ในยุคที่ AI Agent ปั่นโค้ดออกมาได้มหาศาล คำถามของวิศวกรซอฟต์แวร์ไม่ใช่ “จะเขียนให้เร็วขึ้นอย่างไร” อีกต่อไป แต่คือ “จะรักษาคุณภาพโค้ดอย่างไร เมื่อปริมาณงานพุ่งเป็นทวีคูณ” Lauren Tan วิศวกรของ SpaceX ผู้ดูแลทีม Grok Bot เล่าเบื้องหลังที่ทีมส่งงานขึ้นระบบจริงได้กว่า 11,000 ครั้งต่อเดือน โดยที่แอปไม่พังลง
เคยเปิดดูโค้ดที่คนอื่น (หรือ AI) เขียนแล้วถอนหายใจพร้อมคิดในใจไหมว่า “นี่มันโค้ดขยะ (Slop) ชัดๆ”
ในยุคที่ทุกคนมี AI Agent เป็นผู้ช่วยเขียนโค้ด ใครๆ ก็ปั่นโค้ดออกมาได้มหาศาลเหมือนเครื่องจักร แต่คำถามสำคัญของวิศวกรซอฟต์แวร์ยุคนี้ไม่ใช่ “จะเขียนโค้ดให้เร็วขึ้นได้อย่างไร” อีกต่อไป แต่คือ “เราจะรักษาหรือยกระดับคุณภาพโค้ดให้ดีขึ้นได้อย่างไร ในขณะที่ปริมาณงานพุ่งสูงขึ้นเป็นทวีคูณ”
Lauren Tan (หรือ Potato) Principal Engineer ของ SpaceX ซึ่งทำงานในทีม Grok Bot ขึ้นเวที AI Engineer Code Summit ในหัวข้อ “All Code Is Slop (Except Mine)” แชร์เบื้องหลังแนวคิดสุดท้าทาย หลังจากที่ตัวเธอเองส่ง Pull Request (PR) ขึ้น Production ไปถึง 3,000 ครั้งในเดือนเดียว และทีมของเธอทำสถิติทะลุ 11,000 PR ต่อเดือน โดยที่ประสิทธิภาพของแอปไม่ได้พังลง แต่กลับเร็วและเสถียรขึ้นกว่าเดิมเสียอีก

นี่คือแก่นความคิด การค้นพบใหม่ และสิ่งที่ต้องระวังอย่างยิ่ง หากคุณกำลังใช้ AI Agent ในการพัฒนาซอฟต์แวร์
แนวคิดใหม่: วิศวกรซอฟต์แวร์คือ “คนทำสวน” ไม่ใช่แค่คนพิมพ์โค้ด
เดิมทีโค้ดที่ส่งเข้ามาให้ตรวจ (Review) มีเพียงวันละไม่กี่ชิ้น แต่วันนี้วิศวกรหนึ่งคนเปรียบเสมือนหัวหน้าทีมที่มี AI Agent นับร้อยนับพันตัวคอยส่งโค้ดเข้ามาตลอดเวลาจนไหลเป็นสายน้ำ
Lauren เปรียบเทียบว่า Codebase ของเราก็เหมือน “สวน” และหน้าที่ของวิศวกรคือการเป็น “คนทำสวน” เพราะธรรมชาติของ AI Agent คือการเรียนรู้และลอกเลียนแบบจากสิ่งที่เห็นใน Codebase เป็นหลัก หากในสวนของคุณมี “วัชพืช” อย่างโค้ดที่เขียนแก้ขัด (Workaround) โค้ดเก่าที่ล้าสมัย หรือโครงสร้างที่ผิดหลักการ AI ตัวต่อไปก็จะมองว่านั่นคือมาตรฐานของโปรเจกต์ และก๊อปปี้วัชพืชนั้นไปขยายพันธุ์จนรกเต็มสวนในพริบตา
ทางออกจึงไม่ใช่การนั่งสั่งห้าม AI ด้วยตัวอักษร แต่คือการเท “ฐานรากคอนกรีต” ที่แข็งแรง ให้โค้ดเติบโตไปในทิศทางที่ถูกต้องโดยอัตโนมัติ
4 ชั้นแห่งความเชื่อใจ (The Inverse Pyramid of Trust)
แทนที่จะ “เชื่อใจ AI แบบหลับหูหลับตา” เธอเสนอให้ลงทุนสร้างสภาพแวดล้อมที่บีบให้ AI ทำสิ่งที่ถูกต้องตั้งแต่แรก ผ่านพีระมิดกลับหัว 4 ชั้น เรียงจากฐานรากที่สำคัญที่สุดไปหาส่วนเสริม
- ตัวโค้ดและสถาปัตยกรรม (Deterministic Code & Architecture): ออกแบบ API และโครงสร้างโฟลเดอร์ให้ชัดเจนและบังคับทิศทางได้ เช่น แยกโค้ดฝั่ง
rendererกับmainของแอป Electron ออกจากกันเด็ดขาด แล้วใช้เครื่องมือตรวจความสัมพันธ์ของไฟล์ห้ามไม่ให้สองฝั่งเรียกหากันโดยตรง - กฎเหล็กและการทดสอบอัตโนมัติ (Lint Rules, Type Systems & Testing): สิ่งไหนที่ซับซ้อนและ AI มักใช้ผิดบ่อยๆ เช่น
useEffectใน React ให้ตั้งกฎ Lint แบนไม่ให้ใช้ในโค้ดทั่วไปเลย เพื่อตัดปัญหาตั้งแต่ต้นตอโดยไม่ต้องเสียเวลานั่งตรวจเอง - การตรวจสอบผลลัพธ์จริง (Runtime & Formal Verification): เปิดโอกาสให้ AI รันโค้ดและดีบักด้วยตัวเองผ่านเครื่องมืออย่าง Chrome DevTools รวมถึงนำเทคนิคขั้นสูงอย่าง Formal Verification (เช่น TLA+ หรือ Lean) มาช่วยพิสูจน์ความถูกต้องของระบบ
- คำอธิบายและกฎที่เป็นภาษาคน (Prose, Rules &
AGENTS.md): ใช้ให้น้อยที่สุด และเก็บไว้เฉพาะเรื่องที่ต้องใช้วิจารณญาณจริงๆ เท่านั้น

การค้นพบที่น่าสนใจ: ยุคทองของการทดสอบซอฟต์แวร์
- คอขวดย้ายจากการ “เขียน” มาอยู่ที่การ “ตรวจสอบ”: เมื่อ AI เขียนโค้ดได้เร็วมาก งานหนักจึงย้ายมาอยู่ที่การตรวจงาน ทีมจึงให้ AI รันเทสต์ ตรวจสอบสถานะ และสร้างหลักฐานยืนยัน เช่น วิดีโอ สกรีนช็อต หรือแผนภาพ State Chart เพื่อให้มนุษย์ตรวจงานได้ในพริบตา
- การคืนชีพของ Formal Verification: เทคนิคพิสูจน์ความถูกต้องของซอฟต์แวร์ด้วยคณิตศาสตร์และตรรกะอย่าง TLA+ หรือ Lean เคยทำได้ยากและมีต้นทุนสูงเกินไป แต่เมื่อมี AI มาช่วยเขียนและรัน สิ่งเหล่านี้จึงกลายเป็นเรื่องที่ทำได้จริง และช่วยดักจับบั๊กที่ซับซ้อนได้มหาศาล
- ยิ่งส่งงานเยอะ บั๊กกลับยิ่งน้อยลง: ทีม Grok Bot ปล่อยอัปเดตเวอร์ชันเสถียรแทบทุกวัน แต่อัตราการดึงโค้ดกลับ (Revert Rate) กลับลดลงจนนิ่งอยู่ที่ประมาณ 0.5% เท่านั้น
สิ่งที่น่ากังวลและกับดักที่ต้องระวัง
แม้ผลลัพธ์จะดูน่าทึ่ง แต่ Lauren เตือนถึงพฤติกรรมแปลกๆ และอันตรายของ AI Agent ที่คนทำงานต้องรู้เท่าทัน
- AI ชอบเขียน “ข้อแก้ตัว” ใน Comment: เมื่อ AI เจอทางตันหรือโครงสร้างโค้ดที่ขัดแย้งกัน มันมักเลือกวิธีแก้ขัดแบบมักง่าย เช่น ยัด Timer อย่าง
setTimeoutรัวๆ จนแอปกระตุก ที่แย่กว่านั้นคือมันจะเขียน Comment ยืดยาวเพื่ออธิบายเหตุผลเข้าข้างตัวเอง ส่งผลให้ AI ตัวต่อๆ มาหลงเชื่อและทำตาม จนระบบพัง (ทางแก้ของทีมเธอคือ แบนการเขียน Comment แทบทั้งหมดในโปรเจกต์ไปเลย) - การตีความคำเตือนแบบสุดโต่ง (Over-rotating): หากคุณแก้โค้ดให้ AI แล้วเขียนกำชับไว้ในไฟล์กฎ (Markdown) บางครั้ง AI จะยึดติดกับคำเตือนเล็กๆ นั้นมากเกินไป จนตีความว่าเป็นกฎเหล็กที่ห้ามละเมิดเด็ดขาดในทุกกรณี
- การเร่งระบบอัตโนมัติบนฐานที่ผุพัง: หากกระบวนการเขียนโค้ดพื้นฐานยังผลิต “โค้ดขยะ” ออกมา การสร้างระบบอัตโนมัติ (Software Factory) ครอบทับลงไป ก็เป็นเพียงการเร่งผลิตขยะให้เร็วขึ้นและเผาผลาญค่า Token ทิ้งโดยเปล่าประโยชน์
แหล่งอ้างอิง
- AI Engineer (YouTube) – All Code Is Slop (Except Mine) — Lauren Tan
youtu.be/O_zcc6Xl12g



