Tech Keynote
โดย
- K. Norasit Sitivechvichit (CEO, LINE)
- K. Weera Kasetsin (CTO LINE)
1. AI Agents กับ LINE - ปีนี้เราอยู่ที่ยุคของธีมของ Agentic AI
- การสร้าง AI Agent บน LINE ซึ่งจะช่วยให้ผู้ใช้งานเข้าถึงได้ทันทีตอบโจทย์ด้าน ประสบการณ์ของผู้ใช้งาน (UX)
- Developer ที่ลงมือทำตอนนี้จะเป็นผู้กำหนดมาตรฐานใหม่ให้กับตลาด
2. Next Step
- LINE จะสร้างฟีเจอร์สำหรับแพลตฟอร์ม เพื่อให้ใช้ AI Agents บน LINE ได้ง่ายขึ้น ทั้งภาคธุรกิจและผู้ใช้งาน
- LINE จะเตรียมไว้ทั้ง MCP, AI Agent Protocal รวมถึง AI Platform ซึ่งจะเริ่มในปี 2027 สำหรับพาร์ทเนอร์ และ Pioneer ก่อน
Session 1: LINE API Next-Frontier with Live demo
โดย
- K.Warit Wanwithu (Developer Relations, LINE)
- K. Jirawat Karanwittayakarn (Technology Evangelist, LINE)
1. Community Growth Metrics
- การเติบโตของ Mini App และ Messaging API ที่เพิ่มขึ้นเป็นหลายเท่าตัว
- Messaging API เติบโตขึ้น +20%
- LINE MINI Apps เติบโตขึ้น +300%
2. Messaging API Updates
- ฟีเจอร์ใหม่! Edit Event Webhook (messageEdited) - Chatbot สามารถรับค่าจาก WebHook เมื่อผู้ใช้งานแก้ไขข้อความที่ส่งไปแล้วได้
- Rich Menu Insight APIs - สามารถดึงสถิติจาก APIs ของ Rich Menu ได้โดยตรง อาทิเช่น Impressions, Unique users และเข้าถึงข้อมูลย้อนหลังได้สูงสุด 3 ปี)
- การปรับปรุงเรื่อง Best Practice - ในอนาคตทาง Line จะปรับการเรียกใช้ API Endpoints โดยไม่ควรใส่ "/" หรือ Slash ปิดท้าย
3. MINI App & Line LIFF Updates
- LINE ประกาศ Deprecated SDK เวอร์ชัน 2.20.0 - 2.31.0 และมีการปรับปรุงการจัดการเครื่องหมาย ? ในค่าของ URL query
- ฟีเจอร์ใหม่! Request Friendship - สามารถแสดงหน้าต่างย่อยในหน้า LIFF หรือ MINI App เพื่อให้ผู้ใช้กดเพิ่มเพื่อน หรือปลดบล็อก LINE OA ได้ทันทีโดยไม่ต้องสลับหน้าจอหรือ App
- LINE MINI App ตั้งแต่เดือนมีนาคม 2026 Developer สามารถสร้าง LINE MINI App Channel ด้วยตัวเองได้บน Dev Console ไม่ต้องส่งอีเมลขอสิทธิ์
4. Sneak Peek
- In App Ads for MINI App - สามารถนำ JavaScript ที่ใช้สำหรับโฆษณามาฝังในแอปได้เพื่อสร้างรายได้
- In App Purchases for MINI App - ระบบซื้อขาย Digital Contents ภายในแอปโดยตรง ++(สำหรับ Verified MINI App)++
- VERIFIED MINI App - ฟีเจอร์ที่ใช้งานได้เพิ่มเติม เช่น Service Messages, เพิ่ม Shortcut ลง Home Screen, ติดหน้า MINI App Tab และ Global Search, ใช้ Custom Path URL, ข้ามหน้าขอ Permission ซ้ำๆ รวมถึงสิทธิ์ใช้งาน In-App Ads และ In-App Purchase ในอนาคต
5. อื่น ๆ
- LineDev จับมือคอร์สฟรีกับ BornToDev เรื่อง ปูพื้นฐานการเปลี่ยน WebApp เป็น LINE MINI App
Session 2: Building MINI Eats: A New Food Experience, Right Inside LINE
โดย K. Siraphob Rhompo (Head of Commercial Engineering, LINE)
1. From Queue to Seamless Experience
- โจทย์ - แก้ปัญหาการรอคิวสั่งกาแฟหรือเครื่องดื่มหน้าร้านด้วย LINE MINI App
- จากเดิม Queue > Order > Pay > Pick up
- เปลี่ยนเป็น Scan > Order > Pay > Pick up > CRM (CRM ถูกใช้งานเพื่อจัดโปรโมชั่นให้ลูกค้าที่ใช้้บริการ)
- มีระบบหลังบ้านให้ร้านค้าจัดการร้าน ออเดอร์ และข้อมูลลูกค้า พัฒนาร่วมกันระหว่าง LINE TH x LMWN
2. Seamless Experience
- Shared Vision - ทุกทีมจากต่างองค์กรมีเป้าหมายเดียวกันว่าจะส่งมอบคุณค่าอะไรให้ผู้ใช้
- End-to-End Thinking - ออกแบบ User Journey ทั้งเส้นให้เป็นประสบการณ์เดียว ไม่ใช่แค่ส่วนที่ทีมตัวเองดูแล
- Seamless Integration - เชื่อม Services ให้สอดคล้องกันทั้ง UX, UI และ Engineering โดยไม่โยนความซับซ้อนไปให้ผู้ใช้
3. Collaborative Ownership
- Clear Boundaries - กำหนดขอบเขตความรับผิดชอบให้ชัด แต่ละทีมดูแล Service ของตัวเองได้อิสระ
- Complementary Strengths & Expertise - รวมจุดแข็งของแต่ละทีม สร้าง Solution ที่ทีมเดียวทำไม่ได้
- Co-Development - ทำงานเพื่อเป้าหมายเดียวกัน และรับผิดชอบร่วมกันเรื่อง Integration และปัญหาข้ามองค์กร
4. Leverage
- ต่อยอดจาก Platform ที่มีอยู่แล้ว แทนการสร้างใหม่ทั้งหมด ทำให้ขึ้นระบบได้ไวขึ้น เช่น LINE MINI App, LIFF, OA Plus, Core Subscription, Wongnai Merchant App
- ถ้ายังไม่มี Platform ที่เหมาะ การลงทุนสร้างวันนี้จะกลายเป็นข้อได้เปรียบในอนาคต
5. 10x Faster: New Ways of Working
- Lean Process - ตัดขั้นตอนที่ไม่จำเป็น โฟกัสสิ่งที่สร้างคุณค่า โดยไม่ลดคุณภาพ
- Embrace AI - ทดลองใช้ AI ให้เหมาะกับบริบทของทีม พร้อมเข้าใจข้อจำกัด
- Collaborate - แบ่งปันความเชี่ยวชาญ กำหนดผู้รับผิดชอบและผู้ตัดสินใจให้ชัด
- หัวใจคือ ไม่ใช่ทำงานหนักขึ้น แต่หาวิธีทำงานที่ดีขึ้น
ทิ้งท้าย
- สิ่งที่ทำให้ MINI Eats เกิดขึ้นได้ ไม่ใช่แค่เทคโนโลยี แต่คือวิธีคิดเรื่อง Product, Ownership, การทำงานร่วมกัน และการต่อยอดสิ่งที่มีอยู่
- คำถามชวนคิด: "เมื่อ AI ทำสิ่งที่ Software Engineer เคยทำได้มากขึ้นเรื่อยๆ แล้วอะไรคือคุณค่าที่เราจะยังสร้างได้ในอนาคต?"
Session 3: Driving AI Transformation at LINE MAN Wongnai
โดย K. Virot Chiraphadhanakul (VP of AI, LMWN)
1. ภาพรวม
- โค้ดกว่า 80% ของ LMWN เป็น AI-assisted ในเวลาไม่ถึง 1 ปี
- เขียนโค้ดเร็วขึ้นเหมือนมี "รถสปอร์ต" แต่ SDLC แบบเดิมเป็น "ถนนลูกรัง" จึงกลายเป็นคอขวดแทน
2. Adoption - ทำให้ทุกคนใช้จริง
- Start Small, Go Top-Down - เริ่มจาก Pilot 36 คน หาว่าอะไรเวิร์ก แล้วผู้บริหารตัดสินใจให้ทุกคนใช้ เพราะ "ถ้ารอให้ทุกคนพร้อม มันจะไม่เกิดขึ้น"
- Inspect Everything - “People don’t do what you expect, but what you inspect” ใช้ Slack bot โชว์สถิติทุกทีม ทีมใช้เยอะเป็นต้นแบบ ทีมใช้น้อยได้รับความช่วยเหลือ
- วัดผลเกิน Active Users - ดู Merge Request throughput และสัดส่วนโค้ดที่ AI มีส่วนร่วม
- Best-in-Class Tools - ให้ Premium Seat ทุกคน (Claude Code, Cursor, GitHub Copilot) เพราะเครื่องมือถูกกว่าเวลาวิศวกร เลือกใช้ได้อิสระ แต่มี Default ของบริษัทที่ทดสอบและเปลี่ยนเสมอเมื่อมีตัวที่ดีกว่า
3. Way of Working - บทบาทที่เปลี่ยนไป
- From Producer to Manager - พิมพ์น้อยลง รีวิวมากขึ้น Engineer คุมทีม Agent, PM ใช้ AI วิเคราะห์ฟีดแบ็กลูกค้า, Designer สั่ง Agent ปรับ UX ในโค้ดได้เลย
- From Implementation to Intent - Engineer เขียน Spec และ Test แล้วให้ Agent วนแก้จนผ่าน, PM ส่ง Transcript ปัญหาจริง + Success Criteria แทน PRD
- From Delivery to Discovery - สร้างถูกลง ความเสี่ยงคือ "สร้างผิดสิ่ง" Engineer ลองหลายวิธีพร้อมกัน, PM เอา Working Prototype เข้าประชุมแทน Pitch Deck
- From Content to Knowledge - บันทึกเหตุผลการออกแบบและ Incident Learnings ให้ Agent ทำตามได้โดยไม่ผิดซ้ำ
4. System - AI-Native SDLC
- หลักคิด: Move Humans Off the Critical Path ให้คนเข้ามาเฉพาะจุดสำคัญ
- AI that Collaborates - AI อยู่ใน Workflow เดิม เช่น Slack bot สรุปแชท เปิด Jira แก้โค้ด และเปิด MR ได้จาก Thread
- AI that Knows - ทุกการตัดสินใจต้องมีเอกสารที่ Agent เข้าถึงได้ และเปลี่ยนจาก Open Loop (ทำแล้วไม่วัดผล) เป็น Closed Loop (Monitor > ป้อนกลับ > ปรับ)
- AI that Ships - คนกำหนดความสำเร็จ Agent สร้างและส่งต่องานกันเอง (Agent-to-agent handoffs) คุมความเสี่ยงด้วย 3 อย่าง
- Verification - Spec และ Test กำหนดความสำเร็จก่อนเขียนโค้ด
- Observability - เห็นว่า Agent ทำอะไรและทำไมในทุก Run
- Review Gates - คนอนุมัติเฉพาะจุดที่เสี่ยงจริง
5. ตัวเลขผลลัพธ์
- Weekly Active Users 93.5% ของ Seats ที่ซื้อ (420 คน) สูงกว่า Peers ประมาณ 30%
- 61% ใช้ MCP (Median ของ Peers 27.4%)
- 80% ของโค้ดเป็น AI-assisted
Session 4: NEXT-GEN Survival Guides from Tech Leaders in the AI Era
โดย
- K. Weera Kasetsin (CTO, LINE)
- K. Virot Chiraphadhanakul (VP of AI, LMWN)
- K. Kasidis Kasidis Satangmongkol (Creators, DataRockie)
1. ความจริงของตลาดงานยุค AI
- Bar สูงขึ้น ต้องพยายามมากขึ้น - ไม่ใช่อวสาน Junior แต่คืออวสานของ “Junior ที่ไม่เตรียมพร้อม” บริษัทต้องการคนที่ลงมือทำงานได้จริง
- สร้างสนามฝึกเอง - AI เอาบันไดขั้นแรกของ Junior ไป แต่ก็ให้เครื่องมือระดับ Senior กับทุกคน ไม่ต้องรอบริษัทปั้น ลองทำ Open Source, Hackathon, ฝึกงาน หรือทำระบบให้ร้านใกล้ตัว
- ใบปริญญายังสำคัญ - ในแง่ Fundamental แต่ไม่ใช่ใบรับประกัน
- Scale x Magnitude - โฟกัสที่คุณค่าที่สร้าง (ช่วยกี่คน x ช่วยได้มากแค่ไหน) ไม่ใช่แค่ตัวเงิน
2. Survival Skills ยุค AI
- ต้องมี Taste (รสนิยม) - เข้าใจ Context และ Outcome ที่ลูกค้าต้องการ ฝึกด้วยการอ่านเยอะ ๆ ตั้งคำถาม และออกไปนอกโดเมนตัวเอง
- AI คือตัวคูณ - อะไร x 0 ก็ได้ 0 ถ้าพื้นฐานไม่ดี AI ก็คูณความผิดพลาดให้ใหญ่ขึ้น
- แยก "โหมดทำงาน" กับ "โหมดเรียน" - ทำงานใช้ AI ได้เต็มที่ แต่ตอนเรียนให้คิดเองก่อนแล้วค่อยเทียบกับ AI เหมือนทำการบ้านก่อนดูเฉลย ให้ AI Challenge เราเยอะๆ อย่าไหลตาม
- เป็ดโปร (Skill Stacking) - ผสมโค้ด + มีเดีย + ธุรกิจ + การตลาด สร้างจุดเด่นในตลาด
3. ทิศทางของอนาคต
- ตั้งเป้าหมาย หา Gap แล้วใส่วินัย - ไม่มีงานไหนสนุกถ้ายังไม่เก่งพอ แต่เมื่อทำเรื่องยากให้ง่ายได้ จะสนุกทุกวัน
- Checklist 4P
- Principles - พื้นฐานคณิต สถิติ Data Structures ห
- Practice - ใช้ AI เป็นติวเตอร์ 24 ชม.
- Proof - ปล่อยผลงานจริงแบบ End-to-End อย่างน้อย 1 ชิ้น
- Passion - อยู่ใกล้คนเก่ง
- 3 สิ่งที่ไม่เปลี่ยน - หลงรักปัญหา ไม่ใช่เครื่องมือ / Learning how to learn / Accountability
- The Obstacle is the Way (Stoic) - โฟกัสสิ่งที่ควบคุมได้ อ่าน เขียน แบ่งปันความรู้ทุกวัน พี่ทอยบอกว่าการเขียนคือสิ่งที่ดีที่สุด 55
Session 5: DEEP TECH - The Bottleneck Moved: Small-Team Architecture When Writing Code Is No Longer the Hard Part
โดย K. Kittikorn Prasertsak (Managing Director, BorntoDev)
1. ปัญหา: คอขวดย้ายที่
- ตัวอย่างปัญหา ทีม 3 คน + AI Agent เปิด PR จากวันละ 3-5 เป็น 40 PR
- คอขวดย้ายจาก "เขียนโค้ด" ไปเป็น "คนรีวิว" (เวลารอรีวิว +441.5% จาก Faros AI)
- AI คือตัวขยาย ระบบไม่ดีก็พังเร็วขึ้น (DORA 2025)
- ทางออก: ลดสิ่งที่ต้องไหลผ่านคอขวด ด้วย 3 Layers
2. Layer 1: Context - ให้ Agent เข้าใจก่อนเขียน
- ++AGENTS.md++ สั้นไม่เกิน 1 หน้า - บรรทัดไหนลบแล้ว Agent ไม่ทำผิด ให้ลบ
- ADR - บันทึก "ทำไม" ไม่ใช่แค่ "ทำอะไร" เปลี่ยนความหมายฟิลด์ต้องเปลี่ยนชื่อ และแบนชื่อเก่า (retired-names.json)
- Contract & Type - ฝังหน่วยและข้อตกลงไว้ใน Type ให้ Error ตั้งแต่ก่อนรัน
3. Layer 2: Guardrails - ให้เครื่องกรองก่อนถึงคน
- Strict Types - เปิด strict และ noUncheckedIndexedAccess บังคับจัดการค่าว่าง
- คุมด้วยสิทธิ์ ไม่ใช่ Prompt - ใช้ PreToolUse Hook ดักคำสั่งอันตราย ห้ามอ่าน .env และแยก Credentials ของ Agent
- TDD แยกวงจร - คนเขียนเทสต์ AI เขียนโค้ด และล็อกไม่ให้ Agent แก้เทสต์
- CI แบบ Fail-Fast - secret scan > retired names > typecheck > spec tests > contract tests
4. Layer 3: Orchestration - ให้คนดูเฉพาะที่ควรดู
- Staged Rollout - ปล่อย 1% > 10% > 100% Error เกินเกณฑ์หยุดอัตโนมัติ
- Reviewer Subagent - รีวิวด่านแรกด้วย Context ใหม่ เห็นแค่ diff เทียบกับ ++PLAN.md++
- Risk Tier
- Tier 0 (~5 นาที) - Docs, Test, Refactor อ่านแค่ Intent
- Tier 1 (~20 นาที) - ฟีเจอร์ทั่วไป รีวิว 1 คน
- Tier 2 (~30 นาที + Staged Rollout) - Contract, Auth, Payment, Migration เจ้าของระบบตรวจละเอียด
Session 6: DEEP TECH - Lockdown my sassy AI agent
โดย K. Neutron Soutmun (Senior SRE, LINE)
1. ปัญหา
- AI Agent ต้องออกอินเทอร์เน็ต เช่น ดึง Package หรือ Container Image
- ปล่อยออกอิสระ = เสี่ยงด้าน Security
- ตั้งค่า Proxy ด้วยมือทุก Agent = ไม่ยืดหยุ่นและทำได้ไม่ครบ
2. ทางแก้: Flex Security Network
- Kubernetes Operator ที่ทีม SRE พัฒนาเอง บน LY Private Cloud Platform
- ทำ Transparent Proxy ให้ Agent ออกเน็ตได้โดยไม่ต้องตั้งค่า Proxy เอง
3. Transparent Proxy 3 ส่วน
- nftables - ทำ DNAT ที่ Prerouting Hook ดัก Traffic จาก Agent Pod ที่อยู่ในรายชื่อ Clients แล้วส่งต่อตามพอร์ต
- พอร์ต 80 > HTTP Egress Proxy โดยตรง
- พอร์ต 443 > GOST
- IP ภายใน (Private Range) > ยกเว้นผ่าน No-Proxy
- GOST (Go Simple Tunnel) - อ่าน SNI จาก TLS Client Hello เพื่อรู้โดเมนปลายทางโดยไม่ต้องถอดรหัส แล้วเปิด Tunnel ไป Egress Proxy ด้วย HTTP CONNECT
- Flava Egress Proxy - ACL แบบ Denied by Default อนุญาตเฉพาะ FQDN และพอร์ตที่อนุมัติแล้ว เช่น debian.org, quay.io, gcr.io, ghcr.io, registry.k8s.io
4. การตรวจสอบ
- ทุก Traffic เก็บเป็น Audit Log ใน OpenSearch ใช้ Monitor และย้อนดูภายหลัง
ทิ้งท้าย: Flex(ible) + Security
- Agent ใช้งานได้ปกติโดยไม่ต้องตั้งค่าอะไร
- แต่ทุก Request ยังถูกควบคุมและตรวจสอบได้ทั้งหมด
Session 7: DEEP TECH - AI Infrastructure at Speed: Governance Without the Drag
โดย K. Kajornsak Peerapathananont (Engineering Partner, Fastwork)
1. แนวคิดหลัก
- สร้าง Internal AI Platform แบบ “Central Governance, Multiple Experiences”
- Platform ต้องมี 6 ด้าน - Access, Models, Knowledge, Observability, Cost และ Developer Experience (ใช้ได้โดยไม่ต้องเปิด Ticket)
- หลักคิด - Capabilities First, Tools Come Later
2. OSS Stack ที่เลือกใช้
- LiteLLM - AI Gateway จุดเดียว รองรับหลาย Provider จัดการ Virtual Keys, Budget, Rate Limit และ Fallback แก้ปัญหา Key กระจายและไม่มีใครเห็นค่าใช้จ่าย
- Langfuse - LLM Observability ดู Traces, Cost, Latency และทำ Evaluation
- Sourcebot - Code Search ข้ามทุก Repo ใช้ได้ทั้งคนและ Agent (ผ่าน MCP) แบบ Self-hosted
- Onyx - แชทค้นหาความรู้บริษัทผ่านเว็บและ Slack ต่อ Jira, Confluence, GitHub โดยเคารพสิทธิ์ต้นทาง เหมาะกับคนที่ไม่ใช่ Engineer
- ทำไมไม่รวมเป็น RAG ก้อนเดียว? - ความรู้ธุรกิจต้องการ Semantic Search ส่วนโค้ดต้องการ Exact Match/Regex
3. เทคนิคเด่น
- ส่ง Telemetry ของ Claude Code เข้า Langfuse โดย Push OTLP Config ผ่าน Managed Settings ไปทุกเครื่อง
- Traces เข้าได้ตรง แต่ Logs ต้องผ่าน Bridge เพราะ Langfuse ไม่รับ OTel Logs
4. Governance
- Guardrails > Gates - ไม่ต้องรอคิวอนุมัติทุก Use Case แต่ฝังการควบคุมไว้ในทางหลัก (Identity, Budget, Audit Trail, Observability)
- 3 ด้าน - Access (ใครใช้ได้), Usage (ใช้ได้เท่าไร), Visibility (เกิดอะไรขึ้นจริง)
5. บทเรียน 5 ข้อ
- อย่าบังคับ Interface เดียว - IDE สำหรับ Engineer, แชทสำหรับคนอื่น
- รวมศูนย์เฉพาะจุดควบคุม (Identity, Keys, Budget, Telemetry) ไม่ใช่ทุก Interaction
- Observability คือส่วนหนึ่งของ Governance - คุมสิ่งที่มองไม่เห็นไม่ได้
- Gateway ไม่ได้เห็นการใช้ AI ทั้งหมด - ระบุให้ชัดว่าข้อมูลไหนแน่นอน ข้อมูลไหนประมาณ
- Adopt เครื่องมือ, Build ส่วนเชื่อมต่อ, Own สถาปัตยกรรม Governance และ DX
ทิ้งท้าย
- ไม่ต้องสร้าง AI Platform เองจากศูนย์ ประกอบจาก OSS ที่ดี แล้วโฟกัสที่การเชื่อมต่อ นโยบาย และประสบการณ์ผู้ใช้
Session 8: DEEP TECH - How to teach your AI Agent with Agent Skills
โดย K. Tanitphon Paniwan (CTO, Apppi)
1. แนวคิดหลัก
- เป้าหมาย - ลดรอบ Agent Loop + Human Review จากหลายรอบให้เหลือรอบเดียว
- Model ทำงานแบบเดาตามความน่าจะเป็น ต้องรัน Test ยืนยันเสมอ
- Workflow
- Fast Agent ทำงานแบบ Low Effort โดยมี Skill และ Hook ที่ Big Agent เขียนไว้กำกับ
- ผิดหรือ Validate ไม่ผ่าน > ส่งต่อให้ Model ตัวเก่ง
- Big Agent ทำ Retrospective แล้วสร้าง Skill + Hook ใหม่ไว้ใช้รอบหน้า
2. ตัวอย่างปัญหาที่เจอ 3 ปัญหาได้แก่
ปัญหา 1: Prompt กว้างเกินไป ( PROMPT บาป )
- Prompt แบบ "ปรับ Settings ให้ดีขึ้นหน่อย" ทำให้ Agent ต้องเดาเองจนแตกไปสิบทาง
- Spec Template Skill - เลือก Template ตามประเภทงาน (Bugfix, New Feature, Refactor, UI Change) ครอบคลุม Persona, Context, Problem, Outcome, Success, Boundaries
- PreToolUse Hook - รัน spec_gate.py ก่อน Edit/Write ถ้า Spec ไม่มี Goal/Scope/AC ครบ จะ Implement ไม่ได้
ปัญหา 2: Agent ค้นหาโค้ดแบบมั่ว
- ตัวอย่าง - ค้นเจอ 6 ไฟล์ เปิดวนไปมา 12 Hop แต่แก้โค้ดได้ 0 บรรทัด
- Search Skill - ให้ Big Agent สร้าง Repo Map ผ่าน Parser/AST/LSP หรือใช้เครื่องมืออย่าง Graphify, Claude Context MCP, Repomix, GitHub MCP Server
- repo-map/++SKILL.md++ - Small Agent อ่านก่อนค้นทุกครั้ง และมี Stop Hook บังคับอัปเดต Map ทุกรอบ
ปัญหา 3: เปลี่ยนความผิดพลาดให้เป็น Skill
- ใช้ Hook บันทึกทุก Step ลง trace.json พร้อม Exit Code และ Error
- Big Agent อ่าน Trace ลองรันจริง เลือกเฉพาะ Command ที่ผ่าน แล้วเขียน ++SKILL.md++ (เช่น ห้ามเดาชื่อ Table, Dump ก่อน, Patch เฉพาะเป้าหมาย)
- Small Agent โหลด Skill ไปทำตามได้ทันที
3. การตรวจงาน
- ทุกงานเริ่มจาก ++PLAND.md++ ระบุ Goal, Scope, Unknowns, Steps, Acceptance Criteria และ Evidence
- Big Reviewer เทียบผลกับ AC ทีละข้อ ตัดสินเป็น Accept / Verify More / Revise
4. ข้อดีและข้อจำกัด
- ช่วยได้มาก - งานซ้ำที่ขอบเขตชัด, มี Test ให้รัน, Repo มี Map, AC ชัด, Skill ที่สกัดจาก Trace จริง
- ยังมีข้อจำกัด - Product Decision ที่คลุมเครือ, Task ยาวหลายขั้น, Skill อัปเดตไม่ทันโค้ด, Skill เยอะจน Trigger ทับกัน, ต้องลงแรงตอนแรก และงานเสี่ยงยังต้องมีคนอนุมัติ
ทิ้งท้าย
- ให้ Model ใหญ่ "สอน" ผ่าน Skill และ Hook ให้ Model เล็กทำตาม แล้วใช้ Evidence ยืนยันผลแทนการเดา
- ช่วงช่วยพี่ไมค์ขายของครับ คอร์ส AI Coding Agent SDLC "ส่วนลดพิเศษ!! 300฿" CODE: LINEDEV555
Session หลังจากนี้ผมไม่ได้เข้า เนื่องจากไปเข้า WORKSHOP ต้องขออภัยเหล่าสาวกด้วยครับ 🙏 หากมีแหล่งข้อมูลสามารถให้ข้อมูลเพิ่มเติมได้ที่ info@charnomdev.com ขอบคุณครับ และ ขอขอบคุณที่สนใจและอ่านบทความนี้จนจบครับ :)
หมายเหตุ: ข้อมูลที่นำมาสรุปในโพสต์หรือบทความนี้ ส่วนนึงมาจากสิ่งที่ผมกรั่นกรองมาจากในงาน LINE Thailand Developer Conference 2026 และนำข้อมูลเพิ่มเติมมาจาก https://web.facebook.com/LINEDEVTH เพื่อเรียบเรียงให้ถูกต้องมากที่สุด หากผิดพลาดต้องขออภัยมา ณ ที่นี้ครับ