AI 2 พฤษภาคม 2569 • อ่าน 4 นาที

เลิกให้ AI Agent เขียนโค้ดแบบเดา ๆ

🔥 เลิกให้ AI Agent เขียนโค้ดแบบเดา ๆ เพราะรอบนี้มี Skill Repo ที่สอนให้ Agent ทำงานแบบ Engineer จริง ๆ

ช่วงนี้หลายคนเริ่มใช้ AI Agent เขียนโค้ดกันหนักมากครับ

ไม่ว่าจะเป็น

🤖 Claude Code ⚡ Codex 🧠 Cursor 🛠 OpenCode 🦀 OpenClaw หรือ Agent สาย coding ตัวอื่น ๆ

แต่ปัญหาที่เจอบ่อยคือ…

AI เขียนเร็วจริง แต่บางทีไม่เข้าใจโจทย์

แก้เร็วจริง แต่บางทีแก้แล้วพังอีกจุด

ตอบยาวจริง แต่บางทีไม่ได้ช่วยให้โปรเจกต์ดีขึ้น

และที่หนักสุดคือ จากโปรเจกต์ที่ควรเป็นระบบ สุดท้ายกลายเป็นก้อนโค้ดที่แก้ยากขึ้นเรื่อย ๆ

รอบนี้ผมไปเจอ repo หนึ่งที่น่าสนใจมากครับ

ชื่อว่า

👉 mattpocock/skills หรือชื่อเต็ม ๆ ใน repo คือ Skills For Real Engineers

คำนี้น่าสนใจมากครับ

เพราะเจ้าของ repo บอกชัดเลยว่า นี่ไม่ใช่สกิลสำหรับ “vibe coding” แบบสั่งมั่ว ๆ แล้วหวังให้ AI เดาใจถูก

แต่มันคือชุด Skill / Workflow ที่เขาใช้จริงใน .claude เพื่อช่วยให้ AI Agent ทำงานแบบวิศวกรซอฟต์แวร์มากขึ้น

ไม่ใช่แค่สั่งว่า “สร้างฟีเจอร์นี้ให้หน่อย”

แล้วปล่อยให้ AI วิ่งเองทั้งหมด

แต่เป็นการบังคับให้ Agent ทำงานเป็นขั้นตอนมากขึ้น

✅ ถามก่อนทำ ✅ เข้าใจ context ก่อนเขียน ✅ ทดสอบก่อนมั่นใจ ✅ debug แบบมีระบบ ✅ มอง architecture ทั้งโปรเจกต์ ✅ ไม่ใช่แก้แค่ไฟล์ตรงหน้าแล้วทำให้ระบบเละกว่าเดิม

🧩 ปัญหาเดิมของการใช้ AI Agent คืออะไร?

หลายคนเวลาใช้ AI coding agent จะเจอ pattern คล้าย ๆ กันครับ

เราพิมพ์โจทย์ไป AI เริ่มเขียนโค้ดทันที ดูเหมือนฉลาดมาก ทำงานเร็วมาก

แต่พอเอาไปใช้จริง…

❌ อาจไม่ตรงที่ต้องการ ❌ อาจเข้าใจ domain ผิด ❌ อาจแก้ปัญหาเฉพาะหน้า ❌ อาจทำให้ architecture เริ่มเละ ❌ หรือหนักกว่านั้นคือ codebase เริ่มกลายเป็นสิ่งที่ไม่มีใครอยากแตะ

ปัญหาไม่ใช่ AI เขียนโค้ดไม่ได้

แต่ปัญหาคือ AI ยังไม่มี “workflow การทำงานแบบ engineer” ที่ดีพอ

นี่แหละครับที่ repo นี้น่าสนใจ

🧠 mattpocock/skills คืออะไร?

พูดง่าย ๆ คือ มันคือชุด Skill / Workflow สำหรับ AI Coding Agent

แต่ไม่ใช่สกิลแนว “ติดตั้งแล้ว AI จะเทพขึ้นทันที”

มันเป็นเหมือนการเอานิสัยการทำงานของ engineer ที่ดี ไปใส่ให้ Agent ทำตาม

เช่น

ก่อนทำงานต้องถามให้ชัด ก่อนเขียนต้องเข้าใจภาษาของโปรเจกต์ ก่อนบอกว่าเสร็จต้องมี feedback loop ก่อนแก้ architecture ต้องมองภาพรวม ก่อนแตกงานต้องแปลงเป็น PRD / issue ที่ทำต่อได้จริง

นี่คือจุดที่ผมชอบมากครับ

เพราะมันไม่ได้ขายฝันว่า ติดตั้งแล้ว AI จะเก่งแบบวิเศษทันที

แต่มันพยายามแก้ปัญหาที่เกิดขึ้นจริง เวลาเราใช้ AI Agent ทำงานกับ codebase

🔥 สกิลที่น่าสนใจใน repo นี้

ตัวแรกคือ

🧨 /grill-me

อันนี้คือให้ Agent “ซักเรา” ก่อนลงมือทำ

ไม่ใช่เราสั่งหนึ่งประโยค แล้ว AI รีบสร้างของออกมาเลย

แต่ให้มันถามกลับก่อน

ถาม requirement ถาม edge case ถาม decision ที่ยังไม่ชัด ถามข้อจำกัดของระบบ ถามสิ่งที่ต้องระวัง

จนโจทย์คมขึ้นก่อนเริ่มทำงานจริง

พูดง่าย ๆ คือ เปลี่ยน Agent จาก “คนรีบทำ” ให้กลายเป็น “คนที่ถามให้เข้าใจก่อนทำ”

อันนี้สำคัญมากครับ เพราะหลายครั้ง AI ไม่ได้ทำผิดเพราะมันโง่ แต่มันทำผิดเพราะเราให้โจทย์ไม่ชัดพอ

📚 /grill-with-docs

ตัวนี้เหมือน /grill-me แต่ต่อยอดไปอีกขั้น

มันไม่ได้แค่ถามเรา แต่มันช่วยสร้าง shared language ให้โปรเจกต์ด้วย

เช่น

📌 คำเฉพาะในระบบ 📌 ชื่อ domain 📌 decision สำคัญ 📌 เหตุผลว่าทำไมถึงเลือก architecture แบบนี้ 📌 context ที่ Agent ควรรู้ก่อนทำงานต่อ

สิ่งเหล่านี้สามารถถูกเก็บในไฟล์อย่าง CONTEXT.md หรือ ADR ได้

ผลคือครั้งต่อไปที่ Agent กลับมาทำงาน มันไม่ต้องเดาใหม่ทุกครั้งว่าโปรเจกต์นี้พูดภาษาอะไร

นี่สำคัญมากครับ

เพราะหลายครั้งที่ AI ตอบยาว ไม่ใช่เพราะมันฉลาด

แต่เพราะมันไม่เข้าใจศัพท์ของโปรเจกต์เรา

ถ้ามี shared language ที่ดี AI จะคุยกับ codebase ได้สั้นขึ้น แม่นขึ้น และหลงทางน้อยลง

🧪 /tdd

อันนี้สำหรับคนที่อยากให้ Agent ทำงานแบบ Test-Driven Development

ไม่ใช่เขียนโค้ดเสร็จแล้วค่อยหวังว่ามันจะใช้ได้

แต่ให้เดินแบบ

เขียน test ที่ fail ก่อน
ทำให้ test ผ่าน
แล้วค่อย refactor

หรือที่เราคุ้นกันว่า

🔴 Red 🟢 Green 🔁 Refactor

จุดนี้เหมาะมากกับการใช้ AI Agent ทำงานจริง

เพราะ AI ถ้าไม่มี feedback loop มันจะเหมือนเขียนโค้ดในความมืด

ดูเหมือนตอบได้ แต่ไม่ได้แปลว่ารันแล้วถูก

การมี test ทำให้ Agent มีรางให้วิ่ง และลดโอกาสมั่วได้เยอะ

🛠 /diagnose

ตัวนี้ใช้สำหรับ debug

สิ่งที่ดีคือ มันไม่ได้ให้ Agent เดาสุ่มว่า bug น่าจะอยู่ตรงไหน

แต่วาง loop การวิเคราะห์ไว้ชัดกว่าเดิม

🔍 reproduce ✂️ minimise 🧠 hypothesise 📊 instrument 🛠 fix 🧪 regression-test

พูดง่าย ๆ คือ ให้ Agent debug แบบมีวินัย

ไม่ใช่เห็น error แล้วรีบแก้ทันที

แต่ต้องทำให้ bug เกิดซ้ำได้ก่อน ลด scope ให้เล็กลง ตั้งสมมติฐาน เก็บข้อมูล ค่อยแก้ แล้วกันไม่ให้ bug เดิมกลับมา

อันนี้คือ mindset แบบ engineer มาก ๆ

📝 กลุ่มวางแผนงานก็น่าสนใจมาก

📄 /to-prd

เอาบทสนทนาหรือ context ที่คุยกันอยู่ แปลงเป็น PRD หรือเอกสาร requirement ที่ทำงานต่อได้

พูดง่าย ๆ คือ จากคุยกันยาว ๆ กลายเป็นเอกสารที่เอาไปใช้พัฒนาต่อได้จริง

🎯 /to-issues

เอาแผนหรือ PRD มาแตกเป็น issue ย่อย ๆ

ให้หยิบไปทำทีละชิ้นได้

อันนี้เหมาะกับคนที่ใช้ AI Agent ทำโปรเจกต์ยาว ๆ มากครับ

เพราะปัญหาใหญ่ของ AI ไม่ใช่แค่เขียนไม่ได้

แต่คือทำงานยาว ๆ แล้วหลุด context

ถ้าเราเปลี่ยนบทสนทนาให้กลายเป็น issue / PRD ได้ งานจะเริ่มเป็นระบบขึ้นเยอะ

🔭 /zoom-out

หลายครั้งเราให้ AI แก้ไฟล์เล็ก ๆ แต่มันไม่เข้าใจภาพรวมของระบบ

/zoom-out คือการบังคับให้ Agent ถอยออกมามองภาพใหญ่

เช่น

ไฟล์นี้อยู่ตรงไหนของระบบ โมดูลนี้เกี่ยวกับอะไร การแก้ตรงนี้จะกระทบอะไร architecture ภาพรวมควรคิดยังไง

นี่เป็นสิ่งที่ AI Agent ต้องการมากครับ

เพราะถ้าให้มันจ้องแค่ไฟล์เดียว มันอาจแก้ถูกเฉพาะหน้า แต่ทำให้ระบบระยะยาวแย่ลง

🏗 /improve-codebase-architecture

ตัวนี้ตรงมากสำหรับคนที่เริ่มรู้สึกว่า…

โปรเจกต์ที่ให้ AI ช่วยเขียนเริ่มใหญ่ขึ้น แต่ก็เริ่มรกขึ้นด้วย

มันช่วยให้ Agent มองหาโอกาสในการปรับ architecture โดยอิงจาก domain language และ ADR ที่มีอยู่

พูดง่าย ๆ คือ ไม่ได้แค่ถามว่า

“โค้ดนี้ผิดไหม”

แต่ถามว่า

“ระบบนี้กำลังออกแบบแย่ลงตรงไหนหรือเปล่า”

นี่คือจุดที่หลายคนใช้ AI แล้วมองข้าม

AI เขียนโค้ดเร็วขึ้น แต่ถ้าไม่มีการดูแล design ความเละก็เร็วขึ้นเหมือนกัน

⚙️ ติดตั้งยังไง?

ใน README ของ repo ให้ใช้คำสั่งนี้

npx skills@latest add mattpocock/skills

จากนั้นเลือก skill ที่ต้องการ และเลือก coding agent ที่จะติดตั้ง

หนึ่งในขั้นตอนสำคัญคือให้เลือก

/setup-matt-pocock-skills

แล้วรันใน agent เพื่อ setup ค่าเริ่มต้น เช่น

📌 issue tracker ที่ใช้ 📌 label สำหรับ triage 📌 ตำแหน่งเก็บ docs ของโปรเจกต์ 📌 workflow ที่เหมาะกับทีม/โปรเจกต์ของเรา

พูดง่าย ๆ คือ ไม่ได้ติดตั้งแล้วจบ

แต่ต้อง setup ให้เข้ากับ workflow ของโปรเจกต์เราด้วย

🚀 ทำไม repo นี้ถึงน่าสนใจ?

เพราะมันสะท้อนภาพใหม่ของการใช้ AI Agent ครับ

ยุคแรกเราใช้ AI เพื่อ “เขียนโค้ดเร็วขึ้น”

แต่ยุคต่อไป คนที่ได้เปรียบอาจไม่ใช่คนที่พิมพ์ prompt เก่งที่สุด

แต่อาจเป็นคนที่ออกแบบ workflow ให้ AI ทำงานได้เป็นระบบที่สุด

AI Agent ไม่ได้ต้องการแค่ prompt ดี ๆ แต่มันต้องการ process ที่ดีด้วย

✅ ถามให้ชัด ✅ เก็บ context ให้เป็นระบบ ✅ แปลงงานเป็น issue ✅ เขียน test ✅ debug เป็น loop ✅ zoom out กลับมาดู architecture ✅ และไม่ปล่อยให้ codebase เละเพราะ AI เขียนเร็วเกินไป

นี่คือสิ่งที่แยกระหว่าง

“ใช้ AI เขียนโค้ดเล่น ๆ”

กับ

“ใช้ AI เป็นผู้ช่วยวิศวกรรมจริง ๆ”

📌 สรุปสั้น ๆ

mattpocock/skills คือ repo รวม Agent Skills สำหรับงาน engineering จริง
จุดยืนคือไม่ใช่ vibe coding แต่เป็น workflow ที่ช่วยให้ Agent ทำงานเป็นระบบ
มีสกิลให้ Agent ถามก่อนทำ เช่น /grill-me และ /grill-with-docs
มีสกิลทำงานแบบ TDD ผ่าน /tdd
มีสกิล debug แบบมีวินัยผ่าน /diagnose
มีสกิลแตกงานเป็น PRD / issue ผ่าน /to-prd และ /to-issues
มีสกิลช่วยมองภาพรวม codebase ผ่าน /zoom-out
มีสกิลช่วยดู architecture ผ่าน /improve-codebase-architecture
เหมาะกับคนที่ใช้ Claude Code, Codex หรือ coding agent ทำโปรเจกต์จริงจัง
ประเด็นสำคัญไม่ใช่ติดตั้ง skill เยอะ แต่คือเลือก workflow ที่ทำให้ AI ทำงานเหมือน engineer มากขึ้น