เจาะประเด็น
AI / DevTools
DoorDash ปล่อย AI หลายตัวช่วยกันรุมเก็บ Feature Flag 6 หมื่นตัว
งานบ้านหลังบ้านที่ไม่มีใครอยากทำ DoorDash โยนให้ระบบ LLM หลายตัวช่วยกันจัดการ แล้วผลลัพธ์ก็ออกมาคุ้มเกินคาด
ทีมข่าว เอไอไทย.com
⏱ อ่าน 4 นาที
บางทีปัญหาใหญ่สุดของทีมวิศวกรรมไม่ใช่การเขียนโค้ดใหม่ แต่คือการรื้อโค้ดเก่าที่ไม่มีใครกล้าแตะ
ถ้าใครเคยทำงานสายซอฟต์แวร์คงรู้ว่า feature flag เนี่ยมันเหมือนของที่ซื้อมากองไว้ในบ้าน แล้วพอไม่ได้ใช้ก็ไม่มีใครยอมทิ้งสักที ทีมวิศวกรรมของ DoorDash เจอปัญหานี้แบบเต็มๆ เพราะมี flag ค้างอยู่ในระบบมากกว่า 60,000 ตัว กระจายอยู่ตาม 623 repository และการจะไล่เก็บทีละตัวด้วยมือก็แทบไม่ต่างจากการขุดหลุมถมเอง
ทางออกที่ DoorDash เลือกคือสร้างระบบ LLM แบบ multi-agent ขึ้นมาเพื่อจัดการงานเก็บกวาดนี้โดยเฉพาะ ไม่ใช่แค่ให้ AI ตัวเดียวไล่อ่านโค้ดแล้วลบมั่วๆ แต่เป็นระบบที่ออกแบบมาเป็นขั้นตอน มีทั้งการดึงข้อมูลการทดลองสดๆ ผ่าน MCP ให้วิศวกรกดอนุมัติ ใช้ Git worktree แยกออกมาเพื่อไม่ให้ไปยุ่งกับ branch หลัก แล้วก็ปล่อย agent หลายตัวทำงานขนานกัน พร้อมระบบตรวจสอบอัตโนมัติคอยเช็กว่าสิ่งที่ AI ทำลงไปถูกต้องจริง
ในการประเมินผลกับ flag จำนวน 50 ตัว ระบบนี้สร้าง pull request ที่ใช้งานได้จริง 45 ตัว คิดเป็นอัตราความสำเร็จสูงมาก และใช้เวลาเฉลี่ยเพียง 13.8 นาทีต่อการเก็บกวาดหนึ่งครั้ง ด้วยต้นทุน 4.79 ดอลลาร์ต่อครั้ง ลองคิดดูว่าถ้าให้วิศวกรนั่งทำเอง หนึ่งชั่วโมงของเงินเดือนเขาสูงกว่านี้กี่เท่า แล้วต้องเสียเวลาไปกับงานที่ไม่มีใครนับเป็นผลงาน (แต่ถ้าไม่ทำก็กลายเป็นหนี้ทางเทคนิค) อีกเท่าไหร่
จุดที่น่าสนใจคือการออกแบบให้มีวิศวกรคอยอนุมัติอยู่ด้วย ไม่ได้ปล่อยให้ AI ลบโค้ดเองแบบไร้คนคุม นี่คือวิธีคิดที่ผมว่าฉลาด เพราะต่อให้ agent จะแม่นแค่ไหน การลบโค้ดที่ดูเหมือนไม่ได้ใช้แต่อาจผูกกับระบบอื่นอยู่ ก็ยังเป็นความเสี่ยงที่ไม่มีทีมไหนอยากรับ และการมี Git worktree แยกออกมาทำงานก็ช่วยให้ทุกอย่างโปร่งใส ตรวจสอบย้อนกลับได้
ที่ต้องจับตาคือระบบแบบนี้จะกลายเป็นเทมเพลตให้บริษัทอื่นทำตามไหม เพราะปัญหาหนี้ทางเทคนิคแบบนี้ไม่ได้มีแค่ DoorDash ทุกบริษัทที่โตเร็วและปล่อยฟีเจอร์ถี่ๆ จะเจอปัญหาเดียวกันหมด ต่างกันแค่ใครยอมรับว่ากองขยะในโค้ดตัวเองใหญ่แค่ไหน ถ้าระบบนี้พิสูจน์ได้ว่าคุ้มต้นทุนจริงในระยะยาว มันอาจเปลี่ยนวิธีที่ทีมวิศวกรรมมองงาน "เก็บกวาด" ไปเลยก็ได้
ดึงข้อมูลทดลองสดผ่าน MCP
ระบบเชื่อมกับข้อมูลการทดลองที่ยัง active เพื่อให้ AI ตัดสินใจบนข้อมูลจริง ไม่ใช่เดาจากโค้ดอย่างเดียว
วิศวกรอนุมัติก่อนลบ
ไม่ปล่อยให้ AI ลบโค้ดเองอัตโนมัติทั้งหมด มีคนกดยืนยันขั้นตอนสำคัญ
Git worktree แยก + agent ขนาน
แยกพื้นที่ทำงานออกจาก branch หลัก แล้วปล่อย agent หลายตัวทำพร้อมกัน พร้อมระบบตรวจสอบอัตโนมัติ
นี่ไม่ใช่แค่เรื่อง AI เก่งขึ้น แต่เป็นตัวอย่างว่าบริษัทเทคเริ่มกล้าโยนงานที่เคยเป็น "งานมือ" ล้วนๆ ให้ระบบอัตโนมัติทำ แล้วตัวเลข 45 จาก 50 กับต้นทุนไม่ถึง 5 ดอลลาร์ต่อครั้งก็บอกอยู่แล้วว่ามันคุ้ม ใครยังให้ทีมมานั่งเก็บ flag ด้วยมืออยู่ อาจต้องกลับมาคิดใหม่
ที่มา: InfoQ AI/ML — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...