วิธีที่แต่ละทีมของ Anthropic ใช้ Claude Code

• แต่ละแผนกของ Anthropic (โครงสร้างพื้นฐานข้อมูล, การพัฒนาผลิตภัณฑ์, ความปลอดภัย, อินเฟอเรนซ์, วิทยาศาสตร์ข้อมูล, การตลาด, ดีไซน์, วิศวกรรม RL, กฎหมาย ฯลฯ) ได้นำ Claude Code มาใช้และกำลังสัมผัสการเปลี่ยนแปลงครั้งใหญ่ในด้าน การทำงานอัตโนมัติสำหรับโปรเจ็กต์ที่ซับซ้อน, การเพิ่มประสิทธิภาพงาน, และการขยายขอบเขตงานของผู้ที่ไม่ใช่นักพัฒนา
• ในกรณีอย่าง การกู้คืนเหตุขัดข้องของ Kubernetes, การ onboarding พนักงานใหม่, การมอนิเตอร์ข้อมูลปริมาณมาก, และการทำงานอัตโนมัติของเวิร์กโฟลว์สำหรับทีมการเงินที่ไม่ใช่นักพัฒนา นั้น Claude Code ได้ช่วยแก้ปัญหาจริงและยกระดับผลิตภาพอย่างชัดเจน
• ผ่าน การทำต้นแบบอย่างรวดเร็ว, การสำรวจ codebase, การสร้างเทสต์อัตโนมัติ, และการทำงานซ้ำ ๆ แบบอัตโนมัติ ทำให้ ลดเวลาได้ 2–4 เท่าเมื่อเทียบกับเดิม พร้อมเพิ่มทั้งความเร็วและคุณภาพการพัฒนา
• แม้แต่แผนกที่ไม่ใช่นักพัฒนาอย่าง ดีไซน์ การตลาด และกฎหมาย ก็สามารถทำ งานอัตโนมัติและสร้างเครื่องมือที่ซับซ้อนได้โดยไม่ต้องใช้ทรัพยากรวิศวกร ผ่าน เอเจนต์แบบปรับแต่งเองและการเชื่อมต่อกับ Figma/Google Ads/Meta Ads
• แต่ละทีมยังได้แบ่งปันเคล็ดลับสำคัญในการใช้งาน เช่น การจัดทำเอกสารใน Claude.md, การตั้ง checkpoint แบบวนซ้ำ, การเขียนพรอมป์ต์ที่เฉพาะเจาะจง, ฟีดแบ็กเชิงภาพ, และการแชร์เวิร์กโฟลว์ภายในทีม

---

ภาพรวม

Anthropic ได้นำ Claude Code ไปใช้ในหลายทีมภายในองค์กร ทำให้ทั้งนักพัฒนาและผู้ที่ไม่ใช่นักพัฒนาสามารถจัดการโปรเจ็กต์ที่ซับซ้อน ทำงานซ้ำ ๆ ให้เป็นอัตโนมัติ และลดเส้นโค้งการเรียนรู้ จนเกิดเป็น นวัตกรรมด้านผลิตภาพ ในบทความนี้จะอธิบายเชิงลึกว่า 10 แผนก ใช้ Claude Code จริงอย่างไร พร้อมทั้งแนวทางการใช้งานที่มีประสิทธิภาพ ข้อควรพิจารณาเมื่อนำไปใช้ และเคล็ดลับการประยุกต์ใช้ของแต่ละทีม

---

ทีม Data Infrastructure: ใช้ Claude Code กับโครงสร้างพื้นฐานข้อมูล

กรณีใช้งานหลัก

• ดีบัก Kubernetes
  • เมื่อเกิดเหตุขัดข้องใน Kubernetes cluster สามารถป้อนภาพหน้าจอแดชบอร์ดให้ Claude Code เพื่อให้ช่วยชี้เส้นทางปัญหาใน Google Cloud UI และแนะนำคำสั่งที่จำเป็นต่อการแก้ไข
• เวิร์กโฟลว์ภาษาธรรมชาติสำหรับผู้ที่ไม่ใช่นักพัฒนา
  • ผู้ใช้ที่ไม่ใช่นักพัฒนา เช่น ทีมการเงิน สามารถอธิบาย data flow เป็นข้อความธรรมดา แล้ว Claude Code จะช่วยรันเวิร์กโฟลว์โดยอัตโนมัติ ถามค่าที่ต้องป้อนเพิ่ม และสร้างผลลัพธ์เป็น Excel
• การสำรวจ codebase สำหรับพนักงานใหม่
  • นักวิทยาศาสตร์ข้อมูลที่เพิ่งเข้ามาสามารถใช้ Claude Code เพื่อทำความเข้าใจเอกสาร Claude.md และโครงสร้าง codebase รวมถึงให้ช่วยอธิบาย dependency ของ data pipeline และตรวจสอบแหล่งที่มาของแดชบอร์ด
• สรุปเอกสารอัตโนมัติหลังจบเซสชัน
  • เมื่อจบงานแต่ละครั้ง ให้สรุปสิ่งที่ทำโดยอัตโนมัติและเสนอแนวทางปรับปรุงเอกสาร Claude.md
• ทำงานแบบขนานหลายอินสแตนซ์
  • รัน Claude Code หลายอินสแตนซ์ขนานกันในหลาย repository เพื่อสลับงานระหว่างโปรเจ็กต์ได้โดยไม่สูญเสียสถานะเวิร์กโฟลว์และบริบท

ผลกระทบต่อทีม

• แก้ปัญหาโครงสร้างพื้นฐานได้โดยไม่ต้องพึ่งผู้เชี่ยวชาญ
• เพิ่มความเร็วในการ onboarding พนักงานใหม่อย่างมาก
• เสริมเวิร์กโฟลว์สนับสนุน เช่น การตรวจจับความผิดปกติของข้อมูลแบบอัตโนมัติ
• ทำให้แผนกที่ไม่ใช่นักพัฒนาจัดการงานได้ด้วยตนเองแบบ self-service

เคล็ดลับสำคัญ

• ทำเอกสารอย่างละเอียดในไฟล์ Claude.md
• เมื่อจัดการข้อมูลอ่อนไหว แนะนำให้ใช้ MCP server แทน BigQuery CLI
• แชร์เซสชันการใช้งานของแต่ละทีมเพื่อกระจาย best practices

---

ทีม Product Development: ใช้ Claude Code ในการพัฒนาผลิตภัณฑ์

กรณีใช้งานหลัก

• ทำต้นแบบอย่างรวดเร็วผ่าน automation loop
  • ตั้งค่า "auto-accept mode" แล้วมอบปัญหาเชิงนามธรรมให้ Claude จัดการ รับผลลัพธ์ระดับประมาณ 80% ก่อนนำไปแก้ขั้นสุดท้าย
• การเขียนโค้ดแบบ synchronous (ทำงานร่วมกันแบบเรียลไทม์)
  • ระหว่างพัฒนาฟีเจอร์สำคัญ ให้พรอมป์ต์และแนวทางเขียนโค้ดแบบเรียลไทม์ โดย Claude รับหน้าที่จัดการงานเขียนโค้ดที่เป็นงานซ้ำ
• พัฒนาฟังก์ชันแบบแยกส่วน เช่น Vim mode
  • ทำให้อัตโนมัติได้มากกว่า 70% ก่อนค่อยปรับปรุงซ้ำจนสมบูรณ์
• ทำงานอัตโนมัติสำหรับ test case และการแก้บั๊ก
  • ในขั้นตอนรีวิว PR, Claude สามารถปรับรูปแบบโค้ด เปลี่ยนชื่อฟังก์ชัน และแก้ไขตามข้อเสนอได้โดยอัตโนมัติ
• สำรวจ codebase ได้อย่างรวดเร็ว
  • สามารถถาม Claude เกี่ยวกับโครงสร้างและ dependency ของ monorepo ที่ซับซ้อน หรือโค้ดฝั่ง API ได้

ผลกระทบต่อทีม

• พัฒนาฟีเจอร์ที่ซับซ้อนได้รวดเร็วผ่านระบบอัตโนมัติ
• ลดเวลาการทำซ้ำและขยายต้นแบบ
• เพิ่มทั้ง test coverage อัตโนมัติและคุณภาพโค้ด
• เพิ่มประสิทธิภาพในการสำรวจ codebase ที่ไม่คุ้นเคย

เคล็ดลับสำคัญ

• สร้าง verification loop ของตัวเอง (build, test, lint อัตโนมัติ)
• แยกการใช้งานระหว่างงานแบบ asynchronous และ synchronous
• เขียนพรอมป์ต์ให้ชัดเจนและเฉพาะเจาะจง

---

ทีม Security Engineering: ประยุกต์ใช้ Claude Code ในงานวิศวกรรมความปลอดภัย

กรณีใช้งานหลัก

• ดีบักโครงสร้างพื้นฐานที่ซับซ้อน
  • เมื่อป้อน stack trace และเอกสารเข้าไป Claude จะช่วยไล่ control flow
• รีวิวและวิเคราะห์โค้ด Terraform
  • ป้อนแผนงานเข้า Claude เพื่อให้ตรวจสอบผลกระทบด้านความปลอดภัยและอนุมัติได้อย่างรวดเร็ว
• รวมเอกสารและสร้าง runbook
  • รวบรวมเอกสารหลายฉบับแล้วสร้างคู่มือ troubleshooting และสรุป runbook
• ทำ Test-Driven Development (TDD)
  • ทำงานร่วมกับ Claude ในกระบวนการ pseudocode → TDD → ตรวจสอบตามรอบ
• ลดเวลาในการสลับบริบทและ onboarding
  • ป้อนสเปก Markdown ให้ Claude เพื่อให้เริ่มมีส่วนร่วมกับทีมได้ในเวลาสั้น ๆ

ผลกระทบต่อทีม

• ลดเวลาในการรับมือปัญหาโครงสร้างพื้นฐานเหลือไม่เกิน 5 นาที
• ขจัดเวลารอการอนุมัติด้านความปลอดภัย
• สามารถมีส่วนร่วมกับโปรเจ็กต์อื่นได้ในระยะเวลาอันสั้น
• เพิ่มประสิทธิภาพเวิร์กโฟลว์ด้านเอกสารอย่างสูงสุด

เคล็ดลับสำคัญ

• ใช้ custom slash command อย่างจริงจัง
• สั่งให้ Claude เขียนโค้ดแบบอิสระได้
• ระบุรูปแบบเอกสารและเอาต์พุตให้ชัดเจน

---

ทีม Inference: การใช้งานเพื่อดูแลระบบ inference

กรณีใช้งานหลัก

• ทำความเข้าใจ codebase และ onboarding ได้อย่างรวดเร็ว
  • สามารถถาม Claude ได้ทันทีว่าไฟล์ไหนเรียกใช้ฟังก์ชันใด และ dependency อยู่ตรงไหน
• สร้างเทสต์อัตโนมัติรวมถึง edge case
  • หลังพัฒนาฟังก์ชันเสร็จ Claude จะสร้างเทสต์ให้อัตโนมัติ โดยผู้ใช้ทำเพียงตรวจทาน
• อธิบายแนวคิดด้าน machine learning
  • ถาม Claude โดยตรงเกี่ยวกับฟังก์ชันและการตั้งค่าของแต่ละโมเดล (ประหยัดเวลาได้ 80% เมื่อเทียบกับการค้นใน Google)
• แปลงโค้ดข้ามภาษา
  • แปลงลอจิกที่ต้องการไปเป็นภาษาแปลกใหม่สำหรับผู้ใช้ เช่น Rust
• แนะนำคำสั่ง Kubernetes ได้ตลอดเวลา

ผลกระทบต่อทีม

• ลดเวลาในการวิจัยและเรียนรู้ machine learning ลง 80%
• สำรวจ codebase ได้ทันที
• รักษาคุณภาพด้วยเทสต์อัตโนมัติ
• ลดอุปสรรคด้านภาษา

เคล็ดลับสำคัญ

• ลองถามจาก knowledge base ก่อนเป็นลำดับแรก
• สั่งให้สร้างโค้ดแล้วตรวจสอบผลลัพธ์
• ลดภาระด้วยการสั่งให้เขียนเทสต์โดยตรง

---

ทีม Data Science และ ML Engineering: วิทยาศาสตร์ข้อมูลและวิศวกรรมแมชชีนเลิร์นนิง

กรณีใช้งานหลัก

• สร้างแอปแดชบอร์ดด้วย JavaScript/TypeScript
  • แม้แทบไม่มีประสบการณ์กับ JS/TS ก็ยังสามารถเขียน React dashboard ได้ทั้งชุด ซึ่งมีประสิทธิภาพมากในการวิเคราะห์ประสิทธิภาพของโมเดล RL เป็นต้น
• ทำ refactoring แบบซ้ำ ๆ ให้อัตโนมัติ
  • งานซ้ำอย่าง merge conflict หรือการเปลี่ยนโครงสร้างไฟล์ สามารถปล่อยให้อัตโนมัติทำต่อเนื่อง 30 นาที และหากสำเร็จก็นำมาใช้ได้ทันที
• พัฒนาเครื่องมือวิเคราะห์แบบถาวร
  • แทนที่จะใช้ notebook แบบใช้ครั้งเดียว ก็สร้าง React dashboard ที่นำกลับมาใช้ซ้ำได้สำหรับวิเคราะห์ประสิทธิภาพของโมเดล
• มอบหมายงานที่ไม่มี dependency ต่อความรู้เดิม
  • แม้เป็นภาษาโปรแกรมหรือ codebase ที่ไม่รู้จักเลย ก็สามารถมอบหมายให้ Claude ทำทั้งงานได้

ผลกระทบต่อทีม

• ลดเวลาในงาน refactoring ประจำได้อย่างน้อย 2–4 เท่า
• สร้างแอปที่ซับซ้อนได้แม้ในภาษาที่ไม่ชำนาญ
• เปลี่ยนเครื่องมือวิเคราะห์จากใช้ครั้งเดียวเป็นใช้งานต่อเนื่อง
• ยกระดับการตัดสินใจด้วยการทำ visualization ของประสิทธิภาพโมเดล

เคล็ดลับสำคัญ

• ใช้แบบสล็อตแมชชีน (ยอมรับผลลัพธ์หรือสั่งลองใหม่ตามผลที่ได้)
• ยิ่งซับซ้อนยิ่งควรเข้าไปแทรกแซงและช่วยทำให้ง่ายขึ้น

---

ทีม Product Engineering: การใช้งานจริงในงานวิศวกรรมผลิตภัณฑ์

กรณีใช้งานหลัก

• เริ่มต้นด้วยการถาม Claude ถึงรายการไฟล์/พาธเพื่อออกแบบเวิร์กโฟลว์ได้อย่างรวดเร็ว
• ดีบักบั๊กและพัฒนาฟีเจอร์ได้อย่างอิสระใน codebase ที่ไม่คุ้นเคย
• Dogfooding ผ่านการทดลองใช้โมเดลงานวิจัยล่าสุด
• เพิ่มสมาธิกับงานด้วยการตัดต้นทุนจากการสลับบริบท

ผลกระทบต่อทีม

• ทำงานได้อย่างอิสระแม้ในส่วนของโค้ดที่ไม่เคยรู้จัก
• ลดภาระจากการสลับบริบทและการรอคำตอบ
• เพิ่มความเร็วในการ onboarding ของวิศวกรที่หมุนเวียนเข้าทีม
• เพิ่มทั้งความพึงพอใจและผลิตภาพของนักพัฒนา

เคล็ดลับสำคัญ

• มอง Claude เป็นคู่ทำงานและใช้งานแบบวนซ้ำ
• กล้าลองแม้งานที่ไม่คุ้นเคย
• เริ่มจากข้อมูลเท่าที่จำเป็น แล้วเดินหน้าตามคำแนะนำของ Claude

---

ทีม Growth Marketing: ระบบอัตโนมัติสำหรับการตลาดเพื่อการเติบโต

กรณีใช้งานหลัก

• สร้างข้อความโฆษณา Google Ads อัตโนมัติ
  • สร้างพาดหัวและคำอธิบายโฆษณาให้พอดีกับข้อจำกัดจำนวนอักขระของแต่ละตำแหน่งโฆษณา เพื่อทำโฆษณาจำนวนมากได้อัตโนมัติ
• ผลิตครีเอทีฟจำนวนมากผ่านปลั๊กอิน Figma
  • สร้างภาพและข้อความโฆษณาหลายชุดแบบเป็นโปรแกรมได้ (สูงสุด 100 ชุด)
• วิเคราะห์ข้อมูล Meta Ads แบบเรียลไทม์ผ่าน MCP server
  • ทำระบบอัตโนมัติสำหรับการวิเคราะห์ผลงานแคมเปญโฆษณา งบที่ใช้ และข้อมูลอื่น ๆ
• ใช้ระบบ memory เพื่อบันทึกการทดลองซ้ำ ๆ
  • บันทึกผลการทดลองครีเอทีฟเพื่อนำไปใช้ในการสร้างครั้งถัดไป

ผลกระทบต่อทีม

• ลดเวลาการทำข้อความโฆษณาจาก 2 ชั่วโมงเหลือ 15 นาที
• เพิ่มการสร้างครีเอทีฟมากกว่า 10 เท่า
• ทำให้ทีมการตลาดคนเดียวสามารถจัดการงานพัฒนาและวิเคราะห์ขนาดใหญ่ได้เอง
• เปลี่ยนโฟกัสงานไปสู่กลยุทธ์และระบบอัตโนมัติโดยรวม

เคล็ดลับสำคัญ

• เริ่มพิจารณาทำอัตโนมัติจากงานซ้ำที่เชื่อมต่อ API
• แยกเวิร์กโฟลว์ขนาดใหญ่ออกเป็นเอเจนต์ย่อยตามบทบาท
• ออกแบบและจัดโครงสร้างพรอมป์ต์ใน Claude.ai ให้เพียงพอก่อน แล้วค่อยนำไปทำใน Claude Code

---

ทีม Product Design: ปฏิวัติงานออกแบบผลิตภัณฑ์

กรณีใช้งานหลัก

• ปรับปรุงงานภาพฝั่งฟรอนต์เอนด์และการจัดการ state ได้โดยตรง
  • ดีไซเนอร์สามารถใช้ Claude Code เพื่อปรับ UI และทำพฤติกรรมการเปลี่ยน state ได้ทันที
• ระบบ ticketing และข้อเสนอโค้ดอัตโนมัติบน GitHub Actions
  • เมื่อมีคำขอฟรอนต์เอนด์หรือการแก้บั๊ก Claude จะเสนอการแก้โค้ดให้อัตโนมัติ
• สร้าง interactive prototype ได้อย่างรวดเร็ว
  • วางภาพ mockup แล้วสร้างโค้ดที่ใช้งานได้ทันที
• สำรวจ edge case และสถาปัตยกรรมของระบบ
  • ตรวจสอบสถานะระบบและ flow ของข้อผิดพลาดได้เองตั้งแต่ขั้นตอนออกแบบ
• แก้ไขข้อความที่ซับซ้อนและจัดการ compliance แบบเรียลไทม์
  • แก้ไขถ้อยคำเฉพาะในทั้ง codebase แบบครั้งเดียว และทำงานร่วมกับทีมกฎหมายได้แบบเรียลไทม์

ผลกระทบต่อทีม

• เปลี่ยนไปสู่การทำงานบนฐาน Figma และ Claude Code
• การปรับปรุงภาพและ state management เร็วขึ้น 2–3 เท่า
• โปรเจ็กต์ร่วมงานที่ซับซ้อนลดเวลาจาก 1 สัปดาห์เหลือภายใน 1 ชั่วโมง
• เกิดประสบการณ์ที่แยกเฉพาะสำหรับนักพัฒนาและดีไซเนอร์
• ยกระดับการสื่อสารและการออกแบบอย่างมาก

เคล็ดลับสำคัญ

• การตั้งค่าเริ่มต้นยังต้องอาศัยความช่วยเหลือจากวิศวกร
• กำหนดบทบาทและรูปแบบการอธิบายล่วงหน้าด้วย custom memory file
• สร้างต้นแบบด้วยการวางรูปภาพ

---

ทีม RL Engineering: การทำ sampling และจัดการน้ำหนักโมเดลในงาน RL

กรณีใช้งานหลัก

• ใช้แนวทางอิสระ+กำกับดูแลสำหรับการพัฒนาฟีเจอร์ขนาดเล็กถึงกลาง
• สร้างเทสต์และทำ code review อัตโนมัติ
• ใช้ Claude ในการดีบักและวิเคราะห์ข้อผิดพลาด
• ทำสรุป codebase และวิเคราะห์ call stack แบบอัตโนมัติ
• สนับสนุนงานปฏิบัติการผ่านคำถามเกี่ยวกับ Kubernetes

การเปลี่ยนแปลงรูปแบบการทำงาน

• เริ่มใช้แนวทาง checkpoint เชิงทดลองและ rollback อย่างเป็นระบบ
• ประหยัดเวลาในการสร้างเอกสารอัตโนมัติ
• ในกรณีของ PR ขนาดเล็กถึงกลาง มีโอกาสประมาณ 1 ใน 3 ที่จะเสร็จสมบูรณ์ได้ในครั้งเดียว

เคล็ดลับสำคัญ

• ระบุไว้ใน Claude.md เพื่อป้องกันข้อผิดพลาดซ้ำ ๆ
• ฝึกให้ชินกับการ commit และ rollback บ่อย ๆ
• ใช้รูปแบบ one-shot → collaboration

---

ทีม Legal: การใช้ AI ในทีมกฎหมาย

กรณีใช้งานหลัก

• ปรับแต่งโซลูชันด้าน accessibility ส่วนบุคคลได้ในเวลาสั้น ๆ
  • สามารถสร้างสิ่งต่าง ๆ ได้เอง เช่น แอป Predictive Text สำหรับครอบครัว
• ทำต้นแบบระบบอัตโนมัติของเวิร์กโฟลว์ภายในแผนก
  • เช่น ระบบ tree สำหรับโอนสายโทรศัพท์ในทีม และการทำงานอัตโนมัติร่วมกับ G Suite
• นวัตกรรมที่ขับเคลื่อนด้วยต้นแบบ
  • สร้างต้นแบบอย่างรวดเร็ว เก็บ feedback จากผู้เชี่ยวชาญ และตรวจสอบการใช้งานจริง
• การพัฒนาและฟีดแบ็กที่เน้นภาพเป็นหลัก
  • ใช้ภาพหน้าจอของอินเทอร์เฟซเพื่อสื่อสารกับ Claude

มุมมองด้านความปลอดภัยและ compliance

• รับรู้ประเด็นด้านความปลอดภัยได้ทันทีเมื่อเชื่อมต่อ MCP
• เมื่อการใช้ระบบ AI ขยายตัว จำเป็นต้องให้ความสำคัญกับการสร้างเครื่องมือด้าน compliance ก่อน

เคล็ดลับสำคัญ

• วางแผนไอเดียใน Claude.ai ให้เพียงพอแล้วค่อยจัดโครงสร้าง
• ลดภาระด้วยการขอเป็นลำดับขั้นตอนและอิงภาพหน้าจอในแต่ละช่วงงาน
• แชร์ต้นแบบที่ยังไม่สมบูรณ์อย่างเชิงรุก

---

[GN⁺]

ความคิดเห็นจาก Hacker News

• Claude Code มักทำได้แค่ประมาณ 70~80% เสมอ ๆ และอยากให้ประเด็นนี้ถูกเน้นมากกว่านี้ เช่น คำแนะนำอย่าง “ใช้มันเหมือนสล็อตแมชชีน” หรือ “เซฟสถานะก่อนเริ่ม แล้วแบ่งให้มันทำงานทีละ 30 นาที จากนั้นค่อยรับผลลัพธ์หรือเริ่มใหม่ตั้งแต่ต้น ดีกว่าพยายามแก้ต่อกลางทาง” ฟังดูน่าสนใจ แต่ก็พูดได้ง่ายเฉพาะตอนที่ตัวเองไม่ได้เป็นคนจ่ายค่า compute โดยตรง
  • ในมุมพนักงาน คำแนะนำแบบ “ถึงจะได้ผลลัพธ์ที่ดีแล้วก็ให้สร้างและแก้โค้ดเป็นร้อยรอบ” นี่ชวนขำดี ทำแบบนี้บริษัทก็คงได้แต่บิลมหาศาล แต่มี commit จริงนิดเดียว ถึงขั้นมีมุกว่า “นึกว่า AI จะทำได้หมด สุดท้ายต้องจ้างนักพัฒนาเพิ่มอีก”
  • สำหรับผม LLM ใช้สร้างโค้ดได้ค่อนข้างดี กฎที่ผมใช้คือ ถ้างานทั้งก้อนให้ AI ทำได้เกิน 90% ถึงจะคุ้มค่าใช้งานจริง ๆ (ไม่นับ autocomplete ง่าย ๆ หรือการแก้ข้อความเล็กน้อย) ปัญหาที่อยู่ใน training data อยู่แล้ว เช่น เซ็ตเว็บเซิร์ฟเวอร์ง่าย ๆ ด้วย golang แทบจะใกล้ 100% มาก งานพวกนี้เสร็จในไม่กี่นาที และช่วยปูโค้ดเชิงโครงสร้างแบบแบน ๆ ของสถาปัตยกรรมได้เร็วมาก ผลิตภาพจริงเพิ่มขึ้นราว 30~50%
  • สิ่งที่เพิ่งตระหนักเมื่อไม่นานมานี้คือ ลักษณะความสำเร็จระดับ 70-80% ของ Claude ใช้ได้ไม่ใช่แค่ช่วงต้นโปรเจกต์ แต่รวมถึงช่วงท้ายด้วย ผมเริ่มทำ large-scale refactoring เองตั้งแต่ต้น พอปั้นไอเดียเป็นรูปเป็นร่างได้แล้วก็ส่งต่อให้ Claude ปรากฏว่ามันเก็บงานส่วนที่เหลือจนเสร็จอย่างสมบูรณ์แบบ (รวมถึง CHANELOG ด้วย) ผมมองว่านี่เป็นตัวอย่างของ prompt แบบอิงตัวอย่างและการวาง guardrail ที่เข้มพอ
  • ถ้าจะต่อยอดอุปมาแบบสล็อตแมชชีนอีกข้อ ก็คือควรเพิ่มความเข้มงวดของระบบอย่างเป็นทางการให้มากที่สุด ถ้าเขียน Python แบบชิล ๆ พอประมาณ สุดท้ายผลลัพธ์มักออกมาไม่ดี แต่ถ้าใน Haskell เปิด GHC options หรือใช้ property test เพื่อเพิ่มการตรวจเชิงรูปแบบ Claude จะถูกจับได้เวลาพยายามใช้ทางลัด ใน TypeScript เป็นต้น ก็ได้ผลดีเช่นกันถ้าบังคับโครงสร้างให้เข้มขึ้นผ่าน type system สุดท้ายมันจะพยายามทำตามที่สั่งแบบเป๊ะ ๆ เหมือนที่มันหมกมุ่นกับ TODO checkbox
  • ถ้าพนักงานคนหนึ่งแม้ปกติจะเขียนโค้ดได้โอเค แต่มีโอกาส 30% ที่จะส่งโค้ดเพี้ยนหนักจนใช้ไม่ได้เลยและต้องรื้อใหม่หมด ก็น่าจะโดนไล่ออก
• ผมเคยใช้ CC ทำเว็บแอปทั้งตัวมาแล้ว ลอง AI coding tool มาหลายแบบ และยังเคยจัดคลาสกับเวิร์กช็อปเกี่ยวกับเรื่องนี้ด้วย workflow ที่ใช้ CC ได้มีประสิทธิภาพที่สุดคือเขียนสเปกที่ชัดและกระชับเป็นไฟล์ md แล้วอ้างอิงไฟล์นั้นแบบชัดเจนในทุก prompt เริ่มจาก user story ก่อน แล้วให้ CC ร่างแผนทีละขั้น จากนั้นวนแก้และยืนยันแผนซ้ำ ๆ หลังจากนั้นค่อยแบ่งงานตามคำสั่งการ implement จริง อย่าลืม automated test และ functional test แล้วค่อย merge ตอนท้าย
  • คำแนะนำดีมาก ประสบการณ์ผมก็คล้ายกัน ตอนแรกผมจะโยน prompt คร่าว ๆ ไปก่อนแล้วค่อยปรับแก้ workflow ที่ผมเขียนเองก็สรุปไว้ที่นี่
  • สงสัยว่าวิธีนี้เร็วหรือมีประสิทธิภาพกว่าการเขียนโค้ดเองจริงไหม
  • ถ้ามีตัวอย่างจริงของงานที่ทำด้วยวิธีนี้ ช่วยแชร์ได้ไหม
  • ผมก็มีประสบการณ์คล้าย workflow นี้ แต่เกลียดการทำงานแบบนี้มาก เลยแทบจะเลือกเขียนเองตลอด การเขียนสเปกกับ user story เป็นงานที่ผมไม่ชอบที่สุด
• Claude Code เหมาะกับงานหลายแบบ เมื่อวานผมเปลี่ยน backend API ของเว็บสภาพอากาศ แม้ API สองชุดจะต่างกันพอสมควร แต่มันก็ทำได้เกือบจบในรอบเดียว ที่บ้านผมใช้แพ็กเกจ $20/เดือน ส่วนที่ทำงานทดลองผ่าน AWS Bedrock เวลาใช้ผ่าน Bedrock API จะเห็นค่าใช้จ่ายทันทีทุกครั้งตอนจบ session ซึ่งทำให้รู้สึกแปลก ๆ จริง ๆ แล้วผมกังวลว่าถ้ายังคิดเงินตามการใช้งานละเอียดแบบนี้ต่อไป นักพัฒนาอาจไม่กล้าลอง ไม่กล้าทดลอง หรือไม่กล้า refactor ส่งผลให้คุณภาพซอฟต์แวร์โดยรวมแย่ลง ภายใน Anthropic เองก็น่าจะใช้ได้โดยไม่ต้องกังวลเรื่องต้นทุน เลยหลีกเลี่ยงปัญหานี้ไปได้
  • เมื่อไม่กี่สัปดาห์ก่อน ผมโยน MLB API ให้มันแล้วให้สร้าง widget บน MacOS ปรากฏว่ามันทำ widget ที่แสดงอันดับลีก/ดิวิชัน/ไวลด์การ์ดได้ดีในเวลาไม่ถึงชั่วโมง เหมาะมากกับโปรเจกต์ quick & dirty ที่ใช้เวลาเช็กแค่สิบนาทีก็พอ ผมมีตัวอย่างแนวนี้ที่ใช้ได้จริงคล้าย ๆ กันอีก
  • ในอดีตวิศวกรก็ต้องใส่ใจกับค่าใช้จ่ายของ datacenter, cloud, SaaS และอื่น ๆ อยู่แล้ว อีก 5~10 ปีข้างหน้าเราก็คงต้องใส่ใจค่าใช้งาน AI ด้วย สุดท้ายจะมีช่วงเวลาที่ค่าใช้จ่าย AI กลายเป็นเรื่องเล็กน้อยเมื่อเทียบกับต้นทุนเวลาของมนุษย์

  • มีคนบอกว่า “ไม่ชอบที่เห็นต้นทุนโดยตรง” แต่จริง ๆ ต่อให้ session Claude สุดโหดของผมจะคิดเงินบริษัทสัก $10 ผมก็ไม่สนใจ ที่บริษัทก็บอกเหมือนกันว่า “อย่าเพิ่งกังวลเรื่องราคา ลองทดลองดูก่อน”

  • แม้แต่ฟังก์ชันเล็ก ๆ ถ้าให้ Claude ทำ มันก็มัก implement พลาดแบบละเอียดอ่อน และ test จะจับได้ทันที เลยรู้สึกว่าควรระวังมากกว่านี้ไหม
  • ผมแปลกใจที่มีคนตกใจกับการที่เห็นค่าใช้งานตรง ๆ แน่นอนว่าถ้าโชว์บ่อยเกินไปก็ไม่ชอบ แต่เวลาทดลอง agent prompt ผมกลับชอบที่เช็กราคาแต่ละ query ได้ เพราะแค่ต่างกันคำเดียวใน prompt ต้นทุนก็เปลี่ยนได้ ข้อมูลแบบนี้ไม่ใช่ว่าช่วยชี้ทางนวัตกรรมหรือ แล้วทำไมถึงมองว่าเป็น chilling effect? วิศวกรจำนวนมากน่าจะยิ่งโฟกัสกับการสร้างนวัตกรรมเพื่อลดต้นทุนด้วยซ้ำ
• ช่วงหลายวันมานี้ผมลองย้ายจาก Gemini Cli มาใช้ Claude Code ยอมรับว่าลูปการใช้เครื่องมือดีกว่าเล็กน้อย แต่ Claude ดู “ทึ่ม” กว่านิดหน่อย และชอบฝืนทำงานให้จบ มันไม่สนทั้งสามัญสำนึกและคำสั่งที่ชัดเจน เช่น ถ้าบอกให้ทำให้ test ผ่าน มันอาจไปเปลี่ยนโครงสร้างฐานข้อมูลแทนการ debug สองครั้งถึงขั้นลบ protocol buffer ทั้งหมดแล้วเปลี่ยนเป็น JSON หมดเลย น่าจะเพราะ debug proto ไม่ได้ก็เลยเลือกแก้แบบตั้งต้นใหม่เป็นค่า default
  • ผมก็มีประสบการณ์คล้ายกัน ระหว่าง refactoring เล็ก ๆ มันแก้ไปได้ประมาณครึ่งทางอย่างดี แต่พอเริ่มดูเหมือนติดขัด มันกลับ revert การเปลี่ยนแปลงเดิมทั้งหมดแล้วรีบเริ่มทำ automation ทั้งก้อนด้วย bash script พอทักว่า “มันเกือบเสร็จอยู่แล้ว จะทำอะไรเนี่ย” มันก็ยอมรับทันที เป็นตัวอย่างคลาสสิกของการแสดงความเห็นแรงแต่เปลี่ยนใจเร็วมาก
  • ประสบการณ์ที่ Claude ชอบใช้เล่ห์กลเพื่อ “ทำเหมือนว่า” test ผ่าน ตรงกับของผมเลย บ่อยครั้งมันถึงขั้นลบหรือข้าม test แล้วบอกว่า “ทุกอย่างเรียบร้อยแล้ว!” แปลกตรงที่ผมไม่เคยเห็นพฤติกรรมนี้ใน LLM ตัวอื่น ปกติพวกนั้นจะยอมรับว่าล้มเหลว และถ้าให้ hint เพิ่มก็จะแก้ได้ตามปกติ Claude ดูเหมือนเชื่อว่าผมจะโดนหลอก ถ้ามันทำแบบนี้กับ defect ที่สำคัญกว่านี้จะเป็นยังไงก็น่ากังวล
  • ผมก็เจอเคสไม่ต่างกันมาก ถ้า test แบบครบชุดที่ซับซ้อนล้ม มันจะไม่หาสาเหตุ แต่เปลี่ยนไปใช้ test ย่อยง่าย ๆ ที่ผ่านได้แทน ผมแอบเดาว่าทีม Claude อาจกำลังเร่งให้เดินหน้าไวเพื่อลดค่า compute หรือเปล่า อีกทั้ง API timeout กับ error ก็เกิดบ่อยเหมือนกัน
  • เรื่องตลกคือ ถ้า Claude เจอปัญหาตรงขั้นตอนไหนก็ตาม มันมักมีแนวโน้มจะอ้างว่า “เลื่อนงานไว้ก่อน (Deferred)” แล้วหาข้ออ้างข้ามไป มนุษย์อาจใช้วิจารณญาณเพื่อเลื่อนงานได้ แต่เครื่องไม่มีวิจารณญาณ ผมเลยคิดว่าไม่ควรยอมรับท่าทีแบบนั้น
  • ถึงขั้นได้ยินมาว่ามีคนเจอ Claude ลบโค้ดเบสมั่ว ๆ แล้วปฏิเสธว่าไม่ได้ทำ
• ผมใช้ Claude ได้ดีนะ แต่โพสต์บล็อกที่อ่านวันนี้ดูแปลกและแข็งมาก ถึงขั้นทำให้นึกว่าทีมบล็อกใช้ Claude เขียนด้วย
  • เว็บเอกสาร MCP ก็มีปัญหาเดียวกัน เป็นแค่รายการ bullet ที่ไม่ค่อยเป็นมิตร
  • ผมก็รู้สึกคล้ายกัน แต่คิดว่าปัญหาหลักอยู่ที่เนื้อหามากกว่า เช่น ข้อความอย่าง “แทนที่จะพิมพ์คำสั่ง Kubernetes ที่ซับซ้อน ก็ถาม Claude เพื่อเอาคำสั่งที่ถูกต้องได้” นี่ในบล็อกเทคโนโลยี AI มันจำเป็นต้องเน้นด้วยหรือ มันเป็นแค่ทริกพื้นฐานเท่านั้น
  • ปัญหาไม่ใช่ว่าใช้ Claude เขียนหรือไม่ แต่ทั้งบทความเหมือนเอาคำตอบจากแบบสอบถามมาวางเรียงกันแบบไร้รอยต่อ วุ่นวาย ซ้ำซาก และไม่มีการจัดระเบียบเนื้อหาที่ไม่จำเป็นเลย ไม่มีใครรับหน้าที่คัดสรรหรือ curate เนื้อหา
  • ข้อมูลมีเยอะก็จริง แต่สุดท้ายให้ความรู้สึกเหมือนรวม bullet point ที่ถูกขัดเงามาเฉย ๆ
• กรณีแรกที่ยกมาคือ Claude ช่วยวินิจฉัยว่าในการ debug k8s ปัญหามาจาก IP pool หมด และแก้ปัญหาได้โดยไม่ต้องมีผู้เชี่ยวชาญเครือข่าย แต่ก็อดสงสัยไม่ได้ว่า ถ้ามีผู้เชี่ยวชาญเครือข่ายเป็นคนออกแบบตั้งแต่แรก เรื่องแบบนี้คงไม่เกิดขึ้นแต่แรกหรือเปล่า
  • ผู้เชี่ยวชาญก็พลาดได้ จริง ๆ แล้วมนุษย์ทุกคนก็พลาดได้ทั้งนั้น
• เคล็ดลับการปรับ workflow ของผมช่วงนี้คือใช้ voice input กับ Claude Code แค่อธิบายบริบทกับประวัติแบบคุยกับคนก็พอ เร็วกว่าการพิมพ์เองมาก
  • ถ้าใช้ Mac แอป SuperWhisper ค่อนข้างดี
  • ผมพอใจกับแพ็กเกจ Python ชื่อ hns บน terminal รันด้วย <i>uvx hns</i> แล้วอัดเสียง พอกด Enter มันจะคัดลอกข้อความไป clipboard ให้อัตโนมัติ เรียบง่ายแต่เข้ากับ CLI workflow ได้เนียนดี ลิงก์
  • พูดอธิบายให้ AI ฟังในห้องแบบนั้นเหรอ ฟังดูแปลกนิด ๆ ไหม ผมกลับพิมพ์ได้เร็วกว่า
  • ถ้ามีตัวเลือกที่ใช้บน Ubuntu ได้ดี ก็อยากรู้เหมือนกัน
• ตอนคลัสเตอร์ Kubernetes ล่ม มีกรณีที่ใช้ Claude Code ป้อน screenshot ของ dashboard แล้วให้มันไล่วิเคราะห์ Google Cloud UI ทีละขั้น จนเจอคำเตือนว่า pod IP ใกล้หมด และยังแนะนำวิธีเพิ่ม IP pool ใหม่ให้ด้วย แต่ผมก็ยังสงสัยว่าวิธีนี้ไม่มีประสิทธิภาพไปหน่อยไหม และจำเป็นต้องใช้ AI จริงหรือเปล่า
  • ถ้าเป็นแบบนี้ ต่อไปแม้แต่ปัญหาง่าย ๆ ก็จะกลายเป็นเรื่องที่ต้องพึ่ง AI สุดท้ายมนุษย์อาจลืมทั้งความเข้าใจบริบทของปัญหาและเครือข่ายผู้เชี่ยวชาญที่เคยขอความช่วยเหลือได้ โลกที่คนกลายเป็น “ทาสของ AI” แบบนั้นน่ากังวล
  • วิธีแก้ปัญหาแบบนี้เป็นสิ่งที่คาดหวังได้จากเด็กฝึกงานหรือวิศวกรใหม่มากกว่า (ซึ่งจริง ๆ ก็อาจเป็นกรณีนั้นก็ได้)
• เป็นกรณีที่น่าสนใจ แต่ทีมเราก็อยากลองใช้ Claude Code เหมือนกัน ทว่ามันไม่ได้รวมอยู่ในแพ็กเกจทีม (ทั้งที่แพ็กเกจ Pro ราคาใกล้กันกลับมี) พอซื้อแล้วเพิ่งมารู้ก็ผิดหวัง ไม่คิดจะให้วิศวกรทุกคนต้องจ่ายรายบุคคล ก่อนจะอวดประสบการณ์ภายในทีม ก็อยากให้ปรับโครงสร้างการจ่ายเงินและการสมัครใช้งานให้บริษัทภายนอกใช้ได้จริงก่อน สร้างโมเดล AI ระดับแนวหน้าของวงการได้ แต่ปัญหาพื้นฐานอย่างการจัดการ subscription ยังแก้ไม่ได้
  • ทำไมถึงคิดว่าไม่ควรให้ทุกคนจ่ายเองทีละคน?
• ผมใช้ Claude code เหมือน rubber duck อัจฉริยะมากกว่า โดยใช้คุยไอเดียหรือขอ feedback เป็นหลัก โค้ดจริงส่วนใหญ่ผมเขียนเอง ก่อนอื่นผมจะให้มันอธิบายความเห็นและเจตนาในแชตให้พอ จากนั้นตั้งกติกาว่าจะให้เปลี่ยนโค้ดก็ต่อเมื่อผมสั่งเท่านั้น ผมจะ copy-paste โค้ดเข้า IDE เอง และระหว่างทางก็สะท้อนการแก้ของตัวเองกลับไปอธิบายให้ Claude ฟังด้วย ตอนแรกอาจดูช้า แต่สุดท้ายทำให้ผมจับปัญหาได้ดีขึ้นและขัดงานให้ไปในทิศทางที่ต้องการได้เร็วกว่า Claude เหมือนนักพัฒนาจูเนียร์ที่มั่นใจเกินไป ต้องคอยกำกับให้ดี และถ้าผมทำเองได้เร็วกว่า ก็ลงมือเองเลยจะคุ้มกว่า (สำหรับจูเนียร์มนุษย์ วิธีนี้อาจไม่ดี แต่กับ Claude ใช้ได้ผล) อีกอย่างต้องไม่ลืมว่าบล็อกโพสต์นี้เขียนโดยบริษัทที่ขายเครื่องมือนี้เอง ผมคิดว่าการตลาดของบริษัท AI ต้องกรองทิ้งสัก 90% สุดท้ายพวกเขาก็เขียนแบบนี้เพื่อดึงเงินหรือหวังให้ถูกซื้อกิจการ
  • ถ้าให้มันอยู่แค่ใน plan mode มันก็จะไม่แก้อะไรเองเลยไม่ใช่เหรอ? Gemini CLI นี่พร้อมจะเริ่ม implement ทันทีแบบไม่ลังเล :D