ฝึกสอน AI Agent แบบวิศวกร

หยุดเขียนโค้ดเอง! วิธีเทรนและบริหาร AI Agent ทำงานแบบวิศวกรระดับโลก โดย Lauren Tan (Cursor / Grokbot) คุณกำลังติดลูปกับการคอยนั่งเฝ้า AI Gen โค้ด ตรวจสอบผลลัพธ์ทีละบรรทัด หรือคอยแก้ Prompt ซ้ำแล้วซ้ำเล่าอยู่หรือเปล่า? ในเซสชันนี้ Lauren Tan วิศวกรซอฟต์แวร์จาก Cursor (อดีตทีม React Compiler ที่ Meta และ Tech Lead / Engineering Manager ที่ Netflix) จะมาแชร์ประสบการณ์จริงจากการไต่ระดับความไว้วางใจในการใช้ AI Agent (Ascending the Trust Curve) จากการคุม Agent ทีละตัวแบบ Micromanage ไปสู่การปล่อยให้ Cloud Agents พัฒนาและ Automerge Pull Requests (PRs) ได้เองนับพันรายการต่อเดือน 🔥 หัวข้อสำคัญในวิดีโอนี้ (Key Highlights): Mindset Shift จาก Developer สู่ Head Chef: ทำไมการคุม AI Agent ถึงเหมือนการบริหารทีมวิศวกร และทำไมต้องเปลี่ยนบทบาทจากการลงมือเขียนโค้ดไปเป็นการจัดเตรียมสภาพแวดล้อมและเครื่องมือให้ Agent Ascending the Trust Curve: ขั้นตอนการสร้างความไว้วางใจเพื่อเปลี่ยนจากการคุม Agent แบบ In-the-loop ไปสู่ระบบอัตโนมัติบน Cloud Verification Skills & Feature Maps: วิธีสร้างลูปตรวจสอบอัตโนมัติให้ Agent รันโค้ดจริง ตรวจสอบ Stack Trace หรือสั่งงาน Chrome DevTools ได้เอง พร้อมการสร้าง Feature Map เพื่อให้ Agent เข้าใจโครงสร้าง UI และตำแหน่งฟีเจอร์อย่างแม่นยำ Pstack & Evals: การสร้างระบบประเมินผล (Evals) เป็น Unit Test เพื่อวัดผลและพัฒนาทักษะของ Agent ให้ทำงานแม่นยำโดยไม่เดาผลลัพธ์ (Hallucination) Hard Constraints Over Code Review: เลิกเสียเวลานั่งคอมเมนต์เตือน Agent ใน Code Review แล้วเปลี่ยนข้อห้ามต่าง ๆ ให้กลายเป็น Hard Rules บน CI/Linter (เช่น การห้ามใช้ useEffect หรือห้ามเขียน Code Comment ไร้สาระ) เพื่อบล็อกโค้ดที่ไม่ผ่านเกณฑ์โดยอัตโนมัติ ROI ของ Token vs เงินเดือนวิศวกร: วิเคราะห์ความคุ้มค่าของการลงทุนใช้ Token ในการจัดโครงสร้างระบบให้แข็งแกร่ง เพื่อให้ทั้งวิศวกร, PM และ Designer สามารถใช้ Agent ร่วมส่งมอบฟีเจอร์ได้อย่างปลอดภัย