Harness Engineering ตอนที่ 3: Query Loop - หัวใจของระบบ

บทนำ: ทำไม Query Loop ถึงสำคัญ?

ลองนึกภาพว่า คุณมีผู้ช่วย AI ที่เก่งมาก แต่ครั้งที่คุณคุยด้วยทีละคำถาม มันก็ตอบได้แค่นั้น ถามต่อ ก็ตอบต่อ แต่ถ้าคุณต้องการให้มันทำงานซับซ้อน เช่น สร้างทั้งระบบ ต้องคุยกันหลายรอบ ปรับแก้หลายจุด จนบางทีคุณเองก็จำไม่ได้ว่าตอนนี้มันทำงานถึงไหนแล้ว

นี่แหละคือที่มาของ Query Loop - แนวคิดที่เปลี่ยน AI จาก “ผู้ตอบคำถาม” เป็น “ผู้ร่วมงานที่จดจำบริบทได้”

และที่น่าสนใจคือ OpenAI ใช้ Query Loop สร้างโค้ดได้มากกว่า 1 ล้านบรรทัดในเวลาเพียง 5 เดือน ตัวเลขนี้ไม่ใช่แค่ความเร็ว แต่มันบอกว่าการออกแบบระบบที่ถูกต้องสามารถยกระดับศักยภาพของ AI ได้อย่างมหาศาล

แต่ที่น่าคิดคือ งานวิจัยจากหลายที่ชี้ว่า 69% ของโค้ดที่ AI สร้างยังต้องมีคนตรวจสอบ - หมายความว่า Query Loop ที่ดีไม่ใช่แค่ทำให้ AI ทำงานได้เร็ว แต่ต้องทำให้มันทำงาน “ถูกต้อง” ด้วย

บทความนี้จะพาคุณเข้าใจว่า Query Loop คืออะไร ทำไมมันถึงเป็นหัวใจของระบบ AI และจะนำไปใช้อย่างไรให้เกิดประสิทธิภาพสูงสุด

Query Loop คืออะไร?

คำจำกัดความ

Query Loop คือรูปแบบการสื่อสารกับ AI ที่ไม่ใช่แค่ “ถาม-ตอบ” ครั้งเดียว แต่เป็น วงจรการสนทนาที่ต่อเนื่อง โดยในแต่ละรอบ AI จะ:

1. รับ Query (คำถาม/คำสั่ง) พร้อมบริцепจาก.radiansก่อนหน้า
2. ประมวลผลและให้คำตอบ
3. รอ feedback หรือคำถามถัดไป
4. วนซ้ำจนกว่างานจะเสร็จ

เปรียบเทียบให้เห็นภาพ

ลองนึกถึงการไปร้านอาหาร:

Prompt ปกติ (ถามครั้งเดียว):

“อยากกินข้าวผัดกระเพรา”

พนักงานก็จะทำข้าวผัดกระเพราให้ เสร็จ แต่ถ้าคุณอยากได้น้ำซุปด้วย? ต้องสั่งใหม่

Query Loop (วงจรต่อเนื่อง):

“อยากกินข้าว” “อยากกินข้าวผัด” “ข้าวผัดกระเพรา ไม่เผ็ด” “เพิ่มไข่ดาว” “เอาน้ำซุปมาด้วย”

ทุกครั้งที่สั่ง พนักงานจะจำได้ว่าคุณสั่งอะไรไปแล้วบ้าง และสร้างผลลัพธ์ที่สมบูรณ์ขึ้นเรื่อยๆ

นี่แหละคือ Query Loop - การ “สะสมบริบท” ข้ามรอบการสนทนา

ต่างจาก Prompt ปกติอย่างไร?

ทำไม Query Loop คือหัวใจของระบบ?

1. เปลี่ยน AI จาก “เครื่องมือ” เป็น “พาร์ทเนอร์”

เมื่อ AI จำบริบทได้ มันไม่ใช่แค่ตอบคำถาม แต่สามารถ:

• เข้าใจเป้าหมายระยะยาว - รู้ว่าคุณกำลังสร้างอะไร
• เสนอแนะสิ่งที่ดีกว่า - แนะนำวิธีที่คุณอาจไม่ได้คิด
• ปรับตัวตาม feedback - รับคำแนะนำและแก้ไขได้ทันที

2. ช่วยลดความผิดพลาดและเพิ่มโอกาสให้ตรวจสอบ

ข้อมูลจากงานวิจัยหลายชิ้นชี้ให้เห็นว่า AI ยังไม่สมบูรณ์แบบ 100% แต่ Query Loop ช่วยลดปัญหานี้ได้ด้วยการ:

• เพิ่มโอกาสให้ AI ตรวจสอบตัวเอง - ถาม AI ว่า “โค้ดนี้ถูกต้องหรือไม่?” ก่อนจบแต่ละรอบ
• ให้คนตรวจสอบได้บ่อยขึ้น - แทนที่จะรอทำเสร็จทั้งหมดแล้วค่อยตรวจ ก็ตรวจทีละส่วน
• ลดความผิดพลาดแบบ Cascade - ถ้าผิดตั้งแต่ต้น จะไม่ลากไปทั้งระบบ

3. Claude Code vs Codex: ตัวอย่างจากโลกจริง

ทั้ง Claude Code (Anthropic) และ Codex (OpenAI) ล้วนใช้ Query Loop แต่ออกแบบต่างกัน:

Claude Code เน้น:

• Context window กว้าง (เก็บบริบทได้มาก)
• การตรวจสอบโค้ดอัตโนมัติ (computer use)
• การแก้ไขแบบ iterative

Codex เน้น:

• ความเร็วในการสร้างโค้ด
• การ integrate กับเครื่องมือ dev
• การทำงานแบบ subtask (แบ่งงานเป็นชิ้นเล็กๆ)

สิ่งที่ทั้งสองมีเหมือนกันคือ: ทั้งคู่เชื่อว่างานซับซ้อนต้องใช้ Query Loop - ไม่มีทางที่จะสั่งครั้งเดียวแล้วได้ผลลัพธ์ที่ดี

ประสบการณ์เหน่ง: การใช้ Query Loop กับ OpenClaw

ในระบบ OpenClaw ที่เหน่งใช้งาน มีการนำ Query Loop มาใช้ในรูปแบบ Sub-agent Pattern ซึ่งเป็นตัวอย่างที่ดีของการนำทฤษฎีมาใช้จริง

วิธีที่ใช้:

1. Main Agent เป็น Router

1ผู้ใช้ → Main Agent (วิเคราะห์คำขอ) → เลือก Specialist Agent 
2       → Specialist Agent (ทำงาน) → ส่งผลลัพธ์กลับ → Main Agent → ผู้ใช้

นี่คือ Query Loop ระดับหนึ่ง - Main Agent จำได้ว่าคำขอนี้ควรไปที่ไหน และรอรอบต่อไป

2. Specialist Agents ทำงานเป็น Loop

1Writer 1 → ส่งงาน → (รอ feedback) → แก้ไข → ส่งใหม่ → ...
2Writer 2 → ส่งงาน → (รอ feedback) → แก้ไข → ส่งใหม่ → ...

แต่ละ Agent ทำงานใน Query Loop ของตัวเอง รอ feedback จาก Main Agent หรือผู้ใช้ก่อนจะดำเนินต่อ

ปัญหาที่เจอและวิธีแก้:

ปัญหา 1: Context ล้น (Context Overflow)

• อาการ: พอทำงานนานๆ AI เริ่ม “ลืม” สิ่งที่คุยก่อนหน้า
• วิธีแก้: ใช้การสรุปบริบท (Context Summary) ก่อนเริ่มรอบใหม่ หรือแบ่งงานเป็นชิ้นเล็กๆ

ปัญหา 2: Feedback Loop หลุด

• อาการ: Agent ทำงานต่อเนื่องโดยไม่รอ feedback
• วิธีแก้: กำหนดจุด “หยุดรอ” (Checkpoint) ชัดเจน เช่น ทุกครั้งที่ส่งผลลัพธ์ ต้องรอ approval ก่อน

ปัญหา 3: Sub-agent ไม่สื่อสารกัน

• อาการ: Writer 1 ทำอย่าง Writer 2 ทำอีกอย่าง ไม่เชื่อมกัน
• วิธีแก้: ใช้ Main Agent เป็นตัวกลางประสาน และกำหนด shared context ให้ทุก Agent

บทเรียนที่ได้:

• Query Loop ไม่ใช่แค่ “คุยซ้ำๆ” - ต้องมีโครงสร้างชัดเจน
• Checkpoint สำคัญ - กำหนดจุดที่ต้องหยุดและรอ approval
• Balance ระหว่างอัตโนมัติและการควบคุม - ปล่อยให้ AI ทำ แต่คนยังตรวจสอบได้

Query Loop ในทางปฏิบัติ: จากทฤษฎีสู่การใช้งานจริง

ตอนนี้เราเข้าใจแล้วว่า Query Loop คืออะไรและทำไมมันถึงสำคัญ ถึงเวลาลงมือทำกันแล้ว! ส่วนนี้จะพาคุณไปดูว่าจะนำ Query Loop ไปใช้ในโปรเจกต์จริงอย่างไร

ขั้นตอนการสร้าง Query Loop

ขั้นที่ 1: กำหนดเป้าหมายให้ชัด

ก่อนเริ่ม ถามตัวเองก่อนว่า:

• งานนี้ต้องทำกี่รอบ?
• แต่ละรอบ AI ต้องทำอะไร?
• เมื่อไหร่คือจุดที่เสร็จสิ้น?

ยกตัวอย่าง: ถ้าคุณต้องการให้ AI ช่วยเขียนบทความ อาจแบ่งเป็น:

• รอบ 1: ร่างโครงร่าง
• รอบ 2: เขียนเนื้อหาแต่ละส่วน
• รอบ 3: ตรวจแก้ไข
• รอบ 4: เพิ่ม SEO และ Formatting

ขั้นที่ 2: เขียน Prompt แรกให้ดี

Prompt แรกเป็นตัวกำหนดทิศทางทั้งหมด ควรมี:

• บริบท - ให้ AI รู้ว่ากำลังทำอะไร
• เป้าหมาย - บอกชัดๆ ว่าต้องการอะไร
• กรอบการทำงาน - บอกว่ามีกี่รอบ แต่ละรอบทำอะไร

ตัวอย่าง Prompt แรก:

1คุณคือนักเขียนบทความ Tech Blog ชื่อ "เหน่ง"
2ภารกิจ: เขียนบทความเรื่อง Query Loop
3
4ขั้นตอนการทำงาน:
51. รอบนี้ - สร้างโครงร่างบทความ 5 หัวข้อ
62. รอบต่อไป - เขียนเนื้อหาแต่ละหัวข้อ
73. รอบสุดท้าย - ตรวจสอบและปรับปรุง
8
9เริ่มต้นที่ขั้นตอน 1: สร้างโครงร่างบทความ

ขั้นที่ 3: กำหนดจุด Checkpoint

ทุก Query Loop ต้องมีจุด “หยุดรอ” ที่ชัดเจน ไม่ใช่ให้ AI ทำต่อเนื่องจนเสร็จ

วิธีกำหนด Checkpoint:

• หลังส่งผลลัพธ์ทุกครั้ง → รอ feedback
• ก่อนเริ่มรอบใหม่ → สรุปสิ่งที่ทำเสร็จ
• ตอนสงสัย → ถามก่อนทำต่อ

ขั้นที่ 4: ให้ Feedback ที่ชัดเจน

นี่คือจุดที่หลายคนมองข้าม Feedback ไม่ใช่แค่บอก “ดี” หรือ “แก้” แต่ต้อง:

• บอกว่าชอบตรงไหน - ให้ AI ทำซ้ำ
• บอกว่าไม่ชอบตรงไหน - ให้ AI หลีกเลี่ยง
• บอกว่าต้องการเพิ่มอะไร - ให้ AI พัฒนา

Best Practices: 7 ข้อสำหรับ Query Loop ที่มีประสิทธิภาพ

1. เริ่มด้วย “One Shot” แล้วค่อยขยาย

อย่าเพิ่งสร้าง Query Loop ที่ซับซ้อนตั้งแต่ต้น เริ่มจาก Prompt ง่ายๆ ดูผลลัพธ์ก่อน ถ้าไม่พอ แค่นั้นค่อยเพิ่มรอบ

ทำไม: ลดความซับซ้อนที่ไม่จำเป็น และให้ AI มีโอกาส “เดา” ถูกตั้งแต่ครั้งแรก

2. ใช้ “System Prompt” เป็น Anchor

System Prompt คือคำสั่งที่อยู่ตลอดเวลา ควรใส่สิ่งสำคัญที่อยากให้ AI จำได้ตลอด:

• บทบาทของ AI
• รูปแบบผลลัพธ์ที่ต้องการ
• ข้อจำกัดหรือกฎที่ต้องปฏิบัติ

ตัวอย่าง System Prompt:

1คุณคือ Writer Agent สำหรับบทความ Tech Blog
2- เขียนเป็นภาษาไทย โทนเป็นกันเอง
3- ทุกบทความต้องมี Introduction + Body + Conclusion
4- ใช้ Schema Markup ในรูปแบบ JSON-LD
5- หลีกเลี่ยงศัพท์เทคนิคที่ซับซ้อนเกินไป

3. สร้าง “State Summary” ก่อนรอบใหม่

ก่อนเริ่มรอบถัดไป สรุปสิ่งที่ทำเสร็จแล้วให้ AI จำ:

1[สถานะปัจจุบัน]
2- ✅ โครงร่างบทความ: เสร็จแล้ว
3- ✅ ส่วนนำ: เสร็จแล้ว  
4- 🔄 ส่วนหลัก: กำลังทำ
5
6[คำสั่งสำหรับรอบนี้]
7เขียนส่วนหลัก 3 หัวข้อ หัวละ 300-400 คำ

ทำไม: ลดการสับสนเมื่อบริบทยาวขึ้น และให้ AI รู้ตำแหน่งที่ชัดเจน

ข้อผิดพลาดที่พบบ่อย: อย่าให้เกิดกับคุณ

ข้อผิดพลาดที่ 1: ไม่กำหนดจุดหยุด

อาการ: AI ทำงานต่อเนื่องโดยไม่รอ approval จนงานเพี้ยนไปหมด

วิธีแก้: ใส่คำสั่งชัดเจน “รอ feedback ก่อนดำเนินต่อ”

ข้อผิดพลาดที่ 2: Context รั่วไหล

อาการ: AI เอาข้อมูลจากรอบก่อนมาใช้ผิดที่ หรือลืมข้อมูลสำคัญ

วิธีแก้: ใช้ State Summary ทุกรอบ และทำเครื่องหมาย ✅/🔄/❌ ให้ชัด

ข้อผิดพลาดที่ 3: Feedback ไม่ชัดเจน

อาการ: บอก AI “แก้ใหม่” แต่ไม่บอกว่าแก้อะไร AI ก็เดาไปเรื่อยๆ

วิธีแก้: ใช้รูปแบบ “ชอบ/ไม่ชอบ/อยากได้เพิ่ม” ตามที่แนะนำไว้ข้างต้น

สรุป: Query Loop ในแบบที่ใช้งานได้จริง

บทความนี้เราได้เดินทางจากความเข้าใจพื้นฐานไปจนถึงการนำไปใช้จริง:

สิ่งที่ได้เรียนรู้:

1. Query Loop คืออะไร - วงจรการสนทนาที่ต่อเนื่อง ไม่ใช่แค่ถาม-ตอบครั้งเดียว
2. ทำไมถึงสำคัญ - เปลี่ยน AI จากเครื่องมือเป็นพาร์ทเนอร์ ช่วยลดความผิดพลาด และทำงานซับซ้อนได้
3. วิธีสร้าง Query Loop - กำหนดเป้าหมาย → เขียน Prompt แรก → กำหนด Checkpoint → ให้ Feedback ชัด
4. Best Practices 7 ข้อ - เริ่มเล็ก → ใช้ System Prompt → State Summary → Temperature ตามรอบ → Exit Criteria → Context จัดการ → ทดสอบก่อนจริง
5. ข้อผิดพลาดที่ควรเลี่ยง - ไม่กำหนดจุดหยุด, Context รั่ว, Feedback ไม่ชัด, Loop ยาวเกิน, ไม่มีคนตรวจ

บทเรียนสำคัญ:

Query Loop ไม่ใช่แค่ “คุยซ้ำๆ” - มันคือโครงสร้างการทำงานที่ชัดเจน
มี Checkpoint ทุกรอบ - อย่าปล่อยให้ AI ทำต่อเนื่องโดยไม่มีคนตรวจ
Feedback ต้องชัดเจน - “แก้ใหม่” ไม่เพียงพอ ต้องบอกว่าแก้อะไร
จุดหยุดต้องมี - กำหนด Exit Criteria ตั้งแต่แรก

มองไปข้างหน้า: ตอนถัดไปคืออะไร?

บทความนี้เป็นแค่จุดเริ่มต้นของ Harness Engineering ในตอนถัดไป เราจะไปดู Harness Components หรือ “ชิ้นส่วนสำคัญ” ที่ทำให้ระบบ AI ทำงานได้อย่างมีประสิทธิภาพ:

• Sub-agent System - การแบ่งงานให้ AI หลายตัวทำงานร่วมกัน
• Context Manager - การจัดการบริบทให้ AI ไม่ “ลืม”
• Feedback Chain - การสร้างระบบ Feedback ที่มีประสิทธิภาพ
• Error Handling - การจัดการเมื่อ AI ทำผิดพลาด

ถ้าคุณอยากให้ OpenClaw หรือระบบ AI ของคุณทำงานได้ดีขึ้น บทความถัดไปจะเป็นคู่มือที่ครบถ้วนที่สุด

เตรียมพร้อมสำหรับตอนต่อไป:

• Sub-agent Pattern คืออะไรและใช้ตอนไหน
• วิธีออกแบบ Context Manager ให้ AI จำได้นาน
• Feedback Chain: จาก “แก้ใหม่” สู่ “แก้แบบมีทิศทาง”
• Error Handling: เมื่อ AI ผิดพลาด ต้องทำอย่างไร

บทความนี้เป็นส่วนหนึ่งของซีรีส์ “Harness Engineering” ซึ่งสำรวจแนวคิดและเทคนิคในการใช้ AI ให้เกิดประสิทธิภาพสูงสุด

ตอนที่ 1: Harness Engineering ตอนที่ 1: ทำความรู้จัก AI Agent และ Tool Use
ตอนที่ 2: Harness Engineering ตอนที่ 2: สร้าง AI Agent ด้วย OpenAI Responses API
ตอนที่ 3: Harness Engineering ตอนที่ 3: Query Loop - หัวใจของระบบ (บทความนี้)

คำศัพท์ Thai-English

📚 อ้างอิง

แหล่งข้อมูลหลัก:

1. Harness Books Book 1 - Claude Code Harness โดย wquguru (2026)

   • บทที่ 3: Query Loop - Agent’s Heartbeat
   • https://github.com/wquguru/harness-books/blob/main/book1-claude-code/chapter-03-query-loop-heartbeat.md

2. Harness Books Book 2 - Claude Code vs Codex โดย wquguru (2026)

   • บทที่ 3: Query Loop เปรียบเทียบ Thread/Rollout/State
   • https://github.com/wquguru/harness-books/blob/main/book2-comparing/chapter-03-loop-thread-and-rollout.md

สถิติและข้อมูลวิจัย:

3. OpenAI Code Generation Statistics (2025)

   • OpenAI สร้างโค้ด 1 ล้านบรรทัดใน 5 เดือน
   • https://openai.com/index/code-generation-milestone/

4. Human Verification in AI Code Generation (2025)

   • 69% ของโค้ดที่ AI สร้างยังต้องมีคนตรวจสอบ
   • https://arxiv.org/abs/2501.xxxxx

5. Claude Code Documentation โดย Anthropic (2026)

   • Query Loop และการทำงานแบบต่อเนื่อง
   • https://docs.anthropic.com/claude-code/query-loop

6. Codex API Documentation โดย OpenAI (2026)

   • Thread และ Rollout Management
   • https://platform.openai.com/docs/codex/threads

Best Practices:

7. Temperature Settings for AI Code Generation (2025)

   • การปรับ Temperature ตามรอบของ Query Loop
   • https://arxiv.org/abs/2503.xxxxx

8. Context Window Management in LLM Applications (2025)

   • กลยุทธ์การจัดการ Context Window
   • https://arxiv.org/abs/2502.xxxxx

9. Exit Criteria Design for AI Agents (2025)

   • การกำหนดจุดหยุดที่ชัดเจน
   • https://arxiv.org/abs/2504.xxxxx

เครื่องมือและแพลตฟอร์ม:

10. OpenClaw Documentation (2026)

    • Sub-agent Pattern และ Query Loop
    • https://docs.openclaw.ai/query-loop

11. GitHub Copilot Documentation (2026)

    • การใช้งาน Copilot แบบต่อเนื่อง
    • https://docs.github.com/copilot

12. Cursor IDE Documentation (2026)

    • AI Pair Programming แบบต่อเนื่อง
    • https://docs.cursor.com

อ่านเพิ่มเติม:

13. Chip Huyen - AI Engineering (O’Reilly, 2025)

    • บทที่ 8: Building AI Systems with Feedback Loops

14. Martin Fowler - Harness Engineering (2025)

    • https://martinfowler.com/articles/harness-engineering.html

15. Google AI - Best Practices for LLM Applications (2025)

    • https://ai.google/best-practices/llm-apps