ช่วงนี้คำว่า Loop Engineering เริ่มถูกพูดถึงบ่อยขึ้นในวงการ AI coding หลังจาก Boris Cherny ผู้สร้าง Claude Code และ Peter Steinberger ผู้สร้าง OpenClaw พูดถึงเรื่องนี้จนเป็นกระแส
Andrew Ng ก็เขียนถึงเรื่องนี้ใน The Batch โดยมองว่า “loop” เป็นวิธีคิดของการสร้าง product โดยเฉพาะงานแบบ 0-to-1 ที่ยังต้องหาทั้งรูปแบบของ product, user flow, feedback และ direction ไปพร้อมกัน
ผมชอบกรอบนี้ เพราะมันอธิบายความจริงของการใช้ coding agent ได้ตรงดีมาก: AI ทำให้การเขียนโค้ดเร็วขึ้นก็จริง แต่ product ที่ดีไม่ได้เกิดจากความเร็วของ coding loop อย่างเดียว มันต้องมีอีกสองลูปที่ช้ากว่า แต่สำคัญกว่า
หมายเหตุ: บทความนี้ฟิวส์กับเอเจ้นชมพู ได้เรียบเรียงจากประสบการณ์การใช้งานจริง และอ้างอิงจากต้นฉบับคุณ Andrew Ng https://www.facebook.com/share/16znXFaukb/?mibextid=wwXIfr
1. Agentic Coding Loop: ลูปของ AI ที่วนเป็นนาที
ลูปแรกคือการให้ AI coding agent ทำงานจาก product spec และอาจมี evals หรือ test cases เป็นตัววัดผล จากนั้น agent ก็เขียนโค้ด ทดสอบ แก้ แล้ววนต่อจนกว่าจะผ่านเงื่อนไขที่ตั้งไว้
นี่คือสิ่งที่ทำให้ coding agent เริ่มมีประโยชน์จริงในช่วงหลัง จากเดิมที่ช่วย autocomplete หรือเขียน function สั้นๆ ตอนนี้มันเริ่มทำงานต่อเนื่องได้เป็นสิบๆ นาที หรือติดกันหลายชั่วโมง หรืออย่างผมเอง สั่งรันทั้งคืนและเช้าค่อยตื่นมาดู (ตรงใจก็มี เป๋ก็เยอะ ฮ่าๆ) โดยเอไอเองจะเปิด browser ตรวจงานที่ตัวเองทำ รัน test แล้วกลับมาพร้อมผลลัพธ์
ความเร็วของลูปนี้อยู่ในระดับ “นาที” ทุกไม่กี่นาที agent อาจสร้าง version ใหม่ของ software ได้แล้ว นี่คือจุดที่ engineer หลายคนกำลังทดลองกันหนักมากว่าจะออกแบบ loop แบบไหนให้ agent ทำงานได้นานขึ้น แต่ยังไม่หลุดจาก spec
2. Developer Feedback Loop: ลูปของคน ที่วนเป็นชั่วโมง
ลูปที่สองคือมนุษย์ หรือ developer ที่กลับมาดู product ที่ agent ทำ แล้วให้ทิศทางต่อว่าจะปรับอะไร
เมื่อก่อน developer มักต้องทำหน้าที่เหมือน QA ให้ coding agent คอยไล่ดู bug แล้วสั่งให้แก้ แต่ตอนนี้ agent ตรวจงานตัวเองได้ดีขึ้นมาก บทบาทของ developer จึงเริ่มขยับขึ้นมาที่ระดับ product มากขึ้น หรือต้องเป็น Product Owner ซะเอง เช่น feature ไหนควรมี, UI ตรงไหนยังไม่ดี, flow แบบไหนใช้ง่ายกว่า หรือ spec ตรงไหนยังคลุมเครือ
Andrew Ng ยกตัวอย่างแอปฝึกพิมพ์ให้ลูกสาว เขาเปลี่ยนใจหลายครั้งทั้งเรื่อง visual design, ชุดแมวที่เด็กจะปลดล็อกได้ และ flow สำหรับผู้ใหญ่ที่ต้องเข้ามาดูแลการเรียนรู้ของเด็ก จุดนี้เป็นตัวอย่างที่ดีมาก เพราะมันไม่ใช่ bug ที่ agent ทำการ test และจับจุดได้ แต่มันคือ product judgment
หลายคนเรียกสิ่งนี้ว่ารสนิยม (taste) แต่ Andrew Ng ใช้คำว่า context advantage ซึ่งผมว่าชัดกว่า เพราะคนรู้บริบทของ user มากกว่า AI รู้ว่าลูกชอบอะไร รู้ว่าผู้ใหญ่จะใช้ระบบยังไง รู้ว่าของแบบไหน “ใช่” สำหรับ product นี้ คือคุณนั่นเอง ตราบใดที่ความรู้นี้ยังอยู่ในหัวคน มนุษย์ก็ยังต้องอยู่ในลูป (อันนี้ถูกใจ เพราะที่มีเทคโนโลยี ณ ขณะนี้ ผมเองยังมีความเชื่อเรื่อง HITL : Human-in-the-Loop แต่คนจะเข้ามามากหรือน้อย อยู่ที่กระบวนการออกแบบ Workflow ว่าจุดไหนเรายังไม่มั่นใจใน agent โดยเฉพาะจุดที่มนุษย์ต้องเป็นคนกำหนดทิศทาง)
3. External Feedback Loop: ลูปของโลกความเป็นจริง ที่วนเป็นวัน
ลูปสุดท้ายคือ feedback จากคนนอกทีม อาจเป็นเพื่อนกลุ่มเล็กๆ, alpha testers, user จริง หรือข้อมูลจากการเปิดใช้งานบน production เช่น การทำ A/B testing
ลูปนี้ช้าที่สุด อาจใช้เวลาหลายชั่วโมง หลายวัน หรือหลายสัปดาห์ แต่เป็นลูปที่ทำให้ product vision ไม่ลอยอยู่ในหัว developer อย่างเดียว ข้อมูลจากโลกความเป็นจริงจะย้อนกลับมาเปลี่ยนมุมมองของเรา (feedback) แล้วมุมมองใหม่นั้นก็จะกลายเป็น spec ใหม่ให้ coding agent ทำต่อ
พูดอีกอย่างคือ agentic coding loop ทำให้เราสร้างของได้เร็วขึ้น แต่ external feedback loop บอกเราว่าสิ่งที่เราสร้างนั้นควรไปทางไหนต่อ
Engineer กำลังเข้าใกล้บทบาท Product Owner มากขึ้น
จุดที่ผมคิดต่อเยอะที่สุดคือ เมื่อ coding agent ทำให้การ build เร็วขึ้น engineer ก็เริ่มต้องรับบท product management มากขึ้นโดยธรรมชาติ
งานที่ยากขึ้นไม่ใช่การสั่ง AI ให้เขียนโค้ด แต่คือการตัดสินใจว่าอะไรควรถูกสร้างก่อน อะไรควรตัดทิ้ง spec ควรละเอียดแค่ไหน feedback จาก user ควรรอเมื่อไหร่ และเมื่อไหร่ที่เราควรหยุดทำให้ระบบมันเพอเฟก (polish) แล้วเอาของออกไปให้คนใช้จริงๆ
นี่คือ balance ที่ยากมาก เพราะถ้า build อย่างเดียว เราอาจได้ software ที่ทำงานได้ แต่ไม่มีใครอยากใช้, ถ้ารอ feedback อย่างเดียว เราก็ไม่เดินหน้าเสียที Product ที่ดีต้องมีทั้งสองด้าน คือ build ให้เร็วพอ และรับ feedback จากโลกธุรกิจหรือการใช้จริงให้ทัน
สรุป
ผมมองว่า Loop Engineering เป็นคำที่มีประโยชน์กว่า “prompt engineering” มาก เพราะมันย้ายจุดสนใจจากการเขียนคำสั่งทีละรอบ ไปสู่การออกแบบระบบการทำงานที่วนเองได้
- Agentic coding loop ทำให้ AI สร้างและทดสอบ software ได้เร็วขึ้น
- Developer feedback loop ทำให้มนุษย์เติม context, taste และ product judgment
- External feedback loop ทำให้ product ไม่หลุดจาก user และโลกจริง
ถ้าจะใช้ AI agent ให้คุ้มจริง ผมคิดว่าเราไม่ควรถามแค่ว่า “จะ prompt ยังไงให้มันเขียนโค้ดเก่งขึ้น” แต่ควรถามว่า “เราจะออกแบบ loop ยังไงให้มันทำงานต่อเนื่อง ตรวจตัวเองได้ และรับ feedback กลับมาเปลี่ยน product ได้ดีขึ้น”
ตรงนี้แหละที่งาน software น่าจะเปลี่ยนไปเยอะในอีกไม่กี่ปีข้างหน้า คนเขียนโค้ดจะไม่ได้หายไป แต่บทบาทจะขยับจากคนพิมพ์คำสั่ง ไปเป็นคนออกแบบลูป ตัดสินใจทิศทาง และรู้ว่าเมื่อไหร่ควรให้ AI วิ่งต่อ เมื่อไหร่ควรหยุดแล้วกลับมาคิดเอง
มาถึงจุดนี้ ผมขอเป็นกำลังใจให้กับผู้อ่านทุกท่าน เทคโนโลยีมันไปไวมาก และทุกคนก็กำลังค้นหาหนทางของตนเอง แต่ยังไม่ทันไร ก็จะมีของใหม่มาเรื่อยๆ ดังนั้น ถ้าทำแล้วเกิด productivity หรือผลลัพธ์ที่ต้องการได้ จงหยุดและลองใช้มันก่อน นั่นอาจเพียงพอแล้ว (ณ ตอนนั้น)
Source: The Batch by Andrew Ng
