14อนาคตของศาสตร์นี้ — และปิดเล่ม

คำถามที่ค้างคอคนทั้งวงการ: โมเดลเก่งขึ้นทุกปี — แล้ว harness จะบางลงจนหายไปไหม? · คำถามนี้มีชื่อเล่นในวงการว่า bitter lesson (บทเรียนขมของงานวิจัย AI): โครงช่วยคิดที่มนุษย์ประดิษฐ์ แพ้พลัง scale ของโมเดลเสมอมา — และมันก็จริงซ้ำแล้วซ้ำเล่า

14.1 สองฝั่งของคำตอบ

ฝั่ง "harness จะบางลง" ชี้หลักฐานชัด: เทคนิคที่เคยต้องสั่ง (คิดทีละขั้น) กลายเป็นความสามารถในตัวโมเดล scaffold เต็มยศของปี 2024 จำนวนมากตายเพราะโมเดลปี 2025 ทำเองได้หมด · ถ้าเส้นนี้ลากต่อ — โครงที่สร้างมา "ช่วยโมเดลคิด" จะโดนกลืนเรื่อย ๆ

ฝั่ง "harness จะอยู่" ถามกลับด้วยภาพง่าย ๆ: ต่อให้จ้างวิศวกรที่เก่งที่สุดในโลก เขาก็ยังต้องมี IDE, สิทธิ์เข้าระบบ, code review และการวัดผลงาน — ไม่ใช่เพราะเขาโง่ แต่เพราะนั่นคือ interface ระหว่างความสามารถกับโลกจริง · tools, permissions, evals, observability ไม่ได้มีไว้ชดเชยความโง่ของโมเดล — มันคือการเชื่อมพลังเข้ากับความรับผิดชอบ ซึ่งไม่มีวันตกยุคเพราะโมเดลฉลาดขึ้น

คำตอบที่น่าจะใกล้จริง: harness จะบางลงในชั้น "ช่วยคิด" แต่อยู่ยาวในชั้น "ต่อกับโลก" — prompt trick จะตายไปเรื่อย ๆ ตาม bitter lesson แต่ verifier, guardrails, การวัดผล จะยิ่งสำคัญขึ้นเมื่อ agent รับงานใหญ่ขึ้นและอิสระมากขึ้น · สังเกตว่าเสาหลักของเล่มนี้ตั้งใจอยู่ฝั่งหลังเกือบทั้งหมด

14.2 ทิศทางที่มองเห็นแล้ว

• มาตรฐานเปิดชนะ — MCP ทำให้ tools เป็นของกลางข้าม harness · แนวโน้มเดียวกันไล่มาตรฐานส่วนอื่นตามมาแล้วจริง ๆ — A2A (บทที่ 10.5) พยายามทำแบบเดียวกันกับการคุยข้าม agent ข้ามองค์กร แม้วันนี้ยังแคบกว่า MCP มาก ก็เป็นสัญญาณของทิศทางเดียวกัน
• agent ใช้ agent — โครง orchestration ของบทที่ 10 กำลังโตจาก "ฟีเจอร์" เป็นวิธีทำงานหลัก: งานใหญ่ = ฝูง agent ที่มีคนดูแลผ่าน observability ชั้นดี
• harness กลายเป็น infrastructure ปกติ — แบบเดียวกับที่ CI/CD เคยเป็นของแปลกแล้ววันนี้ทุกทีมมี · อีกไม่นาน "ทีมนี้มี eval suite กับ permission policy ของ agent ไหม" จะเป็นคำถามพื้นฐานเท่ากับ "มี git ไหม"

14.3 ปิดบันไดสาย AI

ถ้ามองย้อนทั้งสาย จะเห็นว่าแต่ละขั้นตอบคำถามคนละชั้น: #06 — พูดกับ AI ยังไงให้ได้งาน · #07 — บังคับผลลัพธ์ยังไงให้เป๊ะพอเอาไปต่อระบบ · #08 — ออกแบบระบบยังไงให้ AI ทำงานเองได้โดยเราไว้ใจได้ · และที่ซ่อนอยู่ในทุกขั้น: ยิ่งให้อิสระมาก ยิ่งต้องออกแบบสิ่งรอบตัวมันดี

14.4 ทักษะที่ไม่หมดอายุ

โมเดลรุ่นถัดไปจะกลืนเทคนิคบางส่วนของเล่มนี้ไป — ตามธรรมชาติของ bitter lesson · แต่สังเกตว่าทักษะที่เล่มนี้ฝึกจริง ๆ ไม่ใช่เทคนิค: นิยามงานให้ชัดจนวัดได้ (บท 8, 10) · ออกแบบ feedback ให้ระบบตรวจตัวเองได้ (บท 5) · ตัดสินว่าอะไรเสี่ยงและวางด่านให้ถูกจุด (บท 6) · วัดผลอย่างซื่อสัตย์ก่อนเชื่อว่าดีขึ้น (บท 11) — สี่อย่างนี้คือทักษะวิศวกรรมแท้ ๆ ที่อยู่มาก่อน AI และจะอยู่ต่อหลังโมเดลทุกรุ่นที่เรารู้จักวันนี้เกษียณไปแล้ว

✅ จบบันไดสาย AI 🏁 — เดินมาครบสามขั้น: ใช้ AI เป็น (เข้าใจกลไกเดาคำถัดไป เขียน prompt ครบส่วน) → สั่ง AI ระดับโปร (few-shot, grounding, chaining, ปลอดภัย, ต่อเครื่องมือ) → ออกแบบระบบรอบ AI (loop, context, tools, feedback, guardrails, observability, memory, subagents, evals) · โมเดลจะเก่งขึ้นทุกปีโดยเราไม่ต้องทำอะไรเลย — ความได้เปรียบเดียวที่สั่งสมได้จริงคือความเข้าใจระบบรอบตัวมัน ซึ่งตอนนี้อยู่ในมือพี่ครบแล้ว · ที่เหลือคือสิ่งเดียวกับทุกเล่มใน collection นี้: เอาไปใช้จริง แล้วให้ของจริงสอนต่อ

อ่านต่อ: AI Brain#

---

Harness Engineering — ฉบับเข้าใจถึงแก่น — ศาสตร์ของการออกแบบระบบรอบ AI agent สำหรับคนที่อยากเข้าใจว่าทำไมโมเดลเดียวกันถึงเก่งไม่เท่ากัน และออกแบบเองได้

ภาคต่อของ Prompt 0 → Hero · ส่วนหนึ่งของ Handbooks — เขียนเพื่อเข้าใจ ไม่ใช่เพื่อท่องจำ · โดย @tayakorn221 · 2026