เจาะลึก
AI Agents
LinkedIn ต่อขา AI Agent ด้วย Context Layer กลาง ลดงานเสียเวลาช่วยโค้ดดิ้งขึ้น 20%
ปัญหาใหญ่ของ AI เขียนโค้ดไม่ใช่ตัวโมเดล แต่คือการที่มันไม่รู้ว่าองค์กรเราทำงานกันยังไง
ทีมข่าว เอไอไทย.com
⏱ อ่าน 4 นาที
ต่อให้โมเดลฉลาดแค่ไหน ถ้าไม่รู้ว่าโค้ดเบสของบริษัทเขียนกันยังไง มันก็ได้แค่เดา — LinkedIn เลยแก้ที่รากปัญหานั้น
หนึ่งในปัญหาที่ทีมวิศวกรรมทั่วโลกเจอเหมือนกันหมดเวลาลองเอา AI Agent มาช่วยเขียนโค้ดในระบบใหญ่ๆ คือ agent มันเก่งนะเวลาอยู่ในโปรเจกต์เล็กๆ ไม่กี่ไฟล์ แต่วินาทีที่ต้องเจอโค้ดเบสระดับล้านบรรทัดที่คนเขียนกันมาสิบปี มันจะเริ่มมึน ไม่รู้ว่าไฟล์ไหนสำคัญ ใครดูแล มาตรฐานการเขียนเป็นแบบไหน แล้วก็เริ่มมั่ว
LinkedIn เจอปัญหานี้เต็มๆ และทางออกที่ทีมเลือกไม่ใช่การไปหาโมเดลใหม่ที่ฉลาดกว่า แต่เป็นการสร้าง "ชั้นบริบท" กลางขึ้นมาป้อนให้ agent โดยเฉพาะ — Ajay Prakash ออกมาเล่าเบื้องหลังในงานนำเสนอที่เผยแพร่ผ่าน InfoQ ว่าเขาและทีมสร้างสิ่งที่เรียกว่า Contextual Agent Playbooks and Tools ขึ้นมาบนฐานของ Model Context Protocol หรือ MCP
ไอเดียหลักมันเรียบง่ายมาก — แทนที่จะปล่อยให้ agent งมโค้ดเบสเองทั้งหมด LinkedIn เอาความรู้ที่อยู่ในหัวคนในองค์กรออกมาเป็นระบบ เช่น วิธีรันโปรเจกต์ ขั้นตอนแก้ปัญหาที่เคยเจอ (runbooks) และความสามารถในการค้นหาโค้ดที่แม่นยำ แล้วป้อนสิ่งเหล่านี้ให้ agent แบบตรงๆ ผ่าน MCP
Prakash อธิบายว่าสิ่งที่ทีมสร้างขึ้นมานี้ทำหน้าที่เป็นเหมือน "procedural memory" ขององค์กร — คือความจำว่าขั้นตอนการทำงานเป็นยังไง ไม่ใช่แค่ความจำว่าข้อมูลคืออะไร ซึ่งตรงนี้แหละที่เป็นจุดต่างสำคัญ เพราะโมเดลภาษาโดยทั่วไปมันจำข้อเท็จจริงได้ แต่จำ "วิธีทำ" แบบเฉพาะเจาะจงของแต่ละบริษัทไม่ได้
ตัวเลขที่ Prakash แชร์ออกมาคือ productivity เพิ่มขึ้น 20% และที่สำคัญกว่านั้นคือ reliability ไม่ลดลงเลย — ฟังดูเหมือนไม่เยอะ แต่ถ้าใครเคยทำงานกับ AI Agent ในระบบ production จะรู้ว่าการได้ productivity เพิ่มโดยที่ของไม่พังคือเรื่องที่ยากมาก ส่วนใหญ่พอเร่งความเร็วปุ๊บ คุณภาพมักร่วงตาม
นอกจากนี้เขายังเล่ารายละเอียดเชิงสถาปัตยกรรมและ operational guardrails ที่ทีมวางไว้ด้วย — คือไม่ได้ปล่อยให้ agent วิ่งพล่านทั่วระบบ แต่มีกรอบความปลอดภัยชัดเจนว่ามันเข้าถึงอะไรได้แค่ไหน ทำอะไรได้บ้าง ซึ่งเป็นบทเรียนสำคัญสำหรับทีมอื่นที่กำลังจะเริ่มทำแบบเดียวกัน
ผมมองว่ากรณีนี้สะท้อนความจริงที่หลายคนยังไม่ยอมรับ — ปัญหาใหญ่ของ AI Agent ในองค์กรตอนนี้ไม่ใช่เรื่องโมเดลฉลาดไม่พอ แต่เป็นเรื่อง "บริบท" ที่มันไม่เคยได้รับ ต่อให้ใช้โมเดลระดับท็อป แต่ถ้าไม่รู้ว่าโค้ดเบสบริษัทเราเขียนกันยังไง มันก็ได้แค่เดา แล้วการเดาในระบบใหญ่ๆ คือหายนะ
การที่ LinkedIn เลือกสร้าง Context Layer บน MCP ยังบอกอะไรอีกอย่าง — MCP กำลังกลายเป็นมาตรฐานกลางที่บริษัทใหญ่เริ่มใช้จริงใน production ไม่ใช่แค่ของเล่นในเดโม ซึ่งน่าจับตาว่าอีกปีสองปีข้างหน้าจะมีบริษัทอื่นออกมาแชร์ playbook แบบนี้ตามมาอีกเยอะแค่ไหน
บทเรียนจาก LinkedIn ชัดเจน — อย่าไปโทษโมเดลอย่างเดียว ถ้าอยากให้ AI Agent ทำงานในระบบใหญ่ได้จริง ต้องลงทุนสร้างชั้นบริบทขององค์กรเอง และ MCP กำลังเป็นเครื่องมือที่บริษัทระดับนี้เลือกใช้จริงแล้ว ไม่ใช่แค่ hype
ที่มา: InfoQ AI/ML — อ่านต้นฉบับ
ความคิดเห็น 5
กำลังโหลดความคิดเห็น...