SCT

กำลังเตรียมประสบการณ์ดิจิทัล

ระบบเอเจนต์ AI ที่โตแบบไม่มีแผนจะกลายเป็นก้อนโคลน: 5 รูปแบบที่ทำให้ระบบเปราะ และวิธีดูแลให้ยังแก้ไขได้ จากงานวิจัยของ Nielsen Norman Group

เมื่อ AI ทำให้การสร้างเครื่องมือแทบไม่มีต้นทุน คนจำนวนมากต่อเติมระบบเอเจนต์ของตัวเองทีละนิดจนวันหนึ่งไม่มีใครรู้ว่าแต่ละส่วนทำอะไร Nielsen Norman Group ศึกษาผู้ใช้ที่ไม่ใช่นักพัฒนาซึ่งสร้างเวิร์กโฟลว์ด้วย AI แล้วพบรูปแบบเดียวกับปัญหาเก่าแก่ของซอฟต์แวร์ที่เรียกว่า Big Ball of Mud หรือระบบก้อนโคลนที่ใช้งานได้วันนี้แต่แก้ไขยากขึ้นทุกวัน บทความนี้สรุปรูปแบบที่ต้องระวังและวิธีจัดระเบียบให้ยังควบคุมได้

เมื่อ AI ทำให้การสร้างเครื่องมือแทบไม่มีต้นทุน คนจำนวนมากต่อเติมระบบเอเจนต์ของตัวเองทีละนิดจนวันหนึ่งไม่มีใครรู้ว่าแต่ละส่วนทำอะไร Nielsen Norman Group ศึกษาผู้ใช้ที่ไม่ใช่นักพัฒนาซึ่งสร้างเวิร์กโฟลว์ด้วย AI แล้วพบรูปแบบเดียวกับปัญหาเก่าแก่ของซอฟต์แวร์ที่เรียกว่า Big Ball of Mud หรือระบบก้อนโคลนที่ใช้งานได้วันนี้แต่แก้ไขยากขึ้นทุกวัน บทความนี้สรุปรูปแบบที่ต้องระวังและวิธีจัดระเบียบให้ยังควบคุมได้

Big Ball of Mud คืออะไร

คำนี้มาจากบทความด้านสถาปัตยกรรมซอฟต์แวร์ปี 1997 ใช้เรียกระบบที่ประกอบขึ้นเพื่อให้ใช้ได้ทันที มากกว่าเพื่อให้อยู่ได้นาน ในอดีตเวลา งบ และความเชี่ยวชาญ บังคับให้ต้องคิดโครงสร้างก่อนสร้าง แต่เมื่อ AI ช่วยสร้างได้ในไม่กี่นาที ข้อจำกัดเหล่านั้นหายไป ผู้เข้าร่วมวิจัยคนหนึ่งบอกว่า AI ทำให้สร้างง่ายจนคนสร้างเกินจำเป็น เพราะรู้สึกว่ากำลังทำงานได้มาก

5 รูปแบบที่ทำให้ระบบเอเจนต์กลายเป็นก้อนโคลน

รูปแบบที่ NN/g พบในระบบเอเจนต์ที่โตเอง
รูปแบบเกิดอะไรขึ้น
โค้ดทดลองที่ไม่ได้ทิ้งไฟล์กติกาหรือสคริปต์ที่ทำไว้ลองเล่น กลายเป็นฐานของทั้งระบบโดยไม่เคยถูกออกแบบใหม่
โตทีละชิ้นเพิ่มความสามารถตามความต้องการที่โผล่มาเรื่อย ๆ และ AI ก็เสนอสิ่งที่ทำเพิ่มได้ตลอด ระบบจึงไม่เคยเสร็จ
ปะให้ใช้ได้ไปก่อนพังแล้วแก้เฉพาะหน้าแทนการสร้างใหม่ เพราะงานประจำพึ่งระบบนี้แล้ว
กวาดไว้ใต้พรมโยนไฟล์ที่ไม่ได้จัดลงโฟลเดอร์รวม แล้วหวังให้ AI หาเจอเอง ผู้เข้าร่วมคนหนึ่งเสียเวลา 45 นาทีกับไฟล์ที่ AI หยิบผิด
ต้องรื้อสร้างใหม่เมื่อระบบไม่ตรงงานแล้ว เจ้าของลืมว่าแต่ละชิ้นต่อกันอย่างไร หรือเจอวิธีที่ดีกว่า

แยกบริบทเป็น 3 ชั้น เพื่อให้รู้ว่าต้องแก้ตรงไหน

NN/g แนะนำให้แยกข้อมูลที่ป้อนให้เอเจนต์ออกเป็น 3 แบบ คือ บริบทรวม (global) ที่ใช้กับทุกงาน เช่น กติกาและน้ำเสียงของแบรนด์ บริบทเฉพาะงาน (local) ของแต่ละโปรเจกต์หรือเวิร์กโฟลว์ และบริบทแวดล้อม (ambient) ที่ไหลเข้ามาเรื่อย ๆ เช่น อีเมลหรือบันทึกประชุม ซึ่งเปิดให้ใช้แต่ไม่ต้องดูแลเป็นเอกสาร เมื่อสามแบบปนกันในไฟล์เดียว การแก้กติกาข้อเดียวอาจกระทบงานที่ไม่เกี่ยวข้อง และสุดท้ายมีแต่ AI ที่หาทางในระบบได้

คำถามข้อเดียวที่บอกว่าถึงเวลารื้อหรือยัง

ถามตัวเองว่า ถ้าอยากเปลี่ยนวิธีทำงานของระบบ รู้ไหมว่าต้องไปแก้ไฟล์ไหน ถ้ารู้ ระบบยังดูแลได้ด้วยการปรับเล็ก ๆ ถ้าไม่รู้ แปลว่าบริบทปนกันจนต้องวางโครงใหม่ การรื้อไม่ใช่ความล้มเหลว เพราะ AI ช่วยสร้างใหม่ได้เร็ว สิ่งที่ยากคือการเขียนให้ชัดว่าระบบใหม่ต้องทำอะไรก่อนเริ่มสร้าง

นิสัยดูแลระบบที่ควรทำเป็นประจำ

  • แยกไฟล์ตามชนิดบริบท และระบุชนิดทุกครั้งที่สั่งแก้
  • ทบทวนบริบทรวมเป็นระยะ ควรอ่านจบได้ในรอบเดียว ถ้ายาวกว่านั้นแปลว่าเริ่มรก
  • เติมบริบทเฉพาะงานใหม่ เมื่อผลลัพธ์เริ่มแย่ลง
  • จดว่าแต่ละส่วนทำอะไรและยังใช้อยู่ไหม และถ้าเริ่มใหม่จะทำต่างไปอย่างไร

องค์กรไทยหลายแห่งเริ่มจากให้พนักงานสร้างผู้ช่วย AI ของตัวเอง ซึ่งได้ผลเร็วแต่มักจบที่ระบบที่มีคนเดียวเข้าใจ ถ้าเวิร์กโฟลว์นั้นสำคัญกับธุรกิจ ควรวางโครงสร้างบริบท สิทธิ์การเข้าถึงข้อมูล และวิธีทดสอบผลให้เป็นระบบตั้งแต่ต้น ทีมงาน Smart Cyber Tech ให้คำปรึกษาวางระบบ AI ในองค์กรให้ดูแลต่อได้ อ่านเรื่องบทบาทของบริบทเพิ่มเติมได้ใน3 บทบาทของบริบทสำหรับเอเจนต์ AI ปรึกษาได้ที่ แบบฟอร์มติดต่อ

สรุปสาระสำคัญ

  • Big Ball of Mud คืออะไร
  • 5 รูปแบบที่ทำให้ระบบเอเจนต์กลายเป็นก้อนโคลน
  • แยกบริบทเป็น 3 ชั้น เพื่อให้รู้ว่าต้องแก้ตรงไหน
แหล่งอ้างอิงเรียบเรียงจาก Nielsen Norman Group — อ่านบทความต้นฉบับ
ภาพปก: Nielsen Norman Group · ลิขสิทธิ์ภาพเป็นของเจ้าของต้นฉบับ ใช้ประกอบการรายงานพร้อมอ้างอิงแหล่งที่มา
มีคำถามเพิ่มเติมเกี่ยวกับบทความนี้? เขียนหาเราได้ที่ info@smart-cyber-tech.com
บริการที่เกี่ยวข้องจากทีมงาน Smart Cyber Tech

บทความอื่นที่เกี่ยวข้อง

บทความที่เกี่ยวข้อง

3 บทบาทของบริบทที่ทำให้เอเจนต์ AI ทำงานได้ตรงใจ: บทเรียนจากผู้ใช้ระดับสูงที่ Nielsen Norman Group ศึกษา UX/UI

3 บทบาทของบริบทที่ทำให้เอเจนต์ AI ทำงานได้ตรงใจ: บทเรียนจากผู้ใช้ระดับสูงที่ Nielsen Norman Group ศึกษา

เหตุผลที่คนหนึ่งสั่งเอเจนต์ AI ด้วยประโยคสั้น ๆ แล้วได้งานตรงใจ ขณะที่อีกคนต้องเขียนคำสั่งยาวเป็นหน้าแล้วยังได้ผลไม่ดี มักไม่ได้อยู่ที่ฝีมือเขียนคำสั่ง แต่อยู่ที่ "บริบท" ที่เตรียมไว้ให้เอเจนต์อ่าน Nielsen Norman Group ศึกษาผู้ใช้ระดับสูงที่ใช้เอเจนต์ AI ทำงานจริงทุกวัน และพบว่าทุกคนสร้าง "คลังบริบท" ของตัวเองขึ้นมาโดยไม่ได้นัดกัน และจัดข้อมูลในคลังเป็นสามบทบาทเหมือนกัน คือบริบทถาวร บริบทเฉพาะงาน และบริบทแวดล้อม บทความนี้สรุปว่าแต่ละบทบาทคืออะไร เก็บอย่างไร และทีมออกแบบผลิตภัณฑ์ควรเอาไปใช้อย่างไร

อ่านบทความ
ให้เอเจนต์เขียนโค้ดมีความจำที่คุณเป็นเจ้าของ: เปลี่ยนบันทึกเซสชันเก่าให้เป็นความรู้ที่ค้นกลับได้ ข้อมูลและ AI

ให้เอเจนต์เขียนโค้ดมีความจำที่คุณเป็นเจ้าของ: เปลี่ยนบันทึกเซสชันเก่าให้เป็นความรู้ที่ค้นกลับได้

ทุกครั้งที่ปิดเซสชันของเอเจนต์ช่วยเขียนโค้ด เหตุผลของการตัดสินใจและสิ่งที่ค้นพบระหว่างทางก็หายไปด้วย เซสชันถัดไปจึงต้องเริ่มทำความรู้จักโปรเจกต์ใหม่ทุกครั้ง บทความจาก Hugging Face เสนอแนวทางเก็บบันทึกเซสชันเหล่านั้นให้เป็นความจำที่ค้นกลับได้ ใช้ร่วมกันข้ามเอเจนต์ และอยู่ในมือของทีมเอง

อ่านบทความ
ToolHive: รัน MCP server ในคอนเทนเนอร์แบบปลอดภัยด้วยเครื่องมือโอเพนซอร์ส ก่อนให้เอเจนต์ AI เข้าถึงระบบภายใน ความปลอดภัย

ToolHive: รัน MCP server ในคอนเทนเนอร์แบบปลอดภัยด้วยเครื่องมือโอเพนซอร์ส ก่อนให้เอเจนต์ AI เข้าถึงระบบภายใน

ทุกครั้งที่ทีมติดตั้ง MCP server ให้เอเจนต์ AI ใช้งาน ตัวเชื่อมนั้นมักได้สิทธิ์ทุกอย่างที่เครื่องนักพัฒนามี ทั้งไฟล์ คีย์ API และเครือข่ายภายใน โดยไม่มีใครเห็นว่ามันทำอะไรไปบ้าง ToolHive จาก Stacklok เป็นเครื่องมือโอเพนซอร์สสัญญาอนุญาต Apache 2.0 ที่จับ MCP server แต่ละตัวแยกไว้ในคอนเทนเนอร์ และต่อยอดไปถึงการยืนยันตัวตนกับบันทึกการใช้งานระดับองค์กร เราสรุปว่าอะไรได้ทันทีหลังติดตั้ง อะไรต้องลงแรงเพิ่ม และองค์กรไทยควรเริ่มอย่างไร

อ่านบทความ

ติดต่อเพื่อขอรับคำปรึกษาจากทีมงาน

ตั้งแต่ประเมินระบบปัจจุบัน วางแผน จนถึงลงมือพัฒนา — คุยกับเราได้โดยไม่มีค่าใช้จ่าย

ปรึกษาทีมของเรา