The New SDLC with Vibe Coding : เมื่อ AI ย้ายคอขวดจาก Code ไปที่ Intent
ช่วงที่ coding agent เริ่มเขียน feature ได้ภายในไม่กี่ชั่วโมง ผมเคยคิดว่าปัญหาใหญ่ของงาน software น่าจะเบาลงเยอะ แต่พอทำจริงกลับพบว่าคิวงานไม่ได้หายไปครับ มันย้ายไปกองอยู่ที่ requirement, architecture, review, test และคำถามว่า ของที่ AI ทำมานั้นเชื่อได้แค่ไหน
ผมไปเจอ whitepaper ของ Google เรื่อง The New SDLC with Vibe Coding และน่าสนใจพอสมควร เพราะเอกสารนี้ ผู้เขียนวางกรอบใหม่ว่า Software Development Life Cycle หรือ SDLC ควรเปลี่ยนอย่างไร เมื่อคนเริ่มขยับจากการเขียน syntax ไปเป็นการระบุเจตจำนง (intent) แล้วให้ agent ลงมือแทน
ในเอกสารนี้ ผู้เขียนทดสอบทำงานระดับ production โดยเทียบระหว่าง Vibe Coding กับ Agentic Engineering ที่มี spec, context, tests, evals, guardrails และคนคอยตัดสินใจ เพื่อให้เห็นภาพใหญ่ และในบทความนี้ผมขอหยิบของ Google ไปเทียบกับ SDLC สำนักอื่นๆ เพิ่มเติม เพื่อให้เห็นภาพชัดขึ้นครับ
Continue reading “The New SDLC with Vibe Coding : เมื่อ AI ย้ายคอขวดจาก Code ไปที่ Intent”
AI-Native SDLC มนุษย์อยู่ตรงจุดไหน และใช้ส่งต่องานกันอย่างไร
ไม่กี่วันก่อนผมเขียนเรื่อง AI เขียนโค้ดเร็วแล้ว แต่ทำไมงานยังช้าอยู่ จากสิ่งที่เห็นรอบตัวว่า coding agent ทำให้คนสร้าง software ได้เร็วขึ้นมาก แต่หลายโครงการก็ยังติดอยู่ที่ requirement การตัดสินใจ และการส่งต่องานเหมือนเดิม
พอดีผมไปอ่านบทความของ Anthropic เรื่อง The AI-Native SDLC playbook ของ Louis Claxton ผู้เขียนจาก Anthropic แล้วรู้สึกว่า นี่คือภาคต่อของคำถามนั้นพอดีครับ นอกจากเขาคิดว่า code ไม่ใช่คอขวดแล้ว แต่เขาแบทั้งวงจรว่า ถ้าการสร้างซอร์ฟแวร์ได้เร็วขึ้นจากสัปดาห์-เดือน เหลือเพียงไม่กี่ชั่วโมง การทำ Plan, Design, Test, Deploy และ Maintain จะต้องเปลี่ยนตามอย่างไร
คำตอบของ Louis Claxton คือ AI-Native SDLC ที่เอา AI เข้าไปอยู่ทุกช่วง ใช้เอกสารที่ทั้งคนและ agent อ่านได้ ส่งงานต่อกันได้ วาง automation ในจุดที่ตรวจแบบตรงไปตรงมาได้ แล้วเหลือมนุษย์ไว้ตรงจุดที่ต้องใช้ judgment และรับผิดชอบต่อความเสี่ยง อ่านแล้วตรงกับที่ผมสงสัยในวิธีการที่ผมทำอยู่พอดิบพอดี ซึ่งผมชอบนะ แต่ก็มีหลายจุดที่ในบทความบอกว่าถ้าเอาไปใช้แบบยกชุดโดยไม่ดูบริบท ทีมอาจได้ระบบเอกสารใหม่ที่หนักพอๆ กับของเดิมก็ได้ 5555
Continue reading “AI-Native SDLC มนุษย์อยู่ตรงจุดไหน และใช้ส่งต่องานกันอย่างไร”
AI เขียนโค้ดเร็วแล้ว แต่ทำไมงานยังช้าอยู่
วันนี้ผมตกผลึกเรื่องหนึ่งขึ้นมาครับ หลังจากใช้ AI และอยู่ท่ามกลางคนที่ใช้ AI ทั้งฝั่ง user และ developer มาประมาณ 1-2 ปี ผมเห็นคนรอบตัวเปลี่ยนวิธีสร้าง software เร็วมาก โดยเฉพาะตั้งแต่ต้นปี 2026 ที่เครื่องมือกลุ่ม coding agent และ AI สำหรับช่วยทำงานเริ่มเข้าถึงคนที่ไม่ได้เป็น programmer มากขึ้น
ตอนแรกผมใช้ AI เขียนโปรแกรมด้วยตัวเองเป็นหลัก เพราะผมเป็น programmer อยู่แล้ว จึงรู้ว่าต้องสั่งอะไร ต้องดู code ตรงไหน และควรสงสัยผลลัพธ์เมื่อไร แต่ระยะหลัง เจ้านาย น้องในทีม และเพื่อนร่วมงานที่ไม่ได้ทำหน้าที่ programmer โดยตรง เริ่มทำ prototype ออกมาเอง บางคนไปไกลถึงขั้นสร้างโปรแกรมที่ใช้งานได้ แล้วค่อยเรียก programmer เข้าไปช่วยเฉพาะจุด
ภาพนี้ทำให้ผมกลับมาถามว่า ถ้า AI เขียน code ได้เร็วมากแล้ว ทำไมหลายโครงการยังช้าเหมือนเดิม คำตอบที่ผมได้ คือ เราเร่งช่วงผลิต code ได้ แต่ช่วงที่คนหนึ่งพยายามอธิบายสิ่งที่ตัวเองต้องการให้อีกคนเข้าใจ ยังเป็นคอขวดก้อนเดิมครับ
Continue reading “AI เขียนโค้ดเร็วแล้ว แต่ทำไมงานยังช้าอยู่”
จาก AI ที่เขียนโค้ดได้ → สู่ AI ที่ทำงานได้ทั้งระบบ: แล้วเราจะวางบทบาท “คน” ตรงไหนกันดี?
เมื่อ 3-4 เดือนก่อน
หลายคนตื่นเต้นกับ AI ที่เขียนโค้ดได้ เก่งเหมือน Junior Dev ทำตามคำสั่งได้ดี เข้าใจ syntax, เข้าใจ framework แต่…
❌ มักจะผิดเพราะ “ไม่เข้าใจบริบท”
❌ ไม่รู้ว่าโค้ดนี้เชื่อมกับระบบไหน
❌ ไม่เข้าใจเป้าหมายที่แท้จริงของฟีเจอร์
นั่นแหละคือเหตุผลที่ยังต้องมี “มนุษย์” มาทำหน้าที่เป็นเหมือน Senior Programmer
✅ ตรวจสอบ
✅ รีวิวโค้ด
✅ แก้ให้เข้าเป้า
แต่วันนี้โลกเปลี่ยนอีกครั้ง…
จากการสั่งงานด้วย prompt สั้น ๆ → สู่ Context Engineering ที่ให้ AI เข้าใจงานลึกเหมือนมี “ระบบงานทั้งชุด” อยู่ในหัว
หลายคนเริ่มพูดถึงการเขียน
📄 PRD (Product Requirement Document)
📄 SDD (Spec-Driven Development)
📄 Task Management เพื่อส่งให้ Agentic AI ทำงานเป็นชุด
เหมือนมี “ทีมงานลับ” ที่ไม่หลับไม่นอน พร้อมรับ requirement ไปลุยเขียนโค้ดให้เลย
งูๆ ปลาๆ กับ Context Engineering เพื่อทำระบบคิดราคาซูชิ (Kaiten Share Calculator)
คราวก่อนที่ปล่อยระบบ คิดราคาซูชิ หรือ Kaiten Share Calculator ไป จากการใช้ Claude Code พัฒนา ก็มีเพื่อนๆ เข้ามาลองเล่นเยอะพอสมควร, เพิ่งจะได้มีเวลามานั่งเขียนเล่า
โค้ดก่อนๆ ผมทดสอบเขียน โดยใช้วิธีการสั่งให้ทำทีละลำดับตาม Prompt ที่ให้ไป เมื่อโปรแกรมเขียนเสร็จ ผมจึงใหห้ AI ทำการสรุปฟีเจอร์ วิธีการติดตั้ง โครงสร้างระบบทั้งหมดออกมาเป็น README.md
แต่ตัวนี้กลับกัน ผมลองอีกวิธีหนึ่ง ที่เพิ่งมารู้ตอนหลังว่าเรียกว่า Context Engineering คือผมเขียน README.md ก่อน เพื่อร่ายยาว Requirement และบอกรายละเอียดต่างๆ จากนั้นค่อยให้ AI มาทำการอ่านไฟล์นั้นและเขียนมาให้ผมตาม Spec ในครั้งเดียว
ซึ่งผลลัพธ์ที่ได้คือทำงานได้ถูกต้องและแสดงผลตามที่ผมต้องการเรียกได้ว่า 95% เลยทีเดียว ส่วนอีก 5% ที่เหลือคือ เรื่องของ UX/UI ที่ผมไม่ได้ใส่รูปตัวอย่างเข้าไปให้มัน กับ พบบั๊กบางส่วนเรื่องของการคำนวณเงิน ภาษี แต่แค่นี้ก็เรียกได้ว่า มันสามารถเป็น Junior Programmer ให้ผมคนหนึ่งได้แล้วนะ ไม่ใช่แค่เพียง Co-Pilot หรือ Code Assistant
โพสต์นี้เลยอยากเขียนสรุปแบ่งปันวิธีทำง่ายๆ ให้ได้เรียนรู้ไปพร้อมๆกันครับ
Continue reading “งูๆ ปลาๆ กับ Context Engineering เพื่อทำระบบคิดราคาซูชิ (Kaiten Share Calculator)”