Agentic Coding อธิบาย: จาก Autocomplete สู่ Autonomous Agents
Agentic Coding คืออะไรจริงๆ มันต่างจาก Autocomplete แบบ Copilot อย่างไร และหกสถานะทางความคิด (Work, Plan, Chat, Teach, Security, Brainstorm) ที่อยู่เบื้องหลัง Ava Supernova
สี่ปีก่อน "AI coding" หมายถึง Autocomplete: โมเดลเดาคำถัดไปของโค้ดตามบริบทเคอร์เซอร์ ตอนนี้หมายถึงอะไรที่ใหญ่กว่ามาก เครื่องมือ Agentic coding วางแผนการเปลี่ยนแปลงหลายไฟล์ รันเทสต์ อ่าน Log เรียก API เขียน Pull Request และตัดสินใจเมื่อไหร่ควรหยุดและถามคุณ ช่องว่างระหว่างสองหมวดนี้กว้างกว่าที่นักพัฒนาส่วนใหญ่ตระหนัก
Autocomplete เทียบกับ Agent: สรุปสั้นๆ
Autocomplete เป็น Reactive รอเคอร์เซอร์ของคุณ ทำนาย แล้วหยุด Agent เป็น Proactive คุณมอบเป้าหมาย ("Refactor โมดูลนี้เพื่อใช้ Auth Pattern ใหม่ รันเทสต์ เปิด PR") แล้วมันแยกเป็นขั้นตอน รันแต่ละข้อ ตรวจสอบงานตัวเอง และรายงานกลับ โมเดลพื้นฐานเดียวกันทำได้ทั้งสองอย่าง — ต่างกันที่วิธีการที่เครื่องมือห่อหุ้มพวกมัน
สิ่งที่ทำให้เครื่องมือเป็น "Agentic" คือ Loop: วางแผน, ลงมือ, สังเกต, ตัดสินใจ ในแต่ละรอบเอเจนต์เลือกเครื่องมือ (อ่านไฟล์, เขียนไฟล์, รันเทสต์, ค้นหาเว็บ, ถามคุณ), รันมัน ดูผลลัพธ์ และตัดสินใจว่าทำอะไรต่อไป การเรียก Tool 60 ครั้งเพื่อปิด Ticket หนึ่งอันเป็นเรื่องปกติ
ทำไมโมเดลเดียวจึงไม่เหมาะกับทุกคำขอ
Agent ที่ดีไม่มองทุกคำขอว่าเป็นปัญหาแบบเดียวกัน "แก้คำผิดตรงนี้" ไม่เหมือนกับ "ตรวจสอบชั้น Auth เพื่อหา Token Leakage" พวกเขาต้องการโมเดลต่างกัน เครื่องมือต่างกัน และระดับความระมัดระวังต่างกัน
Ava Supernova จัดการเรื่องนี้ด้วยเจ็ดโหมด — สถานะทางความคิด ไม่ใช่ผิว UI แต่ละโหมดมี Mindset ต่างกัน ชุดเครื่องมือต่างกัน และในหลายกรณีมี Persona ผู้เชี่ยวชาญต่างกันทำงานอยู่เบื้องล่าง
- Work — Mindset นักสร้าง ใช้ชุดเครื่องมือครบครันกว่า 120 รายการ เขียนโค้ดและปล่อยออกมา
- Plan — Mindset สถาปนิก อ่านอย่างเดียว คิดก่อนสัมผัสอะไรเลย
- Chat — มุมมองแบบเพื่อน สำหรับส่วนที่ไม่ใช่การเขียนโค้ดในสมองของคุณ (ความจำ, ไดอารี่, สภาพอากาศ, ข่าวสาร)
- Teach — มุมมองติวเตอร์ ผู้เชี่ยวชาญ 5 ท่าน สร้างหลักสูตร เขียนเนื้อหา ตรวจสอบข้อเท็จจริง ออกข้อสอบ และสอน
- Security — มุมมองผู้ตรวจสอบ การสืบค้น + สแกนเนอร์ + นักวิจัย CVE + ผู้ยืนยัน + ผู้รายงาน
- Brainstorm — มุมมองระดมสมอง ผู้เชี่ยวชาญ 5 ท่าน สำรวจ วิจัย สร้างไอเดีย ท้าทายแนวคิด และขัดเกลา
ความหมายของ "memory" สำหรับเอเจนต์
เครื่องมือ Autocomplete เป็นแบบไร้สถานะ — ทุกคำขอเริ่มต้นใหม่ เอเจนต์ต้องการความจำเพื่อทำงานจริงตลอดหลายสัปดาห์หรือเดือน หากไม่มี คุณจะอธิบายโปรเจกต์ใหม่ทุกครั้งในการใช้งาน Ava ใช้ระบบความจำ 5 ชั้น (extract, reflect, accumulate, analyse, consolidate) ที่สะสมสิ่งสำคัญเกี่ยวกับคุณ โปรเจกต์ของคุณ ความชอบ และฟีดแบ็คที่คุณเคยให้ไว้
วิธีเริ่มคิดแบบเอเจนต์
หากคุณเคยใช้ Autocomplete และต้องการยกระดับไปสู่การทำงานแบบเอเจนต์ การเปลี่ยนแปลงนี้ไม่ได้เน้นที่ Prompt Engineering มากนัก แต่อยู่ที่การกำหนดกรอบงาน แทนที่จะสั่งว่า "เขียนฟังก์ชันที่ทำ X" ลองบอกแทนว่า "นี่คือเป้าหมายและข้อจำกัด ตัดสินใจว่าจะทำอย่างไรและแจ้งฉันหากติดขัด" เอเจนต์ที่ดีจะแปลงสิ่งนั้นเป็นแผนงาน ระบุปัญหาที่อาจเกิดขึ้นก่อนเสียเวลา Compute ไปเปล่าๆ และค่อยๆ สร้างความไว้วางใจให้คุณ
ความท้าทายในการก้าวเข้าสู่ระดับความไว้วางใจขณะที่เอเจนต์สะสมความจำ ในช่วงแรกมันจะตรวจสอบมากกว่านี้ แต่เมื่อฟีดแบ็คของคุณเข้ามา มันจะถามน้อยลง การกระทำที่มีความเสี่ยงสูงจะไม่ได้รับการอนุมัติอัตโนมัติ — เอเจนต์จะหยุดพักเสมอก่อนการกระทำที่อาจสร้างความเสียหาย
Agentic Coding ไม่ใช่ Autocomplete ขนาดใหญ่ แต่มันคือความสัมพันธ์รูปแบบใหม่กับเครื่องมือของคุณ — ใกล้ชิดเหมือนเพื่อนร่วมทีมมากกว่ามาโครแป้นพิมพ์ เครื่องมือที่เข้าใจเรื่องนี้ก่อนจะเป็นผู้กำหนดโฉมหน้าใหม่ของการพัฒนาซอฟต์แวร์