ตั้งแต่เริ่มเป็นโปรแกรมเมอร์มา สกิลติดตัวที่ต้องใช้ตลอดคือ "continuous learning" มีเครื่องมือใหม่ ๆ ออกมาแทบจะทุกสัปดาห์ ซึ่งจะตามทุกอันก็ไม่ไหว ทำให้ต้องตัดสินใจเลือกว่าเครื่องมือไหนมีประโยชน์กับการทำงานของเรามากที่สุด เพราะ การเรียนสิ่งใหม่ ๆ มันมี learning curve ที่ต้องใช้พลังต่อสู้กับมันสักพักเสมอกว่าจะใช้ได้คล่อง

ในช่วงการเรียนอะไรใหม่ซักอย่าง ผมจะผ่าน 3 สเตปนี้เสมอ

สำหรับการหัดใช้ AI ช่วยในการเขียนโค้ดก็ไม่ต่างกัน ผมเลยอยากจะมาเล่าประสบการณ์ในการเรียนรู้ ตั้งแต่เริ่มรู้จักมันใหม่ ๆ จนถึงตอนนี้ที่มันกลายเป็นส่วนนึงของการทำงานที่ผมคิดว่าขาดไม่ได้ไปแล้ว

ช่วง ChatGPT ออกมาใหม่ ๆ ผมเห็นว่ามันเจ๋งดี เพราะ การทำงานปกติก็มี step ในการค้นข้อมูล เปิด doc อ่าน หรือ หาวิธีแก้บัคจาก Stackoverflow อะไรแบบนี้ค่อนข้างบ่อยอยู่แล้วยุคนี้เป็นยุคที่ผมเริ่มสนใจเข้ามาใช้งานมันว่ามันช่วยอะไรได้บ้าง ซึ่งสำหรับตอนนั้นมันเป็น research tool ที่ดีมาก แทนที่จะต้องใช้เวลา Google หาลิ้ง ค่อย ๆ อ่าน คำตอบมันออกมาให้เลย

แต่ปัญหาใหญ่ของยุคนี้คือ "อาการหลอน" เพราะว่า output ที่ออกมาไม่ได้เชื่อถือได้ขนาดนั้น ซึ่งมันหลอนบ่อยมากจริง ๆ คนในวงการก็พยายามจะแก้ปัญหาก็มีการออกมาสอนเทคนิคต่าง ๆ ที่หลาย ๆ คนอาจเคยได้ยินชื่อ

ซึ่งจากมุมโปรแกรมเมอร์อย่างผมที่เข้าใจโค้ดอยู่แล้ว ผมรู้สึกเลยว่า ถ้าต้องเอาพลังไปใส่กับพวกนั้น สุดท้ายเขียนเองเร็วกว่า ลักษณะการทำงานของผมเลยไม่ได้เปลี่ยนจากเดิมมาก เป็นการคุยกับมันใน chat interface ถามโน่นนี่เรื่องที่ผมรู้อยู่แล้วแต่ลืมคำสั่งว่าต้องเขียนยังไง ใช้การก๊อปจากหน้า chat มาวางใน code editor

ยุคนี้เป็นยุคที่ผมยังเห็นว่า benefit ยังไม่คุ้มกับ effort ที่ต้องลงกับมัน มีไปศึกษา concept พวกนี้มาด้วย แต่ก็ไม่ได้เอามาใช้งานเพราะทำเองเร็วกว่า ถ้าต้องเอาเวลาไปแก้สิ่งที่ AI มันหลอน ๆ ออกมา

ยุคนี้เป็นยุคกำเนิดของ Cursor ที่ตอนแรกมันแค่ fork VSCode ที่เป็น Open Source เอาไปต่อยอดโดยการเพิ่ม feature AI เข้าไป ผมก็เข้าไปลองเหมือนกับทุกครั้งที่วงการ tech มีกระแสอะไรใหม่ ๆ

รอบนี้เริ่มรู้สึกว่ามันมีผลต่อ productivity แล้ว ด้วยความที่ autocomplete เมื่อก่อนมันอยู่แค่ระดับการช่วยกรอก syntax ที่ต้องพิมพ์ซ้ำ ๆ แต่หลังจากมี smart autocomplete คือ พอเราพิมพ์ไปซักนิดนึง มันเดาที่เหลือให้เราเลย บางที tab ทีเดียวได้มาทั้งไฟล์ กับ IDE เริ่มมี "Copilot" ข้าง ๆ ทำให้ไม่ต้องเปิดหน้าเว็บแยก เพิ่มความสะดวกสบาย แต่ก็มาพร้อมกับค่าใช้จ่ายที่เมื่อก่อนจะเขียน code มันไม่จำเป็นต้องมี

สำหรับผมมันก็ยังมีปัญหาเดิม คือ มันมั่ว! model เก่งขึ้น เริ่ม reference code เข้าไปได้ตรง ๆ แต่ก็ต้องอาศัยการ steer (เปลี่ยนทิศทาง) ค่อนข้างเยอะ

ช่วงนี้เป็นช่วงที่ผมลองผิดลองถูกกับมันหลายท่า พยายามให้มันลองสร้างเครื่องมือกับระบบที่ผมเคยโค้ดเอง โดยฝืน ๆ พยายามไม่ไปแก้เอง อยากรู้ว่ามันทำได้ดีแค่ไหน เป็นช่วงที่หงุดหงิดกับมันมาก ๆ แต่ก็เป็นช่วงที่เรียนรู้ว่าสิ่งนี้มันควรใช้ทำอะไร ไม่ควรใช้ทำอะไรมากที่สุด

สิ่งที่ชัดที่สุด คือ ถ้ามี design หรือสิ่งที่อยากทำเรารู้อยู่แล้วว่ามันต้องทำยังไง แล้วใช้มันเพื่อ implement อย่างเดียว AI ยุคนี้จะทำมันได้ค่อนข้างดีมาก ๆ

Context และ prompt engineering หมดความหมายสำหรับ user ที่ใช้งานระบบอย่างเดียวแบบผม ผมสั่งมันแบบคุยกับ engineer ในทีมนี้แหละ ไม่ต้องคิดมาก รู้สึกว่ามันทำงานได้ดีกับ scoped work ที่แบ่งมาให้แล้วว่าทำ A B C ให้หน่อย

นอกจากเทคนิคข้างบนจะไม่ relevant เท่าไหร่แล้วยุคนี้หลาย ๆ คนน่าจะได้ยินคำว่า MCP (Model Context Protocol) เยอะ เป็นการเพิ่มความสามารถให้ AI โดยมี API ให้มันยิงไปถามว่าเรียกใช้อะไรได้บ้าง ถูกออกแบบมาให้เป็น protocol กลาง ที่จริง ๆ มันก็คือ JSON API นี่แหละ แค่มันมีการตกลงกันว่าจะมี field อะไรบ้าง

คน hype MCP กันสุด ๆ เพราะมันทำให้ AI เก่งขึ้นและแม่นยำขึ้น แต่พอผมลองใช้งานจริง คือ MCP ทั้งเปลือง token, เปลือง context และเพิ่มความหน่วงในการรอคำตอบจาก AI รู้สึกว่ามันน่าจะไม่ใช่ท่าที่ถูกต้อง เลยไม่ได้ไปลงทุนลงแรงเรียนรู้มันมาก ซึ่งในยุคถัดไปจะได้รู้กันว่าผมตัดสินใจถูกไหม

ฟีลลิ่งการทำงานยุคนี้คือลงแรงน้อยกว่ายุคก่อนหน้าประมาณนึง แต่ก็ยังปล่อยมันทิ้งไว้ไม่ได้ ต้องดูมันบ่อย ๆ ว่ามันจะหลุดไปไกลไหม ยุคนี้ผมมีทำคลิปรีวิวบน YouTube ไว้ด้วย ตามไปดูลงลึกกันได้ครับและผมเริ่มรู้สึกได้แล้วว่าการทำงานของผมเริ่มเปลี่ยนไปจากเดิมในทางที่ productive ขึ้น แต่ก็ยังใช้รู้สึกฝืน ๆ อยู่ในบางงาน

แล้วก็มาถึงยุคปัจจุบันที่เรียกได้ว่าเป็นยุคแห่ง "Agent" ที่ model มันเริ่มจะเก่งจนตันกันแล้ว เริ่มมี MoE (Mixture of Experts) หรือ multi-modal model ที่ทำได้มากกว่าอ่าน text รับเสียงได้ รับรูปได้ ยุคนี้มีสิ่งที่ผมรู้สึกว่าเราเจอท่าที่ถูกต้องในการทำงาน coding ด้วย AI แล้ว

MCP ที่เพิ่มความสามารถให้ AI โดนลดทอนความบวม กลายเป็น

การ shift ของเครื่องไม้เครื่องมือรอบที่ AI agent เข้ามา สำหรับผม คือ รู้สึกเลยว่ามันต้องหัดใช้เพิ่ม สิ่งที่ผมเลือกมาทดลอง คือ OpenCode เหตุผลหลัก ๆ คือมันฟรี และมันต่อกับ model เจ้าไหนก็ได้ ที่สำคัญที่สุดคือมันเป็น CLI แปลว่ามัน portable จัด ๆ รันที่ไหนก็ได้!

รอบนี้คือรอบที่ลองผิดลองถูกอยู่นานที่สุด หลาย ๆ เจ้าโม้ไว้เยอะว่า "ปล่อยมันทำงานแทนทั้งคืนได้เลย" ซึ่งผมไม่ค่อยจะเชื่อเท่าไหร่และจากการใช้งานจริง ผมบอกตรง ๆ เลยว่ามันทำไม่ได้!

ลักษณะการทำงานกับ Agent ผมรู้สึว่าการปล่อย session ไหลยาว ๆ มันไม่เวิร์ค ผ่านไปนาน ๆ ถ้าไม่ได้เป็นงานที่ตรงไปตรงมาและมี feedback loop ให้มันจริง ๆ มีสิทธิ์เสียเวลาเปล่าสูง

งานที่ให้ Agent ทำแล้วเห็นผล ปล่อยจอยแบบไม่ต้องคอยดูมันทุก 15 นาทีได้คืองานที่เรา define ผลลัพธ์ที่ถูกต้องให้มัน cross check ได้ เช่น

งานที่มีเป้าชัดเจนพวกนี้ผมสามารถทิ้งให้มันทำยาว ๆ ได้เลย กลับมาดูตอนจบอย่างเดียว ซึ่งส่วนมาก model เทพ ๆ อย่าง Opus, Codex หรือ Kimi ทำได้สบาย ๆ โค้ดอ่านง่ายกว่าผมอีกบางที ยิ่งถ้ามี convention ใน codebase อยู่แล้ว งานออกมาค่อนข้างเนี้ยบ

แต่งานที่ปล่อยให้มันทำเองไม่ได้เลยคืองานประเภท exploration หรืองานที่เรายังไม่รู้ว่า spec จริง ๆ มันจะเป็นยังไง ไม่มี feedback loop ให้มันว่าแบบไหนคือดี ไม่ดี เช่น

สิ่งที่ควรทำคือ clarify เพิ่มความละเอียดของตัวงานก่อน ซึ่งเดี๋ยวนี้ agent ก็มี plan mode มาช่วยในส่วนนี้ ถ้าใครยังไม่ได้ลองแยกการ plan และการ build แยกจากกัน ผมแนะนำมาก ๆ จริง ๆ การทำงานของผมเมื่อก่อนก็เป็นแบบนี้ คือ ได้งานมาไม่ได้เริ่มเขียนโค้ดเลย แต่ต้องทำความเข้าใจและ clarify ส่วนต่าง  ๆ ให้เห็นภาพสิ่งที่จะทำชัดก่อน ซึ่งการมี plan mode ช่วยให้ process นี้ทำได้ไวกว่าเดิมมาก

หลาย ๆ คนอาจเรียกชื่อเท่ ๆ ว่า spec driven แต่ผมว่ามันเป็นอะไรที่ก็ทำกันมาอยู่แล้วไม่ได้มีอะไรใหม่

ยุคนี้หลังลองผิดลองถูกอยู่หลายแบบ ผมว่ามันเป็นยุคที่ทำให้ผมเปลี่ยน workflow การทำงานแบบยกเครื่องใหม่หมด งานถึกที่ต้องแก้เอง ถูกแทนที่ด้วย agent ทั้งหมด รวมถึงการ review โค้ดเบื้องต้นด้วย

ผมมี agent รันอยู่หลายที่

เวลาในการทำงานที่ต้องการ attention ของผมจริง ๆ เพิ่มขึ้นมาก งาน exploration งาน system design ที่ถนัดก็มีเวลาอยู่กับมันมากขึ้น มี agent คอย bounce idea และ PoC ทำให้ solution ตอนท้ายออกมาเนี้ยบและรัดกุมกว่าเดิมโดยใข้เวลาน้อยลงมาก

สิ่งที่ยิ่งทำให้การทำงานสะดวกขึ้นอีกคือ observability เช่น ข้อมูลจาก profiler ข้อมูล metric ต่าง ๆ จาก Prometheus พวกนี้ทำให้งานประเภท optimization ง่ายกว่าเดิมมากเพราะผมโยน insight ให้มันหา hotspot ให้แล้ว rank มาให้เลย อันไหนง่าย agent ก็จัดการให้เองได้เลย

แต่การทำงานของผมช่วงที่เป็น deep focus ก็ยังเป็น 60-70% ของงานทั้งหมดอยู่ ส่วนที่ agent มาช่วยมีไม่น้อยแต่ก็ยังเป็นส่วนน้อยของงานที่ผมทำ

สิ่งที่ผมยังไม่สามารถทำได้คือ ปล่อยให้ AI มันทำงานทั้งวันทั้งคืนแบบที่เขาโม้ ๆ กัน เพราะ งานที่ scope ใหญ่ขนาดนั้นปล่อยเกิน 5 นาทีก็เละแล้ว

แต่ผมก็ปฏิเสธไม่ได้เลยว่าการทำงานเดี๋ยวนี้ของผมต่างจากก่อนหน้าที่จะมี AI มาก นึกภาพกลับไปตอนไม่มีไม่ออกแล้ว แต่หลังจากนี้ก็คงมีอะไรใหม่ ๆ ออกมาเรื่อย ๆ ท่าที่ผมทำอยู่ตอนนี้มันอาจดูโง่มาก ๆ ในอนาคตก็ได้

ไว้ถึงตอนนั้นแล้วจะกลับมาอัพเดตให้ฟังเพิ่มเติ่มครับ