วิธีใช้ Fable 5 แบบประหยัด Token
โพสต์ใน X ของ ClaudeDevs ที่พูดถึง pattern การใช้ Fable 5 แบบประหยัด token ผมรู้สึกว่าน่าสนใจมาก เพราะมันแตะปัญหาที่คนทำ AI agent เจอกันจริงๆ คือถ้าเราใช้โมเดลฉลาดสุดทำทุกอย่าง ทั้งคิด อ่านไฟล์ อ่านเว็บ เรียก tool แก้โค้ด รัน test และสรุปผล จะใช้โทเค็นเยอะมาก (ต้นทุนสูงมาก) ทั้งที่หลาย step ไม่ได้ต้องใช้ความฉลาดระดับสูงตลอดเวลา
แนวคิดที่ Anthropic ยกมาคือ ให้ Sonnet 5 เป็น executor ทำงานหลักใน loop ปกติ แล้วให้ Fable 5 เป็น advisor ที่ถูกเรียกเฉพาะตอนต้องใช้ judgment สูง เช่น วางแผน ตัดสินใจ architecture แก้ทางเมื่อเริ่มหลุด หรือ review ก่อนจบงาน ผมว่ามันเป็น pattern ที่ practical มาก เพราะมันไม่ได้พยายามลดคุณภาพด้วยการใช้โมเดลเล็กอย่างเดียว แต่ใช้โมเดลฉลาดให้ถูกจังหวะมากกว่า
Continue reading “วิธีใช้ Fable 5 แบบประหยัด Token”
Harness Design: ทำ AI Agent ให้ทำงานยาวๆ ได้โดยไม่ต้องมีคนเฝ้าตลอดเวลา
ไปเจอบทความของ Anthropic เรื่อง Harness design for long-running application development แล้วรู้สึกว่าน่าสนใจมาก เพราะเขาพูดถึงการออกแบบ harness สำหรับให้ AI Agent ทำงานยาวๆ จนได้ของออกมา โดยไม่ต้องมีมนุษย์คอยเข้ามาเกี่ยวข้องตลอดเวลา
เรื่องนี้ตรงกับสิ่งที่ผมเองก็กำลังทดลองและพัฒนาอยู่เหมือนกัน โจทย์คือจะทำยังไงให้ Agent ไม่ได้เป็นแค่ผู้ช่วยตอบคำถาม หรือช่วยเขียนโค้ดเป็นรอบๆ แต่สามารถรับโจทย์ยาวๆ วางแผน ทำงาน ตรวจงาน ส่งต่องาน และค่อยๆ ปรับปรุงผลลัพธ์ได้เองมากขึ้น (ยุคนี้เรียกว่า Loop Engineering)
ผมเลยอยากเอาบทความนี้มาเล่าในมุมที่นำไปต่อยอดได้จริง โดยเฉพาะสำหรับคนที่กำลังสนใจเรื่อง AI Agent, coding agent, workflow automation หรือระบบที่ให้ AI ทำงานต่อเนื่องแทนการ prompt ทีละครั้ง
Continue reading “Harness Design: ทำ AI Agent ให้ทำงานยาวๆ ได้โดยไม่ต้องมีคนเฝ้าตลอดเวลา”
ZeeSpec กับการโค้ดงานแบบ Greenfield และ Brownfield
โพสต์ก่อน ผมเขียนถึง คู่มือการเขียน Prompt ที่ดี ให้ได้ผลตรงใจ จากคำแนะนำของ Google ซึ่งเบสิกเลยคือการระบุ Role/Task/Context/Output Format
สำหรับโพสต์นี้ เอาใจสาย Spec Driven Development หน่อย คือผมไปเจออีกวิธีที่น่าสนใจดี ที่ใช้ในการทำ Spec ค่อนข้างละเอียดเลย แต่พอนึกดีๆ แล้ว หลายครั้งผมก็เขียนแบบนี้โดยไม่รู้ตัว
เพราะความไม่ต้องการให้ AI เดาเอง และไม่อยากอารมณ์เสียเมื่อรอมันรันนานแต่ผลลัพธ์ที่ได้ไม่ตรงใจ ผมจึงมักจะระบุว่าใคร ทำอะไร อย่างไร ที่ไหน เมื่อไร อะไรควรทำ ไม่ควรทำ
ซึ่งเครื่องมือในโพสต์นี้เป็นประมาณนั้นเลยครับ เผื่อใครจะเอาไปเป็นไอเดียเสริมสไตล์การเขียน Prompt/Spec ให้กับผู้อ่านได้
Continue reading “ZeeSpec กับการโค้ดงานแบบ Greenfield และ Brownfield”
คู่มือการเขียน Prompt ที่ดี ให้ได้ผลตรงใจ จากคำแนะนำของ Google
ช่วงนี้ใครใช้ AI ช่วยทำงานน่าจะเจอคำแนะนำเรื่อง “เขียน prompt ให้ดี” บ่อยมาก แต่คำว่า prompt ที่ดีไม่ได้หมายถึงประโยคที่สวยหรือคำสั่งที่ยาวเสมอไป แก่นจริงๆ คือการบอก AI ให้เข้าใจงานเหมือนคนที่เรากำลัง brief งานอยู่
วันนี้ผมเอาคู่มือจาก Google Workspace มาแนะนำ ซึ่งดีมากครับ ชื่อ Writing effective prompts เขาอธิบายไว้ค่อนข้างง่าย โดยเฉพาะสำหรับคนที่ใช้ Gemini (เจ้าอื่นๆก็ได้นะ อย่าง ChatGPT, Claude) ใน Gmail, Docs, Sheets หรือเครื่องมือทำงานประจำวัน แนวคิดหลักไม่ได้ซับซ้อน แต่เอาไปใช้จริงแล้วช่วยให้คำตอบดีขึ้นเยอะ
Continue reading “คู่มือการเขียน Prompt ที่ดี ให้ได้ผลตรงใจ จากคำแนะนำของ Google”
Loop Engineering: 3 ลูปที่ทำร่วมกับ AI Agent เพื่อสร้าง Product ได้จริง
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
Continue reading “Loop Engineering: 3 ลูปที่ทำร่วมกับ AI Agent เพื่อสร้าง Product ได้จริง”