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

และนี่คือสิ่งที่หลายองค์กรเริ่มตั้งคำถาม:

แล้ว “ใคร” ควรเป็นคนทำ Spec?
แล้ว “บทบาท” ของ Dev, PO, SA จะเปลี่ยนไปแค่ไหน?

ลองมองผ่าน 4 รูปแบบการทำงานที่น่าสนใจ:
1. 🧑‍💻 Dev ทำเองทั้งหมด ตั้งแต่แปลง Biz Requirement → สั่ง AI → รีวิวโค้ด
2. 🧾 PO/BA เขียน Spec มาให้พร้อมกับ Requirement ตั้งแต่ต้น
3. 🧠 SA แปลง Requirement เป็น Spec แล้วส่งให้ Dev ใช้สั่ง AI
4. 🤖 SA แปลง Requirement เป็น Spec แล้ว “สั่ง AI” เอง แล้วให้ Dev มารีวิวโค้ดภายหลัง

ไม่มีคำตอบไหนถูกผิด… แต่มันคือโจทย์ใหม่ของวงการ
ว่าเราจะ “ทำงานร่วมกับ AI” ยังไงให้มีประสิทธิภาพมากที่สุด?

⸻

จากประสบการณ์ตรงของผมในฐานะโปรแกรมเมอร์ที่สนใจด้านนี้
สิ่งที่ได้เปรียบสุดในยุคนี้ไม่ใช่แค่เขียนโค้ดเก่ง หรือ prompt สวย
แต่คือคนที่ “เข้าใจทั้ง Business และ Technical” ในคนเดียวกัน

คนกลุ่มนี้เหมือนมี “Superpower”
– 💪 เข้าใจบริบท
– 🧠 เขียน Spec ได้เอง
– ⚙️ สั่ง AI ทำงานได้ตรงเป้า
– ✅ แถมรีวิวเองได้อีกต่างหาก

ไม่แปลกใจเลยที่หลายคนบอกว่า
Freelance ที่รู้รอบ / Dev ที่พูดกับคนธุรกิจรู้เรื่อง
จะใช้ AI ได้เต็มที่ที่สุด และลดเวลาทำงานได้มหาศาล

โลกของ Dev ไม่ได้มีแค่ Code แล้วครับ
แต่มี “บริบท” เป็นพลังสำคัญที่สุดในยุคนี้

⸻

ใครมีประสบการณ์กับ Agentic AI หรือเริ่มลองทำ Context Engineering มาแล้ว มาแชร์กันหน่อยครับ 👇
เราอาจไม่ได้แข่งกับ AI
แต่กำลังเรียนรู้ “วิธีทำงานร่วมกับมัน” อยู่ต่างหาก

(โพสต์นี้ให้ AI เรียบเรียง และทำรูป)

#AI #AgenticAI #ContextEngineering #SpecDrivenDevelopment #SDD #PRD #ProgrammerInTheLoop #NewWayOfWorking #VibeCoding #vibecode

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

Requirement Spec และ Structure ที่ผมใช้

ก่อนหน้านี้ผมเองไม่รู้จัก Context Engineering เลยใช้วิธีการที่ตัวเองคิดว่า “น่าจะใช่” และสังเกตจาก CLAUDE.md และ README.md ที่ Claude Code AI มันสร้าง Structure ออกมา ทำให้ผมสรุปได้ประมาณนี้

• ชื่อโปรแกรม: เช่น Kaiten Share Calculator
• Summary หรือ Goal: ว่าโปรแกรมนี้จะทำอะไร เช่น 🍣 Conveyor Belt Sushi/Mala Bill Calculator – Web App for Thailand
• Feature List: โดยผมแตก Bullet ใหญ่ๆ เป็นฟีเจอร์/โมดูล และแต่ละฟีเจอร์ลง Business Condition หรือรายละเอียดฟีเจอร์อีกที เพื่ออธิบายการทำงาน
• Technology Stack: เพื่อบอกว่าใช้เทคโนโลยีอะไรทำ Frontend/Backend/Database/Test หรือ Architecture/Library ที่เราเจาะจงจะใช้ เช่น HTML5/CSS3/TailwindCSS/Responsive/DesignLocalStorage/Modular Design
• User Journey: เพื่อบอกว่าผู้ใช้โปรแกรมเราจะมี journey อย่างไรในการใช้งาน ของแต่ละฟีเจอร์/โมดูล
• JSON Config: ผมออกแบบการเ้ก็บข้อมูลให้ AI ก่อน ผมสะังเกตว่ามันเรียนรู้และนำฟิลด์เหล่านยั้นไปออกแบบและเขียนโปรแกรมให้ได้ด้วย ฉลาดมาก
• UI: อันนี้ผมไม่ได้ใช้สำหรับ Kaiten Share Calculator เพราะจะให้สร้างตาม Journey แต่ผมได้ลองใช้ตอนทำ Google Map Point ซึ่งผมเอารูป UI แบบ SVG File ใส่ไว้ในโฟลเดอร์เพื่อให้ AI เข้าไปอ่าน
• Test Case: ตัวนี้ควรทำก่อนถ้าทำได้ แต่ผมมาทำตามหลัง เพื่อให้ AI เขียน Unit Test ทดสอบระบบให้

เอาตรงๆ ทั้งหมดนี้ผมสั่งเป็นภาษาไทยคร่าวๆ ไปที่ ChatGPT ก่อน เพื่อให้มันเรียบรียงเป็นรายละเอียด ตามหัวข้อที่กล่าวไว้ และแปลเป็นภาษาอังกฤษให้ผมอีกทีหนึ่ง เพื่อเอาไปทำเป็นไฟล์ README.md จากนั้นก็สั่งให้ Claude Code มาอ่านไฟล์นี้และเขียนได้เลย

ต้องบอกว่าจากที่ทดสอบมาแล้วใช้ได้ 95% นั้น หากจะให้ดีเพิ่มขึ้นไปอีก ผมแนะนำให้เพิ่ม Reqreuiement เหล่านี้เข้าไปด้วย จะทำให้เป็นระบบและโดนมากขึ้นกว่าเดิม เช่น

• Database Schema: คล้ายกับ JSON Config ที่ผมกล่าวไปก่อนหน้า ก็เพื่อระบุโครงสร้างการเก็บข้อมูล และความหมายของแต่ละ Field/Table
• API Spec: เพื่อระบุเลยว่าต้องการอะไรบ้าง มี Input/Output และทำงานอย่างไรเป็น Summary
• Project File Structure: เพื่อบอกโครงสร้างการเก็บไฟล์ต่างๆ AI มันก็จะทำให้ตามนั้น

แถม

ทริกเล็กๆของผม ถ้าอยากรู้ว่า Claude Code มันเข้าใจที่เราสั่งไหม ลองรันคำสั่ง

# claude /init

ตัว Claude AI จะสรุปข้อมูลที่มันพบเจอในโฟลเดอร์โปรเจ็คเราทั้งหมด เพื่อไปสร้างไฟล์ CLAUDE.md เราก็ไปอ่านที่มันสรุปในนั้นได้เลย ว่าเข้าใจถูกหรือเปล่า

และถ้ามีการอัพเดทใดๆก็ควรใน Requirement เรา ก็ควรสั่งให้มันอัพเดทใน CLAUDE.md ด้วยนะ

ตัวอย่าง Requirement spec ที่เขียนไว้ใน README.md

• https://github.com/ifew/kaiten-share-calculator เขียน spec ก่อน และให้ AI ทำโค้ด
• https://github.com/ifew/google-map-point เขียนโค้ดก่อน และให้ AI ทำ spec

ครั้งหน้าจะลองทำระบบที่ใหญ่ขึ้น และใช้ MCP กับ Task Master มาแตกงานเป็น Task ย่อยๆ เป็นระบบอะไรนั้น ไว้มีเวลาเดี๋ยวเอามาให้เล่นกันครับ