อ่านประมาณ 8 นาที
ระดับกลาง
หมวด: DevOps
อ้างอิง: GitHub Blog — How canvases make agentic workflows visible, steerable, and cost-efficient
ทีมที่ให้ AI agent ทำงานหลายขั้นตอนเริ่มเสียเวลากับคำถามเดิม ๆ ว่างานถึงไหนแล้ว ใครอนุมัติอะไรไป และตรงไหนยังรอคน เพราะทุกอย่างจมอยู่ในแชตยาว GitHub Copilot app เสนอทางออกชื่อ canvas คือพื้นที่ทำงานร่วมที่คงอยู่และตรวจสอบได้ บทความนี้สรุปแนวคิด ต้นทุนที่ต้องลงก่อน และวิธีเริ่มกับงานที่ทีมทำซ้ำอยู่แล้ว
ปัญหาไม่ใช่ AI ทำช้า แต่คนตามไม่ทัน
AI agent หรือโปรแกรม AI ที่ลงมือทำงานต่อเนื่องหลายขั้นได้เอง ผลิตการเปลี่ยนแปลงได้เร็วกว่าที่คนจะรีวิวทัน ขณะที่เครื่องมือนักพัฒนาส่วนใหญ่ไม่ได้ออกแบบมาให้คุมงานของหลาย agent พร้อมกัน บริบทจึงกระจายอยู่ตามเธรดและหน้าจอต่าง ๆ จนยากจะบอกว่าอะไรรันไปแล้ว อะไรเปลี่ยน อะไรตรวจแล้ว และอะไรยังต้องให้คนตัดสิน
ผู้เขียนต้นฉบับซึ่งเป็น Developer Advocate ของ GitHub ยังมองว่าแชตเหมาะที่สุดสำหรับการบอกความตั้งใจและคิดโจทย์ที่ยังไม่ชัด แต่เมื่อ agent เริ่มลงมือจริง แชตจะกลายเป็นกองคำสั่ง บันทึกการทำงาน และการเปลี่ยนแผนที่ปนกัน แผนงานกับจุดอนุมัติยังอยู่ในนั้นแต่ต้องขุดหา ผู้เขียนเรียกเวลาที่เสียไปกับการประกอบเรื่องย้อนหลังนี้ว่าภาษีการประสานงาน
canvas ทำหน้าที่อะไร
canvas ใน GitHub Copilot app คือพื้นผิวทำงานที่นักพัฒนากับ agent ใช้ร่วมกันและไม่หายไปเมื่อบทสนทนาจบ สถานะของงานถูกแสดงไว้ตรง ๆ แทนที่จะต้องอนุมานจากประวัติแชต คนเข้ามาดูและหักเลี้ยวงานได้ระหว่างทาง ส่วน agent อัปเดตความคืบหน้าลงพื้นผิวเดียวกันและทำงานต่อระหว่างจุดตรวจ ทั้งสองฝั่งจึงเห็นภาพเดียวกันโดยไม่ต้องเล่าบริบทซ้ำทุกครั้ง
ไทม์ไลน์วงจรการพัฒนาซอฟต์แวร์จากบทความต้นฉบับ
สองงานที่ผู้เขียนลองทำเป็น canvas
งานแรกคือ Java Modernization Studio สำหรับปรับปรุงระบบ Java รุ่นเก่า ซึ่งเป็นงานที่ต้องการการกำกับดูแลสูง เพราะมีทั้งขั้นประเมิน วางแผน งานย้ายระบบย่อย ๆ ด่านตรวจสอบ และการตัดสินว่าพร้อมส่งมอบหรือยัง เมื่อแต่ละเฟสแสดงอยู่บนพื้นผิวเดียว ทีมตรวจสอบสถานะได้จากของจริงแทนการเดาจากเรื่องเล่าในแชต และผู้รีวิวใช้เวลาเฉพาะกับการตัดสินใจที่สำคัญ
งานที่สองต่างออกไปมาก คือ Site Studio สำหรับเขียนและดูแลเนื้อหาเว็บส่วนตัว ปัญหาของงานเนื้อหาในแชตคือแก้ไปหลายรอบจนไม่แน่ใจว่าฉบับไหนล่าสุด ความเห็นกระจัดกระจาย และทุกรอบต้องเริ่มจากเรียกบริบทกลับมา canvas นี้จึงเก็บสถานะของแต่ละส่วนและฉบับร่างทันทีที่เกิดขึ้น พร้อมจุดที่คนต้องรีวิวอย่างชัดเจน
ผู้เขียนเปิดเผยด้วยว่า canvas เป็นการลงทุน Site Studio ใช้ไปราว 2,000 AI credits และ canvas งานย้ายระบบราว 3,000 AI credits รวมถึงแรงในการออกแบบ แต่สำหรับงานที่ทำซ้ำ การลงทุนนี้คืนทุนจากการสั่งงานซ้ำน้อยลง บริบทหายน้อยลง และงานที่ต้องทำใหม่ลดลง ผู้เขียนสรุปว่านี่คือการลงทุนกับสถาปัตยกรรมของกระบวนการทำงาน ไม่ใช่การจ่ายเพิ่มเพื่อหน้าจอที่สวยขึ้น
เช็กลิสต์ก่อนออกแบบ canvas ของตัวเอง
จากทั้งสองงาน ผู้เขียนสรุปแม่แบบที่ใช้ซ้ำได้ ถ้าแปลงเป็นคำถามที่ทีมควรตอบก่อนเริ่ม จะได้ว่า งานนี้มีสถานะอะไรบ้างและเปลี่ยนจากสถานะหนึ่งไปอีกสถานะเมื่อไร การตัดสินใจไหนมีผลตามมามากพอที่ต้องแสดงให้เห็นแทนที่จะซ่อนในบันทึก ความคืบหน้าและฉบับร่างถูกบันทึกทันทีหรือรอจนจบ และจุดไหนบ้างที่ระบบต้องหยุดรอคนอนุมัติโดยข้ามไปเองไม่ได้
ตัวอย่างหน้าจอ canvas ที่แสดงสถานะของแต่ละส่วนงานพร้อมจุดตรวจของมนุษย์
นำไปใช้กับทีมไทยอย่างไร
canvas ทั้งสองตัวเปิดให้ใช้และดัดแปลงได้ในคลัง awesome-copilot ทีมที่ใช้ Copilot agent อยู่แล้วเริ่มได้ด้วยคำสั่ง /create-canvas โดยเลือกงานที่ทำซ้ำบ่อยที่สุดมาหนึ่งงาน สร้างเวอร์ชันเล็กที่สุดที่ใช้ได้ แล้วปรับจากการใช้จริง งานที่เหมาะเป็นงานแรกคืองานที่ขั้นตอนค่อนข้างตายตัวและมีจุดอนุมัติชัด เช่น การเตรียมรีลีส การย้ายระบบ หรือการตรวจรับงานจากลูกค้า
แม้ทีมจะยังไม่ได้ใช้ Copilot แนวคิดเดียวกันก็ใช้ได้ คือแยกสถานะของงาน agent ออกจากบทสนทนา ไปไว้ในที่ที่ทุกคนเห็นตรงกัน เช่นบอร์ดงานหรือคำอธิบายใน pull request ที่ agent ต้องอัปเดตทุกขั้น หลักนี้สอดคล้องกับสิ่งที่ทีม DevOps ทำมานาน คือจะปรับปรุงกระบวนการใดได้ ต้องทำให้มันมองเห็นได้ก่อน
ทีมงาน Smart Cyber Tech ช่วยวางกระบวนการพัฒนาที่ใช้ AI agent ร่วมกับ CI/CD ให้ตรวจสอบและควบคุมได้ ดูบริการ วางระบบ DevOps หรือปรึกษาโจทย์ของทีมได้ที่ แบบฟอร์มติดต่อ
สรุปสาระสำคัญ ปัญหาไม่ใช่ AI ทำช้า แต่คนตามไม่ทัน canvas ทำหน้าที่อะไร สองงานที่ผู้เขียนลองทำเป็น canvas
แหล่งอ้างอิง เรียบเรียงจาก GitHub Blog — How canvases make agentic workflows visible, steerable, and cost-efficient —
อ่านบทความต้นฉบับ ภาพปกและแผนภาพ: GitHub Blog · ลิขสิทธิ์ภาพเป็นของเจ้าของต้นฉบับ ใช้ประกอบการรายงานพร้อมอ้างอิงแหล่งที่มา
มีคำถามเพิ่มเติมเกี่ยวกับบทความนี้? เขียนหาเราได้ที่
info@smart-cyber-tech.com
บริการที่เกี่ยวข้องจากทีมงาน Smart Cyber Tech
แบ่งปันบทความนี้:
LINE
Facebook
X
คัดลอกลิงก์
ปรึกษาทีมของเรา