใช้ Frontier
6. Evaluation - ตอนนี้ยังไม่มี One Site Fit All
   - วางแผนตาม Domain ตัวเองนะ คิดอะไร วางแผนการวัดผลด้วยนะ
7. Proper AI Infra & Tools
   - Tracing + Observability แต่ละ Hopมี cost อย่างไร
   - LLM Gateway
   - Supply Chain - LiteLLM Case ที่ Lib Trivy ถูกโจมตี แล้ว Project อื่นใช้ตามได้รับผล

-North Star Framework

📌 เป็น Harness Process / Framework เอามาใช้กับงาน Software Development ตาม SDLC เดิม โดยต้องมากำหนด DoD(Definition of Done) Artifact / Quality คือ อะไรกันก่อน
📌 เอามาช่วยคุมให้ ขั้นตอนที่ชัดเจน ทำให้ของที่ทำได้ Solution ใกล้เคียงเป็น Standard ให้ไปในทางเดียวกัน แต่ยึดหยุ่นได้
📌 ซึ่งในแต่ละ Role มี Instruction เดิมใช้ Grill-me อาจจะเพิ่มส่วนของการตรวจสอบของเดิมมา Crosss หา Dependency เป็นต้น
📌 Step สำคัญ

1. Assemble: ดึง Context มาเตรียม เช่น
   - เชื่อม High level Req > Epic > User Story ในสายที่เกี่ยวข้อง
   - Code เดิมที่เคยทำ
2. Discuss & Align (H): พูดคุยระหว่างคนและ AI ให้ตรงกัน เพื่อวิเคราะห์ระบบเดิม และหา Gap ของความต้องการใหม่ รวมถึงคำถามที่ต้องไปถามคนอื่น อย่าง User / Stakeholder เพิ่มเติม
3. Plan (H): วางแผนการทำงาน เช่น กำหนดจำนวน User Story หรือแบ่งงานย่อยให้ชัดเจน ลงใน Jira
4. Execute: ให้ AI Code หรือเอกสารขึ้นมาตามแนวทางที่วางไว้.
5. Verify / Quality Gate (H):
   - อาจจะใช้วิธีการ Quiz ตรวจความเข้าใจ Human AI
   - ตรวจสอบ Enterpise Knowledge / Skill / ADR ลอิงนึง Tools ของห้วข้อแรกมาประกอบ
   - รวมถึงพวก GuardRail
6. Ship: ส่ง Code ขึ้น Git เข้าตาม Flow CI/CD และปรับสถานะงานลงใน Jira

📌 Tone.md คุยแบบไหน ดุดัน น้อยๆ Caveman
📌 Spine.md (ถ้าฟังไม่ผิดนะ) เป็น Core Process แต่ละอันมีไปหา

• Block พวก (Assemble,Discuss, Plan, Execute, Verify, Ship) เป็น Sub Agent Reduce Contrext ส่วน H (Human In Loop)
• Convension
  - Process กลางที่ต้องกำหนด DoD / Pattern / Commit Message เป็นต้น
  - รูปแบบการตอบ [As Role] [State ไหน] xxxxxx ของ [Task อะไร]
• State ที่เกี่ยวข้องพวก context.md / state.md / artifacts ต่างๆ
• System Record

📌 Adoption - friction less / not force

• พยายามให้งานมัน Auto หรือให้ AI เข้ามาช่วย โดยที่ยังเข้ากับรูปแบบการทำงานเดิม ไม่ใช่ไปหักดิบ แบบย้าย Tools จาก GitLab > GitHub / Commit pattern
• ยึดหย่นในการปรับ ตามในแต่ละทีม เช่น น้องไม่แข็งภาษา อาจจะตอบ Tone Thai หรือ ให้อิธิบายเยอะหน่อย ถ้่าเพิ่งเข้ามาจับ
• AI as Citizen คุยรุ้เรื่องทั้งคน และ AI

📌 Next Step (V2)

• Telemetry เก็บข้อมูลก่อน เช่น
  - เวลา Approve ไวมาก ผู้ใช้อาจจะไม่เข้าใจเลย ปล่อยผ่าน มันจะไปปูดในขั้นตอนอื่นๆของ SDLC
  approve rate time vs bug
  - หา best km by task characteritic โดยเอา AI มา Weight ตะแนนแล้วดึงมาช่วย
  - Claude เชื่อม langfuse หรือ อาจจะใช้ hook
• Context Management - เลือกของที่เกี่ยวข้องใส่ Index ให้ AI มาหา Knowledge Base เริ่มต้นยังไม่ต้องใหญ่ มี Tools
  - Obsidian
  - Qdrant - Vector
  - Hindsight-Agent Memory / Mnemosyne (ตอนแรกคิดว่า Anime)
  - Graphify — Knowledge Graphs for AI Coding Assistants
  - Claude + Obsidian Plugin ACP
• Prompt Caching: Cache ข้อมูล Prompt ส่วนหัว Static Context Header เค้าว่ากันว่าลด Cost 10 เท่า
• หา Harness / Agent มาครอบ AutoClaw
• เลือกใช้ Model ที่ขนาดเล็กลง หรือ ไปใช้ Local LLM ถ้ามันคุ้มค่ากว่า

-Discussion + Q&A

📌 งาน BA ยังจำเป็นไหม และ AI เข้ามาเปลี่ยนกระบวนการเก็บ requirement อย่างไร?
Ans BA อยู่เหมือนเดิม - AI เข้าลดภาระงานเอกสาร Slide แต่การเก็บความต้องการยังต้องใช้คนด้วยกันอยู่ โดย AI เอามาช่วยหา Gap และถามเพิ่มในเคสที่คาดไม่ถึง เช่น หากผู้ถือครองสินทรัพย์เสียชีวิตจะโอนย้ายอย่างไร

📌 ถ้าโครงการขนาดใหญ่จัดการยังไง และวิเคราะห์ จัดการ แต่ละส่วนการยังไง
Ans ควรใช้วิธีการ Incremental/Agile ดีกว่า Waterfall การรื่อใหญ่ (Cost of change) ค่า Token เยอะนะ รวมถึงเอา AI มาช่วยที่ละขั้น เช่น

• Req อะไรควรทำก่อน เป็น Foundation
• การตรวจสอบ ถามคนทำงานก่อนเลย แต่ถ้าไม่มีใช้ LLM as a judge ได้ แต่ระวังเพราะ Ai มันตอบแทน User ไม่ได้
• คนที่ใช้ AI ยังคงเป็นคนทีมีประสบการณ์ ยังมี knowledge skill gap ถ้าเอาใครไม่รุ้โยนตุ๊มไป จะไม่เข้าใจที่ AI ตอบ

📌 โครงการแบบไหนที่เหมาะสมที่สุดในการนำ AI มาประยุกต์ใช้เป็นโครงการนำร่อง (Pilot Project)?
Ans New Project / Greenfield เพราะมันตั้งตจ้นสิ่งที่ดีง่าย ของเดิมต้องมาเติมซากอารยธรรม

📌 งานเฉพาะทาง Medical / อนุมัติสินเชื่อ มีข้อควรระวังในการนำ AI มาใช้อย่างไร?
Ans Medical -มันยังไม่มีคำตอบในบางเคส AI มันจะตอบได้ไม่ชัดเจน มันไม่มี Pattern ที่เคยเรียน อีกมุม อนุมัติสินเชื่อ บางอย่างมันหาปัจจัย ข้อมูล มาตอบยาก ทำให้มันทำงานได้ไม่มีประสิทธิภาพ

📌 เรามี Flow การตรวจสอบการทำงานของ AI อย่างไร ถ้ามัน AI รายงานผลไม่ตรงกับเรา
Ans ใช้ AI หลายๆตัว

Blockchain Agentic Payments: Payment Layer for AI Agents

Speaker Dome Charoenyos

Blockchain มีการแบ่งเป็น 2 ฝั่งหลัก คือ

📌 Bitcoin Network ที่เหมาะสำหรับการเก็บรักษามูลค่า (Store of Value)
📌 EVM (Ethereum) ที่เหมาะกับการจ่ายเงินมากขึ้น ซึ่งมีข้อจำกัดด้านความเร็ว โดย 1 ฺBlock ใช้เวลา 10 วินาที และต้อง Confirm 10 กว่านาที เขียน Program ลงได้ และมีค่าธรรมเนียมเรียกว่า Gas ต้องใช้ Eth

พื้นฐานของ Agentic Payments มาจาก HTTP 402 (Payment Required) ตั้งแต่ปี 1999 แล้ว แต่ยังไม่มีการนำมาใช้จริงจัง

📌 จนมาถึงยุคของ Cryptocurrency - Coinbase สร้าง Base ซึ่งเป็น Layer 2 บน Ethereum และ Protocol X402 เพื่อให้ Web 2.0 (เช่น Agoda) สามารถรับชำระเงินผ่าน Blockchain โดยไม่ต้องจัดการ Chain เอง Coinbase เสนอตัวเป็น "Facilitator"ถ้า API Return 402 ระบบแสดงช่องทางการโอนให้ Crypto แต่มีปัญหา

• ออกแบบมาเพื่อคนใช้ ยังไม่ใช่ยุคของ Agent
• ความช้าของ Ethereum ออกของช้า / Sequential Nonce ของ Gas Fee ถ้ารายการมาลำดับไม่ต่อเนื่องกันรายการจะ Pending และช้า

📌 Stripe เสนอตัว MPP เป็น Protocol กลางที่มาและนำเสนอ Tempo ซึ่งเป็น Blockchain ยุคใหม่ขึ้นมาช่วยแก้ปัญหาความช้าของ Ethereum โดยมีรายละเอียดดังนี้

• มุม AI Agent มี Skill เติมไว้ให้ และตัว MPP เปิดช่องให้ทำงานได้ Automate มากขึ้น และแก้เรื่อง Sequential Nonce มีกำหนด timeout เพิ่มมาใน Tempo ทำให้ TPS สูงขึ้น
• รองรับการชำระเงินด้วย USDC และมีมาตรฐาน TIP-20 (extends ERC-20) มาคู่กันด้วย
• Payment Models - one-time / pay-as-you-go / streamed 
• MPX Server เป็น NPM Package ที่ช่วยให้สามารถเขียนโค้ดเพื่อรับชำระเงินผ่าน API ได้ง่าย
• Tempo Zone - มีการรักษาความเป็นส่วนตัวที่โหด เมื่อเกิดการโอนเงินขึ้นภายในโซนนี้ เราตามสืบได้ยากว่าใครเป็นคอโอนออก รับเข้า
• นอกจากนี้ ถ้าอยากรู้ว่าใครประกาศชำระเงิน mpp ดูจาก mppscan.com / mppscan.thaichain.org

📌 และมีอีกค่าย arc.io erc-8183 Tx > hash id ส่งไปบอกฝห้ลูกต่ายจ่ายเงินมา

ที่เหลือเป็น Demo

• เริ่มจาก Skill https://tempo.xyz/SKILL.md สร้าง Wallet และทำ Tx ตรงนี้มีการ Approve กรณีที่ยอดเงินกำหนด Human In Loop และมี Limit Amount
  - เคสนี้หา Sevice Gen รูปแล้วซื่อบริการมันมา พอเราจ่ายเงิน ไปเรียก API ปลายทางสร้างรูปกลับมา
• อีก tryponcho.com ในไทยมอง thaimart version agent คุยกัน อารมณ์แบบ chat is a new ux ขายอะไรไปประกาส SKILL.md ตัวอย่าง eco ที่ครบ
• ตอนลองอะไรแยกกระเป๋าก่อนนะ รวมถึงตั้ง Limit / Approve และดูพวก Refund Policy fh;p

-Discussion + Q&A

📌 หากมีระบบเดิมที่เป็น NFT Marketplace บน Ethereum ปรับมาใช้ MPP จะสามารถโอนย้ายอย่างไร?
Ans

• NFT ระบบเดิมจบในตัวอยู่แล้วนะ On Chain
• ตัว MPP ใช้ในเคส Off-chain เช่น AI Agent มันไปสั่งข้าวมันไก่มาให้ แล้ว Rider มารับของมาส่งให้เรา

ถ้าอยากย้ายจิงๆ สามารถทำ Snapshot + Hard Fork เอามา Run ต่อได้ แต่ chain สมัยไหม ไม่มี consensus แล้ว

📌 อนาคต payment ไปทางไหน
Ans ย้ายไปบน Chain เจ้าใหญ่อย่าง Stripe ขยับแล้ว มันจบได้ในตัวมันเอง ไม่มีเงินบาทในสมการ ส่วนในถ้าทำต้องมี thai stablecoin ก่อนแต่มีประเด็นของ Regulator ที่ต้องคิด การชำระเงินด้วย Crypto ยังไม่ตาม พรบ เงินตรา

📌 Quantum Computing จะป้องกันยังไง
Ans Quantum มันมีผลกับ Private Key ที่ใช้ ซึ่งมี Post-Quantum Cryptography mที่ศึกษาไว้ และนำมาใช้แทน

ส่วนการทำธุรกรรมยังใช้วิธีการเดิม Limit Amount / Apporve จำกัดความเสี่ยง

และขอบคุณทีมงานที่จัดด้วยครับ เห็นภาพมากขึ้นเยอะ และของกินเยอะมากก

Reference

• https://www.eventpop.me/e/165179