สำหรับงาน Line Dev Conf ปีนี้เป็นปีที่ 2 ได้มาฟัง และจดเล็กๆน้อยครับ ตาม Style Blog นี้บรรยากาศงานเล็กน้อย และจดสรุปครับ วันนี้ผมได้เข้าทั่งในส่วน Talk และ Workshop เอาจริงคาดหวัง Workshop ครับ
ถ้าสนใจหัวข้อไหน ลองมาดูได้ แยกจดไว้แล้ว
Welcome Keynote
Speaker Norasit Sitivechvichit
› การของ AI มันคล้ายกับเปลี่ยนปัจจัย 4 ของคนเราในยุคต่างๆ ซึ่งเราเรียนรู้ได้จากประวัติศาสตร์ เข้าใจคน เข้าใจโลก 8 minutes history ลอยมาทันที เพราะ AI ตอนนี้มันการเปลี่ยนยุคการเดินทางเดิมเราใช้ม้า วัว ข้ามยุคมาเป็นรถยนต์ และมันเป็นปัจจัยที่ 5
› อีกยุคเป็นส่วนของการสื่อสาร จากการเปิดตัว Smart Phone (iphone) ทำได้มากกว่าแค่การโทร ตอนนี้กลายเป็นปัจจัยที่ 6 แล้ว
› แต่ Pattern การเปลี่ยนแปลงมันคล้ายกันนะ ฝั่งที่คิด เป็นฝั่งตะวันตกหมดเลย รถยนต์ (เยอรมัน) / Smart Phone (USA) แต่ฝั่งที่ทำมันแพร่หลาย Mass เป็นฝั่ง Asia หมดเลยนะ รถยนต์ (ญี่ปุ่น จีน) / Smart Phone (เกาหลี) ซึ่ง AI มัน Pattern คล้ายกันจาก USA > จีนแข่งกัน
📌แล้วโอกาสและศักยภาพของไทย ?
› หาจุดแก้ปัญหา / pain point ได้ จะเกิดประโยชน์ใหม่ หาโอกาสทาง business ได้ ซึ่งไทยมีจดแข็งการท่องเที่ยว / Soft Power ด้านกีฬา น้องบิ้ว / บันเทิง อย่างลิซ่า เน้น่
› ซึ่งตั้งใจ อดทน พยายาม ซึ่ง Line เองพร้อมเป็น Infra สำหรับ Developer เข้ามาใช้งาน และ Developer Experience ด้วย
Tech Keynote
Speaker Weera Kasetsin
📌Metrics
› LINE MAU 56 ล้านคนในไทย / LINE Bot MCP Server จากเดิมแต่หลัก 10 ตอนนี้ขยับมาเป็นหลัก 1000 แล้ว
📌การทำงาน
› จากเดิมมี App อนาคต Agent ตามยุค AI เราต้องมาปรับตัวทั้งวิธีการทำงาน บริการ ซึ่ง Line ทำ platform โดยมีจุดแข็ง Reach เข้าถึงทั้งประเทศ / For Local ปรับตาม Style คนไทย และ Early-mover window - Developer Friendly และ Platform ที่รองรับ
› รองรับเทคโนโลยีใหม่ เช่น A2A, MCP รวมถึง Feature เดิม Line Mini / Liff มีการปรับปรุงด้วย
› มีตัวอย่าง Use Case จริงด้วย อันนี้ผมไม่ได้เข้าชนกับ Workshop เดวรอ Youtube ย้อนหลัง
- Reinventing Motor Insurance with AI Agent by AXA and ZWIZ.AI
- Beyond Text: Building Seamless Voice AI Agents on LINE MINI App
- How to Teach you AI Agewn with Agent Skills
- Lockdown my sassy AI agent //คิดส่าน่าจะคล้าย Workshop ที่ผมเข้า
ถ้าอยากลอง Line เองมี Program อยู่ 2 ส่วน
› pioneer program - เปิดทางให้ partner + dev community ที่ถูกเลือกเข้ามาลองของที่ Line เตรียมไว่อย่าง API / MCP / Skill / a2a / AI Infra
› Closed-BETA — dev สามารถเข้ามาลองใช้ Feature ใหม่ก่อนใครจากงาน LINE HACKS 2027
LINE API Next-Frontier with Live Demo
Speaker Warit Wanwithu, Jirawat Karanwittayakarn
📌Community Metrics
› FB: LINE Developers Group Thailand 9 ปีแล้ว และมี Member 64k+
› Active MiniApp จากปีที่แล้ว 384 ตัวตอนนี้ 1500+ และ Brand Verified MiniApp สีเขียว มี API พิเศษด้วย
› Messaging API ตอนนี้ 805K Channels (OCT 2026)
📌Messaging API
› webHook - messageEdited
- เพิ่ม Edit event จะมี type ที่มีค่าเป็น messageEdited เมื่อ User ลองแก้ข้อมูลใน Group Chat ระบบจะส่ง webHook กลับมาที่นี้เราสามารถุเอา Idea นี้มาใช้ได้
- อย่างใน Demo เช่น เวลาเล่นกีฬา เราต้องมาบอกว่าใครจะไปบ้างต้องมา Copy แปะ ที่นี้เราสามารถ +1 -1 ได้ แล้วสรุปให้แสดงใน Flex Message ได้
- เห็นแบบนี้แล้ว จองห้องประชุม สั่งข้าวเที่ยง มันทำได้นะเนี่ย
› Rich Menu Insight API ดึงสถิติการใช้งาน Rich Menu ทั้งค่า impressions, clicks, unique users และอื่นๆ ดูย้อนหลังได้ 3ปี ทั้งในมุม Get rich menu insight totals / Get rich menu insight by day (ตามช่วงเวลาที่กำหนด)
› การเรียกใช้ Messaging API Endpoints ไม่ควรใส่เครื่องหมาย / (Trailing Slash)
❌ /v2/bot/message/push/ ✅ /v2/bot/message/push
📌LIFF และ LINE MINI App
› LIFF SDK 2.31.2 ตัวล่าสุดตาม Security Patch
- ตัวเก่า 2.20.0- 2.31.0 ถูก Deprecated ไป
- การ Handle
?ค่าของ URL query parameter ของเดิมจะเปลี่ยน ? เปลี่ยน & แต่ Ver 2.31.2 ไม่เปลี่ยนแล้ว
› Seamless Friendship Request
- เดิมใช้ windows location มา add มันจะเด้งไปข้างนอก แต่มันวุ่นวายสลับจอ state หายด้วย ต้องมาเดินรายการใหม่อีก
- ใหม่ มี API
- getFriendship() ตรวจว่าเป็นผู้ใช้เป็นเพื่อนกับ OA
- liff.requestFriendship() Modal Pop-up เด้งซ้อนบน Mini App โดยไม่ต้องสลับจอหรือออกจาก Mini App
› LINE MINI App
- MAR 2026 LineMiniApp ไม่ต้อง ส่งเมล์มาขอแล้ว
- In-App ads for mini app ปกติห้ามทำ Script เอง ตอนเปิดให้ทำได้จาก Platfrom เลย โดยดูจากยอดการใช้งาน + เป็น partner
- In-App Purchase for Mini App ผ่านทาง ผ่าน App Store และ Google Play ได้โดยตรง เตรียมเปิดตัวเร็วนี้ ปล. ญี่ปุ่นใช้แล้วนะ
- Verified Mini App (โล่เขียว) มีสิทธิเยอะกว่ามาก เช่น ส่ง Service Messages ได้ตอบกลับ User ได้ฟรี / เพิ่ม Shortcut ลง Home Screen / MINI App Tab / ใช้ Custom Path URL / Always allow - ของ Permission ซ้ำๆได้ และ In-App Ads + In-App Purchase
📌ถ้าอยากเรียนรู้ทำยังไง
- Course ของทาง Born2Dev - Getting Started with LINE MINI App
- LINE Developer Partner Program 2026 - ถ้ามาร่วมได้ Badge / Business Matching / New Technical Update / ปิดรับสมัคร 31-oct 2026
Building MINI Eats: A New Food Experience, Right Inside LINE MINI App
Speaker Siraphob Rhompo
สำหรับ Session นี้จะมาเล่าเบื้องหลังกระบวนการคิด การออกแบบ และความร่วมมือข้ามองค์กรในการสร้างบริการแบบใหม่ขึ้นมา ว่ามีปัญหาอะไร
📌Pain Point
- ของที่เราอยากได้ เวลาลงมันเจอว่าคนต่อคิวเยอะ เลยไม่อยากจะสั่ง
- ที่จีนมีวิธีแก้ปัญหาว่า เดี๋ยวมี QR Code ให้ Scan สั่งรอไว้ ถึงเวลาลงมาเอา
เลยได้ Idea ว่าทำ Mini App ใน Line เลยไหม โดยมีวิธีใช้งานมี 2 แบบ Scan QR / กดสั่ง Home เรียก Mini App ได้ โดยมี Flow: Scan ➜ Order ➜ Pay ➜ Pick Up ➜ CRM
โดยมองว่าถ้าลด operation หน้าร้าน ทางร้านสามารถจัด Resource มาดู Core หลักอย่างการ Food & Drink
📌เบื่องหลังของการสร้าง Solution มาจาก 2 องค์กร
- LINE Thailand (LCT) - ดูส่วน Restaurant Homepage (LINE Mini App) และระบบ CMS/Platform หลังบ้าน
- LINE MAN Wongnai (LMWN) - ดูในส่วนระบบสั่งอาหาร และงานหลังบ้าน พวก POS
📌นอกจากนี้มี Service ต่างๆ และ Platform ที่เกี่ยวข้องด้วย โดยสรุปได้เป็น 3 บทเรียน
› Seamless Experience - แม้ระบบจะสร้างจากคนละทีม แต่มุ่งเน้นให้ผู้ใช้ต้องไม่รู้สึกว่าแตกต่าง
- Branding & Theme: เปิดให้ร้านค้าปรับ สี และ ฟอนต์ตาม CI/Branding ของแบรนด์ได้
- Bottom Navigation: แถบเมนูด้านล่างร่วมกันระหว่าง LCT และ LMWN
สิ่งที่สำคัญ Shared Vision - เพื่อให้ทุกทีมเข้าใจ และมี Ownership / End to End Thinking - คิดแบบ User-Centric / Seamless Integration - นอกจากฝั่ง UI ที่ Sync ฝั่ง Engineering ต้อง Sync ร่วมกัน เพราะมีหลาย Service ย่อยๆมาเชื่อมกัน และต้องไม่ซับซ้อนเกิดความจำเป็น
KEY: It's about creating a connected and consistent user journey, not just integrating systems and making them work together.
› Collaborative Ownership - ถ้าฟังจบมัน Domain Driven Design เลย โดย
- Clear Boundaries แบ่งงานให้ชัดว่าใครควรทำ ซึ่งเรามองภาพรวมว่ามันแค่ 2 องค์กรมาเชื่อมระบบ แต่จริงๆมันมากกว่านั้น เพราะนอกจากการ Order > Picked Up แล้ว ส่วน
- งานหลังบ้านของร้านอาหาร จัดการยอดจากระบบ POS
- Business Owner เข้ามาจัดส่วนของ CRM สะสมแต้ม
- ส่วนการจ่ายเงิน Core Subscription
- OA Plus - Complementary Strength & Expertise - LMWN เชี่ยวอาหาร หลังบ้าน / LCT เก่ง Mini + CMS
- Co Development - Sync กัน เพื่อไม่ให้ออกทะเล แล้ว ทุกส่วนมี ownship ในส่วนที่ตัวเองดู และมองภาพรวมไปทางเดียวกัน
KEY: It's about sharing responsibility and working toward a common goal, while maintaining clear ownership of our own domains.
› Leverage (Platform + 10x Faster)
สำหรับส่วน Platform แทนที่จะสร้างใหม่ทั้งหมด เราควรเอา Infra พื้นฐานที่มี และของเดิมมาต่อยอด อย่าง LINE MINI App/ LIFF / OA Plus / Core Subscription / Wongnai Merchant App
นอกจากนี้ 10x Faster
- Lean Process - ตัดส่วนที่ไม่จำเป็น แต่ต้องระวัง internal process พวก security compliance pii
- Embrace AI - เอา AI มาช่วย อันนี้มี Share ด้วยว่า ลอง Spec-Driven Development (SDD) ตอนนั้นไม่ค่อย work มุม Maintain เลยลองมาใช้ context Engineering
- Collaborate - Set framework ทำงานด้วยและ แต่ละอันที่ PO คุม และ PO กลางให้ดูภาพรวม
KEY: It's about maximizing the value of what we already have, not building everything from scratch every time we face a new challenge.
📌สุดท้ายในยุคที่ AI ทำงานแทน Engineer และอีกหลาย Role คำถามสำคัญจึงอาจไม่ใช่เพียงว่าเราจะพัฒนา Software ได้เร็วมากขึ้นแค่ไหน แต่คุณค่าที่เราจะยังสร้างได้ในอนาคต ?
Driving AI Transformation at LINE MAN Wongnai
Speaker Virot Chiraphadhanakul
หัวข้อนี้มาเล่าอีกมุมจากฝั่ง LMWN
📌Key Metric LMWN
- User 10M++ / # 1 market share delivery + pos
- Employee 1200 และ revenue per head count # 1 ในไทย
คุณยอด CEO เล่าว่า Tech 80% Code มาจาก AI Assistant แต่มันไม่ได้ ship ไว้ขึ้น 80% นะ
- วันนี้จะมาเล่าว่าทำไม แล้วมี journey อย่างไร ?
📌Adoption Journey
› เริ่มต้นยังไง
- เอา tech champion มาใช้ก่อน เจ็บอะไร สรุปบทเรียนที่ + สร้างแนวที่ช่วยให้คนอื่นมาต่อได้ง่าย และทำพวก MCP / Skills เพื่อให้ได้ผลลัพธ์ดี และ Cost รับได้
- แรกเริ่มจาก 36 user ใช้ AI Active 70% ตอนนี้ Scale 400 User และใช้ AI เกือบๆ 100% ใช้เยอะ แล้ว User Case แปลกจน AI Platform เริ่มมาถาม
› บทเรียนตรงนี้เราได้อะไรบ้าง
- Start Small
- Go Top > Down - มี Support ลงมา
- Inspect วัดผล และให้ support ซึ่งสิ่งที่ต้องทำ
- Make adoption visible - แทนที่ถามอย่างเดียว ให้หาตัววัดที่ชัดเจน เช่น ทำ Slack Bot + Dashbaord
- Learn from Signal - ดูจาก Dashbaord เชิญมาแชร์ เทคนิค รวมถึง support กรณีที่เกิดปัญหา เช่น AI Usage ของทีม Data น้อย สิ่งที่ควรทำไปถามว่าเจ็บอะไรจะได้หาทางแก้ มากกว่าไปบอกให้ Burn Token เรื่อยๆ
- Measure the Outcome มาดูว่าเขียนแล้วใช้ได้จิง / ช่วยส่งมอบงาน / เจออะไรบ้าง
🔥นอกจากนีั Tools ไม่ต้องไปบังคับ เอาท่าที่เหมาะกับทุกคน แต่ always re-evaluated และเลือกตัวหลัก เพื่อต่อรองราคา
📌The Shifting Role - Way of Working ที่เปลี่ยนไป
การนำ AI มาใช้ คนต้องปรับตัวเองด้วย เพราะเริ่มเป็น Bottleneck และให้ ship ไว และมี Quality
› From Producre to Manager
- Engineers: Coding > Steerer คอยตรวจทาน Review / Manage Agents
- PMs: สั่ง AI ให้ช่วยวิเคราะห์ Customer Conversations / Feedback / Trend
- Designers: สั่ง Agent ให้สร้าง UI/Frontend
› From Implementation to Intent
- Engineers: เขียน Specification, Constraints และ Test Cases
- PMs: สั่ง AI ให้ช่วยวิเคราะห์ Customer Conversations / Feedback / Trend แล้วสรุปเป็น PRD หรือ Req.
- Designers: แทนที่มาจัดงานละเอียดแบบ Pixel กำหนด Constraints, Success Criteria และคิดแบบ QA Flow มากขึ้น
› From Delivery to Discovery
- Engineers: AI สร้างหลายๆ Implementation พร้อมกัน เพื่อทดสอบหาทางที่ดีที่สุดตาม Success Criteria
- PMs + Designers: ลดเวลาประชุม เน้น Prototypes เพื่อนำไปรับ Feedback จริงจากผู้ใช้ทันที
› From Content to Knowledge
- Engineers: เอาสิ่งที่ Fail / ADR / Standard มาทำเป็นข้อกำหนด Feedback Loop ให้ Agent
- PMs + Designers: สรุปที่ได้ Taste Maker กำหนด Branding / Preferences / Instruction Guidelines / Business Rule ใส่ไว้ในระบบ
📌Everyone is now builder - ตอนนี้ human ช้าที่สุดใน process ดังนั้น Move human from critical path โดยมีแนวทางดังนี้
› AI that Collaborate ใน LMWN ข้างในมี bot หลายตัวอย่าง van เชื่อม Jira Git ตัวนี้ จะมาเล่าว่า ปัญหาเจอจากอะไร มีใครทำอะไรบ้าง และ มาแก้ Incident ที่เกิดขึ้น
› AI that knows
- Make the Company Queryable เวลาแก้อะไร ควรมี artifact ให้ AI มันรู้ด้วย ส่วนนึงเป็นหัวข้อ LLM Wiki ตอนบ่ายด้วย
- รวมถึงการ Communication Knowledge เก็บตรงไหน และสุดท้าย ทุกคนสามารถเอา data ที่เก็บมาใช้ถามได้ ตามสิทธิที่มี
- Closed Loop - เอาบทเรียนที่ได้มา Update ให้ Agents ด้วย
› AI that ships
- Build a software factories - ให้ Human กำหนดเป้าหมาย วิธีการวัดจาก Spec + Test แล้วให้ Agent จัดการงานต่อ รวมถึงการ handoffs งานส่งต่อกันด้วย
- Build a system you can Test and Trust
- ทำระบบมาช่วย Verification (Spec + Test) - Test-Driven Development on Steroids
- Observaability รู้ว่า Agent ทำอะไร และเหตุผล ที่มา รวมถึงใน Code ที่สร้าง
- และ Review Gates - ด่านการทดสอบ Automate Test และ Human In The Loop ในเคสที่มีความเสี่ยงสูง เพื่อลด Code Review จะได้ลด Bottleneck บางส่วนได้
สุดท้าย AI พลังที่ยิ่งใหญ่ แต่ความรับผิดชอบของเราต้องสูงขึ้น และมี Feedback Loop ที่ไว
NEXT-GEN Survival Guides from Tech Leaders in the AI Era
Speaker Weera Kasetsin, Virot Chiraphadhanakul, Kasidis Satangmongkol
📌หลายที่ใช้ Senior Dev + AI แล้ว Junior Hold ไว้ แล้วที่ Line เป็นอย่างไร ?
› พี่บอล Junior ยังไม่ได้ล้มหายไปนะ ต้องมาฝึกตัวเอง + ตั้งเป้าหมาย + update trend โลก เช่นการฝึกงานหลายที หรือ มาร่วมงาน Hackathon จาก Line Hack สร้างผลงานให้คนมองเห็น มองกลับ Senior ที่ทำแบบเดิม คนมองไม่เห็นอันนี้อันตรายเหมือนกัน
📌ยุค AI ใบปริญญา มีความสำคัญลดลง งานพื้นฐานโดย AI แย่งไปแล้ว ตอนนี้ปรับยังไง ?
› พี่ต้า เมื่อกอนปริญญาสำคัญ แต่ตอนนี้ ลดความสำคัญลงนะ แต่พวกความรู้พื้นฐานยังจำเป็นนะ รวมถึง AI ทุกคนมีหมด ดังนั้นเมื่อเราได้รับมอบหมายงานมา ต้องมาดูก่อนว่า งานชิ้นนั้นให้เราทำงานจบ หรือ grooming เราให้ใช้สมองคิดฝึกทักษะ เพราะ bar สูงขึ้นสำหรับเด็กใหม่ จริงๆมันสูงขึ้นทุกปีนะ เราต้องหาสนาม เพื่อเรียนรู้ เช่น contribute open source / hackathon / สร้างโจทย์ อย่างเคสน้ำท่วม มีหลายพยายามเอาทักษะ + AI มาช่วยแก้
📌แนวคิด One Person Business มี Idea อยากสร้าง biz ของตัวเอง มุมน้องอาจจะเสี่ยง มีคำแนะนำยังไง ?
› พี่ทอย ทุกงานล้วนมีความเสี่ยง ไม่ว่างานประจำ หรือ OPB นอกจากเงินที่ได้รับมาแล้ว ให้ลองหาทางสร้างคุณค่าใหม้มุอื่นๆด้วย แก้ pain ทำให้เกิด true fan และมี Impact Scale x Magnitude
📌Survival Skills ที่ต้องมีในยุค AI ?
› พี่บอล ตอนนี้มีของเท่ากันหมดแล้ว คือ AI เราต้องหาจุดเด่นที่ AI ทำไม่ได้ นั้น คือ Taste โดย Taste ส่วนนึงก็ Feeling แต่มันรวมถึงการเข้าใจปัญหา และ Matching Solution ตามสภาพแวดล้อม และอนาคตได้ เช่น Soln Cost 10m (Scale ไม่ได้) กับ 100m แพงกว่า Scale ได้ Maintain ดีกว่า ทีต้องอธิบายให้ได้ เราต้อง
› พี่ทอย เปิดโลก connect the dots + Criticize(วิจารณ์) สิ่งที่ได้มา และเป็นคำตอบที่เหมาะสม
📌ปัญหา AI มันเป็นตัวคูณ ทำยังไง ไม่ให้ 0 หรือ ติดลบ (เราตั้งคำถามผิด) ?
› พี่ต้า เราต้องมีพื้นฐานความรู้ที่ดีก่อน
- น้องใช้ AI ได้ แต่ใช้แล้วเราต้องได้บทเรียน และเก่งขึ้น เริ่มต้นได้จากการคิดก่อน มี expectation หาจุดที่เรียนรู้
- เข้าใจในสิ่งที่ AI ตอบมา ปัญหาตอนนี้ น้อง copy ai มา แต่ไม่เข้าใจ และไม่ได้เรียนรู้ ทำให้เราเก่ง เหมือนเอาหุ่นยนต์ไปเล่น gym ร่างกายเราไม่ได้ดีขึ้น
› พี่บอล ตอนใช้ AI ตอนตอบให้มัน challenge ให้เรานิดหน่อย จะได้ไม่ไหลตาม AI ตัวอย่าง grill-me ให้ AI มันช่วยให้เราคิด
› พี่ทอย ทำเป็นเป็ด และ Skill Stacking เอามาเชื่อม และแก้ปัญหา match กับ taste - ทักษะการเขียนสำคัญนะ build traffic ให้เรานะทั้งจาก code + AI
การศึกษาเริ่มตั้งแต่เราเกิด จนถึงวันสุดท้ายของชีวิต ต้องลงแรง เพื่อให้ได้มันมา ปรับตัวกับโลก เป็น version ดีสุด
Secure Agentic Development: Workstation to Pipeline
Speaker Krit Saengkyongam
📌Module 0
AI Agent = Model + Harness
- Model - LLM หน้าที่ทายสิ่งถัดไป เช่น คำ รูป
- Harness - เป็นบังเหียน ให้เรามาบังคับ Model โดยมี
- Context Management - เลือกข้อมูลที่ Context พวก System Prompt, คำอธิบาย Tools, Skills
- Tool Access & Action Routing: จัดการสิทธิ์การเข้าถึงไฟล์ การเรียกใช้ API
- Output Checks & Logs: บันทึกการทำงาน - Infrastructure - Where the software runs
📌Module 1
จากนั้นพาไปในและ Lab อย่างอันแรกใช้ PI Agent เข้ามาแสดงในเห็นการทำงาน และการจัดการ Context / Tool Call ต่างๆ อันนี้ชอบเห็นการทำงานข้างในของมัน
ถัดมาะเข้าส่วนที่สอง ระะหว่างที่ Agent Run มันวางยาอะไรเราได้บ้าง เอาจริงๆวันนี้คอมผมเองมีเคสอยู่ 55 อยู่ๆ Timezone มันสลับจาก Bangkok ไป Amsterdam
- การ load skill ต้องระวัง เอาของที่น่าเชื่อถือ Context มีผลการทำงานของ Agent ของไม่ดีเข้าไป มันทำตามเรา
- แล้วถ้าเราเปิดสิทธิด้วยอะไร มันเข้าด้วยสิทธิของ process นั้นๆ ถ้า root อันตราย หรือ ขอดึงข้อมูล
📌Module 2
3 องค์ประกอบที่ทำให้ Agent ดักตบเรา The lethal trifecta
- Access to your private data - ตัว Agent มีสิทธิ์อ่านไฟล์ส่วนตัว, Source Code
- Exposure to untrusted content - Input จากภายนอก เช่น อีเมล, หน้าเว็บ หรือ Skills/Plugins ที่อาจมีคำสั่งอันตรายซ่อนอยู่ (Prompt Injection)
- The ability to externally communicate - Agent มี Tools หรือสิทธิ์ในการส่งข้อมูลออกไปยังภายนอกได้
มีสรุปที่ควรระวังเป็น OWASP Agentic Top 10 Risks แต่ใน Workshop อธิบาย 5 อัน
- ASI01: Goal Hijack: เนื้อหาแฝง (Prompt Injection) ป้อนเข้ามา เพื่อให้ Agent ทำผิดผิดไปจากเดิม
- ASI02: Tool Misuse: Tools ถูกนำไปเรียกใช้ผิดวัตถุประสงค์
- ASI03: Identity Abuse: การถูกแอบอ้าง/นำสิทธิ์ประจำตัว (Inherited/Delegated Access) ไปผิดประเภท
- ASI04: Supply Chain: การ Load Components / Plug-in / Skills ที่ถูกแทนที่ด้วยของที่อันตรายเข้ามา ใน Workflow
- ASI05: Code Execution: การสั่ง Code / Command ที่ไม่พึ่งประสงค์ ผ่านการเรียกใช้ Tool Access
โดยแนวทางการป้องกัน เราสามารถให้ AI Agents ทำงานใน Sandbox โดย Sandbox มี 3 แบบ
- OS Controls (คุม OS/Process): ใช้ Kernel ของ OS เช่น Landlock บน Linux หรือ Seatbelt บน macOS ในการจำกัดสิทธิ์เฉพาะ Process ของ Agent และ Child Process จุดเด่นคือ เร็ว ไม่กินทรัพยากร และไม่ต้องตั้งค่า Container/VM ขนาดใหญ่ เช่น nono
- Containers แยก Resource Views/Namespaces โดยใช้ Linux Kernel ของเครื่อง Host ร่วมกัน เช่น Docker แต่มีปัญหาถ้า App A โดนเฉพาะได้ Container ใน Host นั้นๆ โดนหมด
- MicroVMs มี Guest OS/Kernel แยกเฉพาะสำหรับตัว Agent ระดับความปลอดภัยสูงสุด เพราะ แยกออกจาก Host เหมาะสำหรับ CI/CD หรือ Unattended Pipelines เครื่องมือ: OpenShell / Firecracker)
จากนั้นจะเป็น Lab 2 ลองให้ Agent แก้ Code ซึ่งเราจะเห็นว่าระหว่างแบบเปิดหมด กับที่ใช้ nono + nono policy มาคุม พบว่า Agent มัน Non-Deterministic ซุกซนไปทั่วเลย แบบเข้าไป่านที่ Home เล่นเป็นต้น
📌Module 3
ต่อไปส่วนของ Job Pipeline ต่างๆ A job needs limits before it starts. ไม่ว่าจะแบบไหน Long Live / Short Live (เกิดขึ้นมาจบ Reset) มันต้องกันเหมือนกัน โดยเน้น
- Observability- detect ว่ามันไปทำอะไรบ้าง
- Prevent - security control sandbox premission
ตรงนี้ ถ้าทำเองมันจะซับซ้อนไป แต่มีคนทำ Tools มาแล้ว OpenShell ที่เหมือนกันการใช้งาน Prod มากกว่า แต่มี Component ที่เกี่ยวข้องหลายตัว อย่าง
- Gateway - จัดการ Lifecycle
- Supervisor - ตรวจสอบ Req ตาม Policy Enforcement + Inject Credential
- และ Sandbox - Untrusted Workload - ที่ปล่อยให้ Agent ทำงานแบบคุมสิทธิ
Log ใน Open Shell เป็น OCSF JSON Export จะสามารถเอาไปเชื่อม SIEM Tools ต่างๆ แล้วเราไป monitor จากส่วนกลาง
อันนี้มี Lab 3 ให้ลองทำ แต่คอมผมไม่รอด ลองที่บ้านได้ 555 มันจะ Block อะไรแปลกให้ โดยมันมี pipeline สำหรับ Dev / Prod เพื่อปัอนกันไม่ให้ Agent ทำงานพลาดมี Block Path /publish
📌Module 4 Recap ว่าเราทำอะไรสิ่งที่สำคัญ
- Define (รู้ก่อนว่าทำอะไร) > Constraint (เอา Policy / Sandbox มาคุม) > Observe (ดู Log/Event) > Review Update ล่าสุด จาก Sign ต่างๆ
- รวมถึง
- Data Minimization & Need-to-Know - รู้เท่าที่จำเป็น
- Prevent & Control
Resource: GitHub - kritskn/secure-agent-workshop · GitHub พวก Slide/Script อยู่ในนั้นหมด
Harness & Loop Engineering: How We Let AI Agents Build Production Code Safely, Fast, and On Repeat
Speaker Chokchai Faroongsarng
สำหรับใน Session นี้ทาง Line มาแชร์ประสบการณ์ เคยทะเลาะกับ AI Agent ไหม เช่น มันไม่ทำตามเราสั่ง หรือ vibe coder vs Engineer Guided AI ประเด็น ถ้าเราจะ scale ได้ดีไหม แล้ว Harness/ Loop มาช่วยยังไง และมี challenge ยังไง แล้ว Apply กับการสร้างระบบที่มี 20 Microservices ยังไง ?
เพราะ AI - Write Code Fast แต่ Check มันยาก เพราะ
- มันไม่รู้ Rule เรา
- มันไม่รู้ว่า Stack ที่ใช้เป็นยังไง
- มันไม่รู้ว่า มันทำผิด กว่าจะรู้ว่าพลาดก็สายไปแล้ว
📌Harness - What Agent know before execute
มันเป็นไปได้ทั้ง Framework / Tools / Skill / Context / MCP เป็นต้น เพื่อบังคับให้ AI Agent ทำงานอยู่ในกรอบ แผน และมาตรฐานที่กำหนด สำหรับใน Talk นี้เน้น 3 ส่วน AGENTS.md / Skills และ MCP
› AGENTS.md - 1 file rule them all บอกข้อกำหนด ข้อตกลงต่างๆ
- Rule เช่น
- Inspect before edit - ให้ Agent ตรวจสอบขแองเดิม ก่อนแก้ หรือสร้างใหม่
- Smallest change diff - แก้ที่เล็ก ลด Over-Engineering และ Code ขยะ
- Test with change - แก้อะไร ให้ทำ Test คู่กัน
- Pre commit hook gates - ตรวจพวก Linter / Test (Unit / Integration / E2E) - อาจจะบอกพวก Coding Standard เช่นของ Go
- Hexagonal Architecture
- Test ใช้ ginkgo
- Dependency Injection
› Skills ของพร้อมใช้งาน เช่น
- ClickHouse/agent-skills - เขียน Query รองรับ การ deploy แต่ละแบบ เช่น distribute หรือ ปรับตามองค์กร
- Create-New-Service - Custom Service สำหรับทำงาน Bioplolate ได้ ของพร้อมตาม pattern
- Design Skill จาก UX Team - รวมพวก Component.json / design.md ให้เวลาทำ task map ตาม Design System ใน Figma
› MCP เครื่องมือที่ช่วยให้ AI Agent แตะ env ได้ เช่น Jira (Ticket) / Confluence (API contract) / Figma (Design) และ GitHub
💡Sample Project Structure
📌Loop Engineering - เอามาตอบเวลา Agent ทำงานเสร็จ มันถูกต้องไหม
- ใช้ Git Hooks ผ่าน Tools เช่น Lefthook ในการ Block Commit/Push หาก Test Fail ข้อดี Run บน Local Machine ได้ Feedback สั้น ไม่ต้องเสียเวลารอ CI/CD บน GitHub/GitLab
- โดยมีทั้ง Chain ตามนี้
| Run | Stage | Example |
|---|---|---|
| Local | Agent Run | go test / npm test |
| Local | Pre-Commit Hook | Linter / TypeCheck / Unit Test + Coverage / Integration Test |
| Local | Pre-Push Hook | Build + Playwright E2E Test with Screen Shot Report |
| Server | CI | Full Flow |
- นำผลที่ได้ Feedback กลับไป และปรับแก้
และสุดท้าย Never Skip ถ้าปล่อยหยุดไปเละแน่ๆ
📌Challenge
› ปัญหา UI Development with Agent พวกการแสดงสี user journey ทดสอบยาก ?
แก้ยังไง
- Figma MCP - Design Lint
- Storybook เอา Figma มา Render
- Playwright Check UI จาก Story Book ว่าตรงตามที่ Assert ไหม
› ปัญหา It work on my machine (READ Test ENV) ที่มี Tools เรา mock ไว้ อย่าง API GW
แก้ยังไง - ปรับมา k3d create kube local ได้เลยนะ เอาพวก cluster k8s จริง มาลองใน k3d ได้
› ปัญหา Review Problems
แก้ยังไง
- AI Agent Pre-Screens
- และ Human ตรวจขั้นตอนสุดท้ายว่าจริงไหม over engineer ไหม
› ปัญหา The bills พอใช้เยอะ ราคาแพง
แก้ยังไง Prompt Caching ใช้ Tools แบบ LiteLLM มาช่วย save cost ได้ถึงหลาย 100usd ต่อคน
ผลจากการเอา Harness/ Loop ช่วยลดเวลาจากเดิม 5-6 เดือน เหลือ 3 เดือน
Turning Repos into the Product Second Brain with an LLM Wiki
Speaker Thatchakom Phatthanaphuti
💣เราเคยเจอปัญหา
- User เห็น Chat Note ได้เท่าไหร่
- หรือ เราเพิ่งเข้ามา แต่มีคนมาถามถึง Code เมื่อ 3-5 ปีก่อน ทำงานยังไง คนทำ ไม่อยากตอบ หรือไม่อยู่แล้ว
- หรือ Doc API Spec เก่า ต้องเสียเวลาอีก
📚LLM Wiki (Andrej Karpathy) มาทำเป็น Product Second Brain Idea
› โครงสร้าง
- Raw Source: ไฟล์ Source Code ดิบจาก Repository (Read Only)
- Wiki Markdown: LLM สร้างขึ้นเพื่อสรุปและเชื่อมโยงข้อมูล
- Schema Layer: กำหนดกฎกติกาการทำงานของ Agent (เช่น AGENTS.md หรือ schema.md)
› การทำงาน 3 ขั้นตอน
- Ingest เรียบเรียงและสร้าง Wiki
- Query ถามคำถามโดยอ้างอิงจาก Wiki และ Raw Source
- Lint ตรวจสอบความถูกต้อง ตรวจหาลิงก์ที่ตกหล่นหรือขาดการเชื่อมโยง
นอกจากนี้ ผลลัพธ์เอา obsidian มาแสดง graph view
</>ทำไมต้องมาทำ LLM Wiki โยน Code ให้ AI ไม่ได้เหรอ ?
- โยน code ตรงๆ คำตอบไม่ตรง ยิ่งถ้ามี หลาย repo เพราะ agent อาจจะมองไม่ครบ ไม่รู้ว่าจะหาจากไหน เพราะ Repo จิงใหญ่เกิน ตามรูป แล้ว context windows ของ model ไม่พอ 13.3m
🛣️Product Second Brain Idea เอา LLM Wiki มาใช้ได้เลยไหม ?
ไม่ได้ ต้องมีปรับขั้นตอนเล็กน้อยตามนี้
› Ingest
- Explore the Source: เขียน Script ไปสำรวจโครงสร้าง Codebase หา Stack, Database, จำนวน Services และจุดเริ่มต้นทำงาน (Entry Points) รวมถึงเก็บ Git Commit Hash เพื่อติดตาม Versioning
- Map the Components: ให้ LLM เริ่มอ่าน Entry Points เพื่อระบุประเภท Service (เช่น Server, Job, Consumer) และดูการเชื่อมต่อภายนอก (DB, Kafka)
- Understand the Code: เจาะลึก Logic และ Edge Cases ของแต่ละ Service โดยใช้เทคนิค แตก Sub-agents ออกมาช่วยกันวิเคราะห์ เพื่อป้องกันปัญหา Context Window เต็ม
- Build the Wiki: ให้ LLM นำข้อมูลทั้งหมดมาสร้างและเชื่อมโยงเป็นโครงสร้าง
Note Ingest ตอน inject repo ใหม่ ครั้งแรกนาน รอบที่หลังเป็นแบบ Incremental ตาม git --diff commit แต่ถ้าเกิน 30 percent ทำใหม่
› Query
- Key ชัดให้ script ทำ โดย
1 ถามตรง - ให้ script ทำ
2 lookup wiki pages
3 wiki + read code - แล้วเชื่อได้ไงว่าไม่มั่ว - ต้องมาทำ golden set (คำถาม + เฉลย จาก code / reference) และ คำถามที่ไม่มีใน repo
ถ้าลองผลที่ได้ พบว่ามันลด Cost ได้เยอะ
🐞Use Case: Bugs Hunt
- Product Second Brain
- Biz Req + Tech Spec ให้ agent ตรวจผิด
- Bug Detection Criteria เช่น owasp top 10 / เวลาที่ทำจบ ไม่ควรแสดง toast ซ้ำ หรือ ถ้าเต็ม Max แล้วไม่ควรสามารถเพิ่มได้ เป็นต้น
จากนั้นเอา bug-hunt ไปทำเป็น skill บอกทั้ง model / thinking effort / no of agent / feature ที่หา / biz req + tech spec
- ผลลัพธ์ Bug / Severity / Step to repoduce
- ทำให้ช่วยเจอ bug ที่ซับซ้อนได้ไว แต่คนต้อง double check เพราะบางที AI Agent มันเห็น context บางส่วน แล้วตีตวามว่าผิดได้
Code is the best documentaion จากเดิมเป็นคำปลอบ ตอนนี้เนียกว่าขุมทรัพย์
The Human Advantage: Outperform The Algorithm
Speaker Kasidis Satangmongkol
อนาคต 10-20 ปีเป็นไงนะ เราควรทำสิ่งที่มีความหมาย จำเป็นต้องทำ
ใน Session นี้เน้น 3 คำ Leverage, Agency, Humanity
📌Leverage - Give me a lever and a place to stand and I will move the earth ที่นี้เราต้องรู้ว่า อะไร
- Lever - คานที่จะงัดในที่นี้ตัว AI
- A place to stand - ความรู้ ความเข้าใจ ว่าจะใช้เครื่องมือเมื่อไหร่และอย่างไร
- Move the Earth - The Right Problem - ปัญหาที่เราจะแก้
ตัวอย่าง ที่พี่ทอยเล่า Fantastic 4 key ทีมตัวเองจะสู้ Galactus แล้วรู้ว่าสู้ไม่าได้เลยคิดมุมกลับย้ายตัวร้ายไปมิติอีกสิ คิดอีกมุม
AI is a multipler - เพราะ AI มันเก่งเท่าเรา เราควรคิดว่า ถ้าไม่มี AI วันนี้เราทำอะไรได้บ้าง? หากเราเก่งด้วยตัวเองก่อน AI เวลาใช้มันยิ่งมีประโยชน์
ความยาก เราไม่รู้ว่าสร้างอะไรมาตอบปัญหา อย่าง Elon มีกล่าวไว่ทำไมต้อง Optimize ทำไมไม่คิดแต่แรก
📌Agency
- คนที่จะรอดและใช้ AI ได้อย่างเต็มประสิทธิภาพ คือคนที่มี High Agency — ตื่นเช้ามาเลือกเส้นทางชีวิต ลุกขึ้นมาสร้างสิ่งที่มีความหมายด้วยตัวเองโดยไม่ต้องรอคำสั่ง
- มีแนะนำหนังสือด้วย Millionaire Fastlane
- 1,000 True Fans ต่อจาก Panel เมื่อเช้า - ถ้าเรามี Idea เราสามารถหาลูกค้า/ผู้ใช้ 1,000 คนจากคน 8,000 ล้านคนทั่วโลกได้ง่ายขึ้นด้วย AI และอินเทอร์เน็ต โดยไม่ต้องจำกัดตัวเองอยู่แค่ในไทย
ในอีก 10 ปีข้างหน้า ชื่อตำแหน่งงานอย่าง "Developer" หรือ "Engineer" อาจไม่มีความหมายแบบเดิมอีกต่อไป แต่สิ่งสำคัญคือตัวเราที่พัฒนาเก่งขึ้นทุกวันเพื่อสร้าง Value ให้กับโลก
📌Humanity
- AI ไม่รู้ว่าอะไร อะไรเป็นสิ่งที่ถูกต้อง มันมีตรรกะของมันเอง แต่มันเข้าใจถึง Taste / Experience / Feeling เป็นต้น อย่างเคสของ Costco ขาย Set Hotdog+Soda ในราคา $1.50 เท่าเดิมมาตลอด 40 ปี ต่ากับ Big Mac ($1.6 > $27) ซึ่งถ้าเอา AI มาถามมันจะบอกให้ขึ้นราคาแน่นนอน มันไม่รู้ อันนี้เป็นเทคนิตช่วยให้ บ ได้กำไรจากส่วนอื่น
- เป้าหมายของธุรกิจ: ไม่ใช่การหาเงินให้ได้เยอะที่สุด แต่ การช่วยผู้คนให้ได้เยอะที่สุด แล้วเงิน/กำไรจะเป็นผลพลอยได้ตามมาเอง
Key Takeaway: อย่าแค่ลงทุนใน AI หรือ Data Center แต่ลงทุนในคน และเลือกทำในสิ่งที่ถูกต้อง (Do what is right & Do what is real)
