AI Coding Agent for SDLC

Section 1: AI Coding Agent ทำงานอย่างไร

• ความต่างระหว่างการถาม AI ทีละคำถามกับการมอบงานให้ Agent ทำเป็นรอบ

• Agentic Loop: การวิเคราะห์ ลงมือ ตรวจผล และแก้ไขจนงานสำเร็จ

• Context Window และผลของบริบทที่ยาวเกินไปต่อคุณภาพของผลลัพธ์

• Agent Harness และ Permission Model ที่กำหนดว่า Agent แตะอะไรได้บ้าง

• การประเมินและควบคุมค่าใช้จ่ายด้าน Token ไม่ให้บานปลาย

Section 2: เลือกและตั้งค่าเครื่องมือให้เหมาะกับทีม

• ประเภทของ AI Coding Agent ที่ใช้กันจริงและความต่างที่ส่งผลต่องาน

• เกณฑ์การเลือกเครื่องมือให้เหมาะกับ Technology Stack และงบประมาณ

• การตั้งค่าสิทธิ์ให้ Agent ทำงานได้คล่องแต่ยังปลอดภัยกับ Codebase

• ข้อควรระวังเรื่องข้อมูลลับขององค์กรเมื่อใช้เครื่องมือภายนอก

• Lab: ติดตั้งและตั้งค่า Agent ให้พร้อมทำงานกับโปรเจกต์ของตนเอง

Section 3: วางแผนงานร่วมกับ AI

• การใช้ AI ช่วย Research ทางเลือกและเปรียบเทียบข้อดีข้อเสียก่อนตัดสินใจ

• การให้ AI ตั้งคำถามกลับเพื่อปิดช่องว่างของ Requirement ก่อนเริ่มงาน

• การแตก Requirement เป็น Task และ Issue ที่มีขอบเขตชัดพอให้ Agent ทำต่อได้

• การจัดลำดับงานและการประเมินว่างานไหนควรให้ Agent ทำและงานไหนคนต้องทำเอง

• Lab: แตกฟีเจอร์หนึ่งชุดเป็นรายการ Task ที่พร้อมมอบหมายให้ Agent

Section 4: เตรียม Context ด้วย AGENTS.md และ Convention

• บทบาทของไฟล์ Context ที่ Agent อ่านก่อนลงมือทุกครั้ง

• การเขียน AGENTS.md ระบุ Coding Convention, โครงสร้างโปรเจกต์ และคำสั่งที่ใช้ประจำ

• การจัดระเบียบ Context ให้พอดี ไม่ยาวจนกลบข้อมูลสำคัญ

• การใช้ Memory เก็บสิ่งที่ต้องจำข้ามรอบการทำงาน

• การทำให้ทั้งทีมใช้ Context ชุดเดียวกันผ่าน Git

• Lab: เขียนไฟล์ Context ของโปรเจกต์ตนเองแล้วทดสอบผลลัพธ์ก่อนและหลัง

Section 5: Design System และ API Design เป็น Context

• การให้ Agent ยึด Design System เดิมแทนการสร้างสไตล์ใหม่ขึ้นมาเอง

• การเขียน DESIGN.md อธิบายหน้าตา พฤติกรรม และ Component ที่มีอยู่

• การกำหนดสเปก API ให้ชัดก่อน เพื่อให้ฝั่งหน้าจอและฝั่งเซิร์ฟเวอร์ทำงานคู่ขนานได้

• การใช้สเปกเป็นสัญญาที่ Agent ต้องทำตามและใช้ตรวจผลลัพธ์ได้

• Lab: เขียน DESIGN.md และสเปก API ของฟีเจอร์ที่วางแผนไว้ในหัวข้อก่อนหน้า

Section 6: พัฒนา Frontend ร่วมกับ Agent

• การมอบหมายงานหน้าจอเป็นรอบเล็กแทนการสั่งสร้างทั้งหน้าในครั้งเดียว

• การให้ Agent ยึด Component และ Design System ที่มีอยู่แล้ว

• การตรวจผลลัพธ์ทีละรอบและการสั่งแก้ให้ตรงจุดโดยไม่รื้อทั้งไฟล์

• การจัดการ State และการเชื่อมกับ API ตามสเปกที่กำหนดไว้

• Lab: พัฒนาหน้าจอของฟีเจอร์จริงร่วมกับ Agent จนใช้งานได้

Section 7: พัฒนา Backend ร่วมกับ Agent

• การให้ Agent สร้าง Endpoint ตามสเปก API ที่เขียนไว้

• การออกแบบชั้นข้อมูลและการจัดการ Schema ให้ตรวจสอบย้อนกลับได้

• การจัดการ Validation, สิทธิ์การเข้าถึง และการจัดการข้อผิดพลาด

• การตรวจสิ่งที่ Agent เขียนก่อนรวมเข้ากับโค้ดหลัก

• Lab: พัฒนา API ฝั่งเซิร์ฟเวอร์แล้วต่อเข้ากับหน้าจอที่ทำไว้

Section 8: รับมือ Error, Log และ Context ที่เปลี่ยน

• การส่งข้อมูลบริบทและ Log ให้ Agent มากพอที่จะหาสาเหตุได้จริง

• การจัดการเมื่อ Agent วนแก้ไม่จบและวิธีตัดวงจรนั้น

• การรีเซ็ตหรือย่อ Context เมื่อบริบทยาวจนคุณภาพเริ่มตก

• การใช้ Git เป็นตาข่ายนิรภัยเพื่อย้อนกลับได้ทุกเมื่อ

• Lab: ไล่แก้ปัญหาที่เกิดขึ้นจริงในโปรเจกต์ร่วมกับ Agent

Section 9: ต่อเครื่องมือภายนอกด้วย MCP

• แนวคิด Model Context Protocol และสิ่งที่ Agent ทำได้เพิ่มเมื่อเชื่อมเครื่องมือภายนอก

• การตั้งค่า MCP Server และการเชื่อมกับฐานข้อมูลหรือ API ขององค์กร

• การจำกัดสิทธิ์ของแต่ละการเชื่อมต่อตามหลักให้สิทธิ์เท่าที่จำเป็น

• การตรวจสอบว่า Agent เรียกเครื่องมือถูกตัวและได้ผลลัพธ์ที่ใช้ได้

• Lab: เชื่อม Agent เข้ากับฐานข้อมูลของโปรเจกต์ผ่าน MCP

Section 10: Skills, Subagents, Hooks และ Plugins

• การสร้าง Skills เพื่อเปลี่ยนงานที่ต้องอธิบายซ้ำให้เรียกใช้ได้ทันที

• การใช้ Subagents แบ่งงานใหญ่ให้ทำพร้อมกันแล้วรวมผลลัพธ์

• การใช้ Hooks แทรกการตรวจสอบอัตโนมัติในจังหวะที่ต้องการ

• การใช้ Plugins และการแจกจ่าย Configuration ให้ทั้งทีมใช้ชุดเดียวกัน

• Lab: สร้าง Skill และตั้ง Hook สำหรับมาตรฐานการทำงานของทีมตนเอง

Section 11: ให้ Agent เขียน Test และวาง Quality Gate

• การเลือกว่าจะให้ Agent เขียน Test ระดับไหนและครอบคลุมแค่ไหน

• การตรวจว่า Test ที่ Agent เขียนทดสอบพฤติกรรมจริง ไม่ใช่แค่ผ่านไปเฉย ๆ

• การกำหนด Quality Gate ที่ต้องผ่านก่อน Merge เข้าสาขาหลัก

• การวางเงื่อนไขให้ Pipeline หยุดเองเมื่อคุณภาพไม่ถึงเกณฑ์

• Lab: ให้ Agent เขียน Test ของฟีเจอร์ที่พัฒนาไว้แล้วตั้ง Quality Gate

Section 12: Code Review และ Security Check ด้วย AI

• การใช้ AI ทบทวนโค้ดและชี้จุดเสี่ยงด้านคุณภาพและประสิทธิภาพ

• การตรวจความปลอดภัยเบื้องต้น เช่น การรับข้อมูลจากผู้ใช้และการจัดการข้อมูลลับ

• ข้อจำกัดของการรีวิวด้วย AI และจุดที่คนต้องตัดสินใจเอง

• การเขียนความเห็นรีวิวที่เจ้าของโค้ดนำไปแก้ต่อได้จริง

• Lab: รีวิว Pull Request ของเพื่อนร่วมคลาสด้วย AI แล้วสรุปสิ่งที่พบ

Section 13: E2E และ QA ด้วย Playwright

• การเลือกเส้นทางผู้ใช้ที่คุ้มค่าที่จะทำ E2E

• การให้ Agent สร้างสคริปต์ Playwright จาก Test Scenario

• การเลือก Selector และการจัดการการรอคอยให้ผลการทดสอบนิ่ง

• การทำ Visual Regression และการสร้าง Testing Report ให้ทีมอ่านเข้าใจ

• Lab: สร้างชุด E2E ของเส้นทางหลักแล้วรันจนผ่านครบ

Section 14: Deployment, Operations และเอกสารอัตโนมัติ

• การให้ Agent ช่วยเตรียมและตรวจสอบขั้นตอนก่อน Deploy

• การจัดการตัวแปรสภาพแวดล้อมและข้อมูลลับอย่างปลอดภัย

• การใช้ Agent กับงาน Routine และงานตามตารางเวลาหลังระบบขึ้นจริง

• การสร้างและอัปเดตเอกสารโปรเจกต์อัตโนมัติให้ตามโค้ดทัน

• Lab: Deploy ฟีเจอร์ที่ทำมาทั้งสามวันขึ้นใช้งานจริงพร้อมเอกสารประกอบ

Section 15: Capstone และการนำไปใช้กับทีม

• โจทย์: เดินครบทุกเฟสของ SDLC กับฟีเจอร์หนึ่งชุดตั้งแต่วางแผนจนถึงส่งมอบ

• การนำเสนอ Workflow และเหตุผลของการเลือกให้ Agent ทำหรือไม่ทำในแต่ละเฟส

• การประเมินว่าเครื่องมือใดเหมาะกับ Workflow ของทีมตนเอง

• แนวทางเริ่มใช้กับทีมจริงและการวัดผลว่าคุ้มค่าหรือไม่

• Workshop: นำเสนอผลงานและทบทวน Workflow ร่วมกันกับวิทยากร