จากเขียนโค้ดเก่ง สู่การออกแบบโรงงานผลิตซอฟต์แวร์ด้วย AI สิ่งที่ผมว่าน่าสนใจที่สุดจากบทสัมภาษณ์ของ Kun Chen อดีตวิศวกรระดับ L8 จาก Meta/Microsoft ไม่ใช่ตัวเลขว่าเขาส่ง PR ได้วันละ 20-40 PR เพราะถ้าเรามองแค่ตัวเลข เราอาจเข้าใจผิดว่าเรื่องนี้คือ “AI เขียนโค้ดเร็วมาก” แต่จริงๆ แล้วประเด็นใหญ่กว่านั้นคือ เขาไม่ได้ใช้ AI เป็นผู้ช่วยเขียนโค้ด เขาใช้ AI เป็นทีมวิศวกรทั้งทีม และตัวเขาเองเปลี่ยนบทบาทจาก “คนเขียนโค้ด” ไปเป็น “คนออกแบบระบบการทำงาน” นี่คือจุดเปลี่ยนสำคัญมากของยุค AI เมื่อก่อนนักพัฒนาเก่ง คือคนที่เข้าใจระบบ เขียนโค้ดเร็ว แก้บั๊กไว และรีวิวโค้ดละเอียด แต่เมื่อ AI เริ่มเขียนโค้ดได้ดีขึ้นเรื่อยๆ งานของมนุษย์จะค่อยๆ ขยับขึ้นไปอีกชั้น จากคนลงมือทำ เป็นคนวางแผน จากคนแก้ทุกบรรทัด เป็นคนออกแบบกระบวนการตรวจสอบ จากคนทำงานทีละงาน เป็นคนบริหาร agents หลายตัวให้ทำงานพร้อมกัน Workflow ของ Kun แบ่งง่ายๆ เป็น 3 ขั้น Plan, Code, Validate ขั้นแรกคือ Plan หรือการวางแผน เขาใช้เวลากับขั้นนี้เยอะที่สุด เพราะเขามองว่าถ้าแผนชัด AI จะสามารถทำงานต่อเนื่องได้นานขึ้น และลดโอกาสที่มนุษย์ต้องกลับเข้าไปแก้กลางทาง นี่เป็นเรื่องที่หลายคนมองข้าม หลายคนใช้ AI ด้วยการพิมพ์ prompt สั้นๆ แล้วหวังให้ AI เดาถูกทั้งหมด แต่ถ้าเปรียบเทียบกับการบริหารคน เราไม่มีทางบอก junior engineer ว่า “ทำระบบให้ดีๆ หน่อย” แล้วคาดหวังว่างานจะออกมาตรงใจ AI ก็เหมือนกัน ถ้า brief ไม่ชัด มันก็จะสร้างงานที่ดูเหมือนถูก แต่ผิดทิศทาง เพราะฉะนั้นความเก่งในยุคนี้จึงไม่ใช่แค่ prompt ยาว แต่คือความสามารถในการแตกโจทย์ให้กลายเป็นแผนที่ AI เอาไปทำต่อได้จริง ขั้นที่สองคือ Code ในขั้นนี้ Kun ปล่อยให้ AI Agents ลงมือเกือบทั้งหมด แต่ความลับไม่ได้อยู่ที่การให้ agent ตัวเดียวทำทุกอย่าง เขาใช้แนวคิด parallelization หรือการทำงานแบบขนาน ระหว่างที่ agent ตัวหนึ่งกำลังทำ feature A เขาก็เปิด agent อีกตัวไปทำ refactor อีกตัวไปเขียน test อีกตัวไปสำรวจ codebase อีกตัวไปทดลองแนวทางใหม่ ปัญหาคือ ถ้า agents หลายตัวทำงานบน repo เดียวกัน มันอาจแก้ไฟล์ทับกัน ทำ dependency พัง หรือสร้าง conflict เยอะมาก เขาจึงมีเครื่องมือชื่อ Treehouse เพื่อจัดการ Git Worktrees ให้ agent แต่ละตัวมีพื้นที่ทำงานของตัวเอง อธิบายง่ายๆ คือ เหมือนเรามีโต๊ะทำงานหลายโต๊ะให้พนักงานแต่ละคน ไม่ใช่ให้ทุกคนมานั่งเขียนงานทับกันบนกระดาษแผ่นเดียว นี่ทำให้การทำงานขนานเป็นไปได้จริง ไม่ใช่แค่เปิด AI หลายหน้าต่างแล้วสุดท้ายเละกว่าเดิม ขั้นที่สามคือ Validate ขั้นนี้สำคัญที่สุดสำหรับการนำ AI ไปใช้จริง เพราะถ้า AI เขียนโค้ดเร็ว แต่ไม่มีระบบตรวจสอบ เราจะได้ปัญหาเร็วขึ้น ไม่ใช่ได้โปรดักต์เร็วขึ้น Kun จึงสร้างเครื่องมือชื่อ No Mistakes แนวคิดคือ แทนที่มนุษย์ต้องอ่าน diff ทุกบรรทัด เขาให้ AI อีกตัวที่มี context ใหม่ทั้งหมดเข้ามารีวิวงาน ตรงนี้สำคัญมาก เพราะ AI ตัวที่เขียนโค้ดอาจมีอคติเข้าข้างตัวเอง หรือจำ reasoning เดิมของตัวเองอยู่ การให้ AI อีกตัวที่ fresh context มาตรวจ จึงเหมือนให้ reviewer คนใหม่ที่ไม่ได้มีส่วนร่วมกับงานเดิมเข้ามาดู ถ้าเจอบั๊กที่แก้ได้ตรงๆ ระบบก็แก้ให้ ถ้าเป็นเรื่องที่กระทบ intent ของโปรดักต์ ก็ escalate ให้มนุษย์ตัดสินใจ ถ้าต้องทดสอบ ก็รัน test ถ้าต้องมีหลักฐาน ก็แคปหน้าจอ ถ้าต้องเปิด PR ก็เปิดให้พร้อมสรุปความเสี่ยง นี่คือสิ่งที่ผมคิดว่าเป็นหัวใจของ Agentic Engineering ไม่ใช่แค่ “ใช้ AI เขียนโค้ด” แต่คือการสร้างสายพานการผลิตซอฟต์แวร์ที่มี AI ช่วยตั้งแต่คิด วางแผน ลงมือ ตรวจสอบ ทำเอกสาร และส่งมอบ สิ่งนี้สำคัญกับคนไทยและธุรกิจไทยมากกว่าที่คิด เพราะหลายธุรกิจไม่ได้ติดปัญหาว่าไม่มีไอเดีย แต่ติดที่ทุกอย่างค้างอยู่กับคนไม่กี่คน เจ้าของต้องคิดเอง ทีมต้องทำเอง โปรแกรมเมอร์ต้องแก้เอง หัวหน้าต้องตรวจเอง เอกสารไม่มี test ไม่มี workflow ไม่มี พอจะเพิ่มความเร็ว ก็ไปเพิ่มคน แต่ในยุค AI วิธีคิดอาจเปลี่ยนไป ก่อนถามว่า “ต้องจ้างคนเพิ่มไหม” เราอาจต้องถามก่อนว่า “มีขั้นตอนไหนที่ AI รับช่วงต่อได้ไหม” เช่น เขียนสเปกจากไอเดีย แตก feature เป็น task สร้าง mockup เขียน test case ตรวจ code smell ทำเอกสาร สรุป PR หาจุดเสี่ยงก่อน deploy สร้าง checklist ก่อนส่งลูกค้า งานเหล่านี้หลายอย่างไม่จำเป็นต้องให้มนุษย์ทำเองทั้งหมดแล้ว แต่มนุษย์ยังต้องเป็นคนกำหนดทิศทาง ยังต้องตัดสินใจเรื่อง product ยังต้องตรวจเรื่อง business impact ยังต้องรับผิดชอบความปลอดภัย และยังต้องรู้ว่าอะไรควรปล่อยให้ AI ทำ อะไรไม่ควรปล่อย เพราะด้านอันตรายของ workflow แบบนี้ก็มีเหมือนกัน PR เยอะ ไม่ได้แปลว่าคุณภาพดีเสมอไป AI ทดสอบได้ ไม่ได้แปลว่าปลอดภัยเสมอไป โค้ด merge ได้ ไม่ได้แปลว่าธุรกิจควรปล่อย feature นั้นเสมอไป ถ้าไม่มี requirement ที่ชัด ไม่มี test ที่ดี ไม่มี security checklist ไม่มีคนเข้าใจภาพรวมของระบบ AI จะไม่ได้ทำให้เราดีขึ้น มันจะทำให้เราสร้างความผิดพลาดได้เร็วขึ้น เพราะฉะนั้นบทเรียนจาก Kun Chen ไม่ใช่ “ทุกคนต้องส่ง PR วันละ 40 PR” แต่คือ คนทำงานยุคใหม่ต้องเริ่มออกแบบระบบการทำงานของตัวเอง ถ้าคุณเป็นนักพัฒนา ลองเริ่มจากโปรเจกต์เล็กๆ แล้วให้ AI ทำงานตาม flow นี้ วางแผนก่อน แตกงานเป็น task ให้ agent ทำบน branch แยก ให้ AI อีกตัวรีวิว ให้ test เป็นตัวตัดสิน ให้คนตัดสินเฉพาะจุดสำคัญ ถ้าคุณเป็นเจ้าของธุรกิจ อย่าเพิ่งเริ่มจากการถามว่า “ใช้ AI ตัวไหนดี” ให้เริ่มจากการเขียน flow งานของบริษัทออกมา งานไหนทำซ้ำ งานไหนเสียเวลาตรวจ งานไหนต้องรอคนเดียว งานไหนผิดพลาดบ่อย งานไหนถ้ามี AI ช่วยจะลดเวลาทั้งทีมได้ทันที จุดนั้นแหละครับ คือจุดเริ่มต้นของระบบ AI ที่มีมูลค่าจริง ผมคิดว่าอนาคตของคนทำงานไม่ได้อยู่ที่การใช้ AI แทนมนุษย์ทั้งหมด แต่อยู่ที่การรู้ว่า จะให้ AI ทำตรงไหน จะให้มนุษย์ตัดสินตรงไหน และจะออกแบบระบบอย่างไรให้ทั้งสองฝ่ายทำงานร่วมกันได้เร็วขึ้น ปลอดภัยขึ้น และวัดผลได้จริง คนที่ได้เปรียบในยุคนี้ อาจไม่ใช่คนที่ใช้เครื่องมือใหม่เร็วที่สุด แต่เป็นคนที่เปลี่ยนงานซ้ำๆ ของตัวเองให้กลายเป็นระบบได้เร็วที่สุด AI ไม่ได้แค่ทำให้คนหนึ่งคนทำงานเร็วขึ้น แต่มันกำลังทำให้คนหนึ่งคนที่คิดเป็นระบบ สามารถทำงานเหมือนทีมเล็กๆ ได้ และนี่อาจเป็นทักษะใหม่ที่คนทำงานทุกสายต้องเริ่มฝึกตั้งแต่วันนี้ #AI #AgenticEngineering #SanookAI

Not every session is for everyone. And that's the point. TestMuConf '26 is built around four tracks so you can go deep on what matters most to you, whether that's shipping agentic test pipelines, debating where AI in QA is headed, or building the kind of team culture that makes quality stick. Aug 19–21, 2026. Online. Free. 🔗 testmuai.com/testmuconf-2026… #AI #AgenticEngineering #TestMuConf26 #TestMuAI

Claude Fable 5 launched twelve days after Opus 4.8. Three days later the US government banned it worldwide over a jailbreak. Eighteen days after that, Commerce lifted the order. It came back online on 1 July with a mandatory safety classifier that quietly reroutes risky requests to Opus 4.8 instead of refusing them, and tiered commercial access: some plans get a free allowance through 7 July, standard Enterprise pays usage credits from day one. Read that timeline as a clock, not a headline. Schumpeter's creative destruction usually plays out over years. This played out inside a single quarter, with a federal agency as co-author of the release schedule. Here is what most coverage is missing. The architecture that would make an expensive frontier model affordable, a cheap model doing the daily work and consulting the frontier model only at the hard decisions, is not shipped for Fable. I checked the API directly. It rejects the pairing with a plain error: the advisor model must be at least as capable as the executor, and nothing currently outranks Fable, so Fable can only advise itself. Anthropic already proved the pattern works elsewhere. Pairing Sonnet 4.6 with an Opus 4.6 advisor lifted SWE-bench Multilingual from 72.1% to 74.8% while cutting cost per task by 11.9%. Pairing Haiku 4.5 with an Opus advisor more than doubled BrowseComp accuracy at 85% of the cost of running Sonnet alone. That combination is live today. Sonnet-executor-plus-Fable-advisor is not. The token economics make the gap sting more. Fable prices at $10 per million input tokens and $50 per million output, a five-to-one premium on generation that holds across every current Claude tier. An advisor call is structurally read-heavy: it ingests a transcript and returns a short verdict. Once the pairing ships, that asymmetry is what makes frontier judgment affordable at scale. Until then, Sonnet 5 alone is the better bet: $2 in, $10 out through 31 August, scoring 63.2% on agentic coding against Opus 4.8's 69.2%, closing most of the gap at a third of the cost. So: wire Sonnet 5 with an Opus 4.8 advisor now, so swapping in Fable later is a config change, not a rebuild. Treat Fable API access as a governance line item, not a feature flag. And design your data flows around the five-to-one output premium, because it is structural across the whole model family. The advantage was never exclusive access to the smartest model. It's the routing policy: knowing when your workhorse model should escalate, before the vendor decides that for you. Full piece: drfloriansteiner.com/blog/fa… #AgenticEngineering #ClaudeCode #VibeCoding

"Vibe coding" is officially democratizing software development. It removed the syntax barrier. Anyone with a computer and internet access can now ship functional code without a CS background, and that access is genuinely valuable. That value comes with tradeoffs worth naming. The other side of the coin: 🛑 The vibe tax: codebases built in a weekend are taking weeks to debug once these systems face real load, and that debt compounds early. 🛑 Security and architecture get skipped, often because the people building don't know these vulnerabilities exist. Those vulnerabilities surface once the system is exposed to real users. 🛑 The actual skill in demand is agentic engineering: writing precise specifications up front and having experienced engineers validate the model's output, since a first pass is a draft rather than a finished deliverable. AI lets us build fast, but production-grade security and scale still require engineering judgment. I use it for both: fast prototyping and, with proper orchestration, production work. Where do you land? prototyping only, or shipping to production? #VibeCoding #AgenticEngineering #TechnicalDebt #AppSec

Some historical knowledge 🫠🫠 How Cursor Lost the AI War #AgenticEngineering #AgenticAI #LLM #AI youtube.com/watch?v=w3PtNCM_…

Agentic Engineering Weekly for June 26 – July 4, 2026 Beck repriced some skills at zero, Boris redrew the org chart and reinvented a twenty-year-old map, and Doctorow asked a question that cuts through every AI argument agentic-engineering-weekly.j… #agenticengineering

Are software engineers ready for the agentic era? Real-world use shows agents running in parallel, each with its own worktree, slicing tasks, and auto-creating PRs. What’s the next big shift you’re preparing for? #AgenticEngineering #AI #Dev

🔥 10 个强烈推荐的 Harness Engineering 教程/资源 想让 Claude Code、Codex 这类 AI Coding Agent 真正稳定可靠地完成长任务？核心不是模型，而是「Harness」——模型之外的所有脚手架、约束、反馈和状态管理。 我精选了 10 个目前最值得学习的教程、课程和工程实践资源，全部可以直接上手或改编进自己的项目。既有手把手课程，也有顶级工程团队的真实经验分享。 1. Learn Harness Engineering（walkinglabs 项目式课程） 项目驱动，12 讲理论 6 个实战项目，教你构建完整 harness（指令、状态、验证、范围控制）。提供多语言模板，可直接复制使用。 walkinglabs.github.io/learn-… 2. Tau（教育型极简 coding agent） 像读教科书一样学习 agent 构建。每一层清晰可见，终端 UI 能实时看到 agent 一步步工作，完美用来理解 harness 各组件。 安装：uv tool install tau-ai twotimespi.dev/ 3. Hands-On Harness Engineering 真正动手构建课程，围绕真实 Node.js CLI 模块化搭建完整 harness。从零教环境、约束、反馈循环等核心。 hands-on-harness-engineering… 4. Harness Engineering Guide（nexu-io） 实用开放指南，包含概念、教程和可运行代码示例，从原理到生产模式全覆盖。 github.com/nexu-io/harness-e… 5. Harness engineering for coding agent users（Martin Fowler） 经典用户视角教程，讲解如何在外层为 coding agent 设计 harness，实现自纠正和更高可信度。 martinfowler.com/articles/ha… 6. The Anatomy of an Agent Harness（LangChain） 最经典的组件解剖教程，把 harness 拆解成 filesystem、sandbox、memory 等核心部分，并教你反向设计。 blog.langchain.com/the-anato… 7. Agent Harness Engineering（Addy Osmani） 综合工程博客，强调 harness 是可迭代的 artifact，每次出错就要收紧它。实用建议非常多。 addyosmani.com/blog/agent-ha… 8. Skill Issue: Harness Engineering for Coding Agents（HumanLayer） 基于 12 个月真实失败与成功经验的实战分享。核心观点：很多 agent 问题其实是 harness 配置问题。 humanlayer.dev/blog/skill-is… 9. Harness engineering: leveraging Codex in an agent-first world（OpenAI） OpenAI 官方实践，核心理念「Humans steer. Agents execute.」，讲解如何通过 harness 让 agent 可靠完成真实工作。 openai.com/index/harness-eng… 10. Effective harnesses for long-running agents（Anthropic） Anthropic 工程团队针对长时运行 agent 的深度方案（initializer coding agent 清晰 artifact 交接）。生产价值极高。 anthropic.com/engineering/ef… 作为也在用 Rust 构建多 crate Harness VibeGuard 的开发者，这些资源帮我理清了很多设计思路和避坑方法。 你目前在做 agent 时，最大的痛点是 context 管理、verification 还是 long-running 状态传递？欢迎评论区说说，我可以继续挖更多针对性资源。 #HarnessEngineering #AIAgents #ClaudeCode #CodingAgents #AgenticEngineering

Great energy at our event on agentic engineering and multi-agent expert modes for AI assisted coding with @qoder_ai_ide. 🚀 Thank you to everyone who joined us to learn, connect, and explore the future of AI-powered software development and AI for everyday work. Huge thanks to our event co-host @UseCorgi Corgi Cafe as well 🙌🐶 More to come. 🚀 #AgenticEngineering #AIForEverydayWork #Qoder #AIBuilders

Teams treating agents as infrastructure instead of magic are the ones flattening their cost curves. That's the takeaway with this new whitepaper (kaggle.com/whitepaper-the-ne…) from Google's Osmani, Saboo, and Kartakis. It's stated fact that 41% of new code is AI-generated and 85% of professional developers use coding agents. And yes the syntax era is functionally over. What hasn't changed is who owns the failure modes. Someone's still got to catch the regressions, hold context across changes, and defend the security surface. Vibe coding buys speed to first output, sure. But it then quickly hands your organization the bill at the crossover point, where every feature ships slower and costs more than the disciplined path would have. #AIAgents #VibeCoding #AgenticEngineering #AgenticAl

Every week, the lineup gets sharper. 100 speakers. 80 sessions. 3 days of conversations that actually move the needle on how you build and test software. 🙌 We're not announcing a conference. We're building a moment for the entire QA and engineering community. 🚀 If you haven't registered yet, now's a good time. 🔗 Register free: bit.ly/4gOOHbR #TestMuConf26 #TestMuAI #QualityEngineering #AgenticEngineering

Synera Releases Advanced AI Add-in Powered by Tech Soft 3D’s HOOPS AI dailycadcam.com/synera-relea… via @dailycadcam @Synera @TechSoft3D #HOOPSAI #AddIn #AgenticAI #AgenticEngineering #CADData

ผมก็เห็นว่าอันนี้คือสัญญาณที่ชัดมากว่ายุคของการสร้าง agent กำลังโตจากของเล่นไปเป็นวิศวกรรมจริงจัง การที่ Google ทำเครื่องมือมารองรับแนวคิด agentic engineering ของ Karpathy ตรงๆ แบบนี้ แปลว่าตลาดเริ่มจริงจังกับการเอา agent ไปใช้ระดับองค์กรแล้ว ใครทำสาย AI agent อยู่ ผมว่าควรไปลองดู #peesamac #GoogleADK #AgenticEngineering #Karpathy #AInews

The team is at @aiDotEngineer World's Fair this week in SF! If you’re attending and want to talk about: 🔁 Automating repetitive engineering toil: CVE remediation, refactors, or dependency upgrades 🔒 Running autonomous agents safely in sandboxes across your codebase 🏠 Self-hosted, VPC, or on-prem deployments for full data control 📈 Scaling from local experiments to thousands of parallel agent jobs 👋 Send us a note or stop by the booth. We'd love to connect. #AIEWF #AIEngineer #AIWorldsFair #AgenticEngineering

The final episode of our Agentic Engineering series with Svelte by @PaoloRicciuti is out now! In this episode, Paolo walks you through how to approach a redesign of any application using the Impeccable skill. ✨ Episode 9 👉 youtu.be/NC_LGGqZ2jo #Svelte #SvelteKit #AgenticEngineering #FrontendDevelopment #ai

推荐这篇，Google 刚出的 Agents CLI——一个工具覆盖 agent 的搭建、评估、部署全流程。Karpathy 说的 agentic engineering 终于有配套工具了。 Google Agents CLI：Agentic Engineering 终于有了趁手工具 Karpathy 定义 agentic engineering 的核心技能是 spec 设计、eval 循环、安全监督。但实践起来需要编辑器 终端 浏览器 云控制台 eval 框架来回切换。 Google 的 Agents CLI 把所有环节整合到一个地方：一条命令注入 7 个 ADK skill 到 coding agent 上下文，之后用自然语言完成搭建、评估和部署。 实测：用 Claude Code 从零搭了一个 RAG agent——从模板生成项目、生成 20 个 eval 场景、LLM-as-judge 打分、部署到 Agent Runtime 并注册到 Gemini Enterprise，全部在一个流程里完成。 原文：x.com/akshay_pachaar/status/… #Google #AgentsCLI #AgenticEngineering

Spotify's best engineers have not written a line of code since December. Anthropic says Claude now writes more than 80% of the code merged into its own systems. A three-person team at StrongDM ships production software under two rules: code must not be written by humans, and code must not be reviewed by humans. This is not a forecast. It is a time machine. What the vanguard does today is what the median company does in three to nine months. The clearest leading indicator is the share of code written by agents, and across the frontier it is climbing fast. Google went from a quarter of new code to 75% in eighteen months. Coinbase near 40% and mandated it. Shopify well past half. Dario Amodei's "90% of code in three to six months" prediction, mocked in March 2025, is now the lived reality inside the labs. The operating model changed, not just the model. You tag an agent in Slack and it runs autonomously for days. You hand a goal to claude code and it returns a finished pull request. OpenAI's security agent moves defenders "from vulnerability discovery to automated patching", the exact read-the-logs-and-fix-it loop. Here is the part that matters for your P&L. The dark factory did not remove the humans. It moved them. When the cost of producing code collapses, the binding constraint relocates: not the typing, but specifying, verifying and owning the risk. The StrongDM team spends its days curating specs and tests, and about $1,000 per engineer per day in tokens. Their job became verification. So the edge in agentic engineering is not the cleverest agent. Everyone gets that. It is verification capacity: tests, observability, ownership, and a clear rule for what an agent may do unattended. The firms that cut humans first (Klarna, Duolingo) had to walk it back. Trust is infrastructure you build before you need it. Full piece: drfloriansteiner.com/blog/da… #AgenticEngineering #VibeCoding #ClaudeCode

The evolution of Agentic Engineering! youtu.be/AZ7EsdWqUTU?si=SNHh… via @YouTube #AgenticEconomy #AgenticAI #LLM #GenAI #AgenticEngineering #AI @lexfridman @KirkDBorne @Ronald_vanLoon @erikbryn @antgrasso @sallyeaves @Nicochan33 @HaroldSinnott @mvollmer1 @marcusborba @CatherineAdenle @vinod1975 @YuHelenYu @ingliguori @fogoros @ylecun @TerenceLeungSF @SourabhSKatoch @wil_bielert @HsrYueli @faustospain @Whats_AI @kaifulee @demishassabis @marek_rosa @AndrewYNg @BernardMarr @CurieuxExplorer @andresvilarino @KentPage @kimgarst @raehanbobby @michaelqtodd @antgrasso @MelDMann