เจาะลึกการใช้ AI Code Assistant กับงานจริง ตั้งแต่แปลง Requirement เป็น Code ตรวจสอบผลลัพธ์ ไปจนถึงเข้าใจข้อจำกัดและต่อยอดการใช้งาน AI อย่างมีประสิทธิภาพ ไปกับทีม M-LAB
- เครื่องมือหลักที่นำมาใช้และแนะนำ:
- Cline: เป็น extension บน Visual Studio Code (VS Code) ที่ช่วยนำ AI มาใช้ร่วมกับการเขียนโค้ด ทำให้สะดวกในการเขียนอ่านและแก้ไขโค้ดได้โดยตรง ไม่ต้อง copy/paste จาก IDE ไปวางใน chatbot ทั่วไป เช่น ChatGPT แล้วคัดลอกผลลัพธ์ที่ได้กลับมาวางในโค้ดของเรา
- Workflow การทำงานของ AI Code Assistant (Cline: Plan & Act):
- Plan Mode: เป็นขั้นตอนที่เรา specify task และ details ที่ต้องการให้ AI ทำ AI จะทำการวางแผนขั้นตอนทั้งหมดที่เกี่ยวข้องกับการ implement นั้นออกมา บทบาทของ Developer ในขั้นตอนนี้คือการ Validate แผน ที่ AI สร้างขึ้น ว่าครบถ้วนและถูกต้องตามความต้องการหรือไม่ หากพบข้อผิดพลาดหรือไม่ครบถ้วน ต้องพิมพ์แก้ไขหรือเพิ่มเติมในขั้นตอนนี้ ซึ่ง AI อาจช่วยเราถามข้อมูลเพิ่มเติม เช่น ชนิด database ที่ใช้ เป็นต้น
- Act Mode: เป็นขั้นตอนที่ AI จะเริ่ม execute ตามแผนที่วางไว้ เช่น generate code, edit code, run command บทบาทของ Developer ในขั้นตอนนี้คือการ Review และ Approve การกระทำของ AI เช่น การขออ่านไฟล์ หรือการขอแก้ไขไฟล์ ต้องตรวจสอบโค้ดและคำสั่งที่ AI generate/execute ว่าถูกต้องหรือไม่
- ‘สูตรลับ’ และบทเรียนจากประสบการณ์จริง:
- การระบุ Requirement และ Detail ที่ละเอียดมีความสำคัญอย่างยิ่งยวด: การให้ requirement แบบคร่าวๆ (เช่น “อยากได้แอป Netflix”) ไม่เพียงพอสำหรับการใช้งาน AI Code Assistant (ทุกประเภท) ให้ได้ผลลัพธ์ตามที่ต้องการ ดังนั้น ต้องระบุ tech stack ที่ชัดเจน (เช่น Next.js version อะไร, library อะไร), architecture, รายละเอียดของ task แต่ละส่วน, UI design, API route, และโครงสร้างข้อมูล (เช่น ประเภทของข้อมูลที่คาดหวัง) ยิ่ง Detail ครบถ้วนและชัดเจนมากเท่าไหร่ ผลลัพธ์จาก AI ก็จะยิ่งตรงใจมากขึ้น นี่คือหัวใจสำคัญในขั้นตอน Plan
- เลือก LLM Model ให้เหมาะสมกับงาน (“Select right model for the right job”): โมเดลที่เก่งที่สุด (ปัจจุบันคือ Gemini 2.5 Pro สำหรับ coding tasks โดยรวม) อาจไม่ใช่ตัวเลือกที่ดีที่สุดเสมอไปสำหรับทุกงาน ควรพิจารณา Cost vs. Intelligence โมเดลที่คุ้มค่า ณ ตอนนี้คือ Gemini 2.5 Pro และ GPT 4.1 Mini สำหรับงานง่ายๆ เช่น generate mockup data หรือ script สั้นๆ สามารถใช้โมเดลที่ Cost ต่ำกว่าอย่าง GPT 4.1 Mini ได้ผลลัพธ์เหมือนกันแต่ประหยัด Cost กว่า Cost ของ Output Token แพงกว่า Input Token อย่างมีนัยสำคัญ
- ใช้ Cline Rules สำหรับการทำงานเป็นทีมและกำหนดมาตรฐาน: สามารถสร้างไฟล์ markdown .clinerules หรือ สร้างไฟล์ markdown อยู่ภายใต้ .clinerules directoryใน project เพื่อกำหนด rule, specification, project description, framework และ key feature ให้ AI ยึดถือในการ generate code เพื่อให้ code เป็นไปในทิศทางเดียวกันและช่วยลดการ “assume” เองของ AI
- การ Review และ Validate ด้วยมนุษย์เป็นสิ่งจำเป็นมาก: AI ยังมีข้อจำกัดและอาจเกิด Hallucination (สร้างสิ่งที่ไม่ถูกต้องหรือไม่คาดหวัง) เช่น generate คำสั่งอันตราย (อย่าง rm -rf), generate script ที่ไม่ถูกต้อง (เช่น สร้าง database migration script ที่ไม่ใช้ command จาก tool หรือ library ส่งผลให้สร้าง script zbfr]kf), generate unit test ผิดแล้ววนลูปแก้ไม่ผ่าน, หรือ generate code ที่ใช้ library เวอร์ชั่นเก่า ควรตรวจสอบคำสั่งและโค้ดที่ AI generate เสมอ ก่อน Approve
- บางครั้ง “แก้มือ” (แก้ไขโค้ดด้วยตัวเอง) อาจเร็วกว่าและถูกกว่า: หากพบว่า AI generate code ผิดหรือติดปัญหาที่แก้ไขได้ง่ายด้วยตัวเอง การแก้ไขด้วยมือโดยตรงอาจประหยัดเวลาและ Cost กว่าการพยายาม Prompt ให้ AI แก้ไข ซึ่งอาจวนลูปได้ การแก้ไขด้วยมือก็เป็นการให้ Feedback แก่ AI เช่นกันใน Chat history
แม้ AI Code Assistant จะเป็นเครื่องมือที่มีประสิทธิภาพสูง ที่ช่วยลดขั้นตอนและเร่งความเร็วในการเขียนโค้ดได้อย่างมาก แต่ก็ทำงานภายใต้การกำกับดูแลและคำแนะนำของ Developer ที่ต้องมีความเข้าใจพื้นฐานเชิงลึกในด้านการเขียนโค้ด, สถาปัตยกรรม, การออกแบบ, การแก้ไขปัญหา, และการตรวจสอบคุณภาพโค้ดยังคงเป็นหัวใจสำคัญที่ขาดไม่ได้
ประโยชน์ของ AI คือ ช่วยให้ Developer ทำงานได้เร็วขึ้นและสะดวกขึ้น แต่ไม่ได้มาแทนที่ความรู้ ความเข้าใจ และบทบาทหลักของ developer ดังนั้น การใช้ AI Code Assistant อย่างมีประสิทธิภาพสูงสุด จึงไม่ใช่เพียงแค่การสั่งงานให้ AI ทำตาม แต่คือการ ร่วมมือระหว่างความสามารถของมนุษย์กับศักยภาพของ AI เพื่อสร้างสรรค์ซอฟต์แวร์ที่มีคุณภาพสูง ตอบโจทย์ทางธุรกิจ และพร้อมสำหรับการพัฒนาอย่างยั่งยืนในอนาคต.
