AI อาจตอบรับอย่างมั่นใจ แต่ผลลัพธ์ยังต้องกลับมาแก้ซ้ำ เพราะไม่รู้ว่าองค์กรทำงานอย่างไร นี่คือปัญหาที่ Brandon Waselnuk จาก Unblocked ชวนดูในคลิป Your agents lack context ทางช่อง AI Engineer เขาเสนอให้พิจารณาบริบทที่ระบบส่งให้ AI ควบคู่กับความสามารถของโมเดล
Context engineering คือการออกแบบข้อมูลประกอบงานที่ให้ AI เพื่อให้ได้ข้อมูลเกี่ยวข้อง ถูกเวลา และตามสิทธิ์ที่อนุญาต คลิปเริ่มจากงานเขียนโค้ดและขยายไปถึงทีมอื่น ตัวอย่างธุรกิจไทยในบทความเป็นข้อเสนอของ VibeSolo สำหรับนำไปลองกับงานของตัวเอง
เปลี่ยนมุมมองจาก AI ผู้ช่วย เป็นพนักงานใหม่ที่ยังไม่รู้จักบริษัท
Brandon เสนอมาตรฐานที่น่าสนใจว่า โค้ดที่ AI สร้างควรให้ความรู้สึกเหมือนเขียนโดยคนที่อยู่กับทีมมาหลายปี คือเข้าใจวิธีทำงานและข้อจำกัดของทีม ไม่ใช่เพียงเขียนโค้ดที่ทำงานได้
เขาเปรียบคนทำงานเป็นระบบสะสมบริบทผ่านการถามคำถาม ส่งงานแล้วถูกตีกลับ ประชุม และอยู่ในเหตุการณ์ที่ระบบล่ม ความเข้าใจเรื่องงานจึงเกิดขึ้นต่อเนื่อง ไม่ได้มาจากคู่มือเพียงชิ้นเดียว
ส่วน Agent ที่เปิดรอบทำงานใหม่อาจยังไม่มีบริบทว่าองค์กรทำงานอย่างไร ในการประยุกต์ของ VibeSolo ข้อมูลที่ทีมอาจต้องเตรียมจึงรวมถึงโทนภาษา โปรโมชั่นที่ยังใช้ได้ เงื่อนไขส่วนลด หรือประเภทเคสที่ต้องส่งให้คนตัดสินใจ
การให้ AI เข้าถึงไฟล์จึงควรมาคู่กับการคัดข้อมูลที่เกี่ยวข้อง ตรวจข้อมูลที่ขัดกัน และบังคับสิทธิ์การเข้าถึง ตามกรอบที่ Brandon อธิบาย
วางบริบทก่อนขยายงานอัตโนมัติ
Brandon อธิบายว่าในงานช่วยเติมโค้ด คนใช้บริบทของตัวเองตัดสินใจว่าจะรับหรือปฏิเสธคำแนะนำ แต่เมื่อขยับไปใช้ Agent ที่ทำงานหลายขั้น ทำงานขนาน หรือทำงานเบื้องหลัง ภาระจากบริบทที่ผิดอาจขยายตามการใช้งาน
ปัญหาที่เขายกขึ้นมาได้แก่:
- วงจรแก้งานซ้ำ เมื่อ Agent บอกว่าทำเสร็จแต่ยังไม่ตรงงาน
- เวลาและ token ที่เสียกับการค้นข้อมูลซ้ำ
- ภาระตรวจงานเมื่อใช้หลาย Agent และผู้ตรวจยังขาดบริบทของธุรกิจ
- โค้ดที่คอมไพล์ผ่าน แต่ผิดขั้นตอนนำขึ้นใช้งานของทีม
ตัวอย่างสมมติของ VibeSolo คือผู้ช่วยฝ่ายขายที่ดึงข้อมูลสินค้าเก่าไปเสนอ หรือผู้ช่วยบริการลูกค้าที่อ้างเงื่อนไขคืนสินค้าฉบับก่อน สถานการณ์นี้ชวนให้ตรวจเวอร์ชันข้อมูลก่อนให้ระบบตอบหรือดำเนินการต่อ
ข้อเสนอของ VibeSolo คือเริ่มตรวจแหล่งข้อมูลและสิทธิ์ตั้งแต่งานยังเล็ก แล้ววัดว่ายังมีการแก้ซ้ำและค้นข้อมูลซ้ำตรงไหนก่อนขยายงาน
เลี่ยงกับดักเอกสารสรุปและการเชื่อมต่อข้อมูลแบบผิวเผิน
แนวทางหนึ่งที่ Brandon เรียกว่า curated context trap คือรวบรวมความรู้ลงไฟล์ Markdown หรือคู่มือโครงการให้ Agent ค้น เขาบอกว่าวิธีนี้ช่วยให้ได้ข้อมูลและทำงานดีขึ้นได้ แต่มีภาระกระจายไฟล์ รักษาข้อมูลให้ใหม่ และคัดบริบทให้คนหลายกลุ่ม
ข้อจำกัดที่เขาชวนคิดคือ ใครจะรู้และคัดบริบทที่เหมาะกับทุกคนในองค์กร และจะทำอย่างไรเมื่อสิ่งที่ทีมตกลงใหม่ยังไม่สะท้อนในเอกสารเดิม
อีกแนวทางคือเชื่อมข้อมูลผ่าน MCP หรือ Model Context Protocol ซึ่งให้ AI เรียกเครื่องมือและข้อมูลภายนอก Brandon ชี้ว่าการเปิดเครื่องมือให้ยังไม่รับรองว่า Agent จะเลือกเรียกเครื่องมือนั้น หรือค้นข้อมูลที่จำเป็นได้ครบ
เขาเรียกพฤติกรรมหยุดค้นเมื่อเจอข้อมูลชิ้นแรกที่ดูพอใช้ว่า satisfaction of search ยกตัวอย่าง Agent พบเอกสารสถาปัตยกรรมเก่าแล้วหยุด ทั้งที่แชตเมื่อคืนอาจมีการตัดสินใจใหม่ บทความใช้คำนี้ตามคำอธิบายของผู้พูด ไม่ได้อ้างการศึกษาพฤติกรรมโมเดลอิสระ
ในการประยุกต์ของ VibeSolo จึงควรถามเพิ่มจากจำนวนระบบที่เชื่อมต่อว่า AI พบข้อมูลใหม่กับเก่าได้ไหม และรู้หรือไม่ว่าอะไรเป็นข้อเสนอหรือการตัดสินใจที่ใช้จริง
สร้าง context engine ที่ตอบงานจริง ไม่ใช่แค่ค้นเอกสาร
ในกรอบของ Brandon ระบบที่เรียกว่า context engine คือชั้นรวบรวมข้อมูลหลายแหล่ง แล้วเลือกบริบทให้ตรงคนและงานก่อนส่งให้โมเดล ต้องจัดการความสัมพันธ์ ข้อมูลขัดกัน สิทธิ์ และรูปแบบคำตอบที่เหมาะกับผู้รับด้วย
เขาสรุปองค์ประกอบหลัก 6 เรื่อง:
- บริบทที่เชื่อมกัน ค้นข้ามแหล่งข้อมูลของระบบงาน
- การดึงข้อมูลแบบเจาะจง ได้เอกสารที่ระบุอย่างรวดเร็ว และค้นลึกเมื่องานต้องการ
- การจัดการข้อมูลขัดกัน พิจารณาว่าข้อมูลใดใช้กับงานนี้
- ความเกี่ยวข้องเฉพาะคน รู้ว่าคนถามอยู่ทีมไหนและทำงานอะไร
- การใช้ token ให้เหมาะ ส่งข้อมูลที่ช่วยงานโดยไม่เติมบริบทเกินจำเป็น
- การบังคับสิทธิ์ ไม่ส่งข้อมูลที่ผู้ใช้ไม่มีสิทธิ์เห็นออกไปในคำตอบ
ตัวอย่างประยุกต์ของ VibeSolo คือผู้ช่วยตอบลูกค้าที่ดึงข้อมูลสินค้า เงื่อนไขบริการ และสถานะคำสั่งซื้อที่ลูกค้ารายนั้นเข้าถึงได้ พร้อมระบุว่าโปรโมชั่นชุดใดใช้อยู่ โดยไม่เอาโน้ตภายในหรือข้อมูลลูกค้าคนอื่นมาปน
ข้อเสนอของ VibeSolo สำหรับทีมเล็กคือเริ่มจากขั้นตอนงานเดียวที่วัดผลได้ เช่นร่างคำตอบคำถามที่พบบ่อยหรือสรุปเคสบริการ แล้วค่อยเพิ่มแหล่งข้อมูลและกติกาหลังเห็นข้อจำกัด ไม่จำเป็นต้องสร้างระบบทุกส่วนพร้อมกันตั้งแต่วันแรก
วัดผลจากเวลา คุณภาพ และ token ไม่ใช่ความรู้สึก
Brandon รายงานการเปรียบเทียบที่ใช้พรอมป์เดียวกันและโมเดลเดียวกัน โดยมีและไม่มี context engine งานที่ไม่มีบริบทใช้ประมาณ 21 ล้าน token ส่วนงานที่มีบริบทใช้ 10.8 ล้าน token และเสร็จเร็วกว่าประมาณสองชั่วโมง Token คือหน่วยข้อความที่โมเดลรับหรือสร้าง ตัวเลขนี้เป็นผลที่ผู้พูดรายงานในคลิป ไม่ใช่ benchmark ที่บทความทดสอบซ้ำ
คลิปไม่ได้ให้รายละเอียดงาน โมเดล จำนวนตัวอย่าง หรือขั้นตอนทดลองพอให้ประเมินผลทั่วไป จึงไม่ควรคาดว่าทุกทีมจะลดเวลาและ token ได้เท่ากัน ข้อเสนอที่ควรนำไปตรวจต่อคือบริบทช่วยลดการค้นซ้ำหรือการแก้งานในโจทย์ของทีมเราได้แค่ไหน
ข้อเสนอของ VibeSolo คือวัดทั้งต้นทุนที่เห็นและงานที่ทีมต้องทำต่อ เช่น:
- เวลาที่คนใช้แก้คำตอบของ AI ต่อเคส
- จำนวนครั้งที่ส่งงานจาก Agent กลับมาหาคน
- คำตอบที่อ้างนโยบายหรือข้อมูลผิดเวอร์ชัน
- เวลาปิดเคสหรือเตรียมข้อมูลขาย
- จำนวนครั้งที่ทีมต้องถามข้อมูลเดิมซ้ำ
เริ่มจากงานที่ต้องใช้ความรู้ของทีม
แม้คลิปเริ่มจากงานสร้างโค้ด Brandon ก็เล่าว่าลูกค้าของ Unblocked ใช้กับทีมบริการลูกค้าและฝ่ายขายด้วย เช่นค้นข้อมูลประกอบการแก้เคสหรือระหว่างคุยขาย ข้อมูลนี้เป็นคำบอกเล่าของผู้ให้บริการ ไม่ใช่ผลสำรวจหรืออัตราความสำเร็จที่ตรวจอิสระ
สามรูปแบบต่อไปนี้เป็นข้อเสนอประยุกต์ของ VibeSolo:
1. ผู้ช่วยทีมบริการลูกค้า
เชื่อมฐานความรู้ สถานะคำสั่งซื้อ ประวัติการติดต่อ และนโยบายล่าสุด เพื่อให้ AI ร่างคำตอบพร้อมอ้างแหล่งข้อมูล กำหนดเคสที่ต้องให้คนพิจารณาตามขอบเขตธุรกิจ เช่นการคืนเงินหรือข้อมูลส่วนบุคคล
2. ผู้ช่วยเตรียมข้อมูลฝ่ายขาย
สรุปข้อมูลลูกค้า โอกาสขาย และโน้ตการติดต่อก่อนประชุม โดยทีมต้องกำหนดเจ้าของข้อมูลและวิธีตรวจความใหม่ของข้อมูลในระบบลูกค้า
3. ผู้ช่วยถามตอบนโยบายภายใน
ให้พนักงานถามขั้นตอนเบิกค่าใช้จ่าย วันลา หรือแนวทางทำงาน โดยระบุแหล่งข้อมูลและวันที่อัปเดต พร้อมกำหนดสิทธิ์ที่ระบบต้องบังคับตามบทบาท
แหล่งที่มา: Your agents lack context โดย Brandon Waselnuk จาก Unblocked ทางช่อง AI Engineer อัปโหลดวันที่ 9 กันยายน 2026 เวลาไทย บทความนี้สรุปคำอธิบายและสิ่งที่ผู้พูดรายงาน โดยแยกข้อเสนอของ VibeSolo ไว้ในส่วนประยุกต์ วันอัปโหลดไม่ใช่วันจัดงานหรือวันเผยแพร่บทความนี้
