- หน้าแรก
- บทความของเรา
- รัน coding agent หลายตัวพร้อมกัน: คอขวดย้ายจากการเขียนโค้ดไปที่การรีวิวและด่านตรวจ
รัน coding agent หลายตัวพร้อมกัน: คอขวดย้ายจากการเขียนโค้ดไปที่การรีวิวและด่านตรวจ

เมื่อ coding agent ทำงานพร้อมกันหลายตัว สิ่งที่จำกัดการส่งมอบคือการรีวิว การ merge และการตรวจสอบ ผู้รับผิดชอบการส่งมอบต้องกำหนด isolation ลำดับ merge ด่านตรวจ กฎหยุด และ rollback ก่อนเพิ่ม agent
เช้าวันจันทร์ รีวิวเวอร์เปิดหน้ารายการ pull request แล้วพบว่าคิวยาวกว่าสัปดาห์ก่อน ทั้งที่จำนวนคนในทีมเท่าเดิม สิ่งเดียวที่เปลี่ยนคือมี coding agent เพิ่มขึ้นอีกสองตัว ทุกตัวส่งงานได้เร็วกว่าที่คนอ่านทัน บทความนี้เป็นเรื่องของผู้รับผิดชอบการส่งมอบ (delivery owner) ที่ต้องตัดสินใจว่าจะให้ agent ทำงานพร้อมกันได้กี่ตัว ภายใต้เงื่อนไขอะไร และใครเป็นคนสั่งหยุด
เราไม่ได้เขียนเรื่องวิธีเขียน prompt หรือเลือกโมเดล เรื่องที่เราเขียนคือการจัดการงานที่ agent หลายตัวสร้างขึ้นระหว่างพัฒนาระบบ ซึ่งต่างจากสองเรื่องที่เราเขียนไว้ก่อนหน้า เรื่องแรกอยู่ที่เกณฑ์ความพร้อมก่อนให้ agent เข้าถึงระบบ ซึ่งว่าด้วยเจ็ดด่านก่อน agent แตะ production เรื่องที่สองคือรายการตรวจรับโค้ดที่ผู้รับจ้างใช้ AI เขียน ซึ่งว่าด้วยสิ่งที่ควรเขียนใน TOR และหลักฐานที่ควรขอตอนส่งมอบ บทความนี้เริ่มหลังสองเรื่องนั้น คือช่วงที่ทีมพัฒนาลงมือทำงานแล้วและมี agent มากกว่าหนึ่งตัว
Gartner พูดอะไรเกี่ยวกับ harness และตัวเลขนี้ไม่ได้พิสูจน์อะไร
Gartner จัดแนวโน้มเทคโนโลยีปี 2027 ไว้สิบข้อในสามช่วง และ AI coding agent harness เป็นหนึ่งในนั้น ตามที่ Ann Bednarz สรุปไว้ในบทความของ Network World เมื่อ 20 ตุลาคม 2026 Gartner นิยามว่าเป็นระบบแบบวงปิดที่กำกับพฤติกรรมของนักพัฒนาอัตโนมัติตลอดวงจรพัฒนาซอฟต์แวร์ โดยเชื่อม coding platform เข้ากับบริบทขององค์กร การเลือกโมเดล ด่านตรวจ (verification gate) และวงจรป้อนกลับ
บทความเดียวกันรายงานว่า Gartner เตือนว่าถ้าไม่มี harness โดยเฉพาะ นักพัฒนาต้องใช้เวลาตรวจผลลัพธ์ของเครื่องด้วยมือ ส่วนคำพยากรณ์ที่มีตัวเลขคือ ภายในปลายปี 2026 coding agent แบบอัตโนมัติจะสร้าง 20% ของ commit สาธารณะ (public commit) ทั้งหมด ตัวเลขนี้เป็นการคาดการณ์ของ Gartner ตามที่ Network World รายงาน ไม่ใช่ค่าที่วัดได้ และประชากรของมันคือ commit บน repository สาธารณะ ไม่ใช่โค้ดส่วนตัวในองค์กร
เราไม่ได้เปิดเอกสารต้นฉบับของ Gartner เพราะหน้าเว็บของ Gartner ตอบกลับมาว่าเข้าไม่ได้ ตัวเลขและคำนิยามในบทความนี้จึงเป็นของ Gartner ตามที่รายงานใน Network World เท่านั้น สิ่งที่แหล่งข่าวนี้ไม่ได้บอกคือ องค์กรของคุณมีสัดส่วนโค้ดจาก agent เท่าไร, ทีมที่ใช้ harness ส่งมอบเร็วขึ้นหรือคุณภาพดีขึ้นเท่าไร และ harness ยี่ห้อใดทำงานได้จริง เราจึงใช้แหล่งนี้เป็นสัญญาณทิศทาง แล้วอธิบายส่วนที่เหลือจากมุมของการทำงาน
เมื่อ agent เพิ่มขึ้น คิวไปอยู่ที่การรีวิว
ตัวอย่างต่อไปนี้เป็นการสมมุติโดยใช้ตัวเลขกลม ๆ ไม่ใช่ข้อมูลจริงของทีมใด สมมุติว่า agent ทั้งหมดเปิด change ได้วันละ 10 รายการ และทีมรีวิวได้อย่างรอบคอบวันละ 4 รายการ ทุกวันทำการจะมี change ค้างเพิ่ม 6 รายการ หลังหนึ่งสัปดาห์ทำงานจะมีราว 30 รายการรอตรวจ และ change ที่เปิดไว้ตอนต้นสัปดาห์จะรอนานกว่าหนึ่งสัปดาห์ ประเด็นอยู่ที่อายุของคิว ไม่ได้อยู่ที่ตัวเลขเหล่านี้
คิวที่ยาวทำให้เกิดผลสองอย่าง change เก่าชนกับ change ใหม่ที่ merge ไปแล้ว ต้องแก้ conflict และให้ agent ทำใหม่ ซึ่งสร้างงานรอรีวิวเพิ่มอีก ส่วนอีกด้านอันตรายกว่า คือรีวิวเวอร์เริ่มกดอนุมัติเร็วขึ้นเพื่อให้คิวสั้นลง การรีวิวจึงกลายเป็นพิธีกรรม และ agent ที่เขียนโค้ดได้เร็วก็ส่งข้อผิดพลาดไปถึง production ได้เร็วเท่ากัน
การรีวิวที่เร็วเกินไปเป็นความเสี่ยงที่ไม่มีใครเห็น
การเขียนโค้ดเร็วขึ้นสิบเท่าไม่ได้ทำให้การส่งมอบเร็วขึ้นสิบเท่า เพราะอัตราส่งมอบถูกกำหนดโดยขั้นที่ช้าที่สุด ซึ่งในทีมที่ใช้ agent หลายตัวมักเป็นการรีวิว การ merge และการตรวจสอบ เรามองว่าก่อนเพิ่ม agent ตัวถัดไป ผู้รับผิดชอบการส่งมอบควรตอบห้าเรื่องให้ได้ คือ isolation, ลำดับ merge, ด่านตรวจ, กฎหยุดงาน และ rollback
Isolation: หนึ่งงานต่อหนึ่ง branch และหนึ่งสภาพแวดล้อม
กติกาพื้นฐานคือให้ agent หนึ่งตัวทำหนึ่งงานบน branch ของตัวเอง และมีสภาพแวดล้อมแยกสำหรับรันทดสอบ ปัญหาที่พบบ่อยไม่ได้อยู่ที่ไฟล์โค้ด เพราะ Git จัดการการชนของไฟล์ให้เห็นได้ ปัญหาอยู่ที่ shared mutable state ซึ่งไม่ปรากฏใน diff
ฐานข้อมูลร่วม: agent สองตัวที่รัน migration หรือ seed data บน database เดียวกันจะเขียนทับกัน และผลทดสอบของตัวหนึ่งเชื่อถือไม่ได้
ไฟล์ config และ environment variable ที่แก้ได้: ค่าที่ agent ตัวหนึ่งเปลี่ยนเพื่อให้งานของตัวเองผ่าน อาจทำให้งานของอีกตัวล้มโดยไม่มีใครรู้สาเหตุ
secret และ token: ถ้า agent ทุกตัวใช้ credential ชุดเดียวกัน เมื่อเกิดเหตุจะไม่มี audit trail ที่บอกได้ว่าตัวไหนทำ ควรออก credential แยกต่อ agent หรือต่องาน และจำกัดสิทธิ์ให้เท่าที่งานนั้นต้องใช้
ไฟล์ที่ทุกงานต้องแตะ: lock file, schema กลาง และ route table เป็นจุดที่ conflict เกิดซ้ำ ควรกำหนดให้เป็นงานที่ทำทีละงาน ไม่ปล่อยให้ agent หลายตัวแก้พร้อมกัน
เรื่องสิทธิ์และตัวตนของ agent ที่เข้าถึงระบบจริง เราอธิบายไว้แล้วในบทความเกี่ยวกับความพร้อมก่อนเข้าถึงระบบ ในที่นี้ขอเน้นเพียงว่า สภาพแวดล้อมที่แยกกันไม่ได้มีไว้กันความผิดพลาดอย่างเดียว แต่ทำให้รู้ด้วยว่าผลทดสอบที่ผ่านนั้นผ่านเพราะโค้ดถูก ไม่ได้ผ่านเพราะบังเอิญใช้ข้อมูลที่ agent ตัวอื่นเตรียมไว้
ลำดับการ merge และด่านตรวจก่อนมนุษย์เสียเวลา
การ merge ต้องมีเจ้าของ เราเสนอให้เขียนกติกาไว้เป็นลายลักษณ์อักษร agent เปิด change ได้แต่ merge เองไม่ได้ คนที่ merge ต้องเป็นคนที่เห็นผลของด่านตรวจและหลักฐานแนบ ไม่ใช่คนที่เห็นแค่ปุ่มสีเขียว และลำดับ merge ถูกกำหนดจากความเสี่ยงและความเกี่ยวเนื่องของ change ไม่ได้เรียงตามใครเปิดก่อน change ที่แตะ schema หรือสิทธิ์ควรเข้าก่อนและอยู่ตัวก่อน แล้ว change อื่นค่อย rebase ตามหลัง
ด่านตรวจมีไว้เพื่อให้มนุษย์ไม่ต้องเปิดอ่าน change ที่ยังไม่ควรถูกอ่าน เรามองว่าด่านขั้นต่ำก่อนถึงมือรีวิวเวอร์ควรมีสี่ชั้น
test อัตโนมัติผ่านทั้งชุด รวมถึง test ที่ agent เพิ่มเอง และต้องตรวจว่า test ใหม่ไม่ได้ถูกลบหรือผ่อนเงื่อนไขเพื่อให้ผ่าน
static check เช่น lint, type check และการสแกน dependency หรือ secret ที่หลุดเข้ามาใน diff
เพดานขนาดของ diff ถ้าเกินเพดานที่ทีมตั้งไว้ ให้ส่งกลับไปแตกเป็นงานย่อย เพราะ diff ขนาดใหญ่เป็นที่ที่การรีวิวเสื่อมเร็วที่สุด
บันทึกหลักฐานที่ต้องแนบ ได้แก่ change นี้แก้อะไร ทดสอบอะไรไปบ้าง และมีสิ่งใดที่ agent ไม่แน่ใจ change ที่ไม่มีบันทึกนี้ไม่เข้าคิวรีวิว
ลำดับนี้กรองงานที่ล้มก่อนถึงมนุษย์ ซึ่งตรงกับสิ่งที่ Gartner ระบุเรื่อง verification gate ใน harness และกับคำเตือนที่ว่าถ้าไม่มี นักพัฒนาต้องตรวจผลลัพธ์ของเครื่องด้วยมือ ด่านเหล่านี้ไม่ได้แทนการรีวิว เพราะ test ที่ผ่านไม่ได้บอกว่า change ตรงกับความต้องการ มันเพียงทำให้เวลาของรีวิวเวอร์ถูกใช้กับคำถามนั้น
กฎหยุดงาน คนถือสวิตช์ และการย้อนกลับ
ถ้าไม่มีกฎหยุด agent จะทำงานต่อไปเรื่อย ๆ แม้ด่านตรวจล้มซ้ำ เราเสนอเงื่อนไขหยุดอย่างน้อยสามชนิด ได้แก่ งบประมาณที่ใช้ไปต่องาน เวลาที่งานหนึ่งทำค้างอยู่ และจำนวนครั้งที่ด่านตรวจล้มติดกัน เมื่อถึงเพดานข้อใดข้อหนึ่ง agent หยุดและส่งงานให้คนตัดสินใจ ไม่ลองต่อเอง ตัวเลขเพดานให้ทีมตั้งจากงานที่ผ่านมาของตัวเอง เราไม่มีตัวเลขกลางที่ยืนยันได้
สิ่งที่ต้องระบุชื่อคือ ใครถือสวิตช์หยุดทั้งระบบ ควรเป็นคนเดียวหรือเวรเดียวที่ทุกคนรู้ และมีสิทธิ์หยุดได้โดยไม่ต้องขออนุมัติ เพราะวินาทีที่ต้องหยุดไม่ใช่เวลาที่ควรเปิดประชุม
เรื่อง rollback ให้ถือว่า change ที่ agent สร้างย้อนกลับได้ยากพอ ๆ กับของคนเขียน แต่มีจำนวนมากกว่า จึงควรให้หนึ่ง change ย้อนกลับได้เป็นหน่วยเดียว หลีกเลี่ยงการ merge รวมหลายงานเป็นก้อนเดียว และบันทึกว่า change ไหนมาจาก agent ตัวไหน เพื่อรู้ว่าต้องย้อนอะไรเมื่อพบปัญหาภายหลัง ส่วนแผนการปล่อยและการถอยกลับในระดับ production เราเขียนไว้ในบทความเรื่องการจัดการ production change และ release แนวคิดเดียวกันใช้ได้ โดยมีข้อเพิ่มว่าจังหวะ merge ของ agent ควรผ่านช่องทางปล่อยเดียวกับงานของคน ไม่ควรมีเส้นทางลัดสำหรับ agent
วัดอะไรจึงรู้ว่าคอขวดอยู่ที่การรีวิว
อย่าใช้ความรู้สึกว่ารีวิวหนักตัดสินเรื่องนี้ ตัวชี้วัดสองตัวพอเริ่มได้และดึงจากระบบจัดการ pull request ได้โดยไม่ต้องซื้อเครื่องมือใหม่
อายุของ change ที่ยังไม่ถูกรีวิวและเก่าที่สุด: ถ้าตัวเลขนี้ยาวขึ้นต่อเนื่องหลายสัปดาห์ในขณะที่จำนวนคนเท่าเดิม คิวกำลังสะสม
สัดส่วน change ที่ถูกส่งกลับ: ถ้าสูง แปลว่าด่านตรวจก่อนหน้าไม่กรองพอ ถ้าต่ำผิดปกติควบคู่กับคิวที่ยาว ให้สงสัยว่ารีวิวเวอร์อนุมัติเร็วเกินไป
สองค่านี้อ่านคู่กันจึงมีความหมาย คิวยาวกับสัดส่วนส่งกลับสูงชี้ไปที่คุณภาพงานจาก agent คิวยาวกับสัดส่วนส่งกลับต่ำมากชี้ไปที่ความสามารถในการรีวิว ตัวเลขทั้งสองไม่ใช่ผลการวัดของเราหรือของ Gartner แต่เป็นข้อมูลที่ทีมของคุณเก็บได้เองจากงานปัจจุบัน
ข้อจำกัดที่ต้องบอกตรง ๆ
ถ้าทีมของคุณมีนักพัฒนาไม่กี่คนและใช้ agent เพียงตัวเดียวพร้อมการรีวิวตามปกติ harness เต็มรูปแบบเป็นภาระมากกว่าประโยชน์ คิวที่เกิดจาก agent ตัวเดียวคนในทีมยังอ่านทัน การเพิ่มระบบกำกับหลายชั้นทำให้ต้องดูแลระบบนั้นเองเป็นงานเพิ่ม เหตุผลของ harness จะหนักขึ้นเมื่อจำนวน agent เพิ่มและเมื่อความเสียหายจากการ merge ผิดพลาดสูงขึ้น เช่นระบบที่เกี่ยวกับเงิน ข้อมูลส่วนบุคคล หรือระบบที่หยุดไม่ได้ ในกรณีแรก เรามองว่าด่านตรวจพื้นฐานใน pipeline ที่มีอยู่และกติกาว่าใครกด merge ก็เพียงพอแล้ว
ข้อโต้แย้งที่ได้ยินบ่อย
ข้อโต้แย้งที่เราได้ยินคือ ถ้า agent เขียน test เอง ก็ให้ agent อีกตัวรีวิวแทนคนได้ เราเห็นว่าวิธีนี้ช่วยกรองรอบแรกได้จริง และควรใช้ แต่ agent ที่รีวิวใช้ข้อมูลและสมมติฐานชุดเดียวกับตัวที่เขียน จึงอาจพลาดจุดเดียวกัน เราจึงมองว่ามันเป็นด่านเพิ่มก่อนมนุษย์ ไม่ใช่ตัวแทนของมนุษย์ในงานที่มีผลต่อข้อมูลหรือสิทธิ์ ส่วนใครจะยอมรับความเสี่ยงในงานแบบไหนเป็นการตัดสินใจขององค์กรคุณเอง
จะเริ่มตรงไหน
เริ่มจากสิ่งที่ไม่ต้องซื้ออะไร ดึงอายุของ change ที่เก่าที่สุดและสัดส่วนที่ถูกส่งกลับจากช่วงสี่สัปดาห์ที่ผ่านมา แล้วเขียนหนึ่งหน้าว่าใครมีสิทธิ์ merge, ใครถือสวิตช์หยุด และเพดานของงบ เวลา และจำนวนครั้งที่ด่านล้ม จากนั้นแยกสภาพแวดล้อมและ credential ของ agent แต่ละตัวก่อนเพิ่มตัวถัดไป ถ้ากำลังร่าง TOR สำหรับผู้รับจ้างที่ใช้ AI ช่วยเขียนโค้ด ให้ดูรายการตรวจรับที่เราลิงก์ไว้ข้างต้น เพราะเรื่องหลักฐานตอนส่งมอบอยู่ที่นั่น
สรุป
ก่อนเพิ่ม agent ตัวถัดไป ให้ถามว่าคิวรีวิวของวันนี้มีอายุเท่าไร เพราะ agent ที่เพิ่มเข้ามาไม่ได้เพิ่มความสามารถในการส่งมอบ มันเพิ่มปริมาณงานที่รอให้คนตัดสินใจ ถ้าอายุของคิวยาวขึ้นอยู่แล้ว สิ่งที่ต้องเพิ่มคือด่านตรวจ กฎ merge และกฎหยุด ไม่ใช่ agent
หากต้องการคุยรายละเอียดของโครงการ ติดต่อเราได้ที่ 088-983-9386 หรืออีเมล [email protected] สำนักงานของเราอยู่ที่บางกะปิ กรุงเทพฯ สำหรับองค์กรที่ยังอยู่ระหว่างร่างขอบเขตงาน เรายินดีนัดคุยเพื่อทำความเข้าใจโจทย์ก่อน โดยยังไม่ต้องมีเอกสารครบ และหากคุยแล้วพบว่าโจทย์ยังไม่ถึงเวลาต้องพัฒนาระบบใหม่ เราจะบอกตรง ๆ เพราะการเริ่มโครงการผิดจังหวะ มีต้นทุนสูงกว่าการรออีกหนึ่งไตรมาส
FAQ: คำถามที่พบบ่อยเกี่ยวกับบทความนี้
รวมคำถามและคำตอบที่ช่วยให้คุณเข้าใจเนื้อหาในบทความนี้ได้ดียิ่งขึ้น
ค้นหา:

