เวลาทำงานกับ AI เรามักรีบพยายามใส่ทุกฟีเจอร์พร้อมกันตั้งแต่ต้น ทำให้เกิดปัญหาที่คาดไม่ถึง และทำให้โปรเจกต์หยุดชะงักได้ง่าย
วิธีที่ได้ผลดีกว่าคือ ให้ “เริ่มจากฟังก์ชันหลักก่อน” แล้วค่อยๆ เพิ่มฟีเจอร์อื่น ทีละอย่าง โดยให้แน่ใจว่าแต่ละส่วนทำงานได้อย่างถูกต้อง แล้วค่อยไปต่อ
.
1. เริ่มจากโค้ดที่มีอยู่แล้วส่งให้ AI ได้เรียนรู้
เหตุผลที่แนวทางนี้ได้ผลดี เพราะการเริ่มจากฟังก์ชันหลักทำให้ AI ได้ “จับต้อง” แนวคิดการออกแบบและสไตล์การเขียนโค้ดของเราในรูปแบบของโค้ดจริง ๆ
วิธีที่ดีที่สุดในการสื่อสารวิสัยทัศน์ของโปรเจกต์ให้ชัด คือ การแสดงออกผ่านโค้ดที่สะท้อนมาตรฐานและสไตล์ของเรา
เมื่อเราเริ่มจากส่วนหลักก่อน แล้วทำให้แต่ละส่วนทำงานได้อย่างถูกต้องก่อนเพิ่มส่วนใหม่ ความสม่ำเสมอของทั้งโปรเจกต์จะสูงขึ้น ซึ่งช่วยให้ AI เข้าใจและสร้างโค้ดที่เหมาะสมกับโครงสร้างของเราได้มากขึ้น
.
2. การเขียนโค้ดแบบแยกโมดูล (Modular Approach)
การแยกโค้ดออกเป็นโมดูลเล็ก ๆ ถือว่าสำคัญมาก การให้แต่ละไฟล์มีขนาด “ประมาณ 250 บรรทัด” จะช่วยให้การสั่งงาน AI ได้ชัดเจนขึ้น และทำให้กระบวนการลองผิดลองถูกได้เร็วขึ้น
แม้ว่าการนับ “จำนวน token” จะเป็นหน่วยที่แม่นยำกว่า แต่สำหรับมนุษย์ การนับบรรทัดจะสะดวกกว่า
การแยกโมดูลนี้ไม่ได้หมายถึงแค่แยก frontend, backend, หรือ database เท่านั้น แต่หมายถึงการแยกฟังก์ชันภายในแต่ละฟีเจอร์ออกมาอย่างละเอียด เช่น แยกส่วน validation, การจัดการ error, และการทำงานเฉพาะทางอื่น ๆ ออกมาเป็นโมดูลย่อย ๆ
แน่นอนว่าการแยกโมดุลในระดับสูงก็ยังสำคัญ และการค่อย ๆ นำแนวทางนี้มาปรับใช้จะช่วยให้สั่งงาน AI ได้ชัดเจนขึ้น และได้โค้ดที่เหมาะสมมากขึ้นเช่นกัน ซึ่งไม่ได้เป็นประโยชน์เฉพาะกับ AI เท่านั้น แต่กับนักพัฒนามนุษย์ก็เป็นประโยชน์ด้วยเหมือนกัน
.
3. การรับประกันคุณภาพด้วยการทดสอบ (Testing)
การเขียน test เป็นสิ่งสำคัญมากในการพัฒนาด้วย AI เพราะ test ไม่ได้เป็นเพียงเครื่องมือสำหรับตรวจสอบคุณภาพเท่านั้น แต่ยังทำหน้าที่เป็นเอกสารที่อธิบายเจตนาของโค้ดได้อย่างชัดเจนอีกด้วย
เมื่อเราขอให้ AI เขียนฟีเจอร์ใหม่ โค้ดทดสอบที่มีอยู่แล้วจะทำหน้าที่เหมือน เอกสารสเปก (specification) ที่อธิบายสิ่งที่ต้องการอย่างชัดเจน
Test ยังเป็นวิธีที่ดีในการตรวจสอบว่าโค้ดที่ AI สร้างมานั้นทำงานถูกต้องหรือไม่ เช่น ก่อนให้ AI เขียนโค้ดของโมดูลใหม่ เราอาจเขียน test case ล่วงหน้าไว้ก่อน แล้วใช้มันตรวจสอบผลลัพธ์ของ AI ว่าตรงตามที่คาดไว้หรือไม่
แนวทางนี้เข้ากันได้ดี คือ ใช้หลักการ “Test-Driven Development” หรือ TDD ซึ่งจะมีประสิทธิภาพมากเมื่อทำงานร่วมกับ AI
.
4. การวางแผนและการลงมือทำที่สมดุล
ก่อนจะเริ่มทำฟีเจอร์ขนาดใหญ่ ควรพูดคุยและวางแผนกับ AI ก่อนเสมอ เพื่อจัดเรียงความต้องการและพิจารณาโครงสร้างสถาปัตยกรรม (architecture) ให้ชัดเจนก่อนเริ่มเขียนโค้ดจริง
แนวทางที่ดีคือ รวบรวมความต้องการทั้งหมดไว้ก่อน แล้วค่อยเปิดเซสชันใหม่สำหรับการลงมือเขียนจริง
และอย่าลืมว่าการรีวิวผลลัพธ์ของ AI โดยมนุษย์ยังคงสำคัญมาก คุณภาพของโค้ดที่ AI สร้างมักจะอยู่ในระดับแค่ “พอใช้ได้” แต่ก็ช่วยให้ Developer พัฒนาโปรเจกต์ได้เร็วกว่าการเขียนโค้ดทั้งหมดด้วยตัวเอง
.
สรุป
ถ้าทำตามแนวทางเหล่านี้ เราจะสามารถใช้จุดแข็งของ AI ได้อย่างเต็มที่ พร้อมกับสร้างรากฐานโค้ดที่มีคุณภาพและสม่ำเสมอ แม้โปรเจกต์จะเติบโตขึ้น แต่โค้ดในแต่ละส่วนก็ยังคงมีขอบเขตชัดเจนและจัดการได้ง่าย
.
ใครที่ใช้ AI ช่วยเขียนโค้ดอยู่ ลองเอา 4 แนวทางนี้ไปใช้ดูนะครับ