เจาะลึกเบื้องหลัง Coding Agents: วงจร Agentic Loop ทำงานอย่างไรให้แก้งานข้ามไฟล์ได้เองโดยไม่พัง?

🕵️‍♂️ ปมคดีที่น่าสงสัย (The Mystery)

ทำไม AI Assistant ยุคใหม่อย่าง Antigravity, Cursor, Devin, Claude Code ถึงสามารถเขียนโค้ดทั้งโปรเจกต์ ตรวจสอบผลลัพธ์ผ่าน Terminal แก้ไขบั๊กข้ามไฟล์ และรันเซิร์ฟเวอร์จนเสร็จได้โดยไม่ต้องรอให้มนุษย์คอย Copy-Paste ทีละบรรทัด?

ความลับไม่ได้อยู่ที่ตัวโมเดล LLM เพียงอย่างเดียว แต่อยู่ที่ “Agentic Harness Loop” หรือวงจรควบคุมพฤติกรรมของ AI ที่เปลี่ยนจาก Text Generator ให้กลายเป็น Autonomous Software Engineer

🔍 แกะรอยสถาปัตยกรรม (Deep Dive Architecture)

ระบบ Coding Agent ทำงานบนวงจร Observe ➔ Orient ➔ Decide ➔ Act (OODA Loop) ผสานกับเครื่องมือ Local Tools:

graph TD
    User["👤 User Request / Issue"] --> Planner["🧠 Planner & Architect Agent"]
    Planner --> ReadEnv["🔍 1. Observe: Grep, View File, Read AST"]
    ReadEnv --> LLMReason["🤔 2. Orient: Formulate Diff & Strategy"]
    LLMReason --> ExecuteTool["⚡ 3. Act: Replace File Content / Run Shell"]
    ExecuteTool --> VerifyEnv["🔬 4. Feedback: Linter / Build / Unit Tests"]
    VerifyEnv -- "พบ Error / Test Failed" --> SelfCorrect["🛠️ Self-Correction Loop"]
    SelfCorrect --> ReadEnv
    VerifyEnv -- "Passed 100%" --> Done["🏁 Complete & Deliver to User"]

3 เสาหลักที่ทำให้ Coding Agent ทำงานสำเร็จจริง:

1. Deterministic Tooling vs Probabilistic Reasoning:
   • LLM รับหน้าที่วางแผนและคิดตรรกะ (Probabilistic)
   • แต่การแก้ไขไฟล์จะใช้เครื่องมือที่มีความแม่นยำสูง (Deterministic) เช่น Exact String Search-and-Replace หรือ Tree-sitter AST Manipulation เพื่อป้องกันไม่ให้โค้ดหายทั้งก้อน
2. Dynamic Context Management:
   • Agent ไม่โหลดโค้ดทั้ง Repository เข้า Context Window แต่ใช้ ripgrep, fd, และ Symbol Graphs เพื่อดึงเฉพาะจุดที่เกี่ยวข้องจริง
3. Execution Sandbox & Verification:
   • รัน Unit Tests, TypeScript Compiler (tsc), หรือ Linter ทันทีหลังแก้ไข เพื่อนำ Feedback Error ย้อนกลับมาให้โมเดลแก้ตัวเองแบบอัตโนมัติ

💻 โค้ดตัวอย่างโครงสร้าง Agentic Loop ขั้นพื้นฐาน

import subprocess
import json

class CodingAgentLoop:
    def __init__(self, workspace_path: str):
        self.workspace = workspace_path
        self.max_retries = 5

    def execute_and_verify(self, edit_plan: dict):
        for attempt in range(self.max_retries):
            # 1. Apply code changes
            self.apply_patch(edit_plan)
            
            # 2. Run Test Verification
            result = subprocess.run(
                ["npm", "run", "build"],
                cwd=self.workspace,
                capture_output=True,
                text=True
            )
            
            if result.returncode == 0:
                print(f"✅ บิลด์ผ่านสำเร็จในการลองครั้งที่ {attempt + 1}")
                return True
            else:
                print(f"⚠️ พบข้อผิดพลาด: {result.stderr[:200]}")
                # ส่ง Error กลับไปให้ LLM ปรับแก้
                edit_plan = self.replan_with_error(edit_plan, result.stderr)

        return False

    def apply_patch(self, plan):
        pass

    def replan_with_error(self, plan, error_log):
        return plan

💰 โอกาสต่อยอดสร้างมูลค่า & รายได้ (Monetization Angle)

1. Automated QA & Code Review Bot: สร้างระบบตรวจสอบ Pull Request และเขียน Unit Tests ส่งลูกค้าแบบ Recurring Subscription
2. Legacy Code Migration Engine: รับงานแปลงโค้ดจากภาษาเก่า (เช่น Python 2 ➔ Python 3 หรือ Vue 2 ➔ React/Next.js) ด้วย Agent Pipeline
3. Internal Developer Platform (IDP) Assistants: พัฒนา Agent ช่วย Onboard พนักงานใหม่และสืบค้น Internal Documentation ขององค์กร

💬 ติดตามและแลกเปลี่ยนความเห็นเกี่ยวกับการสร้าง AI Coding Assistant ได้ที่ Facebook: นักสืบอัลกอริทึม