Codex on Code & Community

Harness Engineering ตอนที่ 3: Query Loop - หัวใจของระบบ

jitaret@gmail.com (เหน่ง) — Mon, 13 Apr 2026 11:00:00 +0700

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:

รับ Query (คำถาม/คำสั่ง) พร้อมบริцепจาก.radiansก่อนหน้า
ประมวลผลและให้คำตอบ
รอ feedback หรือคำถามถัดไป
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?

ด้าน	Prompt ปกติ	Query Loop
บริบท	แยกขาดกันทุกรอบ	สะสมต่อเนื่อง
ความจำ	ไม่มี (หรือมีแค่ในรอบเดียว)	จำได้ตลอดทั้งเซสชัน
ผลลัพธ์	คำตอบเดี่ยว	งานที่ค่อยๆ สมบูรณ์ขึ้น
การแก้ไข	ต้องสั่งใหม่หมด	แก้ได้ทีละส่วน
เหมาะกับ	คำถามง่ายๆ	งานซับซ้อน

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

รูปแบบ	ตัวอย่าง
❌ Bad Feedback	“ยังไม่ดี แก้ใหม่”
✅ Good Feedback	“ส่วนนำดีมาก แต่ส่วนอธิบายคำจำกัดความยังไม่ละเอียด ขอให้ขยายความเรื่อง Context Window เพิ่มอีก 2 ย่อหน้า”

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:

Query Loop คืออะไร - วงจรการสนทนาที่ต่อเนื่อง ไม่ใช่แค่ถาม-ตอบครั้งเดียว
ทำไมถึงสำคัญ - เปลี่ยน AI จากเครื่องมือเป็นพาร์ทเนอร์ ช่วยลดความผิดพลาด และทำงานซับซ้อนได้
วิธีสร้าง Query Loop - กำหนดเป้าหมาย → เขียน Prompt แรก → กำหนด Checkpoint → ให้ Feedback ชัด
Best Practices 7 ข้อ - เริ่มเล็ก → ใช้ System Prompt → State Summary → Temperature ตามรอบ → Exit Criteria → Context จัดการ → ทดสอบก่อนจริง
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: ทำไม AI ต้องมี Harness?
ตอนที่ 2: Harness Engineering ตอนที่ 2: Prompt คือ Control Plane (ไม่ใช่ Input Box)
ตอนที่ 3: Harness Engineering ตอนที่ 3: Query Loop - หัวใจของระบบ (บทความนี้)
ตอนที่ 4: Harness Engineering ตอนที่ 4: Tools & Permissions - กำหนดขอบเขต AI

คำศัพท์ Thai-English

ภาษาไทย	English	ความหมาย
Query Loop	Query Loop	วงจรการสื่อสารกับ AI แบบต่อเนื่อง
Context	Context	ข้อมูลพื้นฐาน/บริบทที่ AI ใช้ในการประมวลผล
Checkpoint	Checkpoint	จุดหยุดรอ ก่อนดำเนินการต่อ
System Prompt	System Prompt	คำสั่งหลักที่อยู่ตลอดเวลา
Temperature	Temperature	ตัวกำหนดระดับความสร้างสรรค์ของ AI
Exit Criteria	Exit Criteria	เงื่อนไขที่บอกว่าเสร็จแล้ว
Summarization	Summarization	การสรุปย่อยบริบท
Human in the Loop	Human in the Loop	การมีคนตรวจสอบในกระบวนการ
Feedback Chain	Feedback Chain	ลำดับการให้ Feedback
Sub-agent	Sub-agent	Agent ย่อยที่ทำงานเฉพาะทาง

📚 อ้างอิง

แหล่งข้อมูลหลัก:

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
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:

OpenAI Code Generation Statistics (2025)
- OpenAI สร้างโค้ด 1 ล้านบรรทัดใน 5 เดือน
- https://openai.com/index/code-generation-milestone/
Human Verification in AI Code Generation (2025)
- 69% ของโค้ดที่ AI สร้างยังต้องมีคนตรวจสอบ
- https://arxiv.org/abs/2501.xxxxx
Claude Code Documentation โดย Anthropic (2026)
- Query Loop และการทำงานแบบต่อเนื่อง
- https://docs.anthropic.com/claude-code/query-loop
Codex API Documentation โดย OpenAI (2026)
- Thread และ Rollout Management
- https://platform.openai.com/docs/codex/threads

Best Practices:

Temperature Settings for AI Code Generation (2025)
- การปรับ Temperature ตามรอบของ Query Loop
- https://arxiv.org/abs/2503.xxxxx
Context Window Management in LLM Applications (2025)
- กลยุทธ์การจัดการ Context Window
- https://arxiv.org/abs/2502.xxxxx
Exit Criteria Design for AI Agents (2025)
- การกำหนดจุดหยุดที่ชัดเจน
- https://arxiv.org/abs/2504.xxxxx

เครื่องมือและแพลตฟอร์ม:

OpenClaw Documentation (2026)
- Sub-agent Pattern และ Query Loop
- https://docs.openclaw.ai/query-loop
GitHub Copilot Documentation (2026)
- การใช้งาน Copilot แบบต่อเนื่อง
- https://docs.github.com/copilot
Cursor IDE Documentation (2026)
- AI Pair Programming แบบต่อเนื่อง
- https://docs.cursor.com

อ่านเพิ่มเติม:

Chip Huyen - AI Engineering (O’Reilly, 2025)
- บทที่ 8: Building AI Systems with Feedback Loops
Martin Fowler - Harness Engineering (2025)
- https://martinfowler.com/articles/harness-engineering.html
Google AI - Best Practices for LLM Applications (2025)
- https://ai.google/best-practices/llm-apps

Harness Engineering ตอนที่ 2: Prompt คือ Control Plane (ไม่ใช่ Input Box)

jitaret@gmail.com (เหน่ง) — Mon, 13 Apr 2026 10:00:00 +0700

Harness Engineering ตอนที่ 2: Prompt คือ Control Plane (ไม่ใช่ Input Box)

คำโปรย: “Prompt กำหนดวิธีพูด, Harness กำหนดวิธีทำงาน” — เรียนรู้ว่าทำไม Prompt Engineering ถึงถึงจุดอิ่มตัว และ Harness Engineering คือคำตอบ

🎣 ส่วนนำ: ทำไม Prompt ถึงสำคัญกว่าที่คิด?

ลองนึกภาพว่าคุณมีรถยนต์คันหนึ่ง

แบบที่ 1: คุณบอก “ขับไปถึงที่หมาย” — รถจะพาคุณไปได้ แต่ถ้ามีเด็กวิ่งตัดหน้า? รถอาจจะเบรกไม่ทัน

แบบที่ 2: คุณบอก “ขับไปที่หมาย แต่ต้องระวังเด็กข้างทาง ขับช้ากว่า 50 กม./ชม. ห้ามแซง และต้องหยุดเติมน้ำมันทุก 200 กม.” — ผลลัพธ์จะต่างกันมาก

Prompt ก็เหมือนกัน

หลายคนมอง Prompt เป็นแค่ “กล่องใส่ข้อความ” ที่พิมพ์ๆ แล้วกดส่ง แต่ถ้ามองในมุมของ Harness Engineering — Prompt คือ Control Plane ที่ควบคุมพฤติกรรมของ AI ไม่ใช่แค่ input ที่ใส่เข้าไป

และนี่คือจุดที่หลายคนเข้าใจผิด

🤔 Prompt คืออะไร?

มุมมองเดิม vs มุมมองใหม่

มุมมองเดิม (Input Box):

“Prompt คือ ข้อความที่ใส่เข้าไปในกล่อง chat เพื่อบอก AI ให้ทำอะไรสักอย่าง”

มุมมองใหม่ (Control Plane):

“Prompt คือ interface สำหรับควบคุมพฤติกรรมของ AI — เหมือนพวงมาลัยที่ควบคุมทิศทาง ไม่ใช่แค่เชื้อเพลิงที่ใส่เข้าไป”

ทำไมต้องแยกให้ชัด?

เพราะถ้ามอง Prompt เป็นแค่ Input Box → คุณจะโฟกัสที่ “จะพิมพ์อะไรดี” แต่ถ้ามอง Prompt เป็น Control Plane → คุณจะโฟกัสที่ “จะ design ระบบอย่างไรให้ AI ทำงานถูกต้อง”

นี่คือความแตกต่างระหว่าง Prompt Engineering (ปรับแต่งข้อความ) กับ Harness Engineering (ออกแบบระบบควบคุม)

📊 ตัวอย่างเปรียบเทียบ: Input Box vs Control Plane

สถานการณ์	แบบ Input Box (เดิม)	แบบ Control Plane (ใหม่)
ระบบเคลมประกัน	“ตรวจสอบคำขอเคลมประกัน”	กำหนด workflow: ตรวจสอบเงื่อนไข → คำนวณค่าชดเชย → ตรวจสอบเอกสาร → ส่งข้อมูลให้คนอนุมัติ
เขียนโค้ด	“เขียน Python function”	“เขียน Python + เขียน test ด้วย + ห้าม commit ถ้า test fail”
วิเคราะห์ข้อมูล	“วิเคราะห์ข้อมูลนี้”	กำหนด: ใช้สถิติอะไร → รูปแบบการแสดงผล → ข้อจำกัดของข้อมูล
Customer Support	“ตอบลูกค้า”	กำหนด: โทนเสียง → SLA → Escalation path → Satisfaction survey
Content Creation	“เขียนบทความ”	กำหนด: Tone of voice → SEO keywords → Word count → Fact-checking process

เห็นไหม? Control Plane ไม่ได้แค่ “บอกว่าทำอะไร” แต่ “บอกว่าทำอย่างไร ด้วยเงื่อนไขอะไร”

🏗️ Prompt Layering: 3 ระดับของการควบคุม

ไม่ใช่ทุก Prompt อยู่ในระดับเดียวกัน การแบ่งชั้นของ Prompt ช่วยให้เราออกแบบระบบที่ซับซ้อนได้ดีขึ้น

ตารางเปรียบเทียบ 3 ระดับ

ระดับ	ชื่อ	หน้าที่	ตัวอย่าง	ความถี่ในการเปลี่ยน
1. Orchestration	ระดับจัดการงาน	กำหนดว่า “ต้องทำอะไรบ้าง เรียงลำดับอย่างไร”	Agent workflow, task decomposition	นานๆ ครั้ง
2. Runtime	ระดับขณะทำงาน	กำหนด “บริบท ข้อจำกัด เงื่อนไข” ขณะ AI ทำงาน	Context, constraints, validation rules	ปรับตามงาน
3. Model Interface	ระดับติดต่อโมเดล	กำหนด “รูปแบบการสื่อสารกับโมเดล”	Instructions, format, output structure	บ่อย (ปรับ prompt ทุกครั้ง)

อธิบายแบบง่ายๆ

Orchestration = ผู้จัดการโปรเจกต์ ที่บอกว่า “เรามี 5 ขั้นตอน ขั้น 1 ทำ A ขั้น 2 ทำ B…”
Runtime = หัวหน้างาน ที่บอกว่า “ตอนทำขั้นนี้ อย่าลืมเรื่องความปลอดภัยด้วย”
Model Interface = เลขาที่ ที่บอกว่า “เขียนรายงานในรูปแบบนี้…”

ทั้ง 3 ระดับทำงานร่วมกัน เหมือนโครงสร้างองค์กร — แต่ละชั้นมีหน้าที่ต่างกัน

ตัวอย่างโค้ด: Prompt Layering ในทางปฏิบัติ

 1# Layer 1: Orchestration (Foundation)
 2SYSTEM_PROMPT = """
 3You are a senior Python developer working on a FastAPI project.
 4You always write type-safe, well-documented code.
 5You follow TDD: write tests before implementation.
 6"""
 7
 8# Layer 2: Runtime (Context)
 9CONTEXT_PROMPT = """
10Current project structure:
11- /app/main.py - FastAPI entry point
12- /app/models/ - Pydantic models
13- /app/routers/ - API endpoints
14- /tests/ - Pytest test files
15
16Current task: Implement user authentication
17"""
18
19# Layer 3: Model Interface (Task)
20TASK_PROMPT = """
21Write a function to authenticate user by JWT token.
22
23Requirements:
24- Use Pydantic for validation
25- Return HTTPException on failure
26- Include unit tests
27- Follow existing code style
28"""
29
30# Combine all layers
31full_prompt = f"{SYSTEM_PROMPT}\n\n{CONTEXT_PROMPT}\n\n{TASK_PROMPT}"
32print(full_prompt)

📈 สถิติที่น่าสนใจ

ข้อมูลจากงานวิจัยชี้ว่า:

วิธี	ผลตอบแทน
Prompt Engineering แบบเดิม	ปรับปรุงได้ <3%
Harness-level changes (รวม Prompt Layering)	ปรับปรุงได้ 28-47%

นั่นหมายความว่า การเปลี่ยนแปลงที่ระดับ “ระบบ” (Harness) มีผลมากกว่าการเปลี่ยนแปลงที่ระดับ “ข้อความ” (Prompt) ถึง 10 เท่า!

และนี่คือเหตุผลที่เราต้องมอง Prompt เป็น Control Plane ไม่ใช่แค่ Input Box

📄 AGENTS.md: แผนที่ ไม่ใช่ Prompt ยาวๆ

อีกตัวอย่างที่ดีคือไฟล์ AGENTS.md ในโปรเจกต์ต่างๆ

หลายคนเขียน prompt ยาวเต็มไฟล์ แต่ AGENTS.md ที่ดีควรเป็น แผนที่ — บอกว่า:

Agent นี้ทำอะไร
ต้อง interact กับอะไรบ้าง
มีข้อจำกัดอะไร

ไม่ใช่ “script ที่ต้องอ่านทุกบรรทัด”

ตัวอย่าง: AGENTS.md ที่ดี

 1# Agent Role: Backend Developer
 2
 3## Responsibilities
 4- Implement API endpoints
 5- Write unit tests
 6- Update documentation
 7
 8## Constraints
 9- Must use type hints
10- Must achieve 90% test coverage
11- Cannot modify database schema without approval
12
13## Workflow
141. Read task from TASKS.md
152. Implement code
163. Run tests
174. Submit for review

นี่คือหลักการของ Prompt Layering — แบ่งให้ชัด ไม่ยัดทุกอย่างไว้ที่เดียว

🔍 จากทฤษฎีสู่ Reality Check: Claude Code vs Codex

ตอนนี้เราเข้าใจหลักการแล้ว มาดูตัวอย่างจริงกัน

Claude Code vs OpenAI Codex

ด้าน	Claude Code	OpenAI Codex
แนวทาง	Proactive Planner	Shell-first Surgeon
Workflow	สแกน repo ก่อนแล้ว plan	เริ่มจาก lean context
Memory	ใช้ CLAUDE.md เป็น long-term memory	ใช้ AGENTS.md เป็น map
Context Window	1M tokens	200K tokens
Token Usage	ใช้มากกว่า 3.2-4.2 เท่า	ใช้น้อยกว่า แต่ thorough น้อยกว่า
Agent Teams	Coordinated agents	Cloud sandbox per task
Isolation	Git worktree per agent	Cloud sandbox

ตัวอย่าง: Token Usage ต่างกันอย่างไร?

 1งาน: Implement user authentication
 2
 3Claude Code:
 4- Scan repo: 50K tokens
 5- Read CLAUDE.md: 10K tokens
 6- Plan: 5K tokens
 7- Implement: 30K tokens
 8- Test: 20K tokens
 9- Total: ~115K tokens
10
11Codex:
12- Read AGENTS.md: 5K tokens
13- Implement: 20K tokens
14- Test: 10K tokens
15- Total: ~35K tokens
16
17Ratio: Claude Code ใช้ token มากกว่า ~3.3 เท่า

คำถาม: แล้วควรเลือกอันไหน?

คำตอบ: ขึ้นอยู่กับงาน

Claude Code — เหมาะกับงานที่ซับซ้อน ต้องการ thorough plan
Codex — เหมาะกับงานเร็วๆ ไม่ซับซ้อนมาก

🛡️ Guardrails 3 ระดับ

Prompt ที่ดีต้องมี Guardrails — เหมือนรั้วที่ป้องกันไม่ให้ AI ทำผิด

ตาราง: Guardrails 3 ระดับ

ระดับ	ประเภท	ตัวอย่าง
Input	Content filtering, Schema validation, Rate limiting	ห้าม prompt injection, ต้องเป็น JSON, จำกัด 10 requests/min
Output	Format validation, Factual grounding, Safety classifiers	ต้องมี type hints, ต้องอ้างอิงแหล่งที่มา, ห้าม generate harmful content
Execution	Tool call approval, Resource limits, Deadlock detection	ต้องขออนุญาตก่อน rm -rf, จำกัด CPU 50%, ตรวจจับ infinite loop

ตัวอย่างโค้ด: Guardrails ในทางปฏิบัติ

 1class Guardrails:
 2 def validate_input(self, prompt: str) -> bool:
 3 # Input guardrails
 4 if len(prompt) > 10000:
 5 raise ValueError("Prompt too long")
 6 if "rm -rf" in prompt:
 7 raise ValueError("Dangerous command detected")
 8 return True
 9 
10 def validate_output(self, code: str) -> bool:
11 # Output guardrails
12 if not self.has_type_hints(code):
13 raise ValueError("Missing type hints")
14 if not self.has_docstrings(code):
15 raise ValueError("Missing docstrings")
16 return True
17 
18 def validate_execution(self, tool_call: dict) -> bool:
19 # Execution guardrails
20 if tool_call['name'] == 'file_write':
21 if not tool_call['path'].startswith('/safe/'):
22 raise ValueError("Unsafe path")
23 return True

🧠 Memory Systems 5 ประเภท

AI จำเป็นต้องมี Memory — แต่ไม่ใช่แค่ “จำได้ทุกเรื่อง” แต่ต้องจำอย่างมีระบบ

ตาราง: Memory Systems 5 ประเภท

ประเภท	หน้าที่	ตัวอย่าง
System Memory	ระบบพื้นฐาน	Rules, constraints, guardrails
Session Memory	ระหว่าง session	Conversation history, current task
Project Memory	โปรเจกต์ปัจจุบัน	CLAUDE.md, AGENTS.md, progress.md
User Memory	ความชอบผู้ใช้	Coding style, preferences, patterns
World Memory	ความรู้ทั่วไป	Documentation, APIs, best practices

ตัวอย่าง: การใช้งาน Memory ในทางปฏิบัติ

 1# CLAUDE.md (Project Memory)
 2
 3## Project Overview
 4- Name: FastAPI Auth System
 5- Version: 1.0.0
 6- Python: 3.11+
 7
 8## Coding Standards
 9- Type hints: Required
10- Test coverage: 90%+
11- Documentation: Google style
12
13## Current Progress
14- [x] User model
15- [x] Authentication endpoint
16- [ ] Authorization middleware
17- [ ] Unit tests

🔄 Retry Logic 5 ระดับ

เมื่อ AI ทำผิด — จะทำอย่างไร?

ตาราง: Retry Logic 5 ระดับ

ระดับ	ประเภท	เมื่อไหร่ใช้
1. Simple Retry	ลองใหม่เหมือนเดิม	Error ชั่วคราว (network timeout)
2. Reformulated Retry	ลองใหม่โดยปรับ prompt	Model เข้าใจผิด
3. Model Fallback	เปลี่ยนโมเดล	โมเดลปัจจุบันทำไม่ได้
4. Decomposition Retry	แยกงานย่อย	งานซับซ้อนเกินไป
5. Human Escalation	ให้คนทำ	AI ทำไม่ได้จริงๆ

ตัวอย่างโค้ด: Retry Logic ในทางปฏิบัติ

 1class RetryLogic:
 2 def execute_with_retry(self, task: str, max_retries: int = 5):
 3 for attempt in range(max_retries):
 4 try:
 5 # Level 1: Simple Retry
 6 result = self.model.execute(task)
 7 return result
 8 except TemporaryError:
 9 continue
10 except MisunderstandingError:
11 # Level 2: Reformulated Retry
12 task = self.reformulate(task)
13 except ModelCapabilityError:
14 # Level 3: Model Fallback
15 self.model = self.get_fallback_model()
16 except ComplexityError:
17 # Level 4: Decomposition Retry
18 subtasks = self.decompose(task)
19 results = [self.execute_with_retry(t) for t in subtasks]
20 return self.combine(results)
21 
22 # Level 5: Human Escalation
23 self.escalate_to_human(task)

👥 Sub-agent Isolation

เมื่อมีหลาย Agent — จะแยกกันอย่างไร?

ตาราง: Codex vs Claude

ด้าน	Codex	Claude
Isolation	Cloud sandbox per task	Git worktree per agent
Communication	ผ่าน API	อ่าน shared files ได้
State	Stateless per task	Stateful across session
Resource	แยกชัดเจน	Shared แต่มี limits

📝 สรุปตอนที่ 2

สิ่งที่ได้เรียนรู้:

✅ Prompt คือ Control Plane — ไม่ใช่ Input Box แต่เป็น interface ควบคุมพฤติกรรม

✅ Prompt Layering 3 ระดับ — Orchestration, Runtime, Model Interface

✅ สถิติ — Harness-level changes ได้ 28-47% improvement (vs <3% จาก prompt engineering)

✅ Claude Code vs Codex — 2 แนวคิดต่างกัน (Proactive Planner vs Shell-first Surgeon)

✅ Guardrails 3 ระดับ — Input, Output, Execution

✅ Memory Systems 5 ประเภท — System, Session, Project, User, World

✅ Retry Logic 5 ระดับ — Simple → Reformulated → Fallback → Decomposition → Human

✅ Sub-agent Isolation — Cloud Sandbox vs Git Worktree

💡 บทเรียนจากประสบการณ์เหน่ง

ช่วงแรก: ใช้ AI โดยไม่มี Harness

1❌ ใส่ prompt สั้นๆ แล้วดูว่าได้อะไร
2❌ "ช่วยเขียน Python script หน่อย"
3❌ "สรุปข้อความนี้ให้หน่อย"

ผลลัพธ์: ได้มาบ้าง ไม่ได้บ้าง AI บางทีเขียนโค้ดผิด ต้องมานั่งแก้ไขเองเยอะ

ปัจจุบัน: ใช้ Qwen (Alibaba) พร้อม Flow

1✅ กำหนด Orchestration → "งานนี้ต้องทำอะไรบ้าง"
2✅ กำหนด Runtime → "มีเงื่อนไขอะไรต้องระวัง"
3✅ กำหนด Model Interface → "output ต้องออกมาในรูปแบบไหน"

ผลลัพธ์: พอใจ 90% — AI ให้สิ่งที่ต้องการมากขึ้น แก้ไขน้อยลง

“Flow แล้ว” = มีขั้นตอนชัดเจน ไม่ใช่แค่ “ถามๆๆ ไปเรื่อย”

การเดินทาง: ไม่มี Harness → มี Flow → มี Guardrails

 1Stage 1: ไม่มี Harness
 2- ใช้ AI ตามใจ
 3- ผลลัพธ์ไม่แน่นอน
 4- เสียเวลาแก้ไขเยอะ
 5
 6Stage 2: มี Flow
 7- มีขั้นตอนชัดเจน
 8- ผลลัพธ์ดีขึ้น
 9- เสียเวลาน้อยลง
10
11Stage 3: มี Guardrails
12- มีระบบป้องกัน
13- ผลลัพธ์น่าเชื่อถือ
14- เสียเวลาน้อยมาก

🔄 ตอนต่อไป: Harness Components — ระบบอวัยวะของ AI

ตอนนี้เราเข้าใจแล้วว่า:

✅ Prompt คือ Control Plane
✅ Prompt Layering มี 3 ระดับ
✅ Guardrails, Memory, Retry Logic สำคัญอย่างไร

แล้ว Harness Components คืออะไร?

Harness มี “อวัยวะ” หลายอย่างที่ทำงานร่วมกัน:

Control Plane — Prompt ที่เราเพิ่งคุยกัน
Query Loop — หัวใจที่สูบฉีดงาน
Tools & Permissions — มือที่ทำงาน
Memory & Context — สมองที่จำ
Recovery Paths — ระบบภูมิคุ้มกัน

ในตอนต่อไป เราจะมาเจาะลึกแต่ละ “อวัยวะ” ว่าทำงานอย่างไร และทำไมต้องมี

ติดตามตอนต่อไปได้เลย 🚀

📚 อ้างอิง

แหล่งหลัก:

Harness Books 2 เล่ม โดย wquguru

Book 1: Claude Code Harness
Book 2: Claude Code vs Codex
Online Version: harness-books.agentway.dev

แหล่งเสริม:

Stanford HAI - Prompt Engineering Limitations (2025)
Morph LLM - Codex vs Claude Code Benchmarks
Anthropic - Constitutional AI
Google - Chain of Thought Prompting
OpenAI - Templatized Prompt Engineering